Top Banner
PERAMALAN PERMINTAAN RUANG RAWAT INAP SEBAGAI ACUAN DALAM PENENTUAN KAPASITAS DI RSUP Dr MOHAMMAD HOESIN PALEMBANG FRIANKA ANINDEA DEPARTEMEN MANAJEMEN FAKULTAS EKONOMI DAN MANAJEMEN INSTITUT PERTANIAN BOGOR BOGOR 2014
38

PERAMALAN PERMINTAAN RUANG RAWAT INAP SEBAGAI … · Forecasting is the one important way to determine the success of planning ,especially in terms of capacity planning. Research

Mar 19, 2019

Download

Documents

vungoc
Welcome message from author
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
Page 1: PERAMALAN PERMINTAAN RUANG RAWAT INAP SEBAGAI … · Forecasting is the one important way to determine the success of planning ,especially in terms of capacity planning. Research

1

PERAMALAN PERMINTAAN RUANG RAWAT INAP

SEBAGAI ACUAN DALAM PENENTUAN KAPASITAS DI

RSUP Dr MOHAMMAD HOESIN PALEMBANG

FRIANKA ANINDEA

DEPARTEMEN MANAJEMEN

FAKULTAS EKONOMI DAN MANAJEMEN

INSTITUT PERTANIAN BOGOR

BOGOR

2014

Page 2: PERAMALAN PERMINTAAN RUANG RAWAT INAP SEBAGAI … · Forecasting is the one important way to determine the success of planning ,especially in terms of capacity planning. Research

2

Page 3: PERAMALAN PERMINTAAN RUANG RAWAT INAP SEBAGAI … · Forecasting is the one important way to determine the success of planning ,especially in terms of capacity planning. Research

3

PERNYATAAN MENGENAI SKRIPSI DAN SUMBER

INFORMASI SERTA PELIMPAHAN HAK CIPTA

Dengan ini saya menyatakan bahwa skripsi berjudul Peramalan

Permintaan Ruang Rawat Inap sebagai Acuan dalam Penentuan Kapasitas di

RSUP Dr Mohammad Hoesin Palembang adalah benar karya saya dengan arahan

dari dosen pembimbing dan belum diajukan dalam bentuk apapun kepada

perguruan tinggi manapun. Sumber informasi yang berasal atau dikutip dari karya

yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam

teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini.

Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada

Institut Pertanian Bogor.

Bogor, April 2014

Frianka Anindea

NIM H24100080

Page 4: PERAMALAN PERMINTAAN RUANG RAWAT INAP SEBAGAI … · Forecasting is the one important way to determine the success of planning ,especially in terms of capacity planning. Research

4

ABSTRAK

FRIANKA ANINDEA. Peramalan Permintaan Ruang Rawat Inap Sebagai Acuan

dalam Penentuan Kapasitas Di RSUP Dr Mohammad Hoesin Palembang. Di

bawah bimbingan H. MUSA HUBEIS

Peramalan merupakan salah satu cara yang penting untuk menentukan

keberhasilan perencanaan, khususnya dalam hal perencanaan kapasitas. Tujuan

penelitian: (1) menganalisis pola permintaan ruang rawat inap di RSUP Dr

Mohammad Hoesin Palembang, (2) menentukan metode yang paling cocok untuk

peramalan ruang rawat inap di RSUP Dr Mohammad Hoesin Palembang, (3)

mendapatkan ramalan jumlah ruang rawat inap di RSUP Dr Mohammad Hoesin

Palembang sampai dengan tahun 2015. Metode yang digunakan adalah metode

time series, dengan pengolahan dan analisis data secara kuantitatif dan kualitatif.

Data kuantitatif diolah menggunakan program Microsoft Excel dan Minitab 15.

Analisis kualitatif dilakukan melalui proses observasi dan wawancara langsung.

Diidentifikasi pola data permintaan ruang rawat inap bersifat stasioner, konstan

sepanjang periode Januari 2009 hingga September 2013. Metode Peramalan time

series yang digunakan adalah autoregressive, ARMA, ARIMA, single

exponential smoothing, double exponential smoothing, dimana dari hasil

perhitungan peramalan penjualan didapatkan yang paling sesuai dengan indikator

nilai akurasi kesalahan MAPE terkecil adalah metode autoregressive (2).

Kata kunci: kapasitas, peramalan, permintaan

ABSTRACT

FRIANKA ANINDEA. Demand Forecasting Space Inpatient Capacity

Determination For reference at RSUP Dr. Mohammad Hoesin Palembang.

