ANALISA PERAMALAN WINTER’S EXPONENTIAL SMOOTHING BROWN

DIBANDINGKAN DENGAN AUTOREGRESSIVE INTEGRATED MOVING

AVERAGE PADA DATA JUMLAH KEJADIAN HIPERTENSI

Wisoedhanie Widi .A, Prodi DIII Keperawatan, Sekolah Tinggi Ilmu Kesehatan Panti Waluya
Malang
Email: wisoedhanie.widi@gmail.com
Nanik Dwi A., Prodi DIII Keperawatan, Sekolah Tinggi Ilmu Kesehatan Panti Waluya Malang
. Email: nanikd79@gmail.com

ABSTRACT

In an attempt to see and examine the situation and conditions that occur in the future to do
forecasting (forecasting). Hypertension is a major disease in the ten Clinics Together and almost
every month new hypertension cases occur, so the incidence of hypertension is becoming the trend
and forecasting needs to be done.
The purpose of this research is to do forecasting on the data the number of incident
hypertension in Clinics With the city of Malang with Exponential Smoothing method using winter's
Brown compared to Autoregressive Integrated Moving Arima. This type of research is the study of
non reactive (non reactive research) which is a type of secondary data for research.Unit samples in
this research are patients who come for the medication and patients in Clinics With hypertension
Malang. in 2013 to 2016. Research data using Minitab software.
The results of this study showed that both methods of forecasting results shows that tend to
decrease in the year 2018 with the lowest incidence in December that as many as 58 incidents on
Exponential Smoothing method of winter's and some 80 events on the method of Autoregressive
Integrated Moving Average.
The existence of a trend of decrease in the incidence of hypertension can be supported by
the growing health services at community health centers With has been doing various efforts in
preventive action, promotif and collaborative in the handling of problems Hypertension.Through
these research results, it is advisable to draw up a health center party planning and control and
eradication programs work for transmission of diseases of hypertension (P2P) with reference to the
results of the forecasting incidence of hypertension in the year 2018.

Keywords: Forecasting, Hypertension, Exponential Smoothing

PENDAHULUAN adalah peramalan yang didasarkan pada deret

Peramalan (forecasting) adalah suatun waktu (time series). Time series adalah
kegiatan dalam mengestimasi kejadian yang rangkaian atau seri dari nilai-nilai variabel atau
terjadi di masa mendatang. Prediksi hasil observasi, dalam hal ini adalah segala
diperlukankarena adanya perbedaan sesuatu yang akan dilakukan pencatatan dalam
kesenjangan waktu (time lag) sehingga jangka waktu yang berurutan (Atmaja, 2009).
dibutuhkannya suatu kebijakan baru untuk Metode time series didasarkan pada
waktu pelaksanaan kebijakan tersebut penggunaan analisa pola hubungan antar
(Makridakis, 1999). Peramalan menjadi sangat variabel yang dapat diperkirakan dengan
penting bagi perencanaan yang efektif dan menggunakan variabel waktu yang merupakan
efesien dan menjadi dasar bagi perencanaan bagian dari deret waktu. Berdasarkan garis
jangka panjang maupun jangka panjang bagi besarnya metode time seriesdapat
pemangku kebijakan (Makridakis, 1998). dikelompokkan menjadi metode averaging,
Pada dasarnya peramalan ada dua metode smoothing, dan metode regressi (Box-
macam yaitu peramalan secara kualitatif dan Jenkins, 1994).
peramalan kuantitatif. Salah satu metode Metode exponential smoothing adalah
peramalan kuantitaif yang dapat digunakan suatu metode yang menggunakan bobot yang

