Data Pemeriksaan Kehamilan K4 - Pemilihan Model Terbaik

HASIL PENELITIAN 4.1 Deskripsi Lokasi Penelitian

7. Pemilihan Model Terbaik

4.2.2 Data Pemeriksaan Kehamilan K4

Dari laporan bulanan Puskesmas Rawat Inap Kecamatan Simpang Empat pada tahun 2012-2016 diperoleh data kunjungan K4 yaitu :

Tabel 4.14 Data K4 Tahun 2012 -2016

Bulan

Jumlah Ibu Hamil yang melakukan pemeriksaan kehamilan K4

2012 2013 2014 2015 2016

Januari 18 32 47 25 19

Februari 18 28 30 26 18

Maret 20 35 36 31 22

April 20 35 34 22 18

Mei 20 37 32 21 17

Juni 21 36 32 18 18

Juli 21 35 32 18 13

Agustus 23 38 30 21 9

September 36 35 31 18 14

Oktober 34 20 33 10 17

November 34 18 34 14 15

Desember 34 21 32 16 21

Sumber : Laporan Bulanan K1 dan K4 Puskesmas Simpang Empat, tahun 2012-2016

1. Menstasionerkan Data

Langkah pertama yang harus dilakukan adalah membuat plot data. Dalam hal ini adalah membuat plot data kunjungan pemeriksaan kehamilan K4.

Year

Plot data diatas tampak bahwa data belum stasioner, sehingga data tersebut harus distasionerkan terlihat dari grafik menunjukkan perjalanan waktunya semakin menurun, maka dari pola grafik diatas pada tahap berikutnya akan dilakukan differencing. Dengan dilakukan differencing maka data tersebut akan siap untuk dilakukan tahap selanjutnya hingga pada tahap akhir yaitu peramalan.

2. Uji Korelasi (with 5% significance limits for the autocorrelations)

Gambar 4.8 Grafik Fungsi Autokorelasi Data Awal Kunjungan Kehamilan K4 Berdasarkan gambar 4.8 autokorelasi terlihat grafik autokorelasi berbeda secara signifikan dari nol dan mengecil secara perlahan dan berangsur – angsur turun menuju nol. Hal ini ditunjukkan dengan nilai fungsi autokorelasinya cenderung turun lambat yang nilai autokorelasi pada suatu time lag relatif tidak jauh berbeda dari time lag sebelumnya.

Selain pengamatan grafik dan hasil perhitungan fungsi autokorelasi, pemeriksaan kestasioneran data juga dilakukan berdasarkan hasil perhitungan dan pengujian correlogram fungsi autokorelasi parsial. Berikut ini merupakan hasil grafik fungsi autokorelasi parsial adalah sebagai berikut:

15 (with 5% significance limits for the partial autocorrelations)

Gambar 4.9 Grafik Fungsi Autokorelasi Parsial Data Awal Kunjungan Kehamilan K4

Berdasarkan Gambar 4.9, grafik autokorelasi parsial menunjukan data belum stasioner. Dari analisis grafik autokorelasi dan autokorelasi parsial atau dengan teknik correlogram menunjukan bahwa data belum bersifat stasioner terlihat dari time lag pertama di luar batas atau melebihi batas koefisien autokorelasi, sedangkan metode ARIMA memerlukan data yang bersifat stasioner.

Untuk itu, sebelum diproses lebih jauh dengan ARIMA perlu dilakukan proses differencing.

3. Proses Differencing

Dalam menggunakan metode ARIMA memerlukan data yang bersifat stasioner. Berdasarkan Gambar 4.8 sampai dengan 4.9 menunjukan kunjungan pemeriksaan kehamilan K4 tidak stasioner. Data kunjungan pemeriksaan kehamilan K4 yang tidak stasioner harus dilakukan proses differencing. Proses

differencing yaitu data yang asli (Yt) diganti dengan pembedaan pertama dengan data asli tersebut atau dapat dirumuskan sebagai berikut (Aritonang, 2002).

d(1) = Yt – Y t-1

Hasil proses pembedaan (differencing) ini dapat digambarkan pada grafik sebagai berikut :

Gambar 4.10 Grafik Plot Data Differencing Kunjungan Pemeriksaan Kehamilan K4

Gambar 4.10 di atas data kunjungan pemeriksaan kehamilan K4 telah dilakukan proses differencing sebesar 1. Dari grafik di atas terlihat grafik n bergerak di sekitar rata-rata yang berarti data tersebut sudah stasioner.

