Analisa kecenderungan penyakit infeksi saluran pernafasan akut (ispa) pada bayi dan balita tahun 2002-2006 untuk peramalan pada tahun 2007-2011 di kota Medan

(1)

Septri Anti Sinaga. Analisa kecenderungan penyakit infeksi saluran pernafasan akut (ispa) pada bayi dan balita tahun 2002-2006 untuk peramalan pada tahun 2007-2011 di kota medan. 2007

ANALISA KECENDERUNGAN PENYAKIT INFEKSI SALURAN PERNAFASAN AKUT (ISPA) PADA BAYI DAN BALITA TAHUN 2002-2006

UNTUK PERAMALAN PADA TAHUN 2007-2011 DI KOTA MEDAN

SKRIPSI

Diajukan Sebagai Salah Satu Syarat Untuk Memperoleh Gelar Sarjana Kesehatan Masyarakat

Oleh :

SEPTRI ANTI SINAGA NIM. 031000130

FAKULTAS KESEHATAN MASYARAKAT UNIVERSITAS SUMATERA UTARA

(2)

ABSTRAK

ISPA (Infeksi Saluran Pernafasan Akut) meliputi infeksi akut saluran pernafasan bagian atas dan saluran pernafasan bagian bawah. ISPA adalah infeksi saluran pernafasan yang dapat berlangsung sampai 14 hari. Berdasarkan data WHO tahun 2005, kematian balita yang disebabkan oleh ISPA sebesar 19 % yang merupakan urutan kedua penyebab kematian balita, sedangkan yang menyebabkan kematian bayi, infeksi berat yang sudah termasuk ISPA di dalamnya sebesar 26 %. Dari hasil Surkesnas tahun 2001 ISPA merupakan peringkat kedua yaitu 38,7 % sedangkan pada anak balita menduduki peringkat pertama yaitu 42,2 %. Di Kota Medan, ISPA merupakan penyakit utama pada bayi dan balita.

Untuk mencegah peningkatan jumlah penderita ISPA pada bayi < 1 tahun dan balita 1-4 tahun akibat ISPA, perlu dibuat suatu perencanaan. Perencanaan dibuat setelah mengetahui terelbih dahulu kondisi yang akan datang. Untuk mengetahui hal tersebuut perlu dilakukan peramalan. Peramalan (forecasting) merupakan dugaan atau perkiraan mengenai terjadinya suatu kejadian di waktu yang akan datang.

Tujuan Penelitian ini adalah untuk mengetahui kecenderungan penderita ISPA dan ISPA berdasarkan klasifikasinya (Pneumonia, Pneumonia Berat, dan Bukan Pneumonia) pada bayi < 1 tahun dan balita 1-4 tahun dan hasil ramalannya pada tahun 2007-2011. Penelitian ini bersifat deskriptif dengan metode analisis data berkala (Time Series). Metode peramalan yang digunakan dalam penelitian ini adalah analisis data berkala dengan trend (ramalan jangka panjang) jika terdapat hubungan linier yang signifikan antara waktu dengan jumlah penderita ISPA dan ISPA berdasarkan klasifikasinya. Metode analisis data berkala dengan double exponential

smoothing (ramalan jangka pendek) digunakan jika tidak terdapat hubungan linier

yang signifikan antara waktu dan jumlah penderita ISPA dan ISPA berdasarkan klasifikasinya.

Berdasarkan hasil peramalan, pada umumnya terjadi peningkatan jumlah penderita, kecuali penderita ISPA pada bayi < 1 tahun dan penderita bukan pneumonia pada bayi < 1 tahun terjadi penurunan jumlah penderita. Dari hasil penelitian ini, diharapkan Dinas Kesehatan Kota Medan dapat menjadikan hasil peramalan ini sebagai bahan masukan dalam peningkatan pelayanan kesehatan, memberikan penyuluhan kepada masyarakat tentang ISPA dan cara mencegahnya serta memberikan informasi tentang perawatan anak yang menglami sakit ISPA.

(3)

RIWAYAT HIDUP PENULIS

Nama : Septri Anti Sinaga

Tempat/Tanggal Lahir : Balimbingan, 25 September 1985

Agama : Kristen Protestan

Status Perkawinan : Belum Kawin

Jumlah Anggota Keluarga : 4 (empat) orang

Alamat Rumah : Simp. Tangsi Balimbingan Kec. Tanah Jawa

Riwayat Pendidikan :

1. Tahun 1991-1997 : SD Negeri No. 091525 Balimbingan

2. Tahun 1997-2000 : SLTP Negeri 2 Tanah Jawa

3. Tahun 2000-2003 : SMU Negeri 1 Tanah Jawa

4. Tahun 2003-2007 : Fakultas Kesehatan Masyarakat Universitas Sumatera

(4)

KATA PENGANTAR

Puji dan syukur penulis panjatkan kehadirat Tuhan Yang Maha Esa karena

hanya karena kasih-Nya lah penulis dapat menyelesaikan skripsi yang berjudul

“Analisa Kecenderungan Penyakit Infeksi Saluran Pernafasan Akut (ISPA) Pada Bayi dan Balita Tahun 2002-2006 Untuk Peramalan Pada Tahun 2007-2011 Di Kota Medan”.

Dalam penulisan skripsi ini, penulis banyak mendapat bantuan baik secara

moril, spiritual maupun material. Pada kesempatan ini penulis mengucapkan banyak

terima kasih kepada :

1. Ibu dr. Ria Masniari, M.Si, selaku Dekan Fakultas Kesehatan Masyarakat

Universitas Sumatera Utara.

2. Ibu dr. Yusniwarti Yusad, M.Si, selaku Kepala Departemen Kependudukan

dan Biostatistik Fakultas Kesehatan Masyarakat Universitas Sumatera Utara

sekaligus Dosen Pembimbing skripsi II yang telah banyak meluangkan waktu

dan memberikan bimbingan dan masukan kepada penulis sehingga skripsi ini

dapat diselesaikan.

3. Ibu Dr. Ir. Erna Mutira, M.Kes, selaku Dosen Pembimbing Skripsi I yang

banyak meluangkan waktu dan memberikan bimbingan dan petunjuk serta

(5)

4. Ibu Ir. Evi Naria, MKes, selaku dosen pembimbing Akademik penulis di

Fakultas Kesehatan Masyarakat Universitas Sumatera Utara.

5. Bapak Asnawi Nasution selaku staf P2 ISPA Dinas Kesehatan Kota Medan

yang banyak membantu dan memberikan petunjuk kepada penulis selama

penelitian.

6. Bapak dan Ibu dosen Di Fakultas Kesehatan Masyarakat Universitas

Sumatera Utara.

7. Kedua Orangtuaku yang tercinta W. Sinaga dan A. Saragih, serta abangku

tercinta Janser Sinaga dan adik-adikku yang kusayangi, Hotma Sinaga dan

Melda Sinaga yang selalu mendoakan, memberikan semangat dan kasih

sayang kepada penulis selama perkuliahan sampai selesai.

8. Oppungku E. Sinaga dan T. Napitu, Uda dan Inanguda Drs. Anton A.P

Sinaga, MSi dan Sofiati Purba, SH, Uda dr. Hasudungan Sinaga, dan semua

keluargaku yang selalu mendoakan dan membantu penulis.

9. Abangku “Ronald” yang selalu mendoakan, memberikan aku semangat, dan

kesabaran serta perhatiannya selama ini. Thanx for your love and praise.

10.Sahabat-sahabatku: Asnahria, Catrine, Pindah, Arni, Nita, Vera A, Vera L,

yang selalu mendoakan dan setia menemani penulis.

11.Teman-teman angkatan 2003 khususnya peminatan Kependudukan dan

(6)

Penulis menyadari bahwa dalam penulisan skripsi ini masih jauh dari

kesempurnaan, sehingga penulis mengharapkan saran dan kritik dari berbagai pihak

yang sifatnya membangun.

Akhir kata semoga Tuhan selalu menyertai kita semua dan penulis berharap

semoga skripsi ini bermanfaat bagi kita semua.