1
 2 Jurnal Ilmu Kesehatan Vol.4 No.1 Mei 2019

berbeda pada setiap periodenya dan (Depkes RI, 5 2004). Hasil survey tahun 1995,
membentuk fungsi eksponensial. Bila pola 2001, 2004, menunjukkan penyakit
datanya stationer, dapat menggunakan single kardiovaskuler merupakan penyebab kematian
exponential smoothing untuk meramalkan, nomer satu di Indonesia dan sekitar 20-35%
apabila datanya tidak stationer dan dari kematian tersebut dikarenakan hipertensi.
mengandung trend maka dapat menggunakan Riskesdas tahun 2013 menunjukkan data
double exponential smoothing, apabila datanya prevalensi hipertensi di Indonesia sebesar
mengandung trend dan memiliki pola siklis 26,5%.
maka menggunakan triple exponential Puskesmas Bareng merupakan salah
smoothing (Box-Jenkins, 1994). satu penyelenggara upaya pelayanan kesehatan
Autoregressive Integrated Moving masyarakat tingkat pertama serta upaya
Average atau dikenal dengan istilah ARIMA kesehatan perorangan tingkat pertama. Upaya
merupakan salah satu teknik model peramalan kesehatan masyarakat tingkat pertama
berdasarkan perilaku data variabel yang dilaksanakan kepada masyarakat esensial dan
diamati. Model ARIMA menggunakan nilai upaya pengembangan kesehatan masyarakat.
masa lalu dansekarang dari variabel dependen Upaya kesehatan esensial diantaranya meliputi
untuk menghasilkan peramalan jangka pendek pelayanan promosi kesehatan, kesehatan
yang akurat. Model ARIMA dilakukan pada lingkungan, kesehatan ibu, anak dan keluarga
data stasioner atau data yang didefferencing berencana, gizi serta pencegahan penyakit.
sehingga data telah stasioner. Secara umum Fenomena yang diperoleh pada saat
tujuan peramalan adalah menentukan peneliti melakukan survey asuhan keperawatan
hubungan antar variabel yang diramal dengan pada keluarga resiko tinggi di wilayah kerja
nilai historis sehingga peramalan selanjutnya Puskesmas Bareng, diperoleh satu keluarga
dapat dilakukan dengan model tersebut. dengan masalah kesehatan hipertensi.
Analisis time series ini dapat Keterangan yang diperoleh dari pembimbing
diterapkan pada penyakit hipertensi. puskesmas mengatakan bahwa kasus
Hipertensi sebagai the silent killer merupakan hipertensi di Puskesmas Bareng tergolong
faktor utama masalah morbiditas dan banyak. Hampir setiap bulan terjadi kasus baru
mortalitas (Bonita, 2001; Balitbangkes, hipertensi. Hasil studi pendahuluan yang
Depkes RI, 2006). Hipertensi yang tidak dilakukan di Puskesmas Bareng, menunjukkan
terkontrol dengan baik dapat menyerang target bahwa pada tahun 2016 hipertensi menempati
organ dan menyebabkan serangan jantung, urutan pertama pada 10 besar penyakit di
hipertensi, masalah ginjal, serta kebutaan. Puskesmas Bareng dengan jumlah penderita
Hipertensi yang tidak terkontrol mampu baru dan lama mencapai 2539. Berdasarkan
meningkatkan peluang tujuh kali lebih besar data tersebut peneliti ingin melakukan
bagi seseorang terkena hipertensi, enam kali peramalan (forecasting) menggunakan analisa
lebih besar terkena congestive heart failure, deret waktu (time series) winter’s exponential
dan tiga kali lebih besar terkena serangan smoothing pada angka kejadian hipertensi
jantung (CDC, 1999; WHO/SEARO, 2005). berdasarkan data jumlah kejadian hipertensi
Menurut WHO dan The International pada tahun sebelumnya di Puskesmas Bareng,
Society of Hypertention (ISH), pada saat ini dengan terlebih dahulu mengidentifikasi pola
terdapat 600 juta penderita hipertensi di penyakit hipertensi yang ada di Puskesmas
seluruh dunia, dan sejumlah 3 juta meninggal Bareng untuk kemudian dilakukan peramalan
setiap tahunnya. Tujuh dari setiap sepuluh jumlah kejadian hipertensi di Puskesmas
penderita tidak mendapatkan pengobatan yang Bareng.
optimal (WHO-ISH, 2003; JNC-7, 2003). Di
negara Indonesia masalah hipertensi METODE PENELITIAN
cenderung meningkat (Kapita Selekta, 1999). Desain penelitian yang digunakan
Data Survei Kesehatan Rumah Tangga dalam penelitian ini adalah non reaktif (non
(SKRT) tahun 2001 menunjukkan bahwa 8,3% reactive research) yang merupakan jenis
penduduk Indonesia mengalami hipertensi dan penelitian untuk data sekunder. Penelitian non
meningkat menjadi 27,5% pada tahun 2004 rekatif disebut juga penelitian unobstrusive
 Jurnal Ilmu Kesehatan Vol.4 No.1 Mei 2019 3
5
dimana sejumlah individu yang diteliti tidak peramalan Holth Winters Exponential
sadar bahwa mereka merupakan bagian dari Smoothing diolah menggunakan software
penelitian, tetapi meninggalkan bukti dari Minitab.
perilaku sosial secara ilmiah. Dengan kata lain,
dalam penelitian unobstrusive tidak terdapat HASIL PENELITIAN
reaksi dari subjek penelitian. Penelitian Gambaran Penderita Hipertensi di
bersifat tidak mengganggu subjek penelitian Puskesmas Bareng
dan subjek penelitian juga tidak merasa Data penderita hipertensi yang
terganggu (Kuntoro, 2011). digunakan pada penelitian ini adalah data
Berdasarkan waktu penelitian, maka kejadian hipertensi di Puskesmas Bareng Kota
penelitian ini merupakan penelitian cross Malang pada 4 (empat) tahun sebelumnya,
sectional. Berdasarkan tujuan dan sifat yaitu data kejadian hipertensi pada tahun 2013,
masalah, penelitian ini adalah penelitian 2014, 2015 dan 2016. Berdasarkan laporan
analitik dengan pendekatan observasional. kejadian hipertensi pada tahun 2013, 2014,
Penelitian ini juga dikategorikan sebagai 2015 dan 2016 dapat diperoleh besarnya
penelitian terapan (applied research), karena jumlah kejadian hipertensi di Puskesmas
mencoba menerapkan metode statistic tertentu, Bareng Kota Malang dapat dilihat pada tabel
dalam hal ini adalah metode peramalan dalam 1.
bidang kesehatan, yaitu kejadian hipertensi.
Penelitian ini dilakukan di Puskesmas Tabel 1: Angka kejadian penyakit Hipertensi
Bareng Kota Malanpada bulan Pebruari 2018 di Puskesmas Bareng Kota Malang
sampai dengan Agustus 2018. Yang menjadi No Bulan
Tahun
populasi dalam penelitian ini adalah semua 2013 2014 2015 2016
pasien yang berobat dan tercatat sebagai 1 Januari 502 502 502 225
2 Februari 439 382 439 188
pasien hipertensi di Puskesmas Bareng Kota 3 Maret 426 426 426 276
Malang. Sedangkan sampel dalam penelitian 4 April 364 324 364 232
ini adalah pasien yang periksa dan tercatat 5 Mei 414 414 414 224
sebagai pasien hipertensi di Puskesmas Bareng 6 Juni 445 445 445 198
Kota Malang.pada tahun 2013 hingga 2016. 7 Juli 445 439 439 173
Variabel dalam penelitian ini, yaitu variabel 8 Agustus 408 408 463 224
9 September 492 492 454 190
waktu dan variabel jumlah kejadian hipertensi.
10 Oktober 316 316 405 287
Variabel waktu dapat dikatakan sebagai 11 Nopember 423 407 459 254
variabel bebas yang akan mempengaruhi 12 Desember 385 385 432 185
angka kejadian hipertensi di masa yang akan Sumber : Data laporan Puskesmas Bareng
datang. Kota Malang
Data dalam penelitian ini
menggunakan data sekunder, dengan demikian Tabel 1 menunjukkan bahwa kejadian
peneliti menggunakan data yang telah tercatat hipertensi di Puskesmas Bareng Kota Malang
dan didokumentasikan secara resmi sebagai menunjukkan fluktuasi yang berubah-ubah di
data sistem informasi kesehatan tentang setiap bulan dari tahun 2013, 2014, 2015 dan
jumlah kejadian penyakit hipertensi di 2016.
Puskesmas Bareng Kota Malang. Data yang
digunakan oleh peneliti adalah data jumlah Peramalan Time Series Menggunakan
kejadian hipertensi pada tahun 2013 hingga Winter’s Exponential Smoothing
2016. Peneliti merekap data pasien yang 1. Identifikasi Plot Data atau Scatter Diagram
datang berobat dan tercatat sebagai pasien Plot pada data asli kejadian hipertensi di
hipertensi mulai tahun 2013 hingga tahun Puskesmas Bareng Kota Malang pada bulan
2016. Januari 2013 sampai dengan bulan
Data penelitian diolah dengan Desember 2016, diperoleh hasil yang dapat
menggunakan metode peramalan. Metode dilihat pada gambar 1.
peramalan yang digunakan yaitu Holth
Winters Exponential Smoothing. Metode
 4 Jurnal Ilmu Kesehatan Vol.4 No.1 Mei 2019
5
periode musiman adalah 12 karena data
Time Series Plot of Hipertensi di Puskesmas Bareng Tahun 2013-2016

