Analisis Peramalan Obat dengan Pendekatan Single Moving Average dan Single Exponential Smoothing (Studi Kasus di Kabupaten Jombang 2017-2019 PDF

Preview

Summary

REVIEW JURNAL Analisis Peramalan Obat dengan Pendekatan Single Moving Average dan Single Exponential Smoothing (Studi Kasus di Kabupaten Jombang 2017-2019) Oleh : Marlince seingo (19650273) Dosen pengampuh : Apt. Anggi Restyana, M. Farm UNIVERSITAS KADIRI FAKULTAS ILMU KESEHATAN PROGRAM STUDI S1 FAR...

Description

REVIEW JURNAL Analisis Peramalan Obat dengan Pendekatan Single Moving Average dan Single Exponential Smoothing (Studi Kasus di Kabupaten Jombang 2017-2019) Oleh : Marlince seingo (19650273)

Dosen pengampuh : Apt. Anggi Restyana, M. Farm

UNIVERSITAS KADIRI FAKULTAS ILMU KESEHATAN PROGRAM STUDI S1 FARMASI

Review Jurnal Analisis Peramalan Obat dengan Pendekatan Single Moving Average dan Single Exponential Smoothing (Studi Kasus di Kabupaten Jombang 2017-2019) Oleh : Anggi Restyana1, Lisa Savitri, Nur Fahma Laili, Neni Probosiwi A. Latar belakang penelitian. Yang melaratar belakangi penilitian ini yaitu pada bagian perencanaan, pencatatan dan pelaporan sering menghadapi permasalahan persediaan seperti barang obat tertentu mengalami overstock dan understock. Masalah ini kemungkinan karena kurangnya perhatian dan perencanaan yang tepat dalam inventarisasi. Hal ini dapat terjadi jika ada permintaan obat yang tidak dapat dikendalikan. B. Tujuan penelitian Penelitian ini bertujuan untuk mengetahui metode dengan ukuran kesalahan peramalan terkecil antara Single Moving Average dan Single Exponential Smoothing. Dalam penelitian ini dirancang teknik peramalan, untuk mengetahui pola mana yang cocok untuk kasus data yang akan menjadi objek penelitian dan menentukan hasil peramalan ketersediaan obat di masa yang akan datang dalam jangka waktu tertentu dengan membandingkan peramalan tersebut. C. Metode penelitian • Desain Penelitian Metode penelitian observasional dengan pendekatan deskriptif kuantitatif. Peneliti melakukan evaluasi melalui data time-series dan dokumen pengelolaan obat di 35 Puskesmas di Kabupaten Jombang. Tahap pertama adalah persiapan (perencanaan), tahap kedua pelaksanaan meliputi pengumpulan dan pengelolaan data, tahap ketiga adalah analisis dan evaluasi data. Peramalan didasarkan pada klasifikasi jenis obat. Karena jumlah variasi produk mencapai 403 jenis, dalam penelitian ini dipilih lima jenis obat, terutama yang tergolong paling banyak direncanakan dari tahun 2017 hingga 2019. Tabel 1 merupakan hasil dari lima jenis obat yang paling banyak perencanaannya. • Objek Penelitian Penelitian ini menggunakan beberapa institusi sebagai objek penelitian. Instansi pemerintah yang dipilih adalah instansi yang bergerak di bidang kesehatan khususnya dalam melaksanakan perencanaan obat secara rutin. • Populasi dan Sampel Data pengelolaan obat di 34 Puskesmas di Kabupaten Jombang. Sedangkan teknik pengambilan sampel yang digunakan dalam penelitian ini adalah total sampling. • Variabel Penelitian Rencana Kebutuhan Obat (RKO) adalah rencana jumlah obat yang disediakan untuk pelayanan kesehatan yang harus di bawah jumlah kebutuhan atau penggunaan obat.

• •

Instrumen Penelitian Microsoft Excel untuk pengolahan data, estimasi dan perhitungan error. Alur Penelitian Data diperoleh dari data primer berupa rekapitulasi data dari Dinas Kesehatan Kabupaten Jombang. Data sekunder yang digunakan adalah dokumen laporan dan lembar permintaan obat (LPLPO), laporan tahunan pengelolaan obat, kartu stok obat, rencana kebutuhan obat, daftar harga obat, catatan harian penggunaan obat dari 25 Puskesmas di Kabupaten Jombang selama tahun 2017- periode 2019. Kemudian 5 obat yang paling banyak direncanakan diminum selama periode 2017-2019. Melaksanakan Single Moving Average dan Single Exponential