Medan, September 2007

(7)

DAFTAR TABEL

Hal

Tabel 4.1. Jumlah Penduduk kota Medan Berdasarkan Jenis Kelamin dan

Kelompok Umur ... 39 Tabel 4.2. Jumlah Penderita ISPA pada Bayi < 1 Tahun di Kota Medan

Tahun 2002-2006... 40 Tabel 4.3. Hasil Ramalan Penderita ISPA pada Bayi < 1 Tahun 2007-2011

di Kota Medan ... 42 Tabel 4.4. Jumlah penderita ISPA pada Balita 1-4 tahun

di Kota Medan Tahun 2002-2006... 43 Tabel 4.5. Hasil Ramalan Jumlah Penderita ISPA pada Balita 1-4 Tahun

di Kota Medan Tahun 2007... 44 Tabel 4.6. Jumlah Penderita Pneumonia pada Bayi < 1 Tahun

di Kota Medan Tahun 2002-2006... 45 Tabel 4.7. Hasil Ramalan Jumlah Penderita ISPA pada Balita 1-4 Tahun

di Kota Medan Tahun 2007... 46 Tabel 4.8. Jumlah Penderita Pneumonia pada Balita 1-4 Tahun

di Kota Medan Tahun 2002-2006... 46 Tabel 4.9. Hasil Ramalan Jumlah Penderita Pneumonia Pada Balita 1-4 Tahun

di Kota Medan Tahun 2007 ... 47 Tabel 4.10. Jumlah Penderita Pneumonia Berat pada Bayi < 1 Tahun

di Kota Medan Tahun 2002-2006... 48 Tabel 4.11. Hasil Ramalan Jumlah Penderita Pneumonia Berat Pada Bayi < 1 Tahun di Kota Medan Tahun 2007... 49 Tabel 4.12. Jumlah Penderita Pneumonia Berat pada Balita 1-4 Tahun

di Kota Medan Tahun 2002-2006... 49 Tabel 4.13. Hasil Ramalan Jumlah Penderita Pneumonia Berat Pada Balita 1-4

Tahun

di Kota Medan Tahun 2007 ... 50 Tabel 4.14. Jumlah Penderita Bukan Pneumonia pada Bayi < 1 Tahun

di Kota Medan Tahun 2002-2006 ... 51 Tabel 4.15. Hasil Ramalan Penderita bukan pneumonia pada Bayi < 1

(8)

di Kota Medan Tahun 2002-2006... 54

Tabel 4.17. Hasil Ramalan Jumlah Penderita Bukan Pneumonia Pada Balita 1-4 Tahun di Kota Medan Tahun 2007 ... 55

DAFTAR GAMBAR Hal Gambar 2.1. Kurva Trend ... 18

Gambar 2.2. Kurva Gerakan/Variasi siklis ... 18

Gambar 2.3. Kurva Variasi Musiman ... 20

Gambar 2.4. Kurva Variasi Irreguler ... 21

Gambar 4.1. Trend Jumlah Penderita ISPA Pada Bayi < 1 Tahun ... 41

Gambar 4.2. Index Musim Jumlah Penderita ISPA pada Bayi < 1 Tahun ... 42

Gambar 4.3. Hasil Ramalan Jumlah Penderita ISPA pada Bayi < 1 Tahun Pada Tahun 2007-2011 di Kota Medan ... 43

Gambar 4.4. Trend Jumlah Penderita bukan Pneumonia Pada Bayi < 1 Tahun ... 52

Gambar 4.5. Index Musim Jumlah Penderita Bukan Pneumonia pada Bayi < 1 Tahun ... 52

(9)

DAFTAR LAMPIRAN

Hal

Lampiran 1 Hasil Uji Regresi ... 64

Hasil Uji Regresi Penderita ISPA Pada Bayi < 1 Tahun ... 64

Hasil Uji Regresi Penderita ISPA Pada Balita 1-4 Tahun ... 64

Hasil Uji Regresi Penderita Pneumonia Pada Bayi < 1 Tahun ... 65

Hasil Uji Regresi Penderita Pneumonia Pada Balita 1-4 Tahun ... 65

Hasil Uji Regresi Penderita Pneumonia Berat Pada Bayi < 1 Tahun ... 66

Hasil Uji Regresi Penderita Pneumonia Berat Pada Balita 1-4 Tahun ... 67

Hasil Uji Regresi Penderita Bukan Pneumonia Pada Bayi < 1 Tahun ... 68

Hasil Uji Regresi Penderita Bukan Pneumonia Pada Balita 1-4 Tahun ... 68

Lampiran 2 Hasil Peramalan ... 69

Hasil Peramalan Penderita ISPA Pada Bayi < 1 Tahun ... 69

Hasil Peramalan Penderita ISPA Pada Balita 1-4 Tahun ... 72

Hasil Peramalan Penderita Pneumonia Pada Bayi < 1 Tahun ... 74

Hasil Peramalan Penderita Pneumonia Pada Balita 1-4 Tahun ... 75

Hasil Peramalan Penderita Pneumonia Berat Pada Bayi < 1 Tahun ... 77

Hasil Peramalan Penderita Pneumonia Berat Pada Balita 1-4 Tahun ... 78

Hasil Peramalan Penderita Bukan Pneumonia Pada Bayi < 1 Tahun ... 79

(10)

BAB I PENDAHULUAN

1.1. Latar Belakang

ISPA (Infeksi Saluran Pernafasan Akut) meliputi infeksi akut saluran

pernafasan bagian atas dan saluran pernafasan bagian bawah. Program

Pemberantasan Penyakit (P2) ISPA membagi penyakit ISPA menjadi pneumonia

berat, pneumonia, dan yang bukan pneumonia.

Penyakit ISPA masih merupakan salah satu masalah kesehatan masyarakat

yang utama. Hal ini disebabkan masih tingginya angka kematian karena ISPA

terutama pada bayi dan balita. (Depkes RI, 1992)

Berdasarkan data WHO tahun 2005, kematian balita yang disebabkan oleh

ISPA sebesar 19 % dan ini merupakan urutan kedua penyebab kematian balita setelah

penyebab neonatal yaitu sebesar 37 %, sedangkan yang menyebabkan kematian bayi,

infeksi berat yang sudah termasuk ISPA di dalamnya sebesar 26 %. Beberapa hasil

penelitian di negara berkembang menunjukkan bahwa 20-35 % kematian bayi dan

anak balita disebabkan oleh ISPA. Diperkirakan bahwa 2-5 juta bayi dan balita di

(11)

terjadi pada kelompok usia bayi, terutama bayi pada usia 2 bulan pertama sejak

kelahiran. (Depkes RI, 2005 dan Djaja, 2001 )

Dari data mortalitas SKRT 1992 menunjukkan bahwa ISPA sebagai

penyebab kematian nomor satu pada bayi yaitu sebesar 29,3 % dan penyebab

kematian nomor dua pada anak balita yaitu sebesar 15,3 %. Hasil SKRT 1995

menunjukkan bahwa 21,2 % kematian bayi dan 30,3 % kematian anak balita

disebabkan oleh ISPA. Hasil Surkesnas tahun 2001 memperlihatkan prevalensi 10

kelompok penyakit utama, pada bayi, ISPA merupakan peringkat kedua yaitu 38,7 %

sedangkan pada anak balita menduduki peringkat pertama yaitu 42,2 %. (Depkes RI,

2005 dan Djaja, 1999)

Berdasarkan Profil Kesehatan Propinsi Sumatera Utara tahun 2006 bahwa

jumlah penderita ISPA pada balita berjumlah 356.205 orang, yang terdiri dari

pneumonia sebanyak 41.332 orang dan bukan pneumonia sebanyak 314.873 orang.

Berdasarkan data laporan P2 ISPA Dinas Kesehatan Kota Medan pada tahun 2004

menunjukkan bahwa penyakit ISPA pada bayi sebanyak 40.014 orang dan pada balita

sebanyak 86.728 orang. Pada tahun 2005 ditemukan bayi yang menderita ISPA

sebanyak 38.642 orang dan 91.605 orang. Dan tahun 2006 ditemukan bayi yang

menderita ISPA 39.069 orang dan pada balita sebanyak 93.991 orang.

Berdasarkan data di atas dapat dilihat bahwa jumlah pasien penyakit ISPA

masih tinggi dan mengalami kenaikan, terutama pada bayi dan balita yang paling

(12)

terjadinya peningkatan angka kematian, perlu dibentuk suatu program. Sebelum

program dibentuk diperlukan perencanaan terlebih dahulu.

