BAB II TINJAUAN PUSTAKA

ADLN- PERPUSTAKAAN UNIVERSITAS AIRLANGGA

BAB II TINJAUAN PUSTAKA

2.1. Peramalan Time Series Peramalan (forecasting)menjadi bagian penting dalam setiap organisasi hal ini tekait setiap pengambilan keputusan manajemen yang tentunya akan mempengaruhi perkembangan organisasi. Peramalan menjadi dasar bagi perencanaan jangka panjang maupun jangka pendek dari suatu organisasi. Metode peramalan berfungsi untuk memprediksi data runtut waktu beberapa periode yang akan datang berdasarkan pada data dimasa lalu. Hal ini melibatkan pengambilan data masa lalu dan menempatkannya ke masa yang akan datang dalam bentuk persamaan matematis(Makridakis. S, Mc Gee. V.E, & Wheelwright. S.C, 1995). Peramalan adalah proses dalam manajemen untuk membantu pengambilan keputusan . Hal ini juga digambarkan sebagai prosesestimasi dalam situasi yang tidak diketahui di masa depan. Dalam istilah yang lebih umum itu umumnya dikenal sebagai prediksi yangmengacu pada perkiraan time series atau jenis data longitudinal (Abdullah, 2012). Metode peramalan secara garis besar dapat dibedakan menjadi dua yaitu Peramalan kualitatif adalah peramalan yang didasarkan pada pendapat dari yang melakukan peramalan. Metode ini digunakan bila tidak ada model matematik, biasanya dikarenakan ada tidaknya data yang cukup representatif untuk meramalkan masa yang akan datang.

9 TESIS

Perbandingan metode holt linear ....

Karol Octrisdey


10

Peramalan kuantitatif adalah peramalan yang mengunakan metode statistik. Metode yang penggunaannya didasari ketersediaan data masa lalu disertai serangkaian kaidah matematis untuk meramalkan hasil masa depan. Metode peramalan kuantitatif pada dasarnya dapat dibedakan atas: 1. Metode peramalan melalui analisis suatu variabel yang akan diperkirakan dengan variabel waktu yang dikenal dengan metode hubungan deret waktu. Data yang digunakan adalah data time series 2. Metode peramalan melalui analisis pada hubungan antara variabel yang akan diperkirakan dengan variabel-variabel yang lain yang mempengaruhi (waktu dan bukan waktu). Metode ini sering disebut dengan metode hubungan sebab akibat (causal method). Metode peramalan juga dapat diklasifikasikan sebagai berikut : Metode Peramalan

Metode Peramalan Kualitatif Subyektif 1. 2. 3. 4.

Analogis Delphi PERT Survey Techique

Metode Peramalan kuantitatif Obyektif Time Series 1. Naive 2. Moving average 3. Exponential Smoothing 4. Regres sederhana 5. ARIMA 6. Neural Network

Metode Kausal 1. Regresi Sederhana 2. Regresi Berganda 3. Neural Network

Kombinasi time series dan kausal 1. Intervention Model 2. Transfer Function (ARIMAX) 3. VARIMA (VARIMAX) 4. Neural Network

Gambar 2.1 Diagram Metode Permalan (Makridakis, Wheelwright, McGee,1995).

TESIS


Karol Octrisdey


11

Hal-hal yang harus diperhatikan untuk peramalan kuantitatif adalah: 1. Tersedianya informasi tentang masa lalu 2. Informasi tersebut dapat dikuantitatifkan dalam bentuk data numerik 3. Dapat diasumsikan bahwa beberapa pola masa lalu akan terus berlanjut (Makridakis. S,

Mc Gee. V.E, & Wheelwright. S.C,

1995). 2.1.1. Model Analisis Time Series. Analisis time series adalah analisis yang menerangkan dan mengukur perubahan atau perkembangan data selama suatu periode tertentu. Beberapa istilah yang digunakan dalam time series yaitu : 1. Stasioner Asumsi yang sangat penting dalam time series adalah stasioneritas deret pengamatan. Suatu deret pengamatan dikatakan stasioner apabila proses tidak berubah seiring dengan perubahan waktu. Maksudnya rata-rata deret data di sepanjang waktu selalu konstant 2. Autocorrelation Function Autokorelasi adalah korelasi antar deret suatu deret data waktu sedangkan ACF adalah plot autokorelasi.

TESIS


Karol Octrisdey


12

3. Partial Autocorrelation Function Partial Autocorrelation adalah korelasi antara deret data suatu deret

waktu.

PACF

mengukur

hubungan

keeratan

antar

pengamatan suatu deret waktu. 4. Cross Correlation Cross Correlation digunakan untuk menganalisis time series multivariat sehingga ada lebih dari 2 time series yang akan dianalisis seperti halnya autokorelasi, cross correlation mengukur pula korelasi antar time series tetapi korelasi yang diukur adalah korelasi 2 time series. 5. Proses White Noise Proses White Noise merupakan proses stasioner. Proses White Noise didefenisiskan sebagai deret variabel acak yang independen, identik dan terdistribusi normal. 6. Analisis Trend Analisis trend digunakan utuk menaksir model trend suatu data time series. Ada beberapa model analisis trend antara lain model linear, kuadratik, eksponensial, pertumbuhan atau penurunan dan model kurva S. Analisis trend digunakan apabila dalam deret waktu tidak ada komponen musiman. Data time seriesmerupakan nilai-nilai suatu variabel yang berurutan menurut waktu (misal: hari, minggu, bulan, tahun). Pada perkembangannya analisis data time seriesdapat digunakan untuk

TESIS


Karol Octrisdey


13

mengetahui pola dari suatu atau beberapa kejadian serta hubungan atau pengaruh suatu kejadian dengan kejadian lainnya. Data time seriesjuga dapat digunakan untuk meramalkan berdasarkan garis regresi atau trend. Analisis time series terdiri dari beberapa metode yaitu Averaging, Smoothing, Dekomposisi, Simple Regresi dan Box-Jenkins (ARIMA). Adapun pola rangkaian dasar dari metode time series adalah sebagai berikut : 1. Kecenderungan (Trend) Trend atau kecenderungan adalah komponen jangka panjang mempunyai kecenderungan tertentu dalam pola data, baik arahnya meningkat atau menurun dari waktu ke waktu sehingga membentuk pola yang konstant. Teknik yang sering digunakan untuk mendapatkan trend suatu deret waktu adalah rata-rata bergerak linear, pemulusan eksponensial, model Gompertz, dimana teknik tersebut hanya mengunakan data masa lalu untuk mendapatkan pola kecenderungan dan tidak memperhitungkan faktor lain yang mempengaruhi kejadian 2. Musiman (Seasonal) Pola musiman menunjukan suatu gerakan yang berulang dari suatu periode ke periode berikutnya secara teratur. Pola musiman ini dapat ditunjukan oleh data-data yang dikelompokan secara mingguan, bulanan, atau kuartalan tetapi untuk data yang berbentuk data tahunan tidak terdapat pola musimannya. Pola

