PERAMALAN BANYAKNYA OBAT PARASETAMOL DAN AMOKSILIN DOSIS 500 MG YANG DIDISTRIBUSIKAN OLEH DINKES SURABAYA

Transkripsi

1 Seminar Hasil Tugas Akhir Jurusan Statistika Institut Teknologi Sepuluh Nopember Surabaya 2013 LOGO PERAMALAN BANYAKNYA OBAT PARASETAMOL DAN AMOKSILIN DOSIS 500 MG YANG DIDISTRIBUSIKAN OLEH DINKES SURABAYA Oleh : Renalia Puspita ( ) Dosen Pembimbing: Dr.rer.pol. Heri K., S.Si, M.Si

2 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).

3 Proses pembuatan obat cukup rumit. Obat memiliki masa kadaluarsa Persediaan jumlah obat obatan harus TEPAT

4 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

5 PUSKESMAS 1 PUSKESMAS 2 PUSKESMAS 3 Berapa jumlah kebutuhan parasetamol & amoksilin untuk periode mendatang? PERAMALAN Model ARIMA Box Jenkins

6 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.

7 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

8 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 Z t yang diperoleh berdasarkan indeks waktu tertentu (t i ) dengan i = 1, 2,, n, sehingga penulisan data time Series adalah Z, Z, Z,..., Z t 1 t 2 t 3 t n. Beberapa hal yang perlu diperhatikan di dalam metode time series, yaitu kestasioneran data, fungsi autokorelasi dan fungsi autokorelasi parsial.

9 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).

10 Fungsi Autukovarians & Autokorelasi

11

12 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).

13 Prosedur ARIMA Box-Jenkins 1. Identifikasi

14 Prosedur ARIMA Box-Jenkins 2. Estimasi dan Pengujian Signifikansi Parameter

15 Prosedur ARIMA Box-Jenkins 3. Uji Asumsi Residual

16 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).

17 Sumber Data Data obat parasetamol dan amoksilin dosis 500 mg yang dikeluarkan Gudang Farmasi Dinkes Surabaya selama 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

18 Analisis Deskriptif Variabel N Rata - rata Minimum Maksimum Median Standar deviasi Parasetamol Amoksilin Jumlah minimum obat parasetamol yang dikeluarkan dalam satu bulan adalah sebanyak butir pada Desember Jumlah maksimum obat parasetamol yang dikeluarkan sebanyak pada Juli Jumlah minimum amoksilin yang pernah dikeluarkan oleh Gudang Farmasi Kesehatan Surabaya adalah sebanyak butir Januari Jumlah maksimum obat amoksilin yang dikeluarkan dari Gudang Farmasi sebanyak 367,000 butir pada Desember Nilai tengah data parasetamol adalah dan untuk data amoksilin. Standar deviasi data parasetamol adalah sedangkan untuk data amoksilin memiliki standar deviasi

19 Time Series Plot of parasetamol Box-Cox Plot of parasetamol Lower CL Upper CL Lambda (using 95.0% confidence) Jumlah parasetamol StDev Estimate Lower CL Upper CL Rounded Value Bulan Lambda Limit

20 Time Series Plot of transform Time Series Plot of diff transform diff Bulan Bulan

21 Autocorrelation Function for diff1 (with 5% significance limits for the autocorrelations) Partial Autocorrelation Function for diff1 (with 5% significance limits for the partial autocorrelations) Autocorrelation Partial Autocorrelation Lag Lag

22 Estimasi dan Uji Signifikansi Parameter ARIMA (1,1,1) Parameter Koefisien Estimasi T p-value φ 1 0,0206 0,13 0,901 θ 1 0,8091 8,40 0,000

23 Estimasi dan Uji Signifikansi Parameter ARIMA (0,1,1) Parameter Koefisien Estimasi T p-value θ 1 0, ,12 0,000

24 Uji Asumsi Residual White Noise ARIMA (0,1,1) Lag Chi Square p-value 12 10,5 0, ,3 0, ,7 0, ,1 0,752

25 Uji Asumsi Residual Berdistribusi Normal ARIMA (0,1,1) Probability Plot of RESI2 Normal Percent Mean E-07 StDev N 59 KS P-Value RESI

26 Estimasi dan Uji Signifikansi Parameter ARIMA (1,1,0) Parameter Koefisien Estimasi T p-value φ 1-0,5773-5,38 0,000

27 Uji Asumsi Residual White Noise ARIMA (1,1,0) Lag Chi Square p-value 12 8,2 0, , ,5 0, ,6 0,490

28 Uji Asumsi Residual Berdistribusi Normal ARIMA (1,1,0) Probability Plot of RESI3 Normal Percent Mean E-08 StDev N 59 KS P-Value > RESI

29 Hasil Peramalan Kebutuhan Parasetamol dengan model ARIMA (1,1,0) Bulan Januari 2012 Februari 2012 Maret 2012 Apr-12 Mei 2012 Juni 2012 Juli 2012 Agustus 2012 Sep-12 Oktober 2012 Nopember 2012 Desember 2012 Parasetamol

30 Time Series Plot of amoksilin Box-Cox Plot of amoksilin Lower CL Upper CL Lambda amoksilin StDev (using 95.0% confidence) Estimate 1.10 Lower CL 0.24 Upper CL 1.94 Rounded Value Bulan Lambda Limit

31 Time Series Plot of Diff Diff Bulan

32 Autocorrelation Function for diff 1 (with 5% significance limits for the autocorrelations) Partial Autocorrelation Function for diff 1 (with 5% significance limits for the partial autocorrelations) Autocorrelation Partial Autocorrelation Lag Lag

33 Estimasi dan Uji Signifikansi Parameter ARIMA (2,1,1) Parameter Koefisien Estimasi T p-value φ 1-0,5682-1,40 0,168 φ 2-0,3715-2,33 0,024 θ 1-0,2244-0,52 0,604

34 Estimasi dan Uji Signifikansi Parameter ARIMA (2,1,0) Parameter Koefisien Estimasi T p-value φ 1-0,3616-2,83 0,006 φ 2-0,3113-2,34 0,023

35 Uji Asumsi Residual White Noise ARIMA (2,1,0) Lag Chi Square p-value 12 7,5 0, ,4 0, , ,6 0,488

36 Uji Asumsi Residual Berdistribusi Normal ARIMA (2,1,0) Probability Plot of RESI Amoksilin Normal Percent Mean 5223 StDev N 59 KS P-Value > RESI Amoksilin

37 Hasil Peramalan Kebutuhan Amoksilin dengan model ARIMA (2,1,0) Bulan Amoksilin Januari Februari Maret Apr Mei Juni Juli Agustus Sep Oktober Nopember Desember

38 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 ; ; ; ; ; ; ; ; ; ; ; Untuk obat amoksilin dosis 500 mg hasil peramalan untuk 12 bulan mendatang adalah ; ; ; ; ; ; ; ; ; ; ;

39 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.