1

SKRIPSI

VISUALISASI DASHBOARD TABLEAU DAN PERAMALAN

JUMLAH KASUS DEMAM BERDARAH DENGUE DI DKI
JAKARTA MENGGUNAKAN METODE ARIMA

Disusun oleh:
RENDA AUDI PERMAISURI
11180930000128

PROGRAM STUDI SISTEM INFORMASI

FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGERI SYARIF HIDAYATULLAH
JAKARTA

2022 M / 1443 H
 HALAMAN JUDUL

VISUALISASI DASHBOARD TABLEAU DAN PERAMALAN

JUMLAH KASUS DEMAM BERDARAH DENGUE DI DKI
JAKARTA MENGGUNAKAN METODE ARIMA

SKRIPSI

Sebagai Salah Satu Syarat Untuk Memperoleh Gelar Sarjana Komputer Program
Studi Sistem Informasi Fakultas Sains dan Teknologi Universitas Islam Negeri
Syarif Hidayatullah Jakarta

Disusun oleh:
RENDA AUDI PERMAISURI
11180930000128

PROGRAM STUDI SISTEM INFORMASI

FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGERI SYARIF HIDAYATULLAH
JAKARTA

2022 M / 1443 H

ii
 ABSTRAK

RENDA AUDI PERMAI SURI – 11180930000128, Visualisasi Dashboard

Tableau dan Peramalan Jumlah Kasus Demam Berdarah Dengue di DKI Jakarta
Menggunakan Metode ARIMA. Di bawah bimbingan Ir. Eri Rustamaji, MBA
dan Eva Khudzaeva M.Si.

Metode ARIMA adalah salah satu metode peramalan time series. ARIMA memiliki
hubungan statistik yang baik antara variabel yang akan diprediksi dan nilai yang
digunakan untuk prediksi. Metode Autoregressive Integrated Moving Average
(ARIMA) memiliki ketepatan yang sangat akurat karena dalam metode tersebut
menggunakan peramalan jangka pendek. Metode ARIMA memiliki kelebihan yaitu
dapat digunakan pada data yang tidak stasioner dapat digunakan pada semua pola
data termasuk pola data musiman sehingga metode ini dapat digunakan untuk
meramalkan kasus DBD di Provinsi DKI Jakarta. Penelitian ini dilakukan untuk
menentukan model terbaik dengan model peramalan ARIMA musiman dan juga
menganalisis hasil peramalan kasus DBD di Provinsi DKI Jakarta. Hasil analisis
menunjukkan model terbaik untuk kasus DBD di Provinsi DKI Jakarta adalah
ARIMA(0,2,1)(2,1,1)4 dengan nilai MSE terkecil yaitu 970756. Hasil peramalan
Kasus DBD DKI Jakarta bulan Januari 2021 sampai Desember 2021 berturut-turut
di bulan Januari sebanyak 90 kasus, Februari sebanyak 186 kasus, Maret sebanyak
529 kasus, April sebanyak 394 kasus, Mei sebanyak 311 kasus, Juni sebanyak 229
kasus, Juli sebanyak 308 kasus, Agustus sebanyak 268 kasus, September sebanyak
268 kasus, Oktober sebanyak 286 kasus, November sebanyak 432 kasus, dan
Desember sebanyak 416 kasus.

Kata Kunci: ARIMA, Peramalan, PACF, ACF, DKI Jakarta.

5 Bab + 62 Halaman + xiv Halaman + 25 Gambar + 7 Tabel + Lampiran

vi
 KATA PENGANTAR

Puji dan syukur atas kehadirat Allah SWT yang telah memberikan rahmat

serta hidayah-Nya sehingga penulis dapat menyelesaikan penulisan skripsi dengan

judul “Visualisasi Dashboard Tableau dan Peramalan Jumlah Kasus Demam

Berdarah Dengue di DKI Jakarta Menggunakan Metode ARIMA”. Penelitian ini

disusun sebagai salah satusSyarat untuk memperoleh gelar Sarjana Sistem

Informasi Fakultas Sains dan Teknologi Universitas Islam Negeri Syarif

Hidayatullah Jakarta.

Dalam penulisan skripsi ini, penulis menyadari bahwa masih terdapat

banyak kekurangan. Namun demikian penulis berharap penulisan skripsi ini dapat

memenuhi prasyarat dalam memperoleh gelar sarjana (S-1) dalam jurusan Sistem

Informasi di Fakultas Sains dan Teknologi UIN Syarif Hidayatullah Jakarta.

Pada kesempatan ini penulis juga hendak mengucapkan terima kasih kepada

pihak-pihak yang telah membantu memberikan dukungan baik berupa materi

maupun imateri, sehingga penulis dapat menyelesaikan Laporan Skripsi ini. Ucapan

terima kasih secara khusus penulis berikan kepada:

1. Bapak Nashrul Hakiem, S.Si., M.T., PhD selaku Dekan Fakultas Sains dan

Teknologi Universitas Islam Negeri Syarif Hidayatullah Jakarta.

2. Bapak A’ang Subiyakto, PhD selaku Ketua Program Studi Sistem Informasi

dan Bapak Nuryasin, M.Kom selaku Sekretaris Program studi Sistem

Informasi.

vii
 3. Bapak Ir. Eri Rustamaji, MBA dan Ibu Eva Khudzaeva M.Si selaku dosen

pembimbing I dan II yang telah memberikan ilmu dan pengetahuannya

dalam membimbing penulis sehingga laporan ini dapat terselesaikan.

4. Dosen-dosen Program Studi Sistem Informasi yang telah memberikan ilmu

selama perkuliahan.

5. Orang tua dan Kakak-kakak saya yang selalu memberikan doa, semangat,

dan dukungan yang terus mengalir kepada peneliti.

6. Senior-senior dan teman-teman saya yang telah bersedia memberikan info

dan ilmu tambahan dalam menyusun laporan ini.

7. Sahabat saya yaitu: Nusif, Ana, Karin yang selalu mendengarkan keluh

kesah saya disaat saya patah hati dan memberikan dukungan sehigga

penyusunan skripsi dapat selesai.

8. Seluruh teman “Kelas E Otak Auto A” Sistem Informasi Angkatan 2018

yang telah memberikan senyuman, tawa, semangat, mengisi hari-hari saya

menjadi berwarna saat menjalani perkuliahaan.

9. Semua pihak yang tidak dapat disebutkan satu per satu yang telah membantu

hingga laporan ini terselesaikan.

Penulis menyadari bahwa dalam penyusunan Skripsi ini masih jauh dari

kata sempurna, serta masih banyak kekurangan baik dalam penulisan materi

viii
maupun dalam susunan bahasanya. Untuk itu kiranya, pembaca dapat memaklumi

atas kekurangan dalam laporan ini. Akhir kata penulis berharap semoga laporan ini

dapat bermanfaat bagi penulis khususnya dan bagi para pembaca pada umumnya.

Bogor, September 2022

Renda Audi Permaisuri

ix
 DAFTAR ISI

PENGESAHAN UJIAN ................................................................................................. iii

LEMBAR PENGESAHAN ........................................................................................... iv
LEMBAR PERNYATAAN ............................................................................................ v
ABSTRAK ...................................................................................................................... vi
KATA PENGANTAR ................................................................................................... vii
DAFTAR ISI .................................................................................................................... x
DAFTAR GAMBAR .................................................................................................... xiii
DAFTAR TABEL ......................................................................................................... xv
BAB 1 PENDAHULUAN ............................................................................................... 1
1.1 Latar Belakang ........................................................................................................ 1
1.2 Identifikasi Masalah ................................................................................................ 7
1.3 Rumusan Masalah ................................................................................................... 8
1.3 Batasan Masalah...................................................................................................... 8
1.4 Tujuan Penelitian .................................................................................................... 9
1.5 Manfaat Penelitian .................................................................................................. 9
1.6 Metode Penelitian.................................................................................................. 10
1.7 Sistematika Penulisan............................................................................................ 11
BAB 2 LANDASAN TEORI ........................................................................................ 13
2.1 Visualisasi Dashboard ........................................................................................... 13
2.2 Software Tableau................................................................................................... 14
2.3 Peramalan .............................................................................................................. 18
2.4 Demam Berdarah Dengue (DBD) ......................................................................... 21
2.5 Autoregressive Integrated Moving Average (ARIMA) ......................................... 22
2.5.1 Autoregressive Model (AR)........................................................................... 22
2.5.2 Moving Average Model (MA)........................................................................ 24
2.5.3 Autoregressif Moving Average Model (ARMA) ........................................... 25
2.6 Time Series ........................................................................................................... 25
2.6.1 Kestasioneran Data dalam Time Series ......................................................... 28
2.6.2 Autocorrelation Function (ACF) ................................................................... 29
2.6.3 Partial Autocorrelation Function (PACF) ..................................................... 30

x
 2.7 Persentase Kesalahan ............................................................................................ 31
2.7.1 Rata-rata Kesalahan (average/mean error) ................................................ 31
2.7.2 Mean Absolute Deviation (MAD) ............................................................... 32
2.7.3 Mean Squared Error (MSE) ...................................................................... 32
2.7.4 Standard Deviation of Errors (SDE) ......................................................... 32
2.7.5 Percentage Error (PE) ................................................................................ 32
2.7.6 Mean Percentage Error dan Mean Absolute Percentage Error ............. 33
BAB 3 METODOLOGI PENELITIAN ...................................................................... 34
3.1. Tahapan Penelitian ................................................................................................ 34
3.2. Deskripsi Tahapan Peneltian ................................................................................. 35
3.2.1 Identifikasi dan Perumusan Masalah............................................................. 35
3.2.2 Studi Literatur ............................................................................................... 35
3.2.3 Pengumpulan Data ........................................................................................ 36
3.2.4 Pembuatan Excel ........................................................................................... 36
3.2.5 Pemodelan ARIMA ....................................................................................... 37
3.2.1 Peramalan Kasus DBD DKI Jakarta ............................................................. 38
3.2.6 Pembuatan Visualisasi Dashboard ................................................................ 38
3.3 Waktu Penelitian ................................................................................................... 39
BAB 4 HASIL DAN PEMBAHASAN ......................................................................... 40
4.1 Persiapan Data....................................................................................................... 40
4.2 Tahap Identifikasi.................................................................................................. 41
4.2.1 Plot Data ........................................................................................................ 41
4.2.2 Transformasi Data ......................................................................................... 42
4.2.3 Plot ACF dan PACF ...................................................................................... 44
4.2.4 Identifikasi Model ARIMA ........................................................................... 49
4.3 Estimasi Parameter dan Uji Signifikansi............................................................... 52
4.4 Verifikasi Model ................................................................................................... 53
4.4 Peramalan Kasus DBD DKI Jakarta ..................................................................... 54
4.5 Visualisasi Dashboard ........................................................................................... 55
4.5.1 Filter Daerah Jakarta ................................................................................. 56
4.5.2 Filter Bulan dan Tahun .............................................................................. 57
4.5.3 Data Aktual Kasus DBD ............................................................................. 58
4.5.4 Visualisasi Data Prediksi ............................................................................ 60

xi
BAB 5 KESIMPULAN DAN SARAN ......................................................................... 61
5.1 Kesimpulan ........................................................................................................... 61
5.2 Saran...................................................................................................................... 62
DAFTAR PUSTAKA .................................................................................................... 63

xii
 DAFTAR GAMBAR

Gambar 1.1 Grafik Jumlah Kasus DBD di DKI Jakarta ..........................................2

Gambar 1.2 Pie Chart Persentase Jumlah Kasus DBD di DKI Jakarta ....................3

Gambar 2.1 Fungsi Autokorelasi suatu data Zt ......................................................31

Gambar 3.1 Flowchart Pelaksanaan Penelitian ......................................................34

Gambar 4.1 Plot Data Kasus DBD DKI Jakarta Periode 2015 - 2020 ...................42

Gambar 4.2 Box-cox plot data sebelum transformasi ............................................43

Gambar 4.3 Box-cox plot data setelah transformasi pertama ................................43

Gambar 4.4 Grafik Autocorrelation Function data hasil transformasi pertama .....44

Gambar 4.5 Grafik Trend Analisis data hasil transformasi pertama ......................45

Gambar 4.6 Grafik ACF Data Hasil Differencing .................................................45

Gambar 4.7 Grafik PACF Data Hasil Differencing ...............................................46

Gambar 4.8 Grafik Trend Analisis data hasil Differencing Pertama .....................46

Gambar 4.9 Grafik Trend Analisis data hasil Differencing 2 ................................47

Gambar 4.10 Grafik ACF Data Hasil Differencing 2 ............................................48

Gambar 4.11 Grafik PACF Data Hasil Differencing 2 ..........................................48

Gambar 4.12 Grafik ACF Data Hasil Differencing Musiman ...............................49

Gambar 4.13 Grafik PACF Hasil Differencing Musiman .....................................50

Gambar 4.14 Output Normal Probability Plot Residual ........................................54

Gambar 4.15 Rancangan Dashboard Kasus DBD DKI Jakarta di Tableau ...........56

Gambar 4.16 Filter Daerah Jakarta ........................................................................57

Gambar 4.17 Filter Tahun ......................................................................................57

Gambar 4.18 Persentase Kasus DBD DKI Jakarta Per Daerah .............................58

xiii
Gambar 4.19 Grafik Perbandingan Jumlah Kasus Antar Daerah Setiap Tahun ....59

Gambar 4.20 Grafik Jumlah Kasus Per Tahun Berdasarkan Bulan .......................59

Gambar 4.21 Visualisasi Hasil Prediksi .................................................................60

xiv
 DAFTAR TABEL

Tabel 2.1 Perbedaan Tradisional BI dengan Tableau ............................................15

Tabel 2.2 Kekurangan & Kelebihan dari Tableau dan PowerBID.........................16

Tabel 2.3 Identifikasi Model Berdasarkan Plot ACF dan PACF ...........................25

Tabel 2.4 Nilai λ pada Transformasi Box-Cox ......................................................29

Tabel 3.1 Informasi Pendukung Studi Literatur .....................................................35

Tabel 3.2 Waktu Proses Penelitian.........................................................................39

Tabel 4.1 Data Jumlah Kasus DBD di DKI Jakarta Periode 2015 – 2020 ............40

Tabel 4.2 Estimasi Model ARIMA musiman data Kasus DBD DKI Jakarta ........52

Tabel 4.3 Nilai MSE Model ARIMA musiman data Kasus DBD DKI Jakarta .....53

Tabel 4.4 Data hasil Peramalan Kasus DBD DKI Jakarta Periode 2021 ...............55

xv
 BAB 1

PENDAHULUAN

1.1 Latar Belakang

Demam Berdarah Dengue (DBD) merupakan penyakit yang disebabkan

oleh infeksi virus DEN-1, DEN-2, DEN-3, atau DEN-4 dan ditularkan melalui

sengatan nyamuk Aedes aegypti dan Aedes albopictus yang sebelumnya telah

terinfeksi oleh virus dengue dari penderita DBD lainnya (Ginanjar, 2008). Dalam

waktu yang relatif singkat, penyakit ini dapat membunuh orang yang terkena jika

tidak ditangani secepatnya (Satari & Mila, 2004).

