Indonesi an  Journa l  of El ect ri cal Engineer ing  an d  Comp ut er  Scie nce   Vo l.   9 , No .   2 ,  Febr ua ry   201 8 ,  pp.  410 ~ 416   IS S N:  25 02 - 4752 , DO I: 10 .11 591/ ijeecs . v9.i 2 . pp 410 - 416           410       Journ al h om e page :  http: // ia es core.c om/j ourn als/i ndex. ph p/ij eecs   Alternat ive M ethods for F orecasti ng Varia tions in    Hos pit al Bed  Admi ssion       S.Sari f ah   Rad iah Shari ff 1 ,   Mohd  Az ua n   Suh aimi 2 , S iti  Meriam  Z ah ar i 3 ,   Z uraida h  Derasi t 4   1 Malay s ia Insti tu te   of   Tr ansport  ( MITRAN S),  Univer siti   T eknol o gi  MA RA Shah A la m ,   Mal a y s ia   2 , 3 , 4   Cent re   for  St at isti cs  and   Dec i sion Sc ie n ce,  Fa cul t y   of  Com put er  &   Math ematica l   Scie n ce s,   Univer siti T ekno logi   MA RA,   404 50  Shah  Alam,   Sela ngor ,   Ma lay si a       Art ic le  In f o     ABSTR A CT   Art ic le  history:   Re cei ved   Oct   1 9 , 201 7   Re vised  Dec   2 7 , 2 01 7   Accepte d  Ja n  1 8 , 2 01 8       The   Mal a y s ia n  hea l thc ar e  s y s tem   is  well - bei ng   rec ogni ze d  for  providi ng  a   wide  ran ge  of  acce ss   to  primar y   hea l thc ar e.   Th e  num ber   of  hospi ta ls  is  found  to  be  growing  in  li n e  with  th e  inc r ea se  in  p opula ti on .   How eve r,  over - cro wding  has  b ec om e  th e  m ost  comm on  sce ne   that  peop le  se e  in   ev e r y   hospita l .   The  n um ber   of  pat i e nts  bei ng  admit te d  m a y   som ehow   m isle ad   hea l thc ar e  pla nn ers,   and  thus  caus ing  the m   to   under esti m ate   the   resourc es   tha t  ar e   req u ire d   withi n  the   hosp it al .   Thus,   thi s  stud y   ai m s  to  identif y   better   fore ca st ing  m odel s  for  var ia t ions  in  hospita l  bed  admiss ion  conside ring  State  Space   Model  ( SS M).  Data   on  the   admiss ion  rat e  of  a  state  hospita l  wa s   col l ec t ed,   spann ing  the   per iod  o f  histori cal  data  from   2001  unti l  2015.   The  findi ngs  indi c ate   tha t  Sta te   Spa ce  m odel   ca n  outp erf orm   comm on  m odel   due   to  it s  lower   Mea n  Square d  Err ors.  Fem al e  age d  bet wee n  25  - 34  y ea rs  old  are  found  to  be  havi ng  the   highe st varia ti on ,   which  co uld  le ad  to  unpre dic t abl e  i n   te rm s of  be ing a dm it te d  to  hospit al .   Ke yw or d s :   Fo r ecast ing Va riat ion s   Stat e Sp ace M od el   (SSM )   Copyright   ©   201 8   Instit ut e  o f Ad vanc ed   Engi n ee r ing  and  S cienc e .    Al l   rights re serv ed .   Corres pond in g  Aut h or :   S.S ari fah Ra di ah  S ha riff    Malay s ia Insti tu t e  of Transport   ( MITRAN S),    Univer siti   Te kno logi   MA RA Sha h  Alam ,   Ma lay si a   Em a il : l sn tl @c cu. e du.tw       1.   INTROD U CTION     Nowa days,  in  the  m od er n  w or l d,   pe ople   fa ced  the  chall e ng e s  an d  vola ti le   ye ar  fo r  li vin g  co sts  in  their d ai ly   li fe.  D ue  on  the   inc reasin g  a nd h ig her  pri ce of   t re atm ent  and  m e dicine for  healt hcar e ,  m any  shi fted   to  ha ve  the  tre atm ent  in  gove rn m ent  ho s pital   becau se  of   t he  lo wer   pr ic e   rates.  T he  inc rease  of  th os e  w ho   com e  to  get  serv ic es  f ro m   the  governm ent  ho s pital   is  an  im po rtant  i ssu e   that  can  le ad  to  the  shorta ge  for  the  total   of   be d  a dm issi on   in  the  governm ent  ho s pital .  A  ris e  in  disease  pro gr e ssio n  rate s  al so   can  le a d  to  a  trem end ou s  in crease  in  the  num ber   of   hos pi ta l  bed   adm issio n,  res ulti ng   in   hig h  m edical   exp e ns es .  