perancangan model penentuan standar indikator …lib.ui.ac.id/file?file=digital/126284-t...

PERANCANGAN MODEL PENENTUAN STANDAR

INDIKATOR KEBERHASILAN PELAYANAN RUMAH SAKIT KELAS C

DI PROVINSI RIAU

TESIS

Diajukan sebagai salah satu syarat untuk memperoleh gelar Magister Teknik

DENNY ASTRIE ANGGRAINI 0706174184

UNIVERSITAS INDONESIA FAKULTAS TEKNIK

PROGRAM PASCA SARJANA TEKNIK INDUSTRI DEPOK

JULI 2009

HALAMAN PERNYATAAN ORISINALITAS

Tesis ini adalah hasil karya sendiri,

Dan semua sumber baik yang dikutip maupun dirujuk

Telah saya nyatakan dengan benar.

Nama : Denny Astrie Anggraini

NPM : 0706174184

Tanda Tangan :

Tanggal : 28 Juni 2009

Universitas Indonesia ii

HALAMAN PENGESAHAN Tesis ini diajukan oleh : Nama : Denny Astrie Anggraini NPM : 0706174184 Program Studi : Teknik Industri Judul Tesis : Perancangan Model Penentuan Standar Indikator

Keberhasilan Pelayanan Rumah Sakit Kelas C Di Provinsi Riau

Telah berhasil dipertahankan di hadapan Dewan Penguji dan diterima sebagai bagian persyaratan yang diperlukan untuk memperoleh gelar Magister Teknik pada Program Studi Teknik Industri, Fakultas Teknik, Universitas Indonesia.

DEWAN PENGUJI

Pembimbing : Dr. Ir. Teuku Yuri M. Zagloel, M.Eng,Sc ( )

Pembimbing : Ir. Fauzia Dianawati, M.Si ( )

Penguji : Ir. Boy Nurcahyo M, MSIE ( )

Penguji : Ir. Ahmad Hidayatno, MBT ( )

Penguji : Armand Oemar Moeis, M.Sc ( )

Ditetapkan di : Depok

Tanggal : 16 Juli 2009

Universitas Indonesia iii

KATA PENGANTAR/UCAPAN TERIMA KASIH

Puji syukur saya ucapkan kepada Allah SWT, karena atas berkat dan rahmat-Nya,

saya dapat menyelesaikan tesis ini. Penulisan tesis ini dilakukan dalam rangka

memenuhi salah satu syarat untuk mencapai gelar Magister Teknik Program Studi

Teknik Industri pada Fakultas Teknik Universitas Indonesia. Saya menyadari

bahwa tanpa bantuan dari berbagai pihak, dari masa perkuliahan sampai pada

penyusunan tesis ini, sangatlah sulit bagi saya untuk menyelesaikan tesis ini. Oleh

karena itu, saya mengucapkan terima kasih kepada :

(1) Dr. Ir. Teuku Yuri M.Zagloel, M.Eng,Sc dan Ir. Fauzia Dianawati, M.Si,

selaku dosen pembimbing yang telah menyediakan waktu, tenaga, dan

pikiran untuk mengarahkan saya dalam penyusunan tesis ini,

(2) Pihak Dinas Kesehatan Provinsi Riau, Rumah Sakit Awal Bros dan

Rumah Sakit Islam Ibnu Sina yang telah banyak membantu dalam usaha

memperoleh data yang saya perlukan,

(3) Orang tua dan keluarga yang telah banyak memberikan bantuan dan

dukungan baik material maupun moral, serta

(4) Teman-teman seperjuangan, sahabat dan orang terdekat yang juga telah

banyak membantu dalam penyelesaian tesis ini.

Akhir kata, saya berharap Allah, SWT berkenan membalas segala kebaikan semua

pihak yang telah membantu. Dan semoga tesis ini juga memberikan manfaat bagi

pengembangan ilmu.

Depok, 22 Juni 2009

Penulis,

Denny Astrie Anggraini

Universitas Indonesia iv

HALAMAN PERNYATAAN PERSETUJUAN PUBLIKASI TUGAS AKHIR UNTUK KEPENTINGAN AKADEMIS

Sebagai sivitas akademik Universitas Indonesia, saya yang bertanda tangan di

bawah ini :

Nama : Denny Astrie Anggraini

NPM : 0706174184

Program Studi : Teknik Industri

Departemen : Teknik Industri

Fakultas : Teknik

Jenis Karya : Tesis

Demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada

Universitas Indonesia Hak Bebas Royalti Noneksklusif (Non-axclusive Royalty

Free Right) atas karya ilmiah saya yang berjudul :

Perancangan Model Penentuan Standar Indikator Keberhasilan Pelayanan

Rumah Sakit Kelas C Di Provinsi Riau

beserta perangkat yang ada (jika diperlukan). Dengan Hak Bebas Royalti

Noneksklusif ini Universitas Indonesia berhak menyimpan, mengalihmedia /

formatkan, mengelola dalam bentuk pangkalan data (database), merawat, dan

mempublikasikan tugas akhir saya selama tetap mencantumkan nama saya sebagai

penulis/pencipta dan sebagai pemilik Hak Cipta.

Demikian pernyataan ini saya buat dengan sebenarnya.

Dibuat di : Depok Pada Tanggal : 22 Juni 2009

Yang Menyatakan,

(Denny Astrie Anggraini)

Universitas Indonesia v

ABSTRAK Nama : Denny Astrie Anggraini Program Studi : Teknik Industri Judul : Perancangan Model Penentuan Standar Indikator Keberhasilan

Pelayanan Rumah Sakit Kelas C Di Provinsi Riau Untuk menilai keberhasilan pelayanan rumah sakit digunakan beberapa indikator. Ada beberapa indikator yang mempunyai nilai standar yang ditetapkan oleh Departemen Kesehatan untuk seluruh rumah sakit di seluruh Indonesia tanpa memperhatikan variabel-variabel yang benar-benar signifikan mempengaruhi indikator tersebut. Oleh karena itu pada penelitian ini diidentifikasi variabel-variabel yang signifikan mempengaruhi masing-masing indikator dengan menggunakan metode analisis multivariat yaitu multipel regresi untuk selanjutnya diperoleh model persamaan regresi. Dengan diketahuinya variabel-variabel yang signifikan mempengaruhi masing-masing indikator tersebut, maka dapat dilakukan peramalan nilai indikator dengan menggunakan model yang dihasilkan untuk digunakan dalam menentukan nilai standar indikator pada tahun berikutnya. Kata Kunci : Standar indikator, analisis multipel regresi, model persamaan regresi.

ABSTRACT

Name : Denny Astrie Anggraini Major : Industrial Engineering Tittle : Model Design For Determining The Hospital

Services Indicators Standard C Class In Province Riau Several indicators can be used for assesing the success of hospital services. There are indicators that have standard values established by Departement of Healthy for all Indonesian hospitals without paying attention to variables that truly significant influencing that indicators. Therefore in this research will be identified the significant variables that influence each indicator with using multivariate analysis method, i.e multiple regression to get several regression equation model. Known of the significant variables that influence each indicator, so can predicted the value each indicator using a model to be used for determining indicators standard value in the next year. Key Words : Indicators Standard, Multiple Regression Analysis, Regression Equation Model

Universitas Indonesia vi

DAFTAR ISI

HALAMAN JUDUL................................................................................... i HALAMAN PERNYATAAN ORISINALITAS........................................ ii HALAMAN PENGESAHAN..................................................................... iii KATA PENGANTAR ................................................................................ iv HALAMAN PERSETUJUAN PUBLIKASI TUGA AKHIR .................... v ABSTRAK .................................................................................................. vi DAFTAR ISI............................................................................................... vii DAFTAR TABEL....................................................................................... x DAFTAR GAMBAR .................................................................................. xvi DAFTAR LAMPIRAN............................................................................... xviii 1. PENDAHULUAN................................................................................ 1

1.1 Latar Belakang ................................................................................ 1 1.2 Diagram Keterkaitan Masalah......................................................... 3 1.3 Pokok Permasalahan ....................................................................... 4 1.4 Tujuan Penelitian ............................................................................ 4 1.5 Batasan Masalah ............................................................................. 4 1.6 Metodologi Penelitian ..................................................................... 4 1.7 Sistematika Penulisan ..................................................................... 7

2. TINJAUAN PUSTAKA...................................................................... 9

2.1 Rumah Sakit .................................................................................... 9 2.1.1 Pengantar Rumah Sakit .......................................................... 9 2.1.2 Klasifikasi Dan Kelas Rumah Sakit....................................... 10

2.2 Indikator .......................................................................................... 14 2.2.1 Pengertian............................................................................... 14 2.2.2 Indikator Bagi Beberapa Rumah Sakit................................... 14 2.2.3 indikator Penilaian Pelayanan Rumah Sakit .......................... 15

2.3 Analisis Multivariat......................................................................... 18 2.3.1 Skala Pengukuran................................................................... 19 2.3.2 Tipe-Tipe Teknik Multivariat ................................................ 19

2.4 Asumsi-Asumsi Analisis Multivariat.............................................. 21 2.4.1 Normality ............................................................................... 21 2.4.2 Homoscedasticity ................................................................... 22 2.4.3 Linearity ................................................................................. 23 2.4.4 Absence Of Correlated Errors................................................ 23

2.5 Transformasi Data........................................................................... 24 2.6 Multiple Regression Analysis ......................................................... 26

2.6.1 Sasaran dari Multiple Regression........................................... 27 2.6.2 Rancangan Penelitian Multiple Regression Analysis ............ 28 2.6.3 Asumsi-Asumsi Dalam Multiple Regression......................... 29 2.6.4 Memperkirakan Model Regresi Dan Menaksir Keseluruhan

Model ..................................................................................... 31 2.6.5 Interpretasi Variabel regresi................................................... 33 2.6.6 Validasi Hasil ......................................................................... 36

Universitas Indonesia vii

3. METODE PENELITIAN ................................................................... 37 3.1 Pengumpulan Data .......................................................................... 37

3.1.1 Penentuan Rumah Sakit Yang Diteliti ................................... 37 3.1.2 Profil Rumah Sakit................................................................. 37

3.1.2.1 Rumah Sakit Awal Bros............................................. 37 3.1.2.2 Rumah Sakit Islam Ibnu Sina..................................... 38

3.1.3 Identifikasi Variabel............................................................... 39 3.1.4 Data Yang Diperlukan ........................................................... 41

3.2 Pengolahan Data.............................................................................. 41 3.2.1 Bed Occupancy Ratio (BOR)................................................. 41

3.2.1.1 Pemenuhan Asumsi Multiple Regresi........................ 41 3.2.1.2 Penentuan Model Persamaan Multipel Regresi ......... 50

3.2.2 Average Length Of Stay (Av-LOS) ....................................... 55 3.2.2.1 Pemenuhan Asumsi Multiple Regresi........................ 55 3.2.2.2 Penentuan Model Persamaan Multipel Regresi ......... 61

3.2.3 Bed Turn Over (BTO)............................................................ 63 3.2.3.1 Pemenuhan Asumsi Multiple Regresi........................ 63 3.2.3.2 Penentuan Model Persamaan Multipel Regresi ......... 70

3.2.4 Turn Over Interval (TOI) ....................................................... 73 3.2.4.1 Pemenuhan Asumsi Multiple Regresi........................ 73 3.2.4.2 Penentuan Model Persamaan Multipel Regresi ......... 81

3.2.5 Net Death Ratio (NDR).......................................................... 84 3.2.5.1 Pemenuhan Asumsi Multiple Regresi........................ 84 3.2.5.2 Penentuan Model Persamaan Multipel Regresi ......... 91

3.2.6 Gross Death Ratio (GDR) ...................................................... 93 3.2.6.1 Pemenuhan Asumsi Multiple Regresi........................ 93 3.2.6.2 Penentuan Model Persamaan Multipel Regresi ......... 100

3.3 Validasi Hasil .................................................................................. 102 3.3.1 Perbandingan Nilai Prediksi Dan Nilai Sebenarnya .............. 102 3.3.2 Peramalan Nilai Variabel Yang Signifikan Mempengaruhi

Indikator Keberhasilan Pelayanan Rumah Sakit.................... 103 3.3.3 Validasi Model Persamaan Regresi Dan Penentuan Standar

Dengan Sampel Baru ............................................................. 104 4. PEMBAHASAN .................................................................................. 106

4.1 Indikator Bed Occupancy Ratio (BOR) .......................................... 106 4.1.1 Asumsi Multiple Regresi ....................................................... 106 4.1.2 Model Persamaan Multipel Regresi ....................................... 108

4.2 Indikator Average Length Of Stay (Av-LOS) ................................ 111 4.2.1 Asumsi Multiple Regresi ....................................................... 111 4.2.2 Model Persamaan Multipel Regresi ....................................... 113

4.3 Indikator Bed Turn Over (BTO) ..................................................... 115 4.3.1 Asumsi Multiple Regresi ....................................................... 115 4.3.2 Model Persamaan Multipel Regresi ....................................... 117

4.4 Indikator Turn Over Interval (TOI)................................................. 120 4.4.1 Asumsi Multiple Regresi ....................................................... 120 4.4.2 Model Persamaan Multipel Regresi ....................................... 122

Universitas Indonesia viii

4.5 Indikator Net Death Ratio (NDR) ................................................... 125 4.5.1 Asumsi Multiple Regresi ....................................................... 125 4.5.2 Model Persamaan Multipel Regresi ....................................... 127

4.6 Indikator Gross Death Ratio (GDR) ............................................... 130 4.6.1 Asumsi Multiple Regresi ....................................................... 130 4.6.2 Model Persamaan Multipel Regresi ....................................... 132

4.7 Validasi Hasil .................................................................................. 134 4.7.1 Hasil Prediksi Dengan Nilai Sebenarnya ............................... 134 4.7.2 Peramalan Nilai Variabel Yang Signifikan

Mempengaruhi Indikator Keberhasilan Pelayanan Rumah Sakit ........................................................................... 135

4.7.3 Validasi Model Persamaan Regresi Dengan Sampel Baru Dan Analisa Standar Indikator Yang Ditemukan.............................................................................. 135

5. KESIMPULAN DAN SARAN ........................................................... 137 5.1 Kesimpulan ..................................................................................... 137 5.2 Saran................................................................................................ 138 DAFTAR REFERENSI ............................................................................ 139

Universitas Indonesia ix

DAFTAR TABEL

Tabel 1.1 Data Rumah Sakit Di Provinsi Riau ........................................... 1 Tabel 1.2 Indikator Keberhasilan Pelayanan Rumah Sakit......................... 2 Tabel 3.1 Variabel Dependent Dan Independent ........................................ 39 Tabel 3.2 Tabel Hasil Pengujian Normality Pada Indikator BOR.............. 42 Tabel 3.3 Tabel Hasil Pengujian Normality Residual Pada Indikator

BOR ............................................................................................ 44

Tabel 3.4 Tabel Anova Uji Linearity BOR (Y) Terhadap Jumlah Hari Perawatan RS (X1) ...................................................................... 45

Tabel 3.5 Tabel Anova Uji Linearity BOR (Y) Terhadap Kejadian Luar Biasa (X2).................................................................................... 45

Tabel 3.6 Tabel Anova Uji Linearity BOR (Y) Terhadap Jumlah Pasien Keluar (X3) ...................................................................... 46

Tabel 3.7 Tabel Anova Uji Linearity BOR (Y) Terhadap Keahlian Tenaga Medis Paramedis (X4) .................................................... 46

Tabel 3.8 Tabel Anova Uji Linearity BOR (Y) Terhadap Jumlah Pasien Masuk (X5) ...................................................................... 46

Tabel 3.9 Ringkasan Uji Linearity Garis Regresi Untuk Indikator BOR ... 46 Tabel 3.10 Koefisien Regresi Untuk Model Ln U2i = b0 + b1 X1 + b2 X2 +

b4 X4 + b5 X5 Pada Indikator BOR............................................ 48

Tabel 3.11 Hasil Pengujian Durbin Watson Pada Indikator BOR.............. 49 Tabel 3.12 Collinearity Statistics Untuk Indikator BOR ............................ 52 Tabel 3.13 Coeffisien Correlation Lima Variabel Untuk Indikator BOR... 53 Tabel 3.14 Model Summary Regression Untuk Indikator BOR................. 53 Tabel 3.15 Anova Regression Untuk Indikator BOR ................................. 53 Tabel 3.16 Coefficients Regression Untuk Indikator BOR ........................ 54 Tabel 3.17 Coefficients Korelasi Untuk Indikator BOR............................. 54

Universitas Indonesia x

Tabel 3.18 Tabel Hasil Pengujian Normality Untuk Indikator Av-LOS .... 56 Tabel 3.19 Tabel Hasil Pengujian Normality Residual Untuk Indikator

Av-LOS..................................................................................... 57

Tabel 3.20 Tabel Anova Uji Linearity Av-LOS (Y) Terhadap Jumlah Pasien Keluar (X1) .................................................................... 58

Tabel 3.21 Tabel Anova Uji Linearity Av-LOS (Y) Terhadap Jumlah Hari Perawatan Pasien Keluar (X2)................................................... 58

Tabel 3.22 Tabel Anova Uji Linearity Av-LOS (Y) Terhadap Jenis Penyakit Yang Diderita (X3) ..................................................... 58

Tabel 3.23 Tabel Anova Uji Linearity Av-LOS terhadap Golongan Obat Paten Yang Diberikan (X4) ....................................................... 58

Tabel 3.24 Ringkasan Uji Linearity Garis Regresi Untuk Indikator Av-LOS..................................................................................... 59

Tabel 3.25 Koefisien Regresi Untuk Model Ln U2i = b0 + b1 X1 + b2 X2 + b3 X3 + b4 X4 Pada Indikator Av-LOS ...................................... 60

Tabel 3.26 Hasil Pengujian Durbin Watson Pada Indikator Av-LOS ........ 60 Tabel 3.27 Model Summary Regression Untuk Indikator Av-LOS ........... 61 Tabel 3.28 Anova Regression Untuk Indikator Av-LOS............................ 61 Tabel 3.29 Coefficients Regression Untuk Indikator Av-LOS................... 62 Tabel 3.30 Coefficients Correlations Untuk Indikator Av-LOS................. 62 Tabel 3.31 Tabel Hasil Pengujian Normality Untuk Indikator BTO.......... 64 Tabel 3.32 Tabel Hasil Pengujian Normality Residual Untuk Indikator

BTO........................................................................................... 65

Tabel 3.33 Tabel Anova Uji Linearity BTO (Y) Terhadap Jumlah Pasien Keluar (X1) ................................................................................ 66

Tabel 3.34 Tabel Anova Uji Linearity BTO (Y) Terhadap Jenis Penyakit Terbanyak Rawat Inap (X2) ...................................................... 66

Tabel 3.35 Tabel Anova Uji Linearity BTO (Y) Terhadap Kejadian Luar Biasa (X3) .................................................................................. 66

Universitas Indonesia xi

Tabel 3.36 Tabel Anova Uji Linearity BTO (Y) Terhadap Jumlah Pasien Masuk (X4) ................................................................................ 66

Tabel 3.37 Ringkasan Uji Linearity Garis Regresi Untuk Indikator BTO . 67 Tabel 3.38 Tabel Anova Uji Linearity BTO (Y) Terhadap Log Jumlah

Pasien Masuk (X4) .................................................................... 68

Tabel 3.39 Ringkasan Uji Linearity Garis Regresi Untuk Indikator BTO Setelah Transformasi................................................................. 68

Tabel 3.40 Koefisien Regresi Untuk Model Ln U2i = b0 + b1 X1 + b2 X2 + b3 X3 Pada Indikator BTO......................................................... 69

Tabel 3.41 Hasil Pengujian Durbin Watson Pada Indikator BTO .............. 69 Tabel 3.42 Collinearity Statistics Untuk Indikator BTO ............................ 70 Tabel 3.43 Coeffisien Correlation Empat Variabel Untuk Indikator BTO. 71 Tabel 3.44 Model Summary Regression Untuk Indikator BTO ................. 71 Tabel 3.45 Anova Regression Untuk Indikator BTO.................................. 71 Tabel 3.46 Coefficients Regression Untuk Indikator BTO......................... 72 Tabel 3.47 Coefficients Correlations Untuk Indikator BTO....................... 72 Tabel 3.48 Tabel Hasil Pengujian Normality Untuk Indikator TOI ........... 73 Tabel 3.49 Tabel Hasil Pengujian Normality Residual Untuk Indikator

TOI ............................................................................................ 75

Tabel 3.50 Tabel Anova Uji Linearity TOI (Y) Terhadap Jumlah Pasien Keluar (X1) ................................................................................ 75

Tabel 3.51 Tabel Anova Uji Linearity TOI (Y) Terhadap Hari Perawatan Rumah Sakit (X2) ...................................................................... 76

Tabel 3.52 Tabel Anova Uji Linearity TOI (Y) Terhadap Kejadian Luar Biasa (X3) .................................................................................. 76

Tabel 3.53 Tabel Anova Uji Linearity TOI (Y) Terhadap Jumlah Pasien Masuk (X4) ................................................................................ 76

Tabel 3.54 Ringkasan Uji Linearity Garis Regresi Untuk Indikator TOI... 76

Universitas Indonesia xii

Tabel 3.55 Tabel Anova Uji Linearity TOI (Y) Terhadap Log Jumlah Pasien Keluar (X1) .................................................................... 78

Tabel 3.56 Tabel Anova Uji Linearity TOI (Y) Terhadap Log Jumlah Pasien Masuk (X4) .................................................................... 78

Tabel 3.57 Tabel Anova Uji Linearity TOI (Y) Terhadap Inverse Jumlah Pasien Keluar (X1) .................................................................... 78

Tabel 3.58 Tabel Anova Uji Linearity TOI (Y) Terhadap Inverse Jumlah Pasien Masuk(X4) ..................................................................... 78

Tabel 3.59 Ringkasan Uji Linearity Garis Regresi Untuk Indikator TOI Setelah Transformasi................................................................. 79

Tabel 3.60 Koefisien Regresi Untuk Model Ln U2i = b0 + b1 (1/X1) + b2 X2 + b3 X3 Pada Indikator TOI ............................................. 80

Tabel 3.61 Hasil Pengujian Durbin Watson Pada Indikator TOI................ 80 Tabel 3.62 Collinearity Statistics Untuk Indikator TOI.............................. 81 Tabel 3.63 Coeffisien Correlation Empat Variabel Untuk Indikator TOI .. 82 Tabel 3.64 Model Summary Regression Untuk Indikator TOI................... 82 Tabel 3.65 Anova Regression Untuk Indikator TOI................................... 82 Tabel 3.66 Coefficients Regression Untuk Indikator TOI .......................... 83 Tabel 3.67 Coefficients Correlations Untuk Indikator TOI ........................ 83 Tabel 3.68 Tabel Hasil Pengujian Normality Untuk Indikator NDR.......... 84 Tabel 3.69 Tabel Hasil Pengujian Normality Residual Untuk Indikator

NDR .......................................................................................... 86

Tabel 3.70 Tabel Anova Uji Linearity NDR (Y) Terhadap Jumlah Pasien Keluar (X1) ................................................................................ 86

Tabel 3.71 Tabel Anova Uji Linearity NDR (Y) Terhadap Jumlah Pasien Mati > 48 Jam Perawatan (X2) .................................................. 87

Tabel 3.72 Tabel Anova Uji Linearity NDR (Y) Terhadap Keahlian Tenaga Medis Paramedis (X3) .................................................. 87

Tabel 3.73 Tabel Anova Uji Linearity NDR (Y) Terhadap Jumlah Pasien Penderita Penyakit Penyebab Kematian (X4)............................ 87

Universitas Indonesia xiii

Tabel 3.74 Ringkasan Uji Linearity Garis Regresi Untuk Indikator NDR. 87 Tabel 3.75 Tabel Anova Uji Linearity NDR (Y) Terhadap Log Jumlah

Pasien Penderita Penyakit Penyebab Kematian (X4) ................ 88

Tabel 3.76 Ringkasan Uji Linearity Garis Regresi Untuk Indikator NDR Setelah Transformasi................................................................. 89

Tabel 3.77 Koefisien Regresi Untuk Model Ln U2i = b0 + b1 X1 + b2 X2 + b3 X3 + b4 LogX4 Pada Indikator NDR ..................................... 90

Tabel 3.78 Hasil Pengujian Durbin Watson Pada Indikator NDR.............. 90 Tabel 3.79 Model Summary Regression Untuk Indikator NDR................. 91 Tabel 3.80 Anova Regression Untuk Indikator NDR ................................. 91 Tabel 3.81 Coefficients Regression Untuk Indikator NDR ........................ 92 Tabel 3.82 Coefficients Correlations Untuk Indikator NDR ...................... 92 Tabel 3.83 Tabel Hasil Pengujian Normality Untuk Indikator GDR.......... 94 Tabel 3.84 Tabel Hasil Pengujian Normality Residual Untuk Indikator

GDR .......................................................................................... 95

Tabel 3.85 Tabel Anova Uji Linearity GDR (Y) Terhadap Jumlah Pasien Keluar (X1) ................................................................................ 96

Tabel 3.86 Tabel Anova Uji Linearity GDR (Y) Terhadap Jumlah Pasien Mati (X2) ................................................................................... 96

Tabel 3.87 Tabel Anova Uji Linearity GDR (Y) Terhadap Keahlian Tenaga Medis Paramedis (X3) .................................................. 96

Tabel 3.88 Tabel Anova Uji Linearity GDR (Y) Terhadap Jumlah Pasien Penderita Penyakit Penyebab Kematian (X4)............................ 96

Tabel 3.89 Ringkasan Uji Linearity Garis Regresi Untuk Indikator GDR. 97 Tabel 3.90 Tabel Anova Uji Linearity GDR (Y) Terhadap Kuadrat

Keahlian Tenaga Medis dan Paramedis (X3) ............................ 98

Tabel 3.91 Ringkasan Uji Linearity Garis Regresi Untuk Indikator GDR Setelah Transformasi................................................................. 98

Tabel 3.92 Koefisien Regresi Untuk Model Ln U2i = b0 + b1 X1 + b2 X2 + b3 (X3)2 + b4 X4 Pada Indikator NDR ....................................... 99

Universitas Indonesia xiv

Tabel 3.93 Hasil Pengujian Durbin Watson Pada Indikator GDR.............. 99 Tabel 3.94 Model Summary Regression Untuk Indikator GDR................. 100 Tabel 3.95 Anova Regression Untuk Indikator GDR ................................. 100 Tabel 3.96 Coefficients Regression Untuk Indikator GDR ........................ 101 Tabel 3.97 Coefficients Correlations Untuk Indikator GDR ...................... 101 Tabel 3.98 Perbandingan Nilai Prediksi dan Nilai Sebenarnya Indikator

BOR, Av-LOS dan BTO........................................................... 102

Tabel 3.99 Perbandingan Nilai Prediksi dan Nilai Sebenarnya Indikator TOI, NDR dan GDR ................................................................. 103

Tabel 3.100 Data Variabel Yang Signifikan Mempengaruhi Indikator Keberhasilan Pelayanan RS ................................................... 104

Tabel 3.101 Data Variabel Yang Signifikan Mempengaruhi Indikator Keberhasilan Pelayanan RS Tahun 2008 ............................... 104

Tabel 3.102 Prediksi Nilai Indikator Keberhasilan Pelayanan Rumah Sakit Kelas C Di Provinsi Riau Tahun 2008.......................... 105

Tabel 3.103 Standar Indikator Keberhasilan Pelayanan Rumah Sakit Dengan Memperhatikan Variabel Yang Signifikan Mempengaruhinya.................................................................. 105

Universitas Indonesia xv

DAFTAR GAMBAR

Gambar 1.1 Diagram Keterkaitan Masalah................................................. 3 Gambar 1.2 Flowchart Metodologi Penelitian ............................................ 7 Gambar 2.1 Normal Probability Plots and Corresponding Univariate

Distribution .............................................................................. 22

Gambar 2.2 Pemilihan Transformasi Untuk Mencapai Linearity ............... 25 Gambar 2.3 Graphical Analysis Of Residual .............................................. 30 Gambar 3.1 Katalog Dialog Uji Normalitas Menggunakan 1-sample K-S 41 Gambar 3.2 Katalog Dialog Uji Normalitas Menggunakan 1-sample K-S

Setelah Test ............................................................................. 42

Gambar 3.3 Histogram Residual Model Persamaan Regresi Pada Indikator BOR......................................................................... 43

Gambar 3.4 Normal Probability Plot Pada Indikator BOR......................... 43 Gambar 3.5 Kotak Dialog Means Untuk Menguji Linearity Garis Regresi 45 Gambar 3.6 Scatterplot Nilai Prediksi BOR Dengan Residualnya............. 47 Gambar 3.7 Kotak Dialog Compute Variabel............................................. 48 Gambar 3.8 Kotak Dialog Linear Regression Setelah Pengisian Variabel. 50 Gambar 3.9 Kotak Dialog Linear Regression : Statistics ........................... 51 Gambar 3.10 Kotak Dialog Linear Regression : Plots................................ 51 Gambar 3.11 Kotak Dialog Linear Regression : Save ................................ 52 Gambar 3.12 Histogram Residual Model Persamaan Regresi Untuk

Indikator Av-LOS ................................................................. 56

Gambar 3.13 Normal Probability Plot Untuk Indikator Av-LOS............... 57 Gambar 3.14 Scatterplot Nilai Prediksi Av-LOS Dengan Residualnya ..... 59 Gambar 3.15 Histogram Residual Model Persamaan Regresi Untuk

Indikator BTO ....................................................................... 64

Universitas Indonesia xvi

Gambar 3.16 Normal Probability Plot Untuk Indikator BTO..................... 65 Gambar 3.17 Plot Untuk Indikator BTO Terhadap Jumlah Pasien Masuk

(X4)......................................................................................... 67

Gambar 3.18 Scatterplot Nilai Prediksi BTO Dengan Residualnya ........... 68 Gambar 3.19 Histogram Residual Model Persamaan Regresi Untuk

Indikator TOI ........................................................................ 74

Gambar 3.20 Normal Probability Plot Untuk Indikator TOI ...................... 74 Gambar 3.21 Plot Untuk Indikator TOI Terhadap Jumlah Pasien Keluar

(X1)......................................................................................... 77

Gambar 3.22 Plot Untuk Indikator TOI Terhadap Jumlah Pasien Masuk (X4)......................................................................................... 77

Gambar 3.23 Scatterplot Nilai Prediksi TOI Dengan Residualnya ............ 79 Gambar 3.24 Histogram Residual Model Persamaan Regresi Untuk

Indikator NDR....................................................................... 85

Gambar 3.25 Normal Probability Plot Untuk Indikator NDR .................... 85 Gambar 3.26 Plot Untuk Indikator NDR Terhadap Jumlah Pasien Keluar

(X1)......................................................................................... 88

Gambar 3.27 Scatterplot Nilai Prediksi NDR Dengan Residualnya........... 89 Gambar 3.28 Histogram Residual Model Persamaan Regresi Untuk

Indikator GDR....................................................................... 94

Gambar 3.29 Normal Probability Plot Untuk Indikator GDR .................... 95 Gambar 3.30 Plot Untuk Indikator GDR Terhadap Keahlian Tenaga Medis

dan Paramedis (X3) ............................................................... 97

Gambar 3.31 Scatterplot Nilai Prediksi GDR Dengan Residualnya........... 98

Universitas Indonesia xvii

DAFTAR LAMPIRAN

Lampiran 1. Kuesioner Identifikasi Variabel.............................................. 140 Lampiran 2. Data-Data Variabel X dan Y .................................................. 144 Lampiran 3. Nilai Prediksi dan Nilai Sebenarnya Indikator

BOR, Av-LOS dan BTO......................................................... 153

Lampiran 4. Nilai Prediksi dan Nilai Sebenarnya Indikator TOI, NDR dan GDR ............................................................... 155

Universitas Indonesia xviii

1

Universitas Indonesia

BAB 1 PENDAHULUAN

1.1 Latar Belakang

Industri rumah sakit diartikan sebagai penerapan manajemen industri

dalam manajemen rumah sakit demi pencapaian efisiensi dan efektivitas sebagai

unit sosioekonomi. Rumah sakit sebagai suatu organisasi penyaji jasa kesehatan

tidak terkecuali juga menghadapi globalisasi dan perubahan lingkungan, terutama

lingkungan perawatan kesehatan, sehingga manajemen rumah sakit membutuhkan

cara tertentu untuk menghadapinya. Perubahan lingkungan yang dimaksud antara

lain terjadi pada ilmu dan teknologi medis yang makin maju dan terus

berkembang. Di samping itu, juga terjadi perubahan paradigma di bidang

kesehatan. Deregulasi dan swastanisasi sektor kesehatan dilakukan oleh

pemerintah. Swasta diberi kemudahan oleh pemerintah untuk membangun rumah

sakit, sehingga memungkinan akan terjadi “persaingan” di antara rumah sakit.