4. Identifikasi Model Arima

Apabila data sudah stasioner maka asumsi metode ARIMA telah terpenuhi. Langkah selanjutnya adalah membuat plot ACF

(autocorrelationfunction) dan PACF (partial autocorrelation function) untuk mengindentifikasi model ARIMA yang cocok untuk digunakan.

15 (with 5% significance limits for the autocorrelations)

Gambar 4.11 Grafik Fungsi Autokorelasi Data Differencing Kunjungan Kehamilan K4 (with 5% significance limits for the partial autocorrelations)

Gambar 4.12 Grafik Fungsi Autokorelasi Parsial Data Differencing Kunjungan Kehamilan K4

Dari correlogram ACF dan PACF pada Gambar 4.11 dan Gambar 4.12 hasil dari differencing terlihat bahwa ACF tidak signifikan pada time lag ke-1 sehingga diduga data dibangkitkan oleh MA(1). Dari plot PACF dapat dilihat bahwa nilai autokorelasi parsial tidak signifikan pada time lag ke-1. Diduga model-model ARIMA yang mungkin adalah sebagai berikut :

a. Model 1 : ARIMA (2,1,1) b. Model 2 : ARIMA (2,1,0) c. Model 3 : ARIMA (1,1,1) d. Model 4 : ARIMA (1,1,0) e. Model 5 : ARIMA (0,1,1)

Setelah didapatkan model-model ARIMA yang mungkin, langkah selanjutnya adalah mengestimasikan parameternya. Langkah estimasi parameter dari model-model di atas adalah dengan melihat nilai p- value yang dimiliki setiap model-model.

5. Estimasi Model ARIMA Model ARIMA (2,1,1)

Tabel 4.15 Estimasi dari ARIMA (2,1,1)

Type Coef P

AR 1 -1,1084 0,000 AR 2 -0,1084 0,433 MA 1 -0,9775 0,000

Lag 12 24 36 48

P-Value 0,256 0,350 0,435 0,764

Hasil output di atas terlihat :

a. Nilai koefisien AR(1) sebesar -1,1084 dengan nilai probabilitas nol.

b. Nilai koefisien AR(2) sebesar -0.1372 tetapi nilai probabilitasnya yang > α = 0.05.

c. Nilai koefisien MA(1) sebesar -0.9833 dengan nilai probabilitas nol.

Berdasarkan analisa di atas diketahui parameter parameter AR(1) dan parameter MA(1) adalah signifikan dalam model sedangkan parameter AR(2) tidak signifikan dalam model. Maka model tersebut tidak dapat dimasukan ke dalam model ARIMA (2,1,1) sehingga ARIMA (2,1,1) tidak layak untuk digunakan pada model.

Dikarenakan pada AR(2) tidak signifikan pada model, sehingga model ARIMA (2,1,1) tidak layak untuk dipakai sebagai model pada tahap peramalan Model ARIMA (2,1,0)

Tabel 4.16 Estimasi dari ARIMA (2,1,0)

Type Coef P

AR 1 -1,2876 0,035 AR 2 -0,1352 0,316

Lag 12 24 36 48

P-Value 0,286 0,224 0,450 0,751

Hasil output di atas terlihat :

a. Nilai koefisien AR (1) sebesar -0,2878 dengan nilai probabilitas 0,035 < α = 0,05.

b. Nilai koefisien AR (2) sebesar -0.,1352 tetapi nilai probabilitasnya 0,316 > α

= 0.05.

Berdasarkan analisa di atas diketahui parameter AR(1) signifikan dalam model untuk dilakukannya peramalan tetapi parameter AR(2) tidak signifikan dalam model.