Peramalan cukup penting dalam perencanaan, untuk mengetahui terlebih

dahulu kejadian yang akan datang. Sering terjadi selang waktu (lead time) antara

kejadian sekarang dengan masa yang akan datang. Adanya selang waktu (lead time)

ini merupakan suatu alasan untuk perencanaan dan peramalan. Bila lead time ini

besarnya nol atau sangat kecil, maka lead time tidak dibutuhkan untuk perencanaan.

Tetapi, bila lead time tersebut panjang dan hasil yang diperoleh membutuhkan

faktor-faktor yang menyatakan bahwa perencanaan dapat dibentuk memiliki peranan

penting. Pada kasus dan situasi tersebut, peramalan terjadi atau dibutuhkan sehingga

tindakan yang tepat dapat dilakukan. Sedangkan peramalan tersebut merupakan

sebuah alat bantu yang penting pada perencanaan yang efektif dan efisien.

(Manurung, 1990)

Untuk melakukan suatu peramalan, dibutuhkan data yang dapat digunakan

sebagai acuan untuk meramalkan sesuatu. Data yang dimaksud disini adalah data

berkala (time series). Data berkala (time series data, yang disebut time series saja,

tanpa menggunakan kata data) adalah data yang dikumpulkan dari waktu ke waktu,

untuk menggambarkan perkembangan suatu kegiatan (perkembangan produksi,

harga, hasil penjualan, jumlah tenaga kerja, penduduk, jumlah kecelakaan, jumlah

kejahatan, jumlah peserta KB, dan lain sebagainya). Analisis data berkala

memungkinkan kita untuk megetahui perkembangan waktu/beberapa kejadian.

(13)

penyakit (ISPA) yang dikumpulkan dari waktu ke waktu juga dapat merupakan data

berkala (time series).

Untuk mengantisipasi terjadinya peningkatan jumlah penderita ISPA yang

dapat mengakibatkan jumlah kematian semakin tinggi dan didukung dari data yang

menunjukkan bahwa ISPA merupakan penyebab utama kematian pada bayi dan anak

balita maka peneliti ingin mengetahui kecenderungan jumlah penderita ISPA di Kota

Medan berdasarkan catatan bulanan Program P2 ISPA.

1.2. Permasalahan

Yang menjadi permasalahan dalam penelitian ini adalah masih tingginya

jumlah penderita ISPA pada bayi dan balita di Kota Medan dan selalu mengalami

peningkatan setiap tahunnya dan jika hal ini berlanjut dapat menjadi salah satu

penyebab tingginya angka kematian pada bayi dan balita.

1.3. Tujuan Penelitian 1.3.1. Tujuan Umum

Untuk mengetahui kecenderungan penyakit ISPA tahun 2002-2006 dan hasil

ramalannya tahun 2007-2011.

1.3.2. Tujuan Khusus

1. Untuk mengetahui kecenderungan penderita ISPA secara keseluruhan pada

(14)

2. Untuk mengetahui kecenderungan penderita ISPA secara keseluruhan pada

anak balita (1-4 tahun) dan hasil ramalannya tahun 2007-2011.

3. Untuk mengetahui kecenderungan penderita ISPA berdasarkan klasifikasi

pneumonia pada bayi (<1 tahun) dan hasil ramalannya tahun 2007-2011.

pneumonia pada anak balita (1-4 tahun) dan hasil ramalannya tahun

2007-2011.

pneumonia berat pada bayi (<1 tahun) dan hasil ramalannya tahun 2007-2011.

pneumonia berat pada anak balita (1-4 tahun) dan hasil ramalannya tahun

2007-2011.

bukan pneumonia pada bayi (<1 tahun) dan hasil ramalannya tahun

2007-2011.

bukan pneumonia pada anak balita (1-4 tahun) dan hasil ramalannya tahun

2007-2011.

1.4. Manfaat Penelitian

1. Menjadi bahan masukan bagi Dinas Kesehatan Kota Medan dalam upaya

meningkatkan pelayanan kesehatan di Puskesmas bagi penderita ISPA

(15)

dari hasil ramalan, serta melakukan upaya pencegahan bagi yang belum

terinfeksi dengan melakukan penyuluhan kesehatan.

2. Sebagai refrensi bagi penelitian selanjutnya.

BAB II

TINJAUAN PUSTAKA

2.1. INFEKSI SALURAN PERNAFASAN AKUT (ISPA)

ISPA merupakan singkatan dari infeksi saluran pernafasan akut, istilah ini

diadaptasi dari istilah dalam bahasa Inggris atau dikenal Acute Respiratory Infections

(ARI).

2.1.1. Definisi ISPA

Istilah ISPA meliputi tiga unsur yaitu infeksi, saluran pernafasan dan infeksi

akut, dengan pengertian sebagai berikut : (Depkes RI, 1992)

1) Infeksi adalah masuknya kuman atau mikroorganisme ke dalam tubuh

(16)

2) Saluran pernafasan adalah organ mulai dari hidung hingga alveoli beserta

organ adneksanya seperti sinus-sinus, rongga telinga tengah dan pleura. ISPA

secara anatomis mencakup saluran pernafasan bagian atas, saluran pernafasan

bagian bawah (termasuk jaringan paru-paru) dan organ adneksa saluran

pernafasan. Dengan batasan ini, jaringan paru termasuk dalam saluran

pernafasan (respiratory tract).

3) Infeksi akut adalah infeksi yang berlangsung sampai dengan 14 hari.

Dengan demikian ISPA adalah infeksi saluran pernafasan yang dapat

berlangsung sampai 14 hari, dimana secara klinis suatu tanda dan gejala akut akibat

infeksi yang terjadi di setiap bagian saluran pernafasan atau struktur yang berhubungan

dengan saluran pernafasan yang berlangsung tidak lebih dari 14 hari.

2.1.2. Etiologi ISPA

Etiologi ISPA terdiri lebih 300 jenis bakteri, virus dan riketsia. Bakteri

penyebab ISPA antara lain dari genus Streptokokus, Stafilokokus, Pnemokokus,

Haemofillus, Bordetella dan Corinobakterium. Virus penyebab ISPA antara lain

adalah golongan Mixosovirus, Adenovirus, Coronavirus, Pikornavirus, Mikoplasma,

Herpesvirus. (Depkes RI, 2005)

2.1.3. Klasifikasi Penyakit ISPA

Klasifikasi penyakit ISPA untuk bayi kurang dari satu tahun dan anak 1-4

(17)

a. Pneumonia Berat

Bayi kurang dari 1 tahun yang nafasnya cepat atau dengan tarikan dinding

dada bagian bawah ke dalam yang kuat digolongkan sebagai pneumonia berat.

Batas nafas cepat untuk golongan umur kurang dari satu (1) tahun yaitu 60

kali per menit atau lebih.

Untuk anak umur 1-4 tahun ditandai dengan adanya batuk dan kesukaran

bernafas disertai nafas sesak atau tarikan dinding dada bagian bawah ke

dalam.

b. Pneumonia

Anak dengan nafas cepat dan tidak disertai tarikan dinding dada bagian bawah

ke dalam klasifikasi sebagai pneumonia (tidak berat). Patokan nafas cepat

adalah 50 kali per menit atau lebih untuk bayi kurang dari 1 tahun dan untuk

anak umur 1-4 tahun adalah 40 kali per menit atau lebih.

c. Bukan Pneumonia

Bayi kurang dari 1 tahun, frekuensi pernafasan < 60 kali per menit dan tidak

(18)

Anak umur 1-4 tahun nafasnya tidak cepat dan tidak mengalami tarikan kuat

dinding dada bagian bawah ke dalam.

Menurut anatominya ISPA dibedakan menjadi ISPA bagian atas dan ISPA

bagian bawah. Adapun yang menjadi penyakit ISPA bagian atas adalah : pilek

(nasofaringitis), otitis media, faringitis akut (tonsilitis akut). Sedangkan yang menjadi

penyakit ISPA bagian bawah adalah: laringitis, bronkitis, pneumonia.