D. Hasil penelitian Sumber data yang digunakan adalah data sekunder yaitu data kebutuhan obat pada periode sebelumnya (tahun). Metode pengumpulan data dilakukan dengan menggunakan metode survei dan wawancara pada data Rencana Kebutuhan Obat 2017-2019 untuk 34 Puskesmas di Kabupaten Jombang. Kemudian dilakukan rekapitulasi data. Didapatkan 5 obat dengan rencana terbesar pada periode 2017-2019. Obat dengan perencanaan terbesar 2017-2019 yaitu : • Parasetamol 500 mg,Pada tahun 2017 sebanyak 0,694 juta,tahun 2018 sebenyak 126.213 juta dan tahun 2019 sebanyak 11.705 juta • Vitamin B6 10 mg,Pada tahun 2017 sebanyak 0,127 juta,tahun 2018 sebenyak 21.284 juta dan tahun 2019 sebanyak 2.060 juta • Vitamin B kompleks,Pada tahun 2017 sebanyak 0.179 juta,tahun 2018 sebenyak 5,127 juta dan tahun 2019 sebanyak 2,848 juta • Chlorpheniramine 40 mg,Pada tahun 2017 sebanyak 0,274 juta,tahun 2018 sebenyak 4,209 juta dan tahun 2019 sebanyak 4,377 juta • Amoxicillin tab 500 mg,Pada tahun 2017 sebanyak 0,344 juta,tahun 2018 sebenyak 0,453 juta dan tahun 2019 sebanyak 5748 juta 1. Plot Data Permintaan Data Permintaan obat yang telah diperoleh kemudian diolah dan diuji pola datanya untuk menentukan metode yang tepat dalam menyelesaikan permasalahan yang ada. Adapun grafik perencanaan obat 2017-2019 diamana 3 dari 5 nama obat menunjukkan pola stasioner. Pola tersebut terlihat pada perencanaan tablet vitamin B kompleks, Chlorpheniramine 40 mg, dan Amoksisilin tablet 500 mg pada periode 2017-2019.

2. Pemilihan Model Metode pemulusan eksponensial tunggal digunakan karena datanya stasioner. Didapatkan SMA sebesar 12.681. Kemudian perhitungan akurasi error forecast dihitung untuk melihat persentase error.Perhitungan ini dapat digunakan untuk membandingkan model peramalan yang berbeda, juga untuk mengawasi peramalan,diperoleh hasil yaitu sebagai berikut : • Parasetamol 500 mg,dengan metode SMA sebanyak 46,371 juta,dengan metode MAD sebenyak 1.302 juta dan dengan metode MSE sebanyak 3234,206 juta • Vitamin B6 10 mg,dengan metode SMA sebanyak 7,823 juta,dengan metode MAD sebenyak 0,229 juta dan dengan metode MSE sebanyak 90,791 juta • Vitamin B kompleks,dengan metode SMA sebanyak 2.718 juta,dengan metode MAD sebenyak 0.316 juta dan dengan metode MSE sebanyak 3,301 juta • Chlorpheniramine 40 mg,dengan metode SMA sebanyak 2.953 juta,dengan metode MAD sebenyak 0,486 juta dan dengan metode MSE sebanyak 1.732 juta • Amoxicillin tab 500 mg,dengan metode SMA sebanyak 3.540 juta,dengan metode MAD sebenyak 0,638 juta dan dengan metode MSE sebanyak 2,124 juta • Diperoleh nilai rata-rata untuk penggunaan metode SMA sebanyak 12.681 juta,metode MAD sebanyak 0,594 juta serta Metode MSE sebanyak 666.431 juta Penelitian yang dilakukan oleh Kolade (2019) dimana penelitian dilakukan pada perusahaan retail farmasi dengan metode SMA menghasilkan nilai MAD = 66,31 dan MSE = 23,56. Metode SES digunakan karena data bersifat stasioner dengan nilai data berfluktuasi di sekitar nilai rata-rata yang konstan. Hasil peramalan dengan metode SES didapatkan nilai rata-rata sebesar 7,940.

Hasil :

Sebuah studi yang dilakukan oleh Kolade (2019) di mana penelitian ini dilakukan pada perusahaan ritel farmasi dengan metode SES mengakibatkan nilai MAD = 40,34 dan MSE = 18,74 . Kolade mengatakan SES adalah metode yang paling cocok. Hal ini dikarenakan nilai error pengukuran lebih kecil dibandingkan dengan metode SMA. E. Kesimpulan dan saran 1. Kesimpulan Kesimpulan dari hasil penelitian menunjukkan bahwa Single Moving Averages = 12.681 juta tablet dengan MAD = 0,594 juta dan MSE = 666.841 juta. Sedangkan Single Exponential Smoothing = 7.949 juta dengan MAD = 4.557 juta dan MSE = 372.884 juta. Jadi, kedua metode tersebut memiliki kesalahan pengukuran yang kecil. 2. Saran Jurnal ini dalam penulisan sudah sangat bagus dan lengkap,tapi kalo saya boleh memberikan saran untuk jurnal ini agar lebih baik untuk di berikan konten yang lebih menarik,gaya penulisan yang lebih mudah supaya pembaca agar lebih mudah memahami arti dari tulisan jurnal tersebut.

