BAB V KESIMPULAN DAN SARAN 5.1 Kesimpulan Berdasarkan analisis data dan pembahasan pada Bab IV, kesimpulan penelitian ini adalah sebagai berikut. 1. Model VARIMA yang sesuai untuk data penjualan obat I, J dan K dalam kasus ini adalah VARIMA (3,0,0) (0,2,0)7 karena untuk data training model tersebut mempunyai nilai SBC terkecil yaitu sebesar 13,83 yang memenuhi asumsi kebaikan model dan untuk data testing memiliki dua kriteria kebaikan model terkecil yaitu MAPE sebesar 281,66 dan RMSE sebesar 978,23 untuk obat I serta MAPE sebesar 74,14 dan RMSE sebesar 798,14 untuk obat J. 2. Model Backpropagation yang sesuai ada dua yaitu model NN (9,1,3) dengan input VARIMA karena model tersebut mempunyai nilai AIC terkecil dan model NN(5,1,3) dengan input lag PACF dengan differencing karena model tersebut mempunyai nilai SBC terkecil yang memenuhi asumsi kebaikan model. Model NN(9,1,3) mempunyai nilai AIC 12,8698 dan model NN(5,1,3) mempunyai nilai SBC sebesar 12,2492. Untuk data testingnya model NN(9,1,3) memiliki satu kriteria kebaikan model terkecil yaitu RMSE sebesar 1203,12 untuk obat I dan RMSE sebesar 1104,38 untuk obat J sedangkan model NN (5,1,3) memiliki satu kriteria kebaikan model terkecil MAPE sebesar 286,72 untuk untuk obat I. 3. Model VARIMA (3,0,0) (0,2,0)7 lebih baik untuk peramalan data testing karena model VARIMA(3,0,0)(0,2,0)7 memiliki dua kriteria kebaikan model terkecil untuk semua jenis obat jika dibandingkan dengan model NN. Dengan demikian, model terbaik untuk peramalan penjualan obat pada rumah sakit ’X’ adalah model VARIMA (3,0,0) (0,2,0)7
57
58
5.2 Saran Rata-rata error model VARIMA dan Backpropagation masíh cukup besar, kemungkinan masih ada metode lain yang lebih sesuai untuk menyelesaikan kasus ini. Salah satu model yang mungkin bisa digunakan adalah model VARIMA atau Backpropagation dengan tambahan dummy variabel.
DAFTAR PUSTAKA Bull, E. dan Morrell, J. (2005), Simple Guide Kolesterol. Erlangga : Jakarta. Cheng, P. J. and Lin, S. C. (2000), Using neural networks to predict bending angle of sheet metal formed by laser, International Journal of Machine Tools and Manufacture, 40 (8), Pages 1185-1197 Cryer, J.D. (1986). Time Series Analysis. PWS-Kent Publishing Co : Boston. Enders, W. (1995). Applied Time Series. John Wiley & Sons, Inc: Canada. Fariza, A. (2003). Perbandingan Kinerja Algoritma Genetika, Simulated Annealing dan Metode Statistik Moving Average untuk Peramalan Penjualan Time Series, EEPIS Journal Online System, 8 (1) Gujarati, D.N., (2004). Basic Econometrics, 4rd ed. McGraw-Hill : Singapore. Hair, dkk. (2006). Multivariate Data Analysis, 5rd ed. Prentice Hall : New Jersey. Johnson, R.A. dan Wichern, D.W., (1998). Applied Multivariate Statistical Analysis. Prentice Hall : New Jersey. Kusumadewi, S. (2004). Membangun Jaringan Syaraf Tiruan Menggunakan Matlab dan Excel Link. Yogyakarta : Graha Ilmu Lutkepohl, H. (2005). New Introduction to Multiple Time Series Analysis, New York: Springger. Makridakis dan Wheelwright (1999). Metode dan Aplikasi Peramalan. Edisi kedua. Erlangga : Jakarta. Saptono, A. (2007). Analisis Peramalan Penjualan Kaitannya Dalam Perencanaan Laba Obat Herba Pada Pt Na-Tura Health Center Di Depok, Tugas Akhir, Strata 1 Fakultas Ekonomi yang tidak dipublikasikan, Universitas Gunadarma
59
60
Suryani, A., Hasanbasri, M., dan Priyatni, N. (April 2008). Pelaksanaan Kebijakan Obat Generik Di Apotik Kabupaten Pelalawan Propinsi Riau, disertasi, Magister Kebijakan dan Manajemen Pelayanan Kesehatan yang tidak dipublikasikan, Universitas Gajah Mada. Terasvirta, T., Van Dijk., dan Medeiros, Marcelo C. (2005). Linear models, smooth transition autoregressions, and neural networks for forecasting macro economic time series: A re-examination, International Journal of Forecasting, 21 (4), 755-774 Tjokroprawiro, A. (1988). Diabetes Millitus Dan Macam-Macam DIIT-Diabetes B, B1, B dan B1, Puasa, B2, B3 dan Be. Edisi kesebelas. Airlangga University Press : Surabaya. Wei, W. W. S. (1994). Time Series Analysis Univariate and Multivariate Methods. Addison Wesley Publishing Company, Inc : Canada. Wetherill, D. dan Kerelakes, D. (2001). Yang Perlu Anda Ketahui Diabetes. Elex Media Komputindo : Jakarta.
BIODATA PENULIS Penulis dilahirkan di Jombang, 22 Maret 1987. Penulis menempuh pendidikan formal di TK Pembangunan Surabaya, SDN Kedung Cowek I 253 Surabaya, SMPN 15 Surabaya, dan SMAN 19 Surabaya. Tahun 2005 penulis mengikuti Seleksi Penerimaan Mahasiswa Baru (SPMB) dan diterima di Jurusan Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam (FMI PA), Institut Teknologi Sepuluh Nopember (ITS) Surabaya dengan NRP 1305100041. Selama menempuh pendidikan di statistika ITS, Penulis aktif menjadi staf divisi pelatihan Profesional statistik (Pst) periode 2005 – 2006 dan anggota Statistic Computer Course (SCC) periode 2006 – 2007. Penulis juga pernah menjadi asisten dosen matakuliah Pengantar Ilmu Komputer (PIK) tahun ajaran 2008 – 2009 dan Kerja Praktek di bagian logistik POLRESTA Mojokerto tahun 2008. Bagi yang ingin berdiskusi atau memeberikan saran lebih lanjut kepada penulis mengenai tugas akhir ini, penulis dapat dihubungi melalui alamat email
[email protected].
101
102