1
BAB I
PENDAHULUAN
Bab ini akan membahas tentang latar belakang, rumusan masalah, keaslian penelitian, tujuan penelitian, manfaat penelitian, batasan masalah, dan sistematika penulisan.
1.1 Latar Belakang
Penyakit Demam Berdarah Dengue (DBD) masih merupakan salah satu masalah kesehatan masyarakat yang utama di Indonesia. Data dari seluruh dunia menunjukkan Asia menempati urutan pertama dalam jumlah penderita DBD setiap tahunnya. Sementara itu, terhitung sejak tahun 1968 hingga tahun 2009, World Health Organization (WHO) mencatat Indonesia sebagai negara dengan kasus DBD tertinggi di Asia Tenggara [1]. Selain itu, berdasarkan data Rumah Sakit Charitas Palembang, jumlah penderita penyakit DBD cenderung meningkat dari tahun ke tahun pada bulan-bulan tertentu. Hal tersebut terjadi karena kurangnya pengetahuan masyarakat tentang kapan waktu/bulan yang berpotensi terjadinya DBD, khususnya pada masyarakat Palembang. Faktor penyebab lainnya adalah kurangnya kesadaran masyarakat dalam mencegah timbulnya penyakit DBD tersebut.
Jumlah penderita penyakit DBD terus meningkat dari tahun ke tahun dikarenakan adanya ketidakpastian jumlah penderita penyakit tersebut dari tahun ke tahun. Untuk menyelesaikan masalah di masa depan yang tidak dapat dipastikan, orang-orang senantiasa berupaya menyelesaikannya dengan model pendekatan-pendekatan yang sesuai dengan perilaku aktual data yang ada, termasuk dalam melakukan peramalan. Peramalan tersebut memerlukan perencanaan dan penjadwalan dari data-data masa lampau dalam menentukan perkiraan hasil yang akurat. Data yang akan digunakan merupakan data bulanan dari Januari hingga Desember dalam mendukung peramalan untuk menentukan
2
perkiraan jumlah penderita DBD pada time series. Time series yang digunakan akan diambil dari RS Charitas Palembang, yaitu dalam jangka waktu 10 tahun terakhir.
Dalam prosesnya, peramalan tersebut tidak berdiri sendiri, melainkan didapatkan dari pengolahan analisis sebuah atau beberapa metode untuk mendapatkan hasil yang mendekati data aktualnya. Metode-metode yang digunakan dalam peramalan tersebut tidak dipilih secara acak, tetapi disesuaikan dengan data aktual yang ada. Metode yang digunakan dapat berupa metode untuk data musiman ataupun dari data historis tanpa musiman, tergantung dari pola yang muncul dari data RS Charitas Palembang.
Dengan melihat pola yang muncul dari data di RS Charitas Palembang, maka akan dibuat suatu analisis peramalan mengenai jumlah penderita penyakit DBD dari tahun ke tahun yang diteliti setiap bulannya. Manfaat lain dengan adanya peramalan tersebut, masyarakat dapat melakukan tindakan pencegahan secara dini seperti mewaspadai penyebaran penularan pada bulan-bulan yang berpotensi terjadi DBD, memperbanyak persediaan obat dan multivitamin, mengalokasikan sumber daya manusia lebih banyak daripada biasanya, dan pencegahan dari segi biaya.
Peramalan DBD telah banyak dilakukan di berbagai Negara seperti China, Bangladesh, India dengan menggunakan beberapa metode peramalan yang ada.
Salah satu contoh metode peramalan yang telah digunakan sebelumnya adalah SARIMA dan Neural Network yang merupakan bagian dari statistical model dan artificial model. Berdasarkan penelitian-penelitian sebelumnya, metode SARIMA memang sesuai untuk data musiman yang fluktuatif dilihat dari grafik yang ditampilkan di penelitian-penelitian tersebut. Dalam Neural Network yang merupakan artificial model lebih menampilkan penelitian berupa trial and error dari perubahan learning rate, momentum, maksimum iterasi, fungsi aktivasi bahkan pencarian nilai error dari neural network sendiri. Perbedaan keduanya ada pada jenis model perhitungannya, yaitu pada metode SARIMA tidak dilakukan proses pembelajaran yang terus-menerus hingga didapatkan error terendah karena merupakan model statistik yang melalui serangkaian perhitungan matematis. Di
3
sisi lain, Neural Network melakukan proses pembelajaran beberapa kali hingga didapatkan nilai error yang paling rendah.