Supervised by H. MUSA HUBEIS

Forecasting is the one important way to determine the success of planning

,especially in terms of capacity planning. Research objectives are (1) to review

and analyze the pattern of demand for inpatient wards at Dr Mohammad Hoesin

Palembang, (2) to determine the most suitable method for forecasting wards at Dr

Mohammad Hoesin Palembang, (3) to obtain the forecast number of inpatient at

RSUP Dr Mohammad Hoesin Palembang up to 2015. The method used is the

method of time series. Processing and analysis of data used in the study will be

described quantitatively and qualitatively. Quantitative data were processed using

Microsoft Excel and Minitab 15. Qualitative analysis is done through direct

observation and interview process. Identified a pattern of data requests inpatient

unit is stationary, constant over the period January 2009 to September 2013.

Forecasting time series method used was autoregressive, ARMA, ARIMA, single

exponential smoothing, double exponential smoothing, where the results of the

calculations showed that sales forecasting for RSUP Dr Mohammad Hoesin

Palembang that best matches the accuracy of the indicator value is the smallest

MAPE error autoregressive method (2 ).

Keywords: capacity, demand, forecasting

Page 5: PERAMALAN PERMINTAAN RUANG RAWAT INAP SEBAGAI … · Forecasting is the one important way to determine the success of planning ,especially in terms of capacity planning. Research

5

PERAMALAN PERMINTAAN RUANG RAWAT INAP

SEBAGAI ACUAN DALAM PENENTUAN KAPASITAS DI

RSUP Dr MOHAMMAD HOESIN PALEMBANG

FRIANKA ANINDEA

Skripsi

Sebagai salah satu syarat untuk memperoleh gelar

Sarjana Ekonomi

pada

Departemen Manajemen

DEPARTEMEN MANAJEMEN

FAKULTAS EKONOMI DAN MANAJEMEN

INSTITUT PERTANIAN BOGOR

BOGOR

2014

Page 6: PERAMALAN PERMINTAAN RUANG RAWAT INAP SEBAGAI … · Forecasting is the one important way to determine the success of planning ,especially in terms of capacity planning. Research

6

Page 7: PERAMALAN PERMINTAAN RUANG RAWAT INAP SEBAGAI … · Forecasting is the one important way to determine the success of planning ,especially in terms of capacity planning. Research

7

Judul Skripsi : Peramalan Permintaan Ruang Rawat Inap sebagai Acuan dalam

Penentuan Kapasitas di RSUP Dr Mohammad Hoesin Palembang

Nama : Frianka Anindea

NIM : H24100080

Disetujui oleh

Prof Dr Ir H Musa Hubeis, MS, Dipl.Ing, DEA

Pembimbing

Diketahui oleh

Dr Mukhamad Najib, STP, MM

Ketua Departemen

Tanggal:

Page 8: PERAMALAN PERMINTAAN RUANG RAWAT INAP SEBAGAI … · Forecasting is the one important way to determine the success of planning ,especially in terms of capacity planning. Research

8

PRAKATA

Puji dan syukur penulis panjatkan kepada Allah SWT atas segala karunia-

Nya sehingga skripsi ini berhasil diselesaikan. Tema yang dipilih dalam penelitian

yang dilaksanakan sejak bulan Oktober 2013 sampai Januari 2014 adalah

peramalan, dengan judul Peramalan Permintaan Ruang Rawat Inap sebagai Acuan

dalam Penentuan Kapasitas di RSUP Dr Mohammad Hoesin Palembang.

Terima kasih penulis ucapkan kepada Prof Dr Ir H Musa Hubeis,MS.Dipl.

Ing,DEA selaku dosen pembimbing yang telah banyak memberi saran, motivasi

dan nasihat. Di samping itu, penghargaan penulis sampaikan kepada Bapak

Hasanuddin,SH.MSi dari RSUP Dr Mohammad Hoesin Palembang yang telah

membantu selama pengumpulan data. Ungkapan terima kasih juga disampaikan

kepada ayah, ibu, serta seluruh keluarga, atas doa dan kasih sayangnya.

Semoga skripsi ini bermanfaat.

Bogor, April 2014

Frianka Anindea

Page 9: PERAMALAN PERMINTAAN RUANG RAWAT INAP SEBAGAI … · Forecasting is the one important way to determine the success of planning ,especially in terms of capacity planning. Research

9

DAFTAR ISI

DAFTAR TABEL vii

DAFTAR GAMBAR vii

DAFTAR LAMPIRAN vii

PENDAHULUAN 1

Latar belakang 1

Perumusan masalah 2

Tujuan 2

Manfaat penelitian 2

Ruang lingkup penelitian 2

TINJAUAN PUSTAKA 3

METODE 5

Kerangka pemikiran penelitian 5

Lokasi dan waktu penelitian 7

Pengumpulan data 7

Pengolahan data dan analisis data 8

HASIL DAN PEMBAHASAN 9

Gambaran umum perusahaan 9

Sejarah RSUP Dr Mohammad Hoesin 9

Visi, Misi dan Tujuan RSUP Dr Mohammad Hoesin 10

Palembang

Analisis hasil peramalan permintaan ruang rawat inap RSUP 10

Dr Mohammad Hoesin Palembang

Asumsi-asumsi dalam peramalan 10

Identifikasi Pola Data Permintaan 11

Metode Peramalan Time Series 12

Implikasi Manajerial 14

SIMPULAN DAN SARAN 15

DAFTAR PUSTAKA 16

LAMPIRAN 17

Page 10: PERAMALAN PERMINTAAN RUANG RAWAT INAP SEBAGAI … · Forecasting is the one important way to determine the success of planning ,especially in terms of capacity planning. Research