Hampir seluruh kematian karena ISPA pada anak kecil disebabkan oleh ISPA

bagian bawah, yaitu pneumonia. Akan tetapi, tidak semua infeksi saluran pernafasan

bawah akut dapat menjadi serius, sebagai contoh: bronkitis relatif sering terjadi dan

jarang fatal. Sedangkan untuk ISPA bagian atas mengakibatkan kematian pada anak

dalam jumlah kecil. Kunci untuk mengurangi kematian ISPA adalah dengan

memastikan adanya akses yang lebih baik pada penanganan kasus pneumonia tepat

pada waktunya. (Widjaja, 2003)

2.1.4. Cara Penularan Penyakit ISPA

ISPA dapat ditularkan melalui air ludah, bersin, udara pernapasan yang

mengandung kuman yang terhirup oleh orang sehat ke saluran pernapasannya.

(Depkes RI, 2004)

(19)

Menurut Amin (1989) yang dikutip oleh Chahaya (2005) timbulnya penyakit

ISPA dipengaruhi oleh beberapa faktor yaitu kuman penyebab penyakit (agent),

pejamu (host), dan kondisi lingkungan (environtment).

1) Faktor Agent (Bibit Penyakit)

Infeksi saluran pernafasan akut sebagian besar disebabkan oleh Streptococcus

pneumonia dan Haemophylus influenzae.

2) Faktor Host (Pejamu)

Faktor host yang mempengaruhi timbulnya penyakit ISPA adalah:

a. Umur

Hasil analisis faktor risiko membuktikan bahwa faktor usia merupakan salah

satu faktor risiko untuk terjadinya kematian. Semakin tua usia balita yang sedang

menderita ISPA, semakin kecil risiko meninggal dibandingkan dengan usia muda.

Dari hasil penelitian Lubis dkk (1996) didapatkan bahwa anak yang berumur

1-2 tahun lebih peka 5 kali terkena ISPA dibandingkan anak usia 5 tahun. Ini

disebabkan karena anak yang berumur 1-2 tahun tingkat kekebalan tubuhnya lebih

rendah dari pada anak usia 5 tahun.

b. Status Gizi

Defisiensi gizi sering dihubungkan dengan infeksi. Infeksi bisa berhubungan

dengan gangguan gizi melalui beberapa cara yaitu: mempengaruhi nafsu makan,

dapat juga menyebabkan kehilangan bahan makanan karena diare/muntah-muntah

atau mempengaruhi metabolisme makanan. Secara umum, defisiensi gizi sering

(20)

Keadaan gizi buruk muncul sebagai faktor risiko yang penting untuk ISPA.

Menurut Martin yang dikutip oleh Djaja (1999), membuktikan adanya hubungan

antara gizi buruk dengan infeksi paru sehingga anak-anak yang bergizi buruk sering

mendapat ISPA.

Menurut Kartasasmita (1993), diketahui bahwa prevalensi ISPA cenderung

lebih tinggi pada anak dengan status gizi kurang. Beberapa penelitian terdahulu

menunjukkan bahwa malnutrisi merupakan faktor risiko penting untuk ISPA. Anak

yang menderita malnutrisi berat dan kronis lebih sering terkena ISPA dibandingkan

anak dengan berat badan normal.

c. Daya Tahan Pejamu

Telah diketahui secara teoritis, bahwa imunisasi adalah cara untuk

menimbulkan kekebalan terhadap berbagai penyakit. Imunisasi yang tidak memadai

merupakan faktor risiko yang dapat meningkatkan insiden ISPA terutama pneumonia,

sehingga faktor anak yang diimunisasi sangat menentukan dalam tingginya angka

insidens pneumonia. Anak yang belum pernah diimunisasi campak lebih berisiko

terhadap terjadinya kematian karena ISPA pada balita yang menderita ISPA.

Selain imunisasi, ASI juga berperan terhadap menjaga kekebalan tubuh dari

berbagai penyakit, karena ASI mengandung zat anti yang dapat mencegah infeksi.

Menurut Kartasasmita (1993), melaporkan bahwa pemberian ASI dapat melindungi

bayi terhadap ISPA seperti juga terhadap diare. Prevalensi ISPA lebih tinggi pada

bayi yang tidak diberi ASI.

(21)

Kondisi kesehatan lingkungan perumahan yang tidak memenuhi syarat

kesehatan dapat menjadi faktor timbulnya penyakit ISPA. Menurut Achmadi, yang

dikutip oleh Chahaya (2005) kelembaban udara dalam rumah berkaitan erat dengan

ventilasi yang tidak memenuhi syarat kesehatan. Udara yang lembab akan

menimbulkan gangguan kesehatan penghuninya terutama gangguan pernafasan. Bila

kelembaban ruangan makin tinggi, ini merupakan sarana perkembangbiakan yang

baik untuk bakteri sehingga memudahkan terjadinya penularan penyakit ISPA.

Selain itu suhu berhubungan erat dengan kelembaban dalam rumah. Untuk

mendapatkan suhu yang optimum harus mempunyai ventilasi minimal 10 persen dari

luas lantai. Menurut Lubis (1985) yang dikutip oleh Chahaya (2005) ventilasi yang

cukup berguna untuk menghindarkan dari pengaruh buruk yang dapat merugikan

kesehatan manusia. Kurangnya ventilasi akan menyebabkan kurangnya oksigen dan

udara segar di dalam rumah, menyebabkan naiknya kelembaban udara, selain itu

dapat menyebabkan terakumulasinya polutan bahan pencemar di dalam rumah

khususnya kamar tidur sehingga memudahkan terjadinya penularan penyakit terutama

gangguan pernafasan. Hal ini juga sesuai dengan penelitian Marvin (2002) yang

dikutip oleh Chahaya (2005) yang menyatakan ada hubungan antara ventilasi dengan

kejadian ISPA.

Penggunaan obat nyamuk bakar sebagai alat untuk menghindari gigitan

nyamuk dapat menyebabkan gangguan saluran pernafasan karena menghasilkan asap

(22)

merusak mekanisme pertahanan paru-paru sehingga mempermudah timbulnya

gangguan pernafasan.

Gangguan pernafasan pada balita yang menggunakan bahan bakar minyak

tanah lebih tinggi dari rumah yang menggunakan bahan bakar gas. Pemaparan yang

terjadi dalam rumah juga tergantung pada lamanya orang berada di dapur atau

ruangan lain yang telah terpapar bahan pencemar. (Chahaya, 2005)

Kepadatan di dalam kamar terutama kamar balita yang tidak sesuai dengan

standar akan menimbulkan ruangan penuh sesak. Kepadatan hunian dapat

mempengaruhi kualitas udara di dalam rumah, dimana semakin banyak jumlah

penghuni maka akan semakin cepat udara di dalam rumah mengalami pencemaran.

Hal ini sesuai dengan penelitian Achmadi (1990) yang dikutip oleh Chahaya (2005)

bahwa rumah yang padat seringkali menimbulkan gangguan pernafasan terutama

pada anak.

2.1.6. Pencegahan Penyakit ISPA

Dalam usaha mencegah penyakit ISPA, peran serta yang aktif dari masyarakat

atau keluarga terutama ibu rumah tangga, karena ISPA sangat dipengaruhi oleh

keadaan kebersihan lingkungan di dalam dan di luar rumah. Beberapa upaya untuk

mencegah penyakit ISPA adalah: (Depkes RI, 2005)

1. Memberikan imunisasi yang lengkap pada anak.

Untuk mencegah ISPA dapat dilakukan dengan pemberian imunisaasi yaitu

imunisasi campak pada anak usia 9 bulan.

(23)

Dalam memperbaiki gizi anak, ibu sebaiknya diberikan petunjuk tentang

cara-caranya. Keadaan gizi seseorang merupakan suatu faktor penting bagi

timbulnya ISPA.

3. Menjauhkan anak dari penderita ISPA.

4. Menjaga agar lingkungan tempat tinggal tetap bersih dan menjaga kebersihan

perorangan.

2.2. Peramalan

2.2.1. Pengertian Peramalan

Peramalan (forecasting) pada dasarnya merupakan dugaan atau perkiraan

mengenai terjadinya suatu kejadian atau peristiwa di waktu yang akan datang.

(Supranto, 2000)

Peramalan merupakan dasar untuk penyusunan rencana. Efektif tidaknya

suatu rencana yang disusun, sangat ditentukan oleh kemampuan para penyusunnya

untuk meramalkan situasi dan kondisi pada saat rencana itu dilaksanakan.

