No. Dok.: FM-GKM-S1TI-FT-6-06-07; Tgl. Efektif : 09 Juli 2018; Rev : 01; Halaman : 1 dari 1
PREDIKSI KEBUTUHAN OBAT MENGGUNAKAN TEKNIK DATA MINING
TUGAS SARJANA
Diajukan untuk Memenuhi Sebagian dari
Syarat-syarat Memperoleh Gelar Sarjana Teknik Industri
Oleh
ARINI SAIDATUNNISA FADILA 170403088
D E P A R T E M E N T E K N I K I N D U S T R I F A K U L T A S T E K N I K
UNIVERSITAS SUMATERA UTARA MEDAN
2021
PERNYATAAN ORISINALITAS
JUDUL : PREDIKSI KEBUTUHAN OBAT MENGGUNAKAN TEKNIK DATA MINING
Saya menyatakan bahwa tugas akhir ini adalah hasil karya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya.
Medan, Agustus 2021
Arini Saidatunnisa Fadila NIM. 170403088
ABSTRAK
Perencanaan obat di instalasi farmasi RS. USU belum optimal dikarenakan belum adanya penggunaan metode dalam prioritas obat dan masih terdapat kekurangan stok obat saat obat dibutuhkan. Pada obat antibiotik, kesulitan disebabkan oleh waktu kedatangan obat yang tidak terprediksi membuat stok pengaman habis saat masa tunggu dan peresepan obat yang berbeda dari dokter. Tujuan penelitian adalah melakukan perencanaan kebutuhan obat antibiotik di RS.USU. Metode yang digunakan yaitu hierarchy clustering algoritma complete linkage dalam pengelompokkan obat, peramalan time-series dan minimum-maximum stock level dalam perhitungan jumlah stok obat. Pengelompokkan obat dengan hierarchy clustering algoritma complete linkage menghasilkan 2 klaster yaitu obat pemakaian tinggi sebanyak 4 jenis obat dan obat pemakaian rendah sebanyak 45 jenis obat. Metode moving average dengan periode 6 bulan terpilih menjadi metode peramalan pada kategori obat pemakain tinggi dengan peramalan periode selanjutnya yaitu obat Ceftriaxone 1gr sebanyak 614,33 tablet, Cefixime 100 mg sebanyak 896,17 tablet dan Cefadroxil 500 mg sebanyak 1796,83 tablet.
Penggunaan metode minimum-maximum stock level dapat menghitung jumlah stok minimum dan stok maksimum yang dibutuhkan yaitu pada obat Ceftriaxone 1gr memiliki stok minimum 573,37 tablet, jumlah pemesanan sebanyak 286,69 tablet dan stok maksimum 860,06 tablet. Pada obat Cefixime 100 mg memiliki stok minimum 836,43 tablet, jumlah pemesanan sebanyak 418,21 tablet dan stok maksimum 1254,64 tablet. Pada obat Ciprofloxacin 500 mg memiliki stok minimum 1304,96 tablet, jumlah pemesanan sebanyak 652,48 tablet dan stok maksimum 1957,43 tablet. Pada obat Cefadroxil 500 mg memiliki stok minimum 1677,04 tablet, jumlah pemesanan sebanyak 838,52 tablet dan stok maksimum 2515,56 tablet.
Kata kunci : Obat, Prediksi, Hierarchy Clustering, Moving Average, Minimum- Maximum Stock Level
ABSTRACT
The planning of medicines at University of Sumatera Utara Hospital is not optimal because there is no method that used in prioritizing medicines and there is still a shortage of stocks. In the case of antibiotics, difficulties are caused by the unpredictable arrival time making the safety stock run out during the waiting period and different prescriptions from the doctor. The purpose of this study is to plan the need for antibiotics at Univeristy of Sumatera Utara Hospital by. The method used is the complete linkage algorithm in prioritizing medicines, the time- series forecasting method and the minimum-maximum stock level method in calculating the amount of antibiotics stock. The result of this research showed that complete linkage algorithm can group antibiotics into 2 clusters, namely 4 types of high-use medicines and 45 low-use medicines. The moving average method with a period of 6 months was chosen as the forecasting method for the high-use category with forecasting for the next period, namely 614.33 tablets of Ceftriaxone 1gr, 896.17 tablets of Cefixime 100 mg and 1796.83 tablets of Cefadroxil 500 mg. The use of the minimum-maximum stock level method can calculate the minimum and maximum stock required for high category medicines, namely Ceftriaxone 1gr which has a minimum stock of 573.37 tablets, the number of orders is 286.69 tablets and a maximum stock of 860.06 tablets, Cefixime 100 mg has a minimum stock of 836.43 tablets, the number of orders is 418.21 tablets and a maximum stock of 1254.64 tablets, Ciprofloxacin 500 mg has a minimum stock of 1304.96 tablets, the number of orders is 652.48 tablets and a maximum stock of 1957.43 tablets and Cefadroxil 500 mg have a minimum stock of 1677.04 tablets, the number of orders is 838.52 tablets and a maximum stock of 2515.56 tablets.
Keywords : Medicine, Prediction, Hierarchy Clustering, Moving Average, Minimum - Maximum Stock Level
KATA PENGANTAR
Puji dan syukur dihadiratkan kepada Allah SWT atas rahmat dan karunia- Nya, sehingga penulis dapat menyelesaikan penelitian tugas sarjana ini dengan baik.
Laporan Tugas Sarjana merupakan salah satu persyaratan untuk memperoleh gelar Sarjana Teknik (Strata Satu Teknik Industri) di Departemen Teknik Industri, Fakultas Teknik, Universitas Sumatera Utara. Penulis melakukan penelitian Tugas Sarjana di Rumah Sakit Universitas Sumatera Utara. Tugas Sarjana ini berjudul Prediksi Kebutuhan Obat Menggunakan Teknik Data Mining.
Penulis menyadari bahwa penyusunan Laporan Tugas Sarjana masih terdapat kekurangan sehingga dibutuhkan perbaikan dan penyesuaian lebih lanjut.
Oleh karena itu, penulis menerima setiap kritik dan saran yang bersifat membangun dari semua pihak dalam penyempurnaan laporan. Penulis berharap Laporan Tugas Sarjana ini dapat membawa manfaat dan berguna bagi penelitian selanjutnya.
UNIVERSITAS SUMATERA UTARA PENULIS,
MEDAN, AGUSTUS 2021 ARINI SAIDATUNNISA FADILA
UCAPAN TERIMAKASIH
Puji dan syukur dihadiratkan kepada Allah SWT yang memberikan rahmat dan karunia-Nya yang memberikan kekuatan dan kesehatan bagi penulis. Dalam penyelesaian penelitian tugas sarjana ini, penulis mengucapkan terimakasih yang sebesar-besarnya kepada berbagai pihak yang telah memberikan bimbingan, doa, bantuan serta dorongan yang bersifat material maupun moral. Oleh karena itu, penulis mengucapkan terimakasih kepada:
1. Ibu Dr. Ir. Meilita Tryana Sembiring, MT, IPM, selaku Ketua Departemen dan Bapak Buchari, ST, M.Kes, selaku Sekretaris Departemen Teknik Industri Fakultas Teknik Universitas Sumatera Utara.