10

DAFTAR TABEL

1. Metode dan nilai MAPE 12

2. Hasil peramalan permintaan ruang rawat inap dari periode Oktober 14

2013- September 2014

DAFTAR GAMBAR

1. Kerangka pemikiran penelitian 7

2. Plot data permintaan ruang rawat inap 12

DAFTAR LAMPIRAN

1. Data kelas ruang rawat inap 18

2. Data permintaan ruang rawat inap 19

3. Plot autokorelasi dari permintaan ruang rawat inap 21

4. Hasil olahan minitab untuk masing-masing model time series 21

5. Hasil output komputer untuk peramalan permintaan ruang rawat inap 27

Page 11: PERAMALAN PERMINTAAN RUANG RAWAT INAP SEBAGAI … · Forecasting is the one important way to determine the success of planning ,especially in terms of capacity planning. Research

1

PENDAHULUAN

Latar Belakang

Kesehatan merupakan salah satu komponen penting dalam kehidupan

manusia. Tanpa kondisi yang sehat manusia tidak dapat melakukan aktivitas

sehari-hari dengan baik, sehingga dapat dikatakan bahwa kesehatan merupakan

faktor terpenting bagi manusia (Nugroho 2003). Pemeliharaan kesehatan adalah

upaya penanggulangan dan pencegahan gangguan kesehatan yang memerlukan

pemeriksaan, pengobatan dan perawatan. Jasa pelayanan kesehatan menjadi salah

satu solusi untuk menyelesaikan masalah kesehatan. Salah satu jasa pelayanan

kesehatan yang sering dikunjungi oleh masyarakat adalah rumah sakit (RS).

Berdasarkan undang-undang nomor 44 tahun 2009 tentang rumah sakit,

Rumah sakit adalah institusi pelayanan kesehatan perorangan secara paripurna

yang menyediakan pelayanan rawat inap, rawat jalan dan gawat darurat. Salah

satu jenis RS adalah rumah sakit umum (RSU). Definisi RS menurut Keputusan

Menteri Republik Indonesia nomor 983.MENKES/SK/1992 mengenai pedoman

RSU dinyatakan bahwa RSU adalah rumah sakit yang memberikan pelayanan

kesehatan bersifat dasar, spesialistik, pendidikan tenaga kesehatan dan pelatihan.

Pedoman RSU menyebutkan bahwa rumah sakit pemerintah pusat dan daerah

diklasifikasikan menjadi RSU tipe A, B, C dan D. Klasifikasi tersebut didasarkan

pada unsur pelayanan yang dimiliki.

Katz dan Rosen dalam Trisnantoro (2009) menyatakan secara konseptual,

sistem pelayanan kesehatan berjalan berdasarkan pemahaman akan makna public

goods dan private goods. RSUP Dr Mohammad Hoesin Palembang sebagai

institusi pelayanan kesehatan termasuk public goods. RS memberikan pelayanan

bagi masyarakat dari semua golongan, mulai dari golongan menengah ke atas

hingga golongan menengah kebawah. Pelayanan yang diberikan pihak rumah

sakit terdiri dari instalasi rawat jalan, graha spesialis, instalasi brain and heart

center, instalasi hemodialisis, dan pelayanan rawat inap. Untuk ruang rawat inap

terbagi menjadi kelas super vip, utama, khusus, 1, 2, dan 3. Berdasarkan

pengamatan yang dilakukan, sering adanya keluhan dari beberapa calon pasien

khususnya pasien golongan menengah kebawah yang ingin menggunakan fasilitas

ruang rawat inap kelas 3. Calon pasien mengalami kesulitan untuk mendapatkan

ruangan. Dengan jumlah ruangan kelas 3 yang lebih banyak dibandingkan kelas

lainnya (data dapat dilihat pada lampiran 1), maka perlu dilakukan penelitian lebih

lanjut terkait penyebab sulitnya mendapatkan ruang rawat inap. Sejauh ini untuk

di daerah Sumatera Bagian Selatan belum pernah terjadi kasus khusus penyakit

epidermik yang dapat mengakibatkan permintaan ruang rawat inap meningkat

signifikan.