1.2 Perumusan Masalah
Perumusan masalah yang dapat dirumuskan dalam penelitian ini adalah sebagai berikut.
a. Data korban DBD di RS Charitas Palembang tidak dijadikan bahan evaluasi sehingga pihak RS Charitas Palembang tidak mengetahui pola yang ada berdasarkan bulan-bulan yang signifikan;
b. Belum adanya peramalan korban DBD di RS Charitas Palembang pada tahun berikutnya;
c. Belum adanya perbandingan kinerja hasil peramalan antara statistical model dan artificial model pada RS Charitas Palembang.
1.3 Keaslian Penelitian
Penelitian mengenai peramalan korban DBD berdasarkan data masa lampau telah banyak dilakukan. Penelitian tersebut menggunakan time series selama beberapa tahun lalu dengan menggunakan metode peramalan. Metode- metode yang telah digunakan dapat berupa metode statistik, metode cerdas ataupun gabungan keduanya.
Liu, dkk. [2] meneliti mengenai peramalan gejala Demam Hemorrhagic di China menggunakan model ARIMA. Model ARIMA diterapkan dalam penelitian ini karena model ini paling banyak digunakan dalam teknik peramalan time series karena sifatnya yang terstruktur serta dapat mengoptimalkan pencegahan gejala HFRS. Selain itu, interval yang digunakan untuk mendapatkan angka peramalan tersebut adalah 1 tahun selama tahun 1978 hingga 2008. Saran untuk penelitian selanjutnya adalah menggunakan data bulanan dalam memprediksi gejala HFRS untuk mendapatkan pola musiman dan ketepatan prediksi yang lebih tinggi
Dalam Penelitian Gharbi, dkk. [3] memaparkan mengenai peramalan
4
gejala demam menggunakan variabel iklim pada time series. Pendekatannya menggunakan interval waktu 1 tahun, 3 bulan, dan 1 bulan agar didapat hasil perbandingan yang paling akurat. Hasil yang paling akurat adalah pendekatan dengan interval waktu 3 bulan dan variabel iklim yang terbaik untuk memprediksi gejala demam adalah temperatur. Metode yang digunakan adalah Box Jenkins dan SARIMA yang sesuai untuk memprediksi gejala demam dalam jangka waktu lama serta untuk membandingkan data-data tersebut dalam waktu 1 tahun, 3 bulan, dan 1 bulan.
Martinez, dkk. [4] melakukan penelitian untuk mengembangkan model time series dalam meramalkan wabah demam di Brazil berdasarkan data kejadian tahun 1998-2008. Penelitian ini menggunakan software R untuk melakukan perhitungan metode SARIMA yang dimulai dari penentuan grafik ACF dan PACF. Hasil model SARIMA yang didapatkan untuk meramalkan wabah demam pada tahun 2009 adalah (2,1,2) (1,1,1). Selain itu, hasil yang didapatkan menggunakan model SARIMA sesuai dengan data yang ada walaupun jenis virus yang didata berbeda dalam periode yang diteliti. Dalam penelitian selanjutnya, untuk hasil yang lebih akurat, dapat ditambahkan variabel meteorologi seperti suhu, tekanan, kelembapan, dan curah hujan ke dalam model yang digunakan
Menurut penelitian Medina, dkk. [5], peramalan terhadap Schistosoma Haematobium dilakukan dengan metode Exponential Smoothing. Penelitian ini dilakukan agar negara (Afrika) dapat terus berkembang sehingga dengan adanya peramalan gejala penyakit tersebut, negara dapat melakukan pencegahan Schistosoma Haematobium secara dini. Selain menggunakan Exponential Smoothing, penelitian ini juga menggunakan Mean Absolute Percentage Error untuk mendapatkan keakuratan hasil dengan tingkat error yang rendah. Saran yang dapat diberikan adalah menggunakan metode lebih dari satu sehingga dapat dibandingkan keakuratan hasil yang paling tepat.