(Ristrini, 2005).

Begitu juga dengan perkembangan industri rumah sakit di Provinsi Riau.

Saat ini di Riau khususnya di Pekanbaru, rumah sakit swasta jauh lebih banyak

dibandingkan rumah sakit pemerintah, BUMN ataupun TNI/POLRI. Berikut

disajikan data rumah sakit di Provinsi Riau berdasarkan kabupaten/kota tahun

2007 :

Tabel 1.1 Data Rumah Sakit di Provinsi Riau Rumah Sakit

No Kab/Kota Pemerintah Swasta BUMN TNI/POLRI Jumlah

Jumlah Tempat Tidur

1 Pekanbaru 2 9 1 3 15 1352 2 Kampar 1 2 1 0 4 193 3 Rokan Hulu 1 1 1 0 3 197 4 Indragiri Hulu 1 0 0 0 1 82 5 Kuantan Sengingi 1 0 0 0 1 100 6 Pelalawan 1 2 0 0 3 102 7 Indragiri Hilir 1 0 0 0 1 80 8 Bengkalis 3 3 1 0 7 124 9 Siak 1 0 0 0 1 50 10 Dumai 1 0 1 1 3 212 11 Rokan hilir 1 1 0 1 3 120 Jumlah 14 18 5 5 42 2612

Sumber : Profil Kesehatan Provinsi Riau, 2007

2


Penelitian-penelitian sebelumnya yang berkaitan dengan pelayanan rumah

sakit selalu dilakukan untuk melihat kepuasan yang dirasakan oleh pasien

terhadap proses pelayanan yang diberikan oleh pihak rumah sakit. Kaul, Gupta

dan Jauhari (2008) menggunakan faktor-faktor yang dibagi menjadi tiga yaitu

sebelum konsultasi dengan dokter, selama konsultasi dan pengobatan, serta

setelah proses konsultasi berakhir untuk melihat faktor-faktor mana yang benar-

benar mempengaruhi kepuasan pasien secara keseluruhan.

Tetapi Ditjen Bina Pelayanan Medik Depkes RI,2005 menggunakan

tingkat pemanfaatan sarana pelayanan, mutu pelayanan dan tingkat efisiensi

pelayanan untuk mengetahui keberhasilan suatu Rumah Sakit dan tentang

gambaran keadaan pelayanan di Rumah Sakit dengan menggunakan beberapa

indikator seperti di bawah ini :

Tabel 1.2 Indikator Keberhasilan Pelayanan Rumah Sakit

No Indikator Nilai Ideal

1.

Bed Occupancy Rate (BOR) Yaitu prosentase pemakaian tempat tidur pada satu satuan waktu tertentu.

60-85%

2. Average Length of Stay (Av LOS) Yaitu rata-rata lama rawatan seorang pasien. 6 - 9 hari

3. Bed Turn Over (BTO) Yaitu frekuensi pemakaian tempat tidur, berapa kali dalam satu satuan waktu tertentu (biasanya 1 tahun) tempat tidur rumah sakit dipakai.

40-50 kali / tahun

4. Turn Over Interval (TOI) Yaitu rata-rata hari tempat tidur tidak ditempati dari saat terisi ke saat terisi berikutnya.

1 - 3 hari

5. Net Death Rate (NDR) Yaitu angka kematian > 48 jam setelah dirawat untuk tiap-tiap 1000 penderita keluar.

< 25 per 1000 penderita keluar

6. Gross Death Rate (GDR) Yaitu angka kematian umum untuk tiap-tiap 1000 penderita keluar.

< 45 per 1000 penderita keluar

Sumber : Kegiatan Pelayanan Rumah Sakit, 2005

Selain itu juga menggunakan indikator rata-rata kunjungan poliklinik per hari,

kegiatan klinik unit darurat, kegiatan kebidanan/persalinan, kegiatan pembedahan,

3

kegiatan pemeriksaan laboratorium, kegiatan keluarga berencana rumah sakit,

kegiatan rujukan serta cara pembayaran.

Oleh karena itu rumah sakit dapat dikatakan berhasil dan mampu bersaing

apabila berada pada standar ideal masing-masing indikator tersebut. Namun

standar yang ada saat ini berlaku untuk keseluruhan rumah sakit di Indonesia

tanpa memperhatikan kelas rumah sakit dan variabel-variabel lainnya, sehingga

rentang standar yang diberikan tersebut masih cukup jauh. Untuk itu perlu

diketahui variabel-variabel apa saja yang mempengaruhi masing-masing indikator

tersebut, sehingga dapat membantu untuk menentukan standar rumah sakit di

Provinsi Riau yang akhirnya berguna sebagai salah satu acuan untuk terus

meningkatkan kualitas pelayanan rumah sakit yang ada di Provinsi Riau.

Hasil dari penelitian ini adalah berupa suatu model yang dapat digunakan

untuk penentuan standar masing-masing indikator pelayanan rumah sakit yang

dapat disesuaikan dengan variabel-variabel yang signifikan mempengaruhinya.

1.2 Diagram Keterkaitan Masalah

Tersedianya model untuk menentukan standar indikator

pelayanan RS tipe X di Provinsi Riau

Belum ada metode yang berdasarkan teori untuk menentukan nilai standar indikator keberhasilan pelayanan RS

Standar yang digunakan ditentukan oleh Depkes untuk

seluruh RS di Indonesia

SDM RS perlu mengetahui posisi

mereka

SDM RS dituntut untuk terus meningkatkan kualitas

pelayanan mereka

Standar yang ada sekarang terlalu umum tidak

memperhatikan variabel lainnya

Kebijakan Depkes

Adanya kelas RS yang berbeda-beda

Menunjukkan tingkat keberhasilan pelayanan RS

Pertimbangan dalam membuat kebijakan

Meningkatkan persaingan dalam industri RS

Depkes menjadi satu-satunya institusi yang berhak menilai

Gambar 1.1 Diagram Keterkaitan Masalah


4


1.3 Pokok Permasalahan

Berdasarkan latar belakang permasalahan tersebut di atas, maka

permasalahan utama yang akan dibahas dalam penelitian ini adalah penentuan

variabel-variabel yang mempengaruhi indikator-indikator keberhasilan pelayanan

suatu rumah sakit untuk selanjutnya dirancang suatu model yang dapat digunakan

untuk menentukan standar rumah sakit yang sesuai dengan variabel-variabel yang

benar-benar signifikan mempengaruhinya dengan menggunakan analisis

multivariate multiple regression analysis.

1.4 Tujuan Penelitian

Tujuan dari penelitian ini adalah :

a. Merancang suatu model yang dapat digunakan untuk menentukan standar

masing-masing indikator pelayanan rumah sakit yang sesuai dengan

variabel-variabel yang benar-benar signifikan mempengaruhinya.

1.5 Batasan Masalah

Batasan masalah yang digunakan pada penelitian ini adalah :

a. Penelitian dilakukan pada dua rumah sakit swasta Kelas C di Provinsi Riau

yang sudah terakreditasi,

b. Indikator yang diteliti adalah indikator-indikator yang mempunyai nilai

standar saja,

c. Data yang digunakan adalah data yang diperoleh selama melakukan

penelitian.

1.6 Metodologi Penelitian

Metodologi yang digunakan dalam penelitian ini terbagi menjadi beberapa

tahap, yaitu :

Tahap Studi Pendahuluan, meliputi :

1. Perumusan Masalah yang akan diteliti,

2. Tinjauan Pustaka dan Tinjauan Lapangan,

3. Perumusan Tujuan Penelitian.

5


Tahap Identifikasi, meliputi :

1. Pemilihan Metode yang akan digunakan,

2. Penentuan Tempat Penelitian,

3. Penentuan Data yang dibutuhkan.

Tahap Pengumpulan Data, meliputi :

1. Penentuan variabel-variabel yang mempengaruhi masing-masing

indikator keberhasilan pelayanan rumah sakit,

2. Pengumpulan data dari beberapa rumah sakit dan Dinas Kesehatan

Provinsi Riau.

Tahap Pengolahan dan Analisa data, meliputi :

1. Melakukan multiple regression analysis untuk mengidentifikasi faktor

mana yang signifikan berpengaruh terhadap masing-masing indikator

keberhasilan pelayanan rumah sakit,

2. Menemukan model untuk penentuan standar masing-masing indikator

keberhasilan pelayanan RS,

3. Menganalisa hasil pengolahan.

Tahap Pengambilan Kesimpulan.

6

Perumusan Masalah

Tinjauan Pustaka dan Tinjauan Lapangan

Tujuan Penelitian

Pemilihan Metode

A

Penentuan Tempat Penelitian

Penentuan Data yang Dibutuhkan

Pengumpulan data dari beberapa rumah sakit, BPS dan Dinas Kesehatan Provinsi Riau

Penentuan variabel-variabel yang mempengaruhi masing-masing indikator

keberhasilan pelayanan rumah sakit

Mulai

Tah

ap S

tudi

Pen

dahu

luan

T

ahap

Iden

tifik

asi

Tah

ap P

engu

mpu

lan

Dat

a


7

Penginputan Data ke SPSS

Analisis Hasil Pengolahan Data

Menarik Kesimpulan dari Hasil Penelitian

Memberikan saran

Penemuan model penentuan nilai masing-masing indikator keberhasilan pelayanan RS

Selesai

Pengolahan dengan Multiple Regression

A

Tah

ap P

engo

laha

n da

n A

nalis

a T

ahap

Pen

gam

bila

n K

e put

usan

Gambar 1.2 Flowchart Metodologi Penelitian

1.7 Sistematika Penulisan

Untuk mempermudah penyusunan dan pemahaman dari laporan ini, maka

disusun sebuah sistematika penulisan sebagai berikut :

BAB I PENDAHULUAN

Berisikan mengenai latar belakang, diagram keterkaitan masalah, pokok

permasalahan, tujuan penelitian, batasan masalah, metodologi

penelitian dan sistematika penulisan laporan.

BAB II TINJAUAN PUSTAKA

Berisikan teori-teori utama dan pendukung yang sesuai dengan

pembahasan.


8


BAB III METODE PENELITIAN

Berisikan mengenai data-data yang deperoleh dan variabel-variabel

yang mempengaruhi indikator keberhasilan pelayanan suatu rumah

sakit serta pengolahan dengan analisis multivariate yaitu multiple

regression analysis.

BAB IV PEMBAHASAN

Berisikan analisis terhadap hasil pengolahan yang telah dilakukan

sebelumnya.

BAB V KESIMPULAN DAN SARAN

Berisikan kesimpulan dari hasil penelitian dan saran berkaitan dengan

penelitian yang telah dilakukan.

9

BAB 2 TINJAUAN PUSTAKA

2.1 Rumah Sakit

2.1.1 Pengantar Rumah Sakit

Menurut Direktorat Pelayanan Medik Departemen Kesehatan RI dalam

Rancangan Peraturan Pemerintah tentang Rumah Sakit (2004), Rumah Sakit

adalah semua sarana kesehatan yang menyelenggarakan pelayanan rawat inap,

rawat jalan, gawat darurat dan tindakan medik yang dilaksanakan selama 24 jam

melalui upaya kesehatan perorangan.

Rumah Sakit mempunyai tugas pokok menyelenggarakan upaya kesehatan

perorangan yang paripurna (promotif, preventif, kuratif dan rehabilitasi) dengan

mengutamakan upaya penyembuhan penyakit dan pemulihan kesehatan tanpa

mengabaikan upaya pencegahan dan peningkatan.

Fungsi Rumah Sakit adalah menyelenggarakan pelayanan medis,

pelayanan keperawatan, pelayanan penunjang medis, pelayanan administrasi dan

manajemen, pendidikan/pelatihan, serta penelitian dan pengembangan. Yang

dimaksud dengan pelayanan medis adalah upaya kesehatan perorangan meliputi

pelayanan promotif, prefentif, kuratif dan rehabilitatif yang diberikan kepada

pasien oleh tenaga medis sesuai dengan standar pelayanan medis dengan

memanfaatkan sumber daya dan fasilitas secara optimal. Pelayanan keperawatan

adalah pelayanan kesehatan yang didasarkan pada ilmu dan kiat keperawatan,

yang mencakup biopsikososiospiritual yang komprehensif. Sedangkan pelayanan

penunjang medis adalah kegiatan pelayanan kesehatan yang menunjang pelayanan

medik yang sesuai dengan standar yang berlaku, meliputi rekam medis yaitu

rekaman tentang identitas pasien, pemeriksaan, pengobatan, tindakan dan

pelayanan lain kepada pasien, dapur, laundry, sterilisasi, logistic, dan sebagainya.

Dan pelayanan administrasi serta manajemen merupakan kegiatan pelayanan

administrasi, dan manajemen untuk mendukung penyelenggaraan pelayanan

rumah sakit sesuai dengan kebutuhan perkembangan.


10

2.1.2 Klasifikasi dan Kelas Rumah Sakit

Rumah Sakit di Indonesia dapat dikategorikan menurut jenis dan

pengelolahnya (Departemen Kesehatan RI, 2005). Menurut jenisnya, Rumah Sakit

dapat dikelompokkan menjadi :

• Rumah Sakit Umum (RSU). RSU adalah Rumah Sakit yang

menyelenggarakan pelayanan kesehatan semua bidang dan jenis

penyakit,

• Rumah Sakit Jiwa (RSJ),

• Rumah Sakit Khusus. Rumah Sakit Khusus adalah Rumah Sakit

yang menyelenggarakan pelayanan utama pada satu atau dua bidang

tertentu, berdasarkan disiplin ilmu, golongan umur, organ, jenis

penyakit, atau kekhususan lainnya.

Sedangkan menurut pengelolahnya, Rumah Sakit dapat dikelompokkan menjadi :

• Rumah Sakit Vertikal yang dikelolah oleh Departemen Kesehatan

RI,

• Rumah Sakit Provinsi yang dikelolah oleh Pemerintah Daerah

Tingkat I,

• Rumah Sakit Kabupaten/Kotamadya yang dikelolah oleh Pemerintah

Daerah Tingkat II,

• Rumah Sakit ABRI,

• Rumah Sakit Departemen Lain/BUMN,

• Rumah Sakit Swasta.

Menurut Direktorat Pelayanan Medik Departemen Kesehatan RI dalam

Pedoman Penyelenggaraan Rumah Sakit (2008), rumah sakit dikelompokkan

menjadi berbagai jenis pelayanan sebagai berikut :

I. Pelayanan Umum

a. Pelayanan Medik Umum,

b. Pelayanan Medik Gigi Dasar,

c. Pelayanan KIA/KB.

II. Pelayanan Gawat Darurat

III. Pelayanan Spesialis Dasar

a. Pelayanan Penyakit Dalam,


11

b. Pelayanan Kesehatan Anak,

c. Pelayanan Bedah,

d. Pelayanan Obstetri dan Ginekologi.

IV. Pelayanan Spesialistik Penunjang

a. Pelayanan Anestesiologi,

b. Pelayanan Radiologi,

c. Pelayanan Rehabilitasi Medik,

d. Pelayanan Patologi Klinik,

e. Pelayanan Patologi Anatomi.

V. Pelayanan Medik Spesialistik Lain

a. Pelayanan Spesialis Telinga Hidung Tenggorokan,

b. Pelayanan Spesialis Orthopaedi,

c. Pelayanan Spesialis Kesehatan Jiwa,

d. Pelayanan Spesialis Penyakit Saraf,

e. Pelayanan Spesialis Penyakit Mata,

f. Pelayanan Spesialis Penyakit Kulit dan Kelamin,

g. Pelayanan Spesialis Jantung,

h. Pelayanan Spesialis Paru,

i. Pelayanan Spesialis Urologi,

j. Pelayanan Spesialis Bedah Syaraf,

k. Pelayanan Spesialis Lainnya.

VI. Pelayanan Spesialistik Gigi Mulut

a. Pelayanan Orthodonsi,

b. Pelayanan Prosthodonsi,

c. Pelayanan Konservasi/endodonsi.

VII. Sub Spesialis

a. Sub Spesialis Pelayanan Bedah,

b. Sub Spesialis Pelayanan Penyakit Dalam,

c. Sub Spesialis Pelayanan Kesehatan Anak,

d. Sub Spesialis Pelayanan Kebidanan dan Penyakit kandungan,

e. Sub Spesialis Pelayanan Mata,

f. Sub Spesialis Pelayanan THT,


12

g. Sub Spesialis Pelayanan Kulit dan Kelamin,

h. Sub Spesialis Pelayanan Syaraf,

i. Sub Spesialis Pelayanan Jiwa,

j. Sub Spesialis Pelayanan Orthopedi,

k. Sub Spesialis Pelayanan Jantung,

l. Sub Spesialis Pelayanan Paru,

m. Sub Spesialis Pelayanan Spesialis Gigi dan Mulut,

n. Sub Spesialis Lainnya.

VIII. Pelayanan Penunjang Klinik

a. Perawatan Intensif,

b. Pelayanan Darah,

c. Pelayanan Gizi,

d. Pelayanan Farmasi,

e. Pelayanan Sterilisasi dan Instrumen,

f. Rekam Medik.

IX. Pelayanan Penunjang Non Klinik

a. Laundry/Linen,

b. Pelayanan Jasa Boga/Dapur,

c. Pelayanan Teknik dan Pemeliharaan Fasilitas,

d. Pengelolaan Limbah,

e. Gudang,

f. Transportasi (Ambulance),

g. Komunikasi,

h. Pemulasaran Jenazah,

i. Pemadam Kebakaran,

j. Penampungan Air Bersih.

X. Pelayanan Administrasi

a. Informasi dan penerimaan pasien,

b. Keuangan,

c. Personalia,

d. Keamanan,

e. Sistem Informasi Rumah Sakit.


13

Sesuai dengan beban kerja dan fungsinya maka rumah sakit umum

dikategorikan menjadi empat kelas :

o Rumah Sakit Kelas A, adalah Rumah Sakit Umum yang memiliki

fasilitas dan kemampuan pelayanan umum (I), pelayanan gawat darurat

(II), pelayanan spesialis dasar (III), pelayanan spesialistik penunjang

(IV) pelayanan medik spesialistik lain (V), pelayanan penunjang klinik

(VIII), pelayanan penunjang Non Klinik (IX), pelayanan administrasi

(X) dan dapat ditambah dengan pelayanan spesialistik gigi dan mulut

(VI), sub spesialis luas (VII),

o Rumah Sakit Kelas B, adalah Rumah Sakit Umum yang memiliki


(II), pelayanan spesialis dasar (III), pelayanan spesialistik penunjang

(IV), 7 pelayanan medik spesialistik lain (V), pelayanan penunjang

klinik (VIII), pelayanan penunjang non klinik (IX), pelayanan

administrasi (X) dan dapat ditambah dengan pelayanan spesialistik gigi

dan mulut (VI), sub spesialis terbatas (VII), serta memiliki minimal

200 fasilitas tempat tidur,

o Rumah Sakit Kelas C, adalah Rumah Sakit Umum yang memiliki


(II), pelayanan spesialis dasar (III), 4 pelayanan spesialistik penunjang

(IV), pelayanan penunjang klinik (VIII), pelayanan penunjang non

klinik (IX), pelayanan administrasi (X), serta memiliki minimal 100

fasilitas tempat tidur,

o Rumah Sakit Kelas D, adalah Rumah Sakit Umum yang memiliki


(II), 2 jenis pelayanan spesialis dasar atau lebih (III), pelayanan

penunjang klinik (VIII) kecuali perawatan intensif, pelayanan

penunjang non klinik (IX), dan pelayanan administrasi (X), serta

memiliki minimal 50 fasilitas tempat tidur.


14

2.2 Indikator

2.2.1 Pengertian

Dalam Petunjuk Pelaksanaan Indikator Mutu Pelayanan Rumah Sakit yang

dikeluarkan oleh World Health Organization Direktorat Jenderal Pelayanan

Medik Departemen Kesehatan RI, 2001, Indikator adalah suatu cara untuk menilai

penampilan dari suatu kegiatan dengan menggunakan instrument. Indikator

merupakan variable yang digunakan untuk menilai suatu perubahan. Menurut

WHO, indicator adalah variable untuk mengukur perubahan. Indikator sering

digunakan terutama bila perubahan tersebut tidak dapat diukur.

Indikator yang ideal harus memiliki empat criteria, yaitu :

o Sahih (valid), yaitu benar-benar dapat dipakai untuk mengukur

aspek yang akan dinilai,

o Dapat dipercaya (reliable), yaitu mampu menunjukkan hasil yang

sama pada saat yang berulang kali, untuk waktu sekarang maupun

yang akan datang,

o Sensitif, yaitu cukup peka untuk mengukur, sehingga jumlahnya

tidak perlu banyak,

o Spesifik, yaitu memberikan gambaran perubahan ukuran yang

jelas, tidak bertumpang tindih.

Indikator-indikator dalam pelayanan rumah sakit ini akan mempunyai

manfaat yang sangat banyak bagi pengelola rumah sakit, terutama untuk

mengukur kinerja rumah sakit itu sendiri (self assessment). Manfaat tersebut

antara lain sebagai alat yang digunakan untuk manajemen control dan alat untuk

mendukung pengambilan keputusan dalam rangka perencanaan kegiatan untuk

masa yang akan datang.

2.2.2 Indikator Bagi Rumah Sakit

Menurut Donabedian, pengukuran mutu pelayanan kesehatan dapat diukur

dengan menggunakan tiga variable (Direktorat Jenderal Pelayanan Medik

Departemen Kesehatan RI, 2005), yaitu :

Input (struktur), ialah segala sumber daya yang diperlukan untuk

melakukan pelayanan kesehatan, seperti tenaga, dana, obat, fasilitas,


15

peralatan, bahan, teknologi, organisasi, informasi, dan lain-lain.

Pelayanan kesehatan yang bermutu memerlukan dukungan input yang

bermutu pula. Hubungan struktur dengan mutu pelayanan kesehatan

adalah dalam perencanaan dan penggerakan pelaksanaan pelayanan

kesehatan.

Proses, ialah interaksi professional antara pemberi layanan dengan

konsumen (pasien/masyarakat). Proses ini merupakan variable

penilaian mutu yang paling penting.

Output (Outcome), ialaha hasil pelayanan kesehatan, merupakan

perubahan yang terjadi pada konsumen (pasien/masyarakat), termasuk

kepuasan dari konsumen tersebut.

Rumah sakit tertentu yang berstatus kepemilikannya di bawah Departemen

Kesehatan, indicator yang digunakan adalah indicator mutu pelayanan rumah

sakit. Proses penyusunannya dilaksanakan pada tahun 1996-1997, dan telah diuji

pada 11 rumah sakit yang tersebar di Indonesia. Kegiatan penyusunan diawali

dengan mencari indicator mana yang dapat dengan mudah dilaksanakan dan

dilakukan inventarisasi data yang tersedia di rumah sakit yang dapat dimanfaatkan

untuk diolah menjadi indicator mutu. Indikator untuk mengukur kinerja rumah

sakit juga mengadop indicator mutu pelayanan rumah sakit. Indikator yang

digunakan untuk mengukur kinerja rumah sakit maupun indicator mutu pelayanan

rumah sakit tidak semuanya dapat diaplikasikan untuk semua rumah sakit pada

umumnya.

2.2.3 Indikator Penilaian Pelayanan Rumah Sakit

Direktorat Jenderal Bina Pelayanan Medik dalam Informasi Rumah Sakit

seri 1 tentang Pelayanan Rumah Sakit,2005, untuk menilai tingkat keberhasilan

atau memberikan gambaran tentang keadaan pelayanan di rumah sakit biasanya

dilihat dari berbagai segi, yaitu :

Tingkat pemanfaatan sarana pelayanan,

Mutu pelayanan,

Tingkat efisiensi pelayanan.


16

Untuk mengetahui tingkat pemanfaatan, mutu dan efisiensi pelayanan rumah sakit

diperlukan beberapa indicator. Selain itu agar informasi yang ada dapat bermakna

harus ada nilai parameter yang akan dipakai sebagai nilai banding antara fakta

dengan standar yang diinginkan.

Terdapat banyak sekali indicator yang dipakai untuk menilai suatu rumah

sakit, yang paling sering dipergunakan diantaranya adalah :

1. Bed Occupancy Rate (BOR)

Yaitu prosentase pemakaian tempat tidur pada satu satuan waktu tertentu.

Indikator ini memberikan gambaran tinggi rendahnya tingkat pemanfaatan dari

tempat tidur rumah sakit.

Rumus : x 100 % (2.1)

Nilai parameter dari BOR ini idealnya antara 60-85%

2. Average Length of Stay (Av LOS)

Yaitu rata-rata lama rawatan seorang pasien. Indikator ini disamping

memberikan gambaran tingkat efisiensi juga dapat memberikan gambaran mutu

pelayanan, apabila diterapkan pada diagnosis tertentu yang dijadikan tracer (yang

perlu pengamatan lebih lanjut).

Rumus : (2.2)

Secara umum LOS yang ideal antara 6 - 9 hari.

3. Bed Turn Over (BTO)

Yaitu frekuensi pemakaian tempat tidur, berapa kali dalam satu satuan

waktu tertentu (biasanya 1 tahun) tempat tidur rumah sakit dipakai. Indikator ini

memberikan gambaran tingkat efisiensi dari pada pemakaian tempat tidur.

Rumus : (2.3)

Idealnya selama satu tahun, 1 tempat tidur rata-rata dipakai 40-50 kali.


17

4. Turn Over Interval (TOI)

Yaitu rata-rata hari, tempat tidur tidak ditempati dari saat terisi ke saat

terisi berikutnya. Indikator ini juga memberikan gambaran tingkat efisiensi dari

pada penggunaan tempat tidur.

Rumus : (2.4)

Idealnya tempat tidur kosong hanya dalam waktu 1 - 3 hari.

5. Net Death Rate (NDR)

Yaitu angka kematian > 48 jam setelah dirawat untuk tiap-tiap 1000

penderita keluar. Indikator ini dapat memberikan gambaran mutu pelayanan di

rumah sakit.

Rumus : X1000% (2.5)

Nilai NDR yang dianggap masih dapat ditolerir adalah < 25 per 1000 penderita

keluar.

6. Gross Death Rate (GDR)

Yaitu angka kematian umum untuk tiap-tiap 1000 penderita keluar.

Rumus : X 1000% (2.6)

Nilai GDR ideal < 45 per 1000 penderita keluar.

7. Rata-rata Kunjungan Poliklinik per hari

Indikator ini dipakai untuk menilai tingkat pemanfaatan poliklinik rumah

sakit. Angka rata-rata ini apabila dibandingkan dengan jumlah penduduk

diwilayahnya akan memberikan gambaran cakupan pelayanan dari suatu rumah

sakit.

Rumus : (2.7)


18

8. Kegiatan Klinik Unit Darurat

Angka kematian di Klinik Unit Darurat, dibandingkan dengan jumlah

pasien di Unit Darurat.

Rumus : (2.8)

9. Kegiatan Kebidanan/Persalinan

Jumlah lahir hidup dan lahir mati dibandingkan dengan total persalinan.

Rumus : (2.9)

10. Kegiatan Pembedahan

Prosentase pembedahan menurut golongan operasi

11. Kegiatan Pemeriksaan Laboratorium

Prosentase pemeriksaan laboratorium menurut masing-masing kategori.

12. Kegiatan Keluarga Berencana Rumah Sakit

Jumlah peserta KB baru di RS, keluhan/efek samping.

13. Kegiatan Rujukan

Jumlah pasien rujukan dan pasien dirujuk dengan total pasien.

14. Cara Pembayaran

Perbandingan antara pasien yang membayar, Asuransi, keringanan, gratis

dengan total pasien.

2.3 Analisis Multivariat

Menurut Hair, Black, Babin, Anderson, Tathan, 2006, analisis data

multivariat adalah semua metode statsitik yang secara serempak menganalisis

berbagai pengukuran pada masing-masing individu/objek yang diinvestigasi. Hal

ini dilakukan antara lain untuk pengukuran, menjelaskan dan memprediksi, serta

untuk pengujian hipotesis terhadap objek yang diinvestigasi.


19

2.3.1 Skala Pengukuran

Terdapat dua macam jenis data yaitu.

• Skala Pengukuran Non Metrik

Data non metrik adalah berupa atribut, karakteristik atau kategorikal yang

mengidentifikasi atau menggambarkan sebuah subjek, bisa berupa nominal

ataupun ordinal. Nominal dapat diartikan sebagai jumlah angka yang

mengidentifikasi objek.

• Skala pengukuran Metrik

Data metrik didefinisikan dengan angka, bisa berupa rasio atau interval.

Rasio merupakan pengukuran yang lebih presisi dari interval karena

mereka mengelompokkan semua dalam skala terendah dan zero poin yang

absolut. Interval menyajikan tingkatan level pada pengukuran presisi yang

mendekati operasi atau perhitungan matematika.

2.3.2 Tipe-Tipe Teknik Multivariat

Analisis multivariat merupakan seperangkat teknik pengembangan yang

pernah ada untuk menganalisis data. Teknik-teknik multivariat ini terbagi menjadi

dua yaitu :

1. Teknik Dependence

Sebuah atau seperangkat variabel diidentifikasi sebagai variable dependent

berdasarkan prediksi atau penjelasan dari variabel lainnya yang diketahui

sebagai variabel independent. Yang termasuk dalam teknik ini adalah :

a. Multiple Regression, digunakan untuk menguji hubungan antara

sedikitnya dua variabel independent dengan skala interval dan satu

variabel dependent juga dengan skala interval.

b. Multiple Discriminant Analysis, digunakan untuk memprediksi

peluang objek yang terlibat dalam dua atau lebih kategori mutually

exclusive (variabel dependent) berdasarkan pada beberapa variabel

independent. Atau deengan kata lain variabel dependent non

metrik/kategorikal diprediksi oleh beberapa variabel independent

metrik.


20

c. Logit atau Logistik Regression, apabila satu variabel dependent non

metrik diprediksi oleh beberapa variabel independent metrik.

d. Manova dan Covariance merupakan teknik statistik yang

menyediakan tes perbedaan rata-rata antara grup untuk dua atau lebih

variabel dependent. Dimana beberapa variabel dependent metrik

diprediksi oleh seperangkat variabel independent non

metrik/kategotikal.

e. Conjoint Analysis, digunakan untuk mengerti pilihan responden

terhadap produk dan jasa.

f. Canonical Correlation. Apabila terdapat dua atau lebih kriteria

variabel (variabel dependent) dengan banyak variabel prediktor

(variabel independent). Ini merupakan perluasan dari multiple regresi.

g. Structural Equations Modeling (SEM) merupakan berbagai perkiraan

hubungan interrelated dependence berdasarkan pada dua komponen,

yaitu struktur model dan model pengukuran.

2. Teknik Interdependence

Teknik ini melibatkan analisa bersama dari semua variabel, tanpa

membedakan variabel dependent dan independent. Yang termasuk ke

dalam teknik ini adalah :

a. Principal Component dan Common Factor Analysis, digunakan untuk

menganalisis hubungan struktur antara sejumlah besar variabel untuk

menentukan seperangkat dimensi umum faktor.

b. Cluster Analysis, yaitu kelompok objek (responden, produk, dll) yang

masing-masing objek sama dengan yang lainnya dalam satu kluster

dan berbeda dari objek lain dalam kluster lainnya.

c. Multidimensional Scalling (perceptual mapping), digunakan untuk

mengidentifikasi dimensi-dimensi yang tidak dikenali yang

mempengaruhi prilaku pembelian berdasarkan pada pertimbangan

pelanggan (kesamaan atau pilihan) dan mentransformasiny ke jarak

representasi sebagai peta persepsi.


21

d. Correspondence Analysis, menggunakan data non metrik dan

mengevaluasi hubungan linear dan non linear dalam usaha untuk

mengembangkan peta perseptual yang merepresentasikan hubungan

antara objek dan sebuah penjelasan karakteristik objek tersebut.

2.4 Asumsi-Asumsi Analisis Multivariat

Banyak asumsi yang dibutuhkan dalam teknik multivariat, empat

diantaranya memberikan pengaruh yang sangat kuat dalam setiap teknik statistik

univariate dan multivariat.

2.4.1 Normality

Asumsi mendasar dalam analisis multivariate adalah normality, berkaitan

dengan bentuk distribusi data untuk sebuah variabel metrik dan hubungannya

kepada distibusi normal. Jika variasi dari distribusi normal begitu besar, semua

hasil tes statistik menjadi tidak benar, karena normality dibutuhkan untuk

pengujian F dan t. Metode statistik univariate dan multivariate didasarkan pada

asumsi univariate normality, dengan metode multivariate juga diasumsikan

multivariate normality.