Terkait permasalahan yang terjadi, perlu adanya perencanaan sistem

pelayanan kesehatan yang baik di RS. Kapasitas ruang rawat inap di RS menjadi

penting karena dengan jumlah ruang rawat inap yang mencukupi untuk

menampung semua pasien maka semakin baik mutu sistem pelayanan RS di mata

pasien maupun masyarakat. Peramalan merupakan salah satu cara yang penting

untuk menentukan keberhasilan perencanaan, khususnya perencanaan kapasitas.

Hampir setiap keputusan yang dibuat dalam situasi berisiko dan mengandung

Page 12: PERAMALAN PERMINTAAN RUANG RAWAT INAP SEBAGAI … · Forecasting is the one important way to determine the success of planning ,especially in terms of capacity planning. Research

2

ketidakpastian. Keputusan tentang kapasitas harus direncanakan dengan baik agar

rumah sakit bersangkutan dapat memenangkan persaingan diantara banyak rumah

sakit yang ada.

Perumusan Masalah

1. Bagaimana pola permintaan ruang rawat inap di RSUP Dr Mohammad Hoesin

Palembang ?

2. Metode peramalan apakah yang sesuai untuk peramalan permintaan ruang

rawat inap di RSUP Dr Mohammad Hoesin Palembang, agar dapat digunakan

dalam pengambilan keputusan ?

3. Bagaimana hasil peramalan permintaan ruang rawat inap di RSUP Dr

Mohammad Hoesin Palembang sampai dengan tahun 2015 ?

Tujuan

1. Menganalisis pola permintaan ruang rawat inap di RSUP Dr Mohammad

Hoesin Palembang.

2. Menentukan metode yang paling cocok untuk peramalan permintaan ruang

rawat inap di RSUP Dr Mohammad Hoesin Palembang.

3. Menganalisis ramalan jumlah ruang rawat inap di RSUP Dr Mohammad

Hoesin Palembang sampai dengan tahun 2015.

Manfaat Penelitian

1. Penelitian ini diharapkan dapat menjadi masukan bagi pihak manajemen

RSUP Dr Mohammad Hoesin Palembang dalam proses pengambilan

keputusannya, bila dilihat dari peramalan permintaan ruang rawat inap,

sehingga dapat dijadikan acuan dalam penentuan kapasitas untuk

meminimalisasi kerugian akibat permintaan ruang rawat inap berlebih dari

kapasitas atau kerugian akibat kehilangan sejumlah pasien, karena kapasitas

tidak mencukupi permintaan.

2. Memberikan manfaat untuk kepentingan keilmuan dan menjadi informasi bagi

pihak-pihak yang membutuhkan. Penelitian ini dapat digunakan untuk melatih

penganalisaan suatu permasalahan berdasarkan ilmu dan pengetahuan yang

telah diperoleh di bangku perkuliahan.

Ruang Lingkup Penelitian

Penelitian ini menggunakan metode kuantitatif, yaitu metode peramalan

time series. Data yang digunakan merupakan data permintaan ruang rawat inap di

RSUP Dr Mohammad Hoesin Palembang. Data yang digunakan dalam penelitian

ini adalah data Januari 2009-September 2013.

Page 13: PERAMALAN PERMINTAAN RUANG RAWAT INAP SEBAGAI … · Forecasting is the one important way to determine the success of planning ,especially in terms of capacity planning. Research

3

TINJAUAN PUSTAKA

Rumah Sakit

Berdasarkan UU Nomor 44 Tahun 2009 tentang RS, yaitu RS adalah

institusi pelayanan kesehatan perorangan secara paripurna yang menyediakan

pelayanan rawat inap, rawat jalan dan gawat darurat (Depkes 2009). Sedangkan

menurut UU Nomor 44 Tahun 2009 tentang rumah sakit, maka fungsi rumah sakit

adalah :

a. Penyelenggaraan pelayanan pengobatan dan pemulihan kesehatan sesuai

dengan standar pelayanan RS.

b. Pemeliharaan dan peningkatan kesehatan perorangan melalui pelayanan

kesehatan yang paripurna tingkat kedua dan ketiga sesuai kebutuhan medis.

c. Penyelenggaaan pendidikan dan pelatihan sumber daya manusia (SDM) dalam

rangka peningkatan kemampuan dalam pemberian pelayanan kesehatan.

d. Penyelenggaraan penelitian dan pengembangan serta penapisan teknologi

bidang kesehatan dalam rangka peningkatan pelayanan kesehatan dengan

memperhatikan etika ilmu pengetahan bidang kesehatan.

Berdasarkan bentuk pelayanannya rumah sakit dapat dibedakan:

1. Rumah Sakit Umum (RSU), yaitu RS yang memberikan pelayanan kesehatan

semua jenis penyakit dari yang bersifat dasar sampai dengan subspesialistik.

2. Rumah Sakit Khusus (RSK), yaitu RS yang menyelenggarakan pelayanan

kesehatan berdasarkan jenis penyakit tertentu atau disiplin ilmu.