Fro m   day - t o - day,  the   tot al s  of  people  wh ic h  a re  trea te d  at   ho s pital   are  i ncr ea sin g  an d  it   is  nece ssary  f or  Mi ni stry  of   Healt h  (MO H )  to  plan  ca re fu ll y  about  th e  nu m ber   of   bed   a dm issi on   to  avo id  c on gestio n  an d  sh ort age   pro blem   in  governm ent  healt hcar e   facil it y.  Re la te d  with   the  risin g  in   co ns um er  de m and s,   the  plan ni ng  of   ho s pital   be d  a dm issi on   is  ve ry  i m po rta nt  to  e ns ure  that  i t  giv es  t he  po sit ive  consi derable  im plications   f or   ho s pital   resou r ce  al locat ion .  The  hos pital   plann e rs  m us t  c reati vely   adjus t  the  i m po rtan t  el e m ents  su ch  as  ho s pital   be ds ,   sta ff in g  le vels,   m edici ne  us a ges  a nd  ot her  relat ed  re sourc es.  He nce,   it   is  ve ry  im po rtant  to  app ly   su it able  forecast in g  m e thods  in  or der   to  op ti m al l y  manag e  hosp it al   bed   a dm issi o ns   an d  ot her   r el at ed   healt hcar e   ser vices.  The   go od   f or ec ast ing  m od el   will   pl ay   a  sig nifica nt  r ole  in   the   eff ic ie nt  al loca ti on   of   resou rces  in  he al thcare  syst em s  with  con str ai ned   budget s.   It  al so   can  hel p  the  hosp it al   m anag em ent  syst e m s   in or der  t o op ti m al l y  m anag e  patie nt f l ow and to  im pr ov e  m anag em ent st ra te gies, effici en cy  an d safet y.   Re la te d  with  the  go od   forec ast ing   m et ho d  for  f or ecast in g  va riat ion s  i n  num ber   of   ho s pital   be d  adm issi on ,  ARIMA  m od el   ha ve  bee n  a pp li e d  in   a  fe w  of  previ ou s   stu dies   w hich   f ocus  on  bed  op ti m iz a ti on ,   bed   ca pacit y  and   be d  adm is si on.  H oweve r,   i ts  identific at io n  te ch niques  s ee m   diff ic ult  a nd   c om plex  in   order  Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Alt erna ti ve Me thods f or  F or e castin g  V ar iati on s  in  Hos pital Bed   Ad missio n   ( S.  Sa rif ah  R ad i ah Sh ar if f )   411   to  identify   the  correct   m od el   from   the  cl ass  of   possi ble  m od el s.  This  m od el   al so   co m es  up   with  theo re ti cal   m od el   and   str uc tural  relat io nships  w hich  are   no t  disti nct  wi th  oth e r   sim ple  forecast   m od el s.  ARIM A  m od el s  al so   essenti al ly   back wa rd   lo ok i ng   a nd   it   reasons  that  it   al ways  poor   wh e n  predict i ng   se ries  with   turn in g  po i nts.  S o,  in  con t ro ll in g  a nd  op ti m izing   t he  governm ent  exp e ndit ur e  on  healt hca re  syst e m   at   the  public  ho s pital s ,  the re   is  a  nee d  to   pro pose  a  good  forecast in g  m e thod  a nd   it s  al t ern at ives   f or  the  best  strat eg y  an d  plan ning  in  e stim ating   the   healt hcare   s ources,   pa rtic ularly   the  vari at ion s  in  nu m ber   of   ho s pi ta l  bed  adm issi on s.  Pa st  stud ie s   that  us e d  ARIMA   can  be  fou nd   in  [1,2,3 ,  4].  Q ueu i ng  T heory   is  al so   a ppli ed  t o  pr e dict  m on thl y  resp onsiv ene ss  for  cha ng i ng  be d  relat ed  with  cha ng i ng   bed   dem and   [5,6 , 7,8,9] .    Stat e  Sp ace  Mod el   (S SM )  is  known   as  t he   m od el   wh ic h  inclu des  t wo  m ajo r   el em ent s:  an  obser vation  pro cess  a nd   al s o  a  sta te   pr ocess .  I t  is  kn own  as  on e  m od el   whic h  has  powe rful  fr am ewo r k  for  the  pur po s e  of   analy sis  fo r  t he   dynam ic al   s yst e m s.  Hen ce,  this  stud y  at te m pts  to  app ly   SSM  to  fore cast   var ia ti on  in  nu m ber   of  be d  adm issi on .       2.   RESEA R CH MET HO D   In   sta te   sp ace  m od el s,  there  are  three  ty pes   of   in fer e nce  wh ic h  al ways  app li ed  f or   thi s  m od el   w hich   are  pr e dicti on, fi lt ering   an d  s m oo thing .  