2. Bapak Prof. Dr. Ir. Harmein Nasution, MSIE dan Bapak Aulia Ishak, ST, MT, Ph.D selaku koordinator tugas sarjana yang telah memberi saran dan masukan untuk laporan tugas sarjana.
3. Ibu Ir. Nurhayati Sembiring, MT selaku Dosen Pembimbing penulis yang telah banyak memberikan waktu dan bimbingannya dalam penyelesaian laporan tugas sarjana penulis.
4. Ibu Ir. Dini Wahyuni, MT selaku Dosen Pembimbing Akademik yang telah memberikan arahan dan bimbingan selama perkuliahan dari awal semester 1 hingga akhir.
5. Bapak Ir. Ukurta Tarigan, selaku Plt. Laboratorium Tata Letak Pabrik dan Pemindahan Bahan yang telah memberikan arahan dan bimbingan.
viii
6. Seluruh dosen Departemen Teknik Industri, Fakultas Teknik, Universitas Sumatera Utara yang telah memberikan pengajaran selama perkuliahan yang menjadi bekal penulis dalam meyelesaikan penulisan tugas sarjana ini.
7. Staff pegawai Departemen Teknik Industri, Fakultas Teknik, Universitas Sumatera Utara atas bantuannya dalam hal penyelesaian administrasi untuk melaksanakan tugas sarjana ini.
8. Pihak Rumah Sakit Universitas Sumatera Utara, khususnya kepada Ibu Widya, Ibu Rima dan kak Iska yang telah mengizinkan dan membantu penulis dalam melakukan penelitian.
9. Keluarga penulis, khususnya kedua orang tua penulis yaitu Zulkarnain dan Yaya Hasanah, serta abang dan kakak penulis yaitu Ahmad Ibrahim Fahmi dan Azkia Khairunnisa Fajari yang memberikan dukungan baik secara material dan moriil serta bantuan dan motivasi sehingga penulis dapat menyelesaikan tugas sarjana ini.
10. Sahabat penulis yaitu Fazira Harahap, Yosi Annisa dan Gani Nurrazaq yang telah memberikan semangat dan dukungan kepada penulis.
11. Sahabat sejak SMP yang terdiri dari Yasmin, Echa, Tipal, Jihan, Ode, Amel, Katilla dan Dasha yang selalu memberikan semangat dan mendukung serta mendoakan penulis.
12. Sahabat penulis Melva Hasibuan, Rahel Hutagalung, Khairunisa Wardana, Paskayani, Rahel Ulina, Sandra Silitonga, Tasya Amalia, Miftah Safira, Fauzan Azman yang telah memberikan semangat dan mendukung penulis selama perkuliahan dan penulisan tugas sarjana ini.
ix
13. Kelas C Teknik Industri USU 2017 (Cenayang) yang telah mendukung penulis dari sejak awal masuk perkuliahan hingga sekarang.
14. Rekan-rekan Asisten Laboratorium Tata Letak Pabrik dan Pemindahan Bahan 2017 yaitu Luthfi, Ayu, Nisa, Melva, Mira, Rifandi, Marvel, Elfandry dan Irvan Hamdi yang telah membantu dan memberikan semangat kepada penulis.
15. Rekan-rekan Asisten Laboratorium Tata Letak Pabrik dan Pemindahan Bahan 2018 yaitu Rifa, Juneri, Sabrina, Ghani, Said, Rheiza, Caca, Melia, Wirdha, Kukuh yang telah membantu dan memberikan dukungan kepada penulis.
16. Teman-teman penulis di Departemen Teknik Industri, khususnya teman-teman angkatan 2017 (ATLANTIS) yang telah menemani dan memberikan dukungan kepada penulis selama perkuliahan.
17. Semua pihak yang telah banyak membantu penulis dalam penyelesaian laporan ini yang tidak dapat disebutkan satu per satu.
DAFTAR ISI
BAB HALAMAN
LEMBAR JUDUL ... i
LEMBAR PENGESAHAN ... ii
PERNYATAAN ORISINALITAS ... iii
ABSTRAK ... iv
KATA PENGANTAR. ... vi
UCAPAN TERIMAKASIH ... vii
DAFTAR ISI ... x
DAFTAR TABEL ... xv
DAFTAR GAMBAR ... xvii
DAFTAR LAMPIRAN ... xix
I PENDAHULUAN ... I-1 1.1. Latar Belakang ... I-1 1.2. Rumusan Masalah ... I-7 1.3. Tujuan Penelitian ... I-8 1.4. Manfaat Penelitian... I-8 1.5. Batasan dan Asumsi ... I-9 1.6. Sistematika Penulisan Laporan ... I-10
xi
DAFTAR ISI (LANJUTAN)
BAB HALAMAN
II TINJAUAN PUSTAKA ... II-1 2.1. Rumah Sakit ... II-1 2.1.1. Fungsi Rumah Sakit ... II-1 2.1.2. Farmasi Rumah Sakit ... II-2 2.2. Manajemen Obat ... II-2 2.3. Data Mining ... II-3 2.4. Tahapan Data Mining... II-4 2.5. Pengelompokkan Data Mining ... II-5 2.6. Cluster Analysis ... II-6 2.7. Cluster Time-Series Analysis ... II-7 2.8. Agglomerative Hierarchial Clustering ... II-8 2.9. Koefisien Silhouette ... II-10 2.10. R... II-11 2.11. Forecasting... ... II-11 2.12. Jangka Waktu Peramalan ... II-12 2.13. Pola Data... II-12 2.14. Metode Peramalan ... II-14 2.15. Metode Time-Series ... II-15 2.16. Pengukuran Hasil Peramalan... II-17 2.17. Verifikasi Peramalan ... II-19
xii
DAFTAR ISI (LANJUTAN)
BAB HALAMAN
2.18. Minimum-Maximum Stock Level ... II-20 2.19. Variabel Penelitian ... II-22 2.20. Review Hasil Penelitian ... II-24 2.21. Kerangka Teoritis ... II-26
III METODE PENELITIAN ... III-1 3.1. Jenis Penelitian ... III-1 3.2. Lokasi dan Waktu Penelitian... III-1 3.3. Objek Penelitian ... III-1 3.4. Metode Pengumpulan Data ... III-2 3.5. Metode Analisis Data ... III-3
IV PENGUMPULAN DAN PENGOLAHAN DATA ... IV-1 4.1. Pengumpulan Data ... IV-1 4.2. Pengolahan Data ... IV-1 4.2.1. Pembersihan Data ... IV-1 4.2.2. Pengelompokkan Obat ... IV-7 4.2.2.1. Implementasi Software R ... IV-7 4.2.3. Pemilihan Metode Peramalan Obat ... IV-15 4.2.3.1. Metode Single Moving Average ... IV-16
xiii
DAFTAR ISI (LANJUTAN)
BAB HALAMAN
4.2.3.2. Metode Simple Exponential Smoothing ... IV-20 4.2.3.3. Metode Winter’s Model ... IV-24 4.2.3.4. Identifikasi Akurasi Peramalan ... IV-27 4.2.3.5. Verifikasi Peramalan ... IV-28 4.2.3.5. Peramalan Obat ... IV-34 4.2.4. Perhitungan Minimum-Maximum Stock Level ... IV-34
V ANALISA DAN PEMBAHASAN ... V-1 5.1. Analisis Sistem Perencanaan Obat Instalasi Farmasi RS.