Keputusan Menteri Republik Indonesia nomor 983.MENKES/SK/1992

mengenai pedoman RS menyebutkan bahwa klasifikasi rumah sakit umum adalah

sebagai berikut:

a. RSU Kelas A adalah RSU yang mempunyai fasilitas dan kemampuan

pelayanan medik spesialistik luas dan sub spesialistik luas.

b. RSU Kelas B adalah RSU yang mempunyai fasilitas dan kemampuan

pelayanan medis sekurang-kurangnya 11 spesialistik dan sub spesialistik

terbatas.

c. RSU Kelas C adalah RSU yang mempunyai fasilitas dan kemampuan pelayanan

medis spesialistik dasar.

d. RSU Kelas D adalah RSU yang mempunyai fasilitas dan kemampuan

pelayanan medik dasar.

Peramalan

Menurut Aritonang dan Lerbin (2009) peramalan adalah kegiatan

penerapan model yang telah dikembangkan pada waktu yang akan datang. Hasan

(2008) menyatakan berdasarkan sifatnya teknik peramalan terbagi dalam dua

kategori utama, yaitu:

a. Metode Peramalan Kualitatif Peramalan kualitatif adalah peramalan yang didasarkan atas data kualitatif

pada masa lalu. Hasil peramalan yang dibuat sangat bergantung pada orang

yang menyusunnya. Hal ini penting karena hasil peramalan ditentukan

Page 14: PERAMALAN PERMINTAAN RUANG RAWAT INAP SEBAGAI … · Forecasting is the one important way to determine the success of planning ,especially in terms of capacity planning. Research

4

berdasarkan pemikiran intuisi, pendapat dan pengetahuan dari orang yang

menyusunnya. Metode kualitatif atau teknologis dapat dibagi menjadi metode

eksploratoris dan metode normatif.

b. Metode Peramalan Kuantitatif Peramalan kuantitatif adalah peramalan yang didasarkan atas data

kuantitatif pada masa lalu. Hasil peramalan yang dibuat sangat bergantung

pada metode yang digunakan dalam peramalan tersebut. Dengan metode yang

berbeda akan diperoleh hasil peramalan berbeda. Baik tidaknya metode yang

digunakan ditentukan oleh perbedaan atau penyimpangan antara hasil

peramalan dengan kenyataan yang terjadi. Semakin kecil penyimpangan antara

hasil ramalan dengan kenyataan yang terjadi berarti metode yang digunakan

semakin baik.

Peramalan kuantitatif dapat diterapkan bila terdapat tiga kondisi berikut:

1) Tersedia informasi masa lalu.

2) Informasi tersebut bisa dikuantitatifkan dalam bentuk data numerik.

3) Dapat diasumsikan bahwa pola masa lalu akan terus berlanjut di masa

mendatang.

Kondisi terakhir ini dibuat sebagai asumsi yang berkesinambungan

(asumption of continuity). Asumsi merupakan modal yang mendasari semua

metode peramalan kuantitatif dan banyak peramalan teknologis, terlepas dari

bagaimana canggihnya metode tersebut. Metode kuantitatif dapat dibagi dalam

dua (2) kelompok, yaitu :

a. Menurut Prawirosentono (2007), metode–metode peramalan dengan analisa

deret waktu, yaitu :

1) Metode Pemulusan Eksponensial dan Rataan Bergerak

Adapun penggunaan yang paling tepat adalah untuk perencanaan dan

pengendalian persediaan (bahan, barang setengah jadi, dan barang jadi)

yang jumlah jenisnya sedikit, karena waktunya hanya dari bulan ke bulan.

Data runtut yang diperlukan paling sedikit selama dua tahun yang lalu

secara berurutan dan dipecah dalam bulan, kuartal atau tengah tahunan

2) Metode Proyeksi Trend dengan Regresi

Untuk analisis trend ini diperlukan data runtut waktu (time series)

minimal dalam waktu lima tahun yang lalu secara berurutan. Analisis

trend lebih tepat digunakan untuk menganalisis produk jenis baru yang

dijual di masyarakat.

3) Metode Box Jenkins

Menurut Munarsih dalam Pulungan dan Wiyanti (2012), metode box

Jenkins sangat baik ketepannya untuk peramalan jangka pendek dan

untuk data time series non stasioner pada saat linier.

b. Metode – metode kausal, yaitu :

1) Metode Regresi dan Korelasi digunakan untuk memperoleh ramalan

yang terbaik. Semakin baik regresinya maka akan semakin baik pula

tafsiran yang diperoleh, maka hubungan antara korelasi dan regresi

sangat erat dalam peramalan.

2) Metode Ekonometri, digunakan untuk memperoleh nilai-nilai peubah

bebas sehingga peubah bebas tersebut tidak perlu ditafsir lagi.