In  ge ner al ,  the stat e sp ace  m od el  is w ritt en  a s fo ll ow s:   Stat e equ at i on  or tran sit ion  e quat ion :  ) , 0 ( ~ 1 t t t t t Q iid η , η R c T t t t   Me asur em ent o r  o bs e rv at io n equ at io n:  ) , 0 ( ~ , t t t t H i i d t t t d Z y   In it ia l st at e d is tribu ti on: ) , ( ~ 0 0 0 P a α N   wh e re  t Z is  an   N   x  m   m a trix,  t d is  an   N   x  1  ve ct or   a nd  t is  an   N  x  1  e rro r  ve ct or ,   t T is  an  m   x  m   transiti on  m at r ix,  t c   is  an  m   x  1  vecto r,  t R is  a  m   x  g  m at rix,   an d  t η   is  a g  x  1   e rro r  ve ct or.  T he  m at rices t t t t t t R , c , T , H , d , Z   and t Q an d  co ntains  no nr a ndom   el e m e nts.  The  assum ption s of   the  m od el   are  li ste d  as foll ows:   i)   The  dist urban c es  of   ε t   an d  η t   are  unco rr el at ed  with  the  i ni ti al   s ta te   var ia ble  an d  al so  un c orrelat ed  wi th each ot her   f or all  tim e p eriod s .   ii)   The  i niti al   vector  α 0 has   a  m ea n  of  α 0   :  E( α 0 )  =  α 0 an d  c ov a riance  m at rix  of Ʃ 0   :  Var( α 0 )  =   Ʃ 0.   iii)   The  distu r bances  of   ε t   and   η t   are  no rm al l y  distribu te d  a nd   se rial ly   ind epende nt  wit h  const ant  var ia nc es.     2.1 Dia gnost ic  C hec ks   All  sign ific a nc e  te st  and   const ru ct io n  of  confide nce  inte rv al s  in  Stat e  Sp ace  Mo del  rely   on   th e   assum ption s  w hich  are  relat e d  to  resid ual  analy sis  includi ng   norm al i ty ,  ho m os cedasti c it y  and   ind epe nd e nce.   Anothe r  diag nosti c  too l  for  de te rm ining   the   appr opriat ene ss  of  the  m od e l  is  known  as  ‘auxil ia ry  resi du al s ’.  The  a uxil ia ry  r esi du al s   can   be   ap plied  f or  the  pur po s e  of  detect ing  outl ie rs  a nd  str uctu ral  brea ks   bec ause  ε ̂ t   and   η ̂ t   are  the  e stim at or   of   ε t   and   η t .  The  s m oo th  obser ve d  dist urban ce s   of   ∗   ena ble  for  the  detect ion  of  ou tl ie r  obser va ti on s.   For  s m oo th  sta te   disturba nces,   it   al lows   the   detect ion  of   struct ur al   breaks  i n  dev el op m ent of ti m e series.   Fo r   Stat e  S pac e  Mo del  ap plica ti on ,   pac ka ge s  in  R   cal le d  Stru ct TS   an d  dlm   are  us e d.   At  the  sam e   tim e,  a  com mo n  f or ecast i ng  m od el ,  ARIM A  was  r un  to   validat e  the  re su lt s.  ARIMA   m od el   was  r un   us in g  Eviews .      2.2 Da ta c ollec tion   In   this  stu dy,  ho s pital   bed   a dm issi on   data  base d  on  ge nder  an d  age  gr oups,  co ver i ng   t he  pe rio d  of  2001  unti l  2015  is  colle ct ed  f ro m   a  sta te   ho sp it al   in  Ma la ys ia .  The  age  dat aset   is  ran ge d  accor ding  to  th e  data  so urce  as  0 - 4,  5 - 19, 20 - 24,  25 - 34,  35 - 44,  45 - 54,  55 - 64,  65 - 74,  75 - 84,  75+ .  H ow e ve r,   the re  are  m issi ng   values  of  total   adm issi on  data,   pa rt ic ularly   duri ng  the  ea rly   ye ar s  of  st ud y  dur at ion .   To   ha nd le   the  m issi ng   data,   Am elia  II   pac kag e  dev el ope d  by  Profe ssor   Gar y  King  f r om   Har vard  U niv e rsity   is  being   util iz ed  in   the  R   Dev el op m ent  Core  Team   so f tware  pa cka ge  ver si on   3.2.3.  The  Am el ia   II   R  pack a ge  is  a n  up dating  versi on   of  the  Am elia   fir st  ve rsion.   It  runs  a   f orm   of   the   bootstra p - base d  EM   a lgorit hm   to  pe rfor m   the  m ulti ple  i m pu ta ti on   te c hn i qu e  t hat  ha s  the  abili ty   to  com pu te   m a ny  m or e  var ia bles  that  com e  with  m any  m or e   ob s er vations, i n  c onsidera bly  faster t han exis ti ng  a ppr oach e s [10,1 1].         Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vol .  9 ,  No.  2 ,  Fe br uary   201 8   :   410   –   416   412   3.   