TESIS


Karol Octrisdey


14

musiman ini harus dihitung setiap minggu, bulan atau kuartalan tergantung pada data yang digunakan untuk setiap tahunnya dan pola musiman ini dinyatakan dalam bentuk angka. Teknik yang digunakan untuk menentukan nilai pola musiman adalah metode rata-rata

bergerak,

pemulusan

eksponensial

dari

Winter,

dekomposis klasik. 3. Siklus (Cyclical) Pola siklus adalah suatu seri perubahan naik atau turun, sehingga siklus ini berubah dan bervariasi dari satu siklus ke siklus berikutnya. Pola siklus dan pola tak beraturan didapatkan dengan menghilangkan pola kecenderungan dan pola musiman jika data yang digunakan berbentuk mingguan, bulanan atau kuartalan. Jika data yang digunakan adalah data tahunan maka harus dihilangkan adalah pola kecenderungan saja. 4. Variasi Acak (Random) Pola yang acak atau tidak teratur, sehingga tidak dapat digambarkan. Pola acak ini disebabkan oleh peristiwa yang tak terduga seperti perang, bencana alam, kerusuhan dan lain-lain. Karena bentuknya tidak beraturan atau tidak selalu terjadi dan tidak bisa diramalkan maka pola variasi acak ini diwakili dengan indeks 100% atau sama dengan 1 (Octora, 2010).

TESIS


Karol Octrisdey


15

2.1.2. Metode Exponential Smoothing Peramalan untuk data time series selain berdasarkan model regresi time series juga dapat dilakukan berdasarkan metode penghalusan eksponensial. Peramalan dengan metode penghalusan adalah peramalan berdasarkan proses pembobotan. Sehingga keberadaan autokorelasi diabaikan. Model peramalan yang menggunakan metod pemulusan adalah sebagai berikut: 1. Moving Average (rataan bergerak) 2. Exponential Smoothing (pemulusan eksponensial) (Makridakis. S, Mc Gee. V.E, & Wheelwright. S.C, 1995). Pada metode rataan bergerak dapat digunakan untuk memuluskan data time series dengan berbagai metode perataan diantaranya : 1. Rata-rata bergerak sederhana (simple moving average) 2. Rata-rata bergerak ganda 3. Rata-rata bergerak dengan ordo lebih tinggi Pada metode pemulusan eksponensial pada dasarnya data masa lalu dimuluskan dengan cara melakukakan pembobotan menurun secara eksponensial terhadap nilai pengamatan yang lebih tua atau nilai yang lebih baru diberikan bobot yang relatif lebih besar dibandingkan nilai pengamatan yang lebih lama. Beberapa jenis analisis data time series yang masuk dalam kategori pemulusan eksponensial diantaranya : pemulusan eksponensial tunggal, pemulusan eksponensial tunggal dengan pendekatan adaptif,

TESIS

pemulusan

eksponesial

ganda


metode

Holt,

pemulusan

Karol Octrisdey


16

eksponesial ganda metode Brown dan pemulusan eksponensial tripel : metode Winter. Pada metode pemulusan eksponensial sudah mempertimbangkan pengaruh acak,trend dan musiman pada data masa lalu yang akan dimuluskan. Seperti halnya pada

metode rataan bergerak, metode

pemulusan eksponensial juga dapat digunakan untuk meramal beberapa waktu ke depan. Metode smoothing merupakan metode yag menggunakan bobot data berbeda pada periode satu dengan periode sebelumnya dan membentuk fungsi exponential sehingga disebut exponential smoothing. Bila pola datanya stasioner, single exponential cukup baik untuk meramalkan keadaan. Apabila data tidak stasioner, mengandung pola trend, maka dilakukan smoothing pada hasil single exponential smoothing. Hasil smoothing ini disebut double exponential smoothing. Selain pola trend juga mengandung pola siklik, perlu dilakukan smoothing pada hasil double exponential smoothing. Hasilnya disebut dengan triple exponential smoothing. Metode ini banyak dipergunakan untuk peramalan jangka pendek, dan dapat digunakan pada banyak item untuk diramalkan. Metode pemulusan eksponensial, sudah mempertimbangkan pengaruh acak, trend dan musiman pada data masa lalu yang akan dimuluskan. Seperti halnya pada metode rataan bergerak, metode pemulusan eksponensial juga dapat digunakan untuk meramal data beberapa periode ke depan.

TESIS


Karol Octrisdey


17

Metode Exponensial Smoothing ini terdiri atas : 1. Single Exponensial Smoothing Digunakan untuk data-data yang bersifat stasioner dan tidak menunjukkan pola atau tren. Single Exponensial Smoothing terdiri dari: a. Satu Parameter (one parameter) Metode ini menggunakan sebuah parameter α, yang dibobotkan kepada data yang paling baru dan membobotkan nilai (1- α) kepada hasil peramalan periode sebelumnya. Harga α terletak antara 0 dan 1. b. Pendekatan Aditif (ARES) Metode ini memiliki kelebihan yang nyata bila dibandingkan dengan Pemulusan Eksponensial Tunggal, di mana nilai konstanta pemulusannya dapat berubah secara terkendali dalam arti dapat berubah secara otomatis bilamana terdapat perubahan dalam pola data dasarnya 2. Double Exponential Smoothing a. Metode Linier Satu Parameter dari Brown Metode ini dikembangkan oleh Brown untuk mengatasi adanya perbedaan yang muncul antara data aktual dan nilai peramalan apabila ada trend pada plot datanya. Untuk itu Brown memanfaatkan

nilai

peramalan

dari

hasil

pemulusan

eksponensial tunggal dan ganda.

TESIS


Karol Octrisdey


18

b. Metode Dua Parameter dari Holt Metode ini memuluskan trend dan gradien secara langsung dengan mempergunakan konstanta pemulusan trend dan konstanta pemulusan untuk data. Dalam metode Brown, hanya dipergunakan satu konstanta pemulusan, dan perkiraan nilai trend sangat sangat sensitif terhadap kerandoman, dalam metode Holt hal ini diatasi dengan konstanta pemulusan trend. 3. Triple Exponential Smoothing a. Metode Kuadratik Satu Parameter dari Brown. Digunakan untuk pola data kuadratik, kubik atau orde yang lebih tinggi. b. Metode kecendrungan dan musiman tiga parameter dari Winter Dapat digunakan untuk data yang berbentuk trend dan musiman. 2.1.2.1.