Univariate normality untuk satu variabel sangat mudah untuk diuji,

multivariate normality (kombinasi dari dua atau lebih variabel) berarti bahwa

variabel individu bersifat normal dalam sudut pandang univariate dan

kombinasinya juga normal.

Penaksiran dari nonnormality adalah berdasarkan dua dimensi yaitu

bentuk dari distribusi serta ukuran sampel. Bentuk distribusi bisa digambarkan

dalam dua bentuk yaitu kurtosis dan skewness. Kurtosis berkaitan dengan puncak

distribusi yang rendah (peakness) dan puncak distribusi yang terlalu tinggi

(flattness) dibandingkan dengan distibusi normal. Skewness digunakan untuk

menggambarkan keseimbangan distribusi, ini menjadi tidak seimbang jika

bergeser ke satu sisi (kiri atau kanan). Positif skew apabila bergeser kiri,

sedangkan negatif skew direfleksikan oleh pergeseran ke kanan.

Ukuran sampel mempunyai pengaruh dalam meningkatkan kekuatan

statistik dengan cara mengurangi sampling error. Jika ukuran sampel besar akan

mengurangi dampak nonnormality. Dalam sampel pengamatan sebanyak 50 atau


22

kurang, khususnya jika sampel kurang dari 30, ini akan memberikan dampak

signifikan terhadap normality.

Sejumlah transformasi data tersedia untuk mengakomodir distribusi yang

tidak normal. Bagaimanapun, ketika menguji dengan menggunakan mtode

multivariat, seperti multivariate regression atau multivariate analysis of variance,

sebaiknya kita menggunakan multivariate normality (variabel dalam individu

normal, begitu juga kombinasinya). Jika ketidaknormalan data telah terindikasi,

ini juga akan berkontribusi terhadap pelanggaran asumsi lainnya.

Gambar 2.1 Normal Probability Plots and Corresponding Univariate Distribution

Sumber : Hair, Black, Babin, Anderson, Tatham, 2006

2.4.2 Homoscedasticity

Homoscedasticity berhubungan dengan asumsi bahwa variabel dependent

menunjukkan tingkat variansi yang sama terhadap rentang variabel-variabel

prediktor. Homoscedasticity sangat diperlukan karena variansi dari variabel

dependent akan dijelaskan dalam hubungan ketergantungan harus tidak

terkonsentrasi hanya dalam rentang terbatas dari nilai independent. Dalam

beberapa situasi, terdapat banyak perbedaan nilai dari variabel dependent pada Universitas Indonesia

23

masing-masing nilai variabel independent. Untuk hubungan ini harus benar-benar

diperoleh, penyimpangan (variansi) dari nilai variabel independent harus benar-

benar sama dengan masing-masing nilai variabel prediktor. Jika penyimpangan ini

tidak sama, hubungan ini disebut heteroscedasticity.

Variabel heteroscedatic bisa diatasi dengan transformasi data seperti

distribusi yang tidak normal sebelumnya. Seperti yang dijelaskan sebelumnya,

seringkali heteroskedasticity dihasilkan dari variabel-variabel yang tidak normal.

2.4.3 Linearity

Sebuah asumsi implisit untuk semua teknik multivariat yang berdasarkan

pada pengukuran korelasi, seperti multiple regression, logistic regression, factor

analysis, dan structural equation modelling, adalah linearity. Karena korelasi

hanya akan terlihat dengan hubungan linear dari variabel-variabel, pengaruh

nonlinear tidak akan merepresentasikan nilai korelasi.

Cara yang paling umum digunakan untuk melihat linearity adalah menguji

scatterplot dari variabel-variabel. Jika terdeteksi ada hubungan nonlinear,

pendekatan yang digunakan adalah secara langsung mentransform satu atau kedua

variabel untuk mencapai linearity.

2.4.4 Absence of Correlated Errors

Prediksi dalam beberapa teknik dependent tidaklah sempurna.

Bagaimanapun kita berusaha untuk memastikan bahwa kesalahan prediksi (eror)

yang satu tidak saling berhubungan dengan yang lainnya.

Salah satu penyebab pelanggaran asumsi ini adalah karena proses

pengumpulan data. Faktor yang sama akan berpengaruh kuat pada satu kelompok

tetapi mungkin tidak bagi kelompok lainnya. Jika kelompok dianalisa secara

terpisah, pengaruhnya adalah tetap dalam masing-masing kelompok dan tidak

berdampak pada hubungan perkiraan. Tetapi jika pengamatan dari kedua

kelompok dikombinasikan, kemudian perkiraan hubungan akhir harus

dikompromikan antara dua hubungan aktual. Dampak dari kombinasi ini berperan

penting terhadap hasil yang berat sebelah (biased) karena sebuah penyebab yang

tak ditentukan berdampak pada hubungan perkiraan.


24

Sumber correlated error lainnya adalah data time series. Data untuk setiap

periode sangat berhubungan dengan data periode sebelumnya atau sesudahnya.

Untuk mengatasi correlated error ini bisa dilakukan dengan memasukkan faktor

penyebab mengabaikannya dengan menyatakan alasan-alasannya ke dalam

analisis multivariat.

2.5 Transformasi Data

Transformasi data menyediakan sebuah cara untuk memodifikasi variabel-

variabel untuk satu atau dua alasan berikut : (1) untuk memperbaiki pelanggaran

dari asumsi-asumsi statistik dalam teknikk multivariat, atau (2) untuk

meningkatkan hubungan (korelasi) di antara variabel-variabel. Transformasi data

bisa didasari oleh alasan secara teoritikal (transformasi yang kepantasannya

adalah berdasarkan pada sifat dari data) atau asal data (dimana transformasi sangat

disarankan dengan sebuah pengujian data).

a. Transformasi Untuk Mencapai Kenormalan dan Homoscedasticity

Transformasi data menyediakan cara mendasar untuk memperbaiki

ketidaknormalan dan heteroscedasticity. Dalam hal ini, pola dari variabel-variabel

menentukan transformasi secara spesifik. Untuk distribusi yang tidak normal, dua

pola yang biasa terjadi adalah flat distibution atau skewed distribution. Untuk flat

distribution, transformasi yang bisa dilakukan adalah inverse (contoh : 1/Y atau

1/X). Skewed distibution bisa ditransformasi dengan hubungan akar pangkat dua,

logaritma, kuadrat atau kubik (X2 atau X3) atau bahkan invers dari variabel.

Biasanya, skewed distibution negatif sebaiknya ditransformasikan dengan

menerapkan transformasi kuadrat atau kubik, dimana logaritma dan akar pangkat

dua biasanya bekerja dengan baik pada positif skewess. Dalam beberapa hal,

peneliti bisa menerapkan semua transformasi yang mungkin dan kemudian

memilih variabel transformasi yang paling tepat.

Heteroscedasticity adalah sebuah permasalahan yang berhubungan, dan

dalam beberapa hal menghilangan masalah ini akan terselesaikan dengan

menyelesaikan permasalahan normality secaa baik. Heteroscedasticity juga

disebabkan oleh distribusi dari variabel-variabel. Ketika memeriksa scatterplot,

pola yang biasa terjadi adalah distribusi berbentuk kerucut. Jika kerucut ny


25

membuka ke kanan, lakukan invers; jika kerucutnya terbuka ke kiri, lakukan

dengan akar pangkat dua. Beberapa trnasformasi bisa dihubungkan dengan tipe

data tertentu. Contohnya, jumlah frekuensi disarankan dengan sebuah

transformasi akar pangkat dua; proporsi sebaiknya dtransformasi dengan arcsin

(Xnew = 2 arcsin oldX ); dan perubahan proporsi sebaiknya ditangani dengan

logaritma terhadap variabel. Dalam semua hal, sekali transformasi dilakukan, data

yang telah ditransformasikan harus diuji untuk melihat apakah asumsi yang

diinginkan telah dicapai.

b. Transformasi Untuk Mencapai Linearity

Sejumlah prosedur tersedia untuk mencapai linearity di antara dua

variabel, tetapi dalam hubungan nonlinear sederhana bisa ditempatkan pada salah

satu dari empat kategori seperti pada gambar 2.2.

Log X -1/X

X

Log Y -1/Y

YY Y

Y2

X2

X X

b. a.

Log Y -1/Y

Y

X2

X

Y

Log X -1/X

X

Y2Y

X

d. c.

Gambar 2.2 Pemilihan Transformasi Untuk Mencapai Linearity Sumber : Hair, Black, Babin, Anderson, Tatham, 2006

Dalam masing-masing kuadran, diberikan transformasi yang paling potensial

untuk kedua variabel dependen maupun independen. Contohnya, jika hubungan

terlihat seperti gambar 2.2 a, maka variabelnya bisa dikuadratkan untuk mencapai

linearity.Ketika tersedia beberapa alternatif transformasi, mulai dari metode yang

paling atas untuk masing-masing kuadran dan bergerak ke bawah sampai linearity Universitas Indonesia

26

dicapai. Sebuah pendekatan alternatif adalah dengan menggunakan variabel

tambahan, yang disebut polynomial, untuk merepresentasikan komponen

nonlinear.

Terdapat beberapa poin yang perlu diingat ketika melakukan transformasi

data, berikut beberapa aturan yang harus diikuti :

• Untuk menduga pengaruh potensial dari sebuah transformasi,

hitung rasio mean dan standar deviasi variabel. Efeknya akan

terlihat jika diperoleh rasio kurang dari empat. Jika transformasi

bisa dilakukan pada kedua variabel, pilih variabel dengan rasio

terkecil,

• Transformasi harus diterapkan untuk variabel independen kecuali

dalam kasus heteroscedasticity,

• Heteroscedasticity bisa diselesaikan hanya dengan

mentransformasi variabel dependen dalam sebuah hubungan

dependen, dan jika memungkinkan harus ditransformasi pada

variabel dependen,

• Transformasi bisa merubah interpretasi terhadap variabel,

contohnya variabel yang ditransformasi dengan menggunakan

logaritma menterjemahkan hubungannya dalam sebuah pengukuran

pada perubahan proporsi (elasticity); selalu yakin untuk

mengembangkan sepenuhnya kemungkinan interpretasi dari

variabel-variabel yang ditransformasi,

• Menggunakan variabel dalam format asli (tanpa ditransformasi)

ketika menginterpretasikan hasil.

2.6 Multiple Regression Analysis

Multiple regression analysis digunakan untuk menguji hubungan antara

sedikitnya dua variabel independent dengan skala interval dan satu variabel

dependent juga dengan skala interval.

Contoh model regresi bisa dinyatakan sebagai berikut :

Perkiraan jumlah = intercept + perubahan jumlah kartu x Ukuran keluarga Kartu kredit yang kredit karena perubahan satu unit ukuran keluarga


27

Atau

Y = b0 + b1 V1

Interpretasi dari persamaan tersebut adalah :

1. Koefisien regresi. Perkiraan perubahan dari variabel dependen untuk setiap

unit perubahan variabel independen. Jika variabel independen ditemukan

secara signifikan berpengaruh (koefisien benar-benar signifikan berbeda

dari nol), nilai dari koefisien regresi mengindikasikan seberapa besar

hubungan variabel independent tersebut terhadap variabel dependennya.

2. Intercept. Interpretasi intercept kadang-kadang berbeda. Intercept adalah

hanya sebagai nilai explanatory dalam rentang nilai variabel-variabel

independen. Lebih dari itu, interpretasinya berdasarkan pada karakteristik

dari variabel independen :

a. Dalam hubungan sederhana, intercept adalah hanya sebagai nilai

interpretif jika variabel independen bernilai nol. Contoh, misalkan

variabel independennya adalah biaya periklanan. Jika dalam kenyataan

atau pada beberapa kondisi, tidak ada periklanan yang dilakukan, maka

nilai intercept akan merepresentasikan nilai variabel dependen ketika

biaya periklanan nol,

b. Jika nilai independen merepresentasikan sebuah pengukuran yang

tidak pernah bisa mempunyai nilai sebenarnya nol (seperti tingkah laku

atau persepsi), intercept membantu dalam meningkatkan proses

prediksi, tetapi tidak mempunyai nilai eksplanatory.

Tahapan dalam multiple regression analysis :

2.6.1 Sasaran dari Multiple Regression

Tahap awal dalam memulai multiple regression analysis adalah penentuan

permasalahan penelitian. Dalam memilih pengaplikasian multiple regresi, peneliti

harus mempertimbangkan tiga isu utama, yaitu :

Ketepatan permasalahan penelitian,

Aplikasi multiple regresi terbagi menjadi dua kelas berdasarkan

permasalahan penelitian, yaitu prediksi dan penjelasan. Satu tujuan

fundamental dari multiple regresi adalah untuk memprediksi variabel


28

dependen dengan seperangkat variabel independen. Multiple regresi juga

mempunyai tujuan penjelasan, yaitu meberikan arti dari derajat dan

karakter hubungan antara variabel dependen dan independent dengan

membentuk variate dari variabel independen dan kemudian menguji

magnitude, tanda, dan signifikansi statistik dari koefisisen regresi untuk

masing-masing variabel independen.

Spesifikasi sebuah hubungan statistik,

Multiple regresi tepat jika peneliti tertarik dalam hubungan statistik, bukan

hubungan fungsi. Karena dalam hubungan statistik pasti terdapat error

dalam perkiraan kita.

Pemilihan dependent dan independent variabel.

Karena multiple regresi adalah teknik dependen, peneliti harus

menentukan variabel dependent dan indenpendent.

2.6.2 Rancangan Penelitian Multiple Regression Analysis

Peneliti harus memperhatikan tiga fitur, yaitu

Ukuran Sampel,

Ukuran sampel mempunyai pengaruh langsung terhadap ketepatan dan

kekuatan statistik dari multiple regresi. Aturan umum tentang rasio

pengamatan terhadap variabel independent tidak boleh kurang dari 5:1,

artinya lima pengamatan dibuat untuk masing-masing variabel

independent dalam variate. Walaupun rasio minimumnya adalah 5:1, tetapi

dibutuhkan 15 sampai 20 pengamatan untuk masing-masing variabel

independent. Jika level ini tercapai, maka hasilnya akan mewakili secara

keseluruhan karena sampel yang digunakan sudah representatif.

Elemen Unik dari Hubungan Dependence,

Hubungan dasar yang digambarkan dalam multipel regresi adalah liner

antara metric variabel dependent dan independent berdasarkan pada

korelasi produk momen. Satu permasalahan yang dihadapi oleh peneliti

adalah jika data yang dimiliki adalah non mentric. Selain itu, multiple

regresi tidak bisa secara langsung memodelkan hubungan nonlienear.


29

Dalam situasi ini, harus dihasilkan satu variabel baru dengan transformasi

atau mengubah data nonmetrik dengan variabel dummy.

Sifat dari Variabel Independent (tetap atau random).

2.6.3 Asumsi-asumsi dalam Multiple Regression

Asumsi-asumsi yang harus diuji dalam multiple regression analysis yaitu

(1) linearity dari fenomena yang diukur, (2) Variansi yang konstan dari eror

(homoscedasticity), (3) eror yang bebas atau tidak saling berhubungan

(autokorelasi), (4) Normality dari distribusi eror. Jika semua asumsi terpenuhi,

maka plot residualnya berbentuk null plot seperti gambar 2.3 (a).

Linearity adalah hubungan antara variabel dependen dan independen

merepresentasikan pada tingkat mana perubahan variabel dependen dihubungkan

dengan variabel independen. Konsep korelasi adalah berdasarkan pada sebuah

hubungan yang linear. Linearity dari beberapa hubungan bivariate secara mudah

diuji melalui plot residunya. Gambar 2.3 (b) menunjukkan pola residual yang

mengindikasikan hubungan nonlinear dalam model yang ada saat ini. Dalam

multiple regresi dengan lebih dari satu variabel, sebuah pengujian residual hanya

menunjukkan kombinasi dampak dari semua variabel independen, tetapi tidak bisa

menguji variabel independen secara terpisah dalam sebuah plot residual. Untuk itu

digunakan parsial regression plots yang akan menunjukkan hubungan satu

variabel independen terhadap variabel dependen, mengontrol semua efek dari

semua variabel-variabel independen. Oleh karena itu, parsial regression plots

menggambarkan hubungan yang unik antara variabel dependen dan variabel

independen.

Adanya variansi yang tidak sama (heteroscedasticity) adalah salah satu

pelanggaran asumsi yang biasa terjadi. Diagnosisnya dibuat dengan plot residu

atau pengujian statistik sederhana. Plot residual (studentized) dengan nilai

dependen perkiraan dan membandingkannya pada null plot. Gambar 2.3 (a)

menunjukkan pola yang konsisten jika variansinya tidak konstan. Pola yang

mungkin terjadi adalah bentuk triangel yang ditunjukkan secara langsung pada

gambar 2.3 (c). Pola berbentuk berlian gambar 2.3 (d) bisa dikira-kira persentasi

dimana lebih banyak variasi pada midrange daripada pada ujungnya. Beberapa


30

kali, sebuah pelanggaran diperoleh secara bersamaan, seperti nonlinearity dan

heteroscedasticity dalam gambar 2.3 (h).

Gambar 2.3 Graphical Analysis Of Residual Sumber : Hair, Black, Babin, Anderson, Tatham, 2006

Dalam regresi kita berasumsi bahwa masing-masing nilai perkiraan adalah

independen, yang berarti bahwa nilai yang diperkirakan tidak berhubungan

terhadap prediksi lainnya. Untuk mengidentifikasinya dapat dilakukan dengan plot

residual terhadap beberapa variabel yang mungkin berurutan. Jika plot residual

independen, pola kelihatan acak dan sama dengan residual nuul plot. Pelanggaran

akan bisa diketahui dengan sebuah pola residual yang konsisten. Gambar 2.3 (e)

menggambarkan sebuah plot residual yang menunjukkan hubungan antara

residual dan waktu. Pola lainnya ditunjukkan dalam gambar 2.3 (f). Pola ini

diperoleh jika kondisi model dasar berubah tetapi tidak dimasukkan ke dalam

model. Misalnya penjualan pakaian renang diukur per bulan selama 12 bulan,


31

dengan dua musim dingin dan satu musim panas, tidak ada faktor cuaca yang

diperkirakan.

Pelanggaran asumsi yang mungkin paling sering terjadi adalah

nonnormality dari variabel independen atau variabel dependen atau keduanya.

Diagnosa yang paling sederhana adalah dengan menggunakan sebuah histogram

dari residual, dengan pengujian visual untuk sebuah distribusi yang kurang lebih

distribusi normal seperti ditunjukkan gambar 2.3 (g). Metode ini menjadi sulit

diterapkan untuk smpel yang sedikit. Metode yang lebih baik digunakan adalah

menggunakan normal probability plots. Ini berbeda dengan plot residual dalam

standardized residual dibandingkan dengan distribusi normal. Distibusi normal

membuat sebuah garis lurus diagonal, dan residual yang telah diplot dibandingkan

dengan diagonal tersebut. Jika sebuah distribusi normal, maka garis residualnya

mengikuti diagonal.

2.6.4 Memperkirakan Model Regresi dan Menaksir Keseluruhan Model

Ada tiga tugas dasar yaitu :

a. Memilih metode untuk metode regresi spesifik yang akan diestimasi

Ada tiga pendekatan yang dapat digunakan untuk menentukan model

regresi. Pendekatan tersebut, (1) Confirmatory Specification, cara yang peling

sederhana dan paling banyak diminati. Dimana peneliti menentukan secara tepat

variabel-variabel independen yang akan dimasukan dalam model regresi.

Dibandingkan dengan pendekatan sequential atau combinatorial yang akan

didiskusikan di bawah, pendekatan ini memugkinkan peneliti untuk mengontrol

secara penuh terhadap pemilihan variabel.

(2) Sequential Search Methods, ada dua tipe dalam pendekatan ini, yaitu

stepwise estimation (dimulai dengan model regresi sederhana dengan

memasukkan variabel independen yang mempunyai korelasi paling tinggi Y = b0

+ b1X1, kemudian dilihat porsi signifikan variabel yang paling tinggi untuk

kemudian dimasukan kembali dalam persamaan regresi. Olah kembali persamaan

regresi dengan dua variabel independen tersebut, jika tidak memberikan hasil

yang signifikan, maka variabel tersebut dikeluarkan dari persamaan regresi. Jika

memberikan nilai yang signifikan maka variabel tersebut dimasukkan dalam


32

persamaan regresi yang mejadi Y = b0 + b1X1 + b2X2. Lakukan prosedur ini untuk

semua variabel independen. Forward addition dan backward elimination, caranya

hampir sama dengan stepwise estimation, tetapi forward addition dimulai dengan

persamaan regresi dengan satu variabel independen sedangkan backward

elimination dimulai dengan persamaan regresi dengan memasukkan seluruh

variabel independen ke dalamnya, dan kemudian menghilangkan variabel

independen yang tidak memberikan kontribusi yang signifikan. Perbedaan utama

dari stepwise estimation dari forward addition dan backward elimination adalah

kemampuan menambah atau menghapus variabel-variabel pada masing-masing

tahap. Sekali variabel tersebut sudah ditambahkan atau dihapus dari persamaan,

tidak boleh dilakukan lagi dalam tahap berikutnya. Bagi beberapa peneliti,

sequential search methods kelihatannya merupakan solusi yang sempurna jika

dihadapkan dengan pilihan pendekatan confirmatory untuk mencapai kekuatan

prediksi maksimum dengan hanya variabel-variabel yang berkontribusi signifikan.

Tetapi ada beberapa kekurangan dalam penggunaan sequential search methods

ini, yaitu pertama, multicolinearity menjadi kurang dipertimbangkan dalam

interpretasi model bukan hanya menguji persamaan regresi akhirnya saja, kedua,

semua sequential search methods memberikan kontrol yang kurang bagi

penelitinya. Metode ini menjadi sering digunakan karena efisiensinya dalam

memilih seperangkat variabel dependen yang memaksimalkan keakuratan

prediksi. Dengan kelebihan ini menjadi potensial untuk menyesatkan dalam

penjelasan hasil, dimana hanya seperangkat variabel yang berkorelasi tinggi saja

yang dimasukkan dalam persamaan dan menghilangkan kontrol terhadap

menentukan model.

(2) Combinatorial approach, menggunakan semua kombinasi variabel

independent yang mungkin dalam pengujian dan seperangkat variabel yang paling

tepat yang diidentifikasi. Contohnya, sebuah model dengan 10 variabel

independen dengan 1024 kombinasi regresi yang mungkin.

b. Menaksir nilai signifikan statistik dari seluruh model dalam memprediksi

variabel dependent.

Dengan variabel-variabel independen yang telah dipilih dan koefisien

regresi yang telah diestimasi, peneliti sekarang harus menaksir model yang telah


33

diperkirakan untuk menemukan asumsi-asumsi dalam multiple regresi. Pengujian

yang perlu dilakukan yaitu pengujian signifikan dari keseluruhan model dengan

menggunakan uji F dan juga uji t untuk pengujian signifikan terhadap koefisien

model regresi.

c. Menentukan apakah ada observasi yang memberi pengaruh pada hasil.

Sekarang fokus pada indentifikasi pola umum dalam keseluruhan

pengamatan. Disini kita menggeser perhatian kita pada pengamatan individu,

dengan sasaran untuk menemukan pengamatan yang berada di luar pla umum data

atau pengamatan yang memberikan pengaruh sangat kuat pada hasil regresi.

Pengamatan ini tidak dibutuhkan dan harus dihapus. Dalam beberapa hal mereka

merepresentasikan elemen tersenderi dari seperangkat data. Bagaimanapun kita

harus mengidentifikasi dan menaksir dampaknya sebelum memprosesnya lebih

lanjut.

2.6.5 Interpretasi Variabel Regresi

Pada tahap ini dilakukan interpretasi variate regresi dengan mengevaluasi

koefisien regresi yang telah diestimasi untuk penjelasan terhadap variabel

dependen. Selain itu peneliti tidak hanya harus mengevaluasi model regresi yang

sudah diestimasi tetapi juga variabel independen potensial yang dihilangkan jika

menggunakan pendekatan sequential ataupun combinatorial. Selain itu juga perlu

diperhatikan multikolinearity yang terjadi.

Koefisien regresi yang telah diestimasi, atau disimbolkan dengan b

koefisien, merepresentasikan kedua tipe hubungan (positif atau negatif) dan

kekuatan hubungan antara variabel dependen dan independen dalam variate

regresi. Tanda pada koefisien menunjukkan apakah hubungannya positif atau

negatif, sedangkan nilai koefisiennya mengindikasikan perubahan variabel

dependen setiap kali variabel independen berubah satu unit.

Dalam menggunakan koefisien regresi untuk tujuan explanatory, kita

harus memastikan bahwa semua variabel independen berada pada skala yang bisa

dibandingkan. Perbedaan variabilitas dari variabel ke variabel bisa berpengaruh

kuat terhadap besarnya koefisien regresi. Untuk membuat semua variabel

indepeden bisa dibandingkan dalam skala dan variabilitas, maka digunakan


34

modifikasi koefisien regresi yang disebut beta koefisien. Keuntungan penggunaan

beta koefisien ini adalah bisa mengurangi permasalahan karena perbedaan unit

pengukuran. Contoh untuk melihat perbedaan antara koefisien regresi (b) dan beta

(β).

Dalam penggunaan kartu kredit, koefisien regresi (b) dan beta (β) untuk

persamaan regresi dengan tiga variabel independen (V1, V2, V3) ditunjukkan

sebagai berikut :

Koefisien Variabel

Regresi (b) Beta (β)

V1 Family size

V2 Familiy income

V3 Number of Autos

.635

.200

.272

.566

.416

.108

Interpretasi menggunakan koefisien regresi dan koefisien beta (β) benar-baner

memberikan hasil yang berbeda. Koefisien regresi mengindikasikan V1 terlihat

sekali sangat penting dibandingkan dengan V2 dan V3, yang secara kasar

disamakan. Koefisien beta memberikan cerita yang berbeda. V1 adalah masih

yang paling penting, tetapi V2 adalah yang lebih penting sedangkan V3 cukup

penting.

Walaupun koefisien beta merepresentasikan sebuah sasaran pengukuran

kepentingan yang bisa diukur secara langsung dibandingkan, dua hal yang harus

diperhatikan dalam penggunaannya, yaitu :

1. Koefisien beta digunakan sebagai panduan untuk kepentingan relatif

dari variabel independen hanya jika terjadi sedikit collinearity.

Karena collinearity bisa mengganggu kontribusi beberapa variabel

independen jika koefisien beta yang digunakan,

2. Nilai beta bisa diartikan hanya dalam konteks variabel lainnya dalam

persamaan. Contohnya, nilai beta untuk V1 family size menunjukkan

kepentingannya hanya dalam hubungannya dengan V2 familiy

income, tidak dalam pengertian absolut. Jika variabel independen

lainnya ditambahkan dalam persamaan, koefisien beta untuk family

size kemungkinan juga akan berubah, karena beberapa hubungan

antara family size dan variabel baru yang mungkin terjadi. Universitas Indonesia

35

Kesimpulannya penggunaan koefisien beta hanya sebagai panduan untuk

melihat kepentingan relatif dari variabel-variabel independen yang termasuk

dalam persamaan, dan hanya pada variabel-variabel dengan multicolinearity

minimal.

Cara paling sederhana dan paling umum untuk mengidentifikasi

colinearity adalah sebuah pengamatan terhadap matriks korelasi dari variabel

independen. Adanya korelasi yang tinggi (umumnya 0.90 atau lebih) adalah

indikasi pertama terhadap colinearity. Ketidakadaan korelasi yang tinggi,

bagaimanapun juga tidak memastikan ketiadaan colinearity. Colinearity

disebabkan karena dampak kombinasi dari dua atau lebih variabel independent

(disebut multicolinearity).

Untuk menaksir multicolinearity kita harus mengukur sampai tingkat mana

variabel independen dijelaskan oleh variabel-variabel independen lainnya. Dua

pengukuran yang paling biasa digunakan untuk menaksir multiple variabel

collinearity adalah tolerance dan inversnya, variance inflation factor (VIF).

Tolerance adalah jumlah variabilitas dari variabel independen yang tidak

dijelaskan oleh variabel-variabel independen lainnya. VIF adalah 1/tolerance.

Tingginya derajat multicolliearity direfleksikan dengan nilai tolerance yang kecil

dan nilai VIF yang lebih tinggi. Nama VIF diambil dari fakta bahwa akar dari VIF

( VIF ) adalah tingkat dimana standar eror akan meningkat karena

multicolinearity. Ambang batas dari nilai tolerance adalah 0.1 dan VIF 10.

Bagaimanapun, untuk ukuran sampel yang kecil, peneliti bisa membatasi karena

adanya peningkatan standar eror karena multicollinearity.

Menurut Prof. Dr. H. Imam Ghozali, M.Com,Akt uji multikolinearitas

dilakukan untuk membuktikan atau menguji ada tidaknya hubungan yang liner

antara variabel bebas yang satu dengan variabel bebas lainnya. Dalam analisis

multiple regresi, terdapat dua atau lebih variabel bebas atau variabel independen

yang diduga akan mempengaruhi variabel tergantung atau dependennya.

Pendugaan tersebut akan dapat dipertangungjawabkan apabila tidak terjadi

hubungan yang linear antara variabel-variabel indenden. Adanya hubungan yang

linear antar variabel independen akan menimbulkan kesulitan dalam memisahkan


36

pengaruh masing-masing variabel independen terhadap variabel dependennya.

Pelanggaran terhadap asumsi ini akan mengakibatkan :

• Tingkat ketelitian koefisien regresi sebagai penduga sangat rendah, dengan

demikian menjadi kurang akurat,

• Koefisien regresi serta ragamnya akan bersifat tidak stabil, sehingga

adanya sedikit perubahan pada data mengakibatkan ragamnya berubah

sangat berarti,

• Tidak dapat memisahkan pengaruh tiap-tiap variabel independen secara

individu terhadap variabel dependennya.

Dalam Multivariate Analysis, apabila collinearity telah terindikasi, maka

peneliti dapat mengambil beberapa pilihan (Hair, Black, Babin, Anderson,

Tatham, 2006) : (1) Menghilangkan atau mengabaikan variabel independen yang

mempunyai korelasi tinggi dengan memberikan alasan-alasan dan

mengidentifikasi variabel-variabel independen lainnya untuk memprediksi, (2)

Menggunakan model dengan variabel independen berkorelasi tinggi hanya untuk

prediksi, (3) Menggunakan korelasi sederhana antara masing-masing variabel

independen dan variabel dependen untuk mengerti hubungan vaiabel independen

dan dependen, (4) Menggunakan metoda analisis yang terpercaya seperti bayesian

regression (atau sebuah kasus tertentu – ridge regression) atau regresi pada

komponen utama untuk memperoleh sebuah model yang lebih baik merefleksikan

efek sederhana dari variabel-variabel independen.

2.6.6 Validasi Hasil

Pendekatan empiris validasi yang paling tepat adalah pengujian model

regresi dengan sampel baru yang diambil dari populasi umum. Sampel baru itu

akan memastikan kemampuan represetatif dan bisa digunakan dengan beberapa

cara. Pertama, model original bisa memprediksi nilai dari sampel baru, dan

perkiraan yang cocok bisa dihitung. Kedua, sebuah model tersendiri bisa

diestimasi dari sampel yang baru kemudian membandingkannya dengan

persamaan original pada karakteristik-karakteristik seperti signifikan variabel

termasuk tanda, ukuran dan tingkat kepentingan relatif dari variabel, dan

keakuratan prediksi.


37

BAB 3 METODE PENELITIAN

3.1 Pengumpulan Data

3.1.1 Penentuan Rumah Sakit Yang Diteliti

Di provinsi Riau terdapat 42 buah rumah sakit umum mulai dari rumah

sakit pemerintah, swasta, BUMN maupun TNI/POLRI. Rumah sakit yang

terbanyak adalah rumah sakit yang dikelolah oleh pihak swasta yaitu berjumlah

18 buah. Dilihat dari jumlah tempat tidur serta pelayanan yang dimiliki oleh

rumah sakit, rata-rata rumah sakit di provinsi Riau berada pada kelas D, kecuali

rumah sakit umum Pekanbaru yang berada pada kelas B1 (rumah sakit

pendidikan), serta tiga rumah sakit swasta yang berada pada kelas C. Namun dari

tiga rumah sakit swasta ini, dua rumah sakit telah terakreditasi oleh Departemen

Kesehatan RI.

Dilihat dari segi industri, maka rumah sakit swastalah yang menjadi

perhatian untuk diteliti lebih lanjut. Berdasarkan pertimbangan itulah maka

penelitian dilakukan pada dua rumah sakit swasta tersebut. Rumah sakit-rumah

sakit itu adalah Rumah Sakit Awal Bros dan Rumah Sakit Islam Ibnu Sina.