Pada Oktober 2020, Kementrian Kesehatan memperoleh data jumlah kasus

Demam berdarah sejumlah 37.646 kasus yang tersebar merata di seluruh provinsi

di Indonesia (Harahap, 2021). Jumlah kematian akibat DBD pada tahun 2021

lebih tinggi dibandingkan tahun 2020, yaitu 168 dari 22.613 kasus DBD

menyebabkan kematian.

Menurut Yudi Koharudin, Kepala Bidang Pencegahan dan Penanggulangan

Penyakit Menular Dinas Kesehatan Jabar, selama tahun 2021, Kota Bandung

unggul sebagai daerah terbanyak kasus DBD yaitu dengan total 3.743 kasus,

disusul Kota Depok dengan 3.155 Kasus, dan Kota Bekasi dengan 1963 kasus.

Daerah dengan kasus kematian terbanyak di Jawa Barat terjadi di Kabupaten

Bogor dengan 22 kasus kematian dari total 1.639 kasus DBD yang ditemukan

(JabarNews, 2022).

Jakarta dinobatkan sebagai salah satu provinsi di Indonesia yang juga

1
 2

memiliki kasus penderita penyakit demam berdarah yang cukup banyak.

Berdasarkan data pemetaan wilayah DBD yang dikumpulkan oleh Pemprov DKI

Jakarta melalui Dinas Kesehatan (Dinkes), terdapat 971 kasus DBD yang terjadi

sejak Januari hingga Maret 2020. Gambar 1.1 menunjukkan jumlah kasus DBD,

dengan kasus DBD terbanyak 269 kasus terjadi di Jakarta Barat, dan 265 kasus

di Jakarta Selatan dan Jakarta Timur. Setelah itu, di Jakarta Utara ada 103 kasus,

di Jakarta Pusat 62 kasus, dan di Kepulauan Seribu 7 kasus (Noname, 2020).

Jumlah Kasus DBD

300
269 265 265
250

200

150
103
100
62
50
7
0
Jakarta Pusat Jakarta Barat Jakarta Timur Jakarta Selatan Jakarta Utara Kepulauan
Seribu

Jumlah Kasus

Gambar 1.1 Grafik Jumlah Kasus DBD di DKI Jakarta [5].

 3

Persentase Jumlah Kasus DBD

1%

11% 6%

28%
27%

27%

Jakarta Pusat Jakarta Barat Jakarta Timur

Jakarta Selatan Jakarta Utara Kepulauan Seribu

Gambar 1.2 Pie Chart Persentase Jumlah Kasus DBD di DKI Jakarta [5].

Pada Gambar 1.2 menunjukkan jumlah kasus DBD di DKI Jakarta pada

tahun 2020 dalam bentuk persentase. Persentase tertinggi dipimpin oleh daerah

Jakarta Barat sebesar 28%, Jakarta Selatan dan Jakarta Timur sebesar 27%,

Jakarta Utara sebesar 11%, Jakarta Pusat sebesar 6%, dan daerah Kepulauan

Seribu untuk persentase terendah sebesar 1%.

Pada masa sekarang, banyak lembaga melakukan peramalan atau

forecasting. Sebagai contoh peramalan fluktuasi saham, permintaan produksi

kain, peramalan penjualan produk, dan peramalan peramalan pemakaian internet

pada suatu daerah. Hal tersebut berlaku juga pada lembaga pemerintahan, seperti

peramalan peramalan kepadatan arus mudik, penerimaan pajak suatu daerah,

peramalan penyebaran suatu penyakit, peramalan kecelakaan lalu lintas, dan lain

sebagainya. Jumlah penderita demam berdarah ini digunakan untuk meramalkan

satu periode kedepan dengan menggunakan data-data histori yang sudah ada
 4

dengan menggunakan metode Autoregressive Integrated Moving Average

(ARIMA).

Metode Autoregressive Integrated Moving Average (ARIMA) memiliki

ketepatan yang sangat akurat karena dalam metode tersebut menggunakan

peramalan jangka pendek. Peramalan jangka pendek dipilih karena hasil akurasi

yang sangat baik dibanding dengan peramalan jangka panjang yang akan

menghasilkan ketepatan yang berkurang dan akan cenderung flat (Ekananda,

2014). ARIMA memiliki hubungan statistik yang baik antara variabel yang akan

diprediksi dan nilai yang digunakan untuk prediksi. Untuk peramalan jangka

panjang, akurasi peramalan kurang baik. Prakiraan jangka panjang cenderung

memiliki nilai prakiraan yang konstan (Salwa et al., 2018). Nilai yang digunakan

ARIMA untuk peramalan adalah dengan menggunakan nilai historis dan saat ini

dari variabel dependen untuk membuat peramalan jangka pendek yang akurat

(Fadhilah, 2009).

Tools yang digunakan untuk melakukan peramalan ini menggunakan tools

MiniTab. Minitab termasuk kelompok software statistik yang dapat digunakan

untuk pengolahan data peramalan, dan penggunaan Minitab sangat popular untuk

melakukan peramalan saat penelitian. Tujuan kajian ini yakni meramalkan inflasi

di kabupaten Demak bulan Maret 2017 sampai dengan Desember 2017

menggunakan model ARIMA terbaik berbantuan software Minitab serta untuk

memilih model yang lebih akurat dalam melakukan analisis ARIMA. (Rahayu et

al., 2018)

Hasil peramalan Indeks Harga Konsumen Semarang dari penelitian

 5

Dimashanti and Sugiman (2021) menunjukkan model terbaik ARIMA

(1,1,1)(2,1,0)12 untuk memprediksi IHK Kota Semarang dari Januari 2019 hingga

Desember 2021 dengan prakiraan hasil untuk 36 periode berikutnya dari Januari

2019 hingga Desember 2021.

Hasil peramalan (Budhiman, 2015) juga menunjukkan bahwa model

ARIMA (0,1,1)(1,0,0)12 metode yang paling baik untuk meramalkan jumlah

keberangkatan penumpang pesawat pada penerbangan domestik. Ketika diukur

terhadap nilai RMSE, MAPE, dan MAE, nilai yang dihasilkan kecil, sehingga

model memberikan ukuran terbaik untuk model.

Rezaldi and Sugiman (2021) juga memaparkan temuan mereka, prediksi

harga penutupan PT. Telekomunikasi Indonesia. Prediksi harga penutupan PT.

Telekomunikasi Indonesia pada Juni 2020 adalah 3103 Juli 2020 adalah 3056

Agustus 2020 adalah 300720 September 2020 adalah 2956 Oktober 2020 adalah

2905 November 2020 adalah 2852 Desember 2020 adalah 279920 Januari Januari

27442021 adalah Maret Itu adalah 2.571 pada April 26302021 dan 2.511 pada

Mei 2021.

Mengingat banyaknya kasus DBD, maka perlu dilakukan pemantauan dan

penindakan terhadap kasus DBD di Kota DKI Jakarta. Dasboard memberikan

solusi untuk menampilkan informasi dengan mudah, memberikan solusi untuk

kebutuhan informasi organisasi, dan menyediakan visualisasi dalam berbagai

format seperti bagan, laporan, dan indikator visual yang dikombinasikan dengan

informasi dinamis dan relevan. Alat yang berguna untuk. Ini memungkinkan

Anda untuk memantau kinerja organisasi Anda secara sekilas (Siti Few, 2006).
 6

Dashboard tersebut dapat digunakan sebagai alat untuk memantau kasus

DBD di DKI Jakarta setiap tahunnya. Informasi penting yang ditampilkan di

dashboard memudahkan analisis data dan mendukung proses pengambilan

keputusan. Dashboard memungkinkan kita membuat tampilan data lebih

interaktif. Pengguna dapat memeriksa sendiri data yang ditampilkan untuk lebih

memahami data tersebut (Zhu et al., 2017).

Pada penelitian Linda et al. (2014), penelitian tersebut berusaha untuk

memprediksi pendapatan dari produksi teh dalam kemasan di PT. Sinar Sosro

Sumatera Bagian Utara 2014 menggunakan metode Box Jenkins ARIMA yang

merupakan salah satu metode prediksi kuantitatif. Data yang diekstraksi adalah

dari Juni 2007 hingga Mei 2013. Model yang tepat yaitu ARIMA (2,1,2)(1,1,1)3.

Hal ini digunakan untuk memprediksi penjualan teh botol sosro 12 periode ke

depan. Pilihan didasarkan pada nilai MSE minimum 0,036823269 (mean square

error) dan nilai MAPE minimum 1,37120 (mean absolute percentage error). Dari

hasil ramalan Juni 2013 sampai Mei 2014, total penjualan produksi teh botol

Sosro adalah 1.305.140.586 kasus, dan rata-rata penjualan bulanan adalah

108.761.7155 kasus.

Menurut Setyawan (2017), hasil dari penelitiannya informasi mengenai

kasus DBD di Kabupaten Malang 2019 – 2015, lokasi puskesmas, status

puskesmas, prakiraan puskesmas pasien DBD dibuat sedetail mungkin dengan

memanfaatkan visualisasi dashboard.

Berdasarkan penjelasan di atas, ARIMA merupakan cara yang baik untuk

memprediksi berbagai jenis pola data. Metode ini dapat diuji reliabilitasnya dengan
 7

menggunakan pendekatan statistik (Nurulita, 2010). Metode ARIMA lebih baik

dalam meramalkan data Nilai Tukar Petani di Jawa Tengah karena nilai MSE dan

MAPE berturut-turut sebesar 1,2487 dan 0,792402 cenderung lebih kecil

dibandingkan nilai MSE dan MAPE pada metode Exponential Smoothing sebesar

1.91312 dan 0.93166 (Istiqomah & Darsyah, 2018).

Pengambilan wilayah ini untuk penelitian karena DKI Jakarta merupakan

salah satu dari tiga provinsi yaitu Kalimantan, Bali dan DKI Jakarta yang

memiliki tingkat penderita DBD tertinggi (A. I. Widyatami & Suryawan, 2021),

dan juga dataset jumlah penderita kasus DBD di Jakarta cukup lengkap mulai

dari tahun 2015 – 2020.

Hasil dari penelitian yang dilakukan menarik keputusan dan langkah terbaik

untuk menanggulangi jumlah pasien demam berdarah, masyarakat yang ingin

mengetahui peramalan jumlah penderita demam berdarah di tahun yang akan

datang, dan juga untuk membantu mahasiswa yang akan melakukan penelitian

dengan judul serupa. Oleh karena itu, penulis tertarik untuk melakukan penelitian

ini yang berjudul “Visualisasi Dashboard Tableau dan Peramalan Jumlah

Kasus Demam berdarah Dengue di DKI Jakarta Menggunakan Metode

ARIMA”.

1.2 Identifikasi Masalah

Berdasarkan latar belakang di atas dan untuk lebih fokus pada penelitian

ini, penulis menyatakan identifikasi masalah sebagai berikut:

1. Jumlah penderita kasus demam berdarah di DKI Jakarta pada tahun 2015 –

2020 adanya pergerakan yang bisa naik dan turun dalam periode yang singkat.
 8

2. Belum ada yang memodelkan peramalan menggunakan metode ARIMA pada

jumlah penderita kasus demam berdarah di DKI Jakarta.

3. Dashboard dapat digunakan sebagai alat untuk memantau dan melihat

prakiraan kasus tahunan demam berdarah di DKI Jakarta.

1.3 Rumusan Masalah

Berdasarkan identifikasi masalah yang telah dipaparkan di atas, maka

rumusan masalah yang dipecahkan oleh penelitian ini adalah sebagai berikut:

1. Berapakah hasil nilai MSE menggunakan metode ARIMA dan apakah cocok

metode tersebut digunakan untuk peramalan jumlah penderita kasus demam

berdarah di DKI Jakarta?

2. Berapakah hasil peramalan jumlah penderita kasus demam berdarah di DKI

Jakarta di tahun yang akan datang?

3. Bagaimana hasil informasi persebaran kasus Demam Berdarah di Provinsi

DKI Jakarta kedalam dashboard?

1.3 Batasan Masalah

Ada beberapa batasan masalah dalam penelitian ini, dan batasan masalah

itu sebagai berikut:

1. Data yang digunakan adalah data yang berasal dari Dinas Kesehatan, yang

dapat di download di website data.jakarta.go.id.

2. Data kasus DBD yang digunakan untuk pemodelan prediksi yang dibuat

adalah dari tahun 2015 hingga 2020.

3. Metode yang digunakan pada penelitian adalah ARIMA.

4. Tools yang digunakan adalah Tableau dan MiniTab.

 9

1.4 Tujuan Penelitian

Tujuan dari penelitian ini adalah:

1. Mengetahui hasil nilai MSE menggunakan metode ARIMA dan apakah

cocok metode tersebut digunakan untuk peramalan jumlah penderita kasus

demam berdarah di DKI Jakarta.

2. Mengetahui hasil peramalan jumlah penderita kasus demam berdarah di DKI

Jakarta di tahun yang akan datang?

3. Menjelaskan hasil informasi persebaran kasus Demam Berdarah di Provinsi

DKI Jakarta kedalam dashboard.

1.5 Manfaat Penelitian

1. Mahasiswa

Sebagai tambahan wawasan dan pengetahuan tentang peramalan dengan

model ARIMA dan sebagai sarana untuk menerapkan metode yang dijelaskan

dalam ilmu yang didapat dari perkuliahan.