2.2.2. Kegunaan Peramalan

Dalam usaha mengetahui atau melihat perkembangan dimasa depan,

peramalan dibutuhkan untuk menentukan kapan suatu peristiwa akan terjadi atau

suatu kebutuhan akan timbul; sehingga dapat dipersiapkan kebijakan atau

(24)

Kegunaan peramalan terlihat pada saat pengambilan keputusan. Keputusan

yang baik adalah keputusan yang didasarkan atas pertimbangan apa yang akan terjadi

pada waktu keputusan itu dilaksanakan. Walaupun demikian perlu disadari bahwa

suatu ramalan adalah tetap ramalan, dimana selalu ada unsur kesalahannya. Sehingga

yang penting diperhatikan adalah usaha untuk memperkecil kemungkinan

kesalahannya tersebut. (Assauri,1984)

2.2.3. Jenis-Jenis Peramalan

Pada umumnya peramalan dapat dibedakan dari beberapa segi tergantung dari

cara melihatnya. Peramalan dapat dibedakan berdasarkan sifat penyusunnya, jangka

waktu ramalan dan sifat ramalan yang disusun.

1. Jenis peramalan dilihat dari sifat penyusunnya

Peramalan dapat dibedakan atas dua macam, yaitu:

a. Peramalan yang subjektif, yaitu peramalan yang didasarkan atas perasaan atau

intuisi dari orang yang menyusunnya. Dalam hal ini pandangan atau

“judgement” dari orang yang menyusunnya sangat menentukan baik tidaknya

hasil ramalan tersebut.

b. Peramalan yang objektif, adalah peramalan yang didasarkan atas data yang

relevan pada masa lalu, dengan menggunakan teknik-teknik dan

metode-metode dalam penganalisaan data tersebut.

2. Jenis peramalan dilihat dari jangka waktu ramalan yang disusun

(25)

a. Peramalan jangka panjang, yaitu peramalan yang dilakukan untuk penyusunan

hasil ramalan yang jangka waktunya lebih dari satu setengah tahun atau tiga

semester.

b. Peramalan jangka pendek, yaitu peramalan yang dilakukan untuk penyusunan

hasil ramalan dengan jangka waktu yang kurang dari satu setengah tahun atau

tiga semester. Peramalan seperti ini diperlukan dalam penyusunan rencana

tahunan, rencana kerja operasional, dan anggaran.

3. Jenis peramalan dilihat dari sifat ramalan yang disusun

Peramalan dapat dibedakan atas dua macam, yaitu :

a. Peramalan kualitatif, yaitu peramalan yang didasarkan atas data kualitatif

pada masa lalu.

b. Peramalan kuantitatif, yaitu peramalan yang didasarkan atas data kuantitatif

pada masa lalu.

Peramalan kuantitatif hanya dapat digunakan apabila terdapat tiga kondisi

sebagai berikut :

1. Adanya informasi tentang keadaan yang lain ;

2. Informasi tersebut dapat dikuantifikasikan dalam bentuk data;

3. Dapat diasumsikan bahwa pola yang lalu akan berkelanjutan pada

masa yang akan datang.

2.2.4. Metode Peramalan

Metode peramalan adalah cara memperkirakan secara kuantitatif apa yang

(26)

Metode peramalan sangat berguna, karena akan membantu dalam

mengadakan pendekatan analisa terhadap tingkah laku atau pola dari data yang lalu,

sehingga dapat memberikan cara pemikiran, pengerjaan dan pemecahan yang

sistematis dan pragmatis, serta memberikan tingkat keyakinan yang lebih besar atas

ketepatan hasil ramalan yang dibuat.

Pada dasarnya metode peramalan kuantitatif ini dapat dibedakan atas:

(Assauri, 1984)

I. Metode peramalan yang didasarkan atas penggunaan analisa pola hubungan

antara variabel yang akan diperkirakan dengan variabel waktu, yang merupakan

deret waktu (time series).

II. Metode peramalan yang menggunakan analisa pola hubungan antara variabel

yang diperkirakan dengan variabel lain yang mempengaruhi, yang bukan waktu,

atau dikenal dengan metode sebab akibat (“causal methods”) atau korelasi, terdiri

dari:

a. Metode regresi dan korelasi

b. Model ekonometri untuk peramalan jangka pendek dan jangka panjang

c. Model input output untuk proyeksi trend ekonomi jangka panjang.

Deret Waktu (Time Series)

Dalam time series (Y) terdapat beberapa komponen yaitu:

1. Trend jangka panjang (trend sekuler)

(27)

3. Variasi musim (seasonal variation)

4. Variasi tak beraturan (irregular variation)

Model time series yang biasa digunakan adalah mengalikan keempat komponen tersebut, dengan persamaan sebagai berikut:

Dimana, Y = time series

T = trend jangka panjang (trend sekuler)

C = Variasi siklis (cyclical variation)

S = Variasi musim (seasonal variation)

I = Variasi tak beraturan (irregular variation)

1. Trend jangka panjang (Trend Seculer)

Trend jangka panjang (trend sekuler) yaitu suatu gerakan yang menunjukkan

arah perkembangan secara umum (kecenderungan menaik/menurun). Trend jangka

panjang disimbolkan dengan T.

Trend sekuler memiliki bentuk berupa garis meningkat dan menurun.

Y= f(x) Y= f(x)

(28)

Waktu X (waktu) Waktu X (waktu)

Gambar 2.1 Kurva Trend 2. Variasi siklis (Cyclical Variation)

Variasi siklis adalah gerakan jangka panjang di sekitar garis trend. Variasi

siklis bisa terulang setelah jangka waktu tertentu, bisa juga tidak terulang dalam

jangka waktu yang sama.Variasi siklis disimbolkan dengan C.

Dalam bentuk grafik, variasi siklis dapat digambarkan sebagai berikut :

Y=f (x)

Garis trend

Gerakan siklis X (waktu)

Gambar 2.2 Kurva gerakan/variasi siklis 3. Variasi Musiman (Seasonal variation)

Variasi musim adalah gerakan yang mempunyai pola tetap dari waktu ke

waktu. Pada umumnya variasi musim terjadi pada data bulanan yang dikumpulkan

dari tahun ke tahun, akan tetapi berlaku juga bagi data harian, mingguan atau satuan

waktu yang lebih kecil lagi. Variasi musim disimbolkan dengan S.

Pola variasi musim dinyatakan dalam bentuk angka indeks yang disebut

indeks musiman. Indeks musiman dapat diketahui dengan metode rasio terhadap

(29)

Metode rasio terhadap trend menggunakan nilai-nilai trend sebagai dasar

perhitungan. Langkah-langkah penyelesaian dengan metode rasio terhadap trend

adalah sebagai berikut:

a. Menentukan persamaan trend tahunan dengan metode least square.

b. Mengubah persamaan trend tahunan menjadi persamaan trend bulanan.

Trend bulanan adalah trend dari bulan ke bulan, misalnya dari bulan Januari

ke bulan Februari dan dari bulan Maret ke bulan april. Sama halnya trend

tahunan yang merupakan trend dari tahun ke tahun. Dari trend tahunan (satuan

X-nya tahun) bias dibuat menjadi trend bulanan (satuan X-nya bulan)

dilakukan dengan cara membagi nilai a dengan 12 dan nilai b dengan 122

atau 144.

Jika persamaan trend tahunan Yi = a + bXi

Maka persamaan trend bulanan adalah Yi = 12

a +

144 b

Xi

c. Menentukan nilai-nilai trend untuk masing-masing bulan, dengan persamaan:

Yi = 12

a

+ 144

b

Xi

d. Menyatakan data berkalanya (Yi) sebagai persentase terhadap nilai trend.

e. Lalu dijumlahkan untuk masing-masing bulan.

f. Menentukan rata-rata setiap bulan.

g. Jumlahkan rata-rata bulan Januari sampai Desember

(30)

Indeks Musim = rata-rata x

rata totalrata−

1200

Maka peramalan dengan menggunakan trend dan indeks musim :

Ramalan = T x 100

S

Dimana, T = Trend bulanan

S = Indeks musiman

Variasi musim biasanya disebabkan pengaruh-pengaruh, seperti musiman dan

kebiasaan. Variasi musiman dapat digambarkan sebagai berikut:

Y= f(x)

[image:30.612.112.511.304.466.2]

X (waktu)

Gambar 2.3 Kurva Variasi musiman 4. Variasi Tidak Beraturan (Irregular variation )

Variasi tidak beraturan adalah variasi atau gerakan yang sifatnya sporadis.