RESU LT S  AND A N ALYSIS   The  res ults  are  discu ssed  in  sever al   phases:   app li cat ion   of   m od el s,  analy sis  of  var ia ti on s  a nd   perform ance m easur em ent.     3.1   Results  f r om   AR I M A  m od e l   The  re su lt   f rom   ARIMA  m od el   us in g  E views  wa s  obta ined  first  in  order   t o  chec k  a nd   c ollec t  m ore   con cl us ive  e vi den ce  a bout  th e  data  sta ti on a rity   con diti on.   The  ACF  (Autoc orrelat ion   Functi on)  an d  PA CF   (P arti al   Au t oc orrelat ion  F unct ion )   we re  al s o  plo tt ed   to  de te rm ine  the  s pe ci ficat ion   of  ARIMA   m od e l.  From   Figure  1,  the  c hanges  vecto rs   of   th e  a uto c orrelat ion   are  de creasin g  as  the   tim e   increases ,  and   s om e  even   m e e t   to  ne gative  val ues.   From   the  gr a ph,  four  val ues  of  the  a utoc orrelat ion s   ex ceed  the   sig nif ic ance  li m it .  Hen ce ,   there  is  a  need  for  this  se ries   to  be  m ade  sta ti on ary  by  pe rfor m ing   the   first  dif fer e nce.  Figure  1  sho w s  AC F   gr a ph fo r  total   of b e d  a dm issio n.           Figure  1. ACF   Gr a ph fo r  T otal of Be d A dm is sion       Perfo r mi ng Fi rst Differe ncing   Fr om   Figure  2,   we  can  see  t ha t  the  gr a ph   showi ng   t he  dra m at ic   decayi ng   for  the  data.  It   is  no t  sho wing  the slo wing m ov e  up o r dow n from  the g ra ph. So,  it  is co nclu ded that t he  d at a  now  is  s ta ti on ary.           Figure  2.   ACF  yt - 1 Gr a ph   3 5 3 0 2 5 2 0 1 5 1 0 5 1 1 . 0 0 . 8 0 . 6 0 . 4 0 . 2 0 . 0 - 0 . 2 - 0 . 4 - 0 . 6 - 0 . 8 - 1 . 0 L a g A u t o c o r r e l a t i o n A u t o c o r r e l a t i o n   F u n c t i o n   f o r   T o t a l   O f   B e d   A d m i s s i o n ( w i t h   5 %   s i g n i f i c a n c e   l i m i t s   f o r   t h e   a u t o c o r r e l a t i o n s ) 3 5 3 0 2 5 2 0 1 5 1 0 5 1 1 . 0 0 . 8 0 . 6 0 . 4 0 . 2 0 . 0 - 0 . 2 - 0 . 4 - 0 . 6 - 0 . 8 - 1 . 0 L a g A u t o c o r r e l a t i o n A u t o c o r r e l a t i o n   F u n c t i o n   f o r   y t - 1 ( w i t h   5 %   s i g n i f i c a n c e   l i m i t s   f o r   t h e   a u t o c o r r e l a t i o n s ) Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Alt erna ti ve Me thods f or  F or e castin g  V ar iati on s  in  Hos pital Bed   Ad missio n   ( S.  Sa rif ah  R ad i ah Sh ar if f )   413   The  data  m ay   no t  pe rf ect ly   sta ti on ary  beca use   in  ec onom ic  or  bu si ness  da ta   series  s uc h  conditi on  m ay   no t  be  ea sil y ac hieva ble  du e  to  the  explai na bl e factors in he r ent in t he data   set s.      Model  Ide nt ifi cat i on   In  ord er  t o  i de ntify  the   best   a nd  s uitable   m od el ,   t he  a naly sis  of  the   AC F  and  P ACF  gra ph s   wer e   do ne  and   f our  m od el s  hav e  bee n  identifie d  an d  e stim at ed  us ing  Eviews  w hich   are  AR IMA  ( 2,1,2) ,  AR IM A   (2,1,0 ),   ARIM A  (1,1,1 )  a nd  ARIMA   ( 1,1,0 ).   By   c om par ing  the  m od el s   in  Ta ble  1,   t he   best  m od el   i s  ARIMA  (1, 1,1 )  du e  it s sm alle st M SE =  5003 72.      Table  1.   Su m m ary o f  P ort m an te au  Test   Statistics   Mod el   ARIMA (2,1 ,2)   ARIMA (2,1 ,0)   ARIMA (1,1 ,1)   ARIMA (1,1 ,0)   Calcu lated  Q   1 0 .2   3 1 .3   1 6 .1   3 4 .6   DF   7   9   9   10   Tabu lated  Q   1 4 .06   1 6 .91   1 6 .91   1 8 .30   Decisio n  ( 5 % sig   lev el)   Accept   Ho   Reject Ho   Accept Ho   Reject Ho   Co n clu sion   The er rors ar e whit e  n o ise   The er rors ar e   n o t  wh ite no ise   The er rors ar e whit e  n o ise   The er rors ar e   n o t  wh ite no ise   MSE   5 0 2 2 8 3   6 0 1 8 5 5   5 0 0 3 7 2   6 4 9 1 4 1       3.2 State  Sp ac e M od el li ng   Stru ct TS   pac ka ge  in  R  is  kn own   as   Str uctu ral  tim e   serie s  m od el s  in  Sta te   Sp ace  M od e l,  is  ap plied  for  est im ating   the  pa ram et ers  of  sim ple  Stat e  Sp ace   Mo de l  for  eac h  a ge  gro up s   of  be d  adm issi on .  