Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKPeramalan jumlah pasien pneumonia dapat membantu subjek medis untuk mempersiapkan keperluan obat, pekerja, atau dalam pencegahan dengan melakukan penyuluhan pada orang tua, lansia, dan perokok. Permasalahan ini menyangkut kehidupan banyak orang, maka dari itu akurasi yang baik diperlukan dalam proses peramalan. Fuzzy Time Series (FTS) merupakan salah satu metode alternative dalam melakukan peramalan. Dengan metode yang umum digunakan seperti ARIMA dan Exponential Smoothing, terdapat kesulitan dalam mendapatkan model terbaik. FTS pada penelitian ini, memodifikasi algoritma yang digunakan Cheng (2008), dengan menggunakan OrdeTinggi (dua atau lebih data historis) untuk meningkatkan akurasi peramalan dan dilihat dari nilai Mean Absolute Percentage Error (MAPE). Data diambil dari jumlah pasien pneumonia di Jakarta tahun 2008 hingga 2018. Penelitian ini menggunakan bantuan aplikasi R dan Microsoft Excel untuk perhitungan sederhana. Akurasi peramalan akan semakin berkurang apabila dilakukan untuk meramalkan periode yang jauh. Maka, penelitian ini hanya akan meramalkan 5 periode kedepan. Hasil yang diperoleh FTS dengan membandingkan 2 metode yang pada umumnya digunakan (ARIMA dan Exponential Smoothing) adalah nilai MAPE secara terurut, 9.70%, 16.85%, dan 18.55%.

---

ABSTRACTForecasting the amount of Pneumonia patients could help medical practitioners to prepare the required medicines, aid-workers, or even prevent it by sharing knowledge to parents, elders, and smokers. This problem poses great concerns on the lives of many people, therefore, adequate accuracy is required in forecasting. Fuzzy Time Series (FTS) is an alternative way to forecast data. By using ARIMA and Holts Exponential Smoothing, there are some problems that are difficult to obtain the best model. Using our FTS method, we modified the Cheng algorithm by using higher order (using two or more historical data) to make the accuracy better by seeing the Mean Absolute Percentage Error (MAPE). Data was selected from the amount of Pneumonia Patients in Jakarta from 2008 to 2018. We use R to carryout ARIMA and Holts Exponential Smoothing. Forecastings accuracy will decrease if theti meframe between these occurrences is lengthy. As a result of this, we made use of 5 periods which are January until May 2019. The result obtained was compared against ARIMA and Holts Exponential Smoothing, as well as the MAPE are 9.70%, 16.85%, and 18.55% respectively. "

"Tingkat morbiditas penyakit tuberkulosis pada suatu populasi wilayah dan waktu tertentu. Ukuran ini digunakan untuk membantu lembaga kesehatan dalam merencanakan kebijakan pencegahan penyakit tuberkulosis di Indonesia. Selain itu, tingkat morbiditas digunakan dalam menentukan premi asuransi yang tepat bagi perusahaan asuransi sehingga dapat memprediksi cadangan dana yang cukup untuk menutupi klaim dari tertanggung pada periode selanjutnya. Penentuan tingkat morbiditas pada periode yang akan datang dapat ditentukan dengan menggunakan teknik peramalan runtun waktu. Beberapa metode peramalan yang dapat meramalkan data runtun waktu diantaranya seperti metode Autoregressive Integrated Moving Average (ARIMA) dan metode Fuzzy Time Series (FTS). Kedua metode peramalan ini masing-masing memiliki kelemahan tersendiri dalam prakteknya. Kelemahan dari metode ARIMA adalah adanya asumsi klasik yang harus dipenuhi agar metode ARIMA dapat digunakan dengan baik. Berdasarkan penelitian terdahulu, kelemahan dari metode FTS adalah model peramalan yang dibentuk bergantung pada penentuan banyaknya subinterval dan terkadang akurasinya tidak sebaik metode ARIMA. Penelitian ini menggunakan metode peramalan dengan Error Variation-Fuzzy Time Series (EV-FTS) berdasarkan ARIMA untuk mengatasi kekurangan dari metode ARIMA dan FTS. Hasil dalam penelitian ini menunjukkan bahwa metode peramalan dengan EV-FTS berdasarkan ARIMA memberikan nilai Mean Absolute Percentage Error (MAPE) yang lebih kecil dibandingkan nilai MAPE yang dihasilkan dari metode ARIMA dan metode FTS. Selain itu, untuk nilai pengamatan yang ekstrim diperoleh bahwa nilai peramalan yang dihasilkan dari metode EV-FTS berdasarkan ARIMA dapat mendekati nilai aktualnya. Hasil dari penelitian ini menunjukkan bahwa tingkat morbiditas tuberkulosis dengan menggunakan EV-FTS berdasarkan ARIMA diramalkan meningkat dari periode tahun 2022 hingga tahun 2031.

---

The tuberculosis morbidity rate measures the rate of tuberculosis disease in a population in a particular area and time. This measure is used to assist health institutions in planning policies to prevent tuberculosis in Indonesia. In addition, the morbidity rate is used in determining the right insurance premium for the insurance company so that it can predict sufficient fund reserves to cover claims from the insured in the next period. Determination of the morbidity rate in the future period can be determined using time series forecasting techniques. Several forecasting methods that can predict time series data include the Autoregressive Integrated Moving verage (ARIMA) method and the Fuzzy Time Series (FTS) method. Both of these forecasting methods have their weaknesses in practice. The weakness of the ARIMA method is that there are classical assumptions that must be met so that the ARIMA method can be used properly. Based on a previous study, the weakness of the FTS method is that the forecasting model formed is dependent on determining the number of subintervals and sometimes the accuracy is not as good as the ARIMA method. This study uses a forecasting method with Error Variation-Fuzzy Time Series (EV-FTS) based on ARIMA to overcome the drawbacks of the ARIMA and FTS methods. The results of this study indicate that the EV-FTS forecasting method based on ARIMA provides a Mean Absolute Percentage Error (MAPE) value which is smaller than the MAPE value generated from the ARIMA method and the FTS method. In addition, the forecast value generated from the EV-FTS method based on ARIMA can approach the extreme actual value. This forecasting method can be an alternative forecasting method to obtain the tuberculosis morbidity rate from next year 2022 and 2031."

"Biaya makan pasien merupakan biaya langsung dari kegiatan penyediaan makanan di rumah sakit. Terdapat perbedaan cara perhitungan kebutuhan biaya makan pasien di RSUP Dr Hasan Sadikin, karena yang diusulkan berdasarkan kelas rawat inap sedangkan yang diterima berdasarkan harga rata-rata, sehingga kurang dari yang dibutuhkan. Hal ini menyebabkan terjadinya perubahan dalam standar gizi , macam bahan makanan dan variasi makanan. Penelitian dilakukan untuk memperoleh gambaran besarnya kebutuhan biaya makan pasien melalui peramalan terhadap jumlah hari makan pasien serta biaya makan per pasien per hari per kelas rawat. Rancangan penelitian adalah analisa kuantitatif. Data yang diramalkan merupakan data sekunder mengenai jumlah hari makan pasien dan biaya makan pasien per hari per kelas rawat periode April 1997 hingga Maret 2000. Peramalan dilakukan dengan metode Time Series atau deret waktu pada program Quantitative System Business plus (QSB+) , melalui tahap input data, tampilan data, perbaikan data, pemecahan masalah dan penampilan hasil peramalan. Dari 10 metode peramalan pada program tersebut, dengan parameter Mean Error atau Bias, telah terpilih Winter's Model sebagai metode yang sesuai untuk meramal jumlah hari makan pasien dan biaya makan per pasien per hari per kelas rawat. Hasil perhitungan menunjukkan kebutuhan biaya makan pasien sebesar Rp 2197.219.533,00 atau selisih 15,68 % dengan biaya tersedia. Dari sudut rata-rata harga makanan pasien, hasil peramalan adalah Rp. 6.077,50 sedangkan indek harga yang ditetapkan adalah Rp 5.250,00. Beberapa alternatif yang dapat disarankan untuk mengatasi masalah tersebut yaitu: (1) Seluruh kekurangan ditanggung oleh rumah sakit, sambil mencari dana tambahan dari sumber lainnya , (2) Prioritas biaya makan untuk makanan pasien kelas III, (3) Prioritas biaya makanan untuk makanan pasien seluruhnya, sedangkan makanan dokter, ko-asisten dan pegawai rumah sakit lainnya disediakan dari dana lain. Perlu juga dikembangkan analisa biaya makan pasien secara tepat agar dapat dihitung besarnya kebutuhan biaya yang sebenarnya serta pembebanannya pada pola tarif yang ada.

---

The patient food expense is a direct cost of hospital food services. There are different methods from food patient budgeting at the Dr Hasan Sadikin General Hospital, which is usually less than required. Hospital has to adapt the budget into nutritional value, food materials and variety of food. This study described how much was the costs of the food services through forecast number of patient food costs and number of patient day for each day per every class.

Design of the study was a Quantitative Analysis with data processing from the number of patient day and number of patient food costs per day per class on April, 1997 until March, 2000. These study used Time Series Forecasting (TSFC) in Quantitative System for Business plus (QSB+) program, which some of steps following data input, data display, data checking, problem solving and display of the forecasting result.

From the 10 methods on TSFC, Winter's Model had been chosen by using Mean Error parameter as the significant method for forecasting number of patient day and number of patient food costs per each patient per day per class.

The result from the forecasting showed that the expense of food patient is Rp. 2.197.219.533, 00. It was different almost 15, 68 % from the actual expenses. From the average costs point of forecast was Rp. 6.077,50, while the actual index was Rp.5.250, 00.

Therefore some alternatives were suggested to solve the problem. Those were: (1) Hospital absorbing all the costs while trying to get additional budget from other source, (2) Priorities the budget to 3rd class patient, (3) Priorities the budget for all patient, while food for doctor, co-assistant and hospital employees have to be paid from other fund. This requires the improvement costs analysis, in order to calculate the actual costs and tariff from the ward."

"Dengue adalah penyakit infeksi yang menjadi masalah kesehatan serius di dunia. Jumlah insiden dengue di Indonesia terus meningkat sejak tahun 1968, namun pada beberapa tahun belakangan, jumlah penderita dengue cenderung fluktuatif. Faktor-faktor cuaca cenderung memiliki hubungan dengan insiden dengue di Indonesia. Pada skripsi ini, dilakukan analisis pada data time-series cuaca dan insiden dengue pada wilayah DKI Jakarta dari Januari 2008 sampai September 2017. Clustering dapat digunakan untuk menemukan pola pada dataset time-series yang besar dan berisi informasi berharga. Pada skripsi ini, digunakan pendekatan K-Medoids dan Fuzzy C-Means Clustering menggunakan jarak Dynamic Time Warping (DTW). Skripsi ini bertujuan untuk menganalisis pola faktor-faktor cuaca dan insiden dengue di lima wilayah DKI Jakarta (Jakarta Utara, Jakarta Timur, Jakarta Barat, Jakarta Selatan, dan Jakarta Pusat). Faktor-faktor cuaca yang digunakan terdiri dari rata-rata temperatur, curah hujan, rata-rata kelembapan relatif, sinar matahari, dan rata-rata kecepatan angin. Sebelum clustering dilakukan, nilai Silhouette Coefficient digunakan untuk menentukan jumlah cluster yang optimal pada K-Medoids Clustering. Sedangkan, nilai Modified Partition Coefficient digunakan untuk menentukan jumlah cluster yang optimal pada Fuzzy C-Means Clustering. Hasil implementasi menunjukkan bahwa curah hujan merupakan faktor cuaca yang memiliki pola yang paling serupa dengan insiden dengue di kelima wilayah DKI Jakarta. Selain itu, sinar matahari, rata-rata temperatur, dan rata-rata kelembapan relatif juga cenderung memiliki pola yang serupa. Rata-rata kecepatan angin juga cenderung memiliki pola yang serupa dengan curah hujan dan insiden dengue, atau dengan sinar matahari, rata-rata temperatur, dan rata-rata kelembapan relatif.

---

Dengue is an infectious disease which has become a serious issue throughout the world. Since 1968, the incidence of dengue in Indonesia has continued to increase every year, but in recent years it tended to fluctuate. Weather factors are associated with the incidence of dengue in Indonesia. In this thesis, an analysis of weather time-series data and dengue incidence is done in the DKI Jakarta area from January 2008 to September 2017. Clustering can be used to discover patterns in large time-series datasets which contain valuable information. In this thesis, the K-Medoids and Fuzzy C-Means Clustering approaches using Dynamic Time Warping (DTW) distance are employed. This thesis aims to analyze patterns of weather factors and dengue incidence in the five regions of DKI Jakarta (North Jakarta, East Jakarta, West Jakarta, South Jakarta and Central Jakarta). The weather variables consist of average temperature, rainfall, average relative humidity, sunshine, and average wind speed. Before the clustering process, the Silhouette Coefficient value is used to determine the optimal number of clusters in K-Medoids Clustering. Meanwhile, the Modified Partition Coefficient value is used to determine the optimal number of clusters in Fuzzy C-Means Clustering. The implementation results show that rainfall is the weather factor which has the most similar pattern to the dengue incidence in the five regions of DKI Jakarta. In addition, sunshine, average temperature, and average relative humidity also tend to have a similar pattern with each other. Average wind speed also tends to have a pattern similar to rainfall and dengue incidence, or with sunshine, average temperature, and average relative humidity."

"Penyakit Demam Berdarah Dengue (DBD) merupakan salah satu masalah kesehatan masyarakat di Indonesia yang cenderung meningkat Berta meluas penyebarannya, sejalan dengan adanya peningkatan mobilitas dan kepadatan penduduk.Tujuan penelitian ini adalah untuk mengembangkan SKD KLB DBD dengan menggunakan Model Time Series untuk dapar memprediksi KLB DBD di DKI Jakarta. Pengembangan sistem ini didapat dari analisa sistem yang ada di Dinas Kesehatan DKI Jakarta.Beberapa masalah dari sistem yang ada adalah, Rumah Sakit melaporkan jumlah kasus ke Dinas Kesehatan namun tidak melaporkan ke PKM Kecamatan, sehingga membuat inkonsistensi data antara Dinas kesehatan dengan PKM Kecamatan. Proses analisis dilakukan oleh Tingkat Dinas Kesehatan, baru kemudian hasil analisanya diberikan pada Piniri Kecamatan. Hai itu membuat panjangnya waktu analisa. Program yang ada tidak mampu menampung data base dan data diinput tidak dengan konsisten sehingga mengalami kesulitan dalam pengolahan data dan tidak dapat mereport secara otomatis sehingga status wilayah baru dapat dilihat dan di analisa setelah report dicetak.Untuk itu dirancang suatu program aplikasi basis data untuk pengembangan SKD KLB DBD, yang diharapkan dapat menjadi back up data di PKM Kecamatan dan Dinas Kesehatan, sehingga data hilang, tidak seragam dan inkonsistensi data dapat diatasi. Analisa dapat dilakukan setiap saat dengan cepat tanpa melihat laporan sebelumnya.Kekuatan sistem ini adalah data terstruktur, pengolahan data lebih cepat dan dapat menyajikan jumlah kasus dengan statusnya : KLB, Naik, Menurun atau Tetap. Program ini juga dapat memprediksi jumlah kasus yang terjadi dimasa yang akan datang. Kelemahannya, prediksi dapat dilakukan bila ada angka ABI (Angka Bebas Jentik), kelemaban dan suhu setiap bulannya.Dengan adanya model untuk dapat memprediksi jumlah kasus yang akan datang diharapkan Pengembangan SKD KLB DBD ini dapat diimpiementasikan di Dinas Kesehatan DKl Jakarta dan PKM Kecamatan. Hal ini untuk mendukung SKD KLB DBD. Tidak menutup kemungkinan basis data ini juga bisa dikembangkan lebih lanjut.

---

Development Of Early Warning System For The Outbreak Of Dengue Hemorrhage Fever Using Time Series At DKI JakartaDengue Hemorrhage Fever (DHF) is one of the public health problems in Indonesia, this disease tend to increase and spread out, following increase of population's mobility and population's density.The purposed of this study is to develop Early Warning System (EWS) for the Outbreak of Dengue Hemorrhage Fever (DHF) using Time Series in order to be able to predict Outbreak DHF at DKI Jakarta. Developing this system based on the analysis system existed in the Provincial Health Department DKI Jakarta.Results of the analysis system is found that there is a problem with the existing system, the hospitals sending their report only to the Provincial Health Department, they are not reporting to Sub-district Community Heath Center (CRC), then the data analysis was done by the Provincial Health Department, and after that the result of the analysis sent to Sub-district CHC. This system resulting on a tong time process of the data analysis and also introducing inconsistency data between Provincial Health Department with Sub-district Community Health Center. The other problem is the data was not entered consistently, resulting on some difficulties on the data processing, and the report was net processed automatically, therefore the status of new areas were not seen and could not be analyzed after report printed.In order to solve the problems, it was developed a data-based computer software for the Early Warning System for the Outbreak of Dengue Hemorrhage Fever. This data-based expected could be as a back-up data-based in Sub-district Community Health Center and at the Provincial Heath Department, therefore the data lost or data inconsistency could be controlled, and the data analysis could be done every time quickly.The strength of this system is the data was structured, the data processing can be done quickly, and the report can be shows the number of cases and the status of the area; outbreak, increasing cases, decreasing, or constant, This system could also be used to predict the number of cases in the future. However, the weaknesses of this system is the prediction could be done if only available the data about ABJ (Angka Bebas Jentik), humidity (kelembaban), and temperature (suhu) every month.With the ability of the system to predict the number of cases in the future, it hopes that this Early Warning System (EWS) for the Outbreak of Dengue Hemorrhage Fever (DHF ) that has developed can implemented in the Provincial Health Department and Sub-district Community Health Center (CHC). However, this system especially the data-based could also be developed for the other analysis."

"Industri farmasi di Indonesia menunjukkan pertumbuhan signifikan, namun menghadapi tantangan dalam manajemen persediaan dan peramalan penjualan. Produk farmasi memiliki masa simpan terbatas dan permintaan yang fluktuatif, sehingga peramalan yang akurat sangat penting untuk mengurangi risiko overstock dan stockout. Penelitian ini membandingkan akurasi metode peramalan time series untuk data penjualan perusahaan farmasi menggunakan metode SARIMA dan Holt-Winters Exponential Smoothing. Tujuan penelitian adalah menentukan metode peramalan paling efektif untuk meningkatkan efisiensi manajemen persediaan di industri farmasi. Data yang digunakan adalah penjualan historis dari Februari 2019 hingga Agustus 2023. Hasil penelitian menunjukkan bahwa metode SARIMA memberikan rata-rata MAPE sebesar 37,06%, lebih baik dibandingkan metode Holt-Winters Exponential Smoothing yang memiliki rata-rata MAPE sebesar 43,99%. Penelitian ini diharapkan dapat berkontribusi pada peningkatan manajemen persediaan dan operasional di industri farmasi Indonesia.