Model ARIMA (1,1,1)

Tabel 4.17 Estimasi dari ARIMA (1,1,1)

Type Coef P

AR 1 0,3789 0,139 MA 1 0,7333 0,000

Lag 12 24 36 48

P-Value 0,694 0,640 0,699 0,886

Hasil output di atas terlihat bahwa :

a. Nilai koefisien AR (1) sebesar 0,3789 dengan nilai probabilitasnya > α = 0.05.

b. Nilai koefisien MA (1) sebesar 0.7333 dengan nilai probabilitasnya yang bernilai nol < α = 0.05.

Berdasarkan analisa di atas diketahui parameter parameter AR(1) tidak signifikan dalam model karena memiliki nilai probabilitasnya > α = 0.05 sedangkan parameter MA (1) signifikan dalam model. Maka model tersebut tidak dapat dimasukan ke dalam model ARIMA (1,1,1) sehingga ARIMA (1,1,1) tidak layak untuk digunakan pada model.

Nilai p-value pada AR(1) tidak signifikan pada model, maka model ARIMA (1,1,1) tidak layak dilakukan untuk peramalan.

Model ARIMA (1,1,0)

Tabel 4.18 Estimasi dari ARIMA (1,1,0)

Type Coef P

AR 1 -0,2542 0,054

Lag 12 24 36 48

P-Value 0,335 0,271 0,469 0,773

Hasil output di atas terlihat bahwa Nilai koefisien AR (1) sebesar -0,2542 dengan nilai probabilitasnya > α = 0.05. Berdasarkan hasil tersebut diketahui parameter parameter AR(1) tidak signifikan dalam model karena memiliki nilai probabilitasnya > α = 0.05. Maka model tersebut tidak dapat dimasukan ke dalam model sehingga ARIMA (1,1,0) tidak layak layak untuk digunakan pada model.

Pada uji Ljung – Box p-value untuk time lag 12, time lag 24, time lag 36 dan time lag 48 lebih besar dari α = 0,05. Karena p-value lebih besar dari α = 0,05 dapat disimpulkan bahwa sisaan memenuhi syarat white noise yaitu sisaannya saling bebas satu sama lain atau berdistribusi random.

Jadi dapat disimpulkan bahwa model ARIMA (1,1,0) tidak dapat dapat digunakan sebagai model untuk melakukan peramalan.

Model ARIMA (0,1,1)

Tabel 4.19 Estimasi dari ARIMA (0,1,1)

Type Coef P

AR 1 0,4029 0,002

Lag 12 24 36 48

P-Value 0,327 0,307 0,475 0,726

Hasil output di atas terlihat bahwa nilai koefisien MA(1) sebesar 0,4029 dengan nilai probabilitasnya < α = 0.05 atau sama dengan 0. Berdasarkan analisa tersebut diketahui parameter parameter MA(1) sudah signifikan dalam model karena memiliki nilai probabilitasnya < α = 0.05. Maka model tersebut dapat dimasukan ke dalam model ARIMA (0,1,1) sehingga ARIMA (0,1,1) layak untuk digunakan pada model.

6. Uji Asumsi Residual (Diagnostic Checking) Model ARIMA (2,1,1)

Tabel 4.20 Uji Asumsi ARIMA (2,1,1)

Lag P value Kesimpulan

12 0,256 >α = 0.05

24 0,350 >α = 0.05

36 0,435 >α = 0.05

48 0,764 >α = 0.05

Dapat dikatakan residual peramalan bersifat acak. Dapat dilihat apakah model sudah memenuhi syarat dimana pada indikator Ljung-Box dari session diketahui nilai p value untuk uji statistik > 0,05yang menunjukkan bahwa residual sudah acak.

Model ARIMA (2,1,0)

Tabel 4.21 Uji Asumsi ARIMA (2,1,0)

Lag P value Kesimpulan

12 0,286 >α = 0.05

24 0,224 >α = 0.05

36 0,450 >α = 0.05

48 0,751 >α = 0.05

Model sudah memenuhi syarat pada indikator Ljung-Box diketahui nilai p value untuk uji statistik > 0,05 yang menunjukkan bahwa residual sudah acak.