F or  this   stud y,  this  pac kag e  is  s uitabl e  becau s e  the  dataset   for  hos pital   bed   a dm i ssion   is  un i vari at e  tim e  serie s  and  base d  on  10  a ge  groups   bas ed  on  ge nder  (m al e  and   fem al e).  It  c onstr uc ts  a  local   li ne ar  tre nd  m od el   a nd   est i m at es   the  par am et ers  fo r   ho s pital   bed   adm issi on   fo r   each  age  gro up s .  Table  2  sh ows  the  est i m at e   par am et ers  for   local   li near   tr end   m od el   f or  m al e  with  10   a ge  gr oups   for  ho s pital   be d  a dm issi on .  Fro m   Table  2,   it   can  be  see n  that  the  high est   transiti on al   var ia nce  (le ve l)  values  is  on  age  gr oups   5 - 19  ye ars  old   whic h  is  403.7 0  an d  f or  ob se r vational  var ia nce  (e ps il on),   a ge  gro up s  of   3 5 - 44  ye a rs  ol d  ha ve  the   highest  values   with   18808.0 2.    The  value   of  transiti onal   vari ance  re fers  to   the  m axi m u m   li kelihoo d  est i m at es  (MLEs)  f or  le ve l ,   wh il e  f or   obse rv at io nal  va riance  is  the  val ue   (MLEs)  of   obser vatio n  er ror  va riances  (epsi lon ) .  It  m eans  t hat  wh e n  bo t h  of  t hese  values  a re   high,  th ere  is  huge  var ia ti on  in  the  nu m ber   of   be d  bei ng   a dm i tt ed.   This  i s  quit e   crit ic al   becau s e  the  hu ge  va r ia ti on   is  crit ic al   and   will   m a ke  the  forecast ing   process  ha rd e r.   Huge  vari at ion  occurs  f or  a ge gr oup 3 5 - 44 ye ars   old   f or  m ale  gro up.        Table  2.  E stim at e Param et ers  for  L ocal Li ne ar T rend M od e l (Mal e)   Ag e Gr o u p s   Tr an sitio n al   v ariance ( lev el )   Slo p e variance   Ob serv atio n al  v ariance ( ep silo n )   Initial lev el of   mu   Initial lev el of   la m b d a   Less th an  1   3 4 6 .35   0   7 1 2 .27   154   0   1 - 4   7 9 .93   0   3 8 2 .44   97   0   5 - 19   4 0 3 .70   0   3 1 2 3 .7 3   272   0   20 - 24   1 4 4 .65   0   3 3 8 .13   96   0   25 - 34   9 7 .87   0   1 1 4 9 .2 4   146   0   35 - 44   0   0   1 8 8 0 8 .02   151   0   45 - 54   9 0 .57   0   1 4 6 7 .9 5   149   0   55 - 64   3 1 .87   0   4 0 0 4 .2 1   183   0   65 - 74   1 0 .32   0   5 0 6 3 .4 4   145   0   More than  75   2 5 .47   0   1 8 4 8 .6 3   86   0       The  est im a ti on   of   pa ram et ers  for  local   li near  trend   m od el   is  al so   done  f or  f e m al e  wh ic h  al so   ha ve  10   age  gr oups .  From   Table  3,   th e  highest  val ue s  for  tra ns it iona l  var ia nce  (le vel)  a nd   al s o  obser vatio nal  va riance   (ep sil on )  com es  from   age  gro up   25 - 34   ye a rs   o ld  with  val ue s  of   2280. 85  a nd   2125 4.09.  It   m eans  that  the   huge   var ia ti on  occ urs  f or   t his  age   group.   It  sho ws  that  this  a ge   gro up   is  m or e  un pr e dicta bl e  in  te rm s  of   hav i ng  them  b ei ng  a dm itted to  t he h os pital .            Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vol .  9 ,  No.  2 ,  Fe br uary   201 8   :   410   –   416   414   Table  3.  E stim at e Param et ers  for  L ocal Li ne a r  T rend M od e l (Fem al e)   Ag e Gr o u p s   Tr an sitio n al   v ariance ( lev el )   Slo p e variance   Ob serv atio n al  v ariance ( ep silo n )   Initial lev el of   mu   Initial lev el of   la m b d a   Less th an  1   3 8 0 .85   0   5 2 2 .82   149   0   1 - 4   4 7 .33   0   2 4 7 .89   71   0   5 - 19   4 6 1 .40   0   2 2 1 4 .9 5   227   0   20 - 24   5 2 4 .01   0   3 3 5 9 .4 1   336   0   25 - 34   2 2 8 0 .8 5   0   2 1 2 5 4 .09   898   0   35 - 44   1 3 1 0 .9 6   0   1 4 7 1 2 .55   553   0   45 - 54   9 0 .57   0   1 4 6 7 .9 5   149   0   55 - 64   7 5 .84   0   8 6 2 .47   127   0   65 - 74   1 5 .36   0   3 1 2 1 .5 2   77   0   More than  75   9 .26   0   8 8 2 .25   56   0       Diagn os tic  f or   St ru ctTS     Diag nosti c  plo ts  f or   Str uct TS  is  a  generic  functi on   that  plo ts  the  sta ndar diz ed  resi du al s ,   autoc orrelat ion  fu ncti on   of   th e  residu al s  a nd  p - val ues  of  a  Po rtm anteau  te st  fo r  al l  la gs   in  dataset s  hos pital   bed  adm issi on .   