Model Holt’ Linear Exponential Smoothing

Model ini mengunakan koefisienmetode pemulusan eksponensial liner dari Holtdalam prinsipnya serupa dengan Brown kecuali bahwa Holt tidak menggunakan rumus pemulusan berganda secara langsung. Sebagai gantinya, Holt memuluskan nilai trend dengan parameter yang berbeda dengan parameter yang digunakan pada deret yang asli. Ramalan dari pemulusan eksponensial liner holt didapat dengan menggunakan dua konstanta pemulusan (dengan nilai antara 0 dan 1) dengan tiga persamaan yaitu :

TESIS


Karol Octrisdey


19

S t  X t  1   S t 1  bt 1  .......................(1) bt   S t  S t 1   1   bt 1 .....................(2) Ft  m  S t  bt m. ...................................(3)

Dimana : S t  Data Pemulusan pada periode t

b1  Trend Pemulusan pada periode t

m = Jumlah periode akan datang yang diramalkan Ft m  Peramalan pada periode t + m

Persamaan (1) menyesuaikan S t secara langsung untuk trend periode sebelumnya, yaitu bt 1 . dengan menambahkan nilai pemulusan yang terakhir yaitu S t 1 . hal ini membantu menghilangkan kelambatan dan menempatkan S t ke dasar perkiraan nilai data saat ini.Persamaan(2) meremajakan trend, yang ditunjukkan sebagai perbedaan antara dua nilai pemulusan terakhir. Hal ini tepat, karena jika terdapat kecenderungan di dalam data, ilai yang baru akan lebih tinggi atau lebih rendah dari pada nilai yang sebelumnya, mungkin masih terdapat sedikit kerandoman, maka hal ini dihilangkan oleh pemulusan dengan  (gamma) trend pada periode akhir S t  S t 1 dan menambahkannya dengan taksiran trend sebelumnya dikalikan dengan 1    . Jadi persamaan (2) serupa dengan bentuk dasar pemulusan tunggal tetapi dipakai untuk meremajakan trend.Persamaan (3) digunakan untuk ramalan ke muka yang diramalkan (m), dan ditambahkan

TESIS


Karol Octrisdey


20

pada nilai dasar ( S t ).Tipe data yang sesuai adalah pola data non stasioner, terdapat trend dan tidak dipengaruhi musim(Makridakis. S, Mc Gee. V.E, & Wheelwright. S.C, 1995). 2.1.2.2.

Tahapan Metode Holt’Linear Exponential Smoothing

Berikut langkah-langkah yang perlu dilakukan dalam peramalan dengan menggunakan metode pemulusan (Makridakis. S, Mc Gee. V.E, & Wheelwright. S.C, 1995) : 1. Memilih suatu kelompok data untuk dianalisa 2. Memilih suatu metode pemulusan, dalam hal ini dipilih metode pemulusan eksponensial ganda 3. Gunakan metode pemulusan untuk meramalkan data yang akan dianalisa 4. Melakukan uji statistik 5. Keputusan penilaian ramalan 2.1.2.3.

Kekurangan dan Kelebihan Metode Holt’Linear

Exponential Smoothing Kelebihan metode Holt’ adalah metode ini memiliki kelebihan yang sama dengan metode brown yaitu : 1. Dapat memodelkan trend dan tingkat dari suatu deret waktu 2. Secara perhitungan lebih efisien dibandingkan dengan metode double moving averages. ( rata-rata bergerak ganda).

TESIS


Karol Octrisdey


21

3. Memerlukan data yang lebih sedikit dibandingkan dengan double moving averages. Karena hanya satu parameter yang digunakan, optimasi parameter jadi lebih sederhana. 4. Selain itu metode ini juga memiliki fleksibilitas terhadap tingkat dan trend yang dapat dimuluskan dengan bobot yang berbeda. Kekurangan metode Holt adalah metode ini memerlukan optimasi dari dua parameter sehingga pencarian untuk menemukan kombinasi nilai paramter yang terbaik menjadi lebih sulit. Sebagaimana dalam metode Brown, metode ini juga tidak menyertakan pemodelan untuk sifat musiman dari suatu deret (Aries, 2007).

2.1.3. Metode ARIMA 2.1.3.1.

Defenisi Metode ARIMA

Metode ARIMA (Box-Jenkis) merupakan metode analisis runtun waktu (time series analisys). ARIMA sebenarnya adalah teknik untuk mencari pola yang paling cocok dari sekelompok data (curve fitting), dengan demikian ARIMA memanfaatkan sepenuhnya data masa lalu dan sekarang untuk melakukan peramalan jangka pendek yang akurat Model ARIMA dapat menganalisis data secara univariat yang mengandung pola musiman maupun trend. Metode ini hanya menganalisis data yang stasioner , sehingga data yang tidak stasioner harus distasionerkan lebih dahulu dengan transformasi atau pembedaan. Berbeda dengan metode pemulusan exponensial yang dapat menganalisis berbagai

TESIS


Karol Octrisdey


22

data baik yang stasioner maupun tidak stasioner dengan pemisahan aspek trend dan musiman. Suatu time series dikatakan stasioner jika nilai series tidak memiliki trend dan unsur musiman dengan berjalannya waktu ratarata dan variasinya tetap. Pada model ARIMA diperlukan penetapan karakteristik data deret berkala seperti stasioner, musiman dan sebagainya yang memerlukansuatu pendekatan sistematis dan akhirnya akan menolong untuk mendapatkan gambaran yang jelas mengenai model-model dasar yang akan ditangani. Hal semacam ini yang mencirikan dar model ARIMA dalam rangkaian analisis data time series dibandingkan dengan metode pemulusan adalah perlunya pemeriksaan keacakan data dengan koefisien autokorelasinya. Model ARIMA juga bisa digunakan untuk mengatasi maslah sifat keacakan, trend, musiman bahkan sifat siklis data time series yang dianalisis. 2.1.3.2.