Page 15: PERAMALAN PERMINTAAN RUANG RAWAT INAP SEBAGAI … · Forecasting is the one important way to determine the success of planning ,especially in terms of capacity planning. Research

5

Penelitian Terdahulu yang Relevan

Kurniawati (2009) melakukan penelitian mengenai peramalan penjualan

candy dan cookies sebagai acuan dalam perencanaan kuantitas produk pada usaha

kecil menengah (UKM) Warung Coklat di Bogor. Penelitian dilakukan dengan

mengunakan dua (2) komoditi di dalam UKM Warung Coklat itu sendiri, yaitu

cokelat candy dan coklat cookies. Data penjualan yang digunakan adalah data

penjualan dari masing-masing tipe produk yang terpilih, khususnya data penjualan

harian. Metode time series yang digunakan adalah metode trend, metode

dekomposisi, metode rataaan, metode pemulusan eksponensial, dan metode

winters. Metode yang memiliki nilai MAPE (mean absolute percentage error)

terkecil yang akan dipilih menjadi metode untuk meramalkan setiap produk. Hasil

peramalan produk candy dan cookies tersebut di masa mendatang menunjukkan

adanya penjualan meningkat kecuali untuk produk kurma cokelat.

Caroline (2012) melakukan penelitian mengenai analisis kunjungan

kedatangan tamu mancanegara ke Indonesia (studi kasus: Bandar Udara

Soekarno-Hatta dan Ngurah Rai). Penelitian ini bertujuan: (1) Mendapatkan

korelasi diantara kedatangan turis mancanegara diantara kedua pintu gerbang

utama Soekarno-Hatta dan Ngurah Rai, (2) Mengidentifikasi pola kedatangan

turis mancanegara ke Indonesia melalui pintu bandar udara Soekarno-Hatta dan

bandar udara Ngurah Rai serta (3) Menganalisis model peramalan kedatangan

turis mancanegara dengan menggunakan Autoregressive Integrated Moving

Average (ARIMA). Data yang digunakan dalam penelitian ini adalah data

sekunder.Hasil penelitian ini menunjukkan korelasi yang kuat dan positif diantara

kedua Bandar udara tersebut. Hasil pola data menunjukkan hasil yang tidak

stasioner sehingga perlu dilakukan proses pembedaan (differencing) agar

menghasilkan data yang stasioner tidak musiman dan dapat diproses lebih lanjut.

Hasil pemodelan ARIMA terhadap peramalan kedatangan turis mancanegara

memadai untuk melakukan peramalan kedatangan turis mancanegara di kedua

Bandar udara.

METODE

Kerangka Pemikiran Penelitian

Pelayanan kesehatan merupakan salah satu jenis pelayanan dari sekian

banyak spesifikasi jasa. Jasa pelayanan kesehatan memberikan solusi untuk

masalah kesehatan. RS merupakan institusi yang memberikan jasa pelayanan

kesehatan. Meninjau dari fungsi RS menurut undang-undang (UU) nomor 44

tahun 2009 maka perlu adanya perencanaan strategi pelayanan kesehatan yang

baik di RS. Seperti yang telah didefinisikan dalam UU nomor 44 tahun 2009

bahwa RS juga menyediakan pelayanan rawat inap. Salah satu yang perlu menjadi

perhatian pihak RS dalam memberikan pelayanan kesehatan adalah kapasitas

ruang rawat inap.

Kapasitas ruang rawat inap di rumah sakit menjadi penting karena dengan

jumlah ruang rawat inap yang mencukupi untuk menampung semua pasien yang

membutuhkan perawatan maka semakin baik mutu pelayanan rumah sakit tersebut

Page 16: PERAMALAN PERMINTAAN RUANG RAWAT INAP SEBAGAI … · Forecasting is the one important way to determine the success of planning ,especially in terms of capacity planning. Research

6

di mata pasien maupun masyarakat. Adanya fluktuasi jumlah pasien di suatu RS

menunjukkan peramalan adalah hal yang penting.

Peramalan permintaan ruang rawat inap dapat membantu pihak

manajemen RS dalam mengambil keputusan yang berpengaruh terhadap RS,

khususnya keputusan jangka panjang yang dapat mendatangkan keuntungan bagi

rumah sakit. Dengan melakukan peramalan, para perencana dan pengambil

keputusan akan dapat mempertimbangkan alternatif-alternatif strategi dan

mempersiapkan dengan baik kapasitas ruang rawat inap di RS. Oleh karena itu,

pada penelitian ini dilakukan peramalan terhadap permintaan ruang rawat inap

yang berfokus pada RSUP Dr Mohammad Hoesin Palembang.

Metode peramalan yang ada cukup banyak sehingga harus dipilih metode

peramalan yang paling sesuai untuk RSUP Dr Mohammad Hoesin Palembang.

