1
PERAMALAN PERMINTAAN RUANG RAWAT INAP
SEBAGAI ACUAN DALAM PENENTUAN KAPASITAS DI
RSUP Dr MOHAMMAD HOESIN PALEMBANG
FRIANKA ANINDEA
DEPARTEMEN MANAJEMEN
FAKULTAS EKONOMI DAN MANAJEMEN
INSTITUT PERTANIAN BOGOR
BOGOR
2014
3
PERNYATAAN MENGENAI SKRIPSI DAN SUMBER
INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Peramalan
Permintaan Ruang Rawat Inap sebagai Acuan dalam Penentuan Kapasitas di
RSUP Dr Mohammad Hoesin Palembang adalah benar karya saya dengan arahan
dari dosen pembimbing dan belum diajukan dalam bentuk apapun kepada
perguruan tinggi manapun. Sumber informasi yang berasal atau dikutip dari karya
yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam
teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada
Institut Pertanian Bogor.
Bogor, April 2014
Frianka Anindea
NIM H24100080
4
ABSTRAK
FRIANKA ANINDEA. Peramalan Permintaan Ruang Rawat Inap Sebagai Acuan
dalam Penentuan Kapasitas Di RSUP Dr Mohammad Hoesin Palembang. Di
bawah bimbingan H. MUSA HUBEIS
Peramalan merupakan salah satu cara yang penting untuk menentukan
keberhasilan perencanaan, khususnya dalam hal perencanaan kapasitas. Tujuan
penelitian: (1) menganalisis pola permintaan ruang rawat inap di RSUP Dr
Mohammad Hoesin Palembang, (2) menentukan metode yang paling cocok untuk
peramalan ruang rawat inap di RSUP Dr Mohammad Hoesin Palembang, (3)
mendapatkan ramalan jumlah ruang rawat inap di RSUP Dr Mohammad Hoesin
Palembang sampai dengan tahun 2015. Metode yang digunakan adalah metode
time series, dengan pengolahan dan analisis data secara kuantitatif dan kualitatif.
Data kuantitatif diolah menggunakan program Microsoft Excel dan Minitab 15.
Analisis kualitatif dilakukan melalui proses observasi dan wawancara langsung.
Diidentifikasi pola data permintaan ruang rawat inap bersifat stasioner, konstan
sepanjang periode Januari 2009 hingga September 2013. Metode Peramalan time
series yang digunakan adalah autoregressive, ARMA, ARIMA, single
exponential smoothing, double exponential smoothing, dimana dari hasil
perhitungan peramalan penjualan didapatkan yang paling sesuai dengan indikator
nilai akurasi kesalahan MAPE terkecil adalah metode autoregressive (2).
Kata kunci: kapasitas, peramalan, permintaan
ABSTRACT
FRIANKA ANINDEA. Demand Forecasting Space Inpatient Capacity
Determination For reference at RSUP Dr. Mohammad Hoesin Palembang.
Supervised by H. MUSA HUBEIS
Forecasting is the one important way to determine the success of planning
,especially in terms of capacity planning. Research objectives are (1) to review
and analyze the pattern of demand for inpatient wards at Dr Mohammad Hoesin
Palembang, (2) to determine the most suitable method for forecasting wards at Dr
Mohammad Hoesin Palembang, (3) to obtain the forecast number of inpatient at
RSUP Dr Mohammad Hoesin Palembang up to 2015. The method used is the
method of time series. Processing and analysis of data used in the study will be
described quantitatively and qualitatively. Quantitative data were processed using
Microsoft Excel and Minitab 15. Qualitative analysis is done through direct
observation and interview process. Identified a pattern of data requests inpatient
unit is stationary, constant over the period January 2009 to September 2013.
Forecasting time series method used was autoregressive, ARMA, ARIMA, single
exponential smoothing, double exponential smoothing, where the results of the
calculations showed that sales forecasting for RSUP Dr Mohammad Hoesin
Palembang that best matches the accuracy of the indicator value is the smallest
MAPE error autoregressive method (2 ).
Keywords: capacity, demand, forecasting
5
PERAMALAN PERMINTAAN RUANG RAWAT INAP
SEBAGAI ACUAN DALAM PENENTUAN KAPASITAS DI
RSUP Dr MOHAMMAD HOESIN PALEMBANG
FRIANKA ANINDEA
Skripsi
Sebagai salah satu syarat untuk memperoleh gelar
Sarjana Ekonomi
pada
Departemen Manajemen
DEPARTEMEN MANAJEMEN
FAKULTAS EKONOMI DAN MANAJEMEN
INSTITUT PERTANIAN BOGOR
BOGOR
2014
7
Judul Skripsi : Peramalan Permintaan Ruang Rawat Inap sebagai Acuan dalam
Penentuan Kapasitas di RSUP Dr Mohammad Hoesin Palembang
Nama : Frianka Anindea
NIM : H24100080
Disetujui oleh
Prof Dr Ir H Musa Hubeis, MS, Dipl.Ing, DEA
Pembimbing
Diketahui oleh
Dr Mukhamad Najib, STP, MM
Ketua Departemen
Tanggal:
8
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah SWT atas segala karunia-
Nya sehingga skripsi ini berhasil diselesaikan. Tema yang dipilih dalam penelitian
yang dilaksanakan sejak bulan Oktober 2013 sampai Januari 2014 adalah
peramalan, dengan judul Peramalan Permintaan Ruang Rawat Inap sebagai Acuan
dalam Penentuan Kapasitas di RSUP Dr Mohammad Hoesin Palembang.
Terima kasih penulis ucapkan kepada Prof Dr Ir H Musa Hubeis,MS.Dipl.
Ing,DEA selaku dosen pembimbing yang telah banyak memberi saran, motivasi
dan nasihat. Di samping itu, penghargaan penulis sampaikan kepada Bapak
Hasanuddin,SH.MSi dari RSUP Dr Mohammad Hoesin Palembang yang telah
membantu selama pengumpulan data. Ungkapan terima kasih juga disampaikan
kepada ayah, ibu, serta seluruh keluarga, atas doa dan kasih sayangnya.
Semoga skripsi ini bermanfaat.
Bogor, April 2014
Frianka Anindea
9
DAFTAR ISI
DAFTAR TABEL vii
DAFTAR GAMBAR vii
DAFTAR LAMPIRAN vii
PENDAHULUAN 1
Latar belakang 1
Perumusan masalah 2
Tujuan 2
Manfaat penelitian 2
Ruang lingkup penelitian 2
TINJAUAN PUSTAKA 3
METODE 5
Kerangka pemikiran penelitian 5
Lokasi dan waktu penelitian 7
Pengumpulan data 7
Pengolahan data dan analisis data 8
HASIL DAN PEMBAHASAN 9
Gambaran umum perusahaan 9
Sejarah RSUP Dr Mohammad Hoesin 9
Visi, Misi dan Tujuan RSUP Dr Mohammad Hoesin 10
Palembang
Analisis hasil peramalan permintaan ruang rawat inap RSUP 10
Dr Mohammad Hoesin Palembang
Asumsi-asumsi dalam peramalan 10
Identifikasi Pola Data Permintaan 11
Metode Peramalan Time Series 12
Implikasi Manajerial 14
SIMPULAN DAN SARAN 15
DAFTAR PUSTAKA 16
LAMPIRAN 17
10
DAFTAR TABEL
1. Metode dan nilai MAPE 12
2. Hasil peramalan permintaan ruang rawat inap dari periode Oktober 14
2013- September 2014
DAFTAR GAMBAR
1. Kerangka pemikiran penelitian 7
2. Plot data permintaan ruang rawat inap 12
DAFTAR LAMPIRAN
1. Data kelas ruang rawat inap 18
2. Data permintaan ruang rawat inap 19
3. Plot autokorelasi dari permintaan ruang rawat inap 21
4. Hasil olahan minitab untuk masing-masing model time series 21
5. Hasil output komputer untuk peramalan permintaan ruang rawat inap 27
1
PENDAHULUAN
Latar Belakang
Kesehatan merupakan salah satu komponen penting dalam kehidupan
manusia. Tanpa kondisi yang sehat manusia tidak dapat melakukan aktivitas
sehari-hari dengan baik, sehingga dapat dikatakan bahwa kesehatan merupakan
faktor terpenting bagi manusia (Nugroho 2003). Pemeliharaan kesehatan adalah
upaya penanggulangan dan pencegahan gangguan kesehatan yang memerlukan
pemeriksaan, pengobatan dan perawatan. Jasa pelayanan kesehatan menjadi salah
satu solusi untuk menyelesaikan masalah kesehatan. Salah satu jasa pelayanan
kesehatan yang sering dikunjungi oleh masyarakat adalah rumah sakit (RS).
Berdasarkan undang-undang nomor 44 tahun 2009 tentang rumah sakit,
Rumah sakit adalah institusi pelayanan kesehatan perorangan secara paripurna
yang menyediakan pelayanan rawat inap, rawat jalan dan gawat darurat. Salah
satu jenis RS adalah rumah sakit umum (RSU). Definisi RS menurut Keputusan
Menteri Republik Indonesia nomor 983.MENKES/SK/1992 mengenai pedoman
RSU dinyatakan bahwa RSU adalah rumah sakit yang memberikan pelayanan
kesehatan bersifat dasar, spesialistik, pendidikan tenaga kesehatan dan pelatihan.
Pedoman RSU menyebutkan bahwa rumah sakit pemerintah pusat dan daerah
diklasifikasikan menjadi RSU tipe A, B, C dan D. Klasifikasi tersebut didasarkan
pada unsur pelayanan yang dimiliki.
Katz dan Rosen dalam Trisnantoro (2009) menyatakan secara konseptual,
sistem pelayanan kesehatan berjalan berdasarkan pemahaman akan makna public
goods dan private goods. RSUP Dr Mohammad Hoesin Palembang sebagai
institusi pelayanan kesehatan termasuk public goods. RS memberikan pelayanan
bagi masyarakat dari semua golongan, mulai dari golongan menengah ke atas
hingga golongan menengah kebawah. Pelayanan yang diberikan pihak rumah
sakit terdiri dari instalasi rawat jalan, graha spesialis, instalasi brain and heart
center, instalasi hemodialisis, dan pelayanan rawat inap. Untuk ruang rawat inap
terbagi menjadi kelas super vip, utama, khusus, 1, 2, dan 3. Berdasarkan
pengamatan yang dilakukan, sering adanya keluhan dari beberapa calon pasien
khususnya pasien golongan menengah kebawah yang ingin menggunakan fasilitas
ruang rawat inap kelas 3. Calon pasien mengalami kesulitan untuk mendapatkan
ruangan. Dengan jumlah ruangan kelas 3 yang lebih banyak dibandingkan kelas
lainnya (data dapat dilihat pada lampiran 1), maka perlu dilakukan penelitian lebih
lanjut terkait penyebab sulitnya mendapatkan ruang rawat inap. Sejauh ini untuk
di daerah Sumatera Bagian Selatan belum pernah terjadi kasus khusus penyakit
epidermik yang dapat mengakibatkan permintaan ruang rawat inap meningkat
signifikan.
Terkait permasalahan yang terjadi, perlu adanya perencanaan sistem
pelayanan kesehatan yang baik di RS. Kapasitas ruang rawat inap di RS menjadi
penting karena dengan jumlah ruang rawat inap yang mencukupi untuk
menampung semua pasien maka semakin baik mutu sistem pelayanan RS di mata
pasien maupun masyarakat. Peramalan merupakan salah satu cara yang penting
untuk menentukan keberhasilan perencanaan, khususnya perencanaan kapasitas.
Hampir setiap keputusan yang dibuat dalam situasi berisiko dan mengandung
2
ketidakpastian. Keputusan tentang kapasitas harus direncanakan dengan baik agar
rumah sakit bersangkutan dapat memenangkan persaingan diantara banyak rumah
sakit yang ada.
Perumusan Masalah
1. Bagaimana pola permintaan ruang rawat inap di RSUP Dr Mohammad Hoesin
Palembang ?
2. Metode peramalan apakah yang sesuai untuk peramalan permintaan ruang
rawat inap di RSUP Dr Mohammad Hoesin Palembang, agar dapat digunakan
dalam pengambilan keputusan ?
3. Bagaimana hasil peramalan permintaan ruang rawat inap di RSUP Dr
Mohammad Hoesin Palembang sampai dengan tahun 2015 ?
Tujuan
1. Menganalisis pola permintaan ruang rawat inap di RSUP Dr Mohammad
Hoesin Palembang.
2. Menentukan metode yang paling cocok untuk peramalan permintaan ruang
rawat inap di RSUP Dr Mohammad Hoesin Palembang.
3. Menganalisis ramalan jumlah ruang rawat inap di RSUP Dr Mohammad
Hoesin Palembang sampai dengan tahun 2015.
Manfaat Penelitian
1. Penelitian ini diharapkan dapat menjadi masukan bagi pihak manajemen
RSUP Dr Mohammad Hoesin Palembang dalam proses pengambilan
keputusannya, bila dilihat dari peramalan permintaan ruang rawat inap,
sehingga dapat dijadikan acuan dalam penentuan kapasitas untuk
meminimalisasi kerugian akibat permintaan ruang rawat inap berlebih dari
kapasitas atau kerugian akibat kehilangan sejumlah pasien, karena kapasitas
tidak mencukupi permintaan.
2. Memberikan manfaat untuk kepentingan keilmuan dan menjadi informasi bagi
pihak-pihak yang membutuhkan. Penelitian ini dapat digunakan untuk melatih
penganalisaan suatu permasalahan berdasarkan ilmu dan pengetahuan yang
telah diperoleh di bangku perkuliahan.
Ruang Lingkup Penelitian
Penelitian ini menggunakan metode kuantitatif, yaitu metode peramalan
time series. Data yang digunakan merupakan data permintaan ruang rawat inap di
RSUP Dr Mohammad Hoesin Palembang. Data yang digunakan dalam penelitian
ini adalah data Januari 2009-September 2013.
3
TINJAUAN PUSTAKA
Rumah Sakit
Berdasarkan UU Nomor 44 Tahun 2009 tentang RS, yaitu RS adalah
institusi pelayanan kesehatan perorangan secara paripurna yang menyediakan
pelayanan rawat inap, rawat jalan dan gawat darurat (Depkes 2009). Sedangkan
menurut UU Nomor 44 Tahun 2009 tentang rumah sakit, maka fungsi rumah sakit
adalah :
a. Penyelenggaraan pelayanan pengobatan dan pemulihan kesehatan sesuai
dengan standar pelayanan RS.
b. Pemeliharaan dan peningkatan kesehatan perorangan melalui pelayanan
kesehatan yang paripurna tingkat kedua dan ketiga sesuai kebutuhan medis.
c. Penyelenggaaan pendidikan dan pelatihan sumber daya manusia (SDM) dalam
rangka peningkatan kemampuan dalam pemberian pelayanan kesehatan.
d. Penyelenggaraan penelitian dan pengembangan serta penapisan teknologi
bidang kesehatan dalam rangka peningkatan pelayanan kesehatan dengan
memperhatikan etika ilmu pengetahan bidang kesehatan.
Berdasarkan bentuk pelayanannya rumah sakit dapat dibedakan:
1. Rumah Sakit Umum (RSU), yaitu RS yang memberikan pelayanan kesehatan
semua jenis penyakit dari yang bersifat dasar sampai dengan subspesialistik.
2. Rumah Sakit Khusus (RSK), yaitu RS yang menyelenggarakan pelayanan
kesehatan berdasarkan jenis penyakit tertentu atau disiplin ilmu.
Keputusan Menteri Republik Indonesia nomor 983.MENKES/SK/1992
mengenai pedoman RS menyebutkan bahwa klasifikasi rumah sakit umum adalah
sebagai berikut:
a. RSU Kelas A adalah RSU yang mempunyai fasilitas dan kemampuan
pelayanan medik spesialistik luas dan sub spesialistik luas.
b. RSU Kelas B adalah RSU yang mempunyai fasilitas dan kemampuan
pelayanan medis sekurang-kurangnya 11 spesialistik dan sub spesialistik
terbatas.
c. RSU Kelas C adalah RSU yang mempunyai fasilitas dan kemampuan pelayanan
medis spesialistik dasar.
d. RSU Kelas D adalah RSU yang mempunyai fasilitas dan kemampuan
pelayanan medik dasar.
Peramalan
Menurut Aritonang dan Lerbin (2009) peramalan adalah kegiatan
penerapan model yang telah dikembangkan pada waktu yang akan datang. Hasan
(2008) menyatakan berdasarkan sifatnya teknik peramalan terbagi dalam dua
kategori utama, yaitu:
a. Metode Peramalan Kualitatif Peramalan kualitatif adalah peramalan yang didasarkan atas data kualitatif
pada masa lalu. Hasil peramalan yang dibuat sangat bergantung pada orang
yang menyusunnya. Hal ini penting karena hasil peramalan ditentukan
4
berdasarkan pemikiran intuisi, pendapat dan pengetahuan dari orang yang
menyusunnya. Metode kualitatif atau teknologis dapat dibagi menjadi metode
eksploratoris dan metode normatif.
b. Metode Peramalan Kuantitatif Peramalan kuantitatif adalah peramalan yang didasarkan atas data
kuantitatif pada masa lalu. Hasil peramalan yang dibuat sangat bergantung
pada metode yang digunakan dalam peramalan tersebut. Dengan metode yang
berbeda akan diperoleh hasil peramalan berbeda. Baik tidaknya metode yang
digunakan ditentukan oleh perbedaan atau penyimpangan antara hasil
peramalan dengan kenyataan yang terjadi. Semakin kecil penyimpangan antara
hasil ramalan dengan kenyataan yang terjadi berarti metode yang digunakan
semakin baik.
Peramalan kuantitatif dapat diterapkan bila terdapat tiga kondisi berikut:
1) Tersedia informasi masa lalu.
2) Informasi tersebut bisa dikuantitatifkan dalam bentuk data numerik.
3) Dapat diasumsikan bahwa pola masa lalu akan terus berlanjut di masa
mendatang.
Kondisi terakhir ini dibuat sebagai asumsi yang berkesinambungan
(asumption of continuity). Asumsi merupakan modal yang mendasari semua
metode peramalan kuantitatif dan banyak peramalan teknologis, terlepas dari
bagaimana canggihnya metode tersebut. Metode kuantitatif dapat dibagi dalam
dua (2) kelompok, yaitu :
a. Menurut Prawirosentono (2007), metode–metode peramalan dengan analisa
deret waktu, yaitu :
1) Metode Pemulusan Eksponensial dan Rataan Bergerak
Adapun penggunaan yang paling tepat adalah untuk perencanaan dan
pengendalian persediaan (bahan, barang setengah jadi, dan barang jadi)
yang jumlah jenisnya sedikit, karena waktunya hanya dari bulan ke bulan.
Data runtut yang diperlukan paling sedikit selama dua tahun yang lalu
secara berurutan dan dipecah dalam bulan, kuartal atau tengah tahunan
2) Metode Proyeksi Trend dengan Regresi
Untuk analisis trend ini diperlukan data runtut waktu (time series)
minimal dalam waktu lima tahun yang lalu secara berurutan. Analisis
trend lebih tepat digunakan untuk menganalisis produk jenis baru yang
dijual di masyarakat.
3) Metode Box Jenkins
Menurut Munarsih dalam Pulungan dan Wiyanti (2012), metode box
Jenkins sangat baik ketepannya untuk peramalan jangka pendek dan
untuk data time series non stasioner pada saat linier.
b. Metode – metode kausal, yaitu :
1) Metode Regresi dan Korelasi digunakan untuk memperoleh ramalan
yang terbaik. Semakin baik regresinya maka akan semakin baik pula
tafsiran yang diperoleh, maka hubungan antara korelasi dan regresi
sangat erat dalam peramalan.
2) Metode Ekonometri, digunakan untuk memperoleh nilai-nilai peubah
bebas sehingga peubah bebas tersebut tidak perlu ditafsir lagi.
5
Penelitian Terdahulu yang Relevan
Kurniawati (2009) melakukan penelitian mengenai peramalan penjualan
candy dan cookies sebagai acuan dalam perencanaan kuantitas produk pada usaha
kecil menengah (UKM) Warung Coklat di Bogor. Penelitian dilakukan dengan
mengunakan dua (2) komoditi di dalam UKM Warung Coklat itu sendiri, yaitu
cokelat candy dan coklat cookies. Data penjualan yang digunakan adalah data
penjualan dari masing-masing tipe produk yang terpilih, khususnya data penjualan
harian. Metode time series yang digunakan adalah metode trend, metode
dekomposisi, metode rataaan, metode pemulusan eksponensial, dan metode
winters. Metode yang memiliki nilai MAPE (mean absolute percentage error)
terkecil yang akan dipilih menjadi metode untuk meramalkan setiap produk. Hasil
peramalan produk candy dan cookies tersebut di masa mendatang menunjukkan
adanya penjualan meningkat kecuali untuk produk kurma cokelat.
Caroline (2012) melakukan penelitian mengenai analisis kunjungan
kedatangan tamu mancanegara ke Indonesia (studi kasus: Bandar Udara
Soekarno-Hatta dan Ngurah Rai). Penelitian ini bertujuan: (1) Mendapatkan
korelasi diantara kedatangan turis mancanegara diantara kedua pintu gerbang
utama Soekarno-Hatta dan Ngurah Rai, (2) Mengidentifikasi pola kedatangan
turis mancanegara ke Indonesia melalui pintu bandar udara Soekarno-Hatta dan
bandar udara Ngurah Rai serta (3) Menganalisis model peramalan kedatangan
turis mancanegara dengan menggunakan Autoregressive Integrated Moving
Average (ARIMA). Data yang digunakan dalam penelitian ini adalah data
sekunder.Hasil penelitian ini menunjukkan korelasi yang kuat dan positif diantara
kedua Bandar udara tersebut. Hasil pola data menunjukkan hasil yang tidak
stasioner sehingga perlu dilakukan proses pembedaan (differencing) agar
menghasilkan data yang stasioner tidak musiman dan dapat diproses lebih lanjut.
Hasil pemodelan ARIMA terhadap peramalan kedatangan turis mancanegara
memadai untuk melakukan peramalan kedatangan turis mancanegara di kedua
Bandar udara.
METODE
Kerangka Pemikiran Penelitian
Pelayanan kesehatan merupakan salah satu jenis pelayanan dari sekian
banyak spesifikasi jasa. Jasa pelayanan kesehatan memberikan solusi untuk
masalah kesehatan. RS merupakan institusi yang memberikan jasa pelayanan
kesehatan. Meninjau dari fungsi RS menurut undang-undang (UU) nomor 44
tahun 2009 maka perlu adanya perencanaan strategi pelayanan kesehatan yang
baik di RS. Seperti yang telah didefinisikan dalam UU nomor 44 tahun 2009
bahwa RS juga menyediakan pelayanan rawat inap. Salah satu yang perlu menjadi
perhatian pihak RS dalam memberikan pelayanan kesehatan adalah kapasitas
ruang rawat inap.
Kapasitas ruang rawat inap di rumah sakit menjadi penting karena dengan
jumlah ruang rawat inap yang mencukupi untuk menampung semua pasien yang
membutuhkan perawatan maka semakin baik mutu pelayanan rumah sakit tersebut
6
di mata pasien maupun masyarakat. Adanya fluktuasi jumlah pasien di suatu RS
menunjukkan peramalan adalah hal yang penting.
Peramalan permintaan ruang rawat inap dapat membantu pihak
manajemen RS dalam mengambil keputusan yang berpengaruh terhadap RS,
khususnya keputusan jangka panjang yang dapat mendatangkan keuntungan bagi
rumah sakit. Dengan melakukan peramalan, para perencana dan pengambil
keputusan akan dapat mempertimbangkan alternatif-alternatif strategi dan
mempersiapkan dengan baik kapasitas ruang rawat inap di RS. Oleh karena itu,
pada penelitian ini dilakukan peramalan terhadap permintaan ruang rawat inap
yang berfokus pada RSUP Dr Mohammad Hoesin Palembang.
Metode peramalan yang ada cukup banyak sehingga harus dipilih metode
peramalan yang paling sesuai untuk RSUP Dr Mohammad Hoesin Palembang.
Salah satu kriteria dalam pemilihan metode peramalan adalah memilih metode
yang memiliki kesalahan peramalan paling kecil. Pada pemilihan metode
peramalan tidak terletak pada metode peramalan yang menggunakan proses
matematika yang rumit atau menggunakan metode yang canggih, akan tetapi
metode terpilih yang menghasilkan suatu ramalan akurat, tepat waktu dan
dipahami oleh manajemen RSUP Dr Mohammad Hoesin Palembang sebagai
ramalan yang dapat membantu menghasilkan keputusan lebih baik.
Metode time series yang digunakan yang digunakan dalam penelitian ini
terdiri dari beberapa metode. Pemilihan metode didasarkan pada pola data,
dimana identifikasi pola data dilakukan dengan memplot data dan nilai
autokorelasinya. Setelah itu dihitung nilai galat MAPE. Model yang mendapat
nilai MAPE paling kecil dipilih menjadi model time series terbaik. Metode yang
terpilih selanjutnya akan digunakan untuk meramalkan permintaan ruang rawat
inap di masa mendatang.
Hasil dari analisis peramalan permintaan yang dilakukan memiliki
keterkaitan dengan perencanaan kapasitas di RSUP Dr Mohammad Hoesin
Palembang pada masa mendatang. Perencanaan kapasitas ruang rawat inap
dilakukan dengan tujuan meminimalisasi kerugian. Kerangka pemikiran yang
mendasari penelitian ini dapat dilihat pada Gambar 1.
7
Gambar 1 Kerangka pemikiran penelitian
Lokasi dan Waktu Penelitian
Penelitian dilakukan pada RSUP Dr Mohammad Hoesin Palembang yang
bergerak dalam bidang jasa pelayanan kesehatan. Penelitian ini dilaksanakan
dengan menggunakan data sekunder yaitu data permintaan ruang rawat inap dari
Januari 2009-September 2013. Penelitian ini dilakukan karena tersedianya akses
untuk mendapatkan data dan dengan pertimbangan peramalan permintaan ruang
rawat inap di RSUP Dr Mohammad Hoesin Palembang belum pernah dilakukan
sebelumnya. Penelitian ini akan dilakukan dari bulan Januari sampai dengan bulan
Februari 2014.
Pengumpulan Data
Data yang digunakan dalam penelitian ini adalah data permintaan ruang
rawat inap di RSUP Dr Mohammad Hoesin Palembang. Data permintaan ruang
rawat inap yang digunakan adalah data bulanan permintaan ruang rawat inap
setiap tahunnya. Analisis kuantitatif yang dilakukan berfungsi meramalkan
permintaan ruang rawat inap di masa mendatang. Peramalan permintaan ruang
rawat inap ini diawali dengan mengumpulkan data jumlah permintaan ruang rawat
inap di RSUP Dr Mohammad Hoesin Palembang. Setelah itu ditemukan dan
diketahui pola data permintaan, ditentukan model peramalan yang paling sesuai
dan paling kecil tingkat kesalahannya, untuk menjadi masukan bagi pihak
manajemen RSUP Dr Mohammad Hoesin Palembang dalam proses pengambilan
RSUP Dr Mohammad Hoesin Palembang
Ruang Rawat Inap
Fluktuasi dan Peningkatan Permintaan
Data Permintaan Historis
Plot Pola Data
Peramalan Permintaan Time Series
Hasil Analisis Time Series
Perencanaan Kapasitas Ruang Rawat Inap
8
keputusannya, bila dilihat dari peramalan permintaan ruang rawat inap, sehingga
dapat dijadikan acuan dalam penentuan kapasitas untuk meminimalisasi kerugian
akibat permintaan ruang rawat inap yang berlebih dari kapasitas atau kerugian
karena kehilangan sejumlah pasien karena kapasitas tidak mencukupi permintaan.
Data yang digunakan dalam penelitian ini adalah data primer dan
sekunder, serta jenis data bersifat kualitatif dan kuantitatif. Data primer diperoleh
melalui pengamatan dan wawancara mendalam terhadap pihak manajemen rumah
sakit. Sedangkan data sekunder yang digunakan adalah data permintaan ruang
rawat inap RSUP Dr Mohammad Hoesin Palembang yang sudah menjadi arsip
negara, keadaan umum lokasi penelitian, potensi pengembangan RS ke depannya
dan informasi lain yang didapatkan dari berbagai sumber termasuk internet.
Pengolahan dan Analisis Data
Pengolahan dan analisis data yang digunakan dalam penelitian ini akan
diuraikan secara kuantitatif dan kualitatif. Data kuantitatif diolah dengan
menggunakan program Microsoft Excel dan Minitab 15. Analisis kualitatif
digunakan untuk mengetahui gambaran umum RS dan mengetahui permasalahan
yang terjadi daalam usaha tersebut. Analisis ini dilakukan melalui proses
observasi dan wawancara langsung kepada pihak manajemen RS.
Analisis kuantitatif yang digunakan untuk meramalkan permintaan ruang
rawat inap di masa mendatang. Peramalan dalam penelitian ini menggunakan
metode time series. Metode time series adalah metode yang meramalkan kejadian
atau permintaan di masa mendatang atas dasar serangkaian data masa lalu, yang
merupakan hasil observasi berbagai peubah menurut waktu.
Menurut Baroto (2002), Prosedur peramalan dengan metode time series adalah:
1. Tentukan pola data permintaan. Menurut Aritonang (2009), data runtut waktu
dapat dibedakan menjadi empat (4) komponen, yaitu :
a. Trend merupakan komponen data runtut waktu yang berkaitan dengan
adanya kecendrungan peningkatan atau penurunan pada periode tertentu.
b. Musim merupakan komponen data runtut waktu yang memiliki pola
berulang dari waktu ke waktu. Pola tersebut biasanya timbul karena
adanya pengaruh dari suatu musim tertentu.
c. Siklis merupakan komponen data runtut waktu yang ditunjukkan dengan
pola data berfluktuasi bergelombang yang biasanya dipengaruhi keadaan
ekonomi secara umum.
d. Ketidakteraturan/ireguler/acak merupakan komponen data runtut waktu
yang tidak tergolong dalam trend, musim, maupun siklis. Komponen ini
berkaitan dengan hal-hal yang tdak terduga sebelumnya.
2. Mencoba beberapa metode time series yang sesuai dengan pola permintaan
tersebut untuk melakukan peramalan. Metode yang dicoba semakin banyak,
maka semakin baik peramalannya. Pada setiap metode, sebaiknya dilakukan
pula peramalan dengan parameter berbeda.
3. Mengevaluasi tingkat kesalahan masing-masing metode yang telah dicoba.
Tingkat kesalahan diukur dengan kriteria MAD, MSE, MAPE atau lainnya.
Sebaiknya nilai tingkat kesalahan (apakah MAD, MSE, atau MAPE) ini
ditentukan dulu. Tidak ada ketentuan mengenai berapa tingkat kesalahan
9
maksimal dalam peramalan. Menurut Jayanto dan Syukriyadin (2012) akurasi
dapat diukur dengan mean absolute deviation (MAD), mean squared error
(MSE), atau MAPE.
MAD =
∑ | | ………………….........................(1)
MSE =
∑ ( )
…………………………………...(2)
MAPE =
∑
| |
……………………………………(3)
dimana:
= nilai aktual
= nilai ramalan
- = kesalahan ramalan (error)
n = banyaknya data
4. Memilih metode terbaik diantara metode yang dicoba. Metode terbaik adalah
metode yang memberikan tingkat kesalahan terkecil dibandingkan metode
lainnya dan tingkat kesalahan tersebut di bawah batas tingkat kesalahan yang
telah ditetapkan.
5. Melakukan peramalan dengan metode terbaik yang telah dipilih.
HASIL DAN PEMBAHASAN
Gambaran Umum Perusahaan
Sejarah RSUP Dr Mohammad Hoesin
RSUP Dr Mohammad Hoesin Palembang didirikan pada tahun 1953 atas
prakarsa Menteri Kesehatan RI Dr Mohammad Ali (Dr Lee Kiat Teng) dengan
biaya pemerintah pusat. Pada tanggal 3 Januari 1957 rumah sakit ini mulai
operasional, yang dapat melayani masyarakat Sumatera Bagian Selatan
(Sumbagsel) dimana saat itu meliputi Propinsi Sumatera Selatan, Lampung,
Jambi, Bengkulu, dan Bangka Belitung. Seiring dengan perkembangan waktu,
rumah sakit ini semakin berkembang, baik fasilitas, sarana dan prasarana. Sumber
daya manusia (SDM) yang tersedia adalah para spesialis lengkap dan beberapa
sub spesialis, sehingga mengubah tipe rumah sakit dari rumah sakit umum pusat
kelas B menjadi kelas A. RSUP Dr Mohammad Hoesin Palembang menjadi pusat
rujukan layanan kesehatan Se-Sumbagsel.
Tahun 1993 – 1994 RSUP Palembang mengubah status dari RS Vertikal (RS
Penerima Negara Bukan Pajak) menjadi RS Swadana. Sesuai SK Menkes RI
no.1279/Menkes/SK/XI/1997; RSUP Palembang resmi bernama RSUP Dr
Mohammad Hoesin Palembang. Dengan UU no 20/1997 menjadi Rumah Sakit
Instansi Pengguna Penerimaan Negara Bukan Pajak (PNBP) dimana rumah sakit
dapat memanfaatkan dana dari hasil pendapatan sesuai dengan anggaran yang
diproyeksikan rumah sakit dan diselaraskan dengan pendapatan melalui prosedur
Kantor Perbendaharaan dan Kas Negara (KPKN) disamping itu subsidi
pemerintah tetap seperti sediakala.Tahun 2000 dengan PP No 122/2000, RSUP Dr
Mohammad Hoesin Palembang ditetapkan menjadi salah satu dari 13 Rumah
10
Sakit Pemerintah (RSP) menjadi Rumah Sakit Perusahaan Jawatan (Perjan) Di
Indonesia dan operasionalnya dimulai tanggal 1 Januari 2002. Sebagai RS Perjan
secara operasional RS masih tetap melaksanakan fungsi pelayanan sosialnya bagi
masyarakat ekonomi kurang mampu melalui program JPSBK (Gakin), sejak tahun
2005 dikelolah oleh PT Asuransi Kesehatan (Askes) Indonesia menjadi program
Asuransi Kesehatan Keluarga Miskin (Askeskin). Kemudian tahun 2005
berdasarkan PP 23 / 2005 tgl 13 Juni 2005 tentang Pengelolaan Keuangan Badan
Layanan Umum (BLU) dengan SK Menkes RI no: 1243/Menkes/SK/VIII/2005,
tanggal 11 Agustus 2005 tentang Penetapan 13 eks RS Perjan statusnya menjadi
Unit Pelaksana Teknis Departemen Kesehatan Republik Indonesia (Depkes RI)
dengan menerapkan Pola Pengelolaan Keuangan BLU. Implementasinya RSUP
Dr Mohammad Hoesin Palembang sebagai BLU dilaksanakan pada Januari 2006.
Visi, Misi dan Tujuan RSUP Dr Mohammad Hoesin
Visi dari RSUP Dr Mohammad adalah menjadi rumah sakit pusat pelayanan
kesehatan, penelitian terbaik dan bermutu se-Sumatera. Untuk mencapai visinya
tersebut, memiliki tiga misi perusahaan secara umum, yaitu: (1)
menyelenggarakan pelayanan kesehatan komprehensif dan bermutu tinggi, (2)
menyelenggarakan jasa pendidikan dan penelitian dalam bidang kedokteran dan
kesehatan, (3) menyelenggarakan promosi kesehatan. Selain visi dan misi RS juga
memiliki tujuan, yaitu: (1) meningkatkan derajat kesehatan dan senantiasa
berorientasi kepada kepentingan masyarakat, (2) meningkatkan citra pelayanan
pemerintah kepada masyarakat di bidang kesehatan, (3) menghasilkan tenaga
dokter umum, spesialis, dan sub spesialis serta keperawatan yang berkualitas dan
bermoral tinggi.
Analisis Hasil Peramalan Permintaan Ruang Rawat Inap RSUP Dr
Mohammad Hoesin Palembang
Asumsi-Asumsi Dalam Peramalan
1. Permintaan produk
Menurut Kotler (2004) terdapat lima tingkat produk, yaitu produk utama,
produk generik, produk harapan, produk pelengkap, dan produk potensial.
Untuk peramalan RSUP Dr Mohammad Hoesin Palembang diasumsikan
permintaan yang dimaksud adalah permintaan produk bukan permintaan jasa.
Ruang rawat inap masuk kedalam tingkatan produk utama, dengan produk
generiknya berupa tempat tidur.
2. POAC (Planning, Organizing, Actuating dan Controlling)
a. Planning (Perencanaan)
Peramalan dilakukan sebagai langkah awal dalam perencanaan. Asumsi
dalam peramalan ruang rawat inap RSUP Dr Mohammad Hoesin
Palembang terkait masalah perencanaan adalah peramalan ini digunakan
untuk mengetahui kapasitas ruang rawat inap yang dimiliki RS. Sejauh ini
11
sering adanya keluhan dari calon pasien khususnya kelas tiga terkait
sulitnya mendapat ruangan.
b. Organizing (Pengorganisasian)
Asumsi dalam peramalan terkait pengorganisasian adalah peramalan
digunakan untuk membantu pihak manajemen rumah sakit dalam
mengorganisasi sistem, khususnya sistem manajemen kamar di RS karena
belum adanya optimalisasi penggunaan ruang rawat inap
c. Actuating (Pelaksanaan)
Asumsi dalam peramalan terkait pelaksanaan adalah seluruh komponen
dalam sistem manajemen rumah sakit belum bekerja secara bersama-sama
sesuai bidang masing-masing untuk dapat mewujudkan tujuan RS,
khususnya tujuan untuk meningkatkan citra pelayanan pemerintah kepada
masyarakat di bidang kesehatan.
d. Controlling (Pengendalian)
Asumsi peramalan digunakan untuk pengendalian dari semua proses
perencanaan, pengorganisasian, dan pelaksanaan memberikan hasil yang
efektif dan efisien pada sistem pelayanan RS.
Identifikasi Pola Data Permintaan
Data yang digunakan adalah data permintaan ruang rawat inap per bulan
dari RSUP Dr Mohammad Hoesin Palembang dari bulan Januari 2009 sampai
September 2013 dan data permintaan RS diolah dengan metode peramalan time
series (runtut waktu). Data permintaan dapat dilihat pada Lampiran 2.
Penemuan model yang terbaik untuk peramalan diproses melalui beberapa
tahap. Pertama adalah uji stasioneritas data. Data yang stasioner adalah data yang
bersifat flat, tidak mengandung komponen trend, dengan keragaman konstan, dan
tidak terdapat fluktuasi periodik. Apabila data telah stasioner maka tidak perlu
dilakukan pembeda (differencing). Plot pola data aktual terhadap waktu untuk
permintaan ruang rawat inap dari bulan Januari 2009 sampai bulan September
2013 dapat dilihat pada Gambar 2.
Sumber: RSMH, 2013
Gambar 2 Pola data permintaan ruang rawat inap
544842363024181261
4000
3750
3500
3250
3000
2750
2500
Index
Tota
l Pe
rmin
taa
n
12
Setelah memetakan seluruh data permintaan secara grafik didapatkan
bahwa pola permintaan ruang rawat inap dari Januari 2009 sampai dengan
September 2013 menunjukkan pola stasioner. Kestasioneran dibuktikan dengan
hasil plot autokorelasi pada Lampiran 3. Hasil pengolahan data menunjukkan
bahwa lag pertama dan kedua berbeda nyata dari nol tetapi secara bertahap turun
mendekati nol atau tidak berbeda nyata dari nol.
Metode Peramalan Time Series
Setelah dilakukan plot pola data dicoba beberapa metode time series yang
sesuai dengan pola data. Perlu diperhatikan bahwa model terbaik yang dipilih
sesuai kriteria peramalan, yaitu MAPE terkecil dapat dilihat Tabel 1.
Tabel 1 Metode dan nilai MAPE METODE MAPE
Autoregressive (2) 5,314334
ARMA (1,1) 5,350993
ARMA (3,1) 5,335373
ARIMA (1,1,2) 5,367009
Single exponential smoothing 5,5
Double exponential smoothing 5,7
Sumber : Data sekunder, diolah (2014)
Sebelum melakukan perhitungan nilai MAPE, terlebih dahulu dilakukan
pengujian kriteria konverginitas yang terlihat dari hasil output olahan Minitab
yang menyatakan “relative change in each estimate less than 0,0010” yang berarti
data berhasil menjadi konvergen setelah melewati proses iterasi. Selain itu p-value
dari parameter AR atau MA kurang dari 0,05 yang berarti parameter yang
diestimasi sudah signifikan atau sudah berbeda dengan nol. Kondisi invertibilitas
dan stasioneritas model harus terpenuhi. Kriteria lainnya adalah Parsimonitas
model yang berarti pemilihan model, dipilih model yang memiliki bentuk paling
sederhana. Model yang baik adalah model yang memiliki komponen galatnya
tidak dapat digunakan untuk menjelaskan ramalan. Uji ini dilihat dengan
menggunakan indikator Ljung-Box Q, apabila p-value telah lebih besar dari 0,05
maka residual atau error model tersebut telah menyebar acak (random). Hasil
perhitungan dengan menggunakan software Minitab untuk setiap model seperti
yang terdapat dalam Lampiran 4.
Model Autoregressive (2) telah memenuhi kriteria konverginitas, terlihat
dari hasil olahan Minitab yang menyatakan “relative change in each estimate less
than 0,0010” yang berarti data berhasil menjadi konvergen setelah melewati
proses iterasi. Kemudian p-value dari parameter AR kurang dari 0,005, yaitu
0,002 untuk AR 2. Kondisi stasioneritas model terpenuhi dengan nilai koefisien
AR lebih kecil dari (<) 1, yaitu 0,4033 untuk AR 2. Indikator Ljung-Box Q yaitu
p-value telah lebih besar dari (>) 0,05 telah terpenuhi dengan nilai p-value 0,362,
0,239, 0,186 dan 0,315.
Model ARMA (autoregressive-moving average) (1,1) telah memenuhi
kriteria konverginitas, terlihat dari hasil olahan Minitab yang menyatakan
13
“relative change in each estimate less than 0,0010” yang berarti data berhasil
menjadi konvergen setelah melewati proses iterasi. Kemudian p-value dari
parameter AR 1 dan MA 1 kurang dari 0,005, yaitu sebesar 0,000 dan 0,001.
Kondisi stasioneritas model terpenuhi dengan nilai koefisien AR < 1 yaitu 0,8994
dan kondisi invertibilitas juga tercapai dengan nilai koefisien MA < 1, yaitu
0,5649. Indikator Ljung-Box Q, yaitu p-value telah > 0,05 telah terpenuhi dengan
nilai p-value 0,363, 0,466, 0,345, dan 0,510.
Model ARMA (3,1) telah memenuhi kriteria konverginitas, terlihat dari
hasil olahan Minitab yang menyatakan “relative change in each estimate less than
0,0010” yang berarti data berhasil menjadi konvergen setelah melewati proses
iterasi. Kemudian p-value dari parameter AR 3 kurang dari 0,005, yaitu 0,003
walaupun parameter MA 1 masih bernilai 0,005. Kondisi stasioneritas model
terpenuhi dengan nilai koefisien AR < 1, yaitu 0,4349 dan kondisi invertibilitas
juga tercapai dengan nilai koefisien MA < 1, yaitu -0,8361. Indikator Ljung-Box
Q yaitu p-value telah > 0,05 telah terpenuhi dengan nilai p-value sebesar 0,392,
0,346, 0,204, dan 0,327.
Model ARIMA (1,1,2) telah memenuhi kriteria konverginitas, terlihat dari
hasil olahan Minitab yang menyatakan “relative change in each estimate less than
0,0010” yang berarti data berhasil menjadi konvergen setelah melewati proses
iterasi. Kemudian p-value dari parameter AR 1 dan MA 2 kurang dari 0,005, yaitu
sebesar 0,000. Kondisi stasioneritas model terpenuhi dengan nilai koefisien AR <
1 yaitu -0,9972 dan kondisi invertibilitas juga tercapai dengan nilai koefisien MA
< 1 yaitu sebesar 0,6147. Indikator Ljung-Box Q yaitu p-value telah > 0,05 telah
terpenuhi dengan nilai p-value 0,458, 0,562, 0,653, dan 0,638.
Model single exponential smoothing dengan nilai konstanta pemulusan (α)
0,368024 memiliki nilai MAPE 5,5. Model double exponential smoothing dengan
nilai α 0,419721 dan nilai konstanta tren (γ) 0,060426 memiliki nilai MAPE 5,7
Berdasarkan Tabel 2, metode time series terbaik yang didapatkan dari perhitungan
Minitab 15 adalah metode Autoregressive (2). Metode ini memiliki nilai MAPE
terkecil dibandingkan dengan metode peramalan lainnya yaitu sebesar 5,314334.
Hasil peramalannya dapat dilihat pada Tabel 2.
Tabel 2 Hasil peramalan permintaan ruang rawat inap dari Oktober 2013-
Desember 2015
Periode Bulan Permintaan
(orang)
Selang Peramalan
58 Oktober 3089,04 2650,46 – 3527,62
59 November 3183,67 2730,05 – 3637,29
60 Desember 3164,72 2665,91 – 3663,53
61 Januari 3197,88 2688,84 – 3706,92
62 Februari 3199,00 2678,11 – 3719,89
63 Maret 3212,67 2687,08 – 3738,25
64 April 3216,73 2687,36 – 3746,09
65 Mei 3223,31 2692,05 – 3754,58
66 Juni 3226,69 2694,11 – 3759,26
67 Juli 3230,23 2696,93 – 3763,54
68 Agustus 3232,53 2698,75 – 3766,31
14
Lanjutan Tabel 2
Periode Bulan Permintaan
(orang)
Selang Peramalan
69 September 3234,57 2700,51 – 3768,63
70 Oktober 3236,04 2701,81 – 3770,27
71 November 3237,24 2702,91 – 3771,58
72 Desember 3238,15 2703,76 – 3772,55
73 Januari 3238,88 2704,45 – 3773,32
74 Februari 3239,44 2704,98 – 3773,90
75 Maret 3239,88 2705,41 – 3774,36
76 April 3240,23 2705,74 – 3774,71
77 Mei 3240,49 2706,01 – 3774,98
78 Juni 3240,70 2706,21 – 3775,19
79 Juli 3240,87 2706,37 – 3775,36
80 Agustus 3240,99 2706,50 – 3775,49
81 September 3241,09 2706,60 – 3775,59
82 Oktober 3241,17 2706,68 – 3775,67
83 November 3241,22 2706,74 – 3775,73
84 Desember 3241,28 2706,78 – 3775,77
Sumber: Hasil pengolahan data menggunakan Minitab 15
Berdasarkan hasil perhitungan dengan metode Autoregressive (2)
diketahui permintaan akan diprediksi pada periode Oktober 2013 sampai dengan
Desember 2015 cukup stabil. Hal ini dapat dilihat pada jumlah peramalan
permintaan yang tidak beda jauh dengan rataan pola tersebut, yakni 3.222,54.
Proses pengolahan data dengan metode Autoregressive (2) dapat dilihat pada
Lampiran 5.
Keunggulan metode Autoregressive (2) adalah dihasilkan interval (upper
bound dan lower bound) pada hasil ramalan, sehingga dapat digunakan dalam
pengambilan keputusan pada kemungkinan yang terbaik maupun terburuk.
Implikasi Manajerial
Berdasarkan penelitian yang dilakukan, hasil peramalan ini dapat
dijadikan sebagai bahan untuk perencanaan, pengorganisasian dan evaluasi bagi
pihak manajemen RS. Pihak manajemen RSUP Dr Mohammad Hoesin
Palembang sebaiknya memperhatikan faktor-faktor yang memiliki pengaruh besar
terhadap mutu pelayananan dan kepuasan konsumen. Kapasitas ruang rawat inap
tidak menjadi penyebab utama yang mengakibatkan calon pasien tidak
mendapatkan ruangan, khususnya dalam hal ini untuk pasien kelas 3. Bila
dibandingkan dengan kelas lainnya, jumlah ruang rawat inap kelas 3 lebih banyak,
yaitu 669 tempat tidur. Apabila dilakukan perbandingan antara jumlah tempat
tidur dan jumlah pasien setiap harinya yang 104 orang, maka seharusnya
jumlah tempat tidur tersebut mencukupi untuk menampung semua pasien.
Berdasarkan hasil peramalan juga menunjukkan permintaan ruang rawat inap
periode Oktober 2013 sampai dengan Desember 2015 cukup stabil ± 3.222 per
bulan atau sekitar 107 per hari.
15
Sebagai RS milik pemerintah, sebaiknya pihak RS mengedepankan
pelayanan kepada masyarakat dengan cara tidak mempersulit prosedur pelayanan
kesehatan, khususnya calon pasien golongan menengah kebawah yang ingin
menggunakan fasilitas ruang rawat inap kelas tiga, sehingga kedepannya tidak ada
lagi keluhan dari calon pasien yang tidak mendapatkan ruang rawat inap.
SIMPULAN DAN SARAN
Simpulan
Berdasarkan uraian pembahasan hasil penelitian yang diperoleh, maka didapatkan
kesimpulan berikut:
1. Data aktual permintaan ruang rawat inap RSUP Dr Mohammad Hoesin
Palembang periode Januari 2009 hingga September 2013, bersifat stasioner.
Hal ini terlihat dari plot Autocorrelation Function (ACF) dimana hasil plot
autokorelasi menunjukkan bahwa pertama dan kedua berbeda nyata dari nol,
tetapi secara bertahap turun mendekati nol atau tidak dapat berbeda nyata dari
nol.
2. Dari hasil analisis peramalan yang telah dilakukan, diidentifikasi pola data
permintaan ruang rawat inap RSUP Dr Mohammad Hoesin Palembang
bersifat stasioner. Hal ini dapat diartikan bahwa pola data permintaan tersebut
konstan sepanjang periode Januari 2009 hingga September 2013. Metode
Peramalan time series yang digunakan adalah autoregressive, ARMA,
ARIMA, single exponential smoothing, double exponential smoothing, dimana
dari hasil perhitungan peramalan penjualan didapatkan bahwa untuk RSUP Dr
Mohammad Hoesin Palembang yang paling cocok dengan indikator nilai
akurasi kesalahan MAPE terkecil adalah metode autoregressive (2).
3. Berdasarkan hasil peramalan RSUP Dr Mohammad Hoesin Palembang,
diketahui permintaan yang akan diprediksi pada periode Oktober 2013 sampai
dengan Desember 2015 cukup stabil. Hal ini dapat dilihat pada jumlah
peramalan penjualan yang tidak berbeda jauh dengan rataan pola tersebut
yakni ± 3222,54 atau 3.222 permintaan ruang rawat inap dan hanya pada
periode Oktober 2013 sebanyak 3.000 permintaan.
Saran
1. Peramalan permintaan ruang rawat inap RSUP Dr Mohammad Hoesin
Palembang dengan metode autoregressive (2) sebaiknya digunakan oleh pihak
manajemen rumah sakit, agar hasil peramalan tidak berbeda jauh dengan
realisasi dan dapat membantu rumah sakit dalam perencanaan strategi terkait
mutu pelayanan agar kedepannya tidak terdapat lagi keluhan dari calon pasien.
2. Untuk mempermudah peramalan permintaan disarankan rumah sakit
menggunakan perangkat lunak (software) Microsoft Excel dan Minitab 15,
sehingga hasilnya dapat meningkatkan kesempatan rumah sakit memperoleh
laba maksimal dan memenangkan persaingan.
16
3. Agar tidak terjadi penurunan jumlah permintaan ruang rawat inap, maka perlu
dijaga dan ditingkatkan komitmen dari setiap komponen yang terlibat dalam
sistem manajemen rumah sakit agar tujuan bersama dapat diwujudkan.
DAFTAR PUSTAKA
Aritonang R, Lerbin R. 2009. Peramalan Bisnis. Jakarta (ID): Ghalia Indonesia.
Baroto T. 2002. Perencanaan dan Pengendalian Produksi. Jakarta (ID): Ghalia
Indonesia.
Caroline R. 2012. Analisis Kunjungan Kedatangan Tamu Mancanegara ke
Indonesia (studi kasus: Bandar Udara Soekarno-Hatta dan Ngurah Rai)
[Skripsi]. Bogor (ID): Institut Pertanian Bogor.
[Depkes] Departemen Kesehatan. 2009. Undang-Undang Republik Indonesia
Tahun 2009 Tentang Rumah Sakit. Jakarta (ID): Depkes.
Hasan I M. 2008. Pokok-Pokok Materi Statistik 1 (Statistik Deskriptif). Jakarta
(ID): Bumi Aksara.
Jayanto A D, Syukriyadin. 2012. Peramalan beban puncak transformator daya
gardu induk lampeuneurut menggunakan metode time series stokastik. Vol
1(1) p59-66.
Kotler P. 2004. Manajemen Pemasaran Jilid 2. Terjemahan Drs. Benyamin
Molan. Jakarta (ID). PT Indeks Kelompok Gramedia.
Kurniawati A D. 2009. Peramalan Penjualan Candy dan Cookies dalam
Perencanaan Kuantitas Produk UKM Warung Cokelat di Kota Bogor
[Skripsi]. Bogor (ID): Institut Pertanian Bogor.
Nugroho S. 2003. Perancangan kompleks rumah sakit jiwa di Semarang dengan
penekanan desain pendekatan kegiatan terapi. Vol 1 p65.
Prawirosentono S. 2007. Manajemen Operasi (Operations Management) Analisis
dan Studi Kasus. Jakarta (ID): Bumi Aksara.
Pulungan R, Wiyanti D.T. 2012. Peramalan deret waktu menggunakan model
fungsi basis radial (RBF) dan autoregressive integrated moving average
(ARIMA). Vol 35(2) p175-182.
[RSMH] Rumah Sakit Mohammad Hoesin. 2013. Rekam Medik RSUP Dr
Mohammad Hoesin Palembang. Palembang (ID): RSMH
Trisnantoro L. 2009. Memahami Penggunaan Ilmu Ekonomi Dalam Manajemen
Rumah Sakit. Yogyakarta (ID): Gadjah Mada University Press.
17
LAMPIRAN
Lampiran 1 Data kelas ruang rawat inap Nama ruangan Kelas Jumlah
tempat
tidur
Ruang
terpakai
Ruang
tidak
terpakai
Pav. Super Vip S VIP A 7 7 0
Anak S VIP B 2 1 1
Intermediate S VIP B 4 3 1
Pav. Musi Elok UT A 8 7 1
Sayap B Ruang O UT A 4 3 1
Sayap A Ruang Bayi UT A 1 0 1
Pav. Musi Elok UT B 16 13 3
Pav. Komering Cindo UT B 18 7 11
Interna D (Anyelir) UT B 1 1 0
Interna D (Anyelir) UT B 1 1 0
Interna E (Yasmin) UT B 1 1 0
Pav. Ogan Permai UT C 16 13 3
Pav. Lematang Indah UT C 3 1 2
Pav. Lematang Indah UT D 12 9 3
Pav. Enim Indah UT D 4 2 2
Pav. Enim Indah I A 14 11 3
Sayap B Ruang Obsgyn I A 6 5 1
Sayap A Ruang Bayi I A 2 0 2
Anak I A 2 2 0
Bedah A (Kelas A) I A 7 7 0
Bedah D (Plastik) I A 1 1 0
Bedah B (Kelas B) I A 7 6 1
Interna D (Anyelir) I A 4 3 1
Ruang Kelas (BHC) I A 4 4 0
Interna E (Yasmin) I A 4 2 2
Sayap B Ruang Obsgyn I B 6 6 0
Sayap A Ruang Bayi I B 3 1 2
Anak I B 4 4 0
Bedah A (Kelas A) I B 6 5 1
Bedah B (Kelas B) I B 6 6 0
Interna D (Anyelir) I B 14 11 3
Interna E (Yasmin) I B 16 13 3
Syaraf A I B 8 6 2
Anak II 3 0 3
ICCU/ CVCU (BHC) II 7 6 1
NICU II 12 10 2
PICU II 6 6 0
ICU II 13 9 4
NCCU/ NVCU (BHC) II 10 5 5
Sayap B Ruang Obsgyn II A 6 5 1
Sayap A Ruang Bayi II A 3 0 3
Anak II A 18 15 3
Bedah A (Kelas A) II A 4 4 0
Bedah B (Kelas B) II A 4 3 1
Bedah D (Plastik) II A 2 1 1
Ruang Kelas (BHC) II A 6 6 0
R.High Care (HCU-IRD) II A 5 2 3
R. Prioritas 1( P1-IRD) II A 5 2 3
Bedah C (Kelas C) II B 20 19 1
Bedah F (Mata) II B 8 6 2
18
Lanjutan Lampiran1
Nama ruangan Kelas Jumlah
tempat
tidur
Ruang
terpakai
Ruang
tidak
terpakai
Bedah H (Peny. THT) II B 5 5 0
Interna D (Anyelir) II B 4 4 0
Interna E (Yasmin) II B 4 3 1
Interna F (Paru) II B 8 0 8
Syaraf B II B 6 3 3
R. Observasi (RD Jantung) III 7 3 4
Sayap A Ruang Bayi III 23 16 7
Sayap C Ruang Obsgyn III 70 55 15
Neonatus III 36 31 5
Anak III 75 62 13
Bedah D (Plastik) III 44 31 13
Bedah E (MPKP) III 35 30 5
Bedah F (Mata) III 33 20 13
Bedah G (Ortopedi) III 34 34 0
Bedah H (Peny. THT) III 12 8 4
Bedah Peduli Kasih (RPK) III 55 54 1
R. Rawat Mawar (dari 702) III 40 36 4
Interna A (PDalam Laki2 kls 3) III 58 41 17
Interna C (RC) III 58 45 13
Interna F (Paru) III 34 23 11
Kardiologi III 21 12 9
Syaraf B III 29 19 10
Penyakit Kulit dan Kelamin III 4 4 0
Rehabilitasi Medik III 4 1 3
R. Rawat Melati III 4 0 4
Lampiran 2 Data permintaan ruang rawat inap
Tahun Periode Permintaan / hari
(orang)
Total
Permintaan
(orang)
2009 Januari 126,66 3.908
Februari 120,25 3.367
Maret 115,93 3.594
April 119,46 3.584
Mei 112,76 3.494
Juni 114,93 3.448
Juli 111,12 3.445
Agustus 115,61 3.584
September 99,63 2.989
Oktober 113,03 3.504
November 97,03 2.911
Desember 91,45 2.835
TOTAL 111,40 40.663
2010 Januari 97,87 3.034
Februari 95,71 2.680
Maret 101,41 3.144
April 102,00 3.060
Mei 100,54 3.117
Juni 97,30 2.919
Juli 99,32 3.079
Agustus 97,83 3.033
September 101,60 3.048
19
Lanjutan Lampiran 2. Tahun Periode Permintaan / hari
(orang)
Total
Permintaan
(orang)
Oktober 101,12 3.135
November 94,30 2.829
Desember 95,22 2.952
TOTAL 98,71 36.030
2011 Januari 103,03 3.194
Februari 105,86 2.964
Maret 108,23 3.355
April 113,93 3.418
Mei 105,16 3.260
Juni 106,00 3.180
Juli 111,32 3.451
Agustus 96,93 3.005
September 113,07 3.392
Oktober 113,53 3.406
November 112,07 3.362
Desember 118,73 3.562
TOTAL 108,99 39.549
2012 Januari 109,65 3.399
Februari 117,21 3.399
Maret 109,81 3.404
April 105,87 3.176
Mei 100,58 3.118
Juni 128,17 3.845
Juli 115,52 3.581
Agustus 105,13 3.259
September 103,47 3.104
Oktober 98,74 3.061
November 105,93 3.178
Desember 94,55 2.931
TOTAL 107,80 39.455
2013 Januari 104,55 3.241
Februari 101,64 2.846
Maret 96,39 2.988
April 99,50 2.985
Mei 108,94 3.377
Juni 107,07 3.212
Juli 108,10 3.351
Agustus 93,29 2.892
September 106,60 3.198
Sumber: RSMH, 2013
20
Lampiran 3 Plot ACF dan PACF pola data permintaan ruang rawat inap di RSUP
Dr Mohammad Hosein Palembang
Lampiran 4 Hasil olahan minitab untuk masing-masing model time series
AR 2 ARIMA Model: Total Permintaan Estimates at each iteration
Iteration SSE Parameters
0 3296278 0.100 0.100 2579.547
1 2910016 0.185 0.250 1820.404
2 2794258 0.240 0.356 1303.542
1413121110987654321
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Lag
Au
toco
rre
lati
on
Autocorrelation Function for Total Permintaan(with 5% significance limits for the autocorrelations)
1413121110987654321
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Lag
Pa
rtia
l Au
toco
rre
lati
on
Partial Autocorrelation Function for Total Permintaan(with 5% significance limits for the partial autocorrelations)
21
Lanjutan Lampiran 4
3 2782947 0.254 0.387 1162.525
4 2781324 0.260 0.397 1111.657
5 2781068 0.262 0.401 1091.236
6 2781026 0.263 0.402 1082.894
7 2781019 0.264 0.403 1079.475
8 2781017 0.264 0.403 1078.070
Relative change in each estimate less than 0.0010
Final Estimates of Parameters
Type Coef SE Coef T P
AR 1 0.2641 0.1256 2.10 0.040
AR 2 0.4033 0.1257 3.21 0.002
Constant 1078.07 29.67 36.33 0.000
Mean 3241.45 89.22
Number of observations: 57
Residuals: SS = 2702755 (backforecasts excluded)
MS = 50051 DF = 54
Modified Box-Pierce (Ljung-Box) Chi-Square statistic
Lag 12 24 36 48
Chi-Square 9.9 25.2 40.0 49.0
DF 9 21 33 45
P-Value 0.362 0.239 0.186 0.315
ARMA(1,1) ARIMA Model: Total Permintaan Estimates at each iteration
Iteration SSE Parameters
0 3813115 0.100 0.100 2901.990
1 3308815 0.250 -0.050 2418.430
2 3197814 0.397 0.100 1943.925
3 3087525 0.538 0.250 1489.836
4 2981379 0.674 0.400 1049.698
5 2884163 0.817 0.550 590.537
6 2850751 0.844 0.529 504.062
7 2841876 0.875 0.561 405.466
8 2839619 0.880 0.555 388.906
9 2838930 0.888 0.563 364.323
10 2838704 0.890 0.562 357.060
11 2838641 0.893 0.564 349.731
12 2838620 0.894 0.564 346.652
13 2838617 0.894 0.565 344.219
Relative change in each estimate less than 0.0010
* WARNING * Back forecasts not dying out rapidly
Back forecasts (after differencing)
Lag -98 - -93 3259.275 3259.276 3259.276 3259.277 3259.278
3259.279
Lag -92 - -87 3259.280 3259.281 3259.283 3259.284 3259.286
3259.288
Lag -86 - -81 3259.290 3259.292 3259.295 3259.298 3259.302
3259.305
Lag -80 - -75 3259.310 3259.314 3259.320 3259.325 3259.332
3259.339
22
Lanjutan Lampiran 4
Lag -74 - -69 3259.348 3259.357 3259.367 3259.379 3259.392
3259.406
Lag -68 - -63 3259.422 3259.440 3259.461 3259.483 3259.508
3259.537
Lag -62 - -57 3259.568 3259.603 3259.643 3259.687 3259.736
3259.791
Lag -56 - -51 3259.853 3259.922 3259.999 3260.085 3260.181
3260.289
Lag -50 - -45 3260.409 3260.544 3260.694 3260.862 3261.051
3261.261
Lag -44 - -39 3261.496 3261.759 3262.053 3262.382 3262.749
3263.160
Lag -38 - -33 3263.619 3264.133 3264.707 3265.349 3266.067
3266.870
Lag -32 - -27 3267.767 3268.771 3269.893 3271.147 3272.550
3274.118
Lag -26 - -21 3275.872 3277.832 3280.024 3282.475 3285.215
3288.278
Lag -20 - -15 3291.704 3295.534 3299.816 3304.604 3309.957
3315.943
Lag -14 - -9 3322.635 3330.117 3338.483 3347.837 3358.295
3369.988
Lag -8 - -3 3383.062 3397.680 3414.024 3432.298 3452.730
3475.574
Lag -2 - 0 3501.116 3529.674 3561.605
Back forecast residuals
Lag -98 - -93 0.001 0.002 0.002 0.003 0.003 0.004
Lag -92 - -87 0.004 0.005 0.005 0.006 0.007 0.007
Lag -86 - -81 0.008 0.009 0.010 0.012 0.013 0.014
Lag -80 - -75 0.016 0.018 0.020 0.023 0.025 0.028
Lag -74 - -69 0.032 0.035 0.040 0.044 0.049 0.055
Lag -68 - -63 0.062 0.069 0.077 0.086 0.097 0.108
Lag -62 - -57 0.121 0.135 0.151 0.169 0.189 0.211
Lag -56 - -51 0.236 0.264 0.295 0.330 0.369 0.412
Lag -50 - -45 0.461 0.515 0.576 0.644 0.720 0.805
Lag -44 - -39 0.900 1.007 1.126 1.259 1.407 1.573
Lag -38 - -33 1.759 1.967 2.199 2.459 2.749 3.074
Lag -32 - -27 3.437 3.843 4.296 4.804 5.371 6.005
Lag -26 - -21 6.714 7.507 8.393 9.384 10.493 11.732
Lag -20 - -15 13.117 14.666 16.398 18.334 20.499 22.919
Lag -14 - -9 25.626 28.652 32.035 35.818 40.047 44.776
Lag -8 - -3 50.064 55.975 62.585 69.975 78.238 87.477
Lag -2 - 0 97.806 109.356 122.269
Final Estimates of Parameters
Type Coef SE Coef T P
AR 1 0.8944 0.0950 9.42 0.000
MA 1 0.5649 0.1689 3.35 0.001
Constant 344.22 13.14 26.19 0.000
Mean 3259.3 124.5
Number of observations: 57
Residuals: SS = 2763896 (backforecasts excluded)
MS = 51183 DF = 54
Modified Box-Pierce (Ljung-Box) Chi-Square statistic
Lag 12 24 36 48
Chi-Square 9.8 20.9 35.6 44.1
23
Lanjutan Lampiran 4
DF 9 21 33 45
P-Value 0.363 0.466 0.345 0.510
ARMA(3,1) ARIMA Model: Total Permintaan Estimates at each iteration
Iteration SSE Parameters
0 3307234 0.100 0.100 0.100 0.100 2257.103
1 3122068 -0.002 0.154 0.114 -0.050 2368.252
2 3001087 -0.115 0.209 0.143 -0.200 2461.339
3 2879539 -0.220 0.288 0.189 -0.350 2399.098
4 2752960 -0.295 0.431 0.275 -0.498 1903.075
5 2733033 -0.359 0.493 0.330 -0.583 1734.970
6 2723693 -0.466 0.541 0.379 -0.704 1769.096
7 2714101 -0.601 0.588 0.427 -0.854 1899.119
8 2713901 -0.570 0.578 0.428 -0.816 1830.250
9 2713645 -0.599 0.589 0.436 -0.851 1863.273
10 2713318 -0.591 0.586 0.436 -0.838 1846.722
11 2713311 -0.589 0.586 0.435 -0.837 1843.228
12 2713310 -0.588 0.586 0.435 -0.836 1841.455
13 2713309 -0.588 0.586 0.435 -0.836 1841.194
Relative change in each estimate less than 0.0010
Final Estimates of Parameters
Type Coef SE Coef T P
AR 1 -0.5884 0.2857 -2.06 0.044
AR 2 0.5860 0.1552 3.78 0.000
AR 3 0.4349 0.1419 3.07 0.003
MA 1 -0.8361 0.2870 -2.91 0.005
Constant 1841.19 54.85 33.57 0.000
Mean 3244.42 96.65
Number of observations: 57
Residuals: SS = 2634138 (backforecasts excluded)
MS = 50656 DF = 52
Modified Box-Pierce (Ljung-Box) Chi-Square statistic
Lag 12 24 36 48
Chi-Square 7.4 20.8 37.2 46.6
DF 7 19 31 43
P-Value 0.392 0.346 0.204 0.327
ARIMA (1,1,2) Model: Total Permintaan Estimates at each iteration
Iteration SSE Parameters
0 4473194 0.100 0.100 0.100 -11.321
1 3582244 -0.050 0.189 0.144 -13.926
2 3281080 -0.200 0.148 0.169 -15.130
3 3123568 -0.350 0.070 0.211 -16.385
4 3052572 -0.500 -0.043 0.269 -17.812
5 3017381 -0.650 -0.173 0.337 -19.353
6 2995020 -0.800 -0.311 0.410 -20.928
7 2992640 -0.950 -0.449 0.488 -22.436
24
Lanjutan Lampiran 4
8 2887256 -0.948 -0.299 0.601 -19.503
9 2886612 -0.948 -0.296 0.593 -18.088
10 2886325 -0.955 -0.304 0.601 -18.096
11 2886152 -0.958 -0.305 0.599 -18.122
12 2886112 -0.964 -0.311 0.604 -18.195
13 2886032 -0.966 -0.310 0.600 -18.252
14 2885890 -0.968 -0.312 0.602 -18.268
15 2885824 -0.971 -0.315 0.603 -18.314
16 2885676 -0.976 -0.318 0.604 -18.385
17 2884721 -0.983 -0.324 0.605 -18.499
18 2874546 -0.995 -0.335 0.609 -18.657
19 2872932 -0.997 -0.336 0.614 -18.731
20 2872801 -0.997 -0.333 0.615 -18.734
Unable to reduce sum of squares any further
* WARNING * Back forecasts not dying out rapidly
Back forecasts (after differencing)
Lag -97 - -92 -94.438 75.916 -94.915 76.395 -95.395 76.876
Lag -91 - -86 -95.878 77.361 -96.364 77.847 -96.852 78.337
Lag -85 - -80 -97.343 78.830 -97.837 79.325 -98.334 79.823
Lag -79 - -74 -98.833 80.324 -99.335 80.827 -99.840 81.334
Lag -73 - -68 -100.348 81.843 -100.859 82.355 -101.373 82.870
Lag -67 - -62 -101.889 83.388 -102.408 83.909 -102.931 84.433
Lag -61 - -56 -103.456 84.959 -103.984 85.489 -104.515 86.022
Lag -55 - -50 -105.049 86.557 -105.586 87.096 -106.126 87.637
Lag -49 - -44 -106.670 88.182 -107.216 88.730 -107.765 89.281
Lag -43 - -38 -108.317 89.834 -108.873 90.391 -109.431 90.952
Lag -37 - -32 -109.993 91.515 -110.558 92.081 -111.126 92.651
Lag -31 - -26 -111.697 93.224 -112.272 93.800 -112.849 94.379
Lag -25 - -20 -113.430 94.962 -114.014 95.547 -114.602 96.136
Lag -19 - -14 -115.193 96.729 -115.787 97.325 -116.384 97.924
Lag -13 - -8 -116.985 98.526 -117.589 99.132 -118.196 99.741
Lag -7 - -2 -118.807 100.354 -119.422 100.970 -120.039 101.589
Lag -1 - 0 -120.661 324.185
Back forecast residuals
Lag -97 - -92 -0.475 0.634 -0.981 1.195 -1.481 1.709
Lag -91 - -86 -1.962 2.188 -2.420 2.638 -2.855 3.062
Lag -85 - -80 -3.265 3.462 -3.653 3.839 -4.021 4.197
Lag -79 - -74 -4.368 4.535 -4.697 4.855 -5.009 5.159
Lag -73 - -68 -5.304 5.446 -5.585 5.719 -5.851 5.979
Lag -67 - -62 -6.104 6.225 -6.344 6.460 -6.573 6.683
Lag -61 - -56 -6.790 6.895 -6.998 7.098 -7.196 7.292
Lag -55 - -50 -7.385 7.477 -7.566 7.654 -7.739 7.823
Lag -49 - -44 -7.905 7.986 -8.064 8.142 -8.217 8.291
Lag -43 - -38 -8.364 8.435 -8.505 8.574 -8.641 8.708
Lag -37 - -32 -8.773 8.837 -8.900 8.962 -9.022 9.082
Lag -31 - -26 -9.141 9.199 -9.256 9.313 -9.368 9.423
Lag -25 - -20 -9.477 9.530 -9.583 9.634 -9.686 9.736
Lag -19 - -14 -9.786 9.835 -9.884 9.933 -9.980 10.027
Lag -13 - -8 -10.074 10.120 -10.166 10.212 -10.257 10.301
Lag -7 - -2 -10.345 10.389 -10.433 10.476 -10.519 10.561
Lag -1 - 0 -10.604 232.618
Final Estimates of Parameters
Type Coef SE Coef T P
AR 1 -0.9972 0.0224 -44.44 0.000
MA 1 -0.3329 0.1178 -2.83 0.007
25
Lanjutan Lampiran 4
MA 2 0.6147 0.1214 5.06 0.000
Constant -18.73 22.32 -0.84 0.405
Differencing: 1 regular difference
Number of observations: Original series 57, after differencing 56
Residuals: SS = 2812978 (backforecasts excluded)
MS = 54096 DF = 52
Modified Box-Pierce (Ljung-Box) Chi-Square statistic
Lag 12 24 36 48
Chi-Square 7.8 18.4 28.3 40.1
DF 8 20 32 44
P-Value 0.458 0.562 0.653 0.638
Single Exponential Smoothing for Total Permintaan Data Total Permintaan
Length 57
Smoothing Constant
Alpha 0.368024
Accuracy Measures
MAPE 5.5
MAD 175.6
MSD 51276.0
Forecasts
Period Forecast Lower Upper
58 3141.93 2711.61 3572.25
59 3141.93 2711.61 3572.25
60 3141.93 2711.61 3572.25
61 3141.93 2711.61 3572.25
62 3141.93 2711.61 3572.25
63 3141.93 2711.61 3572.25
64 3141.93 2711.61 3572.25
65 3141.93 2711.61 3572.25
66 3141.93 2711.61 3572.25
67 3141.93 2711.61 3572.25
68 3141.93 2711.61 3572.25
69 3141.93 2711.61 3572.25
Double Exponential Smoothing for Total Permintaan Data Total Permintaan
Length 57
Smoothing Constants
Alpha (level) 0.419721
Gamma (trend) 0.060426
Accuracy Measures
MAPE 5.7
MAD 183.2
26
Lanjutan Lampiran 4
MSD 52947.9
Forecasts
Period Forecast Lower Upper
58 3127.86 2679.05 3576.67
59 3122.56 2631.56 3613.55
60 3117.25 2579.63 3654.88
61 3111.95 2524.30 3699.59
62 3106.64 2466.38 3746.90
63 3101.34 2406.46 3796.21
64 3096.03 2344.96 3847.10
65 3090.73 2282.23 3899.22
66 3085.42 2218.50 3952.34
67 3080.12 2153.97 4006.27
68 3074.81 2088.77 4060.85
69 3069.51 2023.02 4115.99
Lampiran 5 Hasil peramalan permintaan ruang rawat inap di RSUP Dr
Mohammad Hosein Palembang
AR (2) Model: Permintaan Ruang Rawat Inap
Estimates at each iteration
Iteration SSE Parameters
0 3296278 0.100 0.100 2579.547
1 2910016 0.185 0.250 1820.404
2 2794258 0.240 0.356 1303.542
3 2782947 0.254 0.387 1162.525
4 2781324 0.260 0.397 1111.657
5 2781068 0.262 0.401 1091.236
6 2781026 0.263 0.402 1082.894
7 2781019 0.264 0.403 1079.475
8 2781017 0.264 0.403 1078.070
Relative change in each estimate less than 0.0010
Final Estimates of Parameters
Type Coef SE Coef T P
AR 1 0.2641 0.1256 2.10 0.040
AR 2 0.4033 0.1257 3.21 0.002
Constant 1078.07 29.67 36.33 0.000
Mean 3241.45 89.22
Number of observations: 57
Residuals: SS = 2702755 (backforecasts excluded)
MS = 50051 DF = 54
Modified Box-Pierce (Ljung-Box) Chi-Square statistic
Lag 12 24 36 48
Chi-Square 9.9 25.2 40.0 49.0
DF 9 21 33 45
P-Value 0.362 0.239 0.186 0.315
Forecasts from period 57
27
Lanjutan Lampiran 5
95% Limits
Period Forecast Lower Upper
58 3089.04 2650.46 3527.62
59 3183.67 2730.05 3637.29
60 3164.72 2665.91 3663.53
61 3197.88 2688.84 3706.92
62 3199.00 2678.11 3719.89
63 3212.67 2687.08 3738.25
64 3216.73 2687.36 3746.09
65 3223.31 2692.05 3754.58
66 3226.69 2694.11 3759.26
67 3230.23 2696.93 3763.54
68 3232.53 2698.75 3766.31
69 3234.57 2700.51 3768.63
70 3236.04 2701.81 3770.27
71 3237.24 2702.91 3771.58
72 3238.15 2703.76 3772.55
73 3238.88 2704.45 3773.32
74 3239.44 2704.98 3773.90
75 3239.88 2705.41 3774.36
76 3240.23 2705.74 3774.71
77 3240.49 2706.01 3774.98
78 3240.70 2706.21 3775.19
79 3240.87 2706.37 3775.36
80 3240.99 2706.50 3775.49
81 3241.09 2706.60 3775.59
82 3241.17 2706.68 3775.67
83 3241.23 2706.74 3775.73
84 3241.28 2706.78 3775.77
28
RIWAYAT HIDUP
Penulis dilahirkan di Palembang pada tanggal 25 September 1992 dari
ayah Alfansyah Rizamfarni dan ibu Rosdaina. Penulis adalah putri pertama dari
dua bersaudara. Pada tahun 2010 penulis lulus dari SMA Negeri 1 Palembang dan
pada tahun yang sama penulis lulus seleksi masuk Institut Pertanian Bogor (IPB)
melalui jalur Undangan Seleksi Masuk IPB dan diterima di Departemen
Manajemen, Fakultas Ekonomi dan Manajemen.
Selama mengikuti perkuliahan, penulis aktif mengikuti organisasi
kemahasiswaan sebagai staf direktorat produksi dan operasi Centre of
Management periode 2011/2012 dan direktur produksi dan operasi Centre of
Management periode 2012/2013. Penulis juga pernah mengikuti beberapa
kepanitiaan antara lain ketua pelaksana Try Out Manajemen 2012, staf divisi acara
Masa Pengenalan Departemen Manajemen 2012, staf divisi acara Unilever Goes
to Campus 2012 dan ketua divisi acara Inspiring Unileaders 2013.