500 disusun berdasarkan data setiap bulan, dengan

450 periode waktu selama 4 tahun, yaitu mulai
tahun 2013, 2014, 2015 dan 2016.
Kejadian Hipertensi

400

350

300
2. Menentukan Nilai Awal Pemulusan
250
Nilai awal taksiran untuk model
multiplikatif diperoleh nilai inisialisasi
200
pemulusan adalah 421,5833 yang merupakan
Month Jan
Year 2013
Jul Jan
2014
Jul Jan
2015
Jul Jan
2016
Jul rata-rata dari beberapa nilai musim yang sama.
Inisialisasi faktor trend adalah -0,82639 dan
Gambar 1 Plot Data Kejadian Hipertensi inisialisasi faktor lk musiman untuk
penghalusan musiman yaitu l1=1,190749;
Gambar 1 menunjukkan dalam tahun yang l2=1,041313; l3=1,010476; l4=0,863412;
sama, pada saat tertentu dalam satu tahun l5=0,982012; l6=1,055545; l7=1,055545;
tersebut terjadi peningkatan dan penurunan l8=0,96778; l9=1,167029; l10=0,749555;
berulang pada saat yang lain pada waktu yang l11=1,00336; l12=0,913224
sama, hal tersebut berulang pada tahun
berikutnya. Terlihat peningkatan kejadian 3. Pendugaan Parameter α, β, γ
hipertensi setiap tahunnya pada bulan Januari Parameter terbaik untuk nilai α, β, γ
dan mengalami fluktuasi yang sama pada pada peramalan dilakukan dengan metode trial
bulan Juli hingga tahun 2015, hal ini dan error. Nilai konstanta pemulusan
menunjukkan bahwa pola data bersifat didasarkan pada MAPE, MAD dan MSE yang
seasonal atau musiman. Pada bulan Januari diperoleh melalui aplikasi minitab ditunjukkan
tahun 2016 terjadi penurunan kejadian pada tabel
hipertensi, namun data tetap berfluktuasi
dengan angka kejadian yang lebih rendah dari Tabel 3. Konstanta Parameter α, β, γ
tahun-tahun sebelumnya. (α) (γ) (β) MAPE MAD MSE
Gambaran plot data kejadian hipertensi 0,1 0,1 0,1 19,13 51,74 5582,89
di Puskesmas Bareng pada Tahun 2013 hingga 0,2 0,2 0,2 14,08 39,11 4399,91
tahun 2016 menunjukkan bahwa data 0,3 0,3 0,3 12,76 36,72 4240,37
mengandung unsur seasonal atau musiman
0,2 0,2 0,3 14,27 39,61 4552,56
sehingga dapat ditentukan metode peramalan
0,2 0,3 0,3 14,25 39,70 4147,17
yang dapat digunakan adalah metode winters
0,3 0,2 0,3 12,46 36,04 4098,48
exponential smoothing bukan metode double
0,3 0,1 0,3 12,77 36,50 3926,36
exponential smoothing. Nilai uji root dengan
statistic Augmented Dickey Fuller 0,3 0,1 0,1 12,45 35,77 3662,71
menunjukkan nilai probabilitas sebesarlebih 0,3 0,2 0,2 12,25 35,49 3949,93
besar daripada nilai sehingga dapat dikatakan 0,2 0,1 0,1 14,24 39,54 4157,14
data tidak stasioner Nilai statistic kurang dari 0,2 0,1 0,3 14,57 40,21 4440,39
nilai kritis Mackinnon dengan adalah artinya 0,2 0,3 0,2 14,01 39,07 4568,79
menunjukkan bahwa data tidak stasioner. Data 0,3 0,2 0,1 12,04 35,00 3806,39
yang tidak stasioner mengindikasikan bahwa 0,3 0,1 0,2 12,62 36,17 3793,42
data tidak sesuai apabila dilakukan peramalan
dengan menggunakan pendekatan single 4. Menentukan Parameter α, β, γ
exponential smoothing. Adanya pola musiman Perhitungan semua α, β, γyang telah
dari data kejadian hipertensi merujuk pada dilakukan menghasilkan 27 kombinasi model.
pendekatan metode peramalan holt winters Beberapa model yang terbentuk tersebut
exponential smoothing. dipilih model yang terbaik, yang merupakan
kombinasi α = 0,3; γ = 0,2 dan β = 0,1 dengan
2. Menentukan Panjang Musiman nilai Mean Average Percentage Error (MAPE)
Data kejadian hipertensi di Puskesmas sebesar 12,04, nilai Mean Average Deviation
Bareng memiliki panjang musiman atau
 Jurnal Ilmu Kesehatan Vol.4 No.1 Mei 2019 5

(MAD) sebesar 35,00 dan5 nilai Mean Square Tabel 4 Hasil Peramalan Kejadian Hipertensi
Error (MSE) sebesar 3806,39.
Nilai MAPE sebesar 12,04 Waktu Kejadian
No
menunjukkan bahwa rata-rata absolut (Th 2018) Hipertensi
perbedaan nilai asli dan nilai peramalan pada 1 Januari 135,068
data bulan pertama tahun 2013 hingga bulan 2 Februari 108,818
terakhir tahun 2016 adalah sebesar 12,04%. 3 Maret 113,910
Nilai MAD menunjukkan besarnya rata-rata 4 April 90,405
absolut penyimpangan dari nilai asli sebesar 5 Mei 97,956
35, dan MSE menunjukkan kuadrat dari rata- 6 Juni 96,853
rata kesalahan yaitu sebesar 3806,39 7 Juli 89,304
8 Agustus 86,231
5. Menentukan Persamaan Model 9 September 85,938
Model dengan α = 0,3; γ = 0,2 dan β = 10 Oktober 67,521
0,1 adalah model terbaik. Sehingga persamaan 11 Nopember 70,399
model pemulusan eksponential data asli adalah 12 Desember 57,228
, pemulusan
polatrend yaitu Tabel 4 menunjukkan bahwa hasil
dan pemulusan pola musiman yaitu peramalan kejadian hipertensi untuk tahun
dan peramalan 2018 mengalami trend penurunan, dengan
m untuk periode ke depan yaitu kejadian tertinggi terjadi pada bulan Januari
yaitu sebanyak 135,068 ~ 136 kejadian dan
kejadian terendah terjadi pada bulan Desember
6. Menentukan Nilai Peramalan Kejadian yaitu sebanyak 57,228 ~ 58 kejadian
Hipertensi pada Tahun 2018
Winters' Method Plot for Kejadian Hipertensi
7. Akurasi Nilai Peramalan
Multiplicative Method Akurasi penilaian diperoleh dari nilai
600 Variable

500
A ctual
Fits
MAPE, MSE dan MAD yang menunjukkan
400
Forecasts
95.0% PI
nilai terkecil, yaitu nilai Mean Average
Kejadian Hipertensi

300
Smoothing C onstants
A lpha (lev el) 0.3 Percentage Error (MAPE) sebesar 12,04, nilai
Gamma (trend) 0.2
200 Delta (seasonal) 0.1 Mean Average Deviation (MAD) sebesar
A ccuracy Measures
100 MA PE
MA D
12.04
35.00
35,00 dan nilai Mean Square Error (MSE)
MSD 3806.39
0
sebesar 3806,39.
-100

-200
1 7 14 21 28 35
Index
42 49 56 63 70 Peramalan Time Series Menggunakan
Autoregressive Integrated Moving Average
Gambar 2 Output Exponential Smooting 1). Mengidentifikasi Model
Pada Kejadian Hipertensi a. Identifikasi Plot Data atau Scatter Plot
Time Series Plot of Kejadian HT
Gambar 2 menunjukkan hasil peramalan 500

winters exponential smoothingyang 450

menghasilkan plot time series tetapan awal 400

Kejadian HT

dimana menampilkan nilai-nilai series yang 350

sesuai (fitted) satu periode di depan peramalan 300

bersamaan dengan 12 peramalan. Peramalan 250

tersebut menggunakan parameter pemulusan 200

yang bernilai . Month Jan Jul Jan Jul Jan Jul Jan Jul
Year 2013 2014 2015 2016
Secara deskriptif menunjukkan bahwa
kejadian hipertensi menunjukkan penurunan Gambar 3 Plot Data Bulanan Kejadian
mulai pada bulan ke 49 hingga bulan ke 70. Hipertensi di Puskesmas Bareng Tahun 2013-
Data peramalan yang lebih detail akan 2016
ditunjukkan pada tabel 4 di bawah ini :
 6 Jurnal Ilmu Kesehatan Vol.4 No.1 Mei 2019

Berdasarkan gambar 3 menunjukkan bahwa 5

Autocorrelation Function for C3
(with 5% significance limits for the autocorrelations)
pada data kejadian hipertensi terdapat
1.0
fluktuasi, sehingga dapat dikatakan data tidak
0.8
stasioner terhadap ragam dan rata-rata, maka 0.6
kita lakukan transformasi data. 0.4

Autocorrelation
0.2
0.0

Box-Cox Plot of Kejadian HT -0.2

-0.4
Lower CL Upper CL
250 Lambda -0.6
(using 95.0% confidence) -0.8
Estimate 0.79
-1.0
200 Lower CL 0.02
Upper CL 1.84 1 5 10 15 20 25 30 35 40 45
Lag
Rounded Value 1.00
StDev

150 Gambar 6 Plot ACF Diferencing Kejadian

Hipertensi di Puskesmas Bareng Tahun 2013-
100 2016.

50
Limit c. Menghitung PACF data
-5.0 -2.5 0.0 2.5 5.0 Partial Autocorrelation Function for C3
Lambda (with 5% significance limits for the partial autocorrelations)

1.0
Gambar 4 Box Cox Plot Kejadian Hipertensi 0.8
di Puskesmas Bareng Tahun 2013-2016 0.6
Partial Autocorrelation

0.4
0.2
Hasil transformasi menunjukkan rounded 0.0
value pada angka 1,00 artinya data telah -0.2
-0.4
stationer terhadap ragam, langkah selanjutnya -0.6
melakukan pengecekan stasioner data terhadap -0.8

rata-rata. -1.0

1 5 10 15 20 25 30 35 40 45
b. Menghitung ACF data Lag

Autocorrelation Function for C2 Gambar 7 Plot PACF Kejadian Hipertensi di

(with 5% significance limits for the autocorrelations)
Puskesmas Bareng Tahun 2013-2016.
1.0
0.8
0.6 Berdasarkan hasil plot ACF dan PACF
0.4 kejadian hipertensi menunjukkan bahwa
A utocorrelation

0.2 dugaan model ARIMA yang sesuai adalah

0.0
(3,1,1).
-0.2
-0.4
-0.6 2). Mengestimasi Parameter
-0.8 ARIMA Model: C2
-1.0 Estimates at each iteration
1 5 10 15 20 25 30 35 40 45
Lag
Iteration SSE Parameters
Gambar 5Plot ACF Kejadian Hipertensi di 0 275123 0.100 0.100 0.100 0.100 -4.651
Puskesmas Bareng Tahun 2013-2016. 1 222013 -0.029 0.026 -0.050 0.146 -7.216
2 190109 -0.081 -0.029 -0.200 0.273 -7.973
Plot ACF menunjukkan data belum stasioner 3 179700 -0.231 -0.071 -0.301 0.256 -8.941
terhadap rata-rata yaitu 3 lag pertama keluar 4 178658 -0.293 -0.099 -0.343 0.241 -9.326
5 178634 -0.307 -0.109 -0.351 0.231 -9.402
dari selang kepercayaan. Langkah yang dapat
6 178633 -0.312 -0.112 -0.352 0.227 -9.434
dilakukan adalah melakukan differencing, 7 178633 -0.314 -0.113 -0.353 0.225 -9.449
dengan hasil ACF differencing sebagai 8 178633 -0.315 -0.113 -0.353 0.224 -9.456
berikut: 9 178633 -0.315 -0.113 -0.353 0.224 -9.459
10 178633 -0.315 -0.113 -0.353 0.224 -9.460
 Jurnal Ilmu Kesehatan Vol.4 No.1 Mei 2019 7
5 less than 0.0010
Relative change in each estimate bulanan atau tahunan yang diperoleh dari
Final Estimates of Parameters kejadian kasus setiap hari atau jam dapat
disebut data urut waktu. Data urut waktu dapat
Type Coef SE Coef T P digunakan untuk menentukan pola variasi data
AR 1 -0.3151 0.3900 -0.81 0.424 di masa lalu dan selanjutnya dapat digunakan
AR 2 -0.1134 0.2512 -0.45 0.654
untuk memprediksi nilai di waktu yang akan
AR 3 -0.3530 0.1554 -2.27 0.028
MA 1 0.2237 0.4122 0.54 0.590 datang (forecast).
Constant -9.460 7.345 -1.29 0.205
Data kejadian hipertensi di puskesmas Bareng
Differencing: 1 regular difference Kota Malang mulai tahun 2013 hingga 2016
Number of observations: Original series 48, after mengalami fluktuasi setiap bulannya yang
differencing 47 ditunjukkan oleh hasil plot series yang
Residuals: SS = 176494 (backforecasts menampilkan adanya pola musiman dan tidak
excluded) stasioner. Data kejadian hipertensi di
MS = 4202 DF = 42 puskesmas Bareng Kota Malang pada tahun
Modified Box-Pierce (Ljung-Box) Chi-Square 2013 hingga 2016 memiliki 48 titik
statistic
pengamatan yang disusun berdasarkan laporan
Lag 12 24 36 48
Chi-Square 6.3 14.9 24.2 * setiap bulan, dengan demikian dapat dikatakan
DF 7 19 31 * bahwa data time series kejadian hipertensi di
P-Value 0.508 0.727 0.802 * puskesmas Bareng Kota Malang memiliki
panjang musiman sebanyak 12.
3). Melakukan Prediksi Menurut Box (1976), komponen musiman
Tabel 5 Hasil Peramalan Kejadian ditandai oleh adanya periode fluktuasi dengan
Hipertensi di Puskesmas Bareng Kota waktu sangat singkat selama 1-2 tahun atau
Malang 2018. bisa juga kurang. Gerakan musiman
merupakan gerakan dengan periode kurang
No Waktu Kejadian dari 1 tahun dengan pola tetap atau identik
(Tahun 2018) Hipertensi
setiap waktu dan kurang dari satu tahun,
1 Januari 138,932
artinya pola yang berulang dalam jangka
2 Februari 133,363
3 Maret 128,067
pendek atau kurang dari 1 tahun dapat disebut
4 April 122,565 pola musiman.
5 Mei 117,405 Penelitian time series memiliki beberapa
6 Juni 112,064 pendekatan dalam menentukan metode yang
7 Juli 106,814 akan digunakan. exponential smoothing
8 Agustus 101,435 merupakan metode yang menggunakan bobot
9 September 96,150 yang berbeda pada setiap periode waktunya
10 Oktober 90,818 dan membentuk fungsi exponential. Peramalan
11 Nopember 85,536 dilakukan dengan menggunakan pendekatan
12 Desember 80,210 exponential smoothing karena data
pengamatan yang digunakan kurang dari 50
pengamatan. Hasil plot data menunjukkan pola
PEMBAHASAN data yang non stasioner, berfluktuasi setiap
Tabel 1 menggambarkan jumlah kejadian bulannya dan mengandung unsur seasonal
hipertensi di puskesmas Bareng Kota Malang (musiman) maka pendekatan yang digunakan
mulai tahun 2013 hingga 2016 yang disusun
adalah triple exponential smoothing
menggunakan jumlah kejadian berdasarkan
(Makridakis, 1999). Metode penghalusan
urutan waktu (bulan), sehingga data kejadian
exponential tripel dari winters lebih dikenal
hipertensi tergolong pada data time series. Hal
dengan metode Holt-Winters (Makridakis,
tersebut sesuai dengan yang disampaikan oleh
dkk, 1999). Metode Winters menggunakan
Sriandari (2015) bahwa data time series adalah
sebuah komponen level, sebuah komponen
data yang dikumpulkan kemudian dilakukan
tren dan sebuah komponen musiman pada tiap
pencatatan dan diamati dari waktu ke waktu
periode. Menggunakan tiga bobot atau
secara urut dengan batasan waktu mingguan,
 8 Jurnal Ilmu Kesehatan Vol.4 No.1 Mei 2019

parameter penghalusan untuk memperbaharui 12,974%, MAD5 sebesar 13.235,1957 dan MSE
komponen pada tiap periode (Saludin, 2017) sebesar 330.096.599,2381 pada α 0,140.
Penentuan nilai awal pada peramalan winters Penelitian Safitri , dkk (2017) tentang
dapat dilakukan dengan menggunakan data peramalan jumlah kedatangan wisatawan di
paling sedikit satu kelompok data musiman Bandara Ngurah Rai Bali menyampaikan hal
lengkap yaitu pada penelitian ini yang sama bahwa nilai model terbaik pada
menggunakan data pada tahun 2013 dan winters exponential smoothing diperoleh dari
selanjutnya dihitung dengan menggunakan nilai ∝=0,3 β=0,1 dan γ=0,1 diperoleh nilai
rumus. Menurut MAPE sebesar 8,86198%, MSE sebesar
1436553590.
Sriandari (2015) proses penentuan nilai awal Autoregressive Integrated Moving Average.
atau yang biasa disebut proses inisialisasi Hasil dari tahap awal analisis padamodel
sangat diperlukan untuk menentukan nilai ARIMA adalah plot data time series.Plot data
pemulusan keseluruhan yaitu pada gambar 5.3 menunjukkan bahwa pada
data kejadian hipertensi terdapat fluktuasi,
sehingga dapat dikatakan data tidak stasioner
Penentuan parameter α, β, γ menggunakan terhadap ragam dan rata-rata, sehingga perlu
cara simulasi yaitu dengan memasukkan untuk dilakukan transformasi data. Gambar 5.4
semua kemungkinan nilai konstanta untuk Box Cox Plot Kejadian Hipertensi hasil
dapat dipilih nilai mana yang dapat transformasi menunjukkan rounded value pada
meminimumkan nilai MAPE, MAD dan MSE. angka 1,00 artinya data telah stationer
Kerugian yang diperoleh dari perhitungan terhadap ragam, langkah selanjutnya adalah
dengan cara simulasi atau trial dan error melakukan pengecekan stasioner data terhadap
adalah memakan waktu yang lama akan tetapi rata-rata.
dapat menghasilkan nilai konstanta yang Hasil plot ACF pada gambar 5.6 dan pada
maksimal (Makridakis, 1999). gambar 5.7 Plot PACF menunjukkan data
Hasil simulasi menunjukkan bahwa kombinasi telah stasioner pada differencing pertama
nilai α=0,3,γ=0,2,β=0,1 dapat menghasilkan artinya data dapat dimodelkan dengan
nilai MAPE, MAD dan MSE yang terkecil. ARIMA. Menurut Teapon (2015) agar dapat
Hasil tersebut sesuai dengan yang dimodelkan menggunakan ARIMA atau
dikemukakan oleh Makridakis (1999) bahwa ARIMA faktor utama yang harus diperhatikan
metode alternative yang dapat dilakukan untuk adalah data harus stasioner. Bila data stasioner
mengurangi keraguan nilai optimal yaitu dalam level maka data dapat dimodelkan
mencari taksiran awal yang lebih baik dalam ARIMA. Apabila data stasioner dalam
kemudian menetapkan nilai yang lebih kecil bentuk difference (1st dan 2nd) maka data bisa
untuk ketiga parameter pemulusan yaitu dimodelkan dengan ARIMA. Data tidak
sekitar 0,1 sampai 0,3. Nilai 0,1 sehingga stasioner pada level dapat ditunjukkan pada
peramalan bersifat terlalu hati-hati, sedangkan nilai Q stattistik Ljung Box (pada lag terakhir)
nilai 0,3 berartimemperbesar sistem yang lebih yaitu 87,03 yang lebih besar nilainya dari nilai
responsive. kritis Chi-Square ( dengan df sebesar 31
pada alpha 0,05 yaitu 24,2 Berdasarkan pola
Tabel 2 menunjukkan model terbaik pada
ACF dan PACF yang cenderung bersifat turun
peramalan kejadian hipertensi di puskesmas
drastis atau cut of point dan stasioneritas data
Bareng Kota Malang diperoleh dari nilai
diperoleh pada differencing pertama, maka
∝=0,3 β=0,1 dan γ=0,2 yang menghasilkan variabel kejadian hipertensi dapat dimodelkan
nilai MAPE = 12,04, MAD = 35,00 dan MSE dengan Autoregressive Integrated Moving
= 3806,39 yang terkecil. Hasil tersebut Average (ARIMA) dengan ordo yang
didukung oleh penelitian Pratama, dkk (2016) diperoleh dari pola ACF dan PACF yaitu
tentang peramalan total pendapatan bea dan (3,1,1) dengan hasil yang diperoleh sebagai
cukai dengan menggunakan double berikut:
exponential smoothing dengan nilai akurasi
peramalan terbaik yaitu MAPE sebesar
 Jurnal Ilmu Kesehatan Vol.4 No.1 Mei 2019 9

1. Residual sudah bersifat5 acak, dapat dilihat Peramalan Kejadian Hipertensi

dari nilai Box Ljung yang memiliki nilai p- Hasil peramalan kejadian hipertensi untuk
value=0,727 0,05 tahun 2018 dengan menggunakan winters
exponential smoothing menunjukkan adanya
2. Nilai koefesien MA dan AR <1,
tren penurunan kejadian hipertensi selama
menunjukkan kondisi invertibilitas dan
tahun 2018.Adanya tren penurunan kejadian
stasioneritas sudah terpenuhi
hipertensi dapat didukung oleh faktor eksternal
3. Proses iterasi sudah convergen yang
berupa faktor lingkungan, khususnya
ditunjukkan dengan kalimat “relative
pelayanan kesehatan masyarakat yang ada di
change in each estimate less than 0,0010”.
Puskesmas Bareng. Berdasarkan data yang
telah didapatkan, pelayanan kesehatan pada
Perbandingan Winter’s Exponential
masyarakat Bareng (Puskesmas Bareng) telah
Smoothing dan Autoregressive Integrated
melakukan berbagai upaya dalam tindakan
Moving Average
preventif, promotif dan kolaboratif dalam
Analisa peramalan data time series untuk
penanganan masalah Hipertensi. Tindakan-
kejadian hipertensi dengan menggunakan
tindakan tersebut berupa adanya kegiatan
metode Winter’s Exponential Smoothing
Prolanis dan Posyandu Lansia yang
memiliki kesamaan dalam langkah-langkah
diperuntukkan bagi lansia yang diadakan
dan proses peramalan padametode peramalan
secara regular dimana dalam kegiatan tersebut
Autoregressive Integrated Moving Average
termasuk kegiatan penyuluhan tentang
(ARIMA) yaitu diawali dengan
Hipertensi dan Senam Hipertensi bagi
mengidentifikasi model (menentukan plot
penderita Hipertensi (Puskesmas Bareng,
scater), mengestimasi parameter, melakukan
2018). Adanya tindakan pencegahan untuk
uji diagnosis dan melakukan prediksi.
penanganan Hipertensi ini dapat
mempengaruhi pengetahuan dan perilaku
Hasil peramalan menunjukkan bahwa kedua masyarakat khususnya gaya hidup sehat pada
metode menunjukkan hasil peramalan yang pasien Hipertensi (Maulana, 2009).
cenderung menurun pada tahun 2018 dengan KESIMPULAN
kejadian terendah pada bulan Desember yaitu Penelitian kejadian hipertensi menunjukkan:
dengan angka kejadian sejumlah 57,228 pada 1. Hasil peramalan dengan menggunakan
metode Winter’s Exponential Smoothing dan Winter’s Exponential Smoothing
sejumlah 80,210 pada metode Autoregressive menghasilkan model pemulusan
Integrated Moving Average. eksponential data asli adalah
,
Berdasarkan nilai Mean Square Error atau
MSE yang dihasilkan oleh kedua metode pemulusan pola trend yaitu
tersebut diperoleh bahwa metode Winter’s dan
Exponential Smoothing memiliki nilai MSE
sebesar 3806,39 dan metode Autoregressive pemulusan pola musiman yaitu
Integrated Moving Average memiliki nilai dan
MSE sebesar 4202. Nilai MSE tersebut peramalan untuk periode ke depan yaitu
menunjukkan bahwa nilai MSE pada metode
Exponential Smoothing Winter’s lebih besar
jikadibandingkan dengan nilai MSE 2. Hasil peramalan dengan
padametode Autoregressive Integrated Moving metodeAutoregressive Integrated Moving
Average artinya berdasarkan hasil MSE Average mengarah pada nilai (3,1,1)
tersebut, maka metode Autoregressive 3. Akurasi peramalan diperoleh dari nilai error
Integrated Moving Average atau ARIMA Mean Square Error (MSE) yang paling
memiliki kesalahan lebih kecil atau dengan kecil yaitu pada metode Winter’s
kata lain nilai peramalan yang dihasilkan lebih Exponential Smoothing sebesar 3806,39.
akurat. 4. Hasil peramalan menunjukkan bahwa
kejadian hipertensi untuk tahun 2018
 10 Jurnal Ilmu Kesehatan Vol.4 No.1 Mei 2019

cenderung mengalami penurunan pada 9 5

Hypertension ; a Rural Indonesia
metode Winter’s Exponential Smoothing Study. Med J Indon.
dan Autoregressive Integrated Moving Darmojo B. (2000). Mengamati Penelitian
Average, dengan angka kejadian terendah Epidemiologi Hipertensi di Indonesia.
terjadi pada bulan Desember yaitu sebanyak Disampaikan pada seminar hipertensi
sebanyak 57,228 ~ 58 kejadian untuk PERKI.
metode Winter’s Exponential Smoothingdan Setiawan, Zamhir. (2006). Karakteristik
80,210 ~ 82 kejadian untuk metode Sosiodemografi sebagai Faktor Resiko
Autoregressive Integrated Moving Average. Hipertensi Studi di Pulau Jawa tahun
DAFTAR PUSTAKA 2004 (Tesis). Program Studi
Atmaja, L.S. (2009). Statistika untuk Bisnis Epidemiologi Program pasca Sarjana
dan Ekonomi. Yogyakarta. Penerbit FKM-UI. Jakarta.
Balitbangkes, Depkes RI. (2006). Operational Ginsberg, Lionel (2008). Lecture Notes
Study an Immunity-Based Intervention Neurologi. Jakarta: Erlangga
Program On Common Major Non Hankey, GJ. (2002). Hipertensi: Long Term
Communicable Disease in Depok Dissability After First Ever Hipertensi
Indonesia . Jakarta: Depkes RI. And Related Prognostic Factors In The
Baradero et al (2008). Klien Gangguan Perth Community Hipertensi Study,
Kardiovaskulear: Seri Asuhan 1998-1990.
Keperawatan. Jakarta: EGC Kuntoro, H. (2011). Dasar Filosofis
Bonita R. (2001). Surveillance of Risk Factors Metodologi Penelitian. Zifatama,
for Non Communicable Disease; The Sidoarjo.
WHO Stepwise Approach. Summary. Makridakis, S, dkk. 1999. Metode dan Aplikasi
Geneva; World Health Organization. Permalan, Jilid I edisi kedua. Jakarta:
WHO/SEARO. (2005). Surveillance of Major Binarupa Aksara.
Non Communicable Diseases in South Makridakis, S., Wheelwright, S. C., McGee V.
East Asia region. Report of an Inter E., (1992). Forecasting: Methods
Country Consultation. Geneva; WHO- andApplications, 2nd edition. John
SEARO. Wiley & Sons Inc.
CDC. (1991-1999). State Specific Trend in Self Mulyana. (2013). Penyakit Infeksius dan non
Report 3rd Blood Pressure Screening infeksius
and High Blood Pressure. United http://yuzniemulyhana.blogspot.co.id/2
States. 013/10/penyakit-non-infeksi.html. 6
WHO-ISH. (2003). Hypertension Guideline okt 2013. Diakses pada 3 Nopember
Committee. Guidelines of The 2017.
Management of Hypertension. J Tambayong, Jan (2000). Patofisiologi untuk
Hypertension Keperawatan. Jakarta: EGC
Joint National Committee on Prevention, Wei, W.W.S. (2006). Time Series univariat
Detection, Evaluation, and Treatment and Multivariat Methods.2nd United
of High Blood Pressure (JNC). (2003). States Of America: Pearson Education.
The Seventh Report of The JNC (JNC- WHO (2008). Fact Sheet : The Top Ten causes
7). Of Death. 28 Oktober 2017.
Departemen Kesehatan. (2004). Survei www.who.int/mediacentre/factsheets/fs
Kesehatan Nasional. Laporan 310_2008.pdf.
Departeman Kesehatan RI. Jakarta. Wilterdink JL, Easton JD. (2001). Hipertensi
Fretchling, D.c. (2001). Forecasting Tourism Prevention In 2001. In: Bougosslavsky
Demand: Methods and Strategies. J. ed. Drug Theraphy For Hipertensi
Butterworth Heinemann, Oxford. Prevention. London ; Taylor And
Basuki B, Setianto B. (2001). Age, Body, Francis.
Posture, Daily Working Load Past Yastroki. (2009). Hipertensi Urutan Kedua
Antihypertensive drug and Risk of Penyebab Kematian di Indonesia,
www.yastroki.or.id