Salah satu kriteria dalam pemilihan metode peramalan adalah memilih metode

yang memiliki kesalahan peramalan paling kecil. Pada pemilihan metode

peramalan tidak terletak pada metode peramalan yang menggunakan proses

matematika yang rumit atau menggunakan metode yang canggih, akan tetapi

metode terpilih yang menghasilkan suatu ramalan akurat, tepat waktu dan

dipahami oleh manajemen RSUP Dr Mohammad Hoesin Palembang sebagai

ramalan yang dapat membantu menghasilkan keputusan lebih baik.

Metode time series yang digunakan yang digunakan dalam penelitian ini

terdiri dari beberapa metode. Pemilihan metode didasarkan pada pola data,

dimana identifikasi pola data dilakukan dengan memplot data dan nilai

autokorelasinya. Setelah itu dihitung nilai galat MAPE. Model yang mendapat

nilai MAPE paling kecil dipilih menjadi model time series terbaik. Metode yang

terpilih selanjutnya akan digunakan untuk meramalkan permintaan ruang rawat

inap di masa mendatang.

Hasil dari analisis peramalan permintaan yang dilakukan memiliki

keterkaitan dengan perencanaan kapasitas di RSUP Dr Mohammad Hoesin

Palembang pada masa mendatang. Perencanaan kapasitas ruang rawat inap

dilakukan dengan tujuan meminimalisasi kerugian. Kerangka pemikiran yang

mendasari penelitian ini dapat dilihat pada Gambar 1.

Page 17: PERAMALAN PERMINTAAN RUANG RAWAT INAP SEBAGAI … · Forecasting is the one important way to determine the success of planning ,especially in terms of capacity planning. Research

7

Gambar 1 Kerangka pemikiran penelitian

Lokasi dan Waktu Penelitian

Penelitian dilakukan pada RSUP Dr Mohammad Hoesin Palembang yang

bergerak dalam bidang jasa pelayanan kesehatan. Penelitian ini dilaksanakan

dengan menggunakan data sekunder yaitu data permintaan ruang rawat inap dari

Januari 2009-September 2013. Penelitian ini dilakukan karena tersedianya akses

untuk mendapatkan data dan dengan pertimbangan peramalan permintaan ruang

rawat inap di RSUP Dr Mohammad Hoesin Palembang belum pernah dilakukan

sebelumnya. Penelitian ini akan dilakukan dari bulan Januari sampai dengan bulan

Februari 2014.

Pengumpulan Data

Data yang digunakan dalam penelitian ini adalah data permintaan ruang

rawat inap di RSUP Dr Mohammad Hoesin Palembang. Data permintaan ruang

rawat inap yang digunakan adalah data bulanan permintaan ruang rawat inap

setiap tahunnya. Analisis kuantitatif yang dilakukan berfungsi meramalkan

permintaan ruang rawat inap di masa mendatang. Peramalan permintaan ruang

rawat inap ini diawali dengan mengumpulkan data jumlah permintaan ruang rawat

inap di RSUP Dr Mohammad Hoesin Palembang. Setelah itu ditemukan dan

diketahui pola data permintaan, ditentukan model peramalan yang paling sesuai

dan paling kecil tingkat kesalahannya, untuk menjadi masukan bagi pihak

manajemen RSUP Dr Mohammad Hoesin Palembang dalam proses pengambilan

RSUP Dr Mohammad Hoesin Palembang

Ruang Rawat Inap

Fluktuasi dan Peningkatan Permintaan

Data Permintaan Historis

Plot Pola Data

Peramalan Permintaan Time Series

Hasil Analisis Time Series

Perencanaan Kapasitas Ruang Rawat Inap

Page 18: PERAMALAN PERMINTAAN RUANG RAWAT INAP SEBAGAI … · Forecasting is the one important way to determine the success of planning ,especially in terms of capacity planning. Research

8

keputusannya, bila dilihat dari peramalan permintaan ruang rawat inap, sehingga

dapat dijadikan acuan dalam penentuan kapasitas untuk meminimalisasi kerugian

akibat permintaan ruang rawat inap yang berlebih dari kapasitas atau kerugian

karena kehilangan sejumlah pasien karena kapasitas tidak mencukupi permintaan.

Data yang digunakan dalam penelitian ini adalah data primer dan

sekunder, serta jenis data bersifat kualitatif dan kuantitatif. Data primer diperoleh

melalui pengamatan dan wawancara mendalam terhadap pihak manajemen rumah

sakit. Sedangkan data sekunder yang digunakan adalah data permintaan ruang

rawat inap RSUP Dr Mohammad Hoesin Palembang yang sudah menjadi arsip

negara, keadaan umum lokasi penelitian, potensi pengembangan RS ke depannya

dan informasi lain yang didapatkan dari berbagai sumber termasuk internet.