2. Lembaga/Masyarakat

Penelitian ini diharapkan dapat bermanfaat dalam memprediksi jumlah

penderita demam berdarah di DKI Jakarta dan menampilkannya pada

dashboard Tableau untuk untuk membantu pihak Dinas Kesehatan dan

memberikan informasi penting dan menganalisa hasil prediksi penderita

demam berdarah. Analisis ini bertujuan untuk mengantisipasi peningkatan

jumlah penderita demam berdarah. Analisis yang dilakukan memberikan

perkiraan jumlah pasien demam berdarah di DKI Jakarta di masa mendatang.

3. Universitas
 10

Penelitian ini dimaksudkan untuk melengkapi literatur di bidang Sistem

Informasi dan dapat digunakan sebagai bahan bacaan untuk menambah

wawasan dan pengetahuan, serta sebagai referensi untuk penelitian

selanjutnya.

1.6 Metode Penelitian

Metodologi yang digunakan dalam penelitian ini adalah:

A. Tahapan Pelaksanaan Penelitian

Pada Penelitian ini terdapat langkah-langkah yang akan dilakukan.

B. Metodologi Pengumpulan Data

1) Studi Literatur

Tahap ini dilakukan melalui survei teori sastra dan buku-buku penyedia

layanan dan situs web yang terkait dengan studi prediktif ARIMA ini.

2) Pemilihan Data

Pemilihan data akan digunakan pada tahap ini. Data jumlah penderita

demam berdarah pada setiap wilayah DKI Jakarta yang didapatkan dari

website data.jakarta.go.id yang akan digunakan. Data memiliki format

Excel (xls) yang terdiri dari variabel tahun, bulan, kota administrasi,

kecamatan, jumlah penderita DBD, jumlah penderita DBD yang

meninggal.

3) Pembuatan Template Excel

Setelah pemilihan data dilakukan, selanjutnya data disatukan ke dalam

satu file excel yang berisikan data kasus demam berdarah setiap tahun,

bulan, daerah jakarta, dan jumlah penderita DBD. File excel ini
 11

digunakan sebagai acuan sehingga akan dapat digunakan terus

kedepannya tanpa harus membuat ulang kembali.

C. Peramalan ARIMA di MiniTab

Pada tahap ini, data yang telah terkumpul pada template excel yang telah

dibuat selanjutnya disatukan dan dimasukkan kedalam aplikasi MiniTab

untuk dilakukan peramalan dengan metode ARIMA Input atau masukan

untuk peramalan pada MiniTab adalah template excel yang berisi data

aktual penderita Demam berdarah.

D. Perancangan Dashboard

Pada tahapan ini, aplikasi Tableau digunakan untuk memvisualisasikan

dashboard hasil peramalan berupa grafik. Tahapan yang dilakukan sebagai

berikut:

1) Menghubungkan ke File Excel untuk mendapatkan data dari hasil

prediksi, perlu menghubungkan panel ke file Excel yang berisi hasil

prediksi yang sebelumnya dieksekusi menggunakan metode ARIMA.

2) Pemilihan Data dan Visualisasi setelah menyambungkan ke file Excel,

pilih data yang akan ditampilkan berikutnya dan visualisasi yang sesuai

untuk membuat data prediksi lebih mudah dipahami dan dianalisis.

3) Setelah pemilihan data dan visualisasi dilakukan, untuk mempermudah

analisis hasil prediksi langkah selanjutnya adalah mengatur tata letak dari

hasil visualisasi data yang ditampilkan.

1.7 Sistematika Penulisan

Dalam penyusunan laporan penelitian ini, pembahasan dibagi menjadi

 12

lima bab, yang pertama meliputi pendahuluan, landasan teori, metodologi

penelitian, hasil dan pembahasan, dan penutup. Penjelasan sederhananya adalah

sebagai berikut:

BAB I PENDAHULUAN

Bab ini berisi penjelasan secara singkat mengenai latar belakang

masalah, rumusan masalah, batasan masalah, tujuan serta manfaat

penelitian, metode penelitian, dan sistematika penelitian.

BAB II LANDASAN TEORI

Bab ini membahas mengenai penelitian-penelitian serupa yang

telah dilakukan serta teori – teori yang menunjang permasalahan

yang dibahas pada penelitian ini.

BAB III METODE PENELITIAN

Dalam bab ini dijelaskan mengenai tahapan – tahapan apa saja

yang harus dilakukan dalam pengerjaan penelitian ini.

BAB IV HASIL DAN PEMBAHASAN

Bab ini berisi hasil dan pembahasan dalam penyelesaian

permasalahan yang dibahas pada penelitian ini.

BAB V KESIMPULAN DAN SARAN

Bab yang berisi kesimpulan dan saran yang ditujukan untuk

kelengkapan penyempurnaan penelitian.

 BAB 2

LANDASAN TEORI

2.1 Visualisasi Dashboard

Dasboard informasi memberikan informasi dengan mudah, memberikan solusi

untuk kebutuhan informasi organisasi, dan memiliki berbagai bentuk antarmuka

seperti bagan, laporan, indikator visual, dan mekanisme peringatan yang

dikombinasikan dengan informasi yang dinamis dan relevan. Merupakan alat yang

menyediakan dan meningkatkan kinerja organisasi. Dapat dipantau secara sekilas

(S. Few, 2006). Dengan kata lain, dashboard menampilkan data dalam format yang

berbeda, sehingga lebih mudah untuk memahami data yang ada. Memiliki dasboard

dapat menawarkan beberapa manfaat bagi organisasi. Di bawah ini adalah manfaat

dashboard menurut (Yigitbasioglu & Velcu, 2012):

- Dashboard dapat meningkatkan pengambilan keputusan dengan

memahami dan memanfaatkan kemampuan persepsi manusia.

- Dashboard dapat mengumpulkan, menggabungkan, dan melihat informasi

dari berbagai sumber, memungkinkan pengguna untuk melihat kinerja

secara langsung, seperti keuntungan penjualan berjalan.

Menurut Nurani (2011) dasboard memberikan tampilan visual informasi

penting yang diperlukan untuk mencapai satu atau beberapa tujuan, mengaturnya

di satu layar, dan memberikan informasi yang dibutuhkan secara sekilas.

Representasi visual artinya representasi informasi perlu dirancang semaksimal

mungkin agar mata manusia dapat dengan cepat menangkap informasi tersebut dan

13
 14

otak manusia dapat menangkap maknanya dengan benar (Nurani, 2011).

Dashboard adalah tampilan pada monitor komputer lengkap yang berisi

informasi penting dan dapat di lihat langsung sehingga dapat melihat dasboard dan

mengetahui apa yang perlu diketahui. Biasanya kombinasi teks dan grafik, tetapi

penekanannya adalah pada grafik (Siti Few, 2006).

2.2 Software Tableau

Tableau adalah perangkat lunak intelijen bisnis yang mudah digunakan,

terutama untuk visualisasi data, analisis data, dan pelaporan. Sangat mudah

digunakan karena menggunakan sistem drag and drop. Tableau dapat

menggabungkan data dari berbagai sumber data seperti spreadsheet, database, data

cloud, dan data besar ke dalam satu program untuk digunakan dalam analisis

dinamis (Sugiarto, 2022).

Tableau mendukung pemerintah DKI dalam mempercepat pengambilan

keputusan berdasarkan visualisasi data. Tableau adalah alat/platform yang

membuat visualisasi data lebih interaktif, lebih mudah dibaca, dan lebih mudah

dianalisis. Visualisasi yang dilakukan adalah transformasi data tabular yang ketat

menjadi grafik, grafik, geomapping, dll, yang dapat lebih jelas menunjukkan

perubahan dan perbedaan data. Hasilnya, tampilan data analisis statistik reguler

menjadi lebih indah dengan grafik yang menarik menggunakan opsi dasbor

interaktif yang ditawarkan Tableau (Saepuloh, 2020).

Alat visualisasi data ini sangat populer karena relatif mudah digunakan dan

sangat kuat. Tableau terintegrasi dengan ratusan sumber untuk mengimpor data dan

membuat berbagai visualisasi data. Anda juga dapat memvisualisasikan data dari
 15

bagan ke peta.

Tableau tersedia dalam versi publik. Ini berarti siapa pun dapat mengakses dan

melihat visualisasi data. Ada juga versi Tableau Desktop yang melindungi

visualisasi data dengan kata sandi. Versi Tableau Desktop ini sangat cocok untuk

bisnis dan perusahaan.

Ada beberapa keuntungan menggunakan Tableau dibandingkan alat BI

tradisional lainnya. Manfaat tersebut ditunjukkan pada Tabel 2.1:

Tabel 2.1 Perbedaan Tradisional BI dengan Tableau

Metode Tradisional Tableau

Perlu keahlian programming Tidak perlu keahlian pemrograman

Dapat menggabungkan berbagai jenis

Fokus pada satu jenis database sumber data seperti spreadsheet,
database, cloud data, dan big data
Memakan Waktu Menghemat waktu
Untuk memperoleh informasi dari Untuk memperoleh informasi, dengan
database, perlu meminta ahli IT untun menggunakan dashboard dapat secara
mengambil keputusan langsung mengambil keputusan
Bergantung pada Bahasa Query Query dijalankan dibalik layar
Mengkombinasi sumber data yang Perbedaan sumberdata dapat di
berbeda sulit untuk dilakukan kombinasikan dengan mudah
Relative mahal Harga terjangkau
Banyak dirancang untuk bisnis yang Solusi BI yang sempurna untuk bisnis
besar yang kecil, medium, dan luas

Selain Tableau, masih banyak software-software yang digunakan untuk

Analisa data salah satunya yaitu Microsoft PowerBI. Microsoft Power BI adalah
 16

software intelligence bisnis besutan Microsoft yang memungkinkan untuk

mengolah data lebih detail dan menampilkannya dengan grafis yang lebih interaktif.

Microsoft Power BI dapat memvisualisasikan data yang telah dimasukkan atau data

yang sudah terkoneksi oleh sistem ketiga. Sedangkan, Tableau adalah platform

Business Intelligence untuk membantu dalam melihat dan memahami data. Tableau

juga secara khusus dapat menerjemahkan data ke dalam bentuk visual atau

presentasi dan mengolah metadata. Tableau memungkinkan pengguna untuk

membuat semua visualisasi ini tanpa melakukan pengodean dan juga dapat

mengambil berbagai ukuran data ke dalamnya untuk diolah (SRK, 2022).

Berikut ini merupakan tabel kelebihan dan kekurangan yang ada pada Power

BI dan Tableau (SRK, 2022).

Tabel 2.2 Kekurangan & Kelebihan dari Tableau dan PowerBID

Kekurangan
1. Tableau berguna untuk
Tableau visualisasi, tetapi tidak dapat
melakukan query
2. Tableau tidak memiliki
fitur refresh laporan secara
otomatis dengan bantuan
penjadwalan.
3. Banyak user yang kurang
memberikan perhatian
terhadap pilihan conditional
formatting Tableau dan
limitasi tampilan tabel 16
kolom.
Kelebihan
1. Pilihan visualnya yang
menarik dan interaktif.
2. Tableau adalah tools yang
amat user friendly, orang
yang tidak
memahami coding dan
dunia business
intelligence sekalipun akan
memahami cara penggunaan
Tableau.
3. Tableau bisa
menggabungkan berbagai
sumber data, big

1. Power BI tidak memiliki
PowerBI kontrol di tingkat
perusahaan, jadi software ini
tidak mendukung
pengalokasian permission
multi-level dan tidak dapat
mengontrol permission
granularity tingkat kolom
yang dilihat pengguna dan
tidak ada strategi kontrol
yang sesuai untuk grup.
2. Versi gratis Power BI
memiliki keterbatasan dalam
hal jumlah data yang dapat
ditangani. Jika jumlah data
telah mencapai 2GB,
pengguna perlu meng-
upgrade ke versi berbayar
untuk mengurangi waktu
proses.
17
data, spreadsheet, cloud, dan
berbagai tipe data lainnya.
4. Tableau bisa mengolah data
menggunakan
perangkat mobile, seperti
ponsel dan tablet.
5. Tableau bisa
mengintegrasikan data
pengguna dengan dua
bahasa data science, yakni R
dan Phyton.
1. Paket siap pakai untuk data
umum yang bermanfaat bagi
bisnis
2. Real time dashboard
3. Aman, menghubungkan data
di Cloud dengan data di
server organisasi tanpa Perlu
Cemas
4. Ambil data berdasarkan
bahasa natural dan bukan
bahasa SQL
5. Terintegrasi dengan
Microsoft Office
6. Deployment cepat tersedia
berbagai macam platform
desktop & mobile
 18

2.3 Peramalan

Peramalan merupakan suatu bidang ilmu yang dijadikan alat untuk melakukan

prediksi sesuatu dengan dasar data yang ada sebelumnya, dan diolah dengan cara

tertentu (Badi’ah & Handayani, 2020). Menurut Yamit yang dikutip oleh

Agustinawati (2015) Peramalan atau dikenal juga dengan istilah forecasting atau

prakiraan merupakan alat yang efektif dan efisien terutama dalam bidang ekonomi.

Dalam organisasi modern, mengetahui apa yang terjadi di masa depan penting tidak

hanya untuk mengetahui apakah itu baik atau buruk, tetapi juga untuk membuat

prediksi.

Peramalan adalah prediksi, proyeksi atau estimasi tingkat kejadian yang tidak

pasti di masa yang akan datang (Agustinawati, 2015). Mustahil untuk mencapai

akurasi absolut dalam memprediksi tingkat peristiwa dan kegiatan di masa depan.

Oleh karena itu, jika sebuah perusahaan tidak dapat secara andal memprediksi

kejadian di masa depan, akan membutuhkan banyak waktu dan energi untuk

menarik kesimpulan tentang kejadian di masa depan. Dalam situasi ini, perlu

membuat prediksi untuk menentukan kapan atau kapan suatu peristiwa akan terjadi

sehingga dapat mengambil tindakan yang tepat. Prediksi adalah alat penting untuk

perencanaan yang efektif dan efisien (Hernadewita et al., 2020).

Menurut Render and Heizer (2001), ada beberapa tahap dalam peramalan yaitu:

1) Memastikan tujuan prediksi

2) Menentukan unsur apa yang akan di prediksi

3) Menentukan jenis waktu peramalan (pendek, menengah, atau panjang).

4) Memilih jenis model peramalan.