Tahapan ProsedurMetode ARIMA

Pembuatan model ARIMA dapat dilakukan dengan menggunakan tiga prosedur yaitu identifikasi model, estimasi model dan cek diagnosa. keputusan untuk memasukkan parameter  0 ketika d> 0 dan penentuan order p dan q pada ARIMA. Estimasi parameter yang digunakan dalam penelitian ini menggunakan

conditional least square kemudian

dilanjutkan uji statistik untuk menentukan apakah parameter tersebut signifikan atau tidak. Pada tahap cek diagnosa dilakukan pengecekan

TESIS


Karol Octrisdey


23

model didekati dengan analisis residual dari fitted model . Pengecekan meliputi residual harus independen dan berdistribusi normal. Proses model ARIMA (Box – Jenkins) secara garis besar adalah sebagai berikut : 1. Membangun model regresi time series yang sesuai dengan karakterstik data 2. Penaksiran parameter model yang dibangun 3. Telaah kecocokan model ramalan yang akan digunakan 4. Jika diperlukan maka bangun model alternatif. Sehingga dengan metode ini, model-model regresi time series yang dibangun sebaiknya lebih dari satu buah Tahapan prosedur metode ARIMA (Box – Jenkins) meliputi : 1. Tahapan identifikasi Dilakukan dengan pengidentifikasian model yang dianggap paling sesuai dengan melihat plot data, ACF (Autocorrelation Function) dan PACF (Partial Autocorrelation Function) dari correlogram dengan menggunakan data lampau. Tahapan ini berguna untuk megetahui apakah data time series sudah stasioner atau belum untuk mendapatkan dugaan sementara. Identifikasi model merupakan proses untuk mengidentifikasi perlunya suatu transformasi apabila data tidak stasioner dalam varian dan differencing apabila data tidak stasioner dalam mean.

TESIS


Karol Octrisdey


24

Tahapan identifikasi meliputi : a. Pengujian Stasioneritas Suatu Deret Berkala Nilai-nilai autokorelasi dari deret data asli dihitung. Apabila nilai tersebut turun dengan cepat ke atau mendekati nol sesudah nilai kedua atau ketiga menandakan bahwa data stasioner didalam

bentuk

autokorelasinya menandakan

aslinya.

Sebaliknya,

tidak turun ke nol

data

tidak

stasioner

apabila

nilai

dan tetap positif

sehingga

diperlukan

pembedaan pertama terhadap data asli. Apabila tetap tidak stasioner dilakukan pembedaan pertama lagi. Untuk kebanyakan tujuan praktis suatu maksimum dari dua pembedahan akan mengubah data menjadi deret stasioner. b. Penentuan Pola Yang Lain Apabila kestasioneran telah diperoleh nilai autokorelasi dihitung untuk mengetahui pola lain yang terkadang terdapat didalamnya (yaitu selain keacakan yang tersebar disekitar nilai nol). Terdapat 3 kemungkinan yang harus dipertimbangkan yaitu : 1) Mungkin faktor musiman menampakan dengan sendirinya. Nilai autokorelasi untuk time lag setiap kuartal atau setiap tahun yang besar dan seera signifikan berbeda dari nol

TESIS


Karol Octrisdey


25

2) Mungkin terungkap adanya proses AR atau MA. Pola dari autokorelasi dan autokorelasi parsialnya akan menunjukan suatu model yang memungkinkan 3) Campuran dari ketidakstasioneran, musiman dan proses AR dan MA mungkin akan terlihat (yaitu model ARIMA yang umum). c. Tahap Estimasi Parameter Dilakukan dengan estimasi/penaksiran terhadap parameter dalam model yang diidentifikasi tersebut. Setelah menetapkan identifikasi model sementara, selanjutnya parameter-parameter AR dan MA, musiman dan tidak musiman harus ditetapkan. d. Tahap Uji Diagnostik Untuk menguji kesesuaian dari parameter yang didapat pada tahap sebelumya. Bila diperlukan model dikembangkan. Setelah tahap penaksiran dari model ARIMA sementara dilakukan, selanjutnya perlu dilakukan pemeriksaan untuk membuktikan bahwa model tersebut cukup memadai. Terdapat beberapa cara untuk melakukan hal tersebut, yaitu : 1) Mempelajari nilai sisa (residual) untuk melihat apakah masih terdapat beberapa pola yang belum diperhitungkan. Nilai sisa (galat) yang tertinggal sesudah dilakukan pencocokan model ARIMA diharapkan hanya merupakan gangguan acak. Oleh karena itu apabila autokorelasi dan

TESIS


Karol Octrisdey


26

parsial dari nilai sisa diperoleh, diharapkan akan ditemukan tidak ada autokorelasi dan pasial yang nyata 2) Mempelajari statistik sampling dan pemecahan optimum untuk melihat apakah model tersebut masih dapat disederhanakan 3) Overfitting model ARIMA, yaitu misalnya mengunakan beberapa parameter lebih banyak daripada yang diperlukan atau memilih AR orde kedua bilamana AR orde pertama telah ditetapkan. e. Tahap Peramalan/ Penerapan Peramalan nilai time series masa mendatang dilakukan setelah model yang sesuai teridentifikasi apabila model memadai maka model tersebut dapat digunakanuntuk melakukan peramalan. Sebaliknya, apabila model belum memadai maka harus ditetapkan model yang lain. Langkah yang digunakan dalam menganalisis data adalah membuat plot data deret data berkala, kemidian menentukan atau menaksir parameter dan uji kecocokan dari model yang telah diperoleh. Setelah itu dilakukan presidksi untuk beberapa periode berikutnya berdasarkan model yang telah diperoleh tersebut.

TESIS


Karol Octrisdey


27

2.1.3.3.

Notasi Dalam Model ARIMA

Model ARIMA (p,d,q), nilai yang akan datang dari suatu variabel diasumsikan sebagai fungsi linier dari beberapa pengamatan di masa lalu dan random error. Model ARIMA(p,d,q) secara umum, yaitu (Abdulah, 2012): X t   0  1 X t 1   2 X t 2  ....   p X t  p   t  1 t 1   2  t 2  ....  1 t 1

ARIMA (p,d,q) dalam hal ini. p menunjukan orde/ derajat Autoregresisve (AR) d menujukan orde/ derajat Differencing (pembedaan) dan q menunjukan orde/ derajat Moving Average (MA) 1. Model Autoregresisve (AR) Model Autoregresisve adalah model yang menggambarkan bahwa variabel dependen dipengaruhi oleh variabel dependen itu sendiri pada periode

dan waktu sebelumnya. Secara umum model

autoregresisve (AR) mempunyai bentuk sebagai berikut :

X t   '  1 X t 1  2 X t 2  .......   p X t  p  .et Dimana :  '  Nilai konstanta

 j  parameter autoregresif ke j et  kesalahan pada saat t (Makridakis. S,

Mc Gee.

V.E, & Wheelwright. S.C, 1995).