Pengolahan dan Analisis Data

Pengolahan dan analisis data yang digunakan dalam penelitian ini akan

diuraikan secara kuantitatif dan kualitatif. Data kuantitatif diolah dengan

menggunakan program Microsoft Excel dan Minitab 15. Analisis kualitatif

digunakan untuk mengetahui gambaran umum RS dan mengetahui permasalahan

yang terjadi daalam usaha tersebut. Analisis ini dilakukan melalui proses

observasi dan wawancara langsung kepada pihak manajemen RS.

Analisis kuantitatif yang digunakan untuk meramalkan permintaan ruang

rawat inap di masa mendatang. Peramalan dalam penelitian ini menggunakan

metode time series. Metode time series adalah metode yang meramalkan kejadian

atau permintaan di masa mendatang atas dasar serangkaian data masa lalu, yang

merupakan hasil observasi berbagai peubah menurut waktu.

Menurut Baroto (2002), Prosedur peramalan dengan metode time series adalah:

1. Tentukan pola data permintaan. Menurut Aritonang (2009), data runtut waktu

dapat dibedakan menjadi empat (4) komponen, yaitu :

a. Trend merupakan komponen data runtut waktu yang berkaitan dengan

adanya kecendrungan peningkatan atau penurunan pada periode tertentu.

b. Musim merupakan komponen data runtut waktu yang memiliki pola

berulang dari waktu ke waktu. Pola tersebut biasanya timbul karena

adanya pengaruh dari suatu musim tertentu.

c. Siklis merupakan komponen data runtut waktu yang ditunjukkan dengan

pola data berfluktuasi bergelombang yang biasanya dipengaruhi keadaan

ekonomi secara umum.

d. Ketidakteraturan/ireguler/acak merupakan komponen data runtut waktu

yang tidak tergolong dalam trend, musim, maupun siklis. Komponen ini

berkaitan dengan hal-hal yang tdak terduga sebelumnya.

2. Mencoba beberapa metode time series yang sesuai dengan pola permintaan

tersebut untuk melakukan peramalan. Metode yang dicoba semakin banyak,

maka semakin baik peramalannya. Pada setiap metode, sebaiknya dilakukan

pula peramalan dengan parameter berbeda.

3. Mengevaluasi tingkat kesalahan masing-masing metode yang telah dicoba.

Tingkat kesalahan diukur dengan kriteria MAD, MSE, MAPE atau lainnya.

Sebaiknya nilai tingkat kesalahan (apakah MAD, MSE, atau MAPE) ini

ditentukan dulu. Tidak ada ketentuan mengenai berapa tingkat kesalahan

Page 19: PERAMALAN PERMINTAAN RUANG RAWAT INAP SEBAGAI … · Forecasting is the one important way to determine the success of planning ,especially in terms of capacity planning. Research

9

maksimal dalam peramalan. Menurut Jayanto dan Syukriyadin (2012) akurasi

dapat diukur dengan mean absolute deviation (MAD), mean squared error

(MSE), atau MAPE.

MAD =

∑ | | ………………….........................(1)

MSE =

∑ ( )

…………………………………...(2)

MAPE =

| |

……………………………………(3)

dimana:

= nilai aktual

= nilai ramalan

- = kesalahan ramalan (error)

n = banyaknya data

4. Memilih metode terbaik diantara metode yang dicoba. Metode terbaik adalah

metode yang memberikan tingkat kesalahan terkecil dibandingkan metode

lainnya dan tingkat kesalahan tersebut di bawah batas tingkat kesalahan yang

telah ditetapkan.

5. Melakukan peramalan dengan metode terbaik yang telah dipilih.

HASIL DAN PEMBAHASAN

Gambaran Umum Perusahaan

Sejarah RSUP Dr Mohammad Hoesin

RSUP Dr Mohammad Hoesin Palembang didirikan pada tahun 1953 atas

prakarsa Menteri Kesehatan RI Dr Mohammad Ali (Dr Lee Kiat Teng) dengan

biaya pemerintah pusat. Pada tanggal 3 Januari 1957 rumah sakit ini mulai

operasional, yang dapat melayani masyarakat Sumatera Bagian Selatan

(Sumbagsel) dimana saat itu meliputi Propinsi Sumatera Selatan, Lampung,

Jambi, Bengkulu, dan Bangka Belitung. Seiring dengan perkembangan waktu,

rumah sakit ini semakin berkembang, baik fasilitas, sarana dan prasarana. Sumber

daya manusia (SDM) yang tersedia adalah para spesialis lengkap dan beberapa

sub spesialis, sehingga mengubah tipe rumah sakit dari rumah sakit umum pusat

kelas B menjadi kelas A. RSUP Dr Mohammad Hoesin Palembang menjadi pusat

rujukan layanan kesehatan Se-Sumbagