logo peramalan banyaknya obat parasetamol dan …
TRANSCRIPT
LOGO
PERAMALAN BANYAKNYA OBAT PARASETAMOL DAN
AMOKSILIN DOSIS 500 MG YANG DIDISTRIBUSIKAN OLEH
DINKES SURABAYA
Oleh : Renalia Puspita (1309 105 018)
Dosen Pembimbing: Dr.rer.pol. Heri K., S.Si, M.Si
Seminar Hasil Tugas Akhir
Jurusan Statistika
Institut Teknologi Sepuluh Nopember Surabaya 2013
Menurut Ansel (1989), Obat dapat didefinisikan sebagai suatu zat yang dimaksudkan untuk dipakai dalam diagnosis, mengurangi rasa sakit, mengobati atau mencegah penyakit pada manusia atau hewan .
Bentuk sediaan obat yang sering ditemukan di pasaran antara lain berupa tablet, kapsul, injeksi, ointment (salep), aerosol, dan lain – lain (Ansel, 1989).
Proses pembuatan obat cukup
rumit.
Obat memiliki
masa kadaluarsa
Persediaan jumlah obat – obatan harus TEPAT
Termasuk golongan obat analgesik non
opioid yang dijual secara bebas.
Obat parasetamol yang beredar di
pasaran terdiri dari tablet dosis 500 mg,
tablet dosis 100 mg,
dan sirup dosis 500 mg.
Termasuk golongan antibiotik
Digunakan untuk mengobati
Infeksi saluran pernapasan, infeksi
Saluran kemih, sinusitis, bronkitis,
Pneumonia, dan infeksi rongga mulut
PUSKESMAS 1
PUSKESMAS 2
PUSKESMAS 3
Berapa jumlah kebutuhan
parasetamol & amoksilin untuk
periode mendatang ?
PERAMALAN
Model ARIMA Box Jenkins
1. Elliyana M. (2009) yang memodelkan data produksi minyak bumi dengan menggunakan metode GSTAR dan ARIMA untuk mengatasi dugaan tidak adanya hubungan keterkaitan antar lokasi produksi minyak bumi.
2. Febriana (2012) juga menggunakan model ARIMA tunggal dan kombinasi untuk meramalkan jumlah permintaan darah di UDD PMI Kota Surabaya dimana kesimpulan yang diperoleh adalah model ARIMA kombinasi patut dipertimbangkan karena banyak kemungkinan model yang signifikan dan memenuhi asumsi.
3. Widiarso (2012) menggunakan model ARIMA yaitu untuk meramalkan curah hujan di Kabupaten Ngawi.
4. Pradhani (2012) menggunakan model ARIMA untuk meramalkan kebutuhan air bersih di Kabupaten Bojonegoro.
PERMASALAHAN
1. Model ARIMA paling
sesuai untuk meramalkan kebutuhan parasetamol & amoksilin.
2. Nilai hasil ramalan kebutuhan parasetamol & amoksilin di periode mendatang.
TUJUAN
PENELITIAN 1. Menemukan
model ARIMA yang paling sesuai.
2. Mendapatkan nilai ramalan kebutuhan parasetamol & amoksilin di periode mendatang.
MANFAAT
PENELITIAN
Hasil dari penelitian ini dapat dimanfaatkan oleh pihak Dinas Kesehatan dan Gudang Farmasi sebagai salah satu solusi untuk mengatasi permasalahan persediaan obat-obatan khususnya obat parasetamol dan amoksilin dosis 500 mg.
BATASAN PENELITIAN
Jenis obat : Parasetamol & amoksilin, dosis : 500 mg, periode data : tahun 2007 - 2011
Analisis Time series Time series adalah serangkaian pengamatan terhadap suatu variabel yang
diambil dari waktu ke waktu dan dicatat secara berurutan menurut urutan waktu kejadiannya dengan interval waktu yang tetap (Wei,2006). Setiap pengamatan dinyatakan sebagai variabel random Zt yang diperoleh berdasarkan indeks waktu tertentu (ti ) dengan i = 1, 2, …, n, sehingga penulisan data time Series adalah
ntttt ZZZZ ,...,,,321
. Beberapa hal yang perlu diperhatikan di dalam metode time series, yaitu kestasioneran data, fungsi autokorelasi dan fungsi autokorelasi parsial.
Stasioneritas Stasioneritas time series adalah suatu keadaan dimana tidak terdapat peningkatan atau penurunan pada data. Dengan kata lain, terjadinya perubahan atau fluktuasi data berada di sekitar nilai rata-rata yang konstan, tidak tergantung waktu dan ragam dari fluktuasi tersebut (Makridakis, dkk, 1999).
Fungsi Autukovarians & Autokorelasi
Prosedur ARIMA Box-Jenkins Prosedur Box-Jenkins digunakan untuk
memilih model ARIMA yang sesuai pada data time series. Prosedur ini meliputi empat tahapan yaitu identifikasi, penaksiran dan pengujian parameter, pemeriksaan diagnosis pada residual dan tahap terakhir adalah peramalan (Makridakis, dkk 1999).
Prosedur ARIMA Box-Jenkins
1. Identifikasi
Prosedur ARIMA Box-Jenkins
2. Estimasi dan Pengujian Signifikansi Parameter
Prosedur ARIMA Box-Jenkins
3. Uji Asumsi Residual
Prosedur ARIMA Box-Jenkins 4. Peramalan Tahapan terakhir setelah melalui tiga tahapan di
atas, adalah peramalan. Dalam praktek, model yang ditemukan bukan model yang sebenarnya, melainkan hanya pendekatannya saja yang selalu mengandung kesalahan, baik dalam langkah identifikasi maupun estimasi. Hasil ramalan dikatakan baik, jika nilai ramalannya dekat data aktual serta memiliki tingkat kesalahan yang paling kecil. Kedekatan antara nilai ramalan dengan nilai aktual dapat digunakan kriteria Mean Square Error (MSE).
Sumber Data
Data obat parasetamol dan amoksilin dosis 500 mg yang dikeluarkan Gudang Farmasi Dinkes Surabaya selama 2007 - 2011
Variabel
Penelitian
1. Parasetamol 2. Amoksilin
Langkah Analisis 1. Membuat plot time
series 2. Memeriksa
kestasioneran data dalam mean & varians
3. Melakukan differencing jika data belum stasioner dalam mean
4. Membuat plot ACF & PACF
5. Menentukan model ARIMA
6. Melakukan estimasi parameter
7. Melakukan uji asumsi residual
8. Melakukan peramalan
Analisis Deskriptif
Jumlah minimum obat parasetamol yang dikeluarkan dalam satu
bulan adalah sebanyak 202.000 butir pada Desember 2007. Jumlah maksimum obat parasetamol yang dikeluarkan sebanyak 583.000 pada Juli 2011.
Jumlah minimum amoksilin yang pernah dikeluarkan oleh Gudang Farmasi Kesehatan Surabaya adalah sebanyak 118.000 butir Januari 2008. Jumlah maksimum obat amoksilin yang dikeluarkan dari Gudang Farmasi sebanyak 367,000 butir pada Desember 2011.
Nilai tengah data parasetamol adalah 306.500 dan 221.000 untuk data amoksilin. Standar deviasi data parasetamol adalah 91.145 sedangkan untuk data amoksilin memiliki standar deviasi 68.100.
Variabel N Rata - rata Minimum Maksimum Median Standar
deviasi
Parasetamol 60 333.600 202.000 583.000 306.500
91.143
Amoksilin 60 232.617 118.000 367.000 221.000
68.100
60544842363024181261
600000
500000
400000
300000
200000
Bulan
Jum
lah
pa
rase
tam
ol
Time Series Plot of parasetamol
5.02.50.0-2.5-5.0
160000
140000
120000
100000
80000
60000
Lambda
StD
ev
Lower CL Upper CL
Limit
Estimate -1.09
Lower CL -2.14
Upper CL -0.09
Rounded Value -1.00
(using 95.0% confidence)
Lambda
Box-Cox Plot of parasetamol
60544842363024181261
0.0000050
0.0000045
0.0000040
0.0000035
0.0000030
0.0000025
0.0000020
Bulan
tra
nsfo
rm
Time Series Plot of transform
60544842363024181261
0.000002
0.000001
0.000000
-0.000001
-0.000002
Bulan
dif
f1
Time Series Plot of diff1
151413121110987654321
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Lag
Au
to
co
rre
latio
n
Autocorrelation Function for diff1(with 5% significance limits for the autocorrelations)
151413121110987654321
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
LagP
artia
l A
uto
co
rre
latio
n
Partial Autocorrelation Function for diff1(with 5% significance limits for the partial autocorrelations)
Estimasi dan Uji Signifikansi Parameter ARIMA (1,1,1)
Parameter Koefisien Estimasi T p-value
φ1 0,0206 0,13 0,901
θ1 0,8091 8,40 0,000
Estimasi dan Uji Signifikansi Parameter ARIMA (0,1,1)
Parameter Koefisien Estimasi T p-value
θ1 0,7981 10,12 0,000
Uji Asumsi Residual White Noise ARIMA (0,1,1)
Lag Chi Square p-value
12 10,5 0,488
24 24,3 0,385
36 36,7 0,390
48 40,1 0,752
Uji Asumsi Residual Berdistribusi Normal ARIMA (0,1,1)
0.0000020.0000010.000000-0.000001-0.000002
99.9
99
95
90
80
7060504030
20
10
5
1
0.1
RESI2
Pe
rce
nt
Mean -1.10386E-07
StDev 0.0000006746
N 59
KS 0.126
P-Value 0.029
Probability Plot of RESI2Normal
Estimasi dan Uji Signifikansi Parameter ARIMA (1,1,0)
Parameter Koefisien Estimasi T p-value