 19

5) Mengumpulkan data yang di perlukan untuk melakukan peramalan.

6) Memvalidasi dan menerapkan hasil peramalan.

Berdasarkan metode ini, peramalan dapat dibagi menjadi dua metode, yakni

metode kuantitatif dan kualitatif (Tindriyani, 2017).

1) Metode prediksi kualitatif yang menggabungkan faktor-faktor seperti intuisi

pengambilan keputusan, emosi, dan pengalaman pribadi

2) Metode peramalan kuantitatif yang menggunakan satu atau lebih model

matematis dengan data historis dan variabel kausal untuk memprediksi

permintaan.

Pada dasarnya, metode prediksi kuantitatif dibagi menjadi dua jenis: model

deret waktu dan model kausal (Sonata, 2021). Metode prediksi membantu untuk

beroperasi secara teratur dan terfokus sehingga hasil yang diperoleh memiliki

tingkat kesalahan yang kecil, sehingga hasil yang diperoleh dapat memberikan

analisis prediksi yang baik.

Peramalan biasanya diklasifikasikan berdasarkan horizon waktu masa depan

yang dicakupnya. Menurut Taylor (2009) dalam hubungannya dengan horizon

waktu peramalan terbagi atas beberapa kategori, yaitu:

1) Peramalan jangka panjang, umumnya peramalan dilakukan untuk

meramalkan 3 tahun yang akan datang atau lebih. Peramalan ini digunakan

untuk perencanaan produk dan perencanaan sumber daya.

2) Peramalan jangka menengah, umumnya peramalan dilakukan untuk

peramalan yang mencakup hitungan bulan hingga 3 tahun yang akan datang.

Peramalan ini lebih khusus dibandingkan peramalan jangka panjang,

 20

biasanya digunakan untuk menentukan aliran kas, perencanaan produksi,

dan penentuan anggaran.

3) Peramalan jangka pendek umumnya peramalan dilakukan untuk

meramalkan 1 tahun ke depan. Tetapi umumnya kurang dari 3 bulan

Peramalan ini biasanya digunakan untuk mengambil keputusan dalam hal

perlu tidaknya lembur, penjadwalan kerja, dan lain-lain keputusan kontrol

jangka pendek.

Dalam hal peramalan, keakuratan ramalan itu penting. Semakin tinggi akurasi

peramalan, semakin rendah tingkat kesalahan dari peramalan. Menurut Makridakis,

salah satu cara untuk mengukur keakuratan suatu peramalan dengan nilai Root

Square Mean Error (RMSE) (Makridakis et al., 1982). Root Measn Square Error

(RMSE) merupakan nilai rata-rata dari jumlah kuadrat kesalahan dan juga dapat

menunjukan jumlah kesalahan yang dihasilkan oleh suatu model peramalan.

1
𝑅𝑀𝑆𝐸 = √𝑛 ∑𝑛𝑖=1(𝑓𝑖 − 𝑜𝑖)2 (2.01)

Dimana 𝑓𝑖 = nilai ramalan untuk period eke 𝑖

𝑜𝑖 = nilai aktual untuk periode ke 𝑖
𝑛 = jumlah periode

R dan Minitab adalah kelompok perangkat lunak statistik yang dapat digunakan

untuk analisis statistik, termasuk memproses data peramalan. R dan Minitab adalah

perangkat lunak statistik open source. R menggunakan Bahasa pemograman R

untuk menggunakannya, berbeda dengan Minitab tidak perlu menggunakan Bahasa

pemograman. Dengan memilih R dan Minitab diharapkan dapat diketahui software

 21

yang lebih akurat diantara keduanya (Dimashanti & Sugiman, 2021).

2.4 Demam Berdarah Dengue (DBD)

Penyakit demam berdarah dengue (DBD) merupakan penyakit yang

disebabkan oleh infeksi virus DEN-1, DEN-2, DEN-3, atau DEN-4 yang

ditularkan melalui gigitan nyamuk Aedes aegypti dan Aedes albopictus yang

sebelumnya telah terinfeksi oleh virus dengue dari penderita DBD lainnya

(Ginanjar, 2008). Dalam waktu yang relative singkat, penyakit ini dapat

merenggut nyawa penderitanya jika tidak ditangani secepatnya (Satari & Mila,

2004).

Nyamuk ini berasal dari Mesir dan menyebar ke seluruh dunia melalui kapal

dan udara. Nyamuk berkembang biak di belahan dunia dengan iklim tropis dan

subtropis, seperti Asia, Afrika, Australia, dan Amerika Serikat. Nyamuk ini

ditemukan di mana-mana kecuali pada ketinggian di atas 1000 m dpl. Saat ini

nyamuk A. aegypti banyak ditemukan di negara-negara antara 45° LU dan 35° LS.

Penyebaran nyamuk internasional ini erat kaitannya dengan perkembangan sistem

transportasi (Hoedojo, 1993).

Pada Oktober 2020, Kementrian Kesehatan memperoleh jumlah kasus DBD

berjumlah 37.646 kasus yang tersebar merata di seluruh provinsi Indonesia

(Harahap, 2021). Pada tahun 2021 tercatat lebih banyak jumlah kasus DBD yang

menyebabkan kematian dibandingkan pada tahun 2020, yaitu 168 dari total 22.613

kasus DBD menyebabkan kematian.

A. Aegypti tersebar luas di seluruh wilayah Indonesia. Selain di kota-kota

pelabuhan yang padat penduduk, spesies ini juga terdapat di perkotaan dan
 22

pedesaan yang jauh dari pelabuhan. Penyebaran dari pelabuhan ke desa-desa

disebabkan larva A. Aegypti diangkut dengan alat angkut bersama dengan benda-

benda yang mengandung genangan air yang mengandung larva spesies ini.

Nyamuk A. Aegypti merupakan pembawa utama virus dengue yang menyebar di

rumah dan tempat umum (TTU). Graham adalah ilmuwan pertama yang secara

positif menunjukkan peran nyamuk A. Aegypti dalam penularan demam berdarah

pada tahun 1903 (Sumarmo, 1988).

2.5 Autoregressive Integrated Moving Average (ARIMA)

Metode Autoregressive Integrated Moving Average (ARIMA), atau biasa

disebut dengan metode Box-Jenkins, merupakan metode yang dikembangkan

secara intensif pada tahun 1970 oleh George Box dan Gwilym Jenkins (Iriawan &

Astuti, 2006). Kelompok model time series yang termasuk dalam metode ini antara

lain autoregressive (AR), moving average (MA), autoregressive moving average

(ARMA), dan autoregressive integrated moving average (ARIMA) (Razak et al.,

2009). Secara umum model ARIMA (p,d,q), memiliki bentuk (Wei, 2006)

∅𝑝 (𝐵)(1 − 𝐵)𝑑 𝑍𝑡 = 𝜃0 + 𝜃𝑞 (𝐵)𝑎𝑡 (2.02)

𝐵 merupakan operator backshift, dan 𝑎𝑡 adalah barisan white noise dengan

mean dan varians konstan (𝑎𝑡 ~ 𝑊𝑁(0, 𝜎 2 )). Jika model ARIMA memiliki efek

musiman, maka akan terlihat seperti ini (Wei, 2006):

∅𝑝 (𝐵)Φ𝑝 (𝐵 𝑆 )(1 − 𝐵)𝑑 (1 − 𝐵 𝑆 )𝐷 𝑍𝑡 = 𝜃𝑞 (𝐵)Θ𝑞 (𝐵 𝑠 )𝑎𝑡 (2.03)

2.5.1 Autoregressive Model (AR)

Bentuk umum model AR dengan ordo p (AR(p)) atau model ARIMA (p,0,0)
 23

ditampilkan pada persamaan

𝑋𝑡 = 𝜇 ′ + ∅1 𝑥𝑡−1 + ∅2 𝑥𝑡−2 + ∅3 𝑥𝑡−3 + ⋯ + ∅𝑝 𝑥𝑡−𝑝 + 𝑒𝑡 (2.04)

Dimana:
𝜇 ′ = suatu konstanta′
𝑥𝑡 = variabel dependen,
∅𝑝 = parameter autoregressive ke-𝑝
𝑒𝑡 = nilai kesalahan pada saat 𝑡
𝑥𝑡−1 , 𝑥𝑡−2 , 𝑥𝑡−3 , … 𝑥𝑡−𝑝 = independent variabel.

Variabel bebas adalah himpunan nilai dari variabel yang sejenis selama

waktu t terdekat, di mana et adalah satuan kesalahan atau residual yang

memperhitungkan gangguan acak yang tidak dapat dijelaskan oleh model. . Model

yang dijelaskan dalam Persamaan 2.4 disebut autoregressive karena persamaan

ini mirip dengan persamaan regresi.(𝑥 = 𝑎 + 𝑏1 𝑧1 + 𝑏2 𝑧2 + 𝑏3 𝑧3 + … +

𝑏𝑘 𝑧𝑘 + 𝑒). Perbedaannya terletak pada variabel yang digunakan 𝑧1 = 𝑥𝑡−1 , 𝑧2 =

𝑥𝑡−2 , 𝑧3 = 𝑥𝑡−3 , … , 𝑧𝑘 = 𝑥𝑡−𝑝 dan variabel independent merupakan nilai dari

periode dengan lag 1, 2, 3, dst. periode 𝑝. Dengan demikian, perhitungan

autoregresif dapat dilakukan dalam proses sebagai berikut:

1) Memastikan model persamaan 2.4 yang sesuai dengan deret waktu,

2) Memastikan nilai orde 𝑝 (menentukan panjangnya persamaan yang

terbentuk)

3) Memperkirakan nilai koefisien autoregresif ∅1 , ∅2 , ∅3 , … , ∅𝑘 .

Setelah memiliki model yang sesuai, dapat menggunakan model tersebut untuk

memprediksi nilai masa depan. Misalnya, jika kita mendapatkan 𝑝 = 3 dan ∅1 =

0.7, ∅2 = 0.45, ∅3 = −0.34, maka model autoregresif adalah sebagai berikut.

 24

𝑥𝑡 = 0.7𝑥𝑡−1 + 0.45𝑥𝑡−2 − 0.34𝑥𝑡−3 + 𝑒𝑡 (2.05)

Model tersebut digunakan sebagai persamaan matematis untuk menentukan

nilai prediksi yang akan datang 𝑥𝑡 .

2.5.2 Moving Average Model (MA)

Model lain dari model ARIMA adalah moving average, dilambangkan

sebagau MA(𝑞) atau ARIMA (0,0, 𝑞) yang ditulis dengan persamaant:

𝑥𝑡 = 𝜇 ′ + 𝑒𝑡 − 𝜃1 𝑒𝑡−1 + 𝜃2 𝑒𝑡−2 + 𝜃3 𝑒𝑡−3 + ⋯ + 𝜃𝑝 𝑒𝑡−𝑞 (2.06)

Dimana:
𝜇 = suatu konstanta
𝜃𝑘 = parameter autoregressive ke-𝑝
𝑒𝑡 = error atau unit residual
𝑒𝑡−1 , 𝑒𝑡−2 , 𝑒𝑡−3 , … , 𝑒𝑡−𝑞 = selisih nilai aktual dengan nilai peramalan

Persamaan (2.06) menjelaskan bahwa nilai 𝑥𝑡 tergantung nilai error

sebelumnya (𝑒𝑡 , 𝑒𝑡−1 , 𝑒𝑡−2 , 𝑒𝑡−3 , … , 𝑒𝑡−𝑞 ) daripada nilai variabel itu sendiri. untuk

melakukan pendekatan antara proses autoregressive dan moving average

diperlukan pengukuran autokorelasi, perbedaannya adalah model autoregresif

mengukur autokorelasi antara nilai berturut-turut dari 𝑥𝑡 sedangkan model moving

average mengukur autokorelasi antara nilai error atau residual 𝑒𝑡 . Menurut

persamaan (2.06) nilai yang akan datang dapat diprediksi dengan menggunakan

error pada beberapa periode yang lalu. Contoh untuk model moving average

apabila nilai 𝑞 = 2, 𝜃1 = 0.5 𝑑𝑎𝑛 𝜃2 = −0.25, model peramalan 𝑞 = 2 atau MA

(2) untuk 𝑥𝑡 adalah 𝑥𝑡 = 𝑒𝑡 − 0.5𝑒𝑡−1 − 0.25𝑒𝑡−2 dimana 𝑒𝑡 adalah nilai acak

 25

yang tidak dapat diprediksi oleh model.

2.5.3 Autoregressif Moving Average Model (ARMA)

Dari model autoregressive (AR) dan moving average (MA) dapat dibentuk

model baru yang merupakan gabungan keduanya, yaitu ARMA (autoregressive

moving average) dengan ARMA (𝑝, 𝑞). Adapun bentuk umum persamaan ARMA

merupakan gabungan dari persamaan AR dan MA yang dinotasikan sebagai

berikut:

𝑥𝑡 = ∅1 𝑥𝑡−1 + ∅2 𝑥𝑡−2 + ⋯ + ∅𝑝 𝑥𝑡−𝑝 + 𝑒𝑡 − 𝜃1 𝑒𝑡−1 + 𝜃2 𝑒𝑡−2 + ⋯ + 𝜃𝑝 𝑒𝑡−𝑞 (2.07)

Secara umum, identifikasi model time series dapat dilakukan dengan

melihat plot ACF dan plot PACF. Menurut Bowerman and O'Connell (1993) sifat-

sifat model deret waktu dapat dilihat berdasarkan bentuk atau pola plot ACF dan

PACF. Identifikasi kriteria model time series berdasarkan plot ACF dan PACF

ditunjukkan pada Tabel 2.1.

Tabel 2.3 Identifikasi Model Berdasarkan Plot ACF dan PACF

Model ACF PACF
AR(𝑝) Turun cepat menuju nol Terputus setelah lag 𝑝
MA(𝑞) Terputus setelah lag 𝑞 Turun cepat menuju nol
AR(𝑝) atau MA(𝑞) Terputus setelah lag 𝑞 Terputus setelah lag 𝑝
ARMA(𝑝, 𝑞) Turun secara eksponensial Turun secara eksponensial

2.6 Time Series

Time series adalah suatu bentuk pengamatan yang dilakukan atas dasar time

series, dan terdapat korelasi antara pengamatan yang berdekatan (Wei, 2006).