Kedua rumah sakit ini merupakan rumah sakit umum yang menyelenggarakan

pelayanan kesehatan semua bidang dan jenis penyakit.

3.1.2 Profil Rumah Sakit

3.1.2.1 Rumah Sakit Awal Bros

Rumah Sakit Awal Bros adalah salah satu Rumah Sakit swasta di

Pekanbaru. Berlokasi di jalan protocol, jalan Jenderal Sudirman No.117, dengan

kapasitas 166 tempat tidur termasuk ruang perawatan bayi sehat. Ide didirikannya

Rumah Sakit Awal Bros Pekanbaru, bermula dari keinginan mulia seorang tokoh

masyarakat Riau yang juga dikenal sebagai pengusaha yang sukse, Alm. H.

Awaloeddin. Beliau menginginkan agar di Pekanbaru berdiri sebuah rumah sakit

yang lengkap dengan segala fasilitas kesehatannya dan didukung oleh sumber

daya manusia yang professional sehingga masyarakat Pekanbaru khususnya dan

Riau pada umumnya yang memerlukan pelayanan kesehatan sehingga tidak perlu


38

lagi harus ke luar negeri. Keinginan tersebut terwujud dan pada 29 Agustus 1998

RS Awal Bros diresmikan oleh gubernur Riau saat itu H. Soeripto.

Dengan visi sebagai pusat pelayanan kesehatan yang professional dan

terpercaya dalam segala bentuk pelayanan dan kebijakan mutu memberikan

pelayanan kesehatan secara cepat, tepat, dan ramah oleh tenaga professional

didukung fasilitas yang lengkap dan modern untuk terus-menerus memenuhi

kepuasan pelanggan. Misi mereka adalah :

Memberikan pelayanan kesehatan secara professional berdasarkan

etika profesi untuk kepuasan pelanggan,

Memiliki fasilitas pelayanan kesehatan yang lengkap dan modern,

Menjasi RS rujukan sebagai pilihan masyarakat,

Memberikan nilai tambah bagi pemegang saham dan karyawan untuk

menumbuhkan kebanggan serta loyalitas tinggi bagi semua pihak.

Dengan motto “Kami Peduli Kesehatan Anda”.

3.1.2.2 Rumah Sakit Islam Ibnu Sina

Sebuah cita-cita untuk mendirikan Rumah Sakit Islam (YARSI) Riau

dimulai sejak tahun 1968. Rumah Sakit Islam Ibnu Sina merupakan suatu

bangunan monumental kebanggaan umat Islam baik di Indonesia apalagi di bumi

Lancang Kuning ini. YARSI Riau didirikan pada tanggal 7 Januari 1980 dengan

Akta Pendirian No. 19/1980 dihadapan Notaris Syawal Sutan Diatas.

Sejarah dimulainya kegiatan pembangunan YARSI Riau diawali dengan

lembaran panjang sejarah sebuah gagasan. Pada mulanya, beberapa gagasan

untuk pendirian sebuah rumah sakit yang bernuansa Islami muncul dari keadaan

kebutuhan umat Islami akan pelayanan kesehatan.

YARSI Riau yang telah berganti badan hukum menjadi PT. Syifa Utama

dengan salah satu unit bisnisnya, mengelola sebuah rumah sakit dengan nama

Rumah Sakit Islam (RSI) Ibnu Sina Pekanbaru telah berkembang & mendapat

kemajuan yang pesat. Diawali dari sebuah klinik yang mengontrak sebuah

bangunan dengan seorang dokter hingga kini telah berkembang manjadi sebuah

rumah sakit swasta yang mandapat tempat dihati masyarakat dengan ciri


39

memberikan pelayanan secara Islami lengkap dengan dokter-dokter spesialis &

peralatan menunjang medis yang dibutuhkan.

Visi mereka adalah merwujudkan Rumah Sakit Islam Ibnu Sina

Pekanbaru yang bermutu, islami dan dapat ditauladani. Dengan misi sebagai

berikut :

Memberikan pelayanan kesehatan yang prima dan islami.

Melakukan manajemen peningkatan mutu terus-menerus.

Melaksanakan kerja sama dengan pihak terkait baik dalam maupun

luar negeri.

Memotivasi kinerja karyawan melalui peningkatan profesionalisme

dan penghasilan pegawai.

3.1.3 Identifikasi Variabel

Terdapat enam indikator penilaian keberhasilan pelayanan rumah sakit

yang akan diidentifikasi variabel-variabel yang mempengaruhinya. Identifikasi

variabel-variabel ini dilakukan dengan menggunakan teknik penyebaran

kuesioner dan wawancara langsung kepada pihak-pihak yang terkait dengan

masalah ini seperti manajemen rumah sakit, kepala ruangan di rumah sakit, serta

kepada pihak Dinas Kesehatan Provinsi Riau yang menangani bidang rumah

sakit.

Kuesioner yang disebar berupa kuesioner semi terbuka. Responden diberi

kesempatan menjawab sesuai dengan yang mereka ketahui untuk

mengidentifikasi variabel lain yang belum diduga sebelumnya. Kuesioner

disebarkan sebanyak 45 buah yaitu 20 untuk masing-masing rumah sakit dan

lima untuk Dinas Kesehatan Provinsi Riau.

Dari penyebaran kuesioner tersebut dapat diidentifikasi variabel-variabel

yang mempengaruhi masing-masing indikator penilaian keberhasilan pelayanan

rumah sakit, sebagai berikut :

Tabel 3.1 Variabel Dependent dan Independent

No Indikator / Variabel Dependent (Y) Variabel Independent (X)

1 BOR (Bed Occupancy Ratio

atau persentase pemakaian

Hari perawatan rumah sakit (Pasien)

Adanya kejadian luar biasa (Orang)


40

tempat tidur rumah sakit pada

satu satuan waktu), satuannya

persen.

Jumlah pasien keluar (Pasien)

Keahlian tenaga medis dan paramedic

(Tahun)

Jumlah pasien masuk (Pasien)

2 Av LOS (Average Length of

Stay atau rata-rata lama

rawatan seorang pasien).

Satuannya hari


Jumlah hari perawatan pasien keluar

(hari)

Jenis penyakit yang diderita (Pasien)

Golongan obat paten yang diberikan (%)

3 BTO (Bed Turn Over atau

frekuensi pemakaian tempat

tidur dalam satu satuan

waktu). Satuannya hari.


Jenis penyakit yang diderita (Pasien)

Adanya kejadian luar biasa (Orang)


4 TOI (Turn Over Interval atau

rata-rata hari tempat tidur

tidak ditempati dari saat terisi

ke terisi berikutnya).

Satuannya hari.


Hari perawatan rumah sakit (Pasien)

Adanya kejadian luar biasa (Pasien)


5 NDR (Net Death Rate atau

angka kematian > 48 jam

setelah dirawat). Satuannya

orang dari 1000 pasien.

Jumlah pasien yang keluar (Pasien)

Jumlah pasien mati > 48 jam perawatan

(Pasien)


(Tahun)

Jenis penyakit yang diderita (Penyebab

kematian) (Pasien)

6 GDR (Gross Death Rate atau

angka kematian umum).

Satuannya orang dari 1000

pasien.


Jumlah pasien mati (Pasien)


(Tahun)

Jenis penyakit yang diderita (Penyebab

kematian) (Pasien)

Sumber : Penyebaran Kuesioner, 2009


41

3.1.4 Data Yang Diperlukan

Data-data yang diperlukan adalah berkaitan dengan variabel-variabel

yang mempengaruhi indikator penilaian keberhasilan pelayanan rumah sakit.

Data-data ini diperoleh dari masing-masing rumah sakit yang dijadikan sampel

penelitian dan sebagian data lagi diperoleh dari Dinas Kesehatan Provinsi Riau.

Data diambil selama lima tahun terakhir dan berupa data bulanan yaitu sebanyak

60 bulan. Lebih lengkapnya data dapat dilihat pada lampiran.

3.2 Pengolahan Data

3.2.1 Bed Occupancy Ratio (BOR)

Indikator BOR (Y) disini adalah variabel dependen yang tergantung

kepada beberapa variabel independen seperti hari perawatan rumah sakit (X1),

adanya kejadian luar biasa (X2), jumlah pasien keluar (X3), keahlian tenaga medis

dan paramedic (X4), serta jumlah pasien masuk (X5). Input data-data tersebut ke

program SPSS.

3.2.1.1 Pemenuhan Asumsi Dalam Multiple Regresi

a. Normality

Pengujian normality ini dilakukan dengan menggunakan uji statistik

Kolmogorov Smirnov. Alat uji ini biasa disebut K-S yang tersedia dalam

program SPSS. Tahapan yang dilakukan untuk menguji normalitas dengan

menggunakan uji K-S adalah sbb :

1. Klik menu Analyze, pilih nonparametric tests, pilih dan klik 1-sample K-S.

Maka akan tampil seperti gambar berikut :

Gambar 3.1 Katalog Dialog Uji Normalitas Menggunakan 1-sample K-S


42

Informasi yang terdapat pada kotak sebelah kiri atas merupakan variabel yang

datanya telah ddimasukkan sebelumnya.

2. Pada kotak variabel list isikan variabel-variabel yang akan diuji

normalitasnya, terutama variabel independen (X1, X2, X3, X4, X5). Maka

tampilan akan berubah menjadi :

Gambar 3.2 Katalog Dialog Uji Normalitas Menggunakan 1-sample K-S Setelah Test Variabel List Diisi

3. Dalam Test Distribution pilih normal, kemudian klik OK. Maka akan tampil

hasil sebagai berikut :

Tabel 3.2 Tabel Hasil Pengujian Normality Pada Indikator BOR

Hipotesis yang digunakan untuk menguji normalitas data tersebut adalah

sebagai berikut :


43

Ho : Data tidak terdistribusi secara normal

Hi : Data terdistribusi secara normal

Dengan α = 5 %, maka dibandingkan dengan nilai Asymp. Sig. (2 tailed). Jika

nilai Asymp. Sig. (2-tailed) > α = 5 %, maka Ho ditolak. Dari nilai Asymp. Sig.

(2-tailed) terlihat bahwa semua nilainya > α = 5 %, sehingga disimpulkan bahwa

data terdistribusi normal.

Uji normality untuk model persamaan regresi, yaitu pada nilai residualnya

dilakukan setelah memenuhi semua asumsi dan persamaan regresi ditemukan.

Berikut hasil dari pengolahan residual untuk melihat normality secara grafis

melalui h

istogram dan normal probability plot.

Gambar 3.3 Histogram Residual Model Persamaan Regresi Pada Indikator BOR

ambar 3 tor BOR

G .4 Normal Probability Plot Pada Indika


44

Hasil pengujian normality terhadap re dual dengan pengujian 1-sample K-S

sebagai b

si

erikut :

Tabel 3.3 Tabel Hasil Pengujian Normality Residual Pada Indikator BOR

Dengan hipotesis yang digunakan untuk menguji normalitas residual

rsebut adalah sebagai berikut :

Ho

ara normal

i Asymp. Sig. (2 tailed). Jika

As Ho ditolak. Dari nilai Asymp. Sig.

Dalam penggunaan model multiple regresi, maka pengujian linearity

d k ur. Pendekatan yang digunakan

te

: Residual tidak terdistribusi secara normal

Hi : Residual terdistribusi sec

Dengan α = 5 %, maka dibandingkan dengan nila

nilai ymp. Sig. (2-tailed) > α = 5 %, maka

(2-tailed) terlihat bahwa nilainya 0.268 > α = 5 %, maka Ho ditolak sehingga

disimpulkan bahwa residual terdistribusi secara normal. Hal ini konsisten dengan

jika analisis grafis dari histogram dan normal probability plot sebelumnya.

b. Linearity of the Phenomenon Measured

ilaku an pada variabel-variabel yang akan diuk

adalah analisis tabel anova. Tahapan yang dilakukan untuk pengolahan linearity

dengan menggunakan program SPSS adalah sebagai berikut :

1. Pilih dan klik menu analyze, pilih compare means, kemudian pilih dan klik

pada bagian means.


45

2. Pada bagian kotak Dependent List isikan dengan variabel dependennya yaitu

BOR, dan pada bagian Independent List isikan variabel-variabel

independennya (X1, X2, X3, X4, X5). Maka kotak dialog akan seperti berikut :

Gambar 3.5 Kotak Dialog Means Untuk Menguji Linearity Garis Regresi

3. Pilih dan klik options, pilih dan klik pada Test of Linearity. Kemudian klik

continue dan Ok. Tampilan hasil yang lebih terperinci dapat dilihat pada

lampiran. Berikut disajikan tabel anova untuk masing-masing variabel

independen X1, X2, X3, X4, X5 terhadap variabel dependen BOR (Y).

Tabel 3.4 Tabel Anova Uji Linearity BOR (Y) Terhadap Jumlah Hari Perawatan RS (X1)

Tabel 3.5 Tabel Anova Uji Linearity BOR (Y) Terhadap Kejadian Luar Biasa (X2)


46

Tabel 3.6 Tabel Anova Uji Linearity BOR (Y) Terhadap Jumlah Pasien Keluar (X3)

Tabel 3.7 Tabel Anova Uji Linearity BOR (Y) Terhadap Keahlian Tenaga Medis Paramedis (X4)

Tabel 3.8 Tabel Anova Uji Linearity BOR (Y) Terhadap Jumlah Pasien Masuk (X5)

Hipotesis yang digunakan adalah sebagai berikut :

Ho : Model regresi berbentuk non-linear

Hi : Model regresi berbentuk linear

Dengan α = 5%, maka dibandingkan dengan nilai signifikansi dari Deviation of

Linearity. Jika nilai signifikansi dari Deviation of Linearity > α = 5%, maka Ho

ditolak, berarti model regresi berbentuk linear.

Tabel 3.9 Ringkasan Uji Linearity Garis Regresi Untuk Indikator BOR

Keterangan Sig. Alpha Kondisi Simpulan

Y * X1

Y * X2

Y * X3

Y * X4

Y * X5

0.910

0.054

0.178

0.080

0.423

0.05

0.05

0.05

0.05

0.05

S > α

S > α

S > α

S > α

S > α

Linear

Linear

Linear

Linear

Linear


47

c. Homoscedasticity (Constant Variance of the Error Terms)

Untuk mengetahui terjadi atau tidaknya homoscedasticity dapat dilihat

dari scatterplot antara nilai prediksi variabel dependen BOR dengan nilai

residualnya. Jika tidak ada pola tertentu pada grafik scatterplot SRESID dan

ZPRED, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y,

maka tidak terjadi heteroscedastisitas. Jika scatterplot menunjukkan pola tertentu,

seperti titik-titik yang ada membentuk pola tertentu yang teratur (bergelombang,

melebar kemudian menyempit), maka mengindikasikan terjadinya

heteroskedastisitas. Berikut disajikan scatterplot antara nilai prediksi variabel

dependen BOR dengan nilai residualnya yang diperoleh dari penentuan model

persamaan regresi pada tahap selanjutnya.

Gambar 3.6 Scatterplot Nilai Prediksi BOR Dengan Residualnya

Atau dapat dilakukan uji statistik Park untuk mendeteksi ada atau

tidaknya heteroskedastisitas. Langkah-langkah untuk melakukan pengujian ini

adalah sebagai berikut :

1. Pada saat melakukan penentuan persamaan regresi, telah didapatkan variabel

residual (Ui) dengan memilih Save pada tampilan windows Linear Regression

dan aktifkan unstandardized residual. Lihat gambar 3.7 sebelumnya.

2. Kuadratkan nilai residual (U2i) dengan memilih menu Transform, dan

Compute Variable. Isikan pada kotak Target Variable Kuadrat_Res,

kemudian pada Numeric Expression kudratkan Unstandardized Residual yang

terdapat pada Type and Label dengan menggunakan fungsi-fungsi yang telah


48

disediakan pada Function Group. Untuk lebih jelasnya dapat dilihat pada

gambar sebagai berikut :

Gambar 3.7 Kotak Dialog Compute Variabel

3. Hitung nilai logaritma dari kuadrat residualnya (Ln U2i). Gunakan kembali

menu Transform, dan Compute Variable.

4. Regresikan kembali variabel Ln U2i sebagai variabel dependen dan variabel

independen adalah X1, X2, X4, X5. X3 tidak digunakan karena dihilangkan

dari persamaan sebab menimbulkan multikolinearitas. (Penjelasannya dapat

dilihat pada tahap penentuan persamaan regresi)

Hasil dari pengolahan tersebut adalah sebagai berikut :

Tabel 3.10 Koefisien Regresi Untuk Model Ln U2i = b0 + b1 X1 + b2 X2 + b4 X4 + b5 X5 Pada Indikator BOR


49

Dengan hipotesis yang digunakan adalah sebagai berikut :

Ho : Data bersifat heteroscedatisitas

Hi : Data bersifat homoskedastisitas

Apabila koefisien parameter beta dari persamaan regresi tersebut

signifikan secara statistik sig. < α =5%, hal ini menunjukkan bahwa dalam data

model empiris yang diestimasi terdapat heteroskedastisitas, sebaliknya jika tidak

ada yang signifikan secara statistik, maka asumsi homoscedastisitas pada data

model tersebut diterima.

Karena koefisien parameter beta dari persamaan regresi tersebut tidak ada

yang signifikan secara statistik, sig. > α =5%, maka Ho ditolak, artinya Hi

diterima dan data bersifat homoscedastisitas. Hal ini konsisten dengan hasil

analisis scatterplot sebelumnya yang menunjukkan tidak ada pola yang jelas,

yang berarti bahwa tidak terjadi heteroskedastisitas atau menunjukkan terjadinya

homoskedastisitas.

d. Autokorelasi (Independence of the Error Terms)

Untuk mengetahui terjadi atau tidaknya autokorelasi dapat dilakukan

dengan uji Durbin Watson yang dapat dilakukan bersamaan dengan penentuan

model persamaan regresi. Berikut hasil pengolahannya :

Tabel 3.11 Hasil Pengujian Durbin Watson Pada Indikator BOR

Hipotesis yang akan diuji adalah sebagai berikut :

Ho : Ada autokorelasi (r ≠ 0)

Hi : Tidak ada autokorelasi (r = 0)

Keputusan ada atau tidaknya autokorelasi yaitu apabila du < d < 4 – du,

maka tidak terjadi autokorelasi positif ataupun negatif pada residual model

persamaan regresi tersebut. Du diperoleh dari tabel Durbin Watson.


50

Dengan jumlah variabel independen pada persamaan regresi yang telah

memenuhi asumsi (k) = 4, n = 60 dan α = 5%, maka nilai du = 1.727, d = 2.197,

dan 4-du = 4-1.727 = 2.273. Maka du < d < 4-du terpenuhi, artinya Ho ditolak

dan tidak terjadi autokorelasi pada residual model persamaan regresi tersebut.

3.2.1.2 Penentuan Model Persamaan Multipel Regresi

Setelah masing-masing variabel independen diuji dan memenuhi asumsi

normality dan linearity, maka dilakukan pengolahan dengan menggunakan

program SPSS untuk menentukan model persamaan regresinya. Tahap

pengolahannya adalah sebagai berikut :

1. Pilih menu Analyze klik regression, pilih linear. Pindahkan variabel BOR (Y)

ke kotak Dependent. Dan variabel X1, X2, X3, X4, X5 ke kotak Independent.

Maka tampilannya akan menjadi sebagai berikut :

Gambar 3.8 Kotak Dialog Linear Regression Setelah Pengisian Variabel

2. Kemudian klik Statistics dan klik pada regression coefficients, estimates dan

model fit untuk mengeluarkan hasil koefisien regresi untuk model regresi.

Juga tandai Collinearity Diagnostic untuk melihat hubungan linearitas antara

masing-masing variabel independen. Serta pada Residuals tandai Durbin

Watson untuk melihat autokorelasi pada residual atau Independent of The

Error Terms (asumsi dalam multipel regresi), seperti gambar berikut ini.

Kemudian klik continue.


51

Gambar 3.9 Kotak Dialog Linear Regression : Statistics

3. Kemudian klik Plotts dan pindahkan *SRESID sebagai Y yang telah

diprediksi ke kotak Y dan *ZPRED sebagai residual (Y prediksi – Y

sesungguhnya) ke kotak X untuk mendeteksi Heteroscedasticity (asumsi

dalam multiple regresi). Pada Standardize Residual Plotts tandai Histogram

dan Normal Probability Plot untuk melihat secara grafis normality dari

residual (asumsi dalam multiple regresi). Lebih jelas dapat dilihat pada

gambar sebagai berikut, kemudian klik continue.

Gambar 3.10 Kotak Dialog Linear Regression : Plots

4. Kemudian klik Save, dan pada tandai Unstandardize pada Residual dan

Predicted Value seperti pada gambar berikut. Dan klik continue.


52

Gambar 3.11 Kotak Dialog Linear Regression : Save

5. Setelah selesai, klik pada OK. Maka diperoleh hasil sebagai berikut.

Pada saat melakukan pengujian untuk persamaan multipel regresi, maka

perlu dilihat satu lagi asumsi yaitu multikolinearitas pada tabel coefisien regresi

berdasarkan nilai tollerance dan VIF nya. Dengan penggunaan lima variabel X1,

X2, X3, X4 dan X5 diketahui bahwa ada nilai tollerance yang < 0.1 dan nilai VIF

yang > 10. Hal ini dapat dilihat pada tabel berikut ini :

Tabel 3.12 Collinearity Statistics Untuk Indikator BOR

Dilihat dari coeffisien colleration masing variabel independent terlihat bahwa

antara variabel jumlah pasien keluar (X3) dan jumlah pasien masuk (X4) terdapat

hubungan yang sangta kuat yaitu 90.5%, sehingga salah satu variabel ini harus

dikeluarkan untuk mendapatkan model persamaan regresi yang baik.


53

Tabel 3.13 Coeffisien Correlation Lima Variabel Untuk Indikator BOR

Pengujian Signifikansi Untuk Persamaan Multiple Regresi

Tabel 3.14 Model Summary Regression Untuk Indikator BOR

Tabel 3.15 Anova Regression Untuk Indikator BOR

Pengujian hipotesis untuk nilai F berdasarkan pada nilai signifikannya,

sebagai berikut :

Ho : b1 = b2 = b4 = b5 = 0, tidak ada hubungan linear antara nilai BOR

terhadap keempat variabel independen yang digunakan

Hi : b1, b2, b4, b5 ≠ 0, ada hubungan linear antara nilai BOR terhadap

keempat variabel independen yang digunakan.


54

Jika nilai sig. < α, maka Ho ditolak. Dengan α = 5%, degree of freedom (DF)

numerator = 4 dan denominator = 55, atau dengan melihat nilai sig. < 5%, maka

Ho ditolak artinya bahwa benar secara bersama-sama keempat variabel

independen X1, X2, X4, X5 berpengaruh terhadap nilai BOR.

Tabel 3.16 Coefficients Regression Untuk Indikator BOR

Multicolinearity

Selain memenuhi empat asumsi dalam multipel regresi, persamaan regresi

juga harus terhindar dari multicolinearity. Dikatakan memiliki multikolinearitas

yang serius apabila nilai tolerance < 0.1 atau nilai VIF > 10. Dengan

menggunakan lima variabel independen terlihat pada tabel 3.12 terjadi

multikolinearitas yang cukup serius, sehingga untuk mengatasi ini dapat

dilakukan dengan membuang salah satu variabel independen yang saling

berhubungan, sehingga variabel jumlah pasien keluar (X3) dikeluarkan dari

persamaan regresi. Setelah dilakukan pengolahan lanjutan maka berdasarkan

tabel 3.16 di atas dapat dikatakan bahwa tidak ada multikolinearitas serius yang

terjadi pada variabel-variabel independennya. Berikut dapat dilihat koefisien

korelasi masing-masing variabel independen terhadap variabel independen

lainnya.

Tabel 3.17 Coefficients Korelasi Untuk Indikator BOR


55

Pengujian Signifikansi Untuk Koefisien Persamaan Multiple Regresi

Pengujian hipotesis untuk nilai t berdasarkan pada nilai signifikannya,

sebagai berikut :

Ho : bi = 0, tidak ada hubungan signifikan antara variabel independen (i)

terhadap nilai BOR keseluruhan

Hi : bi ≠ 0, ada hubungan signifikan antara variabel independen (i) terhadap

nilai BOR keseluruhan

Dengan i adalah variabel independen 1, 2, 4, 5.

Jika nilai sig. (i) < α, maka Ho ditolak. Berdasarkan tabel 3.16 diketahui bahwa

variabel independen yang signifikan mempengaruhi nilai BOR secara

keseluruhan adalah variabel hari perawatan rumah sakit (X1), adanya kejadian

luar biasa (X2), keahlian tenaga medis dan paramedic (X4), serta jumlah pasien

masuk (X5).

Sehingga persamaan multipel regresi untuk variabel dependen BOR (Y)


Y = -5.071 + 0.018 X1 + 0.015 X2 + 1.256 X4 + 0.008 X5 (3.1)

3.2.2 Average Length of Stay (Av-LOS)

Indikator Av-LOS (Y) disini adalah variabel dependen yang tergantung

kepada beberapa variabel independen seperti jumlah pasien keluar (X1), jumlah

hari perawatan pasien keluar (X2), jenis penyakit yang diderita (X3), golongan

obat paten yang diberikan (X4). Input data-data tersebut ke program SPSS seperti

pada pengolahan sebelumnya.


a. Normality

Langkah yang sama seperti dilakukan pada pengolahan BOR sebelumnya.

Pengujian normality dengan menggunakan 1-sample K-S diperoleh hasil sebagai

berikut :


56

Tabel 3.18 Tabel Hasil Pengujian Normality Untuk Indikator Av-LOS


sebagai berikut :









Berikut hasil dari pengolahan residual untuk melihat normality secara grafis

melalui histogram dan normal probability plot.

Gambar 3.12 Histogram Residual Model Persamaan Regresi Untuk Indikator Av-LOS


57

Gambar 3.13 Normal Probability Plot Untuk Indikator Av-LOS

Hasil pengujian normality terhadap residual dengan pengujian 1-sample K-S

sebagai berikut :

Tabel 3.19 Tabel Hasil Pengujian Normality Residual Untuk Indikator Av-LOS


tersebut adalah sebagai berikut :

Ho : Residual tidak terdistribusi secara normal

Hi : Residual terdistribusi secara normal







58


Tahapan yang dilakukan untuk pengolahan linearity dengan

menggunakan program SPSS sama seperti yang telah dilakukan pada indikator

BOR sebelumnya. Hasilnya adalah sebagai berikut :

Tabel 3.20 Tabel Anova Uji Linearity Av-LOS (Y) Terhadap Jumlah Pasien Keluar (X1)

Tabel 3.21 Tabel Anova Uji Linearity Av-LOS (Y) Terhadap Jumlah Hari Perawatan Pasien Keluar (X2)

Tabel 3.22 Tabel Anova Uji Linearity Av-LOS (Y) Terhadap Jenis Penyakit Yang Diderita (X3)

Tabel 3.23 Tabel Anova Uji Linearity Av-LOS terhadap Golongan Obat Paten Yang Diberikan (X4)

Sumber : Pengolahan Data, 2009 Hipotesis yang digunakan adalah sebagai berikut :




59




Tabel 3.24 Ringkasan Uji Linearity Garis Regresi Untuk Indikator Av-LOS


Y * X1

Y * X2

Y * X3

Y * X4

0.118

0.053

0.102

0.536

0.05

0.05

0.05

0.05

S > α

S > α

S > α

S > α

Linear

Linear

Linear

Linear


Sama seperti pengolahan yang dilakukan pada indikator BOR. Berikut

disajikan scatterplot antara nilai prediksi variabel dependen Av-LOS dengan nilai

residualnya yang diperoleh dari penentuan model persamaan regresi pada tahap

selanjutnya.

Gambar 3.14 Scatterplot Nilai Prediksi Av-LOS Dengan Residualnya



sama seperti yang dilakukan sebelumnya pada indikator BOR.



60

Tabel 3.25 Koefisien Regresi Untuk Model Ln U2i = b0 + b1 X1 + b2 X2 + b3 X3 + b4 X4 Pada Indikator Av-LOS


Ho : Data bersifat heteroscedatisitas







homoskedastisitas.





Tabel 3.26 Hasil Pengujian Durbin Watson Pada Indikator Av-LOS


61




Dengan jumlah variabel independen (k) = 4, n = 60 dan α = 5%, maka

nilai du = 1.727, d = 1.776, dan 4-du = 4-1.727 = 2.273. Maka du < d < 4-du

terpenuhi, artinya Ho ditolak dan tidak terjadi autokorelasi pada residual model

persamaan regresi tersebut.




program SPSS untuk menentukan model persamaan regresinya seperti yang

dilakukan pada tahap di indikator BOR sebelumnya.


Tabel 3.27 Model Summary Regression Untuk Indikator Av-LOS

Tabel 3.28 Anova Regression Untuk Indikator Av-LOS


62


sebagai berikut :

Ho : b1 = b2 = b3 = b4 = 0, tidak ada hubungan linear antara nilai Av-LOS


Hi : b1, b2, b3, b4 ≠ 0, ada hubungan linear antara nilai Av-LOS terhadap



numerator = 4 dan denominator = 55, nilai sig. < 5%, maka Ho ditolak artinya

bahwa benar secara bersama-sama keempat variabel independen berpengaruh

terhadap nilai Av-LOS.

Tabel 3.29 Coefficients Regression Untuk Indikator Av-LOS

Multicolinearity



yang serius apabila nilai tolerance < 0.1 atau nilai VIF > 10. Maka berdasarkan

tabel 3.29 di atas dapat dikatakan bahwa tidak ada multikolinearitas serius yang

terjadi pada variabel-variabel independennya. Berikut disajikan koefisien korelasi

masing-masing variabel independen terhadap variabel independen lainnya.

Tabel 3.30 Coefficients Correlations Untuk Indikator Av-LOS


63



sebagai berikut :


terhadap nilai Av-LOS keseluruhan


nilai Av-LOS keseluruhan



variabel independen yang signifikan mempengaruhi nilai Av-LOS secara

keseluruhan adalah variabel jumlah pasien keluar (X1), jumlah hari perawatan

pasien keluar (X2) dan variabel golongan obat paten yang diberikan (X4).

Sehingga persamaan multipel regresi untuk variabel dependen Av-LOS

(Y) adalah sebagai berikut :

Y = 4.142 - 0.003 X1 + 0.001 X2 - 0.036 X4 (3.2)

3.2.3 Bed Turn Over (BTO)

Indikator BTO (Y) disini adalah variabel dependen yang tergantung

kepada beberapa variabel independen seperti jumlah pasien keluar (X1), jenis

penyakit yang diderita (X2), adanya kejadian luar biasa (X3) serta jumlah pasien

masuk (X4). Input data-data tersebut ke program SPSS seperti pada pengolahan

sebelumnya.


a. Normality



berikut :


64

Tabel 3.31 Tabel Hasil Pengujian Normality Untuk Indikator BTO


sebagai berikut :







Berikut hasil dari pengolahan residual untuk melihat normality secara

grafis melalui histogram dan normal probability plot.

Gambar 3.15 Histogram Residual Model Persamaan Regresi Untuk Indikator BTO


65

Gambar 3.16 Normal Probability Plot Untuk Indikator BTO


sebagai berikut :

Tabel 3.32 Tabel Hasil Pengujian Normality Residual Untuk Indikator BTO




Hi : Residual terdistribusi secara normal







66





Tabel 3.33 Tabel Anova Uji Linearity BTO (Y) Terhadap Jumlah Pasien Keluar (X1)

Tabel 3.34 Tabel Anova Uji Linearity BTO (Y) Terhadap Jenis Penyakit Terbanyak Rawat Inap (X2)

Tabel 3.35 Tabel Anova Uji Linearity BTO (Y) Terhadap Kejadian Luar Biasa (X3)

Tabel 3.36 Tabel Anova Uji Linearity BTO (Y) Terhadap Jumlah Pasien Masuk (X4)






ditolak, berarti model regresi berbentuk linear. Universitas Indonesia

67

Tabel 3.37 Ringkasan Uji Linearity Garis Regresi Untuk Indikator BTO


Y * X1

Y * X2

Y * X3

Y * X4

0.066

0.180

0.086

0.021

0.05

0.05

0.05

0.05

S > α

S > α

S > α

S < α

Linear

Linear

Linear

Tidak Linear

Karena uji linearity antara indikator BTO (Y) terhadap jumlah pasien

masuk (X4) menunjukkan hubungan yang tidak linear, maka berdasarkan teori

data tersebut dapat ditransformasi untuk mencapai kelinearitasannya. Jenis

transformasi adalah berdasarkan pada bentuk plot datanya. Berikut disajikan plot

data antara indikator BTO (Y) dengan jumlah pasien masuk (X4).