φ1 -0,5773 -5,38 0,000
Uji Asumsi Residual White Noise ARIMA (1,1,0)
Lag Chi Square p-value
12 8,2 0,698
24 22 0,521
36 37,5 0,353
48 46,6 0,490
Uji Asumsi Residual Berdistribusi Normal ARIMA (1,1,0)
0.0000020.0000010.000000-0.000001-0.000002
99.9
99
95
90
80
7060504030
20
10
5
1
0.1
RESI3
Pe
rce
nt
Mean -3.82544E-08
StDev 0.0000007100
N 59
KS 0.090
P-Value >0.150
Probability Plot of RESI3Normal
Hasil Peramalan Kebutuhan Parasetamol dengan model ARIMA (1,1,0)
Bulan Parasetamol
Januari 2012 399.402
Februari 2012 395.095
Maret 2012 397.57
Apr-12 396.137
Mei 2012 396.963
Juni 2012 396.486
Juli 2012 396.761
Agustus 2012 396.602
Sep-12 396.694
Oktober 2012 396.641
Nopember 2012 396.672
Desember 2012 396.654
60544842363024181261
400000
350000
300000
250000
200000
150000
100000
Bulan
am
oksilin
Time Series Plot of amoksilin
5.02.50.0-2.5-5.0
120000
110000
100000
90000
80000
70000
60000
50000
40000
30000
Lambda
StD
ev
Lower CL Upper CL
Limit
Estimate 1.10
Lower CL 0.24
Upper CL 1.94
Rounded Value 1.00
(using 95.0% confidence)
Lambda
Box-Cox Plot of amoksilin
60544842363024181261
100000
50000
0
-50000
-100000
Bulan
Dif
f1
Time Series Plot of Diff1
151413121110987654321
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Lag
Au
to
co
rre
latio
n
Autocorrelation Function for diff 1(with 5% significance limits for the autocorrelations)
151413121110987654321
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
LagP
artia
l A
uto
co
rre
latio
n
Partial Autocorrelation Function for diff 1(with 5% significance limits for the partial autocorrelations)
Estimasi dan Uji Signifikansi Parameter ARIMA (2,1,1)
Parameter
Koefisien
Estimasi T p-value
φ1 -0,5682 -1,40 0,168
φ2 -0,3715 -2,33 0,024 θ1 -0,2244 -0,52 0,604
Estimasi dan Uji Signifikansi Parameter ARIMA (2,1,0)
Parameter Koefisien Estimasi T p-value
φ1 -0,3616 -2,83 0,006
φ2 -0,3113 -2,34 0,023
Uji Asumsi Residual White Noise ARIMA (2,1,0)
Lag Chi Square p-value
12 7,5 0,680
24 15,4 0,845
36 25 0,871
48 45,6 0,488
Uji Asumsi Residual Berdistribusi Normal ARIMA (2,1,0)
150000100000500000-50000-100000
99.9
99
95
90
80
7060504030
20
10
5
1
0.1
RESI Amoksilin
Pe
rce
nt
Mean 5223
StDev 41295
N 59
KS 0.062
P-Value >0.150
Probability Plot of RESI AmoksilinNormal
Hasil Peramalan Kebutuhan Amoksilin dengan model ARIMA (2,1,0)
Bulan Amoksilin
Januari 2012 330.711
Februari 2012 338.855
Maret 2012 347.205
Apr-12 341.65
Mei 2012 341.06
Juni 2012 343.002
Juli 2012 342.483
Agustus 2012 342.067
Sep-12 342.379
Oktober 2012 342.396
Nopember 2012 342.292
Desember 2012 342.324
Kesimpulan Model ARIMA yang paling sesuai untuk meramalkan kebutuhan
obat parasetamol dosis 500 mg di periode mendatang adalah ARIMA (1,1,0). Sedangkan untuk meramalkan kebutuhan obat amoksilin dosis 500 mg di periode mendatang, model ARIMA yang paling sesuai adalah ARIMA (2,1,0).
Hasil peramalan kebutuhan parasetamol dosis 500 mg untuk
12 bulan mendatang adalah 399.402 ; 395.095 ; 397.570 ; 396.137 ; 396.963 ; 396.486 ; 396.761 ; 396.602 ; 396.694 ; 396.641 ; 396.672 ; 296.654. Untuk obat amoksilin dosis 500 mg hasil peramalan untuk 12 bulan mendatang adalah 330.711 ; 338.855 ; 347.205 ; 341.650 ; 341.060 ; 343.002 ; 342.483 ; 342.067 ; 342.379 ;342.396 ; 342.292 ; 342.324.
Saran Disarankan pada penelitian selanjutnya untuk
melanjutkan analisis dengan membuat sebuah sistem persediaan obat parasetamol dan amoksilin. Sistem persediaan disusun berdasarkan nilai hasil ramalan model ARIMA. Selain itu, disarankan untuk melakukan peramalan dengan menggunakan data obat – obatan dari Puskesmas sebagai pihak akhir yang mengeluarkan obat – obatan ke masyarakat agar persediaan obat yang tepat dalam jumlah juga bisa diterapkan di Puskesmas.