Pengambilan data biasanya dilakukan pada interval waktu yang sama dan dari
 26

sumber yang sama. Ada korelasi atau ketergantungan statistik antara pengamatan

pada satu titik waktu dan pengamatan pada titik waktu lain. Deret waktu adalah

normal selama prosesnya tidak berubah dengan perubahan dari waktu ke waktu dan

deret rata-rata pengamatan dari waktu ke waktu selalu konstan.

Tehnik Time series merupakan data history yang digunakan untuk meramalkan

data berikutnya. Hampir sama dengan regresi, Y merupakan data history dan X

adalah data periode atau time itu sendiri, bisa bernilai 1 untuk data yang paling

awal, dan bernilai 2 untuk data berikutnya dan seterusnya. Model yang dihasilkan

akan digunakan untuk meramalkan nilai Y berikutnya. Lalu apakah menggunakan

r-squared? Jawabnnya bisa, meskipun time series dalam pengukuran akurasinya

tidak menggunakan R-squared, namun karena time series juga termasuk model

persamaan, seharusnya R-squared juga bisa digunakan untuk menilai apakah

persamaan yang dihasilkan baik atau tidak.

Berikut berbagai macam teknik time series sebagai berikut:

1) Naïve

Tehnik naïve merupakan tehnik time series yang paling sederhana. Deskripsi

singkat tentang tehnik naïve ini adalah kita memprediksi dengan data satu periode

sebelumnya. Misalnya penjualan bulan maret adalah 20 unit, maka kita

memprediksi penjualan april juga sebesar 20 unit. Atau dalam hitungan tahun, jika

penjualan tahun 2010 sebesar 200 unit, maka kita memprediksi penjualan tahun

2011 juga sebanyak 200 unit.

Dalam persamaan dapat ditulis sebagai berikut:

Y prediksi = Y t-1
 27

2) Moving Average

Tehnik moving average (MA) merupakan pengembangan dari tehnik naïve. Jika

naïve hanya menggunakan data 1 periode sebelumnya untuk menentukan atau

meramalkan data kedepan, maka MA menggunakan beberapa data periode kedepan

dan kemudian dirata-ratakan untuk menentukan data berikutnya. Jumlah data yang

digunakan biasanya disebut ordo. Dikatakan moving average atau rataan yang

bergerak karena average yang digunakan seolah bergerak tergantung data yang

ingin diprediksi.

Tehnik MA selanjutnya dapat dikembangkan menjadi tehnik double MA. Yakni

hasil MA dari rataan bergerak nilai aktualnya dilakukan MA kembali atau

melakukan rataan bergerak sebanyak dua kali.

3) Teknik Trend

Tehnik trend merupakan tehnik yang umum digunakan pada analisis peramalan

data kuantitatif. Pada dasarnya kita mencari pola trend pada data yang kita miliki;

misalnya linear, kuadratic, S kurve, atau exponential; yang selanjutnya kita gunakan

model tersebut untuk memperkirakan data selanjutnya.

Anda tidak perlu kuatir dengan banyaknya pilihan yang digunakan untuk

melakukan tehnik data peramalan karena dapat menggunakan software untuk

membantu pemrosesan data.

Tehnik yang paling baik atau model yang paling baik jika model tersebut

memiliki kriteria error yang paling kecil. Jadi, model mendapatkan Ypred, yang

kemudian dibandingkan dengan Yact, kemudian dihitung nilai errornya. Beberapa

tehnik perhitungan nilai errornya dapat dilihat di poin 2.7 Persentase Kesalahan.
 28

Menurut Wei (2006) Time Series adalah urutan pengamatan yang terjadi secara

berurutan berdasarkan indeks waktu dengan interval waktu yang sama dan interval

waktu tetap yang mengumpulkan data dari sumbernya. Karena setiap pengamatan

adalah urutan pengamatan dan dinyatakan sebagai variabel acak Zt yang diperoleh

dari indeks waktu tertentu (ti) sebagai urutan waktu pengamatan, sehingga

penulisan data time series adalah 𝑍𝑡1 , 𝑍𝑡2 , …, 𝑍𝑡𝑛 . Terdapat langkah-langkah

prosedural yang perlu diperhatikan saat melakukan metode runtun waktu ARIMA

Box-Jenkins. Yaitu, identifikasi model ad hoc, estimasi parameter (estimasi),

pengujian dan prediksi residu model.

2.6.1 Kestasioneran Data dalam Time Series

Stasioneritas time series ialah kondisi bahwa proses generatif yang

mendasari deret waktu didasarkan pada mean konstan dan varians konstan

(Makridakis et al., 1997). Suatu data tersebut kemungkinan tidak stasioner.

Karena mean tidak konstan atau varians tidak konstan, Anda dapat menggunakan

metode diferensial atau perbedaan untuk membawa data lebih dekat ke normal

untuk menghilangkan anomali tentang mean (Makridakis et al., 1997).

∇𝑑 𝑍𝑡 == (1 − 𝐵)𝑑 𝑍𝑡 (2.08)

Jika data tidak normal dalam varians, dapat distabilkan menggunakan

transformasi Box-Cox, yang dapat dirumuskan sebagai berikut (Wei, 2006):

𝑍𝑡𝜆 − 1 (2.09)
𝑇(𝑍𝑡 ) = ,𝜆 ≠ 0
𝜆

𝑍𝑡𝜆 −1
lim 𝑇(𝑍𝑡 ) = lim = ln(𝑍𝑡 ), 𝜆 = 0
𝜆 →0 𝜆 →0 𝜆
 29

(2.10)

Bentuk transformasi Box-Cox dengan nilai λ yang sesuai disajiditunjukkan

pada Tabel 2.2.

Tabel 2.4 Nilai 𝜆 pada Transformasi Box-Cox

Nilai Estimasi 𝝀 Transformasi
1
-1,0
𝑍𝑡
1
-0,5
𝑍𝑡
0,0 ln 𝑍𝑡
0,5 √𝑍𝑡
1 𝑍𝑡 (𝑡𝑖𝑑𝑎𝑘 𝑎𝑑𝑎 𝑡𝑟𝑎𝑛𝑠𝑓𝑜𝑟𝑚𝑎𝑠𝑖)
(Sumber: Wei, 2006)

2.6.2 Autocorrelation Function (ACF)

Autocorrelation function (ACF) adalah fungsi yang disebut autokorelasi

pada lag ke-k yang menunjukkan korelasi antara 𝑍𝑡 dan 𝑍𝑡+𝑘 biasanya

dilambangkan sebagai 𝜌̂𝑘 . Secara khusus, 𝜌̂𝑘 didefinisikan sebagai berikut:

𝛾̂𝑘 ∑𝑛−𝑘 ̅ ̅
𝑡=1 ( 𝑍𝑡 − 𝑍)( 𝑍𝑡+𝑘 − 𝑍)
𝜌̂𝑘 = = , 𝑘 = 0, 1, 2, … (2.11)
𝛾̂0 ∑𝑡=1( 𝑍𝑡 − 𝑍̅)2
𝑛

𝑍
dimana 𝑍̅ = ∑𝑛𝑡=1 𝑛𝑡 yang merupakan nilai rata-rata data time series yang

digunakan (Wei, 2006). Standard error Autocorrelation Function (ACF) dapat

dihitung dengan persamaan (2.12).

(1 + 2 ∑𝑘−1
𝑚=1 𝜌
̂𝑚2
𝑆𝐸(𝜌̂𝑘 ) = √ (2.12)
𝑛

Dimana

𝑘 = lag j; k = 1, 2, 3, …

𝑛 = jumlah pengamatan
 30

𝜌̂𝑚 = autocorrelation dari lag 𝑚, 𝑚 < 𝑘

Untuk mencari batas atas dan batas bawah dari autocorrelation function

(ACF) dapat dihitung dengan persamaan (2.13) dan (2.14).

Batas Atas pada Lag 𝑘 = 𝑡𝑛−𝑘−1;0,975 × 𝑆𝐸(𝜌̂𝑘 ) (2.13)

Batas Bawah pada Lag 𝑘 = 𝑡𝑛−𝑘−1;0,025 × 𝑆𝐸(𝜌̂𝑘 ) (2.14)

2.6.3 Partial Autocorrelation Function (PACF)

Partial autocorrelation function (PACF) digunakan untuk mengetahui

korelasi antara 𝑍𝑡 dan 𝑍𝑡+𝑘 setelah pengaruh dari pengaruh linier 𝑍𝑡+1, 𝑍𝑡+2,….,

𝑍𝑡+𝑘−1 dihilangkan. Nilai PACF disimbolkan dengan ∅11 = 𝜌1 dan nilai ∅𝑘𝑘 dapat

dihitung dengan persamaan (2.15).

𝜌̂𝑘 − ∑𝑘−1 ̂
𝑗=1 ∅𝑘−1 𝜌
̂𝑘−𝑗
̂ 𝑘𝑘 =
∅ (2.15)
1 − ∑𝑘−1 ̂
𝑗=1 ∅𝑘−1 𝜌
̂𝑗

Keterangan:
̂ 𝑘𝑘 = fungsi autokorelasi parsial
∅
𝜌̂𝑘 = fungsi autokorelasi

dan standard error partial autocorrelation function (PACF) dapat dihitung

dengan persamaan (2.16).

1
̂ 𝑘𝑘 ) = √
𝑆𝐸(∅ (2.16)
𝑛

Untuk mencari batas signifikan dari partial autocorrelation function (PACF)

dapat dihitung dengan persamaan (2.17).

(2.17)
 31

̂ 𝑘𝑘 )
Batas Signifikan = ± 𝑡𝑛−1;0,975 × 𝑆𝐸(∅

Gambar 2.1 Fungsi autokorelasi suatu data 𝑍𝑡

2.7 Persentase Kesalahan

Pengukuran ketepatan peramalan dapat diukur dengan beberapa indikator

kesalahan peramalan, yaitu:

2.7.1 Rata-rata Kesalahan (average/mean error)

Kesalahan atau error mewakili perbedaan besar antara nilai aktual dan

prediksi, 𝑒𝑡 = 𝑋𝑡 − 𝐹𝑡 . Maka nilai kesalahannya bisa positif atau negatif.

Bernilai negatif jika nilai prediksi melebihi nilai sebenarnya, dan positif jika nilai

prediksi lebih kecil dari nilai sebenarnya. Kesalahan rata-rata (ME) dapat

dinyatakan dengan persamaan:

𝑛

𝑀𝐸 = ∑ 𝑒𝑖 (2.18)
𝑖=1

Namun mean error sulit untuk menentukan kesalahan error secara

keseluruhan karena jumlah nilai positif dan negatif saling melemahkan dan

kesalahan menjadi lebih besar.

 32

2.7.2 Mean Absolute Deviation (MAD)

Tidak seperti Mean Error, pada Mean Absolute Deviation mengubah nilai

kesalahan prediksi dengan nilai sebenarnya menjadi nilai absolut positif. Ini untuk

menentukan apakah ada nilai positif dan negatif yang saling melemahkan, atau

menambahkan kesalahan komputasi ke penjumlahan untuk menentukan seberapa

besar penyimpangan dari hasil prediksi. Persamaan MAD ditulis sebagai:

∑𝑛𝑖=1 |𝑒𝑖 | (2.19)

𝑀𝐸 =
𝑛

2.7.3 Mean Squared Error (MSE)

Mean Squared Error (MSE) merupakan adalah perhitungan kuadrat dari

setiap perhitungan. Perbedaan dengan Mean Absolute Deviation (MAD) adalah

bahwa MSE mengevaluasi kesalahan untuk penyimpangan yang lebih ekstrim

daripada MAD. Misalnya, perhitungan MAD untuk nilai kesalahan 2 hanya

menghitung dua kali kesalahan nilai 1, sedangkan MSE dihitung sebagai kuadrat

dari nilai 2. Artinya, kesalahan dihitung sebagai 4 kali kesalahan nilai 1.

Menerapkan kriteria nilai MSE berarti jika satu penyimpangan digunakan,

penyimpangan akan lebih besar dari nilai prediksi.

∑𝑛𝑖=1 𝑒𝑖 2 (2.20)
𝑀𝑆𝐸 =
𝑛

2.7.4 Standard Deviation of Errors (SDE)

√∑𝑛𝑖=1 𝑒𝑖 2 (2.21)
𝑆𝐷𝐸 =
𝑛−1

2.7.5 Percentage Error (PE)

Percentage Error adalah persentase kesalahan antara hasil perhitungan nilai

 33

prediksi dan nilai sebenarnya.

𝑋𝑡 − 𝐹𝑡
𝑃𝐸 = 100 (2.22)
𝑋𝑡

2.7.6 Mean Percentage Error (MPE) dan Mean Absolute Percentage Error

(MAPE)

MPE adalah rata-rata dari persentase nilai kesalahan (selisih antara nilai

aktual dan prediksi) dari semua pengamatan. Sementara MAPE juga merupakan

nilai kesalahan rata-rata, ia memberikan nilai absolut dari perbedaan antara nilai

aktual dan prediksi. MAPE adalah metrik yang sering digunakan untuk

menunjukkan kinerja atau akurasi dalam hasil dari suatu proses peramalan.

∑𝑛𝑖=1 𝑃𝐸𝑡 (2.23)

𝑀𝑃𝐸 =
𝑛

∑𝑛𝑖=1 |𝑃𝐸𝑡 | (2.24)

𝑀𝐴𝑃𝐸 =
𝑛

Keterangan:
𝑋𝑡 = nilai aktual pada waktu t
𝐹𝑡 = nilai peramalan pada waktu t
𝑒 = error atau kesalahan (selisih dari 𝑋𝑡 − 𝐹𝑡 )
𝑛 = banyaknya jumlah observasi
 BAB 3

METODOLOGI PENELITIAN

3.1. Tahapan Penelitian

Penelitian ini terdiri dari beberapa tahapan. Tahapan-tahapan ini dilakukan

secara berurut disusun secara sistematis dengan tujuan memperoleh keterhubungan

antara data dan informasi yang diperoleh dengan hasil yang ingin didapat. Untuk

tahapan pengerjaan penelitian ini dapat dilihat pada diagram alir seperti yang

ditunjukan Gambar 3.1 berikut ini.

