ADLN- PERPUSTAKAAN UNIVERSITAS...

9

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.

ADLN- PERPUSTAKAAN UNIVERSITAS AIRLANGGA

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 :

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

Metode Peramalan

Metode Peramalan kuantitatif Obyektif

1. Analogis 2. Delphi 3. PERT 4. Survey Techique

1. Naive 2. Moving average 3. Exponential

Smoothing 4. Regres sederhana 5. ARIMA 6. Neural Network

Time Series Metode Peramalan Kualitatif Subyektif 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



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.



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



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



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).



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, pemulusan eksponesial ganda metode Holt, pemulusan



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.



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.



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 :



19

111 tttt bSXS .......................(1)

11 1 tttt bSSb .....................(2)

.mbSF ttmt ...................................(3)

Dimana :

tS Data Pemulusan pada periode t

1b Trend Pemulusan pada periode t

m = Jumlah periode akan datang yang diramalkan

mtF Peramalan pada periode t + m

Persamaan (1) menyesuaikan tS secara langsung untuk trend

periode sebelumnya, yaitu 1tb . dengan menambahkan nilai pemulusan

yang terakhir yaitu .1tS hal ini membantu menghilangkan kelambatan dan

menempatkan tS 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 1 tt SS 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



20

pada nilai dasar ( tS ).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).



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



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 rata-

rata 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



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.



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 aslinya. Sebaliknya, apabila nilai

autokorelasinya tidak turun ke nol dan tetap positif

menandakan data tidak stasioner 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



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



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.



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):

11221122110 ........ ttttptpttt XXXX

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 :

tptpttt eXXXX ........2211'

Dimana :

' Nilai konstanta

j parameter autoregresif ke j

te kesalahan pada saat t (Makridakis. S, Mc Gee.

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



28

Orde dari model AR (yang diberi notasi p) ditentukan oleh jumlah

periode variabel dependen yang masuk dalam model. Sebagai

contoh :

tttt eXX 1' adalah model AR orde 1 dengan

notasi ARIMA (1,0,0)

ttttt eXXX 221' 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 :

qtqtttt eeeeX ....2211'

dimana

q1 parameter-parameter MA

qte 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



29

variabel independen tY 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:

tt eBX 11 adalah model MA orde 1 dengan

notasi ARIMA (0,0,1)

tt eBBX 2211 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 :

1111'

tttt eeXX

4. Model ARIMA (Autoregresisve Integreated Moving Average)

Dalam prakteknya banyak ditemukan bahwa data bersifat non-

stasioner 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.



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 :

1 tt XBX (Makridakis. S, Mc Gee. V.E, &

Wheelwright. S.C, 1995).

Notasi B yang dipasang pada tX , mempunyai pengaruh menggeser data 1

periode ke belakang. Untuk menggeser data 2 periode ke belakang adalah



31

22

ttt XXBBXB (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

12B dan notasinya adalah 1212

tt XXB .

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



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 nila-

nilai 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



33

dipilih metode yang memiliki kesalahan paling kecil. Secara umum

perhitungan kesalahan peramalan dapat dijabarkan sebagai berikut :

ttt yye '

Dimana :

te residual (error) pada periode ke- i

ty nilai sesungguhnya pada periode ke- i

ty ' 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 :

100/

xn

yyyMAPE

ttt

Dimana :

y t nilai data sesungguhnya pada periode ke- t

ty nilai ramalan pada periode t

n = banyaknya data



34

2. MAD (Mean Absolute Deviation)

MAD (Mean Absolute Deviation), berguna untuk mengukur

ketepatan nilai dugaan model, yang dinyatakan dalam bentuk rata-

rata absolute kesalahan.

Rumus MAD adalah sebagai berikut :

nyy

MAD tt

Dimana :

yt = nilai data sesungguhnya pada periode ke- t

ty = 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 :

nyy

MSD tt

2

Dimana :

yt = nilai data sesungguhnya pada periode ke- t

ty nilai ramalan pada periode ke- t

n= banyaknya data (Makridakis. S, Mc Gee. V.E, & Wheelwright.

S.C, 1999).



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



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 terus-

menerus 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 tanda-

tanda 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.



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-angiotensin-

aldosteron, sebagian diperantarai oleh growth factor seperti transforming

growth factor ß.

Beberapa hal yang juga dianggap berperan terhadap

terjadinyaprogresifitas penyakit ginjal kronik adalah 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,



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



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



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



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



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)



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



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).



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).



ADLN- PERPUSTAKAAN UNIVERSITAS...

Documents

Transcript of ADLN- PERPUSTAKAAN UNIVERSITAS...