Model ARIMA (1,1,1)

Tabel 4.22 Uji Asumsi ARIMA (1,1,1)

Lag P value Kesimpulan

12 0,694 >α = 0.05

24 0,640 >α = 0.05

36 0,699 >α = 0.05

48 0,886 >α = 0.05

Model sudah memenuhi syarat pada indikator Ljung-Box diketahui nilai p value untuk uji statistik > 0,05 yang menunjukkan bahwa residual sudah acak.

Pada uji Ljung – Box p-value untuk time lag 12, time lag 24, time lag 36 dan time lag 48 lebih besar dari α = 0,05. Karena p-value lebih besar dari α = 0,05

dapat disimpulkan bahwa sisaan memenuhi syarat white noise yaitu sisaannya saling bebas satu sama lain atau berdistribusi random .

Model ARIMA (1,1,0)

Tabel 4.23 Uji Asumsi ARIMA (1,1,0)

Lag P value Kesimpulan

12 0,335 >α = 0.05

24 0,271 >α = 0.05

36 0,469 >α = 0.05

48 0,773 >α = 0.05

Model ARIMA (0,1,1)

Tabel 4.24 Uji Asumsi ARIMA (0,1,1)

Lag P value Kesimpulan

12 0,327 >α = 0.05

24 0,307 >α = 0.05

36 0,475 >α = 0.05

48 0,726 >α = 0.05

Pada uji Ljung – Box p-value untuk time lag 12, time lag 24, time lag 36 dan time lag 48 lebih besar dari α = 0,05. Nilai p-value lebih besar dari α = 0,05

dapat disimpulkan bahwa sisaan memenuhi syarat white noise yaitu sisaannya saling bebas satu sama lain atau berdistribusi random.

Dapat disimpulkan model ARIMA (0,1,1) memungkinkan untuk digunakan sebagai model untuk melakukan peramalan pada kunjungan pemeriksaan kehamilan K4 di Kecamatan Simpang Empat.

7. Pemilihan Model Terbaik

Setelah melakukan estimasi parameter untuk masing-masing model, maka dapat melakukan pemilihan model terbaik dari semua kemungkinan model dengan cara melihat ukuran-ukuran standar ketepatan peramalan.

Tabel 4.25 Tabel Model ARIMA dengan Nilai MS

Model MS

ARIMA (2,1,1) 32,67 ARIMA (2,1,0) 32,24 ARIMA (1,1,1) 30,64 ARIMA (1,1,0) 32,25 ARIMA (0,1,1) 31,22

Model terpilih adalah model dengan tingkat kesalahan prediksi terkecil, dalam hal ini dicerminkan dengan angka MS kecil. Maka model yang dipilih adalah model yang memenuhi syarat tersebut yaitu ARIMA (1,1,1) yang mempunyai MS sebesar 30,64, tetapi pada model ARIMA (1,1,1) terlihat angka p-value untuk koefisien regresi, baik itu AR (1) =(0,139) ataupun MA(1) =(0,000)

menunjukkan AR(1) > α = 0.05 dan MA(1) di bawah angka α = 0.05. Hal ini menunjukan model (regresi) di atas tidak dapat digunakan untuk prediksi serta asumsi-asumsi yang mendukung dari uji Ljung-Box dan uji asumsi residual yang bersifat random.

Berdasarkan syarat diatas maka akan dipilih model dengan tingkat t kesalahan prediksi terkecil berikutnya, yang dalam hal ini juga dicerminkan dengan angka MS. Dengan demikian model yang dipilih adalah model ARIMA (0,1,1) yang mempunyai MS sebesar 31,22. Pada model ARIMA (0,1,1), terlihat angka p-value untuk koefisien regresi MA (1) = (0,002), yang dimana menunjukkan MA(1) di bawah angka α = 0.05. Hal ini menunjukan model (regresi) di atas dapat digunakan untuk prediksi serta asumsi-asumsi yang mendukung dari uji Ljung-Box dan uji asumsi residual yang bersifat random dengan persamaan :

Xt = β1 Xt-1 + Xt-1- β1 Xt-2 + μ - α1 et-1 + et ... (1) Xt = (0) Xt-1+ Xt-1- ((0) Xt-2 )) + (-0,0051) - (0.4029 et-1)+ et ... (2) 8. Peramalan

Langkah terakhir dalam analisis runtun waktu adalah menentukan peramalan atau prediksi untuk periode selanjutnya. Dalam pembahasan ini akan diramalkan kunjungan pemeriksaan kehamilan K4 untuk periode selanjutnya.