Ba sed  on  the   diag nosti c  plo t s  f or   e ach   age   gro up,  t her e  a re  s om e  age  gro ups  that  sho w  th e   sam e   var ia ti on  in  bed   a dm is sion.  For  age  gro up s  le ss  th an  one  ye ar  ol d,   ther e  is  huge  va riat ion   i n  be d  adm issi on   duri ng  20 02 - 2005. H owe ver,  it   s hows   the   sta ble v ariat io n  un ti l 201 4.  Th e   sam e  patte r n  is  al s o  se e n  for  se ver al  a ge gr oups exce pt  for (3 5 - 44) , (4 5 - 54), ( 55 - 64) a nd ag e  m or e than 7 5  ye a rs old.    Fo r   a ge  group   of  ( 35 - 44),  ( 45 - 54)  a nd  (55 - 64)  ye ar s  old ,   it   sh ows  t he  di ff e ren t  var ia ti on  from   the  diag nosti c  plo t s.  The  patte r n  sh ows  t he  hi gh  va riat ion   at   2001  an d  tu r n  to  sm all  var ia ti on   to wa rd s  t he   la te r   ye ars.  Fi gure  3 sh ows the  d ia gnos ti c  plo ts  f or these a ge g r oups :           Figure  3. Dia gnos ti c  Plots  for   A ge  (35 - 44) , (45 - 54)  a nd (5 5 - 64)   Yea rs  Old       Fo r  a ge  group s  of   (65 - 74)  a nd   a ge  m or e  than  75  ye ars  old ,  t he  sm all  var ia ti on  exist s  at   the  early   ye ars  an d  tur n  to  be  hi gh   at   2006.  Howe ver,   it   is  a  bit   sta ble  up   unti l  2015.   Dia gnos ti c  plo ts  f or   fem ale  age  gro up   al so   plot te d  in  or de r  to  see  the  diff e ren ces  of   va ria ti on   with  m al e   age  groups .  Si m i la r  with  m a le   ag e  gro up s ,  there  a re  seve ral  of  fe m al e  age  groups  s hows  the  s a m e  var ia ti on . F igure  4  show s   the  diag nosti cs  plo t s   for  a ge  le ss  tha n  on e  ye a rs  old  an d  this  var ia t ion   al s o  sam e  with  a ge  gr oups  20 - 24  an d  25 - 34  ye ars   ol d.   Ther e   is  s m all  var ia tio n  in  bed   a dm i ssio n  durin g  2001  an d  cha ng es  to  huge  va riat ion   at   2002 - 2004  an d  it   looks  big  sta ble up  unti l 201 2.   H ow e ve r,  it  s hows  hu ge  v a riat ion  a ga in at 20 13 to w ard s  the lat er  yea rs.     Fo r  a ge  gr oup  1 - 4,   5 - 19   a nd  55 - 64   ye ars  old ,  the  patte rn   s hows  ver y  sm a ll   var ia ti on   at   2001  be fore   tur ning  int o  huge  var ia ti on  at   2002 - 2004  a nd   looks  big  sta bl e  up  un ti l  20 11.  H oweve r,   t he re  is  huge  va riat ion  again  at   2012   towa rds  the  l at er  ye ars.   For   age  gro up  35 - 44  a nd  45 - 54   ye ars  ol d  the   patte r n  s hows   high   var ia ti on  in  20 01   unti l  20 04  bef or e  t urnin g  to  sm a ll   var ia tio n  t ow a rds  the   la te r  ye ars.   H ow e ve r,   it   sh ows  the   huge  va riat ion   again  at   2014  towa r ds   the  la te r  ye ars.   At  th e  sa m e  t i m e,  patte rn   f or   fem al e  age  group  of  (65 - 74)  a nd a ge  m or e  tha n 75 ye ars old a re s im ilar wit h  m al e g r oup wit h sa m e  ages.       Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Alt erna ti ve Me thods f or  F or e castin g  V ar iati on s  in  Hos pital Bed   Ad missio n   ( S.  Sa rif ah  R ad i ah Sh ar if f )   415       Figure  4. Dia gnos ti c  Plots  for   A ge  Les s  tha n  O ne , ( 20 - 24 )  a nd (2 5 - 34)  Yea rs  Old       3.3 Per fo r ma nce Me asure s   To  eval uate  the  per f or m ance   between   AR I MA  and   Stat e  Sp ace  Mo del,  MSE  for  each  m od el   hav e   been  cal culat e d.   