BAB II TINJAUAN PUSTAKA Pengertian Demam Berdarah Dengue (DBD) virus dengue dan ditularkan melalui gigitan nyamuk Aedes aegypti (Soegijanto,

BAB II

TINJAUAN PUSTAKA

2.1 Demam Berdarah

2.1.1 Pengertian Demam Berdarah Dengue (DBD)

Demam Berdarah Dengue adalah penyakit menular yang disebabkan oleh virus dengue dan ditularkan melalui gigitan nyamuk Aedes aegypti (Soegijanto, 2004). Demam Berdarah Dengue adalah penyakit demam yang diikuti pandarahan dibawah kulit, selaput hidung dan lambung yang disebabkan oleh virus yang ditularkan melalui nyamuk Aedes Aegypti. Penyakit ini menyerang semua orang dan menyebabkan kematian, terutama pada anak serta sering menimbulkan wabah.

(Irianto, 2009)

2.1.2 Penyebab Demam Berdarah Dengue (DBD)

Penyakit infeksi virus dengue adalah penyakit yang disebabkan oleh virus dengue I, II, III dan IV yang ditularkan oleh nyamuk Aedes aegypti dan Aedes albocpitus. Jika nyamuk menggigit orang dengan demam berdarah, maka virus dengue masuk ke tubuh nyamuk bersama darah yang dihisapnya. Didalam tubuh nyamuk virus berkembang biak dan menyebar keseluruh tubuh bagian nyamuk, dan sebagian berada di kelenjar air liur. Selanjutnya waktu nyamuk menggigit orang lain, air liur bersama virus dengue dilepaskan terlebih dahulu agar darah yang akan dihisap tidak membeku, dan pada saat inilah virus dengue ditularkan ke orang lain.

(Soegijanto, 2004)

2.1.3 Patogenesis dan Patofisiologi

Patogenesis DHF (Dengue Hemorragic Fever) tidak begitu dipahami, tetapi ada dua perubahan patofisiologik yang terjadi :

1. Meningkatnya permeabilitas pembuluh darah mengakibatkan kebocoran plasma, hipovolemia, dan syok. DHF memiliki ciri yang unik karena kebocoran plasma khusus ke arah rongga pleura dan peritoneum, selain itu periode kebocoran cukup singkat (24-48 jam).

2. Hemostatis abnormal terjadi akibat vaskulopati, trombositopenia, sehingga terjadi berbagai jenis manifestasi perdarahan. (WHO, 2004)

2.1.4 Tanda dan Gejala 1. Gejala klinis

a. Demam tinggi mendadak, tanpa sebab yang jelas berlangsung selama 2-7 hari

b. Terdapat Manifestasi perdarahan termasuk uji terniquet positif, peteki, ekimosis, epistaksis, perdarahan gusi, hematemesis, melena.

c. Pembesaran hati

d. Perembesan plasma, yang ditandai secara klinis adanya acites dan efusi pleura sampai terjadinya renjatan (ditandai nadi cepat dan lemah serta penurunan tekanan nadi, hipotensi, kaki dan tangan dingin, kulit lembap dan pasien tampak gelisah.

2. Tanda klinis

a. Trombositopenia (kurang dari 100.000/ υL).

b. Hemokonsentrasi, dapat dilihat peningkatan hematokrit 20% atau lebih, menurut standar umur dan jenis kelamin. (Soegijanto, 2006)

2.1.5 Pentahapan Keparahan Demam Berdarah Dengue

DHF diklasifikasikan menjadi empat tingkatan keparahan, dimana derajat III dan IV dianggap DSS. Adanya trombositopenia dengan disertai hemokonsentrasi membedakan derajat I dan II DHF dari DF.

1. Derajat I

Demam disertai gejala-gejala umum yang tidak khas dan manifestasi perdarahan spontan satu-satunya adalah uji tourniket positif atau mudah memar.

2. Derajat II

Gejala-gejala derajat I, disertai gejala-gejala perdarahan kulit spontan atau manifestasi perdarahan yang lebih berat.

3. Derajat III

Didapatkan kegagalan sirkulasi, yaitu nadi cepat dan lemah, tekanan nadi menyempit (< 20 mmHg), hipotensi, sianosis disekitar mulut, kulit dingin dan lembab, gelisah.

4. Derajat IV

Syok berat (profound shock), nadi tidak dapat diraba dan tekanan darah tidak terukur. (WHO, 1998)

2.1.6 Penatalaksanaan

Berdasarkan kenyataannya di masyarakat penatalaksanaan kasus DBD dibagi menjadi 2, yaitu:

1. Kasus DBD yang memungkinkan untuk berobat jalan

2. Kasus DBD yang dianjurkan rawat tinggal yakni : kasus DBD derajat I dan II, kasus DBD derajat III dan IV, kasus DBD dengan penyulit. (Soegijanto,2006)

2.1.7 Pencegahan

Sampai saat ini belum ada vaksin yang efektif untuk mencegah penyakit dengue.Vaksin virus dengue sedang dikembangkan di Thailand, tetapi masih membutuhkan volunter manusia untuk uji coba. Adapun program pengendalian Ae.aegepti yang terjangkau dan tahan lama adalah:

1. Manajemen Lingkungan

a. Modifikasi lingkungan : pengubahan fisik habitat larva yang tahan lama b. Manipulasi lingkungan : pengubahan sementara habitat vektor yang

memerlukan pengaturan wadah yang penting dan yang tidak penting serta manajemen atau pemusnahan tempat perkembangbiakan alami nyamuk.

c. Perubahan habitasi atau perilaku manusia dimana merupakan upaya untuk mengurangi kontak antara manusia dan vektor.

2. Perlindungan diri

a. Pakaian pelindung, pakaian mengurangi resiko tergigit nyamuk jika pakaian itu cukup tebal atau longgar.

b. Tikar, obat nyamuk bakar, aerosol. Produk insektisida untuk konsumsi rumah tangga sudah banyak dipakai untuk perlindungan diri terhadap nyamuk.

c. Penolak serangga, merupakan sarana perlindungan diri terhadap nyamuk dan serangga yang umum digunakan.

d. Insektisida untuk kelambu dan korden, kelambu yang diberi insektisida kegunaannya sangat terbatas dalam program pengendalian penyakit dengue karna spesies vektor menggigit disiang hari.

3. Pengendalian biologis

a. Ikan, ikan pemakan larva (Gambusia affinis dan Poecilia reticulata) sudah semakin banyak digunakan untuk mengendalikan Ae.stephensi dan Ae.aegypti di kumpulan air yang banyak atau di kontainer air yang besar di negara-negara Asia Tenggara.

b. Bakteri, ada dua spesies bakteri penghasil endotoksin yaitu Bacillus thuringiensis serotipe H-14 dan Bacillus sphaericus adalah agens yang efektif untuk mengendalikan nyamuk.

c. Siklopoids, peran pemangsa yang dimainkan oleh copepod crustacea (sejenis udang-udangan) ternyata dapat mempengaruhi 99,3% angka kematian larva nyamuk Aedes.

d. Perangkap telur autosidal, perangkap yang diterapkan pemerintah Singapura menunjukan hasil yang memuaskan sebagai alat pengendali dalam pemberantasan nyamuk Ae.aegypti.

4. Pengendalian kimiawi :

a. Pemberian larvasida kimiawi, biasanya terbatas pada wadah air yang digunakan di rumah tangga yang tidak dapat dihancurkan, dimusnahkan, ataupun dikelola.

b. Pengasapan wilayah, metode ini melibatkan pengasapan droplet-droplet kecil insektisida ke dalam udara untuk membunuh nyamuk dewasa.

5. Memberikan penyuluhan tentang 3M Plus

Metode yang di gunakan untuk mencegah Demam Berdarah adalah Pemberantasan Sarang Nyamuk (PSN) melalui 3M Plus (Menguras, Menutup dan Mengubur) Plus menabur larvasida dapat mencegah / memberantas nyamuk Aedes berkembang biak. Angka Bebas Jentik (ABJ) sebagai tolok ukur upaya pemberantasan vektor melalui Pemberantassan Sarang Nyamuk (PSN).

Pendekatan Demam Berdarah yang berwawasan kepedulian masyarakat merupakan salah satu alternatif pendekatan baru (Depkes Lingkungan RI, 2006)

2.2 Peramalan

2.2.1 Pengertian Peramalan

Peramalan adalah upaya memperkirakan nila-nilai respon yang menjadi perhatian dimasa depan.(Sugiarto dan Harijono, 2000)

2.2.2 Kegunaan Peramalan

Kegunaan peramalan untuk memprediksi masa depan berdasarkan data yang dimiliki. (Baroroh, 2008).

Analisis terhadap masa lampau penting karena hal ini akan memberikan kesempatan pada pengusaha untuk membuat ramalan yang lebih akurat untuk aktivitas yang akan datang. Disamping itu juga akan meningkatkan keefektipan dari grup data yang berbeda atau data yang sama dari periode yang berbeda. Hasil dari analisa runut waktu bahkan meningkatkan efisiensi dalam mengambil keputusan.

(Kustituanto, 1998).

2.2.3 Jenis-jenis Peramalan

Secara garis besarnya peramalan dibedakan menjadi peramalan kualitatif dan peramalan kuantitatif.

1. Peramalan kualitatif, yaitu peramalan yang didasarkan pada pengamatan kejadian-kejadian dimasa sebelumnya yang digabungkan dengan instuisi maupun ketajaman perasaan si peramal dalam menghasilkan suatu informasi yang diperkirakan bakal terjadi di masa yang datang. Data historis yang ada menjadi tidak begitu penting dalam teknik ini. Pada umumnya hasil peramalan kualitatif juga berbentuk informasi kualitatif walaupun tidak selalu demikian. Peramalan kualitatif terdiri dari dua yaitu metode eksplanatoris dan metode normatif.

2. Peramalan kuantitatif, yaitu peramalan yang menggunakan data kuantitatif yang diperoleh dari pengamatan nilai-nilai sebelumnya dengan ditunjang beberapa

informasi kuantitaif maupun kualitatif. Teknik peramalan kuantitatif sangat mengandalkan pada data historis yang dimiliki. Hasil peramalan kuantitatif secara relatif lebih disukai karena memberikan pandangan yang lebih nyata dan lebih objektif dalam besaran nilai hasil peramalannya. (Sugiarto dan Harijono, 2000)

Peramalan kuantitatif ini dipergunakan bila kondisi berikut dipenuhi : a. Adanya informasi tentang masa lalu

b. Informasi tersebut dapat dikuantitatifkan dalam bentuk data

c. Informasi tersebut dapat diasumsikan bahwa pola masa lalu akan terus bersambung sampai ke masa depan dan kondisi ini disebut asumsi yang konstan (assumption of constancy).

Teknik kuantitatif ini biasanya dikelompokan menjadi dua yakni metode Instuisi (Intuitive method) dan metode kuantitatif formal yang didasarkan pada prinsip statistik. Metode instuisi menggunakan horisontal, musiman atau penyelidikan trend yang didasarkan pada pengalaman empiris yang sangat luas. Metode kuantitatif formal ini dapat dikelompokan ke dalam dua jenis peramalan yaitu : regresi (causal) models dan time series. (Manurung, 1990)

1. Regresi (causal) models

Model regresi mempunyai asumsi bahwa dalam meramalkan masa datang dengan menggunakan variabel lain yang mempunyai hubungan penyebab dengan variabel yang diramalkan. Variabel yang ingin diramalkan disebut dengan variabel

dependen sedangkan variabel yang lain disebut variabel independen. Yang termasuk dalam teknik ini adalah teknik regresi sederhana, regresi berganda dan model input output. (Manurung, 1990)

2. Time Series

Time series adalah peramalan di masa datang didasarkan pada nilai sebuah variabel masa lalu atau kesalahan yang dilakukan sebelumnya. (Manurung, 1990)

Time series (data berkala) juga dapat diartikan sebagai kumpulan data statistik yang merupakan hasil pengamatan setiap interval waktu tertentu. (Santoso, 2003)

Tujuan time series adalah meneliti pola data yang digunakan untuk memprakirakan dan melakukan ekstrapolasi (perhitungan / pemrakiraan) di masa yang akan datang. Tahapan yang penting dalam pemilihan metode time series yang tepat yaitu membuat asumsi terhadap jenis bentuk data dan metode yang paling tepat tersebut diuji terhadap data tersebut.

a. Bentuk data

Bentuk data dikelompokan menjadi 4, yaitu :

1. Bentuk data horisontal / stasioner / ireguler

Gerakan ireguler disebabkan oleh faktor-faktor kebetulan atau faktor yang tidak terduga sebelumnya. Gerakan ireguler ini biasanya muncul dalam jangka pendek dan mengakibatkan terjadinya variasi dalam deret berkala.

Gambar 2.1 Data horisontal

2. Bentuk data musiman / Seasonal

Bentuk data musiman terjadi bila seriesnya dipengaruhi oleh faktor musiman (contoh: minggua n, bulanan, tahunan).

Gambar 2.2 Data Musiman 3. Bentuk data siklis

Pada prinsipnya gerakan siklis adalah gerakan disekitar garis trend, apakah gerakan tersebut naik atau turun. Gerakan ini berlangsung lebih pendek dari trend bisa teratur dengan pola tertentu atau tanpa pola.

Gambar 2.3 Bentuk Data Siklis

4. Bentuk Trend

Trend atau bisa juga disebut trend sekuler adalah kecenderungan data untuk jangka panjang, apakah meningkat, tetap atau menurun.

Gambar 2.4 Bentuk Data Trend b. Metode-metode Time Series

Metode pemrakiraan dengan model time series dapat dijadikan dasar untuk memprakirakan kejadian masa mendatang melalui serangkaian data historis.

Metode time series yang sering dipergunakan yaitu Metode Penghalusan (Smoothing Method) dan Metode Dekomposisi (Decomposition Method).

(Manurung, 1990)

1. Metode Penghalusan (Smoothing Method)

Metode smoothing (metode pelicinan) merupakan teknik meramal dengan cara mengambil rata-rata dari nilai beberapa periode yang lalu untuk menaksir nilai pada periode yang akan datang. Yang termasuk dalam teknik ini adalah metode rata-rata bergerak (Moving Averages), Exponential Smothing.

Metode rata-rata bergerak (Moving Averages) adalah upaya untuk memuluskan data sebuah time series sehingga faktor siklis, musiman dan random bisa dihilangkan atau diminimalisasi dampaknya sehingga akhirnya didapat sebuah trend data. Adanya faktor siklis dan musiman membuat data sebuah time series berfluktuasi atau jika ditampilkan dalam sebuah grafik data akan tampak bergelombang. Dengan melakukan rata-rata bergerak maka diharapkan data hasil moving averege tersebut menjadi lebih smooth sehingga fluktuasi data akan bisa dikurangi. Pada prinsipnya moving averege adalah menghitung rata-rata data untuk n periode yang saling sambung-menyambung antar data time series. (Santoso, 2003)

Keterangan :

n = jumlah perioda

dt = demand pada bulan ke t

• Exponential Smothing berusaha untuk memperbaiki suatu prakiraan berdasarkan pengalaman-pengalaman baru secara terus menerus.

(Setiadi, 2003). Metode exponential smoothing merupakan pengembangan dari metode moving averege. Metode pemulusan eksponensial terkadang lebih efisien dibandingkan dengan moving averege dalam kaitannya dengan kemampuannya untuk mengitung sebuah nilai pemulusan untuk setiap

n d MA

n

1 t

t n

∑

=

=

pengukuran respon. Dua metode dalam exponential smoothing diantaranya single exponential smoothing dan double exponential smoothing. Single exponensial bobot yang diberikan pada data yang ada adalah sebesar α untuk data terbaru , α(1- α) untuk data yang lama, α(1- α)² untuk data yang lebih lama dan seterusnya. Besarnya α adalah antara 0-1. Semakin mendekati 1 berarti data terbaru lebih diperhatikan. Secara matematis forcast adalah :

Keterangan:

Ft+1 = Ramalan untuk periode berikutnya

Dt = Demand aktual pada periode t

Ft = Peramalan yg ditentukan sebelumnya untuk periode t

a = Faktor bobot

Pada metode Single exponensial smoothing proses penentuan ramalan dimulai dengan menentukan besarnya alpha secara trial dan error sampai ditemukan α yang menghasilkan forecast error terkecil. (Gitosudarmo dan Najmudin, 2001)

t t

t

D F

F

₊₁

= α + ( 1 − α )

Didalam metode Double Exponential Smoothing dilakukan proses smoothing (pemulusan) dua kali. Untuk mempermudah perhitungan, ikutilah tahapan- tahapan berikut ini :

1. Carilah besarnya nilai smoothing yang pertama, yaitu dengan rumus

S’_t= aX_t+(1-a) S’_t−1

2. Carilah besarnya nilai smoothing yang kedua, dengan memperhatikan besarnya nilai smoothing pertama yaitu dengan rumus

S” _t= aS’_t+(1-a) S’’_t−1

3. Carilah besarnya nilai a_tdengan menggunakan rumus

a_t = 2S’_t+ S” _t

4. Carilah besarnya nilai b_t dengan menggunakan rumus

b_t = α α

−

1 (S’_t-S’’_t)

5. Lakukanlah perhitungan forecastnya dengan memasukkan besarnya nilai a_t dan b_t sehingga diperoleh

F_t+m = a_t+ b_{t (m)}

Dimana, m = jangka waktu forcast kedepan.

Besarnya α antara 0 sampai dengan 1 dicari dengan trial dan error.

(Setiadi, 2003) 2. Dekomposisi

Tujuan analisis dekomposisi adalah mengekstrak komponen deret waktu menjadi sub-sub pola, bukan pola dasar. Keuntungan melakukan dekomposisi ini antara lain adalah adanya ramalan jangka panjang (trend) dan ramalan jangka pendek (musim). (Sugiarto dan Harijono,2000)

Metode ini digunakan dengan terlebih dahulu membagi atau melakukan pemecahan kedalam 4 pola, yaitu : Trend (T), Fluktuasi Musim (M), Fluktuasi Siklis (S) dan perubahan yang bersifat Random (R). Masing-masing pola tersebut diketahui nilainya dulu, kemudian bersama-sama menentukan besarnya forcast atau proyeksi dimasa yang akan datang. Secara matematis proyeksi (X) pada waktu yang akan datang adalah (Gitosudarmo dan Najmudin, 2001).

Persamaan pendekatan dekomposisi :

X = T x M x S x R

Dimana :

R = nilai deret berkala pada periode

M = komponen musiman pada periode

T = komponen Trend pada periode

S = komponen siklus pada periode

Et = komponen kesalahan

a. Trend adalah rata-rata perubahan dalam jangka panjang. Trend menggambarkan perilaku data dalam jangka panjang yang dapat meningkat, menurun atau konstan. Bila data yang ada menunjukan kenaikan maka trend tersebut menunjukan trend positif, bila menunjukan penurunan maka trend tersebut menunjukan trend negatif. Ada beberapa metode yang bisa digunakan untuk menentukan trend yaitu trend linier, trend parabolik, dan trend exponential.

1. Trend Linier

Yang dimaksud dengan trend linier adalah merupakan model persamaan garis lurus yang berbentuk berdasarkan titik-titik diagram pencar dari data selama kurun waktu tertentu. Model trend biasa digunakan untuk memprediksi suatu persoalan (membuat ramalan jangka panjang), adapun bentuk umum dari model trend linier ini dinyatakan dengan persamaan Yt = a + bx

Yt = Nilai trend untuk setiap unit x

x = Unit waktu tertentu

a = intercept ( nilai trend Yt pada saat x = 0)

b = Koefisien trend : pertambahan y untuk setiap unit waktu tertentu

(Supangat, 2008)

2. Trend Parabolik

Trend parabolik adalah trend yang nilai variabel tak bebasnya naik atau turun tidak secara linier atau terjadi secara parabola bila datanya dibuat scatter diagramnya. (Manurung, 1990). Persamaan parabolik tersebut secara berikut :

Y = a + bX + cX²

1. ∑Y = n.a + c∑X² 2. ∑XY = b∑X²

3. ∑X²Y = a∑X² + c∑X⁴

Untuk mencari nilai a dan c menggunakan persamaan (1) dan (3), sedangkan nilai b menggunakan persamaan (2).

b. Variasi Musiman

Variasi atau gelombang musim merupakan variasi pasang surut yang terulang kembali dalam waktu tidak lebih dari satu tahun. Metode yang bisa digunakan

adalah metode rata-rata sederhana, metode persentase terhadap trend dan metode persentase terhadap rata-rata bergerak.

c. Variasi Siklis

Variasi siklis merupakan perubahan sesuatu hal yang berulang kembali lebih dari satu tahun. Variasi siklis dinyatakan dalam bentuk indeks siklis .

d. Variasi Random

Variasi random merupakan perubahan suatu hal yang dapat terjadi secara tiba- tiba dan sukar diperkirakan. (Gitosudarmo dan Najmudin, 2001)

2.2.4 Pemilihan Teknik Peramlan

Pemilihan teknik peramalan yang akan digunakan dipengaruhi oleh 4 aspek, yaitu pola atau karakteristik data, jangka waktu, biaya dan tingkat akurasi yang diinginkan.

Pola atau karakteristik data merupakan aspek utama yang sangat berpengaruh terhadap pemilihan teknik peramalan. Suatu data yang memiliki pola trend (naik turun) akan lebih tepat bila di-forecast dengan teknik dekomposisi. Sedangkan data yang memiliki pola fluktuatif akan lebih tepat bila di-forecast dengan teknik smoothing.

2.3 Alur Penelitian

Penderita Penyakit Demam Berdarah Dengue Tahun 2005- 2009

Kecenderungan

Ramalan Tahun