Tabel 4.26 Hasil Proyeksi Kunjungan Pemeriksaan Kehamilan K4

Dari tabel diatas juga kita peroleh bahwa proyeksi kunjungan pemeriksaan kunjungan kehamilan K4 untuk proyeksi Tahun 2017 – 2019 di Puskesmas Simpang Empat cenderung tidak mengalami peningkatan dan penurunan. Terlihat dari jumlah kunjungan pemeriksaan kehamilan K4 yang selalu tetap sebanyak 19 orang ibu hamil untuk bulan Januari 2017 sampai dengan bulan Desember 2019, yaitu berjumlah 228 ibu hamil untuk setiap tahunnya.

Bulan

Proyeksi Jumlah Ibu Hamil yang melakukan pemeriksaan

kehamilan K4

2017 2018 2019

Januari 19 19 19

Februari 19 19 19

Maret 19 19 19

April 19 19 19

Mei 19 19 19

Juni 19 19 19

Juli 19 19 19

Agustus 19 19 19

September 19 19 19

Oktober 19 19 19

November 19 19 19

Desember 19 19 19

BAB V PEMBAHASAN 5. 1 Kunjungan Pemeriksaan Kehamilan K1

Berdasarkan hasil penelitian dengan menggunakan software Minitab 14 yang dilakukan dengan model ARIMA diketahui kecendrungan kunjungan pemeriksaan kehamilan, ada yang mengalami peningkatan dan penurunan untuk masing – masing kunjungan K1 dan K4 di Puskesmas Simpang Empat.

Kunjungan pemeriksaan kehamilan yang paling meningkat terjadi pada tahun 2019 di Puskesmas wilayah Simpang Empat terjadi pada bulan Agustus tahun 2019 diprediksi sekitar 18 orang ibu hamil memeriksakan kehamilannya mengalami peningkatan sebesar 9 orang ibu hamil yang memeriksakan kehamilannya dan kunjungan pemeriksaan kehamilan yang paling turun di Puskesmas Simpang Empat terjadi pada bulan Januari tahun 2014 diprediksikan sekitar 18 orang yang memeriksakan kehamilannya jumlah ini turun dari 47 orang ibu hamil yang memeriksakan kehamilannya.

Dari hasil pembahasan diperoleh peramalan jumlah ibu hamil yang memeriksakan kehamilan di Puskesmas Simpang cenderung tetap setiap bulannya. Hasil prediksi dari kunjungan ibu hamil yang cenderung tetap memeriksakan kehamilannya di Puskesmas Simpang Empat mungkin disebabkan oleh menurunnya minat masyarakat untuk memeriksakan kehamilannya di Puskesmas Simpang Empat. Ada beberapa faktor yang diduga menyebabkan menurunnya ibu hamil yang memeriksakan kehamilannya di Puskesmas Simpang Empat semakin menurunnya kualitas penyuluhan tentang pentingnya antenatal

care kepada ibu hamil, selain itu juga mungkin disebabkan oleh kurangnya sarana medis berupa fasilitas dan kurang tersedianya berbagai macam obat-obatan yang dibutuhkan oleh ibu hamil

Kunjungan pemeriksaan kehamilan K1 dari data tahun 2012 tercatat 305 kunjungan K1. Hasil Proyeksi menunjukkan jumlah kunjungan pemeriksaan kehamilan yang mengalami penurunan untuk setiap bulannya dimana hanya terdapat 216 orang ibu hamil dari total proyeksi untuk tahun 2012 ibu hamil yang memeriksakan kehamilannya.