Variasi ini merupakan gerakan naik turun yang tidak dapat diduga sebelumnya dan

terjadi secara acak. Variasi ini dapat digambarkan sebagai berikut: (Supranto, 2000)

(31)

Gambar 2.4 Kurva Variasi Irreguler X (waktu)

Metode peramalan dengan menggunakan analisa pola hubungan antara

variabel yang akan diperkirakan dengan variabel waktu, atau analisa deret waktu,

terdiri dari:

1. Metode Smoothing

Metode smoothing mencakup metode data lewat (past data), metode rata-rata

bergerak (moving average) dan metode exponential smoothing. Ini merupakan

metode yang dipergunakan untuk melicinkan (smoothing) dan mengurangi fluktuasi

ramalan. Ketepatan dari peramalan dengan metode ini akan terdapat pada peramalan

jangka pendek, sedangkan untuk peramalan jangka panjang kurang ketepatannya.

Data yang dibutuhkan untuk penggunaan metode peramalan ini minimum selama dua

tahun.

A. Metode Data Lewat (Past Data)

Metode data lewat (past data)ini merupakan metode peramalan jangka pendek

yang paling sederhana. Penyusunan ramalan didasarkan pada data yang lewat. Hasil

ramalan ini menggunakan pola fluktuasi data yang diobservasi pada suatu periode,

untuk ramalan satu periode di masa depan. Oleh karena fluktuasi yang besar dapat

menimbulakn penyimpangan ramalan yang cukup besar pula. (Assauri, 1984)

(32)

Dengan moving average (rata-rata bergerak) ini kita melakukan peramalan

dengan mengambil sekelompok nilai pengamatan, mencari rata-ratanya, lalu

menggunakan rata-rata tersebut sebagai ramalan untuk periode berikutnya.

1. Single Moving Average

Menentukan ramalan dengan metode single moving average cukup mudah dilakukan. Persamaan matematis dari moving average adalah:

F_t₊₁ =

N

X X

X

Xt + t−1 + t−2...+ t−N+1

F_t₊₁ = ramalan untuk periode ke _t₊₁

X_t = data pada periode ke t

N = jangka waktu rata-rata bergerak

2. Double Moving Average

Menentukan ramalan dengan metode double moving average sedikit lebih

sulit dibandingkan dengan metode single moving average. Ada beberapa

langkah dalam menentukan ramalan dengan metode double moving average,

yaitu:

a. Menghitung moving average/rata-rata bergerak pertama, diberi simbol s1_t.

Ini dihitung dari data historis yang ada. Hasilnya diletakkan pada periode

terakhir moving average pertama.

b. Menghitung moving average/rata-rata bergerak kedua, diberi symbol s11

t .

Ini dihitung dari rata-rata bergerak pertama. Hasilnya diletakkan pada

periode terakhir moving average kedua.

(33)

at = s

1

t + (s

1

t - s

11

t )

d. Menentukan besarnya nilai b_t (slope)

bt =

1 ) (

2 1 11

− −

V s st t

V adalah jangka waktu moving average

e. Menentukan besarnya forecast

F_t₊_m = a_t + bt(m)

m adalah jangka waktu forecast ke depan.

C. Exponential Smoothing

Metode exponential smoothing merupakan pengembangan dari metode

moving average. Dalam metode ini peramalan dilakukan dengan mengulang

perhitungan secara terus-menerus dengan menggunakan data terbaru. Setiap data

diberi bobot, data yang lebih baru diberi bobot yang lebih besar.

Dua metode dalam exponential smoothing diantaranya single exponential

smoothing dan double exponential smoothing.

1. Single Exponential Smoothing

Pada metode ini bobot yang diberikan pada data yang ada adalah sebesar α

untuk data yang terbaru, α (1-α) untuk data yang lama, α (1-α)2 untuk data yang

lebih lama, demikian seterusnya. Besarnya α adalah antara 0 dan 1. Semakin

mendekati 1 berarti data terbaru lebih diperhatikan.

Secara matematis besarnya forecast adalah:

(34)

F_t₊₁ : Ramalan untuk periode ke t + 1

X_t : Nilai riil periode ke t

Ft : Ramalan untuk periode ke t

Dari persamaan tersebut besarnya forecast periode yang akan datang

dijelaskan sebagai berikut:

F_t₊₁ = α X_t + (1-α) F_t

F_t₊₁ = α X_t + F_t- α F_t

Ft+1 = Ft + α Xt- α Ft

F_t₊₁ = F_t + α (X_t - F_t)

(X_t - F_t) merupakan kesalahan forecast atau forecast error periode ke t. Dengan

demikian dapat dikatakan bahwa forecast pada periode yang akan datang adalah

ramalan periode sebelumnya ditambah α (alpha) dikalikan dengan kesalahan forecast

periode sebelumnya.

Dalam melakukan peramalan dengan metode single exponential smoothing

besarnya α (alpha) ditentukan secara trial dan error sampai diketemukan α yang

menghasilkan forecast error terkecil.

(35)

Pada metode ini proses penentuan ramalan dimulai dengan menentukan

besarnya alpha secara trial dan error. Sedangkan tahap-tahap dalam menentukan

ramalan adalah sebagai berikut: (Gitusudarmo, 2001)

a. Menentukan smoothing pertama (S'_t)

S'_t = α X_t + (1-α) S'_t₋₁

S't : smoothing pertama periode t

X_t : nilai riil periode t

S_t₋₁ : smoothing pertama periode t-1

b. Menentukan smoothing kedua (S"_t)

S"t = α S

'

t + (1-α) S

" 1 −

t

S"_t₋₁ : smoothing kedua periode t-1

c. Menentukan besarnya konstanta (at)

at = 2 S_t' - S"_t

d. Menentukan besarnya slope (bt)

bt =

α α −

1 (S

'

t - S

"

t)

e. Menentukan besarnya forecast ( F_t₊_m)

F_t₊_m= a_t + b_t (m)

(36)

Dari beberapa metode smoothing yang telah dijelaskan, ketepatan dari

ramalan yang dilakukan dengan metode rata-rata bergerak adalah rendah. Oleh

karena alasan tersebut, maka dalam praktek metode atau teknik rata-rata bergerak

tidak dipergunakan secara ekstensif dalam penyusunan ramalan. Sehingga terdapat

usaha mencari metode dan teknik lain yang lebih baik, yang dikenal dengan metode

exponential smoothing.

2. Metode Box Jenkins

Metode ini menggunakan dasar deret waktu dengan model matematis, agar

kesalahan yang terjadi dapat sekecil mungkin. Metode ini sangat baik ketepatannya

(accuracy) untuk peramalan jangka pendek, sedangkan untuk peramalan jangka

panjang ketepatannya kurang baik. Data yang dibutuhkan untuk penggunaan metode

peramalan ini minimum dua tahun.

3. Metode Proyeksi Trend dengan Regresi

Metode ini merupakan garis trend untuk suatu persamaan matematis, sehingga

dengan dasar persamaan tersebut dapat diproyeksikan hal yang diteliti untuk masa

depan. Untuk peramalan jangka pendek maupun jangka panjang, ketepatan peramalan

dengan metode ini sangat baik. Data yang dibutuhkan untuk penggunaan metode

peramalan ini adalah data tahunan, dan makin banyak data yang dimiliki makin lebih

baik, serta minimum data tahunan yang harus ada adalah lima tahun.

Untuk memproyeksikan hal yang diteliti, terlebih dahulu trend ditentukan.

Untuk menentukan nilai trend dapat digunakan beberapa cara yaitu: metode tangan

(37)

bergerak (moving average) dan metode kuadrat terkecil (least square). (Assauri,

1984)

1) Metode Tangan Bebas (free Hand)

Pembuatan trend bebas dilakukan tanpa menggunakan formula matematis.

Pada metode ini garis trend ditentukan secara bebas, tetapi tidak berarti ditentukan

tanpa pertimbangan-pertimbangan tertentu. Namun demikian penentuan garis trend

tetap sangat subyektif, yang setiap orang mempunyai pertimbangan sendiri-sendiri.

(Gitusudarmo, 2001).

Langkah-langkah untuk menentukan garis trend dengan menggunakan metode

tangan bebas adalah sebagai berikut:

a. Buat sumbu tegak Y dan sumbu mendatar X.

b. Buat scatter diagram yaitu kumpulan titik-titik koordinat (X, Y), X = variabel

waktu.

c. Dengan jalan observasi atau pengamatan langsung terhadap bentuk scatter

diagram tariklah garis yang mewakili atau paling tidak mendekati semua titik

koordinat yang membentuk scatter diagram tersebut.

Misalnya Y = data berkala, X = waktu (tahun, bulan, dan lain sebagainya).

Y: Y1, Y2, …, Yi, …, Yn

X : X1, X2, …, Xi, …, Xn

Cara menarik garis trend tangan bebas merupakan cara yang paling mudah

akan tetapi sifatnya sangat subyektif, maksudnya kalau ada lebih dari satu orang

(38)

dari satu. Sebab masing-masing orang mempunyai pilihan sendiri sesuai dengan

anggapannya, garis mana yang mewakili scatter diagram tersebut. (Supranto, 2000)

2) Metode Setengah rata-Rata (Semiaverage Methode)

Dengan metode setengah rata-rata nilai trend sudah mulai ditentukan dengan

perhitungan-perhitungan, yang berarti unsur subjektif mulai berkurang. Penentuan

trend dengan metode setengah rata-rata dengan prosedur sebagai berikut:

a. Data yang ada dibagi menjadi dua kelompok dengan jumlah yang

sama

b. Tahun dasar ada pada tengah-tengah kelompok I

c. Pada masing-masing kelompok ditentukan nilai X, semitotal dan

semiaverage

d. Jumlah nilai X pada kelompok I harus nol

e. Proyeksi (forecast) di tahun yang akan datang tergantung berapa

besarnya nilai X

Nilai trend dihitung dengan formula Y = a + bX

Dimana:

a = rata-rata kelompok I

b =

n

I kelompok rata

-rata II kelompok rata

-rata −

n = jumlah data masing-masing kelompok

(39)

Menggambarkan atau menentukan garis trendnya dengan cara

menghubungkan dua nilai rata-rata yang diketahui dalam suatu diagram. Garis itulah

yang menjadi garis trend. (Gitusudarmo, 2001)

3) Metode Rata-Rata Bergerak (Moving Average)

Metode rata-rata bergerak adalah metode yang banyak digunakan untuk

menentukan trend dari suatu data deret waktu. Dengan menggunakan metode rata-rata

bergerak ini, deret berkala dari data asli diubah menjadi deret rata-rata bergerak yang

lebih mulus dan tidak terlalu tergantung pada osilasi sehingga lebih memungkinkan

untuk menunjukkan trend dasar atau siklus dalam pola data sepanjang waktu.

Dengan menggunakan metode rata-rata bergerak ini, nilai yang dimuluskan

pada titik waktu t dari pengukuran respon selama periode waktu M (y_t). Secara

umum ditentukan melalui perhitungan sebagai berikut :

M y

y_t = _t₋₁+ pengamatanyangakan datang−pengamatan terjauh

Keterangan : y_t : respon proses pada saat t

y_t₋₁ : respon proses pada saat t-1, dan seterusnya

M : periode waktu

Penggunaan nilai M yang ganjil memberikan keuntungan tersendiri karena

terhadap nilai aslinya dapat diperoleh pembanding yang dihasilkan dari rata-rata

bergerak. Apabila M yang digunakan adalah bilangan genap, rata-rata bergerak akan

(40)

4) Metode Kuadrat Terkecil (Least Square)

Aplikasi metode jumlah kuadrat terkecil untuk data deret waktu ditujukan

untuk melihat trend dari data deret waktu. Model yang digunakan bisa berbentuk

linier atau kurvilinier. (Sugiarto, 2000)

Model trend linier deret waktu ditentukan sebagai berikut:

Yi = a + bXi

Keterangan : Yi = Nilai trend untuk periode tertentu

Yi = a, jika Xi = 0

b = Kemiringan garis trend, artinya besarnya perubahan Yi jika

perubahan satu besaran periode waktu

Xi = Kode periode waktu

Dengan metode ini, nilai a dan b dari persamaan trend linier di atas ditentukan

dengan rumus: (Supranto, 2000)

a = n Yi

∑ b = ₂

Xi XiYi

∑

(41)

Catatan Bulanan Program P2ISPA

- Jumlah penderita ISPA secara keseluruhan pada bayi <1 tahun dan balita 1-4 tahun, tahun 2002-2006

- Jumlah penderita berdasarkan klasifikasinya:

 Pneumonia pada Bayi (<1 tahun) dan Anak usia 1-4 tahun.

 Pneumonia berat pada Bayi (<1 tahun) dan Anak usia 1-4 tahun.

 Bukan Pneumonia pada Bayi (< 1 tahun) dan Anak usia 1-4 tahun. Trend Jangka Panjang (-) Trend Jangka Panjang (+) Double Exponential Smoothing

1. Faktor Trend 2. Gerakan/Variasi

musiman

- Ramalan Jumlah penderita ISPA secara keseluruhan pada bayi <1 tahun dan balita 1-4 tahun, tahun 2007-2011 - Ramalan Jumlah penderita berdasarkan

klasifikasinya:

 Pneumonia pada Bayi (<1 tahun) dan Anak usia 1-4 tahun, tahun 2007-2011

 Pneumonia berat pada Bayi (<1 tahun) dan Anak usia 1-4 tahun, tahun 2007-2011

 Bukan Pneumonia pada Bayi (< 1 tahun) dan Anak usia 1-4 tahun, tahun 2007-2011

- Ramalan Jumlah penderita ISPA secara keseluruhan pada bayi <1 tahun dan balita 1-4 tahun, tahun 2007

- Ramalan Jumlah penderita berdasarkan klasifikasinya:

 Pneumonia pada Bayi (<1 tahun) dan Anak usia 1-4 tahun, tahun 2007

 Pneumonia berat pada Bayi (<1 tahun) dan Anak usia 1-4 tahun, tahun 2007

(42)

BAB III

METODE PENELITIAN

3.1. Jenis Penelitian

Jenis penelitian ini bersifat deskriptif dengan metode analisis Time Series.

3.2. Lokasi dan Waktu Penelitian

Penelitian ini dilakukan di Kota Medan. Penelitian ini dilakukan pada bulan

Juli sampai September 2007.

3.3. Populasi dan Sampel

Populasi dalam penelitian ini adalah data penderita ISPA pada bayi < 1 tahun

dan balita 1-4 tahun di kota Medan. Dan yang menjadi sampel dalam penelitian

adalah data penderita ISPA pada bayi < 1 tahun dan balita 1-4 tahun di kota Medan

pada tahun 2002-2006.

3.4. Metode Pengumpulan Data

Data yang dikumpulkan adalah data sekunder yaitu data penderita ISPA yang

diperoleh dari catatan bulanan program pemberantasan dan pencegahan ISPA sejak

bulan Januari 2002 sampai dengan bulan Desember tahun 2006 di Kantor Dinas

Kesehatan Kota Medan.

3.5. Definisi Operasional Variabel

Pada penelitian ini yang menjadi variabel terikat (dependent variable) adalah

jumlah penderita ISPA, sedangkan variabel bebasnya (independent variable) adalah

(43)

Definisi untuk setiap variabel adalah sebagai berikut:

1. Catatan Bulanan Program P2 ISPA merupakan catatan penderita ISPA pada

laporan program P2 ISPA setiap bulan pada tahun 2002-2006.

2. Jumlah penderita ISPA secara keseluruhan pada bayi < 1 tahun dan anak usia

1-4 tahun adalah data jumlah keseluruhan penderita ISPA dengan pneumonia,

pneumonia berat dan bukan pneumonia pada bayi <1 tahun dan anak usia 1-4

tahun yang tercatat pada catatan bulanan Program P2 ISPA pada tahun

2002-2006.

3. Jumlah penderita pneumonia pada bayi < 1 tahun dan anak usia 1-4

tahun adalah data jumlah penderita ISPA dengan klasifikasi pneumonia pada

bayi < 1 tahun dan anak usia 1-4 tahun yang tercatat pada catatan bulanan

program P2 ISPA pada tahun 2002-2006.

4. Jumlah penderita pneumonia berat pada bayi < 1 tahun dan anak usia 1-4

tahun adalah data jumlah penderita ISPA dengan klasifikasi pneumonia berat

pada bayi < 1 tahun dan balita 1-4 tahun yang semuanya tercatat pada laporan

bulanan program P2 ISPA pada tahun 2002-2006.

5. Jumlah penderita bukan Pneumonia pada bayi < 1 tahun dan anak usia 1-4

tahun adalah data jumlah penderita ISPA dengan klasifikasi bukan

pneumonia pada bayi kurang dari 1 tahun dan anak usia 1-4 yang tercatat pada

(44)

6. Trend jangka panjang (+) adalah kecenderungan data penderita ISPA untuk

jangka waktu lima tahun.

7. Trend jangka panjang (-) adalah kecenderungan data penderita ISPA untuk

jangka waktu satu tahun.

8. Faktor Trend

Adalah trend yang variabel X- nya (periode waktu) berpangkat paling tinggi

satu. Trend linier memiliki bentuk persamaan berupa periode waktu

berpangkat paling tinggi satu. Trend linier memiliki bentuk persamaan berupa

persamaan garis lurus.

Trend ditentukan dengan metode kuadrat terkecil (least square method):

Keterangan :

Yi = Nilai trend untuk periode tertentu

Xi = Kode periode waktu

a = konstanta, nilai Yi = a, jika Xi = 0

b = Koefisien Xi

9. Faktor Seasonal Variation (variasi Musiman)

Peramalan dengan penyesuaian variasi musim dapat dilakukan dengan menggunakan indeks musiman. Langkah-langkah dalam menentukan indeks musiman dengan metode rasio terhadap trend:

a. Menentukan persamaan trend tahunan dengan metode least square. a =

n Yi

∑ b = ₂

Xi XiYi

∑ ∑

(45)

b. Mengubah persamaan trend tahunan menjadi persamaan trend bulanan.

Trend bulanan adalah trend dari bulan ke bulan, misalnya dari bulan Januari

ke bulan Februari dan dari bulan Maret ke bulan april. Sama halnya trend

tahunan yang merupakan trend dari tahun ke tahun. Dari trend tahunan (satuan

X-nya tahun) bisa dibuat menjadi trend bulanan (satuan X-nya bulan)

dilakukan dengan cara membagi nilai a dengan 12 dan nilai b dengan 122

atau 144.

Jika persamaan trend tahunan Yi = a + bXi

Maka persamaan trend bulanan adalah Yi = 12

a +

144 b

Xi

c. Menentukan nilai-nilai trend untuk masing-masing bulan, dengan persamaan:

Yi = 12

a

+ 144

b

Xi

d. Menyatakan data berkalanya (Yi) sebagai persentase terhadap nilai trend.

e. Lalu dijumlahkan untuk masing-masing bulan.

f. Menentukan rata-rata setiap bulan.

g. Jumlahkan rata-rata bulan Januari sampai Desember

h. Menentukan indeks musimnya.

Indeks Musim = rata-rata x

rata -rata total

1200

(46)

Apabila data yang diuji dengan regresi linier tidak signifikan, maka untuk

peramalannya menggunakan metode Double Exponential Smoothing.

Langkah-langkah menentukan double exponential smoothing adalah:

a. Menentukan smoothing pertama (S'_t)

S'_t = α X_t + (1-α) S'_t₋₁

S't : smoothing pertama periode t

α : berdasarkan nilai mean square error terkecil dari 0,1 sampai 0,9

Xt : nilai riil periode t

S' 1 −

t : smoothing pertama periode t-1

b. Menentukan smoothing kedua (S"_t)

S"_t = α S'_t + (1-α) S"_t₋₁

S"t : smoothing kedua periode t

S'_t : smoothing pertama periode t

S"_t₋₁ : smoothing kedua periode t-1

c. Menentukan besarnya konstanta (at)

at = 2 S

'

t - S

"

t

d. Menentukan besarnya slope (bt)

b_t s=

α α −

1 (S

'

t - S

"

t)

(47)

Xt = nilai riil periode t

Ft = Ramalan periode t

11.Ramalan penderita ISPA tahun 2007-2011

a. Hasil ramalan dari variabel dengan analisa data berkala (time series)

dengan memperhatikan faktor trend (T), faktor seasonal variation (S) adalah:

100 S T

Ramalan= × , dimana: T = Trend, S = indeks musiman

b. Hasil ramalan dari variabel dengan analisa data berkala (time series)

dengan metode Double Exponential Smoothing, dimana

Ramalan = a_t + b_t (m)

Dimana, a_t = konstanta

b_t = slope

m = jangka waktu ramalan

3.5. Teknik Analisis Data

Untuk melihat hubungan signifikan antara waktu dengan jumlah penderita

ISPA, dilakukan uji regresi. Hubungan yang signifikan tersebut dinyatakan dengan

nilai probabilitas. Jika probabilitas ≤0,05, waktu dengan jumlah penderita memiliki

(48)

dengan menggunakan analisis time series dengan menghitung nilai trend dan indeks

musiman. Sedangkan untuk nilai probabilitas >0,05 berarti tidak terdapat hubungan

linier yang signifikan antara waktu dengan jumlah penderita, sehingga data hanya

diramalkan satu tahun kedepan dengan menggunakan metode Double Exponential

Smoothing.

BAB IV

HASIL PENELITIAN

4.1. Gambaran Umum Kota Medan 4.1.1. Letak Geografis

Kota Medan sebagai ibu kota propinsi Sumatera Utara merupakan pusat

pemerintahan, pendidikan, kebudayaan dan perdagangan. Terletak di Pantai Timur

Sumatera dengan batas-batas sebagai berikut:

Sebelah Utara : Selat Malaka

Sebalah Selatan : Kabupaten Deli Serdang

Sebelah Timur : Kabupaten Deli Serdang

Sebelah Barat : Kabupaten Deli Serdang

Luas wilayah Kota Medan adalah 265,10 km2 terdiri dari : 21 kecamatan dan 151

kelurahan.

4.1.2. Kependudukan

Jumlah penduduk kota Medan tahun 2006 berdasarkan data dari Kantor

(49)

sebanyak 465.218 KK dan kepadatan penduduk rata-rata 7.798/km2. Daerah terpadat

penduduknya adalah Kecamatan Perjuangan yaitu 25.369 jiwa/km2 (luas wilayah:

40,9 km2). Sedangkan Kecamatan Labuhan merupakan daerah yang jarang

[image:49.612.114.528.297.443.2]

penduduknya yaitu 2.859 jiwa/km2 ( luas wilayah: 36,67 km2).

Tabel 4.1. Jumlah Penduduk kota Medan Berdasarkan Jenis Kelamin dan Kelompok Umur Tahun 2006

Kelompok Umur

Laki-laki Persen Perempuan Persen

< 1 tahun 18.632 1,81 17.677 1,70

1-4 tahun 84.708 8,24 79.554 7,65

5-14 tahun 208.072 20,25 196.799 18,93

15-44 tahun 560.314 54,53 588.176 56,57

45-64 tahun 128.389 12,49 124.477 11,97

≥ 65 tahun 27.492 2,68 32.998 3,17

Jumlah 1.027.607 100,00 1.039.681 100,00

Sumber: Profil Kesehatan Kota Medan Tahun 2006

Berdasarkan tabel di atas terlihat bahwa penduduk terbanyak pada kelompok

umur 15-44 tahun dimana jumlah penduduk laki-laki sebanyak 560.314 orang (54,53

%) dan perempuan sebanyak 588.176 orang (56,57 %). Sedangkan jumlah bayi (< 1

tahun), laki-laki ada sebanyak 18.632 orang (1,81 %) dan perempuan ada sebanyak

17.677 orang (1,70 %). Anak balita 1-4 tahun, laki-laki berjumlah 84.708 orang (8,24

%) dan perempuan sebanyak 79.554 orang (7,65 %).

4.1.3. Fasilitas Kesehatan

Di Kota Medan terdapat fasilitas kesehatan yang terdiri dari rumah sakit

(50)

sakit khusus lainnya (3 unit), puskesmas (39 unit) dimana puskesmas rawat inap (11

unit) dan puskesmas non rawat inap (28 unit), puskesmas pembantu (40 unit),

ppuskesmas keliling (30 unit), posyandu 1396 unit. Dengan jumlah tenaga kesehatan

di Dinas Kesehatan Kota Medan ada sebanyak 1.650 orang yang terdiri dari: dokter

spesialis, dokter umum, dokter gigi, S2, tenaga kesehatan masyarakat, tenaga sanitasi,