Gambar 3.1 Flowchart Pelaksanaan Penelitian

34
 35

3.2. Deskripsi Tahapan Peneltian

3.2.1 Identifikasi dan Perumusan Masalah

Pada tahap ini, bagian latar belakang menggambarkan identifikasi dan

perumusan masalah yang menjadi fokus penelitian ini. Identifikasi masalah yang

ada dalam studi kasus dan temuan solusi dari masalah yang ditemukan. Hasil

identifikasi masalah dan usulan solusi akan diangkat sebagai topik penelitian dalam

penelitian ini..

3.2.2 Studi Literatur

Langkah selanjutnya adalah merangkum penggunaan teori dasar, referensi

kerja dan metode prediktif, serta melakukan tinjauan pustaka dengan tujuan

memperoleh informasi tambahan untuk mendukung pengerjaan tugas akhir ini.

Tahap pencarian literatur dimulai dengan mencari data dan informasi metode

prediksi ARIMA Box-Jenkins pada visualisasi dashboard, software Tableau,

prediksi, dan berbagai buku teks, jurnal dan artikel yang berkaitan dengan Demam

Berdarah Dengue, dengan hati-hati dalam penggunaan metode ini. Tinjauan pustaka

ini dapat ditemukan di bagian tinjauan pustaka dari dua bab sebelumnya. Beberapa

informasi tambahan tentang pekerjaan proyek kelulusan ini juga tersedia di artikel,

buku teks, dan situs web.

Tabel 3.1 Informasi Pendukung Studi Literatur

No. Penulis Judul

Bowerman, B. L., &
Forecasting and Time Series: an
1. O'Connell, R. T.
Applied Approach. 3rd.
(1993)
 36

A Review of Dashboards In
Yigitbasioglu, O. M., Performance Management:
2.
& Velcu, O. (2012) Implications For Design And
Research.
3. Taylor, J. W. (2009) Sains Manajemen (8 ed.)
Razak, F. A., Shitan,
Load Forecasting Using Time
4. M., Hashim, A. H., &
Series Models
Abidin, I. Z. (2009)
Time series analysis. In The
5. Wei, W. W. (2006) Oxford Handbook of Quantitative
Methods in Psychology: Vol. 2.
Muhammad Bintang Aplikasi Metode ARIMA Box-
6. Pamungkas dan Arief Jenkins untuk Meramalkan Kasus
Wibowo DBD di Provinsi Jawa Timur

3.2.3 Pengumpulan Data

Pada langkah ini, penulis memilih data untuk digunakan dalam penelitian

ini. Data yang digunakan adalah data jumlah penderita DBD di setiap wilayah DKI

Jakarta antara lain Jakarta Pusat, Jakarta Barat, Jakarta Timur, Jakarta Selatan,

Jakarta Utara, dan Pulau Seribu yang diperoleh dari data.jakarta.go.id. Situs web.

Data dalam format Excel (xls) dengan variabel bulan, wilayah Jakarta, jumlah

penderita DBD. Periode data adalah dari Januari 2015 hingga Desember 2020.

3.2.4 Pembuatan Excel

Setelah data dikumpulkan selanjutnya data disatukan kedalam satu file excel

yang berisikan data penderita demam berdarah setiap daerah di DKI Jakarta,

kemudian dibagi menjadi dua yakni data training dan data testing. Data training

digunakan dalam proses pembentukan arsitektur terbaik dalam proses pelatihan,

 37

sedangkan data testing digunakan dalam pengujian keakuratan dari arsitektur yang

telah terbentuk. Pemilihan ukuran data training dan testing dilakukan menggunakan

data 75% training dan 25% testing. Data dari Januari 2015 - September 2019 akan

dijadikan sebagai data training sedangkan data dari Oktober 2019 - Desember 2020

akan digunakan sebagai data testing.

3.2.5 Pemodelan ARIMA

ARIMA merupakan suatu model yang cocok digunakan untuk meramal

sejumlah variabel secara cepat, sederhana, dan akurat karena hanya membutuhkan

1 data variabel yang akan diramal. Dan data yang digunakan untuk pemodelan

ARIMA yaitu data yang memiliki satu variabel (univariate) deret waktu. Karna

pada data Kasus DBD DKI Jakarta hanya terdapat 1 variabel saja yaitu Jumlah

Kasusnya maka saya memilih metode ARIMA ini yg cocok untuk dilakukan

peramalan.

Berikut adalah tahapan-tahapan untuk melakukan pemodelan ARIMA:

1) Buat plot deret waktu untuk menentukan normalitas data. Jika data tetap

pada varians dan mean, tidak perlu ditransformasi (varians tidak stationer)

dan dapat didiferensiasikan (mean tidak stasioner).

2) Jika data stasioner dalam hal mean dan varians, langkah selanjutnya adalah

menghasilkan plot ACF dan PACF dari data normal untuk memperkirakan

model ARIMA awal yang sesuai..

3) Pentingnya Uji parameter model. Lanjutkan pengujian asumsi model

lainnya jika itu penting. Jika tidak kritis, fase pengujian dihentikan dan

estimasi model awal dikembalikan.

 38

4) Apabila parameter model sudah signifikan, maka langkah selanjutnya yaitu

melakukan pemeriksaan diagnostik (Diagnostic Checking). Untuk

memeriksa apakah residual memenuhi asumsi white noise, uji LjungBox-

Pierce (LBQ) dilakukan, dan asumsi sisanya terdistribusi normal. Jika

residual memenuhi asumsi white noise dan mengikuti distribusi normal,

maka model dapat digunakan.

3.2.1 Peramalan Kasus DBD DKI Jakarta

Peramalan dilakukan untuk mengetahui perkiraan jumlah kasus penderita

Demam Berdarah Dengue di DKI Jakarta pada periode selanjutnya. Peramalan

dengan menggunakan analisis runtun waktu memerlukan data historis minimal 50

data runtun waktu (Soejoet, 1987). Pada pembahasan ini, data yang digunakan

sebanyak 72 data. Data tersebut diramalkan dengan menggunakan analisis runtun

waktu menggunakan model terbaik yang sudah di tentukan pada proses pemodelan

ARIMA.

3.2.6 Pembuatan Visualisasi Dashboard

Pada langkah ini penulis akan menggunakan aplikasi Tableau untuk

memvisualisasikan hasil ramalan dalam bentuk dashboard. Berikut langkah-

langkah yang dilakukan:

1) Koneksi ke file excel

Untuk mengambil data dari hasil ramalan, Anda harus menyambungkan

Tableau ke file Excel yang berisi hasil ramalan yang sebelumnya dijalankan

menggunakan metode ARIMA.

2) Pemilihan data dan visualisasi

 39

Setelah menautkan ke file Excel, langkah selanjutnya adalah memilih data

yang akan ditampilkan dan visualisasi yang sesuai agar mudah memahami

dan menganalisis data perkiraan.

3) Pengaturan tata letak

Setelah pemilihan dan visualisasi data selesai, langkah selanjutnya adalah

menata tata letak visualisasi data yang ditampilkan untuk memudahkan

dalam menganalisis hasil prediksi.

3.3 Waktu Penelitian

Penelitian ini dilaksanakan mulai bulan Desember 2021 hingga bulan Juni

2022. Penelitian dilakukan dengan menempuh tahapan penelitian seperti

identifikasi dan perumusan masalah, studi literatur, metodologi penelitian, dan

analisis hasil penelitian. Secara spesifik tahapan penelitian yang dilakukan

digambarkan dalam diagram berikut ini:

Tabel 3.2 Waktu Proses Penelitian

Desember Januari Februari Maret April Mei

2021 2022 2022 2022 2022 2022

Identifikasi dan
Perumusan Masalah

Studi Literatur

Metodologi Penelitian

Analisis Hasil
Penelitian
 BAB 4

HASIL DAN PEMBAHASAN

Pada bab ini dilakukan proses dalam meramalkan jumlah kasus pasien demam

berdarah di DKI Jakarta untuk periode tahun 2021 (12 bulan ke depan) dengan

menggunakan metode analisis runtun waktu ARIMA.

4.1 Persiapan Data

Peramalan dengan menggunakan analisis runtun waktu memerlukan data

historis minimal 50 data runtun waktu (Soejoet, 1987). Data yang dianalisis adalah

data jumlah kasus penderita DBD di DKI Jakarta sebanyak 60 data runtun waktu

dari tahun 2015 hingga tahun 2020, disajikan pada tabel 4.1.

Tabel 4.1 Data Jumlah Kasus DBD di DKI Jakarta Periode 2015 – 2020

DKI Jakarta
Jumlah Kasus
Bulan
2015 2016 2017 2018 2019 2020
Januari 883 2020 759 3.162 2.687 275
Februari 1164 4003 410 4.035 3.209 628
Maret 1619 5807 537 5.644 4.048 1.310
April 2152 7295 504 4.652 3.207 1.028
Mei 1849 4303 430 4.034 2.821 717
Juni 1288 3142 210 2.356 1.700 350
Juli 760 2274 178 1.180 794 140
Agustus 432 2461 142 622 370 75
September 442 2052 95 407 244 50
Oktober 443 2100 256 371 225 36
November 392 2272 241 440 275 59
Desember 535 1860 205 578 351 60

Data jumlah kasus di atas sudah memenuhi untuk dilakukukannya peramalan

analisis dengan runtun waktu, karena jumlah data sudah lebih dari 50 data yaitu 7

40
 41

data. Analisis tersebut meliputi empat kegiatan pokok yakni:

1) Identifikasi, memilih model yang tepat, yaitu rangkaian pengamatan yang

dapat mewakili identifikasi. Identifikasi model dapat dilakukan dengan

memplot time series dan menganalisis ACF (Autocorrelation Function) dan

PACF (Partial Autocorrelation Function).

2) Estimasi Parameter Model, yaitu melihat model ARIMA pada output program

Minitab dan menentukan nilai parameter yang ada.

3) Verifikasi, yaitu Verifikasi bahwa model yang diestimasi sangat cocok dengan

data yang dimilikinya. Jika ada penyimpangan yang signifikan, perkirakan dan

validasi dengan membuat model baru dan kemudian memeriksa kesalahan

kuadrat rata-rata minimum (MSE).

4) Peramalan, dilakukan untuk mengetahui perkiraan jumlah kasus demam

berdarah dengue di DKI Jakarta. Peramalan dengan menggunakan analisis time

series membutuhkan data historis dari minimal 50 data time series (Soejoet,

1987). Data yang digunakan dalam pembahasan ini adalah 72 data.

4.2 Tahap Identifikasi

Langkah ini melibatkan identifikasi data untuk data stasioner. Syarat untuk

mengatakan data stationer adalah jika data stationer untuk mean dan varians.

Langkah-langkah berikut menjelaskan cara kerja MiniTab.

4.2.1 Plot Data

Tahap identifikasi dimulai dengan memplot data untuk menentukan tren data,

terlepas dari apakah data tersebut musiman atau non-musiman. Plot data tersebut
 42

berdasarkan data jumlah penderita DBD di DKI Jakarta dari tahun 2015 hingga

2020, lebih jelasnya dapat dilihat pada data jumlah kasus DBD pada Tabel 4.1

diatas. Berikut hasil plot data dapat dilihat pada Gambar 4.1 di bawah ini.

Time Series Plot of Kasus DBD DKI Jakarta 2015-2020

8000

7000

6000

5000
Kasus

4000

3000

2000

1000

Month Jan Jan Jan Jan Jan Jan

Year 2015 2016 2017 2018 2019 2020

Gambar 4.1 Plot Data Kasus DBD DKI Jakarta Periode 2015 - 2020

Gambar 4.1 menunjukkan bahwa data kasus DBD merupakan karakteristik dari

data musiman. Plot data menunjukkan efek musiman yang direpresentasikan

sebagai pola peningkatan yang sangat berulang selama periode waktu tertentu.

Prediksi data kasus DBD DKI Jakarta menggunakan pemodelan ARIMA musiman.

Berdasarkan grafik pada Gambar 4.1, jumlah kasus meningkat dari tahun 2015 ke

tahun 2016, menurun pada tahun 2017, meningkat lagi pada tahun 2018 dan

menurun menjadi tahun 2019 dan 2020. Metode ARIMA musiman sesuai karena

datanya mengandung pola musiman. Setelah mengidentifikasi pola dalam data, data

harus diuji stasioneritas terhadap varians dan mean.

4.2.2 Transformasi Data

Seperti yang saya sebutkan sebelumnya, kondisi normalitas data adalah normal

untuk varians dan mean. Plot box-cox dimaksudkan untuk menentukan normalitas
 43

data dalam varians. Data dikatakan normal untuk varians jika melihat nilai rounded

value atau lambda (λ) sebesar 1. Pada output didapatkan nilai yang dibulatkan

sebesar 0,00 sehingga data kasus DBD tidak statis pada varian. Berikut tampilan

output Box-cox sebelum dikonversi dengan MiniTab pada Gambar 4.2.

Gambar 4.2 Box-cox plot data sebelum transformasi

Karena data kasus tidak statis dengan varians, kita perlu melakukan beberapa

transformasi data. Diberi nama Trans1, keluaran transformasi data satu kasus DBD

pada Gambar 4.3 rounded value 1,00. Hal ini menunjukkan bahwa data kasus DBD

stationer dalam varian.

Gambar 4.3 Box-cox plot data setelah transformasi pertama

 44

4.2.3 Plot ACF dan PACF

Telah dinyatakan sebelumnya, syarat stasioneritas data adalah stasioner

terhadap varians dan mean. Syarat stasioner data terhadap mean dilakukan dengan

membuat plot Autocorrelation Function (ACF). Berikut hasil plot ACF pada

Gambar 4.4 berikut ini.

Autocorrelation Function for Trans1

(with 5% significance limits for the autocorrelations)

1,0

0,8

0,6

0,4
Autocorrelation

0,2

0,0

-0,2

-0,4

-0,6

-0,8

-1,0

2 4 6 8 10 12 14 16 18
Lag

Gambar 4.4 Grafik Autocorrelation Function data hasil transformasi pertama

Frafik ACF dimaksudkan untuk menentukan stationer data dalam mean.

Berdasarkan Gambar 4.4, kami menunjukkan plot yang menurun mendekati nol.

Artinya data tersebut tidak stationer (Cynthia, Sugiman, and Mastur 2015). Dari

plot dapat dilihat bahwa terdapat dua delay berturut-turut yang berada di luar batas

signifikan, maka dapat dikatakan bahwa data kasus DBD tidak stationer pada mean,

sehingga harus dilakukan differencing data.