Gambar 3.17 Plot Untuk Indikator BTO Terhadap Jumlah Pasien Masuk (X4)

Berdasarkan gambar 3.17, maka plot data ini lebih menyerupai gambar

2.2 (d). Sehingga transformasi yang mungkin dilakukan adalah Log X, -1/X dan

√X. Tahapan transformasi sama seperti langkah-langkah yang dijelaskan pada

gambar 3.7 sebelumnya. Maka transformasi yang dilakukan pertama kali adalah

dengan melogaritmakan variabel jumlah pasien masuk (X4). Kemudian dilakukan

lagi pengujian linearity antara variabel BTO (Y) terhadap log jumlah pasien

masuk (X4). Maka diperoleh hasil sebagai berikut :


68

Tabel 3.38 Tabel Anova Uji Linearity BTO (Y) Terhadap Log Jumlah Pasien Masuk (X4)




Sehingga hasil pengujian linearity ini dapat diringkas seperti pada tabel

berikut ini :

Tabel 3.39 Ringkasan Uji Linearity Garis Regresi Untuk Indikator BTO Setelah Transformasi


Y * X1

Y * X2

Y * X3

Y * Log X4

0.066

0.180

0.086

0.115

0.05

0.05

0.05

0.05

S > α

S > α

S > α

S > α

Linear

Linear

Linear

Linear



disajikan scatterplot antara nilai prediksi variabel dependen BTO dengan nilai


selanjutnya.

Gambar 3.18 Scatterplot Nilai Prediksi BTO Dengan Residualnya


69



sama seperti yang dilakukan sebelumnya pada indikator BOR.


Tabel 3.40 Koefisien Regresi Untuk Model Ln U2i = b0 + b1 X1 + b2 X2 + b3 X3 Pada Indikator BTO

Dengan hipotesis yang digunakan

Ho : Data bersifat heterosc







)


edatisitas

homoskedastisitas.

d. Autokorelasi (Independence of the Error Terms




Tabel 3.41 Hasil Pengujian Durbin Watson Pada Indikator BTO


70

Hipotes

tuan

model persamaan regresi), n = 60 dan α = 5%, maka nilai du = 1.689, d = 1.781,

dan 4-du = 4-1.689 = 2.311. Maka du < d < 4-du terpenuhi, artinya Ho ditolak

dan tidak terjadi autokorelasi pada residual model persamaan regresi tersebut.

.2.3.2 Penentuan Model Persamaan Multipel Regresi

n diuji dan memenuhi asumsi

al dilakukan pengolahan dengan menggunakan

rsamaan regresinya seperti yang

dilakuk

hui

bahwa ada nilai tollerance yang < 0.1 dan nilai VIF yang > 10. Hal ini dapat

is yang akan diuji adalah sebagai berikut :



Dengan jumlah variabel independen (k) = 3 (berdasarkan penen

3

Setelah masing-masing variabel independe

norm ity dan linearity, maka

program SPSS untuk menentukan model pe

an pada tahap di indikator BOR sebelumnya. Pada saat melakukan

pengujian untuk persamaan multipel regresi, maka perlu dilihat satu lagi asumsi

yaitu multikolinearitas pada tabel coefisien regresi berdasarkan nilai tollerance

dan VIF nya. Dengan penggunaan empat variabel X1, X2, X3, Log X4 diketa

dilihat pada tabel berikut ini :

Tabel 3.42 Collinearity Statistics Untuk Indikator BTO


antara variabel jumlah pasien keluar (X1) dan log jumlah pasien masuk (X4)

terdapat hubungan yang sangat kuat yaitu 99.2%, sehingga salah satu variabel ini

harus dikel ik.

uarkan untuk mendapatkan model persamaan regresi yang ba


71

Tabel 3.43 Coeffisien Correlation Empat Variabel Untuk Indikator BTO


Tabel 3.44 Model Summary Regression Untuk Indikator BTO

Tabel 3.45 Anova Regression Untuk Indikator BTO


sebagai berikut :

Ho : b1 = b2 = b3 = 0, tidak ada hubungan linear antara nilai BTO

terhadap ketiga variabel independen yang digunakan

Hi : b1, b2, b3 ≠ 0, ada hubungan linear antara nilai BTO terhadap

ketiga variabel independen yang digunakan.

Jika nilai sig eedom (DF)


bahwa benar secara bersama-sama ketiga variabel independen berpengaruh

terhadap nilai BTO.

. < α, maka Ho ditolak. Dengan α = 5%, degree of fr


72

Tabel 3.46 Coefficients Regression Untuk Indikator BTO

Multic

pat asumsi dalam multipel regresi, persamaan regresi

kolinearitas

yang se Maka berdasarkan

ng serius,

sehingg arus dikeluarkan. Variabel

ultikolinearitas serius yang terjadi pada variabel-variabel

independe variabel

independen terhadap variabel independen lainnya.

Tabel 3.47 Coefficients Correlations Untuk Indikator BTO

olinearity

Selain memenuhi em

juga harus terhindar dari multicolinearity. Dikatakan memiliki multi

rius apabila nilai tolerance < 0.1 atau nilai VIF > 10.

tabel 3.42 sebelumnya terlihat bahwa terjadi multikolinearitas ya

a salah satu variabel independen tersebut h

independen yang dikeluarkan adalah jumlah pasien masuk (X4), sehingga

dilakukan pengolahan untuk penentuan model persamaan regresi kembali dengan

menggunakan tiga variabel independen. Dari tabel 3.46 di atas dapat dikatakan

bahwa tidak ada m

nnya. Berikut dapat dilihat koefisien korelasi masing-masing



sebagai berikut :


terhadap nilai BTO keseluruhan


nilai BTO keseluruhan

Dengan i adalah variabel independen 1, 2, 3.


73


variabel independen yang signifikan mempengaruhi nilai BTO secara

keseluruhan adalah variabel jumlah pasien keluar (X1) dan variabel kejadian luar

biasa (X3

Sehingga persamaan multipel regresi untuk variabel dependen BTO (Y)


Y = - 0.177 + 0.007X1 - 0.0004 X3 (3.3)

.2.4 Turn Over Interval (TOI)

antung

kepada

sakit (X2), adanya kejadian luar biasa (X3) dan jumlah pasien

han

sebelum


3.48 Tabel Hasil Pengujian Normality Untuk Indikator TOI

).

3

Indikator TOI (Y) disini adalah variabel dependen yang terg

beberapa variabel independen seperti jumlah pasien keluar (X1), hari

perawatan rumah

masuk (X4). Input data-data tersebut ke program SPSS seperti pada pengola

nya.

a. Normality



berikut :

Tabel


sebagai berikut :

Ho istribusi secara normal : Data tidak terd



74

D an maka dibandingkan dengan nilai Asymp. Sig. (2 tailed). Jika

ilai As

stribusi normal.

Berik rafis

melalui histogram dan normal probability plot.

eng α = 5 %,

n ymp. Sig. (2-tailed) > α = 5 %, maka Ho ditolak. Dari nilai Asymp. Sig.


data terdi

ut hasil dari pengolahan residual untuk melihat normality secara g

Gambar 3.19 Histogram Residual Model Persamaan Regresi Untuk Indikator TOI

Gambar 3.20 Normal Probability Plot Untuk Indikator TOI


75

Hasi K-S

ebagai berikut :

l pengujian normality terhadap residual dengan pengujian 1-sample

s

Tabel 3.49 Tabel Hasil Pengujian Normality Residual Untuk Indikator TOI



i secara normal

Dengan









Tabel 3.50 Tabel Anova Uji Linearity TOI (Y) Terhadap Jumlah Pasien Keluar (X1)


Hi : Residual terdistribus

α = 5 %, maka dibandingkan dengan nilai Asymp. Sig. (2 tailed). Jika


76

Tabel 3.51 Tabel Anova Uji Linearity TOI (Y) Terhadap Hari Perawatan Rumah Sakit (X2)

TOI (Y) Terhadap Tabel 3.52 Tabel Anova Uji LinearityKejadian Luar Biasa (X3)

Tabel 3.53 Tabel Anova Uji Linearity TOI (Y) Terhadap Jumlah Pasien Masuk (X4)




engan α iation of

Linearity. Jika nilai signifi arity > α = 5%, maka Ho


Tabel 3.54 Ringkasan Uji Linearity Garis Regresi Untuk Indikator TOI


D = 5%, maka dibandingkan dengan nilai signifikansi dari Dev

kansi dari Deviation of Line

Y * X1

Y

Y * X3

Y * X4

0.019

0

0.014

0.05

0.05

S < α

S < α

Tidak Linear

Linear

Tidak Linear

* X2 0.056 0.05 S > α Linear

.113 0.05 S > α



77

Karena uji linearity antara indikator TOI (Y) terhadap jumlah pasien

keluar (X1) dan terhadap jumlah pasien masuk (X4) menunjukkan hubungan yang

tidak linear, maka berdasarkan teori data tersebut dapat ditransformasi untuk

mencapai kelinearitasannya. Jenis transformasi adalah berdasarkan pada bentuk

lot datanya. Berikut disajikan plot data :

ambar 3 t Un dika I Terhadaah P Kelua

Berdasarkan ga enyerupai

gamb og X, -

1/X dan X. Tahapan transformasi sama seperti langkah-langkah yang dijelaskan

ada gambar 3.7 sebelumnya. Maka transformasi yang dilakukan pertama kali

adalah denga an variabel

p

G .21 PloJuml

tuk Inasien

tor TOr (X

p 1)

Gambar 3.22 Plot Untuk Indikator TOI Terhadap Jumlah Pasien Masuk (X4)

mbar 3.21 dan 3.22, maka plot data ini lebih m

ar 2.2 (b). Sehingga transformasi yang mungkin dilakukan adalah L

√

p

n melogaritmakan variabel jumlah pasien keluar (X1) d

78

jumlah pasien masuk (X4

variabel TOI (Y) terhadap log jumlah pasien keluar (X1) dan log jumlah pasien

asuk (X4

). Kemudian dilakukan lagi pengujian linearity antara

m ). Maka diperoleh hasil sebagai berikut :

Tabel 3.55 Tabel Anova Uji Linearity TOI (Y) Terhadap Log Jumlah Pasien Keluar (X1)

Tabel 3.56 Tabel Anova Uji Linearity TOI (Y) Terhadap Log Jumlah Pasien Masuk (X ) 4

Karena signifikansi dari Deviation of Linearity = α = 5%, maka Ho

diterima, berarti model regresi berbentuk tidak linear. Artinya transformasi yang

dilakukan sebelumnya belum mencapai asumsi linearity, sehingga perlu

dilakukan transformasi bentuk kedua, yaitu bentuk -1/X. Dan kembali dilakukan

pengujian linearity TOI (Y) terhadap inverse jumlah pasien keluar (X1) dan

inverse jumlah pasien masuk (X4). Hasil pengujian linearity tersebut adalah

sebagai be

Tabel 3.57 T ) Terhadap Inverse Jumlah Pasien Keluar (X )

rikut :

abel Anova Uji Linearity TOI (Y1

Tabel 3.58 T ( ) Terhadap abel Anova Uji Linearity TOI Ynverse Jumlah Pasien Masuk(X I ) 4


79


Lineari

Sig. Alpha Kondisi Simpulan

ty. Jika nilai signifikansi dari Deviation of Linearity > α = 5%, maka Ho



berikut ini :

Tabel 3.59 Ringkasan Uji Linearity Garis Regresi Untuk Indikator TOI Setelah Transformasi

Keterangan

Y *

Y * X2

Y * X3

Y * 1/X4

0.113

0.093

0.05

0.05

S > α

S > α

Linear

Linear

Linear

1/X1 0.080 0.05 S > α Linear

0.056 0.05 S > α


Sam . Berikut

disajikan scatterplot antara nilai prediksi variabel dependen TOI dengan nilai


selanjutnya.

Gambar 3.23 Scat Nila iksi TOI Dengan Residualnya

A pat dilak uji s k Park untuk mendeteksi ada atau

tidakny kedastisi ngka kah melakukan pengujian ini

ma seperti yang dilakukan sebelumnya pada indikator BOR. Variabel yang

d ak an penentuan

a seperti pengolahan yang dilakukan pada indikator BOR

terplot i Pred

tau da ukan tatisti

a heteros tas. La h-lang untuk

sa

igun an disini hanya tiga variabel independen, karena berdasark


80

model

oefisien Regresi Untuk Model Ln U2i = b0 + b1 (1/X1) + b2 X2 +

persamaan regresi mengharuskan variabel jumlah pasien keluar (X4) harus

dikeluarkan.


Tabel 3.60 Kb3 X3 Pada Indikator TOI


Ho Data bersifat heteroscedatisitas

Hi

Untuk mengetahui ko elas dapat dilakukan



Tabel 3.61 Hasil Pengujian Durbin Watson Pada Indikator TOI

:

: Data bersifat homoskedastisitas






homoskedastisitas.


terjadi atau tidaknya auto r i


81

Hipotes

.311. Maka du < d < 4-du terpenuhi, artinya Ho ditolak dan

tidak terjadi autokorelasi pada residual model persamaan regresi tersebut.

3.2.4.2

dengan menggunakan

progra yang

dilakukan pada tahap di indikator BOR sebelumnya. Pada saat melakukan

pengujian untuk persamaan multipel regresi, maka perlu dilihat satu lagi asumsi

yaitu multikolinearitas pada tabel coefisien regresi berdasarkan nilai tollerance

dan VIF nya. Dengan penggunaan empat variabel 1/X1, X2, X3, 1/X4 diketahui

bahwa ada nilai tollerance yang < 0.1 dan nilai VIF yang > 10. Hal ini dapat

ilihat pada tabel berikut ini :

tor TOI

is yang akan diuji adalah sebagai berikut :



Dengan pengurangan variabel jumlah pasien masuk maka jumlah variabel

independen (k) = 3, n = 60 dan α = 5%, sehingga nilai du = 1.689, d =2.235, dan

4-du = 4-1.689 = 2

Penentuan Model Persamaan Multipel Regresi


normality dan linearity, maka dilakukan pengolahan

m SPSS untuk menentukan model persamaan regresinya seperti

d

Tabel 3.62 Collinearity Statistics Untuk Indika


ah pasien masuk (X )

terdapa

antara variabel jumlah pasien keluar (X ) dan log juml1 4

t hubungan yang sangat kuat yaitu 89.3%, sehingga salah satu variabel ini

harus dikeluarkan untuk mendapatkan model persamaan regresi yang baik.


82

Tabel 3.63 Coeffisien Correlation Empat Variabel Untuk Indikator TOI


Tabel 3.64 Model Summary Regression Untuk Indikator TOI

Tabel 3.65 Anova Regression Untuk Indikator TOI


sebagai berikut :

Ho : b1 = b2 = b3 = 0, tidak ada hubungan linear antara nilai TOI

terhadap ketiga variabel independen yang digunakan

adap



bahwa benar secara bersama-sama ketiga variabel independen berpengaruh

terhadap nilai TOI.

Hi : b1, b2, b3 ≠ 0, ada hubungan linear antara nilai TOI terh

ketiga variabel independen yang digunakan.


83

Tabel 3.66 Coefficients Regression Untuk Indikator TOI

Multicolinearity

ar dari multicolinearity. Dikatakan memiliki multikolinearitas

berdasarkan

tabel 3 as serius sehingga

sangat kuat

itu yai nentuan model persamaan

bel independen terhadap variabel independen lainnya.

Tabel 3.67 Coefficients Correlations Untuk Indikator TOI


juga harus terhind

yang serius apabila nilai tolerance < 0.1 atau nilai VIF > 10. Maka

.62 sebelumnya terlihat bahwa terjadi multikolinearit

perlu dihilangkan salah satu variabel independen yang berhubungan

tu jumlah pasien kelaur (X4). Selanjutnya pe

regresi dilakukan dengna tiga variabel independen dan hasilnya dapat dilihat pada

tabel 3.66, dapat dikatakan bahwa tidak ada multikolinearitas serius yang terjadi

pada variabel-variabel independennya. Berikut dapat dilihat koefisien korelasi

masing-masing varia



o

sebagai berikut :

H : bi = 0, tidak ada hubungan signifikan antara variabel independen (i)

terhadap nilai TOI keseluruhan


nilai TOI keseluruhan

Dengan i adalah variabel independen 1, 2, 3.


84


variabel independen yang digunakan seluruhnya memberikan pengaruh

signifikan terhadap nilai TOI secara keseluruhan. Variabel-variabel independen

itu adalah variabel inverse jumlah pasien keluar (1/X1), variabel hari perawatan

RS (X2) d

Sehingga persamaan multipel regresi untuk variabel dependen TOI (Y) adalah

sebagai berikut :

Y = 3.413 – 2577.936 (1/X1) - 0.002 X2 + 0.002 X3 (3.4)

.2.5 Net Death Rate (NDR)

antung

kepada

ati > 48 jam perawatan (X2), keahlian tenaga medis dan

am put

data-d rti pada pengolahan sebelumnya.



an variabel kejadian luar biasa (X3).

3

Indikator NDR (Y) disini adalah variabel dependen yang terg

beberapa variabel independen seperti jumlah pasien yang keluar (X1),

jumlah pasien m

par edic (X3), jenis penyakit yang diderita (Penyebab kematian) (X4). In

ata tersebut ke program SPSS sepe

a. Normality


berikut :

Tabel 3.68 Tabel Hasil Pengujian Normality Untuk Indikator NDR


sebagai berikut :

Ho

Hi

: Data tidak terdistribusi secara normal

: Data terdistribusi secara normal



85

. Sig.


il dari pengolahan residual untuk melihat normality secara

rafis m

4 Histogram Residual Model Persamaan Regresi Untuk Indikator NDR

Gambar 3.25 Normal Probability Plot Untuk Indikator NDR


sebagai berikut :


nilai Asymp. Sig. (2-tailed) > α = 5 %, maka Ho ditolak. Dari nilai Asymp


Berikut has

g elalui histogram dan normal probability plot.

Gambar 3.2

86

Tabel 3.69 Tabel Hasil Pengujian Normality Residual Untuk Indikator NDR





> α = 5 %, maka Ho ditolak. Dari nilai Asymp. Sig.

-tailed) terlihat bahwa nilainya 0.969 > α = 5 %, maka Ho ditolak sehingga

isimpulkan bahwa residual terdistribusi secara normal. Hal ini konsisten dengan





Tabel 3.70 Tabel Anova Uji Linearity NDR (Y) Terhadap Jumlah Pasien Keluar (X )

i secara normal


nilai Asymp. Sig. (2-tailed)

(2

d


1


87

Tabel 3.71 Tabel Anova Uji Linearity NDR (Y) Terhadap m Perawatan (X ) Jumlah Pasien Mati > 48 Ja 2

Tabel 3.72 Tabel Anova Uji Linearity NDR (Y) Terhadap Keahlian Tenaga Medis Paramedis (X ) 3

Tabel 3.73 Tabel Anova Uji Linearity NDR (Y) Terhadap umlah Pasien P Kematian (XJ enderita Penyakit Penyebab 4)


o : Model regresi berbentuk non-linear

Hi : M

Dengan α = 5% ri Deviation of



Tabel 3.74 Ringkasan Uji Linearity Garis Regresi Untuk Indikator NDR


H

odel regresi berbentuk linear

, maka dibandingkan dengan nilai signifikansi da

Y

Y * X2

Y * X3

Y * X4

0.222

0.005

0.05

0.05

S > α

S < α

Linear

Linear

Tidak Linear

* X1 0.375 0.05 S > α Linear

0.052 0.05 S > α



88

K pasien

penderita penyakit penyebab kematian (X4) menunjukkan hubungan yang tidak

linear, maka berdasarkan teori data tersebut dapat ditransformasi untuk mencapai

kelinearitasannya. Jenis transformasi adalah berdasarkan pada bentuk plot

datanya. Berikut disajikan plot data antara indikator NDR (Y) dengan jumlah

Gambar 3.26 Plot Untuk Indikator NDR Terhadap Jumlah Pasien Penderita Penyebab kematian (X4)

linearity antara variabel NDR

(Y) terhadap log jumlah pasien penderita peyakit penyebab kematian (X4). Maka

diperoleh hasil sebagai berikut :

Tabel 3.75 Tabel Anova Uji Linearity NDR (Y) Terhadap og Jumlah Pasien Penderita Penyakit Penyebab Kematian (X )

arena uji linearity antara indikator NDR (Y) terhadap jumlah

pasien penderita penyakit penyebab kematian (X4).

Berdasarkan gambar 3.26, maka plot data ini lebih menyerupai gambar

2.2 (d). Sehingga transformasi yang mungkin dilakukan adalah Log X, -1/X dan

√X. Tahapan transformasi sama seperti langkah-langkah yang dijelaskan pada

gambar 3.7 sebelumnya. Maka transformasi yang dilakukan pertama kali adalah

dengan melogaritmakan variabel jumlah pasien penderita penyakit penyebab

kematian (X4). Kemudian dilakukan lagi pengujian

L 4

89



odel regresi berbentuk linear.


berikut ini :

Ta k

K

ditolak, berarti m

bel 3.76 Ringkasan Uji Linearity Garis Regresi UntuIndikator NDR Setelah Transformasi

eterangan Sig. Alpha Kondisi Simpulan

Y * X1

Y * X2

Y * X3

Y * Log X4

0.375

0.052

0.222

0.206

0.05

0.05

0.05

0.05

S > α

S > α

S > α

S > α

Linear

Linear

Linear

Linear



disajik nilai


selanjutnya.

Gambar 3.27 Scat Nilai Prediksi NDR Dengan Residualnya

apat dila uji k Park untuk mendeteksi ada atau

tidak kedastis angk gkah melakukan pengujian ini

ma seperti yang dilakukan sebelumnya pada indikator BOR.

an antara nilai prediksi variabel dependen NDR denganscatterplot

terplot

Atau d kukan statisti

nya heteros itas. L ah-lan untuk

sa


90


Tabel 3.77 Koefisien Regresi Untuk Model Ln U2i = b0 + b1 X1 + b2 X2 + b3 X3 + b4 LogX4 Pada Indikator NDR


Ho

Hi Data bersifat homoskedastisitas

ten dengan hasil

nalisis scatterplot sebelumnya yang menunjukkan tidak ada pola yang jelas,

menunjukkan terjadinya

h





Tabel 3.78 Hasil Pengujian Durbin Watson Pada Indikator NDR

: Data bersifat heteroscedatisitas

:



diterima dan data bersifat homoscedastisitas. Hal ini konsis

a

yang berarti bahwa tidak terjadi heteroskedastisitas atau

omoskedastisitas.


91

Hip is yang akan diuji adalah sebagai botes erikut :

Ho

rsebut.

3.2

regresinya seperti yang

dilaku


Tabel 3.79 Model Summary Regression Untuk Indikator NDR

: Ada autokorelasi (r ≠ 0)


Dengan jumlah variabel independen (k) =4, n = 60 dan α = 5%, maka

nilai du = 1.727, d = 1.799, dan 4-du = 4-1.727 = 2.273. Maka du < d < 4-du

terpenuhi, artinya Ho ditolak dan tidak terjadi autokorelasi pada residual model

persamaan regresi te

.5.2 Penentuan Model Persamaan Multipel Regresi



program SPSS untuk menentukan model persamaan

kan pada tahap di indikator BOR sebelumnya.

Tabel 3.80 Anova Regression Untuk Indikator NDR


92


sebagai

Ho : b1 = b2 = b3 = b4 = 0, tidak ada hubungan linear antara nilai NDR


Hi : b1, b2, b3, b4 ≠ 0, ada hubungan linear antara nilai NDR terhadap


ika nilai sig. < α, maka Ho ditolak. Dengan α = 5%, degree of freedom (DF)

numerator = olak artinya

bahwa benar secara bersama-sama keempat variabel independen berpengaruh

terhadap nilai NDR.

Tabel 3.81 Coefficients Regression Untuk Indikator NDR

berikut :

J

4 dan denominator = 55, nilai sig. < 5%, maka Ho dit

regresi

juga ha multikolinearitas

sarkan

tabel 3 aritas serius yang terjadi

Multicolinearity

Selain memenuhi empat asumsi dalam multipel regresi, persamaan

rus terhindar dari multicolinearity. Dikatakan memiliki

yang serius apabila nilai tolerance < 0.1 atau nilai VIF > 10. Maka berda

.81 dapat dikatakan bahwa tidak ada multikoline

pada variabel-variabel independennya. Berikut dapat dilihat koefisien korelasi

masing-masing variabel independen terhadap variabel independen lainnya.

Tabel 3.82 Coefficients Correlations Untuk Indikator NDR


93



sebagai berikut :


terhadap nilai NDR keseluruhan


nilai NDR keseluruhan

riabel independen 1, 2, 3, 4.

Sehingga ) adalah

sebagai berikut :

Y = 4.123 - 0.006 X1 + 1.068 X2 - 0.231 X3 + 3.092 Log X4 (3.5)

3.2.6 Gross Death Rate (GDR)

Indikator GDR (Y) disini adalah variabel dependen yang tergantung

kepada beberapa variabel independen seperti jumlah pasien yang keluar (X1)

lah pasien mati (X2), keahlian tenaga medis dan paramedic (X3), jenis

ebut ke

progra

a.

Penguj 1-sample K-S diperoleh hasil sebagai

Dengan i adalah va


seluruh variabel independen yang digunakan benar-benar signifikan

mempengaruhi nilai NDR secara keseluruhan. Variabel-variabel independen itu

adalah variabel jumlah pasien keluar (X1), jumlah pasien mati > 48 jam

perawatan (X2), keahlian tenaga medis dan paramedis (X3), serta variabel log

jumlah pasien penderita penyakit penyebab kematian (LogX4).

persamaan multipel regresi untuk variabel dependen NDR (Y

,

jum

penyakit yang diderita (Penyebab kematian) (X4). Input data-data ters

m SPSS seperti pada pengolahan sebelumnya.


Normality


ian normality dengan menggunakan

berikut :


94

Tabel 3.83 Tabel Hasil Pengujian Normality Untuk Indikator GDR


sebagai berikut :

Ho Data tidak terdistribusi secara normal

D an maka dibandingkan dengan nilai Asymp. Sig. (2 tailed). Jika

ilai As

stribusi normal.


ilakukan setelah memenuhi semua asumsi dan persamaan regresi ditemukan.

erikut hasil dari pengolahan residual untuk melihat normality secara grafis

mela

Gambar 3.28 Histogram Residual Model Persamaan Regresi Untuk Indikator GDR

:


eng α = 5 %,

n ymp. Sig. (2-tailed) > α = 5 %, maka Ho ditolak. Dari nilai Asymp. Sig.


data terdi

d

B

lui histogram dan normal probability plot.


95

Gambar 3.29 Normal Probability Plot Untuk Indikator GDR


sebagai berikut :

Tabel 3.84 Tabel Hasil Pengujian Normality Residual Untuk Indikator GDR

Dengan hipotesis yang menguji normalitas residual


Ho : Residual tidak terd


α = 5 %, maka dibandingkan dengan nilai Asymp. Sig. (2 tailed). Jika


(2-tailed) α = 5 %, maka Ho ditolak sehingga



digunakan untuk

istribusi secara normal

i secara normal

Dengan

terlihat bahwa nilainya 0.487 >


96




Tabel 3.85 Tabel Anova Uji Linearity GDR (Y) Terhadap Jumlah Pasien Keluar (X1)


Tabel 3.86 Tabel Anova Uji Linearity GDR (Y) TerhadapJumlah Pasien Mati (X2)

Tabel 3.87 Tabel Anova Uji Linearity GDR (Y) Terhadap Keahlian Tenaga Medis Paramedis (X3)

Tabel 3.88 Tabel Anova Uji Linearity GDR (Y) Terhadap Jumlah Pasien Penderita Penyakit Penyebab Kematian (X ) 4

Hipotesis





itolak, be

yang digunakan adalah sebagai berikut :

d rarti model regresi berbentuk linear.


97

Tabel 3.89 Ringkasan U Untuk Indikator GDR


ji Linearity Garis Regresi

Y * X1

Y * X2

Y * X3

Y

0.365

0.085

0.048

0.05

0.05

0.05

S > α

S > α

S < α

Linear

Linear

Tidak Linear

* X4 0.721 0.05 S > α Linear

Karena uji linearity antara indikator GDR (Y) terhadap keahlian tenaga

medis dan paramedis (X3) menunjukkan hubungan yang tidak linear, maka

berdasarkan teori data tersebut dapat ditransformasi untuk mencapai

elinearitasannya. Jenis transformasi adalah berdasarkan pada bentuk plot

datanya. eahlian

tenaga medis dan paramedis (X3).

Paramedis (X3)

r

2.2 ( transfo yan kin an ada apan

transfor ma seperti langkah-langkah yang dijelaskan pada gambar 3.7

sebelum mudian d n la ra variabel GDR

(Y) terh adrat kea naga s dan dis (X3 oleh

hasil sebagai berikut :

k

B kerikut disajikan plot data antara indikator GDR (Y) dengan

Gambar 3.30 Plot Untuk Indikator GDR Terhadap Keahlian Tenaga Medis dan

Berdasarkan gambar 3.30, maka plot data ini lebih menyerupai gamba

c). Sehingga rmasi g mung dilakuk lah X2. Tah

masi sa

nya. Ke ilakuka gi pengujian linearity anta

adap ku hlian te medi parame ). Maka diper


98

Tabel 3.90 Tabel Anova Uji Linearity GDR (Y) Terhadap Kuadrat Keahlian Tenaga Medis dan Paramedis (X ) 3



itolak, berarti model regresi berbentuk linear.


berikut ini :

Tabel 3.91 tor GDR

Keterangan Sig.

d

Rin dikagkasan Uji Linearity Garis Regresi Untuk InSetelah Transformasi

Alpha Kondisi Simpulan

Y * X1

Y * X2

Y * (X3)2

Y * X4

0.365

0.085

0.051

0.721

0.05

0.05

0.05

0.05

S > α

S > α

S > α

S > α

Linear

Linear

Linear

Linear

c. edasticity (Constant Variance of the Error Terms)

ma seperti pengolahan yang dilakukan pada indikator BOR. Berikut

disajikan scatterplot antara nilai prediksi variabel dependen GDR dengan nilai

selanjutnya.

Scatterplot Nilai Prediksi GDR Dengan Residualnya

Homosc

Sa


Gambar 3.31


99

Atau dapat dilak uji endeteksi ada atau

tidakny skedastis angk gkah melakukan pengujian ini

sama seperti yang dilakukan sebelum ada in BOR.


Tabel oefisien R Unt del L b0 + b1 X 2 + b3 (X3) + b4 X4 Pada Indikator NDR

ukan statistik Park untuk m

a hetero itas. L ah-lan untuk

nya p dikator

3.92 K egresi2

uk Mo n U2i = 1 + b2 X


Ho Data bersifat heteroscedatisitas

Hi Data bersifat homoskedastisitas




nalisis scatterplot sebelumnya yang menunjukkan tidak ada pola yang jelas,

ang berarti bahwa tidak terjadi heteroskedastisitas atau menunjukkan terjadinya

homo

d.

engan penentuan

:

:

a

y

skedastisitas.

Autokorelasi (Independence of the Error Terms)


dengan uji Durbin Watson yang dapat dilakukan bersamaan d

model persamaan regresi. Berikut hasil pengolahannya :Tabel 3.93 Hasil Pengujian Durbin Watson Pada Indikator GDR


o : Ada autokorelasi (r ≠ 0) H



100

Dengan jumlah variabel independen (k) =4, n = 60 dan α = 5%, maka

i du 4-1.727 = 2.273. Maka du < d < 4-du

terpenu

, maka dilakukan pengolahan dengan menggunakan

program enentukan model persamaan regresinya seperti yang

dila

Penguj

nila = 1.727, d = 1.792, dan 4-du =

hi, artinya Ho ditolak dan tidak terjadi autokorelasi pada residual model

persamaan regresi tersebut.



normality dan linearity

SPSS untuk m

kukan pada tahap di indikator BOR sebelumnya.

ian Signifikansi Untuk Persamaan Multiple Regresi

Tabel 3.94 Model Summary Regression Untuk Indikator GDR

Tabel 3.95 Anova Regression Untuk Indikator GDR


sebagai berikut :

Ho : b1 = b2 = b3 = b4 = 0, tidak ada hubungan linear antara nilai GDR

pat variabel independen yang digunakan

nden berpengaruh

rhadap nilai GDR.

terhadap keem

Hi : b , b , b , b ≠ 0, ada hubungan linear antara nilai GDR terhadap 1 2 3 4




bahwa benar secara bersama-sama keempat variabel indepe

teUniversitas Indonesia

101

Tabel 3.96 Coefficients Regression Untuk Indikator GDR

Multicolinearity



yang serius apabila nilai tolerance < 0.1 atau nilai VIF > 10. Maka berdasarkan

bel 3.96 di atas dapat dikatakan bahwa tidak ada multikolinearitas serius yang

terjadi

masing variabel independen terhadap variabel independen

r GDR

ta

pada variabel-variabel independennya. Berikut dapat dilihat koefisien

korelasi masing-

lainnya.