Tahun 2013 tercatat 385 kunjungan K1. Hasil Proyeksi menunjukkan jumlah kunjungan pemeriksaan kehamilan yang mengalami penurunan untuk setiap bulannya dimana hanya ada total proyeksi dari tahun 2013 berjumlah 216 ibu hamil yang memeriksakan kehamilannya di Puskesmas Simpang Empat dimana jumlah tersebut ada penurunan ibu hamil sebanyak 157 orang.

Tahun 2014 tercatat 415 kunjungan pemeriksaan K1 Hasil Proyeksi menunjukkan jumlah kunjungan pemeriksaan kehamilan yang mengalami penurunan untuk setiap bulannya dimana hanya ada total proyeksi dari tahun 2014 berjumlah 216 ibu hamil yang memeriksakan kehamilannya di Puskesmas Simpang Empat dimana jumlah tersebut sangat jauh ada penurunan ibu hamil sebanyak 199 orang, penurunan pada tahun ini adalah penurunan yang paling jauh selisihnya.

Kunjungan pemeriksaan kehamilan K1 dari data tahun 2015 tercatat 246 kunjungan K1. Hasil Proyeksi menunjukkan jumlah kunjungan pemeriksaan kehamilan yang mengalami penurunan untuk setiap bulannya dimana hanya

terdapat 216 orang ibu hamil dari total proyeksi ibu hamil yang memeriksakan kehamilannya.

Tahun 2016 tercatat 201 kunjungan pemeriksaan K1. Hasil Proyeksi menunjukkan jumlah kunjungan pemeriksaan kehamilan yang mengalami peningkatan dari tahun 2016 dimana ada total ibu hamil yang memeriksakan kehamilannya berjumlah 216 ibu hamil di Puskesmas Simpang Empat dimana jumlah tersebut mengalami peningkatan yang berarti dimana ada bertambah 13 orang ibu hamil yang datang untuk memeriksakan kehamilannya di Puskesmas Simpang Empat.

5. 2 Kunjungan Pemeriksaan Kehamilan K4

Kunjungan pemeriksaan kehamilan K4 yang paling meningkat terjadi pada tahun 2019 di Puskesmas wilayah Simpang Empat terjadi pada bulan Agustus tahun 2019 diprediksi sekitar 19 orang ibu hamil memeriksakan kehamilannya mengalami peningkatan sebesar 10 orang ibu hamil yang memeriksakan kehamilannya dan kunjungan pemeriksaan kehamilan yang paling turun di Puskesmas Simpang Empat terjadi pada bulan Januari tahun 2014 diprediksikan sebanyak 19 orang yang memeriksakan kehamilannya, jumlah ini turun dari 47 orang ibu hamil yang memeriksakan kehamilannya.

Kunjungan pemeriksaan kehamilan K4 dari data tahun 2012 tercatat 299 kunjungan K4. Hasil Proyeksi menunjukkan jumlah kunjungan pemeriksaan kehamilan yang mengalami penurunan untuk setiap bulannya dimana hanya terdapat 228 orang ibu hamil dari total proyeksi ibu hamil yang memeriksakan kehamilannya.

Tahun 2013 tercatat 370 kunjungan K4. Hasil Proyeksi menunjukkan jumlah kunjungan pemeriksaan kehamilan yang mengalami penurunan untuk setiap bulannya dimana hanya ada total proyeksi untuk tahun 2013 berjumlah 228 ibu hamil yang memeriksakan kehamilannya di Puskesmas Simpang Empat dimana jumlah tersebut ada penurunan ibu hamil sebanyak 42 orang.

Tahun 2014 tercatat 403 kunjungan pemeriksaan K4 Hasil Proyeksi menunjukkan jumlah kunjungan pemeriksaan kehamilan yang mengalami penurunan untuk setiap bulannya dimana hanya ada total proyeksi untuk tahun 2014 berjumlah 228 ibu hamil yang memeriksakan kehamilannya di Puskesmas Simpang Empat dimana jumlah tersebut sangat jauh ada penurunan ibu hamil sebanyak 175 orang, penurunan pada tahun ini adalah penurunan yang paling jauh selisihnya.

