58
Integrated d ditentukan dari tingkat stasioneritasnya dengan melakukan differencing yang artinya menghitung perubahan atau selisih nilai
observasi. Pada tahap ini, kita telah mengetahui bahwa data yang kita punya telah melakukan differencing pada tingkat pertama d = 1, sehingga
pada tahap ini kita hanya menentukan nilai Koefisien ARp dan MAq dengan melakukan metode trial and error terhadap model-model yang
akan digunakan dan model tersebut masing-masing dibandingkan melalui parameter-parameter penentuan model terbaik. Perlu diketahui, bahwa data
yang kita gunakan pada penentuan nilai koefisien ARp dan MAq adalah data yang sudah stasioner atau dengan kata lain, data yang telah
mengalami differencing tingkat pertama d=1. Jadi, setelah dilakukan metode untuk menentukan model terbaik, terpilih beberapa model dari
berbagai model umum yang dapat digunakan dalam melakukan proyeksi. model-model yang terpilih dari berbagai model umum untuk penelitian ini,
yaitu ARIMA1,1,1, ARIMA2,1,1, ARIMA1,1,2, ARIMA2,1,2. Model tersebut kemudian kita bandingkan untuk menentukan model
terbaik.
3. Pemilihan Model Terbaik
Setelah dilakukan uji diagnostik untuk keempat model tersebut, ternyata keempat model tersebut lolos untuk uji diagnostik sehingga langkah
selanjutnya memilih model terbaik diantara keempat model tersebut.
Universitas Sumatera Utara
59
Ada beberapa kriteria dalam memilih model terbaik :
Nilai Akaike Info Criterion AIC yang kecil Nilai Schwarz Criterion yang kecil
Sum Squared Residual SSE yang kecil Adjusted R Squared yang besar
Maka, untuk menentukan model terbaik ialah dengan membandingkan kriteria diatas. Berikut tabel perbandingan keempat model tersebut.
Tabel 4.17 Perbandingan Pemilihan Model terbaik ARIMA Model
AIC SBC
SSE Adj. R
Squared ARIMA1,1,1 11,67007
11,77665 358322,5
0,66192 ARIMA2,1,1 11,68765
11,79518 357740,7
0,066897 ARIMA1,1,2 11,66153
11,76811 355276,5
0,074129 ARIMA2,1,2 11,76983
11,87736 388381,6
-0,013029 Setelah dilihat hasilnya diperoleh bahwa model terbaik adalah ARIMA
1,1,2 karena memenuhi kriteria pemilihan model terbaik. Dengan nilai ordo p AR = -0,294799, dan nilai ordo q MA = -0,223220 dan
Konstanta �
′
= 8,741200. Sehingga digunakan model ARIMA 1,1,2 untuk proyeksi jumlah kunjungan pasien poliklinik bedah tahun 2016-
2017, dengan persamaan : �
�
= − ,
�
�−
+ , �
�−
+ , +
�
− ,
�−
Universitas Sumatera Utara
60
Tabel 4.18 Proyeksi Kunjungan Pasien Rawat Jalan Poliklinik Bedah Tahun 2016-2017
Tahun 2016 Bulan
Proyeksi
Januari 599
Februari 608
Maret 617
April 626
Mei 634
Juni 643
Juli 652
Agustus 661
September 670
Oktober 678
November 687
Desember 696
Jumlah 7.771
Dari tabel diatas, kita peroleh bahwa proyeksi kunjungan pasien rawat jalan tahun 2016 dan 2017 pada poliklinik bedah cenderung mengalami
peningkatan. Dapat kita lihat dari jumlah kunjungan pasien rawat jalan yang selalu meningkat dari bulan januari 2016 sampai dengan bulan
desember 2017.
Tahun 2017 Bulan
Proyeksi
Januari 704
Februari 713
Maret 722
April 731
Mei 740
Juni 748
Juli 757
Agustus 766
September 774
Oktober 783
November 792
Desember 800
Jumlah 9.030
Universitas Sumatera Utara
61
4.2.7 Poliklinik Medical Check-Up