Tabel 3.97 Coefficients Correlations Untuk Indikato

Pengujian i


sebagai berikut :


terhadap nilai GDR keseluruhan


an

Signifikansi Untuk Koefisien Persamaan Multiple Regres

nilai GDR keseluruh



yang signifikan mempengaruhi nilai GDR secara keseluruhan adalah jumlah


102

pasien keluar (X1), jumlah pasien mati (X2), serta jumlah pasien penderita

penyakit penyebab kematian (X4).

Sehingga persamaan multipel regresi untuk variabel dependen GDR (Y)

adalah se

Y = 19.3 - 0.024 X1 + 1.229 X2 + 0.06 X4 (3.6)

3.3 Validasi Hasil

3.3.1 Perbandingan Nilai Prediksi dan Nilai Sebenarnya

Tabel 3.98 Perbandingan Nilai Prediksi dan Nilai Sebenarnya Indikator BOR, Av-LOS dan BTO

bagai berikut :

Periode BOR Pred BOR Eror Av-

LOSPred Av-

LOS Eror BTO Pred BTO Eror

1 69.55 70.96 -1.41 3.50 3.56 -0.06 6.40 6.45 -0.052 69.20 64.16 5.04 3.75 3.72 0.03 5.75 5.78 -0.033 62.65 63.95 -1.30 3.75 3.79 -0.04 5.75 5.79 -0.044 60.80 59.96 0.84 3.70 3.74 -0.04 5.25 5.25 0.005 3.65 -0.10 5.75 5.80 -0.0562.65 64.07 -1.42 3.55 6 64.15 63.55 0.60 3.90 3.86 0.04 5.25 5.25 0.00 7 61.45 62.80 -1.35 3.80 3.70 0.10 5.25 5.28 -0.038 3.90 3.85 0.05 5.20 5.23 -0.0360.45 60.70 -0.259 63.65 62.44 1.21 4.00 3.94 0.06 5.40 5.42 -0.0210 55.70 57.07 -1.37 3.85 3.72 0.13 5.00 4.99 0.01 11 63.45 63.30 0.15 3.85 3.74 0.11 5.45 5.48 -0.0312 60.60 62.07 -1.47 4.05 3.85 0.20 5.40 5.41 -0.0113 61.15 60.41 0.74 3.50 3.48 0.02 5.25 5.09 0.16 14 60.15 55.64 4.51 3.55 3.51 0.04 4.60 4.47 0.13 15 58.60 60.16 -1.56 3.35 3.46 -0.11 5.15 5.07 0.08 16 59.20 57.23 1.97 3.40 3.43 -0.03 5.00 4.94 0.06 17 60.85 61.50 -0.65 3.60 3.52 0.08 5.40 5.38 0.02 18 64.05 62.67 1.38 3.20 3.24 -0.04 5.65 5.63 0.02 19 60.60 5.21 0.04 61.49 -0.89 3.85 3.65 0.20 5.25 20 61.10 5.33 0.02 61.50 -0.40 3.45 3.53 -0.08 5.35 21 55.65 55.11 0.54 3.15 2.91 0.24 5.40 5.39 0.01 22 -1.95 3.15 3.29 -0.14 4.80 4.77 0.03 49.10 51.0523 0.12 3.30 3.54 -0.24 5.50 5.45 0.05 63.50 63.3824 65.75 66.98 -1.23 3.20 3.29 -0.09 6.25 6.29 -0.0425 72.15 72.89 -0.74 2.90 2.99 -0.09 6.95 6.92 0.03 26 73.20 67.68 5.52 2.90 3.05 -0.15 6.50 6.47 0.03 27 66.10 66.35 - 5 6.40 6.44 -0.040.25 3.00 -0.02.9528 67.60 67.00 0.60 3.10 2.90 0.20 6.20 6.21 -0.0129 66.50 67.51 -1.01 2.95 2.99 -0.04 6.35 6.35 0.00 30 70.70 70.06 0.64 3.05 3.09 -0.04 6.55 6.52 0.03


103

Tabel 3.99 Perbandingan Nilai Prediksi dan Nilai Sebenarnya Indikator I d R

Peri T r D re ro D

TO , NDR an GD ode OI T

Pred OI E or N R ND

P d R E r G R Pred

GDR Eror

1 1.55 . 7. 8.8 .6 8 3 1.16 0 39 1 15 1 1 -1 6 2 .21 0.03 -1.812 1.55 . 2. 2.3 .3 4 2 1.96 -0 41 1 65 1 3 0 2 2 .42 4.71 -0.293 2.10 .1 0.1 .6 2 2 1.93 0 7 9.50 1 9 -0 9 2 .07 2.24 -0.184 2.30 . .4 3 2 2.48 -0 18 9.40 9.85 -0 5 2 .02 3.02 -0.015 2.00 .0 1. 1.6 .0 3 2 1.91 0 9 1 65 1 8 -0 3 2 .20 3.63 -0.436 2.10 . 4. 3.1 .9 6 2 2.28 -0 18 1 15 1 9 0 6 2 .82 6.76 0.067 2.25 . 7. 6.6 .2 0 32.29 -0 04 1 90 1 2 1 8 3 .69 0.63 0.06 8 2.40 .0 5. 5.4 .1 9 22.37 0 3 1 60 1 6 0 4 2 .49 9.27 0.22 9 2.05 . 7. 6.2 .7 2 2.19 -0 14 1 05 1 9 0 6 29.70 9.81 -0.1110 2.80 . 2. 1.3 .6 22.87 -0 07 1 00 1 4 0 6 25.50 5.28 0.22 11 2.00 . .9 .0 2 2 2.17 -0 17 9.90 9 8 -0 8 2 .06 2.50 -0.4412 2.30 .0 8. 7.1 .3 32.26 0 4 1 50 1 7 1 3 31.06 1.06 0.00 13 2.45 . 9. 9.3 .3 4 32.59 -0 14 1 65 1 5 0 0 3 .08 3.63 0.45 14 2.55 . .3 .2 23.51 -0 96 9.10 9 2 -0 2 25.26 4.38 0.88 15 2.60 . 2. 2.6 .2 6 2 2.69 -0 09 1 45 1 8 -0 3 2 .35 6.40 -0.0516 2.60 . 6. 6.0 .5 32.89 -0 29 1 65 1 7 0 8 31.12 0.35 0.77 17 2.40 .0 1. 2.2 .0 2 2.38 0 2 1 20 1 5 -1 5 24.88 5.03 -0.1518 1.95 . 0. 0.8 .0 2 2.16 -0 21 1 75 1 0 -0 5 22.59 2.82 -0.2319 2.60 . 3. 3.2 .1 22.49 0 11 1 15 1 8 -0 3 26.96 6.80 0.15 20 2.40 .0 4. 4.7 .6 2 2.38 0 2 1 10 1 6 -0 6 27.57 7.81 -0.2421 2.60 . 1. 2.3 .8 2 2.84 -0 24 1 50 1 5 -0 5 24.88 5.08 -0.2022 3.50 . 1. 1.7 .1 6 2 3.58 -0 08 1 90 1 3 0 7 2 .65 6.05 0.6023 2.25 . 2. 2.9 .7 2 2.31 -0 06 1 15 1 1 -0 6 25.80 5.91 -0.1124 1.85 .2 2. 4.2 .4 2 1.61 0 4 1 85 1 9 -1 4 24.60 5.39 -0.7925 1.30 0.96 0.34 6.80 6.54 0.26 16.50 15.45 1.06 26 1.40 1.55 -0.15 10.50 10.68 -0.18 20.70 20.79 -0.09 27 1.65 1.54 0.11 21.90 22.23 -0.33 11.30 12.00 -0.7028 1.60 1.68 -0.08 11.40 10.79 0.61 21.57 21.73 -0.15 29 1.65 1.54 0.11 13.20 13.60 -0.40 24.29 24.81 -0.52 30 1.40 1.35 0.05 12.90 12.10 0.80 22.63 22.94 -0.31

3.3 Peramalan Nilai Varia an n M g nd Keberhasilan Pelayanan Rumah Sakit Tahun

Untuk tahun 2008, data diperoleh denga ak er da a

tah 2 t j d

me a t 0

digunakan untuk peram

.2 bel Y g Sig ifikan empen aruhi I ikator 2008

n mel ukan p amalan ri dat

un 007. Beriku disa ikan ata variabel-variabel yang signifikan

mpengaruhi indikator keberhasilan pelayanan rum h sakit ahun 20 7 yang

alan :


104

Tabel 3 D a Y ig n n d r h P a

JuPa

lhPrw

% ma

lh deri en kt

.100 ata V riabel ang S nifika Mempe garuhiIn ikato Keber asilan elayan n RS

Hari Rata2 Jmlh Pasien

mlah sien

Jm Hari tn Pe kaian

JmPen ta

Jmlh Pasi Pasien Py Jmlh

Pasien PePr M Pas

Kel bat ej L 48

riode

wtan RS Lama Kerja Keluar asuk ien

uar O Paten K B Mati >jam

Tbyk PybKmatian Mati

1 3 1 19 74 200 7.83 957 067 3315 .10 17 19 27 2 2 9 19 71 883 7.92 860 05 3208 .35 11 12 21 3 2 9 17 54 888 7.92 861 00 3190 .50 9 12 19 4 2 8 17 43 715 7.67 782 44 2893 .85 8 14 18 5 2 9 19 53 894 7.75 862 32 3089 .00 10 16 20 6 2 8 17 67 868 7.83 783 83 3052 .95 11 16 21 7 2 8 18 45 840 8.17 782 37 2985 .40 14 20 24 8 2 8 4 18 40 792 7.33 780 22 30 7 .75 13 16 23 9 2 8 16 57 847 7.67 808 32 3147 .30 14 16 24

1 2 7 19 35 0 570 7.92 745 78 2809 .55 9 17 19 1 2 8 19 55 1 840 8.33 816 57 3089 .85 8 20 18 1 2 8 20 42 2 797 8.17 805 48 3185 .00 15 15 25

Data variabel-varibel yang signifikan mempengaruhi indikator

perama kut :

Ta

keberhasilan pelayanan rumah sakit tahun 2008 yang telah diperoleh dari hasil

lan dengan metode moving average adalah sebagai beri

bel 3.101 Data Variabel Yang Signifikan Mempengaruhi Indikator Keberhasilan Pelayanan RS Tahun 2008

Hari Rata2 Jmlh Pasien Jmlh Pasien Jmlh Hari

Prwtn %

Pemakaian Jmlh

Penderita Jmlh

Pasien Pasien Pykt Jmlh Pasien Periode

Prwtan RS Lama Kerja Keluar Masuk Pasien

Keluar Obt Paten Kej LB Mati >48 jam

Tbyk Pyb Kmatian Mati

1 2735.667 8.140 788.667 827.667 3027.667 19.800 44.000 10.667 17.333 20.667 2 889 8.213 803.222 844.222 3100.556 19.883 47.000 11.222 17.444 21.222 2790.3 519 8.174 798.963 839.963 3104.407 19.894 44.333 12.296 16.593 22.296 2774.4 025 8.176 796.951 837.284 3077.543 19.859 45.111 11.395 17.123 21.395 2767.5 477 8.188 799.712 840.490 3094.169 19.879 45.481 11.638 17.053 21.638 2777.6 2 3 21.776 773.007 8.179 798.542 839.246 3092.040 19.878 44.975 11.776 16.927 2772. 21.603 503 8.181 11.603 17.033 798.401 839.006 3087.917 19.872 45.189 8 2774. 29 8. .672 17.003 3 183 7 5 1 375 9.876 .215 98.88 839.58 3091. 1 45 11 21.672 9 2773. 80 8. 77 .44 75 27 684 87 84 2 181 798.609 839.2 3090 4 19.8 45.1 11. 16.9 21.6

10 88 .91 74 77 653 08 2773.371 8.182 798.632 839.2 3089 2 19.8 45.1 11. 17.0 21.653 11 2 82 577 75 .173 .670 999 773.660 8.182 798.709 839.3 3090. 19.8 45 11 16. 21.670 12 2 16 311 75 .159 .669 998 773.437 8.182 798.650 839.3 3090. 19.8 45 11 16. 21.669

3.3.3 V si e sa n es P ntua tan Den S l B

Berikut disajikan prediksi nilai ma asing indikator keberhasilan

pelayanan rumah sakit untuk tahun 2 en enggunakan model persam n

re i te it a ngan mem ati var el-va el g

signifikan mempengaruhi indikator keberhasilan pelayanan rumah sakit.

alida Mod l Per maa Regr i Dan ene n S dar ganampe Data aru

sing-m

008, d gan m aa

gres yang lah d emuk n de perh kan iab riab yan


105

Tabel

GDR(Y6)

3.102 Prediksi Nilai Indikator Keberhasilan Pelayanan Rumah Sakit Kelas C Di Provinsi Riau Tahun 2008

BOR (Y1) Av-LOS (Y2) BTO (Y3) TOI(Y4) NDR(Y5) Periode

(%) (Hari) (Kali) (Hari) (Orang) (Orang)

1 61.68 4.09 5.33 5.53 12.73 26.81 2 62.9 23 27.15 4 4.12 5.43 5.69 13.3 62 .1 5 4 2 .52 4 3 5.40 5.6 1 .35 28.54 2 .11 2 13 50 6 .38 4 5.38 5.6 .44 27.5 2 5 3 26 .61 4.12 5.40 5.6 1 .67 27.7 6 2 4 3 16 .51 4.12 5.39 5.6 1 .82 27.9 7 2 4 3 16 .50 4.12 5.39 5.6 1 .64 27.7 8 2 4 3 86 .54 4.12 5.40 5.6 1 .71 27.7 9 2 4 3 06 .51 4.12 5.40 5.6 1 .72 27.8 10 2 4 3 7 6 .52 4.12 5.40 5.6 1 .69 27.7 11 2 4 3 8 6 .52 4.12 5.40 5.6 1 .71 27.7 12 2 4 3 8 6 .52 4.12 5.40 5.6 1 .71 27.7

Su er at

Standar Indikator Keberhasilan Pelayanan Rumah Sakit

Standar Dari Depkes RI Usulan Standar

Tahun 2008

mb : Pengolahan D a, 2009

Tabel 3.103Dengan Memperhatikan Variabel Yang Signifikan Mempengaruhinya

No Indikator

1. BOR 60-85% 61 – 63 %

2. Av LOS 6 - 9 hari 4 – 5 hari

3. BTO 40-50 kali / tahun atau 3 – 5 kali / bulan

5 – 6 kali/bulan

4. TOI 1 - 3 hari 5 – 6 hari 5. NDR < 25 orang < 15 orang 6. 29 orang GDR < 45 orang <


106

BAB 4 PEMBAHASAN

4.1 Indikator Bed Occupancy Ratio (BOR)

4.1.1 Asumsi Dalam Multipel Regresi

Untuk membuat model persamaan regresi yang baik, maka sebuah

persamaan regresi harus dapat memenuhi keempat asumsi ini.

a. Normality

Normality merupakan asumsi mendasar dalam analisis multivariat

khususnya analisis multipel regresi. Normality harus dicapai, baik untuk data pada

masing-masing variabel yang digunakan maupun pada residualnya (perbedaan

antara nilai prediksi dengan nilai sesungguhnya). Data atau residual dikatakan

berdistribusi normal apabila penyebarannya terdistribusi secara simetri disekitar

nilai means sama dengan nol.

Berdasarkan tabel 3.2 dapat dilihat bahwa nilai assymp. signifikan masing-

masing variabel independen yang digunakan semua > 5%, hal ini menunjukkan

bahwa seluruh variabel independen yang digunakan sudah berdistribusi normal.



Analisa grafis dari nilai residualnya dapat dilihat pada gambar 3.3 bahwa

histogram dan kurva normalnya membentuk sebuah lonceng yang simetri dan

mengindikasikan bahwa penyebaran residual dari model regresi telah terdistribusi

secara normal. Begitu juga dengan melihat normal probability plotnya pada

gambar 3.4, seluruh residual sudah menyebar mengikuti garis diagonal 450. Tetapi

analisa grafis saja kurang begitu meyakinkan sehingga perlu dilakukan uji statistik

kolmogorov smirnov untuk melihat apakah nilai residualnya juga terdistibusi

secara normal. Berdasarkan pada tabel 3.3 dapat dilihat bahwa nilai assymp.

signifikannya > 0.05 (nilai alpha), maka dapat dikatakan residual dari persamaan

garis regresi ini juga telah terdistribusi secara normal.


Pemenuhan terhadap asumsi linearity juga sangat diperlukan dalam

analisis multipel regresi, karena korelasi hanya akan terlihat dengan hubungan


107

linear dari variabel-variabel, pengaruh nonlinear tidak akan merepresentasikan

nilai korelasi. Untuk itu asumsi ini sangat perlu untuk dipenuhi.

Berdasarkan pada uji linearity dari variabel dependen BOR terhadap

masing-masing variabel independennya, ditunjukkan bahwa ada hubungan yang

linear antara variabel dependen BOR terhadap kelima variabel independen yang

digunakan. Hal ini menunjukkan bahwa ada korelasi linear antara nilai BOR

terhadap masing-masing variabel independennya.

Kelinearan ini ditunjukkan oleh nilai devation from linearity > 0.05 (nilai

alpha), yang membuat Ho ditolak sehingga dikatakan bahwa seluruh variabel

independen mempunyai hubungan linear terhadap variabel dependen BOR.

(diringkas pada tabel 3.9)


Homoscedasticity berhubungan dengan asumsi bahwa variabel dependen

BOR menunjukkan tingkat variansi yang sama terhadap rentang variabel-variabel

independen yang digunakan untuk memprediksi nilai BOR tersebut.

Homoscedasticity sangat diperlukan karena variansi dari variabel dependen BOR

akan dijelaskan dalam hubungan ketergantungan harus tidak terkonsentrasi hanya

dalam rentang terbatas dari nilai independen. Hal inilah yang menjadi dasar

bahwa untuk mendeteksi tidak adanya heteroskedasticity dapat dilihat dari pola

penyebaran nilai prediksi dan residualnya harus tidak terkonsentrasi pada satu

pola tertentu. Maka dilihat dari gambar 3.6 scatterplot nilai prediksi dan

residualnya terlihat jelas bahwa tidak terjadi heteroscedasticity, karena

penyebarannya tidak menunjukkan satu pola yang jelas.

Atau dari hasil uji statistik Park juga dapat dideteksi terjadinya

heteroscedasticity. Uji park ini dilakukan dengan meregresikan variabel Ln

kuadrat residualnya dengan variabel-variabel independen. Park melihat bahwa

variansi (S2) merupakan fungsi dari variabel-variabel independen X1, X2, X4, dan

X5, (X3 tidak digunakan karena telah dikeluarkan akibat adanya multikolinearitas)

dan fungsi itu dilinearkan dengan bentuk persamaan logaritma Ln σ2i = b0 + b1 X1

+ b2 X2 + b4 X4 + b5 X5. Karena S2i umumnya tidak diketahui maka dapat ditaksir

dengan menggunakan residual Ui. Pada tabel 3.10 Terlihat bahwa tidak ada nilai


108

yang signifikan, sehingga dapat disimpulkan bahwa tidak terjadi

heteroscedasticity pada residual dari persamaan regresi.


Uji autokorelasi ini dilakukan untuk memastikan bahwa residual

(kesalahan prediksi) yang satu tidak saling berhubungan dengan yang lainnya.

Untuk mengetahui ada atau tidaknya autokorelasi dapat dilakukan dengan

pengujian Durbin Watson. Dari pengujian Durbin Watson yang telah dilakukan

diperoleh nilai d = 2.197 (tabel 3.11). Dengan jumlah variabel independen (setelah

memenuhi asumsi) (k) = 4, n = 60 dan α = 5%, maka nilai du (dilihat dari tabel

durbin watson) = 1.727. Autokorelasi terjadi apabila tidak memenuhi syarat du <

d < 4-du. Dengan nilai du dan d yang telah dihitung, maka 1.727 < 2.197 < 2.273.

Dari sini dapat diketahui bahwa tidak terjadi autokorelasi pada nilai residualnya.

Hanya saja nilai Durbin Watson yang diperoleh hampir mendekati batas yang

tersedia. Hal ini terjadi karena memang data yang digunakan adalah data time

series (periode bulanan) yang memungkinkan data satu periode mempengaruhi

data periode berikutnya atau sebelumnya.

4.1.2 Model Persamaan Regresi

Selain empat asumsi multipel regresi yang telah dianalisa sebelumnya,

maka terdapat sebuah asumsi lagi yang harus dipenuhi untuk mendapatkan

persamaan regresi yang baik, yaitu multikolinearitas. Multikolinearitas adalah

hubungan antara variabel independen yang satu dengan variabel independen

lainnya. Terjadi multikolinearitas apabila nilai tolerance < 0,1 atau nilai VIF > 10.

Berdasarkan nilai pada tabel 3.12, dengan penggunaan lima variabel X1, X2, X3,

X4 dan X5 diketahui bahwa ada nilai tollerance yang < 0.1 dan nilai VIF yang >

10 yaitu X1, X2, dan X5. Dilihat dari coeffisien colleration masing variabel

independent pada tabel 3.13 terlihat bahwa antara variabel jumlah pasien keluar

(X3) dan jumlah pasien masuk (X4) terdapat hubungan yang sangat kuat yaitu

90.5%, sehingga salah satu variabel ini harus dikeluarkan atau dibuang. Dilihat

dari nilai tollerance yang terkecil dan tingkat kepentingan variabel jumlah pasien


109

masuk terhadap nilai BOR, maka yang dibuang adalah variabel jumlah pasien

keluar (X3).

Sehingga dilakukan penentuan model persamaan regresi dengan

menggunakan empat variabel independen. Dari tabel 3.16 dapat dilihat bahwa

tidak terjadi multikolinearitas yang serius lagi setelah dikeluarkannya variabel

jumlah pasien keluar (X3). Nilai tolerance X1 adalah sebesar 0.133, artinya hanya

13.3% variasi variabel X1 yang tidak dijelaskan oleh variasi variable independen

lainnya (X2, X4, dan X5). Tetapi nilai ini masih dapat ditolerir karena masih > 0.1.

Sedangkan nilai VIF adalah inverse dari nilai tolerance. Akar dari VIF ini

menunjukkan perubahan standar deviasi dari variabel karena adanya

multikolinearitas. Nilai VIF dari variabel X1 = 7.519, dengan 519.7 = 2.74

menunjukkan bahwa standar deviasi meningkat menjadi 2.74 kali karena

multikolinearitas ini.

Nilai korelasi dari masing-masing variabel independen dengan variabel

independen lainnya dapat dilihat pada tabel 3.17. Korelasi yang tertinggi adalah

sebesar 82.8% antara variabel jumlah hari perawatan RS dengan jumlah pasien

yang masuk. Sedangkan korelasi terkecil adalah sebesar 41.7% antara variabel

jumlah pasien masuk dengan keahlian tenaga medis dan paramedis.

Dari tabel 3.14 terlihat bahwa koefisien korelasinya (r) bernilai 0.991,

yang berarti besar dari nol, dengan demikian dapat dapat dinyatakan ada

hubungan yang bersifat pengaruh antara variabel hari perawatan rumah sakit (X1),

adanya kejadian luar biasa (X2), keahlian tenaga medis dan paramedic (X4), serta

jumlah pasien masuk (X5) terhadap nilai BOR. Nilai R square adalah sebesar

0.982, artinya bahwa variasi dari variabel-variabel independen X1, X2, X4, dan X5

telah mampu menjelaskan variasi nilai BOR sebesar 98,2 %. R square ini

diperoleh dari Explained Sum of Square 8107.203 dibandingkan dengan Total

Sum of Square 8255.942. Tetapi tidak cukup hanya dengan hanya melihat R

square saja, karena nilai R square akan terus bertambah dengan penambahan

variabel independen lainnya, walaupun variabel independen yang ditambahkan

tersebut tidak signifikan mempengaruhi variasi nilai BOR. Sehingga nilai yang

sebaiknya dilihat adalah nilai adjusted R square sebesar 0.981, yang menunjukkan

variasi nilai BOR telah dapat dijelaskan oleh variasi variabel X1, X2, X4, dan X5


110

sebesar 98.1%. Sedangkan sisanya 1.9% dijelaskan oleh sebab-sebab yang lain di

luar model. Dengan nilai adjusted R square yang cukup besar ini, maka dapat

dikatakan bahwa model yang dihasilkan sudah cukup baik karena dapat

menjelaskan variasi BOR sebesar 98%. Standar error dari prediksi yang dilakukan

dengan menggunakan persamaan regresi ini adalah sebesar 1.68155.

Pengujian hipotesis dengan uji F ditujukan untuk melihat pengaruh

keempat variabel independen ini secara bersamaan terhadap nilai variabel

dependen BOR. Berdasarkan tabel 3.15 Dengan α = 5%, degree of freedom (DF)

numerator = 4 dan denominator = 55, nilai sig. < 5%, maka Ho yang menyatakan

koefisien dalam sebuah persamaan regresi ini bernilai nol secara serentak ditolak

artinya bahwa artinya bahwa benar secara bersama-sama keempat variabel

independen X1, X2, X4, X5 berpengaruh terhadap nilai BOR.

Uji t digunakan untuk menguji hipotesis koefisien-koefisien regresi secara

individual. Berdasarkan nilai signifikan pada tabel 3.16 terlihat bahwa variabel

independen yang signifikan mempengaruhi nilai BOR secara keseluruhan adalah

variabel hari perawatan rumah sakit (X1), adanya kejadian luar biasa (X2),

keahlian tenaga medis dan paramedic (X4), serta jumlah pasien masuk (X5).

Sehingga persamaan multipel regresi untuk variabel dependen BOR (Y)


Y = -5.071 + 0.018 X1 + 0.015 X2 + 1.256 X4 + 0.008 X5

Interpretasi dari persamaan regresi tersebut adalah :

• Konstanta atau intercept -5.071 menyatakan bahwa jika variabel

independen dianggap konstan (0), maka rata-rata nilai BOR adalah sebesar

-5.071%. Karena X1, X2, X4 dan X5 tidak mungkin bernilai nol, maka

konstanta atau intercept itu membantu dalam meningkatkan proses

prediksi nilai BOR, tetapi tidak mempunyai nilai eksplanatori.

• Koefisien regresi hari perawatan RS (X1) sebesar 0.018 menyatakan

bahwa setiap penambahan satu hari perawatan RS akan meningkatkan nilai

BOR (persentase pemakaian tempat tidur) sebesar 0.018 %.

• Koefisien regresi adanya kejadian luar biasa (X2) sebesar 0.015

menyatakan bahwa setiap penambahan satu pasien penderita kejadian luar

biasa akan meningkatkan nilai BOR sebesar 0.015 %.


111

• Koefisien regresi keahlian tenaga medis dan paramedis (X4) sebesar1.256

menyatakan bahwa setiap penambahan satu tahun lama kerja tenaga medis

dan paramedis akan meningkatkan nilai BOR sebesar 1.256 %. Dari

koefisien regresi ini juga dapat disimpulkan bahwa variabel keahlian

tenaga medis dan paramedis (X4) memberikan pengaruh yang sangat besar

terhadap nilai BOR.

• Koefisien regresi jumlah pasien masuk (X5) sebesar 0.008 menyatakan

bahwa setiap penambahan satu pasien penderita kejadian luar biasa akan

meningkatkan nilai BOR sebesar 0.008 %.

4.2 Indikator Average Length of Stay (Av-LOS)




a. Normality

Berdasarkan tabel 3.18 dapat dilihat bahwa nilai assymp. signifikan

masing-masing variabel independen yang digunakan semua > 5%, hal ini

menunjukkan bahwa seluruh variabel independen yang digunakan sudah

berdistribusi normal.

Analisa grafis dari nilai residualnya (setelah model persamaan regresi

diperoleh) dapat dilihat pada gambar 3.12 bahwa histogram dan kurva normalnya

membentuk sebuah lonceng yang simetri dan mengindikasikan bahwa penyebaran

residual dari model regresi telah terdistribusi secara normal. Begitu juga dengan

melihat gambar 3.13 normal probability plotnya, seluruh residual sudah menyebar

mengikuti garis diagonal 450. Tetapi analisa grafis saja kurang begitu meyakinkan

sehingga perlu dilakukan uji statistik kolmogorov smirnov untuk melihat apakah

nilai residualnya juga terdistibusi secara normal. Berdasarkan pada tabel 3.19

dapat dilihat bahwa nilai assymp. signifikannya > 0.05 (nilai alpha), dapat

dikatakan residual dari persamaan garis regresi ini juga telah terdistribusi secara

normal sama seperti analisa grafis.


112


Berdasarkan pada uji linearity dari variabel dependen Av-LOS terhadap


linear antara variabel dependen Av-LOS terhadap keempat variabel independen

yang digunakan. Hal ini menunjukkan bahwa ada korelasi linear antara nilai Av-

LOS terhadap masing-masing variabel dependennya.



independen mempunyai hubungan linear terhadap variabel dependen Av-LOS.

(diringkas dalam tabel 3.24)



Av-LOS menunjukkan tingkat variansi yang sama terhadap rentang variabel-

variabel independen yang digunakan untuk memprediksi nilai Av-LOS tersebut.

Homoscedasticity sangat diperlukan karena variansi dari variabel dependen Av-

LOS akan dijelaskan dalam hubungan ketergantungan harus tidak terkonsentrasi

hanya dalam rentang terbatas dari nilai independen. Hal inilah yang menjadi dasar






Uji park ini dilakukan dengan meregresikan variabel Ln kuadrat

residualnya dengan variabel-variabel independen. Park melihat bahwa variansi

(S2) merupakan fungsi dari variabel-variabel independen X1, X2, X3, dan X4, dan

fungsi itu dilinearkan dengan bentuk persamaan logaritma Ln σ2i = b0 + b1 X1 + b2

X2 + b3 X3 + b4 X4. Karena S2i umumnya tidak diketahui maka dapat ditaksir

dengan menggunakan residual Ui. Pada tabel 3.22 terlihat bahwa tidak ada nilai




113


Dari pengujian Durbin Watson yang telah dilakukan diperoleh nilai d

=1.776 (tabel 3.26). Dengan jumlah variabel independen (k) = 4, n = 60 dan α =

5%, maka nilai du (dilihat dari tabel durbin watson) = 1.727. Autokorelasi terjadi

apabila tidak memenuhi syarat du < d < 4-du. Dengan nilai du dan d yang telah

dihitung, maka 1.727 < 1.776 < 2.273. Dari sini dapat diketahui bahwa tidak

terjadi autokorelasi pada nilai residualnya. Hanya saja nilai Durbin Watson yang

diperoleh hampir mendekati batas yang tersedia. Hal ini terjadi karena memang

data yang digunakan adalah data time series (periode bulanan) yang

memungkinkan data satu periode mempengaruhi data periode berikutnya atau

sebelumnya.



yang berarti besar dari nol dan mendekati nilai 1, dengan demikian dapat dapat

dinyatakan ada hubungan yang bersifat pengaruh antara variabel jumlah pasien

keluar (X1), jumlah hari perawatan pasien keluar (X2), jenis penyakit yang diderita

(X3), dan golongan obat paten yang diberikan (X4) terhadap nilai Av-LOS. Nilai R

square adalah sebesar 0.863, artinya bahwa variasi dari variabel-variabel

independen X1, X2, X3, dan X4 telah mampu menjelaskan variasi nilai Av-LOS

sebesar 86.3%. R square ini diperoleh dari Explained Sum of Square

7.471dibandingkan dengan Total Sum of Square 8.662. Tetapi tidak cukup hanya

dengan hanya melihat R square saja, karena nilai R square akan terus bertambah

dengan penambahan variabel independen lainnya, walaupun variabel independen

yang ditambahkan tersebut tidak signifikan mempengaruhi variasi nilaiAv-LOS.

Sehingga nilai yang sebaiknya dilihat adalah nilai adjusted R square sebesar

0.853, yang menunjukkan variasi nilai Av-LOS telah dapat dijelaskan oleh variasi

variabel X1, X2, X3, dan X4 sebesar 85.3 %. Sedangkan sisanya 14.7 % dijelaskan

oleh sebab-sebab yang lain di luar model. Dengan nilai adjusted R square yang

cukup besar ini, maka dapat dikatakan bahwa model yang dihasilkan sudah cukup

baik karena dapat menjelaskan variasi Av-LOS sebesar 85.3 %. Standar error dari


114

prediksi yang dilakukan dengan menggunakan persamaan regresi ini adalah

sebesar 0.14715.



dependen Av-LOS. Berdasarkan tabel 3.28 dengan α = 5%, degree of freedom

(DF) numerator = 4 dan denominator = 55, nilai sig. < 5%, maka Ho yang

menyatakan koefisien dalam sebuah persamaan regresi ini bernilai nol secara

serentak ditolak artinya bahwa artinya bahwa benar secara bersama-sama keempat

variabel independen X1, X2, X3, X4 berpengaruh terhadap nilai Av-LOS.

Berdasarkan nilai pada tabel 3.29 dapat dilihat bahwa tidak terjadi

multikolinearitas yang serius. Nilai tolerance terkecil ada pada variabel X2 adalah

sebesar 0.144, artinya hanya 14.4 % variasi variabel X2 yang tidak dijelaskan oleh

variasi variable independen lainnya (X1, X3, dan X4). Tetapi nilai ini masih dapat

ditolerir karena masih > 0.1. Sedangkan nilai VIF adalah inverse dari nilai

tolerance. Akar dari VIF ini menunjukkan perubahan standar deviasi dari variabel

karena adanya multikolinearitas. Nilai VIF dari variabel X2 = 6.940, dengan

940.6 = 2.63 menunjukkan bahwa standar deviasi meningkat menjadi 2.63 kali

karena multikolinearitas ini.



sebesar 75.0 % antara variabel jumlah hari perawatan pasien keluar dengan

golongan obat paten yang diberikan. Sedangkan korelasi terkecil adalah sebesar

24.1% antara variabel jumlah pasien keluar dengan jenis penyakit yang diderita.



independen yang signifikan mempengaruhi nilai Av-LOS secara keseluruhan

adalah variabel jumlah pasien keluar (X1), jumlah hari perawatan pasien keluar

(X2) dan variabel golongan obat paten yang diberikan (X4).

Sehingga persamaan multipel regresi untuk variabel dependen Av-LOS

(Y) adalah sebagai berikut :

Y = 4.142 - 0.003 X1 + 0.001 X2 - 0.036 X4


115


• Konstanta atau intercept 4.142 menyatakan bahwa jika variabel

independen dianggap konstan (0), maka rata-rata nilai Av-LOS adalah

sebesar 4.142 hari. Karena X1, X2 dan X4 tidak mungkin bernilai nol, maka

konstanta atau intercept membantu dalam meningkatkan proses prediksi

nilai Av-LOS, tetapi tidak mempunyai nilai eksplanatori.

• Koefisien regresi jumlah pasien keluar (X1) sebesar 0.003 menyatakan

bahwa setiap penambahan satu orang pasien keluar akan menurunkan nilai

Av-LOS (rata-rata lama rawatan pasien) sebesar 0.003 hari.

• Koefisien regresi jumlah hari perawatan pasien keluar (X2) sebesar 0.001

menyatakan bahwa setiap penambahan satu hari perawatan pasien keluar

akan meningkatkan nilai Av-LOS sebesar 0.001 hari.

• Koefisien regresi golongan obat paten yang diberikan (X4) sebesar 0.036

menyatakan bahwa setiap penambahan satu persen pemberian obat paten

akan menurunkan nilai Av-LOS sebesar 0.036 hari. Dari koefisien regresi

ini juga dapat disimpulkan bahwa variabel golongan obat paten yang

diberikan (X4) memberikan pengaruh yang sangat besar terhadap nilai Av-

LOS.

4.3 Indikator Bed Turn Over (BTO)




a. Normality






diperoleh) dapat dilihat pada gambar 3.15 bahwa histogram dan kurva normalnya

membentuk sebuah lonceng yang simetri dan mengindikasikan bahwa penyebaran

residual dari model regresi telah terdistribusi secara normal. Begitu juga dengan


116

melihat normal probability plotnya pada gambar 3.16, seluruh residual sudah

menyebar mengikuti garis diagonal 450. Tetapi analisa grafis saja kurang begitu

meyakinkan sehingga perlu dilakukan uji statistik kolmogorov smirnov untuk

melihat apakah nilai residualnya juga terdistribusi secara normal. Berdasarkan

pada tabel 3.32 dapat dilihat bahwa nilai assymp. signifikannya > 0.05 (nilai

alpha), maka dapat dikatakan residual dari persamaan garis regresi untuk

memprediksi nilai BTO ini juga telah terdistribusi secara normal.


Berdasarkan pada uji linearity dari variabel dependen BTO terhadap


tidak linear antara variabel dependen BTO terhadap jumlah pasien masuk (X4)

sehingga perlu dilakukan transformasi untuk merubah bentuk penyebaran datanya.

Berdasarkan bentuk plot (gambar 3.17) maka transformasi yang mungkin

dilakukan adalah Log X, -1/X dan √X. Maka dilakukan transformasi pertama kali

adalah dengan melogaritmakan variabel jumlah pasien masuk (X4), untuk

merubah plot data jumlah pasien masuk agar menunjukkan hubungan yang linear

terhadap nilai BTO.


alpha), diringkas pada tabel yang membuat Ho ditolak sehingga dikatakan bahwa

seluruh variabel independen mempunyai hubungan linear terhadap variabel

dependen BTO. (diringkas dalam tabel 3.39)



BTO menunjukkan tingkat variansi yang sama terhadap rentang variabel-variabel

independen yang digunakan untuk memprediksi nilai BTO tersebut.

Homoscedasticity sangat diperlukan karena variansi dari variabel dependen BTO






117







variansi (S2) merupakan fungsi dari variabel-variabel independen X1, X2, dan X3,

dan fungsi itu dilinearkan dengan bentuk persamaan logaritma Ln σ2i = b0 + b1 X1

+ b2 X2 + b3 X3. Karena S2i umumnya tidak diketahui maka dapat ditaksir dengan

menggunakan residual Ui. Pada tabel 3.40 Terlihat bahwa tidak ada nilai yang

signifikan, sehingga dapat disimpulkan bahwa tidak terjadi heteroscedasticity

pada residual dari persamaan regresi.



=1.781 (pada tabel 3.41). Dengan jumlah variabel independen (k) =3, n = 60 dan α

= 5%, maka nilai du (dilihat dari tabel durbin watson) = 1.689. Autokorelasi

terjadi apabila tidak memenuhi syarat du < d < 4-du. Dengan nilai du dan d yang

telah dihitung, maka 1.689 < 1.781 < 2.311. Dari sini dapat diketahui bahwa tidak


diperoleh hampir mendekati batas bawah yang tersedia. Hal ini terjadi karena

memang data yang digunakan adalah data time series (periode bulanan) yang


sebelumnya.


Terjadi multikolinearitas apabila nilai tolerance < 0,1 atau nilai VIF > 10.

Berdasarkan nilai pada tabel 3.42, dengan penggunaan empat variabel X1, X2, X3,

dan Log X4 diketahui bahwa ada nilai tollerance yang < 0.1 dan nilai VIF yang >

10 yaitu X1, dan Log X4. Dilihat dari coeffisien colleration masing variabel

independent pada tabel 3.43 terlihat bahwa antara variabel jumlah pasien keluar

(X3) dan log jumlah pasien masuk (Log X4) terdapat hubungan yang sangat kuat


118

yaitu 99.2%, sehingga salah satu variabel ini harus dikeluarkan atau dibuang. Jadi

berdasarkan pada rumus BTO maka variabel jumlah pasien keluar (X1) yang

dimasukkan kedalam model dan membuang variabel jumlah pasien masuk (X4).

Dengan menggunakan tiga variabel independen, maka dilakukan kembali

pengolahan untuk penentuan model persamaan regresi. Sehingga berdasarkan nilai

pada tabel 3.46 dapat dilihat bahwa tidak terjadi multikolinearitas. Nilai tolerance

semua variabel cukup besar, misalnya tolerance X2 adalah sebesar 0.990, artinya

hanya 99.0% variasi variabel X2 yang tidak dijelaskan oleh variasi variable

independen lainnya (X1 dan X3). Sedangkan nilai VIF adalah inverse dari nilai

tolerance. Akar dari VIF ini menunjukkan perubahan standar deviasi dari variabel

karena adanya multikolinearitas. Nilai VIF dari variabel X2 = 1.010, dengan

010.1 = 1.00 menunjukkan bahwa standar deviasi meningkat menjadi 1 kali

karena multikolinearitas ini.



sebesar 27.8% antara variabel jumlah pasien keluar dengan kejadian luar biasa.

Sedangkan korelasi terkecil adalah sebesar 5.3% antara variabel kejadian luar

biasa dengan jenis penyakit terbanyak rawat inap.




keluar (X1), jenis penyakit yang diderita (X2), adanya kejadian luar biasa (X3)

terhadap nilai BTO. Nilai R square adalah sebesar 0.998, artinya bahwa variasi

dari variabel-variabel independen X1, X2, dan X3 telah mampu menjelaskan variasi

nilai BTO sebesar 99,8 %. R square ini diperoleh dari Explained Sum of Square

66.304 dibandingkan dengan Total Sum of Square 66.413. Tetapi tidak cukup

hanya dengan hanya melihat R square saja, karena nilai R square akan terus

bertambah dengan penambahan variabel independen lainnya, walaupun variabel

independen yang ditambahkan tersebut tidak signifikan mempengaruhi variasi

nilai BTO. Sehingga nilai yang sebaiknya dilihat adalah nilai adjusted R square

sebesar 0.998, yang menunjukkan variasi nilai BTO telah dapat dijelaskan oleh

variasi variabel X1, X2, dan X3 sebesar 99.8%. Sedangkan sisanya 0.2% dijelaskan


119

oleh sebab-sebab yang lain di luar model. Dengan nilai adjusted R square yang

cukup besar ini, maka dapat dikatakan bahwa model yang dihasilkan sudah cukup

baik karena dapat menjelaskan variasi BTO sebesar 99.8%. Standar error dari

prediksi yang dilakukan dengan menggunakan persamaan regresi ini adalah

sebesar 0.0446.

Pengujian hipotesis dengan uji F ditujukan untuk melihat pengaruh ketiga

variabel independen ini secara bersamaan terhadap nilai variabel dependen BTO.

Berdasarkan tabel 3.45 dengan α = 5%, degree of freedom (DF) numerator = 3

dan denominator = 56, nilai sig. < 5%, maka Ho yang menyatakan koefisien

dalam sebuah persamaan regresi ini bernilai nol secara serentak ditolak artinya

bahwa artinya bahwa benar secara bersama-sama ketiga variabel independen X1,

X2, X3 berpengaruh terhadap nilai BTO.



independen yang signifikan mempengaruhi nilai BTO secara keseluruhan adalah

variabel jumlah pasien keluar (X1) dan variabel kejadian luar biasa (X3).

Sehingga persamaan multipel regresi untuk variabel dependen BTO (Y)


Y = - 0.177 + 0.007X1 - 0.0004 X3


• Konstanta atau intercept -0.177 menyatakan bahwa jika variabel

independen dianggap konstan (0), maka rata-rata nilai BTO (frekuensi

pemakaian tempat tidur) adalah sebesar -0.177 kali. Selain itu konstanta

atau intercept membantu dalam meningkatkan proses prediksi nilai BTO,

tetapi tidak mempunyai nilai eksplanatori.


bahwa setiap penambahan satu pasien keluar akan meningkatkan nilai

BTO sebesar 0.007 kali. Dari koefisien regresi ini juga dapat disimpulkan

bahwa variabel jumlah pasien keluar (X1) memberikan pengaruh yang

paling besar terhadap nilai BTO.

• Koefisien regresi kejadian luar biasa (X3) sebesar 0.0004 menyatakan

bahwa setiap penambahan satu pasien penderita kejadian luar biasa akan


120

menurunkan nilai BTO (frekuensi pemakaian tempat tidur) sebesar 0.0004

kali. Hal ini dapat terjadi dengan anggapan bahwa penderita kejadian luar

biasa dirawat lebih lama di rumah sakit ini menyebabkan jumlah pasien

keluar berkurang dan jumlah pasien yang bisa masuk ke rumah sakit

menjadi berkurang sehingga frekuensi pemakaian tempat tidur juga akan

berkurang.

4.4 Indikator Turn Over Interval (TOI)




a. Normality






memenuhi asumsi) dapat dilihat pada gambar 3.19 bahwa histogram dan kurva

normalnya membentuk sebuah lonceng yang simetri dan mengindikasikan bahwa

penyebaran residual dari model regresi telah terdistribusi secara normal. Begitu

juga dengan melihat normal probability plotnya pada gambar 3.20, seluruh

residual sudah menyebar mengikuti garis diagonal 450. Tetapi analisa grafis saja

kurang begitu meyakinkan sehingga perlu dilakukan uji statistik kolmogorov

smirnov untuk melihat apakah nilai residualnya juga terdistibusi secara normal.

Berdasarkan pada tabel 3.49 dapat dilihat bahwa nilai assymp. signifikannya >

0.05 (nilai alpha), maka dapat dikatakan residual dari persamaan garis regresi

untuk memprediksi nilai TOI ini juga telah terdistribusi secara normal.


Berdasarkan pada uji linearity dari variabel dependen TOI terhadap


tidak linear antara variabel dependen TOI dengan jumlah pasien keluar (X1) dan


121

jumlah pasien masuk (X4), sehingga perlu dilakukan transformasi untuk merubah

bentuk penyebaran datanya. Berdasarkan bentuk plot TOI pada gambar 3.21 dan

gambar 3.22 maka transformasi yang mungkin dilakukan adalah Log X, -1/X dan

√X. Maka dilakukan transformasi pertama kali adalah dengan melogaritmakan

variabel jumlah pasien keluar (X1) dan jumlah pasien masuk (X4), tetapi setelah

diuji linearitas lagi terlihat bahwa nilai deviation of linearitynya masih <= 0.05,

sehingga dilakukan transfromasi kembali dengan menginverse variabel jumlah

pasien keluar (X1) dan jumlah pasien masuk (X4), untuk merubah plot data jumlah

pasien keluar dan jumlah pasien masuk agar menunjukkan hubungan yang linear

terhadap nilai TOI.



independen 1/X1, X2, X3 dan 1/X4 mempunyai hubungan linear terhadap variabel

dependen TOI. (diringkas dalam tabel 3.59)



TOI menunjukkan tingkat variansi yang sama terhadap rentang variabel-variabel

independen yang digunakan untuk memprediksi nilai TOI tersebut.

Homoscedasticity sangat diperlukan karena variansi dari variabel dependen TOI











variansi (S2) merupakan fungsi dari variabel-variabel independen 1/X1, X2, dan

X3, dan fungsi itu dilinearkan dengan bentuk persamaan logaritma Ln σ2i = b0 +


122

b1 1/X1 + b2 X2 + b3 X3. Karena S2i umumnya tidak diketahui maka dapat ditaksir

dengan menggunakan residual Ui. Pada tabel 3.60 terlihat bahwa tidak ada nilai





=2.235 (pada tabel 3.61). Dengan jumlah variabel independen setelah pemenuhan

asumsi (k) =3, n = 60 dan α = 5%, maka nilai du (dilihat dari tabel durbin watson)

= 1.689. Autokorelasi terjadi apabila tidak memenuhi syarat du < d < 4-du.

Dengan nilai du dan d yang telah dihitung, maka 1.689 < 2.235 < 2.311. Dari sini

dapat diketahui bahwa tidak terjadi autokorelasi pada nilai residualnya. Hanya

saja nilai Durbin Watson yang diperoleh hampir mendekati batas atas yang

tersedia. Hal ini terjadi karena memang data yang digunakan adalah data time

series (periode bulanan) yang memungkinkan data satu periode mempengaruhi

data periode berikutnya atau sebelumnya.


Terjadi multikolinearitas apabila nilai tolerance < 0,1 atau nilai VIF > 10.

Berdasarkan nilai pada tabel 3.62, dengan penggunaan empat variabel 1/X1, X2,

X3, dan 1/X4 diketahui bahwa ada nilai tollerance yang < 0.1 dan nilai VIF yang

> 10 yaitu 1/X1, dan 1/X4. Dilihat dari coeffisien colleration masing variabel

independent pada tabel 3.63 terlihat bahwa antara variabel inverse jumlah pasien

keluar (1/X1) dan inverse jumlah pasien masuk (1/X4) terdapat hubungan yang

sangat kuat yaitu 99.2%, sehingga salah satu variabel ini harus dikeluarkan atau

dibuang. Jadi berdasarkan pada nilai tollerance terkecil dan berdasarkan pada

rumus TOI maka variabel inverse jumlah pasien keluar (1/X1) yang dimasukkan

kedalam model dan membuang variabel inverse jumlah pasien masuk (1/X4).

Dengan menggunakan tiga variabel independen, maka dilakukan kembali

pengolahan untuk penentuan model persamaan regresi. Sehingga berdasarkan nilai

pada tabel 3.66 dapat dilihat bahwa tidak terjadi multikolinearitas yang serius.

Nilai tolerance terkecil adalah hari perawatan RS (X2) sebesar 0.119, artinya


123

hanya 11.9% variasi variabel X2 yang tidak dijelaskan oleh variasi variable

independen lainnya (1/X1 dan X3). Tetapi nilai tolerance ini masih berada diatas

batas multikolineariti yang ditentukan. Sedangkan nilai VIF adalah inverse dari

nilai tolerance. Akar dari VIF ini menunjukkan perubahan standar deviasi dari

variabel karena adanya multikolinearitas. Nilai VIF dari variabel X2 = 8.412,

dengan 412.8 = 2.90 menunjukkan bahwa standar deviasi meningkat menjadi

2.9 kali karena multikolinearitas ini.



sebesar 93.1% antara variabel inverse jumlah pasien keluar dengan hari perawatan

RS, tetapi korelasi ini masih berada dibawah batas korelasi yang kuat 95%.

Sedangkan korelasi terkecil adalah sebesar 1.6% antara variabel kejadian luar

biasa dengan inverse jumlah pasien keluar.



dinyatakan ada hubungan yang bersifat pengaruh antara variabel variabel inverse

jumlah pasien keluar (1/X1), variabel hari perawatan RS (X2) dan variabel

kejadian luar biasa (X3) terhadap nilai TOI. Nilai R square adalah sebesar 0.976,

artinya bahwa variasi dari variabel-variabel independen 1/X1, X2, dan X3 telah

mampu menjelaskan variasi nilai TOI sebesar 97.6 %. R square ini diperoleh dari

Explained Sum of Square 147.075 dibandingkan dengan Total Sum of

Square150.727. Tetapi tidak cukup hanya dengan hanya melihat R square saja,

karena nilai R square akan terus bertambah dengan penambahan variabel

independen lainnya, walaupun variabel independen yang ditambahkan tersebut

tidak signifikan mempengaruhi variasi nilai TOI. Sehingga nilai yang sebaiknya

dilihat adalah nilai adjusted R square sebesar 0.974, yang menunjukkan variasi

nilai TOI telah dapat dijelaskan oleh variasi variabel 1/X1, X2, dan X3 sebesar

97.4%. Sedangkan sisanya 2.6 % dijelaskan oleh sebab-sebab yang lain di luar

model. Dengan nilai adjusted R square yang cukup besar ini, maka dapat

dikatakan bahwa model yang dihasilkan sudah cukup baik karena dapat

menjelaskan variasi TOI sebesar 97.4%. Standar error dari prediksi yang

dilakukan dengan menggunakan persamaan regresi ini adalah sebesar 0.25537.


124

Pengujian hipotesis dengan uji F ditujukan untuk melihat pengaruh ketiga

variabel independen ini secara bersamaan terhadap nilai variabel dependen TOI.

Berdasarkan tabel 3.65 dengan α = 5%, degree of freedom (DF) numerator = 3

dan denominator = 56, nilai sig. < 5%, maka Ho yang menyatakan koefisien

dalam sebuah persamaan regresi ini bernilai nol secara serentak ditolak artinya

bahwa benar secara bersama-sama ketiga variabel independen 1/X1, X2, X3

berpengaruh terhadap nilai TOI.


individual. Berdasarkan nilai signifikan pada tabel 3.66 terlihat bahwa seluruh

variabel independen signifikan mempengaruhi nilai TOI. Variabel independen itu

adalah variabel inverse jumlah pasien keluar (1/X1), variabel hari perawatan RS

(X2) dan variabel kejadian luar biasa (X3).

Sehingga persamaan multipel regresi untuk variabel dependen TOI (Y)


Y = 3.413 – 2577.936 (1/X1) - 0.002 X2 + 0.002 X3



independen dianggap konstan (0), maka rata-rata nilai TOI adalah sebesar

3.413 hari. Selain itu konstanta atau intercept membantu dalam

meningkatkan proses prediksi nilai TOI (rata-rata hari tempat tidur tidak

ditempati dari saat terisi ke terisi berikutnya), tetapi tidak mempunyai nilai

eksplanatori.

• Koefisien regresi inverse jumlah pasien keluar (1/X1) sebesar 2577.936

menyatakan bahwa setiap penambahan satu pasien keluar akan

menurunkan nilai TOI sebesar 2577.936 hari. Dari koefisien regresi ini

juga dapat disimpulkan bahwa variabel inverse jumlah pasien keluar

(1/X1) memberikan pengaruh yang paling besar terhadap nilai TOI.

• Koefisien regresi hari perawatan RS (X2) sebesar 0.002 menyatakan

bahwa setiap penambahan satu hari perawatan RS akan menurunkan nilai

TOI sebesar 0.002 hari.

• Koefisien regresi kejadian luar biasa (X3) sebesar 0.002 menyatakan

bahwa setiap penambahan satu penderita kejadian luar biasa akan


125

meningkatkan nilai TOI (rata-rata hari tempat tidur tidak ditempati dari

saat terisi ke terisi berikutnya) sebesar 0.002 hari. Hal ini dapat terjadi

dengan anggapan bahwa jika penderita kejadian luar biasa dirawat lebih

lama di rumah sakit ini menyebabkan jumlah pasien keluar berkurang dan

jumlah pasien yang bisa masuk ke rumah sakit menjadi berkurang hingga

menyebabkan meningkatkan nilai TOI karena berkurangnya jumlah pasien

yang masuk membuat tempat tidur hanya bisa diisi oleh pasien penderita

kejadian luar biasa yang dirawat lebih lama itu.

4.5 Indikator Net Death Rate (NDR) 4.5.1 Asumsi Dalam Multipel Regresi



a. Normality









gambar 3.25, seluruh residual sudah menyebar mengikuti garis diagonal 450.

Tetapi analisa grafis saja kurang begitu meyakinkan sehingga perlu dilakukan uji

statistik kolmogorov smirnov untuk melihat apakah nilai residualnya juga

terdistibusi secara normal. Berdasarkan pada tabel 3.69 dapat dilihat bahwa nilai

assymp. signifikannya > 0.05 (nilai alpha), maka dapat dikatakan residual dari

persamaan garis regresi untuk memprediksi nilai NDR ini juga telah terdistribusi

secara normal.


126


Berdasarkan pada uji linearity dari variabel dependen NDR terhadap


tidak linear antara variabel dependen NDR dengan jumlah pasien penderita

penyakit penyebab kematian (X4), sehingga perlu dilakukan transformasi untuk

merubah bentuk penyebaran datanya. Berdasarkan bentuk plot NDR dengan

jumlah pasien penderita penyakit penyebab kematian (X4) pada gambar 3.26 maka

transformasi yang mungkin dilakukan adalah Log X, -1/X dan √X. Maka

dilakukan transformasi dengan melogaritmakan variabel jumlah pasien penderita

penyakit penyebab kematian (X4), untuk merubah plot data variabel jumlah pasien

penderita penyakit penyebab kematian (X4) agar menunjukkan hubungan yang

linear terhadap nilai NDR.



independen X1, X2, X3 dan Log X4 mempunyai hubungan linear terhadap variabel

dependen NDR. (diringkas dalam tabel 3.76)



NDR menunjukkan tingkat variansi yang sama terhadap rentang variabel-variabel

independen yang digunakan untuk memprediksi nilai NDR tersebut.

Homoscedasticity sangat diperlukan karena variansi dari variabel dependen NDR












127

variansi (S2) merupakan fungsi dari variabel-variabel independen X1, X2, X3 dan

X4, dan fungsi itu dilinearkan dengan bentuk persamaan logaritma Ln σ2i = b0 +

b1 X1 + b2 X2 + b3 X3 + b4 LogX4. Karena S2i umumnya tidak diketahui maka

dapat ditaksir dengan menggunakan residual Ui. Pada tabel 3.77 terlihat bahwa

tidak ada nilai yang signifikan, sehingga dapat disimpulkan bahwa tidak terjadi




=1.799 (pada tabel 3.78). Dengan jumlah variabel independen (k) = 4, n = 60 dan

α = 5%, maka nilai du (dilihat dari tabel durbin watson) =1.727. Autokorelasi







sebelumnya.





keluar (X1), jumlah pasien mati > 48 jam perawatan (X2), keahlian tenaga medis

dan paramedis (X3), serta variabel log jumlah pasien penderita penyakit penyebab

kematian (LogX4) terhadap nilai NDR. Nilai R square adalah sebesar 0.984,

artinya bahwa variasi dari variabel-variabel independen X1, X2, X3 dan LogX4

telah mampu menjelaskan variasi nilai NDR sebesar 98.4%. R square ini

diperoleh dari Explained Sum of Square 1690.707 dibandingkan dengan Total

Sum of Square 1719.004. Tetapi tidak cukup hanya dengan hanya melihat R

square saja, karena nilai R square akan terus bertambah dengan penambahan

variabel independen lainnya, walaupun variabel independen yang ditambahkan


128

tersebut tidak signifikan mempengaruhi variasi nilai NDR. Sehingga nilai yang

sebaiknya dilihat adalah nilai adjusted R square sebesar 0.982, yang menunjukkan

variasi nilai NDR telah dapat dijelaskan oleh variasi variabel X1, X2, X3 dan

LogX4 sebesar 98.2%. Sedangkan sisanya 1.8% dijelaskan oleh sebab-sebab yang

lain di luar model. Dengan nilai adjusted R square yang cukup besar ini, maka

dapat dikatakan bahwa model yang dihasilkan sudah cukup baik karena dapat

menjelaskan variasi NDR sebesar 98.2%. Standar error dari prediksi yang

dilakukan dengan menggunakan persamaan regresi ini adalah sebesar 0.71729.



dependen NDR. Berdasarkan tabel 3.80 dengan α = 5%, degree of freedom (DF)



artinya bahwa benar secara bersama-sama keempat variabel independen X1, X2,

X3 dan Log X4 berpengaruh terhadap nilai NDR.


multikolinearitas yang serius. Nilai tolerance terkecil adalah jumlah pasien

mati<48 jam perawatan (X2) sebesar 0.178, artinya hanya 17.8% variasi variabel

X2 yang tidak dijelaskan oleh variasi variable independen lainnya (X1, X3 dan

LogX4). Tetapi nilai tolerance ini masih berada diatas batas multikolinearitas yang

ditentukan. Sedangkan nilai VIF adalah inverse dari nilai tolerance. Akar dari VIF

ini menunjukkan perubahan standar deviasi dari variabel karena adanya

multikolinearitas. Nilai VIF dari variabel X2 = 5.617, dengan 617.5 = 2.37

menunjukkan bahwa standar deviasi meningkat menjadi 2.37 kali karena

multikolinearitas ini.



sebesar 63.2% antara variabel jumlah pasien mati > 48 jam perawatan dengan Log

jumlah pasien penderita penyakit penyebab kematian. Sedangkan korelasi terkecil

adalah sebesar 8.9% antara variabel keahlian tenaga medis dan paramedis dengan

Log jumlah pasien penderita peyakit penyebab kematian.


129


individual. Berdasarkan nilai signifikan pada tabel 3.81 terlihat bahwa seluruh

variabel independen signifikan mempengaruhi nilai NDR. Variabel independen itu

adalah variabel jumlah pasien keluar (X1), jumlah pasien mati > 48 jam perawatan

(X2), keahlian tenaga medis dan paramedis (X3), serta variabel log jumlah pasien

penderita penyakit penyebab kematian (LogX4).

Sehingga persamaan multipel regresi untuk variabel dependen NDR (Y)


Y = 4.123 - 0.006 X1 + 1.068 X2 - 0.231 X3 + 3.092 Log X4



independen dianggap konstan (0), maka rata-rata nilai NDR (angka

kematian > 48 jam setelah dirawat dari 1000 pasien) adalah sebesar 4.123

orang. Selain itu konstanta atau intercept membantu dalam meningkatkan

proses prediksi nilai NDR, tetapi tidak mempunyai nilai eksplanatori.


bahwa setiap penambahan satu pasien keluar akan menurunkan nilai NDR

sebesar 0.006 orang.

• Koefisien regresi jumlah pasien mati > 48 jam perawatan (X2) sebesar

1.068 menyatakan bahwa setiap penambahan satu orang pasien mati>48

jam perawatan akan meningkatkan nilai NDR sebesar 1.068 orang.

• Koefisien regresi keahlian tenaga medis dan paramedis (X3) sebesar 0.231

menyatakan bahwa setiap penambahan satu tahun lama kerja tenaga medis

dan paramedis akan menurunkan nilai NDR sebesar 0.231 orang.

• Koefisien regresi log jumlah pasien penderita penyakit penyebab kematian

(LogX4) sebesar 3.092 menyatakan bahwa setiap penambahan satu pasien

penderita penyakit penyebab kematian akan meningkatkan nilai NDR

sebesar 3.092 orang. Dari koefisien regresi ini juga dapat disimpulkan

bahwa variabel log jumlah pasien penderita penyakit penyebab kematian

(LogX4) memberikan pengaruh yang paling besar terhadap nilai NDR.


130

4.6 Indikator Gross Death Rate (GDR) 4.6.1 Asumsi Dalam Multipel Regresi



a. Normality









gambar 3.29, seluruh residual sudah menyebar mengikuti garis diagonal 450.

Tetapi analisa grafis saja kurang begitu meyakinkan sehingga perlu dilakukan uji

statistik kolmogorov smirnov untuk melihat apakah nilai residualnya juga

terdistibusi secara normal. Berdasarkan pada tabel 3.84 dapat dilihat bahwa nilai

assymp. signifikannya > 0.05 (nilai alpha), maka dapat dikatakan residual dari

persamaan garis regresi untuk memprediksi nilai GDR ini juga telah terdistribusi

secara normal.


Berdasarkan pada uji linearity dari variabel dependen GDR terhadap


tidak linear antara variabel dependen GDR dengan keahlian tenaga medis

paramedis (X3), sehingga perlu dilakukan transformasi untuk merubah bentuk

penyebaran datanya. Berdasarkan bentuk plot GDR dengan keahlian tenaga medis

paramedis (X3) pada gambar 3.30 maka transformasi yang mungkin dilakukan

adalah X2. Maka dilakukan transformasi dengan mengkuadratkan keahlian tenaga

medis paramedis (X3), untuk merubah plot datanya agar menunjukkan hubungan

yang linear terhadap nilai GDR. Kelinearan ini ditunjukkan oleh nilai devation

from linearity > 0.05 (nilai alpha), yang membuat Ho ditolak sehingga dikatakan


131

bahwa seluruh variabel independen X1, X2, (X3)2 dan X4 mempunyai hubungan

linear terhadap variabel dependen GDR. (diringkas dalam tabel 3.91)



GDR menunjukkan tingkat variansi yang sama terhadap rentang variabel-variabel

independen yang digunakan untuk memprediksi nilai GDR tersebut.

Homoscedasticity sangat diperlukan karena variansi dari variabel dependen GDR











variansi (S2) merupakan fungsi dari variabel-variabel independen X1, X2, (X3)2

dan X4, dan fungsi itu dilinearkan dengan bentuk persamaan logaritma Ln σ2i = b0

+ b1 X1 + b2 X2 + b3 (X3)2 + b4 X4. Karena S2i umumnya tidak diketahui maka

dapat ditaksir dengan menggunakan residual Ui. Pada tabel 3.92 terlihat bahwa

tidak ada nilai yang signifikan, sehingga dapat disimpulkan bahwa tidak terjadi




=1.792 (pada tabel 3.93). Dengan jumlah variabel independen (k) = 4, n = 60 dan

α = 5%, maka nilai du (dilihat dari tabel durbin watson) =1.727. Autokorelasi





132




sebelumnya.




dinyatakan ada hubungan yang bersifat pengaruh antara seperti jumlah pasien

yang keluar (X1), jumlah pasien mati (X2), kuadrat keahlian tenaga medis dan

paramedic ((X3)2), jenis penyakit yang diderita (Penyebab kematian) (X4)

terhadap nilai GDR. Nilai R square adalah sebesar 0.984, artinya bahwa variasi

dari variabel-variabel independen X1, X2, (X3)2 dan X4 telah mampu menjelaskan

variasi nilai GDR sebesar 98.4%. R square ini diperoleh dari Explained Sum of

Square 1164.983 dibandingkan dengan Total Sum of Square1184.524. Tetapi

tidak cukup hanya dengan hanya melihat R square saja, karena nilai R square akan

terus bertambah dengan penambahan variabel independen lainnya, walaupun

variabel independen yang ditambahkan tersebut tidak signifikan mempengaruhi

variasi nilai GDR. Sehingga nilai yang sebaiknya dilihat adalah nilai adjusted R

square sebesar 0.982, yang menunjukkan variasi nilai GDR telah dapat dijelaskan

oleh variasi variabel X1, X2, (X3)2 dan X4 sebesar 98.2%. Sedangkan sisanya 1.8%

dijelaskan oleh sebab-sebab yang lain di luar model. Dengan nilai adjusted R

square yang cukup besar ini, maka dapat dikatakan bahwa model yang dihasilkan

sudah cukup baik karena dapat menjelaskan variasi GDR sebesar 98.2%. Standar

error dari prediksi yang dilakukan dengan menggunakan persamaan regresi ini

adalah sebesar 0.59606.



dependen GDR. Berdasarkan tabel 3.95 dengan α = 5%, degree of freedom (DF)




133

artinya bahwa benar secara bersama-sama keempat variabel independen X1, X2,

(X3)2 dan X4 berpengaruh terhadap nilai GDR.


multikolinearitas yang serius. Nilai tolerance terkecil adalah jumlah pasien mati

(X2) sebesar 0.149, artinya hanya 14.9% variasi variabel X2 yang tidak dijelaskan

oleh variasi variable independen lainnya (X1, (X3)2 dan X4). Tetapi nilai tolerance

ini masih berada diatas batas multikolineariti yang ditentukan. Sedangkan nilai

VIF adalah inverse dari nilai tolerance. Akar dari VIF ini menunjukkan perubahan

standar deviasi dari variabel karena adanya multikolinearitas. Nilai VIF dari

variabel X2 = 6.709, dengan 709.6 = 2.59 menunjukkan bahwa standar deviasi

meningkat menjadi 2.59 kali karena multikolinearitas ini.



sebesar 73% antara variabel jumlah pasien keluar dengan jumlah pasien mati.

Sedangkan korelasi terkecil adalah sebesar 2.1% antara variabel kuadrat keahlian

tenaga medis dan paramedis dengan jumlah pasien keluar.



independen yang signifikan mempengaruhi nilai GDR adalah variabel jumlah

pasien keluar (X1), jumlah pasien mati (X2), serta variabel jumlah pasien penderita

penyakit penyebab kematian (X4).

Sehingga persamaan multipel regresi untuk variabel dependen GDR (Y)


Y = 19.3 - 0.024 X1 + 1.229 X2 + 0.06 X4


• Konstanta atau intercept 19.3 menyatakan bahwa jika variabel independen

dianggap konstan (0), maka rata-rata nilai GDR (angka kematian umum

dari 1000 pasien) adalah sebesar 19.3 orang. Selain itu konstanta atau

intercept membantu dalam meningkatkan proses prediksi nilai GDR, tetapi

tidak mempunyai nilai eksplanatory.


134


bahwa setiap penambahan satu pasien keluar akan menurunkan nilai GDR

sebesar 0.024 orang.

• Koefisien regresi jumlah pasien mati (X2) sebesar 1.229 menyatakan

bahwa setiap penambahan satu orang pasien mati akan meningkatkan nilai

GDR sebesar 1.229 orang. Dari koefisien regresi ini juga dapat

disimpulkan bahwa variabel jumlah pasien mati (X2) memberikan

pengaruh yang paling besar terhadap nilai GDR.

• Koefisien regresi jumlah pasien penderita penyakit penyebab kematian

(X4) sebesar 0.06 menyatakan bahwa setiap penambahan satu pasien

penderita penyakit penyebab kematian akan meningkatkan nilai GDR

sebesar 0.06 orang.

4.7 Validasi Hasil

4.7.1 Hasil Prediksi Dengan Nilai Sebenarnya

Pada tabel 3.98 dan 3.99 ditampilkan 30 periode pengamatan untuk

melihat model yang dibangun berdasarkan kesalahan/residual (selisih antara nilai

sebenarnya masing-masing indikator terhadap nilai prediksi yang diperoleh dari

persamaan regresi). Disitu terlihat bahwa kesalahan prediksi yang terjadi tidaklah

begitu besar, bahkan pada beberapa model, hasil prediksi sangat mendekati nilai

yang sebenarnya. Hal ini terjadi karena semua model persamaan regresi telah

memenuhi asumsi-asumsi dalam multipel regresi. Dari sini dapat diketahui bahwa

model yang dibangun sudah cukup baik untuk memprediksi nilai masing-masing

indikator keberhasilan pelayanan rumah sakit kelas C di Provinsi Riau, yang pada

akhirnya nanti dapat digunakan sebagai nilai standar yang sesuai dengan kondisi

rumah sakit. Kesalahan prediksi yang agak besar terjadi pada model persamaan

regresi BOR walaupun telah memenuhi semua asumsi, hal ini mungkin

disebabkan karena nilai tollerance yang menunjukkan multikolinearitas dari

variabel-variabel independen yang mendekati ambang batasnya. Seluruh nilai

tollerance dari variabel independen ini hanya sedikit lebih besar dari 0.1, sehingga

mengurangi ketelitian koefisien regresi untuk memprediksi nilai variabel

dependen.


135

4.7.2 Peramalan Nilai Variabel Yang Signifikan Mempengaruhi Indikator Keberhasilan Pelayanan Rumah Sakit Tahun 2008 Peramalan dilakukan dengan menggunakan metode yang sangat sederhana

yaitu moving average. Metode ini dipilih karena peramalan disini hanya dilakukan

untuk memprediksi nilai masing-masing variabel untuk validasi model regresi

yang telah ditemukan dan selanjutnya digunakan sebagai standar indikator

keberhasilan pelayanan rumah sakit. Data tahun 2008 diperoleh dari hasil

peramalan data tahun sebelumnya yaitu tahun 2007. Hasil peramalan dapat dilihat

pada tabel 3.101. Karena metode peramalan yang digunakan adalah metode yang

sangat sederhana, maka pada akhir-akhir periode peramalan, hasil peramalan yang

diperoleh cenderung konstan hanya berbeda pada angka di belakang komanya

saja.

4.7.3 Validasi Model Persamaan Regresi Dengan Sampel Data Baru Dan Analisa Standar Indikator Yang Ditemukan

Validasi model persamaan regresi dapat dilakukan dengan beberapa cara.

Pertama, model original bisa memprediksi nilai dari sampel baru, dan perkiraan

yang cocok bisa dihitung. Kedua, sebuah model tersendiri bisa diestimasi dari

sampel yang baru kemudian membandingkannya dengan persamaan original pada

karakteristik-karakteristik seperti signifikan variabel termasuk tanda, ukuran dan

tingkat kepentingan relatif dari variabel, dan keakuratan prediksi.

Cara yang kedua tidak mungkin dilakukan karena keterbatasan-

keterbatasan data. Sehingga yang mungkin dilakukan adalah cara yang pertama.

Dengan data tahun 2008 yang diperoleh dari hasil peramalan, maka dapat

diprediksi nilai masing-masing indikator keberhasilan pelayanan rumah sakit

dengan menggunakan sampel yang baru sehingga dapat dihitung perkiraan yang

cocok. Maka prediksi nilai yang cocok dengan menggunakan model persamaan

regresi untuk masing-masing indikator berdasarkan variabel-variabel yang

signifikan mempengaruhinya dapat dilihat pada tabel 3.102.

Prediksi nilai indikator keberhasilan pelayanan rumah sakit kelas C di

provinsi Riau tahun 2008 ini bervariasi setiap bulannya. Sehingga nilai minimal

dan maksimalnya dijadikan sebagai nilai standar untuk masing-masing indikator

keberhasilan pelayanan rumah sakit untuk tahun 2008. Begitu juga untuk Universitas Indonesia

136

mendapatkan nilai standar indikator pada tahun 2009 atau 2010 dan seterusnya,

digunakan data prediksi nilai indikator keberhasilan pelayanan rumah sakit

berdasarkan pada model persamaan regresi dengan memperhatikan variabel-

variabel yang mempengaruhi masing-masing indikator tersebut.


137


BAB 5 KESIMPULAN DAN SARAN

5.1 Kesimpulan

Model yang didapat dari penelitian ini dibuat berdasarkan variabel-

variabel yang signifikan mempengaruhi indikator-indikator keberhasilan

pelayanan rumah sakit. Model ini dapat digunakan untuk menentukan standar

masing-masing indikator. Model tersebut adalah :

a. Model penentuan standar BOR (Bed Occupancy Ratio) yaitu persentase

pemakaian tempat tidur adalah :

BOR = -5.071 + 0.018 X1 + 0.015 X2 + 1.256 X4 + 0.008 X5

X1 adalah hari perawatan pasien keluar, X2 adalah jumlah penderita karena

kejadian luar biasa, X4 adalah lama kerja tenaga medis dan paramedic,

serta X5 adalah jumlah pasien masuk per periode. Untuk menaikkan nilai

BOR, maka rumah sakit dapat meningkatkan keahlian tenaga medis dan

paramedis dilihat dari lama kerja karena memberikan kontribusi terbesar

terhadap nilai BOR.

b. Model penentuan standar Av-LOS (Average Length of Stay) yaitu rata-rata

lama rawatan pasien adalah :

Av-LOS = 4.142 - 0.003 X1 + 0.001 X2 - 0.036 X4

Dengan variabel X1 adalah jumlah pasien keluar, X2 adalah jumlah hari

perawatan pasien keluar dan variabel X4 golongan obat paten yang

diberikan. Untuk menurunkan nilai Av-LOS, maka rumah sakit dapat

meningkatkan pemakaian obat paten karena memberikan kontribusi

terbesar terhadap nilai Av-LOS.

c. Model penentuan standar BTO (Bed Turn Over) yaitu frekuensi pemakaian

tempat tidur adalah :

BTO = -0.177 + 0.007X1 - 0.0004 X3

Dengan variabel X1 adalah jumlah pasien keluar dan variabel X3 kejadian

luar biasa. Untuk menaikkan nilai BTO, maka rumah sakit dapat

meningkatkan jumlah pasien keluar karena memberikan kontribusi

terbesar terhadap nilai BTO.

138


d. Model penentuan standar TOI (Turn Over Interval) yaitu rata-rata hari

tempat tidur tidak ditempati dari saat terisi ke terisi berikutnya adalah :

TOI = 3.413 – 2577.936 (1/X1) - 0.002 X2 + 0.002 X3

Dengan variabel 1/X1 adalah inverse jumlah pasien keluar, variabel X2

adalah hari perawatan RS dan variabel X3 kejadian luar biasa. Untuk

menurunkan nilai TOI, maka rumah sakit dapat mengurangi jumlah pasien

keluar karena memberikan kontribusi terbesar terhadap nilai TOI.

e. Model penentuan standar NDR (Net Death Rate) yaitu angka kematian >

48 jam setelah dirawat dari 1000 pasien adalah : NDR = 4.123 - 0.006 X1 + 1.068 X2 - 0.231 X3 + 3.092 Log X4

Dengan variabel X1 adalah jumlah pasien keluar, X2 adalah jumlah pasien

mati > 48 jam perawatan, X3 adalah keahlian tenaga medis dan paramedis

serta variabel (LogX4) adalah log jumlah pasien penderita penyakit

penyebab kematian. Untuk menurunkan nilai NDR, maka rumah sakit

dapat mengurangi jumlah pasien penderita penyakit penyebab kematian

karena memberikan kontribusi terbesar terhadap nilai NDR.

f. Model penentuan standar GDR (Gross Death Rate) yaitu angka kematian

umum dari 1000 pasien adalah :

GDR = 19.3 - 0.024 X1 + 1.229 X2 + 0.06 X4

Dengan variabel X1 adalah jumlah pasien keluar, X2 adalah jumlah pasien

mati serta variabel X4 adalah jumlah pasien penderita penyakit penyebab

kematian. Untuk menurunkan nilai GDR, maka rumah sakit dapat

mengurangi jumlah pasien penderita penyakit penyebab kematian karena

memberikan kontribusi terbesar terhadap nilai GDR.

5.2 Saran

a. Untuk penelitian selanjutnya :

• Dapat dilakukan penambahan variabel-variabel lain yang mungkin

mempengaruhi indikator-indikator keberhasilan pelayanan rumah sakit

pada model yang sudah didapat.

• Ada beberapa data yang tidak bisa digunakan dalam penelitian karena

secara statistik tidak memungkinkan untuk diolah lebih lanjut. Dalam

139


penelitian selanjutnya hal ini dapat diteliti ulang dengan memperoleh

data baru.

• Untuk penentuan standar indikator pada satu periode dapat digunakan

metode peramalan yang lebih baik.

b. Untuk Departemen Kesehatan Republik Indonesia :

• Sebaiknya dapat menggunakan model persamaan regresi ini untuk

menentukan nilai standar indikator keberhasilan pelayanan rumah sakit

sesuai dengan kelas dan keadaan masing-masing rumah sakit, karena

model ini mempertimbangkan variabel-variabel yang signifikan

mempengaruhi nilai masing-masing nilai indikator.

DAFTAR REFERENSI

Ditjen Bina Pelayanan Medik Depkes RI. Statistik RS di Indonesia-Kegiatan Pelayanan. Jakarta : Departemen Kesehatan RI, 2005

Ditjen Pelayanan Medik Depkes RI. Indikator Kinerja Rumah Sakit. Jakarta :

Departemen Kesehatan RI, 2005 Ditjen Pelayanan Medik Depkes RI. Pedoman Penyelenggaraan Pelayanan RS.

Jakarta : Departemen Kesehatan RI, 2008 Ghozali, Imam. Aplikasi Analisis Multivariate Dengan Program SPSS. Semarang :

Badan Penerbit Universitas Diponegoro, 2006 Hair, Balck, et al., ed. Multivariate Data Analysis. New Jersey : Pearson International

Edition, 2006 Hikmatin, I, Djasri, H, dan Utarini, A. “Studi Kasus Deskriptif Efektifitas

Pelaksanaan Regulasi Perizinan Rumah Sakit Umum”. JMPK Vol.09, 2006 J. Grady, J.B. Ohlin. “Equal access to hospitality services for guests with mobility

impairments under the Americans with Disabilities Act: Implications for the hospitality industry”. International Journal of Hospitality Management 28, 2009

Kaul, H, Gupta,S, dan Jauhari,V. “An Insight Into Service Processes In Public And

Private Hospitals In India”. Journal of Services Research, 2008 Ristrini. “Perubahan Paradigma Jasa Pelayanan Kesehatan Rumah Sakit dan

Rekomendasi Kebijakan Strategis Bagi Pimpinan”. JMPK Vol.08, 2005 Schenelle,J.F, Osterweil.D, and Simon, F.S. “Improving The Quality of Nursing

Home Care and Medical Record Accuracy With Direct Observational Technologies”. The Gerontologist, 2005

Sudarmanto, R.Gunawan. Analisis Regresi Linear Ganda Dengan SPSS. Yogyakarta

: Graha Ilmu, 2005 WHO Ditjen Pelayanan Medik Depkes RI. Petunjuk Pelaksanaan Indikator Mutu

Pelayanan RS. Jakarta : Departemen Kesehatan RI, 2001

Universitas Indonesia 139

140

Lampiran 1. Kuesioner Indentifikasi Variabel Yth Bapak/Ibu/Saudara/i Dengan hormat,

Dalam rangka penyelesaian tesis dengan judul Perancangan Model

Penentuan Standar Indikator Keberhasilan Pelayanan Rumah Sakit Kelas X

di Provinsi Riau, saya Mahasiswa Program Pasca Sarjana Jurusan Teknik

Industri Universitas Indonesia memohon kesediaan Bapak, Ibu dan Saudara/i

untuk dapat meluangkan sedikit waktunya untuk mengisi kuesioner ini. Adapun

tujuan pembuatan kuesioner ini adalah hanya untuk keperluan akademik semata

yaitu untuk mengetahui faktor-faktor yang mempengaruhi indikator keberhasilan

pelayanan Rumah Sakit.

Dalam pengisian kuesioner ini disarankan terlebih dahulu untuk membaca

petunjuk umum yang terdapat pada awal bagian pertanyaan sesuai pendapat

Bapak, Ibu dan Saudara/i.

Saya mengucapkan terima kasih atas waktu dan kesediaannya dalam

mengisi kuesioner ini dengan lengkap.

Hormat Saya,

Denny Astrie.A 0706174184


141

Lampiran 1. Kuesioner Indentifikasi Variabel (Lanjutan)

A. DATA UMUM RESPONDEN

Nama : ............................................

Jenis Kelamin : L / P

Jabatan/Divisi : ............................................

B. PETUNJUK PENGISIAN

a. Semua pernyataan dalam angket dijawab pada kolom jawaban

yang tersedia.

b. Lengkapi faktor-faktor lain yang menurut Bapak, Ibu, Saudara/i

juga mempengaruhi. Isikan pada tempat yang tersedia sebanyak

mungkin.

c. Berilah nomor sesuai urutan prioritas menurut Bapak, Ibu,

Saudara/i.

Contoh :

1. Faktor-faktor yang mempengaruhi BOR (Bed Occupancy Rate

atau persentasi pemakaian tempat tidur) :

( 2 ) Faktor a

( 5 ) Faktor b

( 1 ) Faktor c

( 3 ) ....Faktor d.....

( 4 ) ....Faktor f......

( 6 ) ....Faktor g.....

Catatan : Yang tulisan miring dan dihitamkan diisi oleh Bapak, Ibu, Saudara/i

C. PERTANYAAN

1. Faktor-faktor yang mempengaruhi BOR (Bed Occupancy Rate atau

persentasi pemakaian tempat tidur Rumah Sakit pada satu satuan waktu) :

(......) Jumlah Tempat Tidur di Rumah Sakit

(......) Lama Hari Perawatan Rumah Sakit

(......) Jumlah Hari dalam Satu Satuan Waktu


142


(......) Fasilitas Rumah Sakit yang Tersedia

(......) Tingkat Pendapatan Masyarakat

(......) Tingkat Pendidikan Masyarakat

(......) Jumlah Rumah Sakit yang Tersedia

(......) Jarak Rumah Sakit

(......) Tarif Rumah Sakit

(......) .................................................................

(......) .................................................................

(......) .................................................................

2. Faktor-faktor yang mempengaruhi Av LOS (Average Length of Stay atau

rata-rata lama rawatan seorang pasien) :

(......) Jumlah Pasien yang Keluar

(......) Jumlah Hari Perawatan Pasien Keluar

(......) Jenis Penyakit yang Diderita

(......) Tarif Rumah Sakit

(......) Tingkat Pendapatan Masyarakat

(......) .................................................................

(......) .................................................................

(......) .................................................................

(......) .................................................................

(......) .................................................................

(......) .................................................................

3. Faktor-faktor yang mempengaruhi BTO (Bed Turn Over atau frekuensi

pemakaian tempat tidur dalam satu satuan waktu) :


(......) Jumlah Tempat Tidur

(......) .................................................................

(......) .................................................................

(......) ................................................................. Universitas Indonesia

143


4. Faktor-faktor yang mempengaruhi TOI (Turn Over Interval atau rata-rata

hari tempat tidur tidak ditempati dari saat terisi ke terisi berikutnya) :


(......) Jumlah Tempat Tidur

(......) Hari Perawatan Rumah Sakit

(......) .................................................................

(......) .................................................................

(......) .................................................................

5. Faktor-faktor yang mempengaruhi NDR (Net Death Rate atau angka

kematian <48 jam setelah dirawat) :


(......) Jumlah Pasien mati < 48 jam


(......) Jumlah Tenaga Medis.

(......) .................................................................

(......) .................................................................

(......) .................................................................

(......) .................................................................

6. Faktor-faktor yang mempengaruhi GDR (Gross Death Rate atau angka

kematian umum) :


(......) Jumlah Pasien Mati


(......) Jumlah Tenaga Medis.

(......) .................................................................

(......) .................................................................

(......) .................................................................

-Terima Kasih- Universitas Indonesia

144

Lampiran 3. Nilai Prediksi dan Nilai Sebenarnya Indikator BOR, Av-LOS dan BTO


LOS Pred Av-


1 69.55 70.96 -1.41 3.50 3.56 -0.06 6.40 6.45 -0.05 2 69.20 64.16 5.04 3.75 3.72 0.03 5.75 5.78 -0.03 3 62.65 63.95 -1.30 3.75 3.79 -0.04 5.75 5.79 -0.04 4 60.80 59.96 0.84 3.70 3.74 -0.04 5.25 5.25 0.00 5 62.65 64.07 -1.42 3.55 3.65 -0.10 5.75 5.80 -0.05 6 64.15 63.55 0.60 3.90 3.86 0.04 5.25 5.25 0.00 7 61.45 62.80 -1.35 3.80 3.70 0.10 5.25 5.28 -0.03 8 60.45 60.70 -0.25 3.90 3.85 0.05 5.20 5.23 -0.03 9 63.65 62.44 1.21 4.00 3.94 0.06 5.40 5.42 -0.02 10 55.70 57.07 -1.37 3.85 3.72 0.13 5.00 4.99 0.01 11 63.45 63.30 0.15 3.85 3.74 0.11 5.45 5.48 -0.03 12 60.60 62.07 -1.47 4.05 3.85 0.20 5.40 5.41 -0.01 13 61.15 60.41 0.74 3.50 3.48 0.02 5.25 5.09 0.16 14 60.15 55.64 4.51 3.55 3.51 0.04 4.60 4.47 0.13 15 58.60 60.16 -1.56 3.35 3.46 -0.11 5.15 5.07 0.08 16 59.20 57.23 1.97 3.40 3.43 -0.03 5.00 4.94 0.06 17 60.85 61.50 -0.65 3.60 3.52 0.08 5.40 5.38 0.02 18 64.05 62.67 1.38 3.20 3.24 -0.04 5.65 5.63 0.02 19 60.60 61.49 -0.89 3.85 3.65 0.20 5.25 5.21 0.04 20 61.10 61.50 -0.40 3.45 3.53 -0.08 5.35 5.33 0.02 21 55.65 55.11 0.54 3.15 2.91 0.24 5.40 5.39 0.01 22 49.10 51.05 -1.95 3.15 3.29 -0.14 4.80 4.77 0.03 23 63.50 63.38 0.12 3.30 3.54 -0.24 5.50 5.45 0.05 24 65.75 66.98 -1.23 3.20 3.29 -0.09 6.25 6.29 -0.04 25 72.15 72.89 -0.74 2.90 2.99 -0.09 6.95 6.92 0.03 26 73.20 67.68 5.52 2.90 3.05 -0.15 6.50 6.47 0.03 27 66.10 66.35 -0.25 2.95 3.00 -0.05 6.40 6.44 -0.04 28 67.60 67.00 0.60 3.10 2.90 0.20 6.20 6.21 -0.01 29 66.50 67.51 -1.01 2.95 2.99 -0.04 6.35 6.35 0.00 30 70.70 70.06 0.64 3.05 3.09 -0.04 6.55 6.52 0.03


145

Lampiran 3. Nilai Prediksi dan Nilai Sebenarnya Indikator BOR, Av-LOS dan BTO (Lanjutan)


LOS Pred Av-


31 71.35 71.43 -0.08 3.10 3.17 -0.07 6.45 6.42 0.03 32 73.15 74.18 -1.03 3.00 3.13 -0.13 6.95 6.95 0.00 33 70.70 69.34 1.36 3.05 3.10 -0.05 6.65 6.62 0.03 34 66.25 67.43 -1.18 3.35 3.30 0.05 6.40 6.37 0.03 35 66.70 66.88 -0.18 3.10 3.13 -0.03 6.60 6.63 -0.0336 73.10 74.20 -1.10 3.20 3.34 -0.14 6.55 6.53 0.02 37 52.00 52.70 -0.70 2.75 2.77 -0.02 4.70 4.73 -0.0338 56.80 54.55 2.25 2.90 2.65 0.25 5.30 5.28 0.02 39 61.60 62.01 -0.41 3.00 2.89 0.11 4.65 4.66 -0.0140 61.15 60.24 0.91 3.00 2.87 0.13 5.00 4.99 0.01 41 57.05 58.54 -1.49 2.95 2.90 0.05 5.00 5.04 -0.0442 56.25 55.88 0.37 3.00 2.81 0.19 5.00 5.00 0.00 43 58.35 59.36 -1.01 3.20 2.92 0.28 4.80 4.79 0.01 44 64.10 65.20 -1.10 3.05 3.00 0.05 4.90 4.90 0.00 45 54.15 55.14 -0.99 2.55 2.57 -0.02 5.45 5.50 -0.0546 50.35 51.77 -1.42 2.60 2.66 -0.06 5.35 5.41 -0.0647 64.30 63.14 1.16 3.05 3.00 0.05 4.95 4.96 -0.0148 55.90 57.56 -1.66 3.00 2.88 0.12 5.50 5.55 -0.0549 35.80 35.34 0.46 2.90 2.86 0.04 3.35 3.36 -0.0150 37.30 34.46 2.84 2.75 2.87 -0.12 3.50 3.50 0.00 51 36.45 36.71 -0.26 2.85 2.98 -0.13 3.30 3.29 0.01 52 37.95 36.78 1.17 3.30 3.13 0.17 3.05 3.04 0.01 53 37.70 38.29 -0.59 3.20 3.10 0.10 3.35 3.36 -0.0154 36.80 36.22 0.58 3.05 3.06 -0.01 3.25 3.25 0.00 55 33.75 34.28 -0.53 3.40 3.29 0.11 3.25 3.22 0.03 56 36.15 37.21 -1.06 3.30 3.28 0.02 3.20 3.16 0.04 57 36.50 36.79 -0.29 2.70 2.92 -0.22 3.50 3.55 -0.0558 32.45 34.53 -2.08 2.65 3.24 -0.59 3.65 3.71 -0.0659 37.55 37.52 0.03 2.85 2.97 -0.12 3.70 3.75 -0.0560 39.05 39.62 -0.57 2.75 2.91 -0.16 4.05 4.13 -0.08


146

Lampiran 4. Nilai Prediksi dan Nilai Sebenarnya Indikator TOI, NDR dan GDR

Periode TOI Pred TOI Eror NDR Pred

NDR Eror GDR Pred GDR Eror

1 1.55 1.16 0.39 17.15 18.81 -1.66 28.21 30.03 -1.82 2 1.55 1.96 -0.41 12.65 12.33 0.32 24.42 24.71 -0.29 3 2.10 1.93 0.17 9.50 10.19 -0.69 22.07 22.24 -0.17 4 2.30 2.48 -0.18 9.40 9.85 -0.45 23.02 23.02 0.00 5 2.00 1.91 0.09 11.65 11.68 -0.03 23.20 23.63 -0.43 6 2.10 2.28 -0.18 14.15 13.19 0.96 26.82 26.76 0.06 7 2.25 2.29 -0.04 17.90 16.62 1.28 30.69 30.63 0.06 8 2.40 2.37 0.03 15.60 15.46 0.14 29.49 29.27 0.22 9 2.05 2.19 -0.14 17.05 16.29 0.76 29.70 29.81 -0.11 10 2.80 2.87 -0.07 12.00 11.34 0.66 25.50 25.28 0.22 11 2.00 2.17 -0.17 9.90 9.98 -0.08 22.06 22.50 -0.44 12 2.30 2.26 0.04 18.50 17.17 1.33 31.06 31.06 0.00 13 2.45 2.59 -0.14 19.65 19.35 0.30 34.08 33.63 0.45 14 2.55 3.51 -0.96 9.10 9.32 -0.22 25.26 24.38 0.88 15 2.60 2.69 -0.09 12.45 12.68 -0.23 26.35 26.40 -0.05 16 2.60 2.89 -0.29 16.65 16.07 0.58 31.12 30.35 0.77 17 2.40 2.38 0.02 11.20 12.25 -1.05 24.88 25.03 -0.15 18 1.95 2.16 -0.21 10.75 10.80 -0.05 22.59 22.82 -0.23 19 2.60 2.49 0.11 13.15 13.28 -0.13 26.96 26.80 0.16 20 2.40 2.38 0.02 14.10 14.76 -0.66 27.57 27.81 -0.24 21 2.60 2.84 -0.24 11.50 12.35 -0.85 24.88 25.08 -0.20 22 3.50 3.58 -0.08 11.90 11.73 0.17 26.65 26.05 0.60 23 2.25 2.31 -0.06 12.15 12.91 -0.76 25.80 25.91 -0.11 24 1.85 1.61 0.24 12.85 14.29 -1.44 24.60 25.39 -0.79 25 1.30 0.96 0.34 6.80 6.54 0.26 16.50 15.45 1.05 26 1.40 1.55 -0.15 10.50 10.68 -0.18 20.70 20.79 -0.09 27 1.65 1.54 0.11 11.30 12.00 -0.70 21.90 22.23 -0.33 28 1.60 1.68 -0.08 11.40 10.79 0.61 21.57 21.73 -0.16 29 1.65 1.54 0.11 13.20 13.60 -0.40 24.29 24.81 -0.52 30 1.40 1.35 0.05 12.90 12.10 0.80 22.63 22.94 -0.31


147

Lampiran 4. Nilai Prediksi dan Nilai Sebenarnya Indikator TOI, NDR dan GDR (Lanjutan)

Periode TOI Pred TOI Eror NDR Pred

NDR Eror GDR Pred GDR Eror

31 1.40 1.18 0.22 9.90 10.95 -1.05 20.86 21.01 -0.15 32 1.20 0.88 0.32 10.25 10.78 -0.53 20.27 20.18 0.09 33 1.30 1.30 0.00 5.25 4.93 0.32 15.20 14.09 1.11 34 1.65 1.53 0.12 9.65 9.11 0.54 20.00 19.81 0.19 35 1.50 1.56 -0.06 6.39 5.61 0.78 16.21 15.26 0.95 36 1.30 1.03 0.27 9.75 10.31 -0.56 20.49 20.50 -0.01 37 3.40 3.47 -0.07 9.35 10.01 -0.66 23.74 23.39 0.35 38 2.95 3.06 -0.11 7.05 6.74 0.31 18.80 18.74 0.06 39 2.85 2.89 -0.04 8.75 7.88 0.87 22.54 21.98 0.56 40 2.75 2.83 -0.08 9.90 9.02 0.88 22.43 22.14 0.29 41 2.85 2.93 -0.08 8.05 8.23 -0.18 20.94 20.92 0.02 42 3.00 3.14 -0.14 8.60 9.28 -0.68 22.46 22.26 0.20 43 3.15 3.02 0.13 6.85 7.16 -0.31 20.60 20.47 0.13 44 2.60 2.56 0.04 10.55 10.04 0.51 24.13 23.65 0.48 45 2.80 3.03 -0.23 12.35 12.06 0.29 24.10 24.16 -0.06 46 3.25 3.13 0.12 10.55 8.97 1.58 20.94 20.94 0.00 47 2.55 2.66 -0.11 7.05 6.74 0.31 19.89 19.75 0.14 48 2.85 2.69 0.16 9.35 8.82 0.53 20.33 20.36 -0.03 49 6.15 5.88 0.27 0.00 0.19 -0.19 19.57 19.16 0.41 50 5.25 5.86 -0.61 0.00 -0.04 0.04 16.92 17.44 -0.52 51 6.35 5.95 0.40 0.85 2.15 -1.30 21.91 20.65 1.26 52 6.15 6.33 -0.18 0.00 0.34 -0.34 19.31 19.03 0.28 53 5.90 5.76 0.14 0.00 -0.02 0.02 15.63 16.70 -1.07 54 5.95 6.07 -0.12 1.10 1.21 -0.11 22.18 20.74 1.44 55 6.40 6.25 0.15 0.00 0.16 -0.16 18.37 18.45 -0.08 56 6.40 6.18 0.22 0.00 1.01 -1.01 16.56 17.45 -0.89 57 5.75 5.69 0.06 0.00 -0.23 0.23 16.67 17.25 -0.58 58 6.30 5.68 0.62 0.00 -0.42 0.42 16.04 16.74 -0.70 59 5.25 5.37 -0.12 0.00 -0.33 0.33 15.85 16.57 -0.72 60 5.25 4.78 0.47 0.00 -0.57 0.57 12.84 14.03 -1.19


perancangan model penentuan standar indikator …lib.ui.ac.id/file?file=digital/126284-t...

Documents