Kunjungan pemeriksaan kehamilan K4 dari data tahun 2015 tercatat 246 kunjungan K4. Hasil Proyeksi menunjukkan jumlah kunjungan pemeriksaan kehamilan yang mengalami penurunan untuk setiap bulannya dimana hanya terdapat 228 orang ibu hamil dari total proyeksi ibu hamil yang memeriksakan kehamilannya.

Tahun 2016 tercatat hanya 201 kunjungan pemeriksaan K4. Hasil Proyeksi menunjukkan jumlah kunjungan pemeriksaan kehamilan yang mengalami peningkatan dari tahun 2016 dimana ada total ibu hamil yang memeriksakan kehamilannya berjumlah 228 ibu hamil di Puskesmas Simpang Empat dimana jumlah tersebut mengalami peningkatan yang berarti dimana ada bertambah 27

orang ibu hamil yang datang untuk memeriksakan kehamilannya di Puskesmas Simpang Empat.

5. 3 Kepatuhan Ibu Hamil untuk Kunjungan Pemeriksaan Kehamilan

Kepatuhan melakukan antental care dilihat dari persentase ibu hamil yang melakukan kunjungan pemeriksaan kehamilan K1 dan tetap melanjutkan kunjungan pemeriksaan kehamilan pada K4 yang menunjukkan jumlah ibu hamil yang telah memperoleh pelayanan antenatal sesuai dengan standar paling sedikit empat kali sesuai jadwal pada kurun waktu satu tahun yang akan memperlihatkan akses pelayanan kesehatan terhadap ibu hamil dan tingkat kepatuhan ibu hamil dalam memeriksakan kehamilannya ke tenaga kesehatan.

Pelayanan antenatal dapat dijangkau masyarakat di wilayah Kecamatan Simpang Empat dengan pertolongan tenaga kesehatan di Puskesmas. Menurut data Puskesmas Simpang Empat cakupan KI sebesar 78,90% dan K4 sebesar 83,70 diperoleh 94,73 % ibu hamil di Puskesmas Simpang Empat telah melanjutkan untuk melakukan K4.

Sedangkan dalam indikator peningkatan kesehatan ibu dalam MDGs antara lain dinyatakan bahwa proporsi pertolongan persalinan oleh tenaga kesehatan terlatih K1 diharapkan sampai dengan 90% dan kunjungan K4 atau pelayanan ANC Ibu Hamil diharapkan bisa mencapai 95%.

6.1 Kesimpulan

Berdasarkan hasil kegiatan dan pembahasan pada BAB IV dan BAB V, maka dapat diambil kesimpulan sebagai berikut:

1. Analisis model time series yang terbaik untuk melakukan peramalan diperoleh model ARIMA (0,1,1) karena memiliki nilai rata-rata standar error yang sedikit daripada model yang lain.

2. Dengan model ARIMA (0,1,1) maka ramalan data Kunjungan Pemeriksaan Kehamilan K1 di Puskesmas Simpang Empat pada bulan Januari 2017 sampai bulan Desember 2019 diperkirakan akan tetap sebanyak 18 orang ibu hamil yang melakukan kunjungan pemeriksaan kehamilan K1 setiap bulannya sampai dengan bulan Desember 2019 di Puskesmas Simpang Empat.

3. Dengan model ARIMA (0,1,1) maka ramalan data Kunjungan Pemeriksaan Kehamilan K4 di Puskesmas Simpang Empat pada bulan Januari 2017 sampai bulan Desember 2019 diperkirakan akan tetap sebanyak 19 orang ibu hamil yang melakukan kunjungan pemeriksaan kehamilan K4 setiap bulannya sampai dengan bulan Desember 2019 di Puskesmas Simpang Empat.

6.2 Saran

1. Diharapkan data ini dapat digunakan oleh Puskesmas Simpang Empat untuk meningkatkan kualitas mutu pelayanan puskesmas, baik dari segi fasilitas sarana dan prasarana puskesmas serta kualitas pelayanan sumber daya manusia karena dari hasil proyeksi jumlah kunjungan pemeriksaan kehamilan K1 dan K4 di Puskesmas Simpang Empat cenderung tetap.

