FAISAL LESTALUHU, 101511123098 (2018) PENERAPAN METODE EXPONENTIAL SMOOTHING UNTUK MERAMALKAN JUMLAH KASUS BARU HIPERTENSI DI KOTA SURABAYA. Skripsi thesis, Universitas Airlangga.

Preview	Text (abstrak) abstrak fkm 58 18.pdf Download (56kB) | Preview
	Text (Fulltext) FKM 58 18 Les p.pdf Restricted to Registered users only until 14 February 2021. Download (1MB) | Request a copy

Abstract

Metode Exponential Smoothing memiliki 3 model yang memiliki fungsi masing-masing. Model tersebut yaitu: Single Exponential smoothing, Double Exponential Smoothing, Triple Exponential Smoothing. Dalam menggambarkan jumlah kasus baru Hipertensi di Kota Surabaya metode Time Series Exponential Smoothing dapat digunakan untuk mengasumsikan nilai dan kesalahan dimasa lalu sebagai dasar peramalan dimasa datang. Tujuan dari penilitian ini adalah menentukan dan menganalisis model Time Series Exponential Smoothing yang tepat untuk digunakan dalam meramalkan jumlah kasus baru Hipertensi di Kota Surabaya. Penelitian ini merupakan penelitian observasional dengan menggunakan data sekunder tahun 2012-2016 yang diperoleh dari Dinas Kesehatan Kota Surabaya. Unit analisis pada penelitian ini adalah jumlah kasus baru Hipertensi yang ada di Kota Surabaya. Sehingga populasi dalam penelitian ini yakni seluruh kasus baru Hipertensi di Kota Surabaya. Model Peramalan terbaik dapat dilihat dari MAPE, MAD dan MSD. Hasil peramalan data jumlah kasus baru Hipertensi di Kota Surabaya dengan model terbaik Single Exponential Smoothing yaitu dengan α (alpha) = 1 yaitu MAPE = 13%, MAD = 812 dan MSD = 3301217. Hasil peramalan jumlah kasus baru Hipertensi di Kota Surabaya dengan menggunakan metode Single Exponential Smoothing dengan alpha 1 diperoleh hasil 8124 kasus pada periode ke 61 hingga 72. Hasil peramalan menunjukan penurunan dari tahun 2016 yaitu dari 105208 kasus turun di tahun 2017 yaitu 97488 kasus. Kesimpulannya model Exponential Smoothing yang cocok untuk meramalkan data jumlah kasus baru Hipertensi di Kota Surabaya adalah Single Exponential Smoothing. Data menunjukan pola data stasioner tidak mengandung tren maupun musiman.

Actions (login required)

View Item