 45

Gambar 4.5 Grafik Trend Analisis data hasil transformasi pertama

Berdasarkan Gambar 4.5 grafik trend analisis data di atas dapat diketahui

bahwa data kasus DBD mengalami kenaikan dan penurunan seiring bertambahnya

waktu dan nilai aktualnya masih jauh dari garis linear, sehingga trend ini termasuk

time series yang tidak stasioner dalam rata-rata.

Proses differencing dilakukan dengan cara mengurangi nilai data pada suatu

periode dengan nilai data pada periode sebelumnya untuk menghitung nilai

selisihnya. Jika dilakukan proses difference 1 kali maka nilai d adalah 1 pada model.

Autocorrelation Function for C5

(with 5% significance limits for the autocorrelations)

1,0

0,8

0,6

0,4
Autocorrelation

0,2

0,0

-0,2

-0,4

-0,6

-0,8

-1,0

2 4 6 8 10 12 14 16 18
Lag

Gambar 4.6 Grafik Autocorrelation Function Data Hasil Differencing

 46

Gambar 4.6 menunjukkan plot ACF data kasus DBD setelah dilakukan proses

difference 1 kali. Plot ACF menunjukkan plot masih belum stasioner karena plot

bergerak masih mendekati nol dan juga grafik ACF masih terlihat turun lambat.

Partial Autocorrelation Function for C5

(with 5% significance limits for the partial autocorrelations)

1,0

0,8

0,6
Partial Autocorrelation

0,4

0,2

0,0

-0,2

-0,4

-0,6

-0,8

-1,0

2 4 6 8 10 12 14 16 18
Lag

Gambar 4.7 Grafik Partial Autocorrelation Function Data Hasil Differencing

Pada Gambar 4.6 dan Gambar 4.7, juga menunjukkan bahwa grafiknya

mengandung pola musiman dengan melakukan pengulangan pola dalam kurun 4

lag, atau mengalami pengulangan selama 4 bulan sekali sehingga perlu juga

melakukan differencing musiman.

Gambar 4.8 Grafik Trend Analisis data hasil Differencing Pertama

 47

Gambar 4.8 memperlihatkan Dari plot dan Trend analisis data differencing

pertama diatas dapat dilihat data belum stasioner, karena rata-rata jumlah produksi

bergerak bebas dalam suatu waktu tertentu. Berdasarkan Gambar 4.6 dan 4.7

terlihat bahwa ACF dan PACF tidak memperlihatkan hasil stasioner terhadap rata-

rata, maka selanjutnya dilakukan proses differencing kedua.

Gambar 4.9 Grafik Trend Analisis data hasil Differencing 2

Gambar 4.9 Grafik Trend Analisis Data hasil differencing dapat dilihat

data sudah stasioner, karena rata-rata tidak bergerak bebas dalam suatu waktu

tertentu dan nilai aktualnya sudah mendekati garis linear.

 48

Autocorrelation Function for Diff 2

(with 5% significance limits for the autocorrelations)

1,0

0,8

0,6

0,4
Autocorrelation

0,2

0,0

-0,2

-0,4

-0,6

-0,8

-1,0

2 4 6 8 10 12 14 16 18
Lag

Gambar 4.10 Grafik Autocorrelation Function Data Hasil Differencing 2

Partial Autocorrelation Function for Diff 2

(with 5% significance limits for the partial autocorrelations)

1,0

0,8

0,6
Partial Autocorrelation

0,4

0,2

0,0

-0,2

-0,4

-0,6

-0,8

-1,0

2 4 6 8 10 12 14 16 18
Lag

Gambar 4.11 Grafik Partial Autocorrelation Function Data Hasil Differencing 2

Berdasarkan Gambar 4.10 dapat dilihat dari plot ACF bahwa nilai

autokorelasi pada Lag 1 berada di luar batas signifikan atau di luar garis putus-

putus, sedangkan Gambar 4.11 menunjukkan bahwa plot PACF nilai autokorelasi

parsial pada Lag 1 memiliki pengaruh yang signifikan batas, menunjukkan

keberangkatan. Keterbatasan. Plot ACF memiliki 1 lag di atas batas signifikan dan

plot PACF memiliki 1 lag di atas batas signifikan, menunjukkan bahwa terdapat

proses autoregressive (AR) orde 1 dan moving average (MA). ) Grade 1. Ketika
 49

differencing dilakukan dua kali, ordenya adalah 2.

4.2.4 Identifikasi Model ARIMA

Pada Gambar 4.6 grafik ACF differencing pertama terlihat kenaikkan data

terjadi pada lag ke 5 dan lag 6 yaitu sekitar bulan Maret - April pada setiap tahunnya

akan berulang pada periode selanjutnya. Diperkuat pada Gambar 4.7 grafik PACF

pada differencing pertama juga terlihat lag 4 keluar dari garis batas atau mengalami

pengulangan selama 4 bulan sekali sehingga perlu juga melakukan differencing

musiman. Selanjutnya dilakukan differencing musiman dengan hasil sebagai

berikut.

Autocorrelation Function for Dif Seas(4)

(with 5% significance limits for the autocorrelations)

1,0

0,8

0,6

0,4
Autocorrelation

0,2

0,0

-0,2

-0,4

-0,6

-0,8

-1,0

2 4 6 8 10 12 14 16
Lag

Gambar 4.12 Grafik Autocorrelation Function (ACF) Data Hasil Differencing Musiman
 50

Partial Autocorrelation Function for Dif Seas(4)

(with 5% significance limits for the partial autocorrelations)

1,0

0,8

0,6
Partial Autocorrelation

0,4

0,2

0,0

-0,2

-0,4

-0,6

-0,8

-1,0

2 4 6 8 10 12 14 16
Lag

Gambar 4.13 Grafik Partial Autocorrelation Function (PACF) Data Hasil Differencing Musiman

Identifikasi temporal model ARIMA musiman disebut ARIMA

(p,d,q)(P,D,Q)s. di mana (s) adalah tanda musiman. Pada langkah sebelumnya,

perlakuan differencing dilakukan dua kali, dan terjadi differencing lain yang

dijelaskan sebagai satu perbedaan musim.

Model ARIMA sementara yang terbentuk setelah selisih dibangkitkan adalah

ARIMA (p,1,q)(P,1,Q)4 . Proses selanjutnya adalah menentukan nilai pesanan

untuk autoregression (p) dan moving average (q) untuk non-musiman dan

autoregression (P) dan moving average (Q) untuk musiman.

Nilai orde dapat dilihat pada plot ACF (Gambar 4.10) dan plot PACF (Gambar

4.11). Plot ACF digunakan untuk membaca nilai moving average (q dan Q)

sedangkan plot PACF digunakan untuk membaca nilai autoregressive (p dan P).

Plot ACF pada Gambar 4.10 menunjukkan bahwa plot ACF terpotong pada lapisan

pertama, sehingga model awal diasumsikan sebagai MA(1). SMA(1) adalah untuk

model musiman, karena jeda musim memiliki batas di mana jeda berada pada 4.
 51

Plot PACF pada Gambar 4.11 menunjukkan bahwa plot PACF terpotong pada

lapisan pertama sehingga model temporalnya adalah AR(1), sedangkan lag

musiman menunjukkan model temporal yang dihipotesiskan SAR ketika lapisan 4

dan 8 terpotong. (2). Maka hasil identifikasi menghasilkan dugaan model sementara

yaitu ARIMA (1,1,1)(2,1,1)4. Dari model sementara tersebut dapat menghasilkan

12 model dugaan yang akan di uji signifikansinya, diantaranya:

1) ARIMA(1,2,1)(2,1,1)4

2) ARIMA(1,2,1)(2,1,0)4

3) ARIMA(1,2,1)(1,1,1)4

4) ARIMA(1,2,1)(1,1,0)4

5) ARIMA(1,2,0)(2,1,1)4

6) ARIMA(1,2,0)(2,1,0)4

7) ARIMA(1,2,0)(1,1,1)4

8) ARIMA(1,2,0)(1,1,0)4

9) ARIMA(0,2,1)(2,1,1)4

10) ARIMA(0,2,1)(2,1,0)4

11) ARIMA(0,2,1)(1,1,1)4

12) ARIMA(0,2,1)(1,1,0)4
 52

4.3 Estimasi Parameter dan Uji Signifikansi

Tahap estimasi digunakan untuk memperoleh estimasi koefisien-koefisien dan

model yang telah di peroleh, dilakukan uji signifikansi parameter dimana model

dengan P-value < 0,005 akan dipilih sebagai bentuk model terbaik yang nantinya

akan digunakan dalam menggambarkan data Kasus DBD DKI Jakarta.

Tabel 4.2 Estimasi Model ARIMA musiman data Kasus DBD DKI Jakarta

No. Estimasi Model Parameter P-Value

AR 1 0
SAR 4 0,024
1 ARIMA(1,2,1)(2,1,1)4 SAR 8 0,127
MA 1 0,008
SMA 4 0
AR 1 0,006
SAR 4 0
2 ARIMA(1,2,1)(2,1,0) 4
SAR 8 0
MA 1 0,169
AR 1 0
SAR 4 0,13
3 ARIMA(1,2,1)(1,1,1)4
MA 1 0,068
SMA 4 0
AR 1 0,169
4 ARIMA(1,2,1)(1,1,0)4 SAR 4 0
MA 1 0,463
AR 1 0,004
SAR 4 0,002
5 ARIMA(1,2,0)(2,1,1)4
SAR 8 0,016
SMA 4 0,092
AR 1 0,008
6 ARIMA(1,2,0)(2,1,0)4 SAR 4 0
SAR 8 0
AR 1 0,002
7 ARIMA(1,2,0)(1,1,1)4 SAR 4 0,159
SMA 4 0
AR 1 0,068
8 ARIMA(1,2,0)(1,1,0)4
SAR 4 0

52
 SAR 4 0,001
SAR 8 0,009
9 ARIMA(0,2,1)(2,1,1)4
MA 1 0
SMA 4 0,015
SAR 4 0
10 ARIMA(0,2,1)(2,1,0)4 SAR 8 0
MA 1 0
SAR 4 0,079
11 ARIMA(0,2,1)(1,1,1)4 MA 1 0
SMA 4 0
SAR 4 0
12 ARIMA(0,2,1)(1,1,0)4
MA 1 0,069

Untuk estimasi model ini, didapat 3 model sementara yaitu model

ARIMA(1,2,0)(2,1,0)4, ARIMA(0,2,1)(2,1,1)4, dan ARIMA(0,2,1)(2,1,0)4 yang

selanjutnya dilakukan pengujian kelayakan model (Diagnosting Cheking) dengan

membandingkan asumsi keberatian koefisien, asumsi white noise, dan nilai MSE.

Model ARIMA musiman yang baik adalah model yang memiliki nilai MSE

terkecil, yang bersifat white noise dan berdistribusi normal.

4.4 Verifikasi Model

Berdasarkan dari hasil estimasi dan uji signifikansi parameter, maka model

yang siginifikan adalah ARIMA(1,2,0)(2,1,0)4, ARIMA(0,2,1)(2,1,1)4, dan

ARIMA(0,2,1)(2,1,0)4 sehingga model tersebut yang dimasukkan ke dalam

kemungkinan model terbaik. Selanjutnya akan dilihat nilai MSE dari model

tersebut. Adapun MSE dari model yang signifikan adalah sebagai berikut.

Tabel 4.3 Nilai MSE Model ARIMA musiman data Kasus DBD DKI Jakarta

No. Estimasi Model MSE

6 ARIMA(1,2,0)(2,1,0)4 992750
9 ARIMA(0,2,1)(2,1,1)4 970756
 10 ARIMA(0,2,1)(2,1,0)4 980342

Berdasarkan Tabel 4.3, model terbaik memiliki nilai MSE terkecil. MSE

terkecil dimiliki oleh ARIMA(0,2,1)(2,1,1)4 dengan nilai MSE sebesar 970756.

Kemudian lihat p-value untuk menentukan apakah residual dalam model adalah

white noise atau random. dan Yongvox. Dalam uji Ljung-Box, model

ARIMA(0,2,1)(2,1,1)4 memenuhi asumsi white noise, yaitu sisa-sisanya saling

bebas atau berdistribusi acak. Model fit juga diuji untuk normalitas residual.

Hasil uji Ljung-Box menunjukkan pada Gambar 4.14 bahwa model

ARIMA(0,2,1)(2,1,1)4 memiliki p-value < alpha 5%. ARIMA(0,2,1)(2,1,1)4 dapat

disimpulkan bahwa autokorelasi residual signifikan atau korelasi antara residual

tidak acak. Oleh karena itu, model terbaik untuk kasus DBD DKI Jakarta adalah

model ARIMA (0.2.1)(2,1,1)4.

Gambar 4.14 Output Normal Probability Plot Residual

4.4 Peramalan Kasus DBD DKI Jakarta

Diketahui nilai peramalan data Kasus DBD DKI jakarta periode 2015 - 2020
menggunakan model yang dipilih yaitu ARIMA(0,2,1)(2,1,1)4.

Tabel 4.4 Data hasil Peramalan Kasus DBD DKI Jakarta Periode 2021

95% Limits
Prediksi (Hasil
Periode 2021 Prediksi
Pembulatan)
Januari 90,099 90
Februari 185,881 186
Maret 528,689 529
April 393,735 394
Mei 310,817 311
Juni 229,143 229
Juli 307,815 308
Agustus 267,871 268
September 268,036 268
Oktober 286,386 286
November 432,095 432
Desember 415,709 416

4.5 Visualisasi Dashboard

Berikut adalah rancangan dashboard yang dibuat menggunakan aplikasi

Tableau yang ditunjukkan pada Gambar 4.15.

 Gambar 4.15 Rancangan Dashboard Kasus DBD DKI Jakarta di Tableau

Dashboard yang dirancang digunakan untuk memvisualisasikan data

dengan beberapa informasi: pasien demam berdarah (2015-2020), pemilihan tahun

dan bulan, perkiraan pasien demam berdarah untuk tahun depan (2021) dan data

cabang regional DKI Jakarta. Desain dashboard yang dibuat memiliki menu yang

berbeda dan visualisasi yang berbeda untuk membantu menganalisis data yang

digunakan. Berikut adalah menu dan visualisasi yang digunakan dalam desain

dashboard yang dihasilkan.