TESIS


Karol Octrisdey


28

Orde dari model AR (yang diberi notasi p) ditentukan oleh jumlah periode variabel dependen yang masuk dalam model. Sebagai contoh : X t   '  t X t 1  et adalah model AR orde 1 dengan

notasi ARIMA (1,0,0) X t   '  t X t 1   2 X t 2  et adalah model AR orde 2

dengan notasi ARIMA (2,0,0) 2. Model Moving Average (MA) Secara umum model moving average (MA) mempunyai bentuk sebagai berikut :

X t   '  et  1et 1   2 et 2  ....   q et q dimana

 1   q  parameter-parameter MA et q  nilai kesalahan pada saat t-k

 '  konstanta

(Makridakis. S,

Mc

Gee. V.E, & Wheelwright. S.C, 1995). Perbedaaan model moving average (MA) dengan autoregressive terletak pada jenis variabel independen. Bila variabel independen pada model autoregressive adalah nilai sebelumnya (lag) dari

TESIS


Karol Octrisdey


29

variabel independen Yt  itu sendiri maka pada model moving average (MA) adalah nilai residual pada periode sebelumnya. Orde dari nilai Ma (yang diberi notasi q) ditentukan oleh jumlah periode variabel independen yang masuk dalam model. Sebagai contoh: X t    1  1 B et adalah model MA orde 1 dengan

notasi ARIMA (0,0,1)





X t    1  1 B   2 B 2 et adalah model MA orde 2

dengan notasi ARIMA (0,0,2) 3. Model ARMA (Autoregresisve Moving Average) Sering kali karakteristik Y tidak dapat dijelaskan oleh proses AR saja atau MA saja tetapi harus dijelaskan oleh kedua-duanya sekaligus. Model yang memuat kedua proses ini biasa disebut model ARMA, Bentuk umum model ini adalah : X t   '  1 X t 1  et  1et 1

4. Model ARIMA (Autoregresisve Integreated Moving Average) Dalam prakteknya banyak ditemukan bahwa data bersifat nonstasioner sehingga perlu dilakukan modifikasi dengan melakukan pembedaan (differencing), untuk menghasilkan data yang stasioner. Pembedaan dilakukan dengan mengurangi nilai pada suatu periode dengan nilai pada periode sbelumnya.

TESIS


Karol Octrisdey


30

Pada umumnya, data akan menjadi stasioner setelah dilakukan pembedaan pertama. Jika setelah dilakukan pembedaan pertama ternyata data masih belum stasioner perlu dilakukan pembedaan berikutnya. Data yang dipakai sebagai input model ARIMA adalahdata hasil transformasi yang sudah stasioner bukan data asli. Berapa kali proses pembedaan dilakukan di notasikan dengan d. Misalnya data asli belum stasiomer lalu dilakukan pembedaan pertama dan menghasilkan data yang stasioner. Dapat dikatakan bahwa series tersebut melalui proses pembedaan satu kali, d=1. Namun jika ternyata deret waktu tersebut baru stasioner pada pembedaha kedua kalinya maka, d=2 dan seterusnya. Model ARIMA biasanya dilambangkan dengan ARIMA (p,d,q) yang mengandung pengertian bahwa model tersebut menggunakan p nilai lag dependen, d tingkat proses pembedaan (differencing) dan q lag residual.

Notasi yang sangat bermanfaat pada stasioneritas adalah operator shift mundur (backward shift), B yang penggunaannya adalah sebagai berikut : BX t  X t 1 (Makridakis. S, Mc Gee. V.E, &

Wheelwright. S.C, 1995). Notasi B yang dipasang pada X t , mempunyai pengaruh menggeser data 1 periode ke belakang. Untuk menggeser data 2 periode ke belakang adalah

TESIS


Karol Octrisdey


31

BBX t   B 2 X t  X t  2 (Makridakis. S, Mc Gee. V.E,

& Wheelwright. S.C, 1995). Untuk data bulanan, apabila kita ingin mengalihkan perhatian ke keadaan pada “bulan yang sma pada tahun sebelumnya “, maka digunakan B 12 dan notasinya adalah B 12 X t  X t 12 .

2.1.3.4.

Kelebihan dan Kekurangan Metode ARIMA

Metode ini memiliki beberapa kelebihan dari metode lainnya yaitu: 1. Metode disusun dengan logis dan secara statistik akurat 2. Metode ini memasukan banyak informasi dari data historis 3. Metode ini menghasilkan kenaikan akurasi peramalandan pada waktu yang sama menjaga jumlahparameter seminimal mungkin 4. Metode mengidentifikasi pola deret waktu 5. Metode ini dapat membuat ramalan dimasa mendatang baik peramalan jangka pendek (harian) maupun peramalan jangka panjang. Kelemahan metode ini antara lain : 1. Metode ini mengunakan pendekatan iteratif yang mengidentifikasi kemungkinan model yang bermanfaat. Model terpilih kemudian, dicek kembali dengan data historis apakah telah mendeskripsikan data tersebut secara tepat

TESIS


Karol Octrisdey


32

2. Model “terbaik” akan diperoleh apa bila residua; antara model peramalan dan data historis memiliki nilai yang kecil, distribusinya random dan independen. Dari analisis data yang telah dilakukan pada data yang belum memenuhi stasioneritas dilakukan uji pembedaan (differencing) dan transformasi. Setelah menaksir harga parameter dan uji kecocokan model, diperoleh data residual yang sudah berdistribusi normal. Model yang didapat dari metode ARIMA dapat digunakan untuk peramalan beberapa periode kedepan dalam bentuk persamaan matematis. (Aries, 2007).

2.1.4. Uji Ketepatan Metode Peramalan Dalam melakukan peramalan, hasil peramalan yang kita peroleh tidak mungkin benar-benar tepat. Selisih yang terjadi antara nilai peramalan dengan nilai yang sesungguhnya dapat kita sebut sebagai error (kesalahan). Melalui nilai kesahan ini dapat kita lakukan beberapa analisis sehingga kita dapat membandingkan metode peramalan mana yang paling sesuai dengan data yang kita miliki serta seberapa baik metode yang digunakan tersebut. Hal ini dapat diketahui dari perbandingan antara nilanilai kesalahan yang dihasilkan oleh masing-masing metode. Tujuan dilakukannya perbandingan kedua metode peramalan ini adalah karena setiap metode peramalan memiliki keunggulan dan kelemahan masing-masing dalam menganalisis data, sehingga dapat

TESIS


Karol Octrisdey


33

dipilih metode yang memiliki kesalahan paling kecil. Secara umum perhitungan kesalahan peramalan dapat dijabarkan sebagai berikut : et  yt  y ' t