USU ... V-1 5.2. Analisis Pengelompokkan Obat Menggunakan Metode
Hierachy Clustering ... V-2 5.3. Analisis Pemilihan Metode Peramalan Obat ... V-4 5.4. Analisis Perhitungan Obat Metode Minimum-Maximum
Stock Level... V-6
VI KESIMPULAN DAN SARAN ... VI-1 6.1. Kesimpulan... VI-1 6.2. Saran ... VI-2
xiv DAFTAR PUSTAKA
LAMPIRAN
DAFTAR TABEL
TABEL HALAMAN
1.1. Data Pemakaian dan Pengadaan Obat Cefadroxil 500 mg
Tahun 2020 -2021 ... I-3 2.1. Kriteria Subjektif Kualitas Pengelompokkan Koefisien
Silhouette ... II-10 2.2. Penelitian Terdahulu ... II-25 4.1. Data Pemakaian Obat Tahun 2020 ... IV-3 4.2. Data Pemakaian Obat Tahun 2021 ... IV-5 4.3. Transformasi Data Obat ... IV-7 4.4 Nilai Silhouette ... IV-13 4.5. Data Klaster Obat ... IV-15 4.6. Perhitungan Peramalan Metode Moving Average Pada Obat
Ceftriaxone 1 gr... IV-19 4.7. Hasil Akurasi Peramalan Metode Moving Average ... IV-20 4.8. Perhitungan Peramalan Metode Simple Exponential
Smoothing Pada Obat Ceftriaxone 1 gr ... IV-22 4.9. Hasil Akurasi Peramalan Metode Simple Exponential
Smoothing ... IV-23 4.10. Perhitungan Peramalan Metode Winter’s Model Pada Obat
Ceftriaxone 1 gr... IV-26 4.11. Hasil Akurasi Peramalan Metode Winter’s Model... IV-26
xvi
DAFTAR TABEL (LANJUTAN)
TABEL HALAMAN
4.12. Perbandingan Akurasi Peramalan Masing-Masing Metode .. IV-27 4.13. Perhitungan Peta MR Obat Ceftriaxone 1 gr ... IV-28 4.14. Perhitungan Peta MR Obat Cefixime 100 mg... IV-30 4.15. Perhitungan Peta MR Obat Ciprofloxacin 500 mg ... IV-31 4.16. Perhitungan Peta MR Obat Cefadroxil 500 mg ... IV-33 4.17. Peramalan Obat ... IV-35 4.18. Rekapitulasi Perhitungan Obat ... IV-37 5.1. Rata-Rata Pemakaian Obat Tiap Klaster per Unit ... V-4 5.2. Perbandingan Akurasi Metode Peramalan ... V-6 5.3. Rekapitulasi Perhitungan Obat ... V-7
DAFTAR GAMBAR
GAMBAR HALAMAN
2.1. Tahapan dalam Data Mining ... II-4 2.2. Agglomerative Hierarchial Clustering Pada Objek ... II-8 2.3. Moving Range Chart ... II-19 2.4. Variabel Eksogen dan Variabel Endogen... II-24 2.5. Kerangka Teoritis Penelitian ... II-27 3.1. Rancangan Penelitian ... III-2 4.1. Input Data Pemakaian ... IV-9 4.2. Normalisasi Data ... IV-10 4.3. Perhitungan Jarak Antar Objek ... IV-10 4.4. Proses Clustering Metode Complete Linkage ... IV-11 4.5. Dendogram Metode Complete Linkage ... IV-12 4.6. Penentuan Klaster Optimal... IV-12 4.7. Pembagian Klaster... IV-14 4.8. Dendogram Metode Complete Linkage Tiga Klaster ... IV-14 4.9. Plot Data Obat ... IV-16 4.10. Input Data Aktual ... IV-17 4.11. Menu Moving Average ... IV-17 4.12. Menu Storage Pada Moving Average ... IV-18 4.13. Plot Data Hasil Peramalan Metode Moving Average ... IV-18 4.14. Input Data Aktual ... IV-20
xviii
DAFTAR GAMBAR (LANJUTAN)
GAMBAR HALAMAN
4.15. Menu Single Exponential Smoothing ... IV-21 4.16. Menu Storage Pada Single Exponential Smoothing ... IV-21 4.17. Plot Data Hasil Peramalan Metode Single Exponential
Smoothing ... IV-22 4.18. Input Data Aktual ... IV-24 4.19. Menu Winters Method ... IV-24 4.20. Menu Storage Pada Winters Method ... IV-25 4.21. Plot Data Hasil Peramalan Metode Winter’s Method ... IV-25 4.22. Moving Range Chart Obat Ceftriaxone 1 gr ... IV-29 4.23. Moving Range Chart Obat Cefixime 100 mg ... IV-31 4.24. Moving Range Chart Obat Ciprofloxacin 500 mg ... IV-32 4.25. Moving Range Chart Obat Cefadroxil 500 mg ... IV-34 5.1 Dendogram Complete Linkage ... V-4 5.2. Peta Moving Range... V-6
DAFTAR LAMPIRAN
LAMPIRAN HALAMAN
1 Syntax Hierarchical Clustering ... L-1 2 Surat Permohonan Tugas Akhir ... L-2 3 Form Penetapan Tugas Akhir... L-3 4 Surat Keputusan Tugas Akhir ... L-4 5 Surat Permohonan Riset Tugas Akhir ... L-5 6 Surat Balasan Permohonan Riset Tugas Akhir ... L-6 7 Lembar Asistensi Laporan Tugas Sarjana... L-7
I-1
BAB I PENDAHULUAN
1.1. Latar Belakang
Perencanaan kebutuhan obat merupakan suatu kegiatan penentuan banyaknya obat dan periode pengadaan dalam menjamin seluruh kriteria terpenuhi yaitu tepat jenis, tepat jumlah, tepat waktu dan efisien. Perencanaan dapat dilaksanakan dalam periode waktu tertentu yang bertujuan untuk mendapatkan perencanaan dengan kebutuhan nyata (Kementrian Kesehatan, 2019)
Pada perencanaan obat terdapat beberapa hal yang penting untuk dipertimbangkan yaitu jenis obat, jumlah obat yang dibutuhkan dan efikasi obat yang mengacu pada misi utama dari rumah sakit. Selain itu, penentuan jumlah obat yang diperlukan dapat diselenggarakan berdasarkan populasi yang dilayani, jenis pelayanan atau data penggunaan obat (Depkes RI, 2002 dalam Satibi,2015)
Rumah Sakit Universitas Sumatera Utara merupakan rumah sakit pendidikan milik pemerintah tipe C yang berada di Kota Medan. Rumah Sakit USU memiliki beberapa divisi, salah satunya ialah Instalasi Farmasi. Pelayanan yang dilakukan oleh instalasi farmasi salah satunya ialah melakukan kegiatan farmasi klinis yang mencakup penyediaan pelayanan resep pasien rawat jalan dan rawat inap selama 24 jam, harga obat dan bahan medis habis pakai yang terjangkau, melakukan kegiatan farmasi klinis, memberikan pelayanan informasi obat dan pelayanan konseling obat kepada pasien.