Descloux, dkk. [6] meramalkan wabah DBD berdasarkan iklim, vektor Aedes Aegypti, dan wabahnya untuk melakukan pencegahan secara dini. Model Climate-based Multivariate Non-linear diterapkan untuk mengestimasi gejala tahunan dari DBD. Penelitian selanjutnya dapat dilakukan dengan memperluas
5
area wabah DBD agar hasil peramalan lebih akurat karena menggunakan data masa lampau yang lebih lengkap.
Selanjutnya Hii, dkk. [7] meneliti mengenai bagaimana lead time yang optimal dalam meramalkan gejala DBD. Model Regresi Poisson digunakan untuk menganalisis DBD dari suhu rata-rata mingguan dan curah hujan kumulatif dengan jangka waktu 1-5 bulan. Sebagai pembanding, Hii, dkk. [6] meneliti mengenai peramalan DBD menggunakan temperatur dan curah hujan sebagai prediktor. Dalam penelitian ini juga menggunakan Model Regresi Poisson karena yang dianalisis adalah waktu jeda DBD dan kedua prediktor di atas. Penelitian selanjutnya yang dapat dilakukan untuk meramalkan wabah DBD adalah menggunakan lead time yang lama serta prediktor yang berbeda, seperti cuaca.
Tanner, dkk. [8] dalam penelitiannya menjelaskan bahwa dalam meramalkan diagnosis DBD dapat menggunakan Algoritme Decision Tree. Hasil penelitiannya menunjukkan bahwa algoritme tersebut tidak hanya dapat meramalkan diagnosis penyakit DBD, tetapi juga untuk penyakit Demam lainnya.
Dalam penelitian menggunakan metode SARIMA yang selanjutnya, Permanasari, dkk. [9] menganalisis penggunaan SARIMA dalam memprediksi munculnya zoonosis pada manusia di masa depan. Dataset yang digunakan dikumpulkan dari time series munculnya Salmonellosis di US yang membandingkan data bulanan selama 14 tahun dan didapat dari Centers for Disease Controls and Prevention. Hasil yang didapat adalah model (9,0,14)(12,1,24) adalah model yang paling sesuai dengan tingkat akurasi 0,062 dari Theil’s U value. Untuk penelitian selanjutnya diperlukan evaluasi dan aplikasi metode peramalan lainnya pada time series zoonosis dalam mencapai akurasi yang lebih baik pada nilai peramalannya.
Penelitian mengenai peramalan DBD ataupun objek lainnya juga menggunakan metode kedua, yaitu Neural Network. Indrawanto, dkk. [10]
meneliti mengenai peramalan harga akarwangi dimulai dari Januari 2000 hingga Agustus 2006. Peramalan tersebut dilakukan dengan mencoba beberapa kombinasi fungsi aktivasi pada layar tersembunyi dan layar output serta jumlah
6
neuron pada setiap layar. Metode yang digunakan adalah Jaringan Syaraf Tiruan dengan memilih MSE yang paling rendah untuk mendapatkan hasil peramalan yang terbaik. Saran yang diberikan adalah melakukan perbandingan keakuratan metode Jaringan Syaraf Tiruan dengan ARIMA.
Machmudin, dkk. [11] meneliti mengenai peramalan temperature udara di Surabaya dengan membandingkan metode ARIMA dan Artificial Neural Network. Permodelan ARIMA dalam melakukan peramalan ditentukan dengan memilih salah satu model terbaik dari beberapa model yang telah dihitung, yaitu model (0,1,2). Sedangkan untuk model Artificial Neural Network menggunakan backpropagation dengan model (2,4,1). Hasil error yang didapatkan menggunakan perhitungan MAPE.
Selanjutnya Lipae, dkk. [12] dalam meramalkan konsumsi air dapat digunakan metode ARIMA dan MLPNN (Multilayer Perceptron Neural Network) dengan menggunakan model terbaik dari masing-masing metode yang digunakan.
Perhitungan SARIMA tidak berubah untuk data apapun karena merupakan model statistic, sedangkan untuk ANN menggunakan perulangan dengan beberapa fungsi aktivasi yang berbeda-beda. Peramalannya dipengaruhi 4 sektor yang berbeda, yaitu residential, commercial, governmental, dan seller. Pembuatan hasil peramalan tersebut didukung dengan software Zaitun Time series dengan menggunakan default dari software tersebut. Dalam penelitian ini, ARIMA hasilnya lebih baik daripada MLPNN sedangkan pada penelitian-penelitian sebelumnya sebagian besar lebih baik MLPNN daripada ARIMA.