---

The pharmaceutical industry in Indonesia shows significant growth but faces challenges in inventory management and sales forecasting. Pharmaceutical products have limited shelf lives and fluctuating demand, making accurate forecasting crucial to reduce the risks of overstock and stockout. This study compares the accuracy of time series forecasting methods for pharmaceutical company sales data using SARIMA and Holt-Winters Exponential Smoothing methods. The objective of this research is to determine the most effective forecasting method to improve inventory management efficiency in the pharmaceutical industry. The data used comprises historical sales from February 2019 to August 2023. The results indicate that the SARIMA method achieves an average MAPE of 37.06%, outperforming the Holt-Winters Exponential Smoothing method, which has an average MAPE of 43.99%. This study is expected to contribute to the improvement of inventory management and operations in Indonesia's pharmaceutical industry."

"Tanaman kelapa sawit (Elaeis guineensis Jacq.) merupakan tanaman perkebunan yang memiliki nilai ekonomi yang tinggi bagi negara Indonesia, karena hasil dari perkebunan kelapa sawit dapat meningkatkan devisa negara.  Perkebunan kelapa sawit dapat menciptakan lapangan pekerjaan bagi masyarakat Indonesia, sehingga dapat mengurangi angka pengangguran di Indonesia. Perkebunan kelapa sawit di Indonesia telah menyebar ke berbagai daerah, selain terdapat di pulau Sumatera dan Kalimantan, kini perkebunan kelapa sawit hampir terdapat di berbagai daerah di Indonesia baik perkebunan berskala kecil maupun perkebunan berskala besar. Periode produksi kelapa sawit yang digunakan adalah dari Januari 1997 hingga Desember 2023 yang diperoleh dari website PT. X atau data dokumentasi di PT. X. Pada penelitian ini data dibagi menjadi 4 skenario data dengan menggunakan metode Time Series Cross Validation (TSCV). Hasil penelitian menunjukkan bahwa Model LSTM (Long Short-Term Memory) dengan skenario data 1 jumlah neuron 32, dan jumlah epoch 50 memiliki performa yang terbaik dengan nilai akurasi 85.91%. Model SARIMA (Seasonal Autoregressive Integrated Moving Average) dengan skenario data 4 dengan model ARIMA(0,1,1)×(1,1,1)₁₂ memiliki performa yang terbaik dengan nilai akurasi 93.72 %. Sehingga berdasarkan hasil penelitian, Model terbaik diperoleh pada penelitian ini adalah Metode SARIMA menunjukkan nilai MAPE (Mean Absolute Percentage Error) yang lebih kecil dibandingkan Metode LSTM. Secara keseluruhan, kedua metode (SARIMA dan LSTM) mendapatkan akurasi yang cukup baik karena kedua model menghasilkan akurasi yang lebih dari 85%.

---

Oil palm plant (Elaeis guineensis Jacq.) is a plantation cropthat has a high economic value forIndonesia, because  the results of oil palm plantations can increase the country's foreign exchange. Oil palm plantations can create jobs for the people of Indonesia, thus reducing unemployment in Indonesia. Oil palm plantations in Indonesia have spread tovarious regions, besides being found on the islands of Sumatra and Kalimantan, now oil palm plantations are almost found in various regions in Indonesia both small-scale plantations and  large-scale plantations. This research uses historical data in the form of monthly palm oil production to predict the price of strategic food commodities. The period of palm oil production used is from January 1997 to December 2023 obtained from the website of PT. X or documentation data at PT. X. In this study the data was  divided into 4 data scenarios using the Time  Series Cross Validation (TSCV) method. The results showed that the Long Short-Term Memory (LSTM) model with data scenario 1, the number of neurons 32, and the number of epochs 50 had the best performance with an accuracy value of 85.91%. The SARIMA (Seasonal Autoregressive Integrated Moving Average) model with data scenario 4 with the ARIMA (0,1,1)×(1,1,1)₁₂ model has the best performance with an accuracy value of 93.72%. So based on the research results, the best model obtained in this study is the SARIMA method which shows a smaller MAPE (Mean Absolute Percentage Error) value than the LSTM method. Overall, both methods (SARIMA and LSTM) get pretty good accuracy because both models produce more than 85% accuracy."