4.5.1 Filter Daerah Jakarta

Berikut merupakan pilihan daerah yang ada di DKI Jakarta dengan sebanyak 6

daerah bagian yaitu Jakarta Barat, Jakarta Timur, Jakarta Selatan, Jakarta Selatan,

Jakarta Pusat, dan Kepulauan Seribu. Pilihan daerah yang ditampilkan dengan

menggunakan visualisasi filter yang ditunjukkan pada Gambar 4.16.

 Gambar 4.16 Filter Daerah Jakarta

Pada filter daerah Jakarta tersebut dapat dipilih salah satu ataupun semua untuk

menampilkan data aktual, data prediksi dan lokasi dari puskesmas yang dipilih

tersebut.

4.5.2 Filter Bulan dan Tahun

Menu Filter Tahun digunakan sebagai filter agar dapat fokus menunjukkan

bulan dan tahun mana yang ingin kita lihat jumlah penderita Demam Berdarahnya.

Visualisasi pemilihan bulan dan tahun dapat dilihat pada Gambar 4.17.

Gambar 4.17 Filter Tahun

Pilihan tahun akan memengaruhi data mana yang ditampilkan untuk data
aktual dan perkiraan. Menu pemilihan bulan dan tahun memungkinkan kita

memilih bulan dan tahun di mana data aktual ditampilkan.

4.5.3 Data Aktual Kasus DBD

Jumlah penderita Demam Berdarah ditampilkan untuk menampilkan jumlah

persebaran demam berdarah di setiap daerah DKI Jakarta. Kita dapat lebih

mempersempit tampilan dengan mengatur bulan dan tahun untuk menampilkan

enam wilayah. Sebuah visualisasi data pasien demam berdarah ditunjukkan pada

gambar berikut.

Gambar 4.18 Persentase Kasus DBD DKI Jakarta Per Daerah

Pada Gambar 4.18 kita dapat membaca hasil persentase jumlah kasus DBD

untuk setiap daerahnya. Persentase tersebut dapat berubah tergantung kita memilih

filter yang akan kita pilih.

 Gambar 4.19 Grafik Perbandingan Jumlah Kasus Antar Daerah Setiap Tahun

Pada Gambar 4.19 menunjukkan bahwa kasus yang paling banyak yaitu

daerah Jakarta Barat, sedangkan Kasus yang paling sedikit yaitu daerah Kepulauan

Seribu.

Gambar 4.20 Grafik Jumlah Kasus Per Tahun Berdasarkan Bulan

Pada Gambar 4.20 Grafik menunjukkan jumlah kasus per tahun berdasarkan

bulan, dimana pada grafik tersebut terlihat pada tahun 2016 terjadinya kenaikan

kasus demam berdarah. Dan pada bulan Maret dan April selalu mengalami

peningkatan jumlah kasus demam berdarah.

4.5.4 Visualisasi Data Prediksi

Seperti terlihat pada Gambar 4.21, visualisasi digunakan untuk

menunjukkan jumlah penderita DBD pada tahun mendatang (2021)..

Gambar 4.21 Visualisasi Hasil Prediksi

Tampilan data peramalan dapat dilihat secara detail dengan memilih bulan

yang diinginkan untuk melihat data peramalan. Kita dapat melihat prakiraan pasien

dalam bentuk angka untuk melihat jumlah prakiraan pasien demam berdarah pada

tahun 2021.
 BAB 5

KESIMPULAN DAN SARAN

Bab ini menyajikan kesimpulan dari semua proses yang telah dilakukan dan

saran yang dapat diberikan untuk pengembangan yang lebih baik.

5.1 Kesimpulan

Berdasarkan hasil penelitian pada penelitian ini, maka didapatkan kesimpulan

sebagai berikut:

1. Didapatkan model terbaik peramalan kasus DBD DKI Jakarta dengan

menggunakan metode ARIMA musiman untuk periode peramalan dari

Januari 2021 hingga Desember 2021 yaitu model ARIMA(0,2,1)(2,1,1)4

dengan nilai MSE 970756.

2. Dari model terbaik yang sudah didapatkan hasil peramalan Kasus DBD DKI

Jakarta bulan Januari 2021 sampai Desember 2021 berturut-turut di bulan

Januari sebanyak 90 kasus, Februari sebanyak 186 kasus, Maret sebanyak

529 kasus, April sebanyak 394 kasus, Mei sebanyak 311 kasus, Juni

sebanyak 229 kasus, Juli sebanyak 308 kasus, Agustus sebanyak 268 kasus,

September sebanyak 268 kasus, Oktober sebanyak 286 kasus, November

sebanyak 432 kasus, dan Desember sebanyak 416 kasus.

3. Hasil visualisasi dasboard dirancang untuk memvisualisasikan data nyata

dengan beberapa informasi: penderita kasus demam berdarah (2015-2020),

pemilihan tahun dan bulan, prakiraan penderita demam berdarah tahun

depan (2021) untuk wilayah tersebut. Sebuah divisi dari DKI Jakarta.. Dari

61
 62

4. rancangan dashboard yang telah dibuat, terdapat beberapa menu dan

visualisasi yang beragam yang berguna untuk membantu dalam

menganalisa dari data yang digunakan.

5.2 Saran

1. Perlu diadakan penelitian lebih lanjut mengenai data kasus DBD DKI

Jakarta ini dengan berbagai model statistik selain ARIMA agar dapat

dibandingkan keakuratannya.

2. Perlu dilakukan penelitian lebih lanjut mengenai faktor-faktor yang

mempengaruhi jumlah kasus DBD di DKI Jakarta khususnya untuk faktor

hujan dan faktor kelembaban.

3. Pemodelan dilakukan dengan data yang lebih banyak yaitu mencakup

jangka waktu yang panjang.

 DAFTAR PUSTAKA

A. I. Widyatami, & Suryawan, D. A. (2021). Pengelompokan Daerah Rawan Demam

Berdarah Dengue di Provinsi DKI Jakarta. Indonesian of Health Information

Management Journal, 9, no. 1, 73-82.

Agustinawati, P. (2015). Perancangan Aplikasi Peramalan Jumlah Calon Mahasiswa Baru

Yang Mendaftar Menggunakan Metode Single Exponential Smothing. Jurnal Riset

Komputer (JURIKOM), Vol. 2, No. 6.

Badi’ah, R., & Handayani, W. (2020). Analisis Peramalan Permintaan Produk Garam

Konsumsi Beryodium Pada UD Garam Samudra. Journal of Economics

Development Issues, 3(2), 309-323.

Bowerman, B. L., & O'Connell, R. T. (1993). Forecasting and Time Series: an Applied

Approach. 3rd.

Budhiman, A. (2015). Analisis Time Series Jumlah Keberangkatan Penumpang

Penerbangan Domestik di Bandara Internasional Soekarno Hatta dengan

Menggunakan Metode ARIMA. Institut Teknologi Sepuluh Nopember, Surabaya.

Dimashanti, A. R., & Sugiman, S. (2021). Peramalan indeks harga konsumen kota

semarang menggunakan sarima berbantuan software minitab. Paper presented at

the PRISMA, Prosiding Seminar Nasional Matematika.

Ekananda, D. M. (2014). Analisis Data Time Series. Jakarta: Mitra Wacana Media.

Fadhilah, R. A. (2009). Load Forecasting Using Time Series Models. Jurnal

Kejuruteraan, 21: 53-62.

Few, S. (2006). Information Dashboard Design: The Effective Visual Communication of

Data: O'Reilly.

Few, S. (2006). Information dashboard design: The effective visual communication of data

63
 (Vol. Vol. 2). Sebastopol, CA: O'reilly.

Ginanjar, G. (2008). Demam Berdarah: PT Mizan Publika.

Harahap, L. (2021). Data Kemenkes: Per Oktober 2021, Kasus DBD Jauh di Bawah Tahun

2020. Retrieved from https://www.merdeka.com/peristiwa/data-kemenkes-per-

oktober-2021-kasus-dbd-jauh-di-bawah-tahun-2020.html

Hernadewita, H., Hadi, Y. K., Syaputra, M. J., & Setiawan. (2020). Peramalan Penjualan

Obat Generik Melalui Time Series Forecasting Model Pada Perusahaan Farmasi di

Tangerang: Studi Kasus. Journal of Industrial Engineering & Management

Research, 1(2), 35-49.

Hoedojo. (1993). Vektor DBD dan upaya

penanggulangannya. Majalah Parasitologi Indonesia, pp. 31-45.

Iriawan, N., & Astuti, S. P. (2006). Mengolah Data Statistik Dengan Mudah Menggunakan

Minitab 14. Yogyakarta: Andi.

Istiqomah, W., & Darsyah, M. Y. (2018). Efektivitas Metode Arima dan Exponential

Smoothing untuk Meramalkan Nilai Tukar Petani di Jawa Tengah. Paper presented

at the Prosiding Seminar Nasional Mahasiswa Unimus.

JabarNews. (2022). Kasus DBD Selama Tahun 2021 di Jawa Barat, Tercatat Alami

Penurunan. Retrieved from https://www.jabarnews.com/daerah/kasus-dbd-

selama-tahun-2021-di-jawa-barat-tercatat-alami-penurunan/

Linda, P., Situmorang, M., & Tarigan, G. (2014). Peramalan Penjualan Produksi Teh Botol

Sosro pada PT. Sinar Sosro Sumatera Bagian Utara Tahun 2014 dengan Metode

Arima Box-Jenkins. Saintia Matematika, 2(3), 253-266.

Makridakis, S., Andersen, A., Carbone, R., Fildes, R., Hibon, M., Lewandowski, R., &

Winkler, R. (1982). The accuracy of extrapolation (time series) methods: Results

of a forecasting competition. Journal of forecasting, 1(2), 111-153.

Makridakis, S., Wheelwright, S. C., & Hyndman, R. (1997). The Forecasting Perspective.

Noname. (2020). Selain Corona, Dinkes Didorong Waspada pada Sebaran DBD. Retrieved

from https://dprd-dkijakartaprov.go.id/selain-corona-dinkes-didorong-waspada-

pada-sebaran-dbd/

Nurani, R. C. (2011). Rancang Bangun Visualisasi Informasi data-data akademik dengan

menggunakan sistem dashboard di STIKOM Surabaya. STIKOM Surabaya,

Surabaya.

Nurulita. (2010). Penerapan Metode Peramalan ARIMA (Autoregressive Integrated

Moving AverageI) untuk Penentuan Tingkat Safety Stock Pada Industri Elektronik.

Universitas Indonesia, Depok.

Rahayu, S., Sukestiyarno, S., & Hendikawati, P. (2018). Peramalan Inflasi di Demak

Menggunakan Metode ARIMA Berbantuan Software R dan MINITAB. Paper

presented at the PRISMA, Prosiding Seminar Nasional Matematika.

Razak, F. A., Shitan, M., Hashim, A. H., & Abidin, I. Z. (2009). Load Forecasting Using

Time Series Models. Jurnal Kejuruteraan, 21, 53-62.

Render, B., & Heizer, J. (2001). Prinsip-prinsip Manajemen Operasi: Operations

Management. Jakarta: Salemba Empat.

Rezaldi, D. A., & Sugiman, S. (2021). Peramalan Metode ARIMA Data Saham PT.

Telekomunikasi Indonesia. Paper presented at the PRISMA, Prosiding Seminar

Nasional Matematika.

Saepuloh, D. (2020). Visualisasi Data Covid 19 Provinsi DKI Jakarta Menggunakan

Tableau Data Visualization of Covid 19 Province DKI Jakarta Using Tableau

bernama Severe Acute Respiratory Syndrome Perbedaan Tableau Desktop Tableau

Public Open Source Berbayar (bukan open sourc. RIS. Jakarta, 13(2), 55-64.

Salwa, N., Tatsara, N., Amalia, R., & Zohra, A. F. (2018). Peramalan Harga Bitcoin
 Menggunakan Metode ARIMA (Autoregressive Integrated Moving Average).

Journal of Data Analysis, 1(1), 21-31.

Satari, H., & Mila, M. (2004). Demam Berdarah: Niaga Swadaya.

Setyawan, B. (2017). Visualisasi Dashboard Power BI dan Peramalan Jumlah Kasus

Demam Berdarah Dengue di Kabupaten Malang Menggunakan Metode Artificial

Neural Network. Institut Teknolgi Sepuluh Nopember, Surabaya.

Soejoet, Z. (1987). Materi Pokok Analisis Runtun Waktu. Jakarta: Karunika, Universitas

Terbuka.

Sonata, M. E. (2021). Peramalan Produksi Padi di Provinsi Jawa Timur Menggunakan

Metode Feedforward Neural Network. Universitas Muhammadiyah Semarang,

Semarang.

SRK, L. (2022, 13 March 2022). Power BI vs Tableau. Retrieved from

https://lab_adrk.ub.ac.id/id/power-bi-vs-tableau/

Sugiarto. (2022). Ekonomi Mikro Sebuah KajianKomprehensif. Jakarta: PT. Gramedia

PustakaUtama.

Sumarmo. (1988). Dengue Hemorrhagic Fever in Indonesia. Southeast Asian J Trop Med

Public Health, 18, no. 2, 69-74.

Taylor, J. W. (2009). Sains Manajemen (8 ed.). Surabaya: Salemba Empat.

Tindriyani, N. A. (2017). Implementasi Neural Network Pada Matlab Untuk Peramalan

Konsumsi Beban Listrik Kabupaten Ponorogo Jawa Timur. Universitas Negeri

Semarang, Semarang.

Wei, W. W. (2006). Time series analysis. In The Oxford Handbook of Quantitative Methods

in Psychology: Vol. 2.

Yigitbasioglu, O. M., & Velcu, O. (2012). A Review of Dashboards In Performance

Management: Implications For Design And Research. International Journal of

 Accounting Information Systems, 13(1), 41-59.

Zhu, Z., Heng, B. H., & Teow, K. L. (2017). Decision Management: Concepts,

Methodologies, Tools, and Applications: Concepts, Methodologies, Tools, and

Applications: IGI Global.

 Hasil Peramalan Menggunakan MiniTab

Hasil Visualisasi Dashboard Melalui Aplikasi Tableau

Pembuatan File Excel