Pada penelitian Zhang, dkk. [13] memaparkan mengenai hasil penelitian dari beberapa peneliti sebelumnya dengan menggabungkan hasil-hasil penelitian yang telah didapatkan sebelumnya menjadi satu. Inti dari paper ini adalah menunjukkan state of the art mengenai aplikasi ANN di bidang peramalan. Hasil tersebut berupa bagaimana cara menentukan input, hidden, dan output layer serta parameter-parameter perhitungan lainnya seperti fungsi aktivasi, learning rate, momentum hingga cara pengukuran kinerjanya.
Husin, dkk. [14] meramalkan wabah DBD dengan membandingkan model
7
Neural Network dan NonNeural Network dengan menggunakan arsitektur yang berbeda dan parameter-parameter lain seperti time series, data lokasi, dan data curah hujan. Parameter-parameter yang digunakan untuk diubah-ubah adalah learning rate, momentum, dan jumlah neuron di hidden layer. Analisis hasilnya menggunakan nilai MSE dengan Neural Network yang lebih baik hasilnya daripada NonNeural Network.
Tabel 1.1 Keaslian Penelitian
Pengarang Metode Tujuan
1 1
Liu, dkk.
[2] ARIMA
Memonitor dan memprediksi gejala HFRS di China dengan interval gejala yang diteliti setiap 1 tahun
3 2
Gharbi, dkk. [3]
Pendekatan Box Jenkins dalam model SARIMA
Meramalkan wabah DBD pada beberapa bulan ke depan untuk meningkatkan sistem
pengawasan/pengontrolan DBD
4 3
Martinez, dkk. [4]
SARIMA (Seasonal Autoregressive Integrated Moving
Average)
Mengembangkan model prediksi demam di Brazil dengan pendekatan Box Jenkins menggunakan software R dalam melakukan perencanaan kesehatan masyarakat ke depannya.
6 4
Medina, dkk. [5]
Exponential Smoothing
Memberikan manfaat dalam mengembangkan negara dengan adanya peramalan dan peringatan dini dari penelitian tersebut
7 5
Descloux, dkk. [6]
Climate-based multivariate non-
linear models
Menganalisis model hubungan antara iklim, Aedes Aegypti dan wabah DBD di Noumea dalam menyediakan sistem peringatan dini
8
Pengarang Metode Tujuan
8
6 Hii, dkk. [7] Poisson regression model
Mengidentifikasi lead time yang optimal dalam mencegah kasus DBD serta untuk memberikan durasi waktu yang cukup dalam menangani
penularan wabah DBD
9 7
Tanner, dkk.
[8]
Decision tree algorithm
Mengidentifikasi algoritme yang membedakan DBD dengan penyakit demam lainnya dalam hal perawatan penyakit serta dapat memprediksi diagnosis dan prognosis dari penyakit DBD
1 8
Permanasar i, dkk. [9]
Seasonal Auto Regressive Integrated Moving Average (SARIMA)
Menganalisis penggunaan SARIMA dalam mengembangkan model peramalan pada time series dan menyediakan prediksi munculnya zoonosis pada manusia.
1 9
Indrawanto, dkk [10]
Jaringan Syaraf Tiruan
Memperkirakan harga akar wangi dengan mengkombinasikan 3 fungsi aktivasi dan percobaan hidden layer
1 10
Machmudin , dkk [11]
ARIMA dan Artificial Neural
Network
Meramalkan kondisi temperature untuk mengantisipasi perubahan suhu udara dengan membandingkan dua buah metode
1 11
Lipae, dkk.
[12]
ARIMA dan MLPNN (Mulitilayer Perceptron Neural
Network)
Meramalkan konsumsi air di 4 sektor yang berbeda, yaitu residential, commercial, governmental, dan bulk / seller berdasarkan model terbaik yang didapatkan
9
Pengarang Metode Tujuan
1 12
Zhang, dkk.
[13]
Artificial Neural Network
Memaparkan state of the art mengenai survey aplikasi-aplikasi ANN di bidang forecasting.
1 13
Husin, dkk.
[14]
Neural Network Model (NNM) dan NonNeural Network
Model (NRM)
Mendesain NNM dan NRM menggunakan arsitektur yang berbeda dan parameter-parameter seperti time series, data lokasi, dan curah hujan untuk prediksi dini wabah DBD
Setelah melihat beberapa perbandingan terhadap penelitian sebelumnya, yang dilakukan pada penelitian sekarang adalah meramalkan jumlah penderita penyakit DBD pada time series dengan menggunakan metode SARIMA dan Neural Network. Penelitian tersebut akan dilakukan di RS Charitas Palembang dengan menggunakan keseluruhan data bulanan dari jumlah penderita DBD selama 10 tahun terakhir (2003-2012). Penggunaan metode SARIMA yang merupakan statistical model dikarenakan data korban DBD selama 10 tahun terakhir adalah data musiman dan terdapat jumlah korban yang signifikan pada bulan-bulan tertentu selama 10 tahun terakhir tersebut. Di sisi lain, penggunaan metode Neural Network yang merupakan artificial model akan dapat mengolah data musiman dengan proses pembelajaran yang berulang-ulang. Tujuan dalam penelitian ini adalah untuk membandingkan hasil peramalan dari statistical model dan artificial model serta akan membandingkan keakuratan hasil peramalan dari metode SARIMA dan Neural Network untuk mendapatkan tingkat error yang lebih rendah sehingga dapat dipilih metode mana yang lebih sesuai untuk data DBD di RS Charitas Palembang.
10 1.4 Tujuan Penelitian
Tujuan dari penelitian di RS Charitas Palembang adalah sebagai berikut.
1. Mengetahui pola dari kasus penyakit DBD di RS Charitas Palembang pada tahun 2003-2012 (10 tahun terakhir) berdasarkan bulan-bulan yang signifikan terhadap banyaknya korban DBD;
2. Meramalkan jumlah penderita DBD di RS Charitas Palembang dan mendapatkan nilai error berdasarkan time series penderita penyakit DBD menggunakan statistical dan artificial model (SARIMA dan Neural Network);
3. Membandingkan kinerja hasil peramalan data DBD RS Charitas Palembang menggunakan metode SARIMA dan Neural Network berdasarkan tingkat error yang paling rendah.
1.5 Manfaat Penelitian
Manfaat yang didapat dari penelitian di RS Charitas adalah sebagai berikut.
1. Bagi pihak Rumah sakit, hasil peramalan dapat dijadikan acuan untuk menekan potensi korban DBD di RS Charitas Palembang pada tahun berikutnya;
2. Bagi pihak Rumah sakit, dapat melakukan pencegahan secara dini dari penyakit DBD dengan menambah persediaan obat dan multivitamin serta mengalokasikan lebih banyak praktisi kesehatan pada bulan-bulan yang berpotensi terjadi DBD;
3. Bagi penulis dan masyarakat umum, dapat mengetahui bahwa ilmu Matematika dan Teknologi Informasi dapat digabungkan untuk mengambil suatu keputusan dari hasil peramalan dalam bidang matematis.
11 1.6 Sistematika Penulisan
Tesis dengan judul “Peramalan Jumlah Korban DBD Menggunakan Metode SARIMA dan Neural Network (Kasus : RS Charitas Palembang)”
disusun dengan sistematika penulisan adalah sebagai berikut.
1. BAB I Pendahuluan
Bab ini berisi tentang latar belakang, rumusan masalah, keaslian penelitian, tujuan penelitian, manfaat penelitian, batasan masalah, dan sistematika penulisan;
2. BAB II Tinjauan Pustaka dan Landasan Teori
Bab ini berisi tentang tinjauan pustaka, peramalan (forecasting), Demam Berdarah Dengue (DBD), time series, SARIMA, pengukuran kesalahan peramalan, Neural Network, Minitab, dan Zaitun Time Series;
3. BAB III Metodologi
Bab ini berisi tentang penjelasan mengenai perangkat penelitian, jalannya penelitian, dan cara analisis metode yang digunakan;
4. BAB IV Hasil dan Pembahasan
Bab ini berisi tentang penjelasan mengenai hasil penelitian dan analisis metode serta hasil peramalan;
5. BAB V Kesimpulan dan Saran
Bab ini berisi tentang penjelasan mengenai kesimpulan dan saran yang dapat membangun serta meningkatkan maksud dan tujuan dari penelitian ini menuju ke arah yang lebih baik.