Dimana : et  residual (error) pada periode ke- i

yt  nilai sesungguhnya pada periode ke- i

y ' t  nilai hasil peramalan pada periode ke- i Atas dasar nilai residual (error) di atas ada beberapa ukuran yang dapat digunakan untuk mengukur ketepatan suatu metode peramalan yaitu: 1. MAPE (Mean Absolute Percentage Error) MAPE (Mean Absolute Percentage Error) merupakan cara untuk mengukur efektifitas ketepatan peramalan (nilai dugaan model) dengan menghitung persentase rata-rata absolute kesalahan yang terjadi. MAPE (Mean Absolute Percentage Error) secara umum dirumuskan sebagai berikut : 

MAPE 

  y

t

   yt  / yt  x100 n

Dimana : y t  nilai data sesungguhnya pada periode ke- t  yt  nilai ramalan pada periode t

n = banyaknya data

TESIS


Karol Octrisdey


34

2. MAD (Mean Absolute Deviation) MAD (Mean Absolute Deviation), berguna untuk mengukur ketepatan nilai dugaan model, yang dinyatakan dalam bentuk ratarata absolute kesalahan. Rumus MAD adalah sebagai berikut :

y MAD 

t

  yt

n

Dimana : yt = nilai data sesungguhnya pada periode ke- t  yt = nilai ramalan pada periode ke- t

n = banyaknya data 3. MSD (Mean Squared Deviation) MSD(Mean Squared Deviation), berguna untuk mengukur ketepatan nilai dugaan model, yang dinyatakan dalam rata-rata kuadrat dari kesalahan. Rumus MSD adalah sebagai berikut :

y MSD 

t

 2  yt  n

Dimana : yt = nilai data sesungguhnya pada periode ke- t

 yt  nilai ramalan pada periode ke- t n= banyaknya data (Makridakis. S, Mc Gee. V.E, & Wheelwright. S.C, 1999).

TESIS


Karol Octrisdey


35

Metode

peramalan

yang

terbaik

diperoleh

dengan

caramembandingkan nilai MAPE (Mean Absolute Percentage Error) dan MSD (Mean Squared Deviation) yang diperoleh dari masing-masing metode. Semakin kecil nilai-nilai MAPE, MAD atau MSD, semakin kecil nilai kesalahannya. Oleh karenanya, dalam menetapkan model terbaik yang akan digunakan dalam peramalan, pilihlah model dengan nilai MAPE, MAD atau MSD yang paling kecil. Nilai MAPE, MAD dan MSD masing-masing dinyatakan dalam output grafik.

2.2. Penyakit Gagal Ginjal Kronis 2.2.1. Pengertian Penyakit Gagal Ginjal adalah suatu penyakit dimana fungsi organ ginjal mengalami penurunan hingga akhirnya tidak lagi mampu bekerja sama sekali dalam hal penyaringan pembuangan elektrolit tubuh, menjaga keseimbangan cairan dan zat kimia tubuh seperti sodium dan kalium didalam darah atau produksi urin. Penyakit gagal ginjal berkembang secara perlahan kearah yang semakin buruk dimana ginjal sama sekali tidak lagi mampu bekerja sebagaimana fungsinya. Dalam dunia kedokteran dikenal 2 macam jenis gagal ginjal yaitu gagal ginjal akut dan gagal ginjal kronis. Gagal ginjal kronis atau penyakit renal tahap akhir merupakan gangguan fungsi renal yang progresif dan irreversibel. Dimana

TESIS


Karol Octrisdey


36

kemampuan tubuh gagal untuk mempertahankan metabolisme dan keseimbangan cairan dan elektrolit, menyebabkan uremia (retensi urea dan sampah nitrogen lain dalam darah). Tahapan penyakit gagal ginjal kronis berlangsung secara terusmenerus dari waktu ke waktu. Klasifikasikan gagal ginjal kronis sebagai berikut: 1. Stadium 1: kerusakan masih normal 2. Stadium 2: ringan 3. Stadium 3: sedang 4. Stadium 4: gagal berat 5. Stadium 5: gagal ginjal terminal Pada gagal ginjal kronis tahap 1 dan 2 tidak menunjukkan tandatanda kerusakan ginjal termasuk komposisi darah yang abnormal atau urin yang abnormal. 2.2.2. Patofisiologis Patofisiologi penyakit ginjal kronik pada awalnya tergantung pada penyakit yang mendasarinya, tapi dalam perkembangan selanjutnya proses yang terjadi kurang lebih sama. Pengurangan massa ginjal menyebabkan hipertrofi sisa nefron secara struktural dan fungsional sebagai upaya kompensasi. Hipertrofi “kompensatori” ini akibat hiperfiltrasi adaptif yang diperantarai oleh penambahan tekanan kapiler dan aliran glomerulus. Proses adaptasi ini berlangsung

singkat akhirnya diikuti oleh proses

maladaptasi berupa sklerosis nefron yang masih tersisa.

TESIS


Karol Octrisdey


37

Proses ini akhirnyadiikuti dengan penurunan fungsi nefron yang progresif walaupun penyakit dasarnya sudah tidak aktif lagi. Adanya peningkatan aktivitas aksis renin-angiotensin-aldosteron intrarenal ikut memberikan konstribusi terhadap terjadinya hiperfiltrasi, sklerosis dan progesifitas tersebut. Aktivitas jangka panjang aksis renin-angiotensinaldosteron, sebagian diperantarai oleh growth factor seperti transforming growth factor ß. Beberapa

hal

terjadinyaprogresifitas

yang penyakit

juga

dianggap

ginjal

kronik

berperan adalah

terhadap

albuminuria,

hipertensi, hiperglikemia, dislipidemia.Terdapat variabilitas interindividual untuk

terjadinya

sklerosis

dan

fibrosis

glomerulus

maupun

tubulointerstitial. Pada stadium yang paling dini penyakit ginjal kronik terjadi kehilangan daya cadang ginjal (renal reserve),pada keadaan mana basal LFG masih normal atau malah meningkat. Kemudian secara perlahan tapi pasti akan terjadi penurunan fungsi nefron yang progresif, yang ditandai dengan peningkatan kadar urea dan kreatinin serum. Sampai pada LFG sebesar 60%, pasien masih belum merasakan keluhan (asimtomatik), tapi sudah terjadi peningkatan kadar urea dan kreatinin serum. Sampai pada LFG sebesar 30%, mulai terjadi keluhan pada pasien seperti nokturia, badan lemah, mual, nafsu makan kurang dan penurunan berat badan. Sampai pada LFG di bawah 30%, pasien memperlihatkan gejala dan tanda uremia yang nyata seperti anemia,

TESIS


Karol Octrisdey


38

peningkatan tekanan darah, gangguan metabolisme fosfor dan kalsium, pruritus, mual, muntah dan lain sebagainya. Pasien juga mudah terkena infeksi seperti infeksi saluran kemih, infeksi saluran napas, maupun infeksi saluran cerna. Juga akan terjadi gangguan keseimbangan air seperti hipo atau hipervolemia, gangguan keseimbangan elektrolit antara lain natrium dan kalium. Pada LFG dibawah 15% akan terjadi gejala dan komplikasi yang lebih serius, dan pasien sudah memerlukan terapi pengganti ginjal antara lain dialisis atau transplantasi ginjal. Pada keadaan ini pasien dikatakan sampai pada stadium gagal ginjal.

2.2.3. Manisfestasi Klinis dan Diagnosis Pada gagal ginjal kronis setiap sistem tubuh dipengaruhi oleh kondisi uremia, oleh karena itu pasien akan memperlihatkan sejumlah tanda dan gejala. Keparahan tanda dan gejala tergantung pada bagian dan tingkat kerusakan ginjal, kondisi lain yang mendasari adalah usia pasien. Berikut merupakan tanda dan gejala gagal ginjal kronis. 1. Kardiovaskuler yaitu yang ditandai dengan adanya hipertensi, pitting edema (kaki, tangan, sacrum), edema periorbital, friction rub pericardial, serta pembesaran vena leher 2. Integumen yaitu yang ditandai dengan warna kulit abu-abu mengkilat, kulit kering dan bersisik, pruritus, ekimosis, kuku tipis dan rapuh serta rambut tipis dan kasar

TESIS


Karol Octrisdey


39

3. Pulmoner yaitu yang ditandai dengan krekeis, sputum kental dan liat, napas dangkal seta pernapasan kussmaul 4. Gastrointestinal yaitu yang ditandai dengan napas

berbau

ammonia, ulserasi dan perdarahan pada mulut, anoreksia, mual dan muntah, konstipasi dan diare, serta perdarahan dari saluran GI 5. Neurologi yaitu yang ditandai dengan kelemahan dan keletihan, konfusi, disorientasi, kejang, kelemahan pada tungkai, rasa panas pada telapak kaki, serta perubahan perilaku. 6. Muskuloskletal yaitu yang ditandai dengan kram otot, kekuatan otot hilang, fraktur tulang serta foot drop. 7. Reproduktif yaitu yang ditandai dengan amenore dan atrofi testikuler. 2.2.4. Pengelolaan dan Pencegahan Pengkajian klinik menentukan jenis penyakit ginjal, adanya penyakit penyerta, derajat penurunan fungsi ginjal, komplikasi akibat penurunan fungsi ginjal, faktor risiko untuk penurunan fungsi ginjal, dan faktor risiko untuk penyakit kardiovaskular. Pengelolaan meliputi: 1. Terapi penyakit ginjal 2. Pengobatan penyakit penyerta 3. Penghambatan penurunan fungsi ginjal 4. pencegahan dan pengobatan penyakit kardiovaskular 5. pencegahan dan pengobatan komplikasi akibat penurunan fungsi ginjal

TESIS


Karol Octrisdey


40

6. Terapi pengganti ginjal dengan dialisis atau transplantasi jika timbul gejala dan tanda uremia Stadium dini penyakit ginjal kronik dapat dideteksi dengan pemeriksaan laboratorium. Pengukuran kadar kreatinin serum dilanjutkan dengan penghitungan laju filtrasi glomerulus dapat mengidentifikasi pasien yang mengalami penurunan fungsi ginjal. Pemeriksaan ekskresi albumin dalam urindapat mengidentifikasi pada sebagian pasien adanya kerusakan ginjal. Sebagian besar individu dengan stadium dini penyakit ginjal kronik terutama di negara berkembang tidak terdiagnosis. Deteksi dini kerusakan ginjal sangat penting untuk dapat memberikan pengobatan segera, sebelum terjadi kerusakan dan komplikasi lebih lanjut. Pemeriksaan skrinning pada individu asimtomatik yang menyandang faktor risiko dapat membantu deteksi dini penyakit ginjal kronik. Pemeriksaan skrinning seperti pemeriksaan kadar kreatinin serum dan ekskresi albumin dalam urin dianjurkan untuk individu yang menyandang faktor risiko penyakit ginjal kronik, yaitu pada: 1. Pasien dengan diebetes melitus atau hioertensi 2. Individu dengan obesitas atau perokok 3. Individu berumur lebih dari 50 tahun 4. Individu dengan riwayat penyakit diabetes melitus, hipertensi, dan penyakit ginjal dalam keluarga. Upaya pencegahan terhadap penyakit ginjal kronik sebaiknya sudah mulai dilakukan pada stadium dini penyakit ginjal kronik. Berbagai

TESIS


Karol Octrisdey


41

upaya pencegahan yang telah terbukti bermanfaat dalam mencegah penyakit ginjal dan kardiovaskular adalah: 1. Pengobatan hipertensi yaitu makin rendah tekanan darah makin kecil risiko penurunan fungsi ginjal 2. Pengendalian gula darah, lemak darah, dan anemia 3. Penghentian merokok 4. Peningkatan aktivitas fisik 5. Pengendalian berat badan 6. Obat penghambat sistem renin angiotensin seperti penghambat ACE (angiotensin converting enzyme) dan penyekat reseptor angiotensin telah terbukti dapat mencegah dan menghambat proteinuria dan penurunan fungsi ginjal. 2.2.5. Faktor Resiko Penyakit Gagal Ginjal Kronis Faktor risiko gagal ginjal kronik, yaitu pada pasien dengan diabetes melitus atau hipertensi, obesitas atau perokok, berumur lebih dari 50 tahun, dan individu dengan riwayat penyakit diabetes melitus, hipertensi, dan penyakit ginjal dalam keluarga.

2.3. Hemodialisa 2.3.1. Pengertian Hemodialisa Hemodialisa adalah satu bentuk prosedur cuci darah dimana darah dibersihkan melalui ginjal buatan dengan bantuan mesin. Pada hemodialisa, aliran darah yang penuh dengan toksik dan limbah nitrogen

TESIS


Karol Octrisdey


42

dialihkan dari tubuh pasien ke dialiser tempat darah tersebut dibersihkan dan kemudian dikembalikan lagi ke tubuh pasien. Sebagian besar dialiser merupakan lempengan rata atau ginjal serat artifisial berongga yang berisi ribuan tubulus selofan yang halus yang bekerja sebagai membran semipermiabel. Aliran darah akan melewati tubulus tersebut sementara cairan dialisat bersirkulasi disekelilingnya. Pertukaran limbah dari darah ke dalam cairan dialisat akan terjadi melalui membran semipermeabel tubulus (Handayani, 2011). Dialisis didefinisikan sebagai difusi dari molekul di dalam larutan yang melalui membran semipermeabel sepanjang

gradien konsentrasi

elektrokimia. Tujuan utama dari dialisis adalah mengambalikan jumlah cairan intraseluler dan ekstraseluler seperti halnya fungsi ginjal secara normal, sehingga pH dan keseimbangan elektrolit tubuh terjaga dan sisa metabolisme tubuh terbuang.

Proses yang berperan dalam dialisis ini

adalah difusi, solvent drag (konveksi), dan adsorbsi (Harasyid, 2011). Hemodialisis adalah prosedur tindakan untuk memisahkan darah dari zat-zat sisa atau racun yang dilaksanakan dengan mengalirkan darah melalui membran semipermiabel dimana zat sisa atau racun ini dialihkan dari darah ke cairan dialisat yang kemudian dibuang, sedangkan darah kembali ke dalam tubuh. Hal ini sesuai dengan arti dari hemo yang berarti darah dan dialisis yang berarti memindahkan. Hemodialisis merupakan metode yang paling umum digunakan dalam pengobatan gagal ginjal stadium akhir dan permanen (Mariamah, 2012)

TESIS


Karol Octrisdey


43

2.3.2. Jenis-jenis Hemodialisa Ada dua macam metode dialisis

yaitu peritoneal dialisis dan

hemodialisis. Pada peritoneal dialisis, peritonium

berfungsi langsung

sebagai membran semipermeabel dari proses dialisis. Sedangkan pada hemodialisis, membran semipermeabel berada diluar tubuh sebagai mesin dialisat (Harasyid, 2011). 2.3.3. Tujuan Hemodialisis Alat haemodialisis merupakan alat yang berada di luar tubuh yang dipergunakan sebagai pengganti fungsi ginjal dan pemakaiannya biasanya dilakukan pada pasien yang menderita gagal ginjal tahap akhir. Karena hemodialisis merupakan terapi untuk mengganti fungsi ginjal yang rusak, maka hemodialsis memilki tujuan yang sama dengan fungsi ginjal, seperti membersihkan

produk-produk

dalam

tubuh

yang bersifat

racun,

mengeluarkan kelebihan garam, dan mengeluarkan kelebihan air. Hemodialisis juga dapat membantu dalam mengontrol tekanan darah dan menjaga keseimbangan ion-ion yang penting dalam tubuh, seperti kalium, natrium,

kalsium,

dan

bikarbonat.

Terapi

dengan

menggunakan

hemodialisis ini tidak bertujuan untuk mengembalikan fungsi ginjal, melainkan

hanya

mengganti

sebagian

fungsi

ginjal

agar

dapat

meminimalisasi kerusakan organ yang lain (Mariamah, 2012) 2.3.4. Prinsip-prinsip yang Mendasari Hemodialisa Ada tiga prinsip yang mendasari kerja hemodialisa, yaitu difusi, osmosis dan ultrafiltrasi. Toksin dan zat limbah di dalam darah

TESIS


Karol Octrisdey


44

dikeluarkan melalui proses difusi dengan cara bergerak dari darah, yang memiliki konsentrasi tinggi, ke cairan dialisat dengan konsentrasi yang lebih rendah. Cairan dilaisat tersusun dari semua elektrolit yang penting dengan konsentrasi ekstrasel yang ideal. Kadar elektrolit darah dapat dikendalikan dengan mengatur rendaman dialisat (dialysate bath) secara tepat. Air yang belebihan dikeluarkan dari dalam tubuh melalui proses osmosis. Pengeluaran air dapat dikendalikan dengan menciptakan gradien tekanan, dengan kata lain, air bergerak dari daerah dengan tekanan yang lebih tinggi (tubuh pasien)ke tekanan yang lebih rendah (cairan dialisat). Gradien ini dapat ditingkatkan melalui penambahan tekanan negatif yang dikenal dengan ultrafiltrasi pada mesin dialisis. Tekanan negatif diterapkan pada alat ini sebagai kekuatan pengisap pada membran dan memfasilitasi pengeluaran air. Karena pasien tidak dapat mengeksresikan air, kekuatan ini diperlukan untuk mengeluarkan cairan hingga tercapai isovolemia (keseimbangan cairan). Sistem dapar (buffer system) tubuh dipertahankan dengan penambahan asetat yang akan berdifusi dari cairan dialisat ke dalam darah pasien dan mengalami metabolisme untuk membentuk bikarbonat. Darah yang sudah dibersihkan kemudian dikembalikan ke dalam tubuh melalui pembuluh vena pasien. Pada akhir terapi dialisis, banyak zat limbah dikeluarkan, keseimbangan elektrolit sudah dipulihkan dan sistem dapat juga telah diperbaharui(Handayani, 2011).

TESIS


Karol Octrisdey


45

2.3.5. Komplikasi Hemodialisa Meskipun hemodialisa dapat memperpanjang usia tanpa batas yang jelas, tindakan ini tidak akan mengubah perjalanan alami penyakit ginjal yang mendasari dan juga tidak akan mengembalikan seluruh fungsi ginjal. Pasien tetap akan mengalami sejumlah permasalahan dan komplikasi. Salah satu penyebab kematian diantara pasien-pasien yang menjalani hemodialisa kronis adalah penyakit kardiovaskuler arteriosklerotik. Gangguan metabolisme lipid (hipertrigliseridemia) tampaknya semakin diperberat dengan tindakan hemodialisa. Gagal jantung kongestif, penyakit jantung koroner serta nyeri angina pektoris, stroke dan insufisiensi vaskuler perifer juga dapat terjadi serta dapat membuat pasien tidak berdaya. Anemia dan rasa letih dapat menyebabkan penurunan kesehatan fisik serta mental, berkurangnya tenaga serta kemauan, dan kehilangan perhatian. Ulkus lambung dan masalah gastrointestinal lainnya terjadi akibat stress fisiologik yang disebabkan oleh sakit yang kronis, obat-obatan dan berbagai masalah yang berhubungan. Gangguan metabolisme kalsium akan menimbulkan osteodistrofi renal yang menyebabkan nyeri tulang dan fraktur. Masalah lain mencakup kelebihan muatan cairan yang berhubungan dengan gagal jantung kongestif, malnutrisi, infeksi, neuropati dan pruritus (Handayani, 2011).

TESIS


Karol Octrisdey

BAB II TINJAUAN PUSTAKA

Recommend Documents