3. Daftar pustaka LR Hariyono, “Penerapan Metode Exponential Smoothing Untuk Prediksi Permintaan Obat Di Gudang Farmasi Dinas Kesehatan Kota Surabaya,” hlm. 1–9. L. Ferbar Tratar, B. Mojškerc, dan A. Toman, "Peramalan permintaan dengan pemulusan eksponensial empat parameter," Int. J.Prod. Ekonomi, jilid. 181, hlm. 162-173, 2016, doi: 10.1016/j.ijpe.2016.08.004. OD Buzia, N. Mardare, dan C. DIACONU, "Perkiraan Penjualan Farmasi Dengan Perataan Eksponensial Brown," Acta Medica Transilv., jilid. 21, tidak. 1, hlm. 127–129, 2016. IA Zahra and YH Putra, “Perbandingan Metode Peramalan Berdasarkan Pola Musiman untuk Prediksi Kebutuhan Obat dengan Metode ARIMA, Single Exponential Smoothing,” IOP Conf. Ser. ibu. Sci. Ind., jilid. 662, tidak. 2, 2019, doi: 10.1088/1757-899X/662/2/022030. MI Fitrianda, “Digital Digital Repository Repository Universitas Universitas Jember Jember Digital Digital Repository Repository Universitas Universitas Jember,” 2013. J. Batselier dan M. Vanhoucke, “Meningkatkan akurasi perkiraan proyek dengan mengintegrasikan manajemen nilai yang diperoleh dengan pemulusan eksponensial dan peramalan kelas referensi,” Int. J.Proy. Kelola., jilid. 35, tidak. 1, hlm. 28–43, 2017, doi: 10.1016/j.ijproman.2016.10.003. JC Phooi M'ng, indikator analisis teknis “Dynamically Adjustable Moving Average (AMA') untuk meramalkan Macan Asia' pasar berjangka,” Phys. Sebuah Stat. mekanisme aplikasinya, jilid. 509, hlm. 336–345, 2018, doi: 10.1016/j.physa.2018.06.010. G. Sbrana dan A. Silvestrini, "Perataan eksponensial switching acak: Pendekatan estimasi baru," Int. J.Prod. Ekonomi, jilid. 211, tidak. Februari, hlm. 211– 220, 2019, doi: 10.1016/j.ijpe.2019.01.038. FA dan AS R Gustriansyah, N Suhandi dan Fakultas, “Metode pemulusan eksponensial tunggal untuk memprediksi penjualan beberapa produk,” J. Phys., hlm. 1–7, 2019, doi: 10.1088/1742-6596/1175/1/012036. H. Tanuwijaya, “Penerapan Metode Winter ' S Exponential Smoothing Dan Single Moving Average Dalam Sistem Informasi,” Semin. Tidak. Manaj. teknol. XI, hlm. 1-10, 2010. [11] AA S, “Penerapan Metode Single Moving Average Dan Exponential Smoothing Dalam Peramalan Permintaan Untuk Produk Furnitur Meja Kopi Di Java Furniture Klaten,” vol. 2, 2009. D. Susilawati, N. Setiawan, I. Yulianti, dan D. Prayudi, “Application of Single Moving Average Method for Prediction of Sales in Aby Manyu Cells,”

Swabumi, vol. 6, tidak. 1, hlm. 78–84, 2018, doi: 10.31294/swabumi.v6i1.3319. Satibi, Manajemen Apotek Rumah Sakit. Gajah Mada University Press, 2016. [14] VR Sutrisno, “Analisis Peramalan Data Penjualan Menggunakan Metode Simple Moving Average dan Single Exponential Smoothing: Studi Kasus PT Guna Kemas Indah,” hlm. 1–20, 2013. ABT Ng, “Optimasi Perkiraan Permintaan Persediaan di Pusat Kesehatan Universitas,” J. Phys. Kon. Ser., jilid. 755, tidak. 1, hlm. 1–11, 2016, doi: 10.1088/1742-6596/755/1/011001. H. Liu dkk., “Prakiraan tren kejadian konjungtivitis hemoragik akut di Cina dari 2011–2019 menggunakan model Seasonal Autoregressive Integrated Moving Average (SARIMA) dan Exponential Smoothing (ETS),” J. Infect. Kesehatan Masyarakat, vol. 13, tidak. 2, hlm. 287–294, 2020, doi: 10.1016/j.jiph.2019.12.008. RR Wacker, GJ & Lummus, “Peramalan penjualan untuk perencanaan sumber daya strategis. Jurnal Internasional Manajemen Operasi & Produksi,” Int. J.Oper. Melecut. Kelola., jilid. 22, tidak. 9, pp. 1014–1031, 2002. Pujadi, “Model Pemesanan Bahan Baku Menggunakan Peramalan Time Series Dengan Predictor CB,” ComTech, vol. 5, tidak. 2, hlm. 954–962, 2014. OJ Kolade, “Perkembangan Ekonomi , Perubahan Teknologi , dan Pertumbuhan Permintaan Peramalan dan Pengukuran Akurasi Prakiraan di Apotek,” vol. 15, tidak. 3, hlm. 157–169. Z. Michna,SM Disney, dan P. Nielsen, "Dampak dari waktu tunggu stokastik pada efek bullwhip di bawah permintaan yang berkorelasi dan perkiraan ratarata bergerak," Omega (Inggris Raya), vol. 93, tidak. xxx, hal. 102033, 2020, doi: 10.1016/j.omega.2019.02.002....