Inste ad  of  f urt her  analy zi ng   the  da ta ,  we   li m it   ou r  a naly sis  on  fem al e  group  a ge  betwe en  25 - 34  only .  T his  i s  due  t o  the   hi gh e st  va riat ion  show n  by  t he  gro up.  F or eca s t  on  the   va riat ion  of  num ber   of  be d  adm issi on   a m on g  fem al e  age  betwee n  25 - 34   wer e  done  by  con str uctin g  the  m od el   based   o n  data  per i od   of  2004 - 2014,  a nd  com par in g  f or ecast   values  for  data  pe rio d  of   20 15.  Tabl e  4  show s  the  com par ison   of  MSE  betwee n  the  t wo   m od el s.  St at e  Sp ace  m od el   ou tpe rfo rm s   ARIMA  due  to  it s  lowest  MSE.  Th us,  th e  sta te   sp ace m od el  is  us e d  f or fo reca sti ng   pu r pose.       Table  4.  C om par iso n of M SE    Mod els   Valu e of  M SE   ARIMA   1 8 9 4 .8 3   State Space   8 3 4 .33       4.   CONCL US I O N   This  st ud y  a na ly zes  the  va r ia ti on s  in   num ber  of  hosp it a l  bed  a dm issio n  bet wee n  a ge  gro up s   of  diff e re nt  gend ers  us in g  AR I MA  and   Stat e  Sp ace  m od el s.   The   find i ngs  from   the  stud y  sh ow  that  age   gr ou p  fem al e  of   25 - 34  ye ars  old   ha ve  the  highest  values  va riat ion   of  total   ho s pi ta l  bed   a dm issio n.  F ro m   the  r esults,  fem al e  with  age  within  25   unti l  34   ye ars  ol d  are  m or e  unpredict able  f or   th ei r  healt h.   It  see m s  true  beca use   if   we  c om par e  be tween  m al e  and  fem al e,  the  la tt er  al ways  f ace  or  e xp e rience  ph ysi cal   s ym pto m s  wh ic h  occur   m uch   le ss  f re qu e ntly   in  m ale  beca us e   of  t he  norm al   patte rn s   of  fluct ua ti on   durin g  th ei r  m enstru al   cy cl e.   Re la te d  with  age  of  25  unti l  34  ye ars   ol d,  w he n  per s on   gro ws  up  to   30  ye ars  old  above,   their   body  is   changin g  bit  by   bit  and   these   changes  are  a  norm al   par t  of   grow i ng  old e r.  W he n  pe rs on   is  reach  to  pr i m e  age  of  40  a nd  a bove ,  we   can   ass um e  they   can h a ve  diseases bec ause o f   age   fac tors.  But fo r  pe rson  with  a ge  25 - 34  ye ars  old ,  we  cannot  assum e  or   pr e dict  generall y  they   wil l  hav e  disease s  or   not  because   it   dep end s  on   the   ind ivi du al   li fe s ty le .  Each  per s on  ha s  diff e re nt  li festy le   fro m   their  nutrit ion,  diets,  e xerci se  an d  m any  oth e rs,  so  it  d epe nds   on the p e rs on  it s el f  wh et her  eas y t o  get d ise as es o r no t.  Gen e rall y, wh e n  w om en  reach  to a ge  30   above,  t heir  m et abo li sm   becam e  slow   an d  bone  lo ss  be gi ns   at   this  age ,   le ad  to  the  bone - thi nn i ng   di sease   known   as  os te oporosis   la te r  i n  li fe.   T he  un healt hy  nu tr it i on al   facto rs   al so   le a d  t o  the   diseases  su c h  as  hi gh  blood p ress ur e ,  h ig h  c hole ste r ol, breast  disea ses and m any ot her s.  In a  Stat e Sp ace  m od el , th e  var ia ti on  wh ic h  sh ows   the   hi ghly   var ie d  is  sel ect ed  to   be   us e d  i n  the   nex t  f or ecast in g  pro cess.  In  case   of   total   be d  a dm issi on  for  t his  stu dy, ag e  gro up  2 5 - 34  ye ars  old   sho ws  the  highest  var ia ti on  wh ic h  m eans  that  total   of   bed   adm i ssio n  for  this  gro up  is  unpredict abl e.  Th e  f or e cas te d  va riat ion  r esults  f ro m   the  m od el   produ ce  the  re su lt s  wh ic h  appr ox im at e o r  sim il ar to  the  act ual v a riat ion   from  d at aset  o f  total  b e d  a dm issi on .   Howe ver,  the  adm issi on   of   pa ti ents  into  a  hosp it al   is  not  ne cessaril y  du e  to  il lness,  it   can  be  due  to   giv in g  birth   a nd  othe r  rea son s.  He nce,  m or e  researc h  that  consi der   oth e r  factors  an d  ot he r  releva nt  m eth ods  [12] that a ff ect  the a dm issi on  into  a  hos pital  sh oul d be  done .       Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vol .  9 ,  No.  2 ,  Fe br uary   201 8   :   410   –   416   416   REFERE NCE S   [1]     Ea rne st ,   A. ,   Che n,   M.  I . ,   Ng ,   D. ,   &  Sin,  L.   Y .   Us ing  aut ore g ressiv e  integra te d  m ov ing  ave r age  (ARIM A)  m odel s  to  pre dict  and  m on it or  th e  num ber   of  beds  occ up ied   during  a  SA RS   outbre ak  in   a  t ert i ar y   hospital  i n  Singapore .   BM C   Healt h  S erv ices  Re search .   2005;   5 (1),   36 .   [2]     Rei s,  B . Y.  &   Mandl,   K.D.   Tim e  Serie s  Modeli ng  for   S y ndr om ic   Surveil l an ce .   BMC  Me di c al  Informatic s  a nd   Dec ision  Ma ki n g .   2003;   3(1), pa ges  1 - 11   [3]     Rahi m ,   N.  A .   A . ,   Md.   Ghani ,   N . A.,   R amli,  N.M.,   Hashim ,   H.  &   Mus iri n,   I .   Th e   Applicati on  o f  Modifie d  L ea st   Tri m m ed  Square s  with  Gen et i c  Algorit hm s  Method  in  Fa c e  Re cogni t ion .   Indone sian  Jou rnal  of  E le c trical   Engi ne ering  and   Computer  Sc ie n ce   ( IJEECS) .   20 17;  8(1), 154 - 15 8.   [4]     Um esh,   I.   M,  Sr ini vasa n ,   G.N.   &  Torqu at o,   M.   Software   Agin g  Forec ast ing  U sing  Ti m e  Ser ies   Model   Softwa re  Aging  Forec asting  Us ing  Ti m e  Serie s  Model .   In donesian  Journa l  of  E lectric a l  E ngine ering  and  Computer  Sci en ce  ( IJE ECS) .   2017;   8(3), 589 - 5 96.   [5]     McManus,  M.  L. ,   Long ,   M.  C. ,   Cooper,   A.,   &  Li tva k ,   E .   Queuing  the or y   accur at e l y   m odel s  the  nee d  for  cri t ica l   ca re   resourc es.   T he  Journal   of   the A meric an   Soc iety  o f  An esthe sio l ogists .   2004;   10 0 (5),   1271 - 1276 .   [6]     Sinrei ch ,   D. ,   &   Marm or,   Y.  E m erg ency   dep ar tment  oper at ion s:  the   b asis  for  deve lop ing  a  si m ula ti on  too l.   II E  transacti ons .   20 05;   37 (3), 233 - 2 45.   [7]     De  Bruin,  A.   M.,   Kool e,  G.   M.,  &  Viss er ,   M.   C.   Bot tl en ec k   a naly s is  of  emer gency   ca rd ia c   in - pat i ent   f low  in   a  unive rsit y   s et t in g:  an   app li c at ion   of  qu eu ei ng   th e or y .   Cl ini ca l  and   investigative me dic in e .   2005;  28 ( 6),   316 .   [8]     Kokangul,   A.  A   combinat ion  of   det erminist ic   a nd  stocha sti c  ap proa che s  to   optim iz e  bed  ca pa cit y   in  a  hospi tal   unit .   Computer  methods  and  pro gram s in  biomed ic in e .   2008;  90 (1 ),   56 - 65 .   [9]     Griffi ths,  J.  D.,   Knight,   V.,   &  Kom enda ,   I.   Bed  m ana gement  in  a  cri tica l  ca r e  unit .   IMA   Journal   of  Manage men t   Mathe mati cs .   20 13;   24 (2), 137 - 1 53.   [10]     Honake r,   J. ,   Ki ng,   G.,   &  Black well ,   M.  Am el i a  II:  a  progr am  for  m issing  dat a .   Journal  of  S ta ti stic a l  Soft ware .  2011;  45(7), 1 - 4 7.   [11]     Ta kah ashi,   M .   Multi ple  Ratio  I m puta ti on  b y   th e  EMB  Algori t hm ,   Confe renc e   Of  European  S tat isti ci ans   W ork  Sess ion  on  Statis ti c al   Da ta E di ti n g  (Budape st ,   Hu ngar y ,   14 - 16  Se pte m ber   2015) ,   W orking  Paper   34.   [12]     Tayy ab ,   M. ,   Zh ou,   J.,   Adn an,   R .   &  Z a hra ,   A.  Monthl y   Pre ci p i ta ti on   Tre nd   Anal y s is  b y   Appl y i ng  Nonpara m et r ic  Mann -   Kenda ll   ( MK )  and  Spear m an’ s  rho  (SR)  Te sts  In  Dongtin g  La ke ,   China:  1 961 - 2012 .  Indon esian  Journal  of  El e ct rica l  Eng in ee ring a nd   Computer  Sc ie nc e  ( IJ EE CS) .   2017;   5( 1),   41 - 47 .   Evaluation Warning : The document was created with Spire.PDF for Python.