2. Sesuai dengan hasil peramalan yang cenderung tetap, sebaiknya pemimpin Puskesmas Simpang Empat dapat meningkatkan motivasi ibu hamil untuk mendapatkan pelayanan antenatal empat kali sesuai jadwal pada kurun waktu satu tahun ke tenaga kesehatan.

3. Diharapkan kepada Puskesmas untuk mempertahankan efektifitas program pelayanan antenatal care kepada ibu hamil pada tahun yang diprediksikan mengalami peningkatan kunjungan pemeriksaan kehamilan, kedepannya Puskesmas Simpang Empat dapat menjadi tempat pilihan yang pelayanannya dibutuhkan dan diinginkan oleh ibu hamil untuk melakukan pemeriksaan kehamilan.

Chamberlin, G dan Morgan, M., 2013. ABC Asuhan Antenatal edisi keempat.

Jakarta : EGC.

Desvina, P dan Desmita, E., 2015. Penerapan Metode Box-Jenkins dalam Indeks Harga Konsumen di Kota Pekan Baru. Program Studi Matematika Fakultas Sains dan Teknologi Universitas Islam Negeri Sultan Syarif Kasim Riau. (Jurnal Elektronik) diakses 27 Juli 2017;

http://www.ejournal.uin-suska.ac.id.

Dinas Kesehatan Kabupaten Asahan. 2012. Profil Kesehatan Kabupaten Asahan tahun 20012. Asahan.

Erlina, Larasati dan Kurniawan., 2013. Faktor – Faktor Yang Mempengaruhi Ibu Hamil Terhadap Kunjungan Pemeriksaan Kehamilan di Puskesmas Rawat Inap Panjang Bandar Lampung. Program Studi Kedokteran Fakultas Kedokteran Universitas Lampung. (Jurnal Elektronik) diakses 22 April 2017; http://www.juke.kedokteran.unila.ac.id. Ferri Indayani, E., 2009. Peramalan Jumlah Penumpang Kereta Api dengan

Menggunakan Metode Box – Jenkins. Program Studi Matematika Fakultas Sains dan Teknologi Universitas Islam Negeri Sunan Kalijaga.

(Jurnal Elektronik) diakses 28 Juni 2017; http://www. digilib.uin-suka.ac.id.

Gitosudarmo, I dan Najmudin, M., 2000. Teknik Proyeksi Bisnis edisi pertama.

Yogyakarta: BPFE-Yogyakarta.

Pantikawati, I dan Saryono., 2010. Asuhan Kebidanan 1 (Kehamilan).

Yogyakarta: Nuha Medika.

Jamil, Raupong dan Erna., 2009. Keterkaitan Antara Nilai Rata – Rata dan Nilai Konstan dalam Pemodelan Runtun Waktu Box-Jenkins.

Program Studi Matematika Fakultas Sains dan Teknologi Universitas Islam Negeri Sunan Kalijaga. (Jurnal Elektronik) diakses 23 April 2017;

http://www.core.ac.uk.

Kemenkes RI., 2013. Buku Saku : Pelayanan Kesehatan Ibu di Fasilitas Kesehatan Dasar dan Rujukan. Jakarta : Kemenkes RI

Kemenkes RI., 2015. Petunjuk Teknis Penggunaan Buku Kesehatan Ibu dan Anak. Jakarta : Kemenkes RI

Manuaba, I B G., 2010. Ilmu Kebidanan Penyakit Kandungan dan Keluarga Berencana untuk Pendidikan Bidan. Jakarta : EGC.

Jakarta.

Mukhaiyar, U., 2012. Pengenalan Analisis Deret Waktu. Program Studi Matematika Fakultas Sains dan Teknologi. (Jurnal Elektronik) diakses 12 April 2017; http://www. personal.fmipa.itb.ac.id

Nanny Lia, V dan Sunarsih, T., 2011. Asuhan Kehamilan untuk Kebidanan.

Jakarta : Salemba Medika.

Dalam dokumen FAKULTAS KESEHATAN MASYARAKAT UNIVERSITAS SUMATERA UTARA MEDAN 2017 (Halaman 70-104)