I-2
Rumah Sakit Universitas Sumatera Utara memiliki beberapa departemen klinik dalam melakukan konsultasi dan pemeriksaan pada pasien yaitu klinik gigi dan mulut, bedah, paru, penyakit dalam, anak, tumbuh kembang anak, obstetri dan ginekologi, kulit dan kelamin, syaraf, THT-KL, mata, jantung, psikiatri, anestesi dan IGD. Pasien yang berobat di rumah sakit dapat melakukan pembelian obat di farmasi rumah sakit ataupun melalui farmasi lain diluar rumah sakit dengan adanya pemberian resep keluar.
Perencanaan obat yang dilakukan oleh instalasi farmasi ialah dengan melakukan peramalan yang didasarkan pada pemakaian obat di periode sebelumnya dan dilakukan penentuan stok pengaman dengan memperkirakan angka pemakaian yang dimulai dari 10% pemakaian. Peramalan dilakukan dengan menghitung pemakaian rata-rata obat selama satu tahun terakhir lalu melihat pola penyakit pasien selama tiga bulan sebelumnya dan dijadikan acuan untuk peramalan selanjutnya. Penetapan prioritas dilakukannya pada saat rapat pengadaan secara manual tanpa adanya penggunaan metode tertentu.
Pada proses pemesanan, seluruh obat di instalasi farmasi dilakukan selama satu kali di awal bulan melalui e-katalog. Jika terdapat obat yang memiliki stok kosong dan sangat dibutuhkan, maka akan dilakukan pemesanan urgensi dengan jumlah yang terbatas dengan jangka waktu 2 hari. Pemesanan obat yang dilakukan di instalasi farmasi pada tahun 2020 dilakukan selama 3 bulan sekali dalam setahun, namun ternyata tidak efektif untuk dilakukan sehingga dilakukan perubahan di tahun 2021 menjadi sebulan sekali dan dilakukan di awal bulan.
I-3
Obat-obatan yang disediakan oleh instalasi farmasi RS. USU secara keseluruhan terdaftar di dalam Formularium Nasional 2019. Salah satu jenis obatnya adalah obat antibiotik. Menurut (Kartikani et al, 2014) Obat antibiotik merupakan obat anti-bakteri yang digunakan untuk mencegah atau mengobati penyakit infeksi bakteri. Penggunaan obat antibiotik penting untuk diperhatikan karena jika terjadi kekosongan maka akan berdampak pada tidak terpenuhinya kebutuhan pasien akan terapi obat yang optimal. Menurut (Kementrian Kesehatan Republik Indonesia, 2011) penggunaan obat antibiotik pada pasien harus memperhatikan waktu, frekuensi dan lama pemberian sesuai dengan terapi dan kondisi pasien. Oleh karena itu, perlu dilakukan perencanaan yang tepat untuk obat antibiotik.
Pada perencanaan obat antibiotik kesulitan disebabkan oleh adanya pergantian dokter yang memiliki peresepan obat yang berbeda, hal ini membuat beberapa obat tidak dapat digunakan kembali. Selain itu, tidak terprediksinya waktu pengadaan membuat stok pengaman yang seharusnya digunakan saat obat dibutuhkan, habis digunakan pada saat waktu tunggu tersebut. Berdasarkan data pemakaian obat Tahun 2020 - 2021, obat Cefadroxil 500 mg merupakan obat antibiotik dengan pemakaian tertinggi. Pada Tabel 1.1. adalah data pemakaian dan pengadaan pada obat Cefadroxil 500 mg Tahun 2020 – 2021.
Tabel 1.1. Data Pemakaian dan Pengadaan Obat Cefadroxil 500 mg pada Tahun 2020 -2021
Bulan Tahun Pemakaian Pengadaan
Januari 2020 4056 10000
Februari 2020 133 0
Maret 2020 50 0
I-4
Tabel 1.1. Data Pemakaian dan Pengadaan Obat Cefadroxil 500 mg pada Tahun 2020 -2021 (Lanjutan)
Bulan Tahun Pemakaian Pengadaan
April 2020 482 9500
Mei 2020 1340 0
Juni 2020 2508 0
Juli 2020 2105 0
Agustus 2020 1522 0
September 2020 1374 0
Oktober 2020 1022 0
November 2020 1609 0
Desember 2020 1510 0
Januari 2021 1661 0
Februari 2021 1644 0
Maret 2021 1924 2100
April 2021 2029 3600
Mei 2021 2017 0
Total 26986 25200
Sumber: Pengumpulan Data
Pada Tabel 1.1 dapat dilihat bahwa terdapat ketidakseimbangan antara pemakaian dan perencanaan yang dilakukan. Pada tahun 2020, pengadaan dilakukan dengan dua kali pemesanan dan pada tahun 2021, pengadaan dilakukan dengan dua kali pemesanan yaitu pada bulan Maret dan April 2021. Terdapat selisih antara jumlah pemakaian dan pengadaan yaitu sebesar 1786 tablet obat.
Ketidakakuratan dalam prediksi pada pemakaian obat merupakan salah satu dari penyebab kekurangan stok obat. Oleh karena itu, dibutuhkan peramalan kebutuhan obat yang dapat memprediksi kebutuhan obat dengan akurat.
Penelitian di instalasi farmasi Rumah Sakit USU sebelumnya telah dilakukan oleh (Sari, 2018) yang memiliki latar belakang masalah adanya pembelian obat secara cito, yaitu pembelian obat yang tidak tersedia yang mengakibatkan semakin tingginya biaya untuk melakukan pembelian obat.
I-5
Penelitian dilakukan dengan mengklasifikasikan prioritas obat menggunakan metode klasifikasi ABC-VEN dan dilakukan pengendalian persediaan dengan metode Economic Order Quantity (EOQ) untuk menentukan pemesanan obat dengan biaya yang ekonomis serta perhitungan safety stock dan reorder point untuk menjaga ketersediaan obat.
Dalam melakukan perencanaan obat salah satu langkah yang diterapkan adalah pengelompokkan obat. Pengelompokkan obat dapat dilakukan dengan teknik data mining yaitu clustering. Clustering merupakan salah satu teknik data mining yang berfungsi dalam mengelompokkan data berdasarkan kemiripan dalam karateristiknya. Salah satu metode dalam clustering adalah hierarchical clustering. Penggunaan hierarchical clusterig algoritma complete linkage adalah penggabungan objek secara bertahap hingga dihasilkan satu klaster yang ditentukan dari jarak terjauh node antara dua klaster. Pengelompokkan obat menggunakan data mining sebelumnya sudah dilakukan oleh (Rahmatika, 2019) membandingkan algoritma K-Means dan Hierarchical clustering single linkage yang memperoleh hasil 2 klaster obat yaitu pemakaian cepat dan pemakaian lambat.
Beberapa penelitian terdahulu yang telah dilakukan berkaitan dengan objek obat ialah pada penelitian (Pradita, 2016) membangun sistem informasi peramalan obat di Apotek K24 Pucang Surabaya dengan mengelompokkan obat menggunakan metode hierarchy clustering algoritma complete linkage yang menghasilkan 5 klaster sesuai dengan pola data dan dilakukan peramalan menggunakan metode neural network. Pada penelitian (Firdaus et al. 2019)
I-6
dilakukan perbandingan metode K-Means dan hierarchy clustering dalam melakukan pengelompokkan obat yang memberikan hasil bahwa metode hierarchy clustering lebih mampu mendapatkan klaster obat, yang disebabkan oleh penentuan centroid awal yang dilakukan secara konsisten dibandingkan dengan algoritma K-Means. Oleh karena itu, pada penelitian ini digunakan metode hierarchy clustering dalam melakukan pengelompokan obat antibiotik sebelum pemilihan metode peramalan.
Pada penelitian (Ngantung et al. 2019) melakukan peramalan permintaan obat antibiotik di dengan membandingkan tiga metode yaitu moving average, weighted moving average dan exponential smoothing yang memberikan hasil bahwa metode exponential smoothing merupakan metode yang tepat untuk digunakan karena memiliki tingkat kesalahan terkecil. Pada penelitian (Abidin, 2020) memberikan hasil bahwa metode single moving average memberikan hasil prediksi terbaik dengan prediksi 5 periode dan metode single exponential smoothing memberikan hasil prediksi terbaik dengan alpha 0,2 .
Pada Penelitian (Indarti et al. 2019) melakukan penggunaan metode Minimum-Maximum Stock Level pada obat kategori A hasil analisis ABC yang memberikan hasil bahwa penggunaan metode ini memberikan peningkatan dalam efisiensi dan efektifitas pengendalian obat dengan turunnya nilai persediaan dan kejadian stock out. Pada penelitian (Permatasari et al. 2016) menggunakan metode Minimum-Maximum Stock Level pada obat generik yang dikategorikan fast moving hasil dari analisis tingkat pemakaian obat, yang memberikan hasil bahwa metode ini dapat menghitung stok minimum dan maksimum obat yang
I-7
dibutuhkan. Oleh karena itu, pada penelitian ini digunakan metode Minimum- Maximum Stock Level dalam menentukan stok persediaan yang dibutuhkan.
Berdasarkan analisa pada penelitian yang telah dilakukan peneliti sebelumnya, maka dapat diketahui bahwa terdapat kesamaan masalah yang dihadapi oleh pihak instalasi farmasi RS. USU yaitu stok obat. Tetapi sebagai pembeda dengan penelitian sebelumnya, pada penelitian ini yang akan diamati adalah perencanaan pada obat antibiotik.
Oleh karena itu, pada penelitian ini akan dilakukan pengelompokan obat antibiotik menggunakan metode hierarchy clustering algoritma complete linkage untuk kategori obat dengan pemakaian tinggi yaitu obat yang memiliki tingkat pemakaian yang tinggi pada laporan pemakaian obat dan obat pemakaian rendah yaitu obat yang memiliki tingkat pemakaian yang rendah atau sedikit di laporan pemakaian obat. Setelah itu, dilakukan pemilihan metode peramalan obat yang tepat dan perhitungan stok obat menggunakan metode Minimum-Maximum Stock Level untuk digunakan di instalasi farmasi.
1.2. Rumusan Masalah
Perencanaan obat di instalasi farmasi RS. USU yang selama ini dilakukan belum optimal dikarenakan tidak adanya metode yang digunakan dalam pengelompokan obat dan terjadinya kekurangan stok obat saat dibutuhkan, maka diperlukan suatu kajian terhadap sistem perencanaan obat yang selama ini dilakukan sehingga dapat dijadikan saran perbaikan dalam melakukan kebijakan.
Oleh karena itu, rumusan masalah pada penelitian ini adalah sebagai berikut.
I-8
1. Bagaimana sistem perencanaan obat di instalasi farmasi RS. USU?
2. Bagaimana pengelompokkan obat antibiotik menggunakan metode hierarchy clustering algoritma complete linkage?
3. Metode peramalan apa yang dapat digunakan dalam menghitung jumlah kebutuhan obat antibiotik kategori tinggi?
4. Bagaimana penggunaan metode minimum-maximum stock level dalam menghitung jumlah stok obat antibiotik kategori tinggi?
1.3. Tujuan Penelitian
Tujuan umum dalam penelitian ini adalah untuk melakukan perencanaan kebutuhan obat antibiotik yang dibutuhkan dalam instalasi farmasi di Rumah Sakit USU.
Adapun tujuan khusus dalam penelitian ini adalah sebagai berikut.
1. Mengetahui sistem perencanaan obat di instalasi farmasi RS.USU
2. Melakukan pengelompokkan obat antibiotik menggunakan metode hierarchy clustering algoritma complete linkage.
3. Melakukan pemilihan metode peramalan dan menghitung jumlah kebutuhan obat antibiotik kategori obat pemakaian tinggi.
4. Menghitung jumlah stok obat antibiotik kategori tinggi menggunakan metode minimum-maximum stock level.
I-9
1.4. Manfaat Penelitian
Adapun manfaat yang ingin dicapai dalam penelitian ini adalah sebagai berikut.
1. Memberikan ilmu dan manfaat pada mahasiswa dalam pengaplikasian metode hierarchy clustering, metode peramalan dan minimum-maximum stock level terhadap masalah terkait yang dihadapi.
2. Hasil penelitian dapat digunakan sebagai bahan pertimbangan dan masukan kepada pihak Rumah Sakit dalam menentukan kebijakan pada perencanaan obat di instalasi farmasi.
3. Hasil penelitian ini dapat digunakan sebagai referensi dalam mengatasi masalah yang berkaitan dengan perencanaan obat.
1.5. Batasan dan Asumsi
Berikut ini merupakan batasan dan asumsi yang digunakan dalam penelitian ini.
1. Penelitian dilakukan di Rumah Sakit Universitas Sumatera Utara bagian instalasi farmasi.
2. Data yang digunakan ialah data pemakaian obat selama tahun 2020 - 2021 dan data laporan perencanaan obat di tahun 2020 - 2021.
3. Algoritma yang digunakan dalam pengelompokkan obat adalah algoritma complete linkage.
4. Obat antibiotik dikelompokan menjadi dua kategori yaitu obat pemakaian
I-10
tinggi dan obat pemakaian rendah.
5. Jenis obat yang dilakukan prediksi ialah obat antibiotik hasil dari pengelompokan pada kategori obat pemakaian tinggi.
6. Periode pengadaan obat yang dilakukan per bulan diasumsikan 30 hari.
1.6. Sistematika Penulisan Laporan
Sistematika penulisan laporan dari tugas sarjana akan disajikan dalam Bab I hingga Bab VI. Sistematika penulisan tugas sarjana dapat dilihat sebagai berikut:
Bab I Pendahuluan, berisi tentang latar belakang dilakukannya penelitian, rumusan masalah, tujuan penelitian, manfaat penelitian, batasan masalah dan asumsi yang digunakan dan sistematika penulisan laporan.
Bab II Tinjauan Pustaka, berisi mengenai dasar teori dan metode yang digunakan dalam pemecahan masalah penelitian, review hasil penelitian terdahulu dan kerangka teoritis yang dijadikan sebagai landasan berpikir pelaksanaan penelitian.
Bab III Metode Penelitian, berisi tentang bagaimana penelitian akan dilakukan sesuai dengan tujuan yang ditetapkan. Metode penelitian mencakup jenis penelitian, lokasi dan waktu penelitian, objek penelitian, metode pengumpulan data, dan metode analisis data.
Bab IV Pengumpulan dan Pengolahan Data, berisi mengenai data yang dikumpulkan selama penelitian berlangsung yang berhubungan dengan pemecahan masalah pada penelitian.
I-11
Bab V Analisis dan Pembahasan, berisi mengenai analisis dan pembahasan hasil pengolahan data dan pemecahan masalah dalam penelitian
Bab VI Kesimpulan dan Saran, berisi kesimpulan yang diperoleh dari penelitian dan saran yang dapat diberikan untuk penelitian selanjutnya.
II-1
BAB II
TINJAUAN PUSTAKA
2.1. Rumah Sakit
Menurut Undang Undang No. 44 Tahun 2009, rumah sakit merupakan suatu unit pelayanan kesehatan yang melaksanakan pelayanan perorangan secara lengkap yang menyediakan pelayanan rawat inap, rawat jalan dan gawat darurat.
Pelayanan kesehatan yang diberikan ialah pelayanan yang meliputi promotif, preventif, kuratif dan rehabilitatif (Undang Undang No. 44 Tahun 2009 tentang Rumah Sakit).
2.1.1. Fungsi Rumah Sakit
Berdasarkan Undang Undang No. 44 Tahun 2009 Bab 3 Pasal 5 menyebutkan bahwa rumah sakit memiliki fungsi sebagai berikut (Undang Undang No. 44 Tahun 2009 tentang Rumah Sakit).
1. Penyelenggaraan pelayanan pengobatan dan pemulihan kesehatan sesuai dengan standar pelayanan rumah sakit.
2. Pemeliharaan dan peningkatan kesehatan perorangan melalui pelayanan kesehatan yang paripurna tingkat kedua dan ketiga sesuai kebutuhan medis.
3. Penyelenggaraan pendidikan dan pelatihan sumber daya manusia dalam rangka peningkatan kemampuan dalam pemberian pelayanan kesehatan.
II-2
4. Penyelengaraan penelitian dan pengembangan serta penapisan teknologi bidang kesehatan dalam rangka peningkatan pelayanan kesehatan dengan memperhatikan etika ilmu bidang kesehatan.
2.1.2. Farmasi Rumah Sakit
Pelayanan farmasi di rumah sakit merupakan salah satu kegiatan pelayanan yang dilakukan sebagai penunjang pelayanan kesehatan yang bermutu.
Dalam Keputusan Menteri Kesehatan Nomor 1333/Menkes/SK/XII/1999 mengenai standar pelayanan rumah sakit, disebutkan bahwa pelayanan farmasi di rumah sakit merupakan bagian yang tidak bisa dipisahkan dari sistem pelayanan kesehatan rumah sakit yang orientasinya ialah pada pelayanan pasien, penyediaan obat yang bermutu termasuk pelayanan farmasi klinik yang terjangkau bagi masyarakat (Satibi,2015)
2.2. Manajemen Obat
Manajemen obat di rumag sakit merupakan unsur penting dalam fungsi manajerial rumah sakit secara keseluruhan. Manajemen obat yang tidak efisien akan mengakibatkan dampak negatif terhadap rumah sakit baik secara medis dan ekonomis. Tujuan dari manajemen obat ialah menjaga ketersediaan obat yang dibutuhkan dalam jumlah yang cukup, mutu yang baik dan harga yang terjangkau (Satibi, 2015)
II-3
2.3. Data Mining
Data mining adalah suatu proses dalam mendapatkan suatu informasi atau pola dari suatu basis data. Data Mining atau Knowledge Discovery in Database (KDD) merupakan aktivitas yang berkaitan dengan pengumpulan data, pemakaian data historis untuk menemukan pengetahuan, informasi, keteraturan, pola atau hubungan dalam data yang berukuran besar (Buulolo, Efori.2020). Beberapa definisi lain Data Mining ialah sebagai berikut.
1. Data Mining adalah proses dalam menemukan pola dan informasi menarik dari sejumlah data yang besar. Sumber data dapat berasal dari database, gudang data atau data yang dialirkan ke dalam sistem secara dinamis (Han, et.al.,2011)
2. Menurut Garnet Group dalam Nofriansyah, data mining ialah proses dalam menemukan suatu pola, hubungan dan kecenderungan yang berarti dalam sejumlah data yang besar dengan cara memeriksanya dan menggunakan teknik pengenalan pola seperti statistik dan matematika (Nofriansyah, Dicky. 2019).
3. Data Mining adalah suatu proses dalam menemukan pola yang bermanfaat dan kecenderungan di dalam sejumlah besar data set.
Oleh karena itu, dapat disimpulkan bahwa data mining ialah suatu proses dalam menemukan suatu informasi atau pola yang berkaitan dengan aktivitas pengumpulan dan pemakaian data dalam suatu jumlah data yang besar, dengan menggunakan teknik statistik ataupun algoritma tertentu.
II-4
2.4. Tahapan Data Mining
Dalam prosesnya, data mining dibagi dalam beberapa tahap yang dapat dilihat pada Gambar 2.1.
Sumber : Han.et all. Data Mining Concepts and Techniques
Gambar 2.1. Tahapan dalam Data Mining Berikut adalah tahapan dalam data mining.
1. Pembersihan Data (Data Cleaning)
Pembersihan data merupakan proses menghilangkan noise dan data yang tidak relevan.
2. Integrasi Data (Data Integration)
Integrasi data ialah proses penggabungan data dari berbagai basis data menjadi suatu basis data baru.
II-5
3. Seleksi Data (Data Selection)
Seleksi data dilakukan untuk menyaring data-data yang relevan yang akan digunakan sesuai dengan tujuan analisis.
4. Transformasi Data (Data Transformation)
Data yang digunakan diubah atau digabung dalam suatu format yang sesuai untuk diproses dalam data mining.
5. Penambangan Data (Data Mining)
Proses yang utama dengan menerapkan metode untuk menemukan pengetahuan atau pola data.
6. Evaluasi Pola (Pattern Evaluation)
Identifikasi pola yang menarik ke dalam knowledge based yang ditemukan pada proses data mining.
7. Presentasi Pengetahuan (Knowledge Presentation) Visualisasi dan penyajian kepada pengguna.
2.5. Pengelompokan Data Mining
Menurut Larose (2014) terdapat 6 kategori pekerjaan yang dapat diselesaikan oleh data mining yaitu sebagai berikut.
1. Deskripsi (Description)
Deskripsi pola dan tren digunakan untuk memberikan penjelasan dan merepresentasikan data secara jelas. Deskripsi dapat diselesaikan dengan analisis data eksplorasi dan metode grafis.
II-6
2. Estimasi (Estimation)
Estimasi dilakukan untuk memperkirakan dan mengelompokkan nilai.
Perbedaan utama antara estimasi dan klasifikasi ialah pada variabel target yang bersifat numerikal daripada kategori.
3. Prediksi (Forecasting)
Prediksi merupakan proses menerka nilai suatu objek dimasa yang akan datang.
4. Klasifikasi (Classification)
Klasifikasi memiliki variabel target kategorikal yang menjelaskan konsep atau kelas data yang bertujuan untuk memperkirakan kelas suatu objek yang tidak diketahui labelnya.
5. Clustering
Clustering ialah pengelompokkan data yang memiliki kemiripan dalam karateristiknya.
6. Asosiasi (Assosiation)
Asosiasi dilakukan dengan mengidentifikasi hubungan dan mengelompokkan data dari peristiwa yang terjadi di satu waktu.
2.6. Cluster Analysis
Analisis klaster ialah proses untuk mempartisi sekumpulan objek pengamatan ke dalam suatu himpunan bagian. Setiap elemen subset ialah sebuah klaster, sehingga objek yang terdapat pada suatu klaster mirip antara satu sama lain, namun berbeda dengan objek yang berada di klaster lain. Metode
II-7
pengelompokkan yang berbeda dapat menghasilkan pengelompokan yang berbeda pada suatu kumpulan data yang sama. Dalam melakukannya, partisi dilakukan oleh algoritma klastering dan tidak dilakukan oleh manusia (Han, 2012).
Menurut (Johnson & Wichern, 2007) terdapat dua jenis metode dalam melakukan klastering yaitu sebagai berikut.
1. Hierarchy clustering
Pada metode ini, pengelompokan diambil dari pengabungan data yang belum diketahui kemiripan sifat dan jumlah dari klaster yang diinginkan.
Terdapat dua jenis metode yaitu agglomerative hierarchical dan divisive hierarchical. Pada metode agglomerative hierarchical, penggabungan objek dilakukan secara bertahap hingga dihasilkan satu klaster. Sedangkan pada metode divisive, dilakukan pemisahan bertahap dari satu klaster yang besar hingga menjadi beberapa klaster atau hingga pada satu klaster hanya tersisa satu objek
2. Non-hierarchy clustering
Pada metode ini dirancang untuk mengelompokkan item ke dalam kumpulan k klaster. Jumlah klaster dapat ditentukan terlebih dahulu.
2.7. Cluster Time-Series Analysis
Menurut Liao (2005) dalam melakukan cluster time-series terdapat tiga kategori pendekatan. Kategori pertama ialah pendekatan berbasis data mentah yang dilakukan dengan menghitung jarak antar series menggunakan data mentah.
Jarak yang sering digunakan ialah euclidean distance. Kategori kedua ialah
II-8
pendekatan dengan menyarikan data mentah dengan menghilangkan pengaruh data noise dan mengurangi dimensi data lalu diakukan perhitungan jarak. Kategori ketiga ialah pendekatan dengan model yang telah dibentuk dari data mentah sehingga klastering dilakukan dengan menggunakan model yang sudah ada.
2.8. Agglomerative Hierarchial Clustering
Menurut (Han, 2012) metode ini menggunakan strategi bottom-up yang dimulai dengan membiarkan setiap objek membentuk klasternya sendiri dan secara iteratif menggabungkan setiap klaster menjadi klaster yang lebih besar sampai semua objek berada dalam satu klaster. Langkah penggabungan yang dilakukan yaitu dengan menggabungkan dua klaster yang paling dekat menurut ukuran kesamaannya menjadi satu klaster. Hal itu terus berlanjut hingga setiap klaster berisi setidaknya satu objek yang dapat dilihat pada Gambar 2.2.
Sumber : Han.et all. Data Mining Concepts and Techniques
Gambar 2.2. Agglomerative Hierarchial Clustering Pada Objek
II-9
Pada metode ini terdapat beberapa algoritma yang digunakan untuk melakukan pengukuran jarak yang dikenal dengan linkage measures.
1. Single Linkage
Pada algoritma ini setiap klaster diwakiliki oleh semua objek yang berada di dalam klaster dengan kesamaan yang diukur berdasarkan kesamaan titik data terdekat yang dimiliki oleh klaster yang berbeda.
distmax(Ci,Cj) =𝑚𝑖𝑛𝑝⋲𝐶𝑖,𝑝′⋲𝐶𝑗 |𝑝 − 𝑝′| 2. Complete Linkage
Pada algoritma ini, jarak antara dua klaster ditentukan dari node yang paling jauh dalam dua klaster. Algoritma ini cenderung meminimalkan peningkatan diameter klaster pada setiap iterasi.
distmax(Ci,Cj) =𝑚𝑎𝑥𝑝⋲𝐶𝑖,𝑝′⋲𝐶𝑗 |𝑝 − 𝑝′| 3. Average distance
Algoritma ini menghitung rata-rata jarak antara dua klaster. Berikut ini adalah cara perhitungannya.
distavg(Ci,Cj) = 1
𝑛𝑖𝑛𝑗∑𝑝⋲𝐶𝑖,𝑝′⋲𝐶𝑗|𝑝 − 𝑝′|
Salah satu metode perhitungan jarak yang dapat digunakan ialah euclidean distance. Berikut ini adalah rumus yang digunakan.
dist(X1,X2) = √∑𝑛𝑖=1(𝑋1𝑖− 𝑋12)2 Dimana, X1 adalah x12, x13,... x1n dan X1 adalah x21, x23,... x1n
II-10
2.9. Koefisien Silhouette
Metode ini merupakan salah satu metode evaluasi yang digunakan untuk melihat apakah cluster yang terbentuk sudah optimal atau belum. Tahapan perhitungan dari koefisien silhouette adalah sebagai berikut.
1. Pada masing-masing objek i, dihitung rata-rata jarak objek ke i dengan semua objek yang berada pada satu kelompok yang sama.
2. Pada masing - masing objek i, dihitung rata-rata jarak suatu objek ke i dengan semua data yang berada pada kelompok yang berbeda, lalu diambil nilai yang paling kecil.
3. Dihitung nilai koefisien silhouette dengan menggunakan rumus Si = (𝑏𝑖−𝑎𝑖)
𝑚𝑎𝑥 (𝑎𝑖,𝑏𝑖)
dengan keterangan sebagai berikut.
ai = rata-rata objek ke-i dengan semua objek pada kelompok yang sama bi = rata-rata objek ke-i dengan semua objek pada kelompok yang berbeda Si = nilai koefisien silhouette
Nilai hasil perhitungan dapat bervariasi antara -1 hingga 1. Berikut ini adalah kriteria subjektif kualitas pengelompokkan berdasarkan nilai silhouette.
Tabel 2.1 Kriteria Subjektif Kualitas Pengelompokkan Koefisien Silhouette Nilai Silhouette Interpretasi
0,71 – 1,00 Strong Cluster
0,51 – 0,70 Good Cluster
0,26 – 0,50 Weak Cluster
0,00 – 0,25 Bad Cluster
Sumber : Kauffman dan Rousseuw (1990)
Kriteria kualitas pengelompokkan berdasarkan koefisien silhouette terdapat empat kriteria yaitu bad, weak, good dan strong.
II-11
2.10. R
Menurut (Rangra et al. 2014) Revolution ialah satu bahasa pemrograman perangkat lunak gratis dan lingkungan perangkat lunak untuk komputasi dan grafik. Bahasa R banyak digunakan diantara ahli statistik dan penambang data dalam melakukan pengembangan perangkat lunak statistik dan analisis data.
Kekuatan yang dimiliki R salah satunya adalah kemudahan dalam menghasilkan plot yang berkualitas termasuk simbol dan rumus matematika yang diperlukan. R pertama kali dirilis pada tahun 1997. Kelebihan lain yang dimiliki oleh R ialah sebagai berikut.
1. Memiliki library statistik yang sangat luas.
2. Impor dan ekspor data dari spreadsheet dapat lebih mudah karena disimpan dalam dataframe yang dioperasikan berbagai algoritma pembelajaran mesin.
3. R memiliki grafik yang lebih baik
4. Lebih mudah digabungkan dengan perhitungan statistik lainnya.
2.11. Forecasting
Peramalan ialah awal dari suatu proses pengambilan keputusan. Peramalan merupakan suatu perkiraan, namun menggunakan teknik-teknik tertentu.
Peramalan dilakukan untuk menentukan jumlah permintaan terhadap suatu produk dan merupakan langkah awal dari proses perencanaan dan pengendalian produksi.
Pada peramalan ditetapkan jenis produk apa yang dibutuhkan, jumlahnya dan kapan dibutuhkan. Tujuan dari suatu peramalan ialah untuk meredam
II-12
ketidakpastian, sehingga diperoleh perkiraan yang mendekati keadaan sebenarnya.
(Ginting,2007).
2.12. Jangka Waktu Peramalan
Dalam melakukan peramalan, harus ditentukan tujuan untuk jangka waktu peramalan. Terdapat tiga tujuan peramalan yaitu sebagai berikut.
1. Peramalan Jangka Pendek
Peramalan yang digunakan untuk penyusunan hasil ramalan dengan jangka waktu satu tahun atau kurang. Peramalan ini digunakan untuk mengambil keputusan kontrol jangka pendek
2. Jangka Menengah
Peramalan yang digunakan untuk penyusunan hasil ramalan dengan jangka waktu satu hingga lima tahun kedepan. Peramalan ini lebih mengkhususkan dibandingkan dengan peramalan jangka panjang seperti menentukan aliran kas, perencanaan produksi dan penentuan anggaran.
3. Jangka Panjang
Peramalan yang digunakan untuk penyusunan hasil ramalan dengan jangka waktu lebih dari lima tahun yang akan datang.
2.13. Pola Data
Menurut (Makridakis, 1998) terdapat beberapa pola pada data yaitu sebagai berikut.
II-13
1. Pola Horizontal (H)
Pola ini ada ketika data berfluktuasi secara konstan disekitar rata-rata.
Produk yang penjualannya tidak meningkat atau menurun merupakan salah satu jenis pola ini.
2. Pola Seasonal (S)
Pola ini ada ketika data dipengaruhi oleh faktor musiman (misalnya, kuartal tahun, bulan, hari). Pola ini biasanya dimiliki oleh penjualan produk seperti minuman ringan, es krim dan konsumsi listrik rumah tangga. Serial musiman juga terkadang disebut berkala walaupun tidak benar-benar terulang selama setiap periode.
3. Pola Siklis (C)
Pola ini ada ketika data menunjukkan naik dan turun yang bukan dari periode tetap. Biasanya terjadi dikarenakan adanya fluktuasi ekonomi seperti yang terkait dengan siklus bisnis.
4. Pola Trend (T)
Pola ini ada ketika data menunjukkan kenaikan atau penurunan jangka panjang dalam data.
Menurut (Keating et al, 2009) variasi data berkala terdiri dari empat komponen sebagai berikut.
1. Variasi tren yaitu suatu gerakan yang menunjukkan keadaan data yang menaik atau menurun dari waktu ke waktu.
2. Variasi musiman yaitu fluktuasi yang muncul secara reguler setiap tahun yang memiliki pola tetap dari waktu ke waktu.
II-14
3. Variasi siklis yaitu variasi yang muncul ketika data dipengaruhi fluktuasi ekonomi jangka panjang dan bisa terulang setelah jangka waktu tertentu.
4. Variasi tidak teratur yaitu variasi yang gerakannya tidak teratur yang dapat disebabkan adanya perang, bencana alam dan sebab-sebab lainnya yang sulit diduga.
2.14. Metode Peramalan
Menurut (Ginting, 2007) metode dalam melakukan peramalan pada suatu produk dibedakan menjadi:
1. Peramalan Kualitatif
Peramalan yang bersifat subjektif yang dipengaruhi oleh pemikiran yang bersifat pendapat, intuisi dan pengalaman dari penyusunnya. Beberapa metode yang digunakan ialah Delphi, S-curve, analogies dan penelitian bentuk yang didasarkan atas ciri ciri normatif.
2. Peramalan Kuantitatif
Peramalan yang didasarkan pada data kuantitaif di masa lalu. Peramalan ini hanya dapat digunakan jika terdapat tiga kondisi yaitu adanya informasi tentang keadaan yang lain, informasi dapat dikuantifikasikan dalam bentuk data dan dapat diasumsikan bahwa pola yang lalu akan berkelanjutan dimasa yang akan datang. Metode pada peramalan kuantitatif dibagi menjadi dua yaitu:
II-15
a. Metode Time-Series
Metode time-series ialah metode yang digunakan dalam melakukan analisis data yang berasal dari periode waktu. Metode ini mengasumsikan beberapa atau kombinasi pola selalu berulang sepanjang waktu dan dapat diidentifikasi berdasarkan data historis.
b. Metode Kausal
Metode ini mengasumsikan faktor memiliki hubungan sebab akibat dengan satu atau beberapa variabel bebas. Metode ini berguna dalam menemukan bentuk hubungan antara variabel-variabel yang akan digunakan dalam meramalkan nilai dari variabel tidak bebas.
2.15. Metode Time-Series
Menurut (Wilson et.al, 2009) metode time-series smoothing menggunakan bentuk rata-rata tertimbang dari pengamatan masa lalu untuk memuluskan pergerakan naik-turun, yaitu, beberapa metode statistik untuk menekan fluktuasi jangka pendek. Hal ini didasarkan pada konsep bahwa ada beberapa pola yang mendasari data yaitu, semua data deret waktu yang akan diramalkan diasumsikan memiliki beberapa siklus atau fluktuasi yang cenderung berulang.
Menurut (Chopra, 2013) terdapat beberapa metode peramalan dengan menggunakan metode time-series yaitu sebagai berikut.
1. Static Methods
Metode ini merupakan metode peramalan yang mengasumsikan bahwa peramalan level, trend dan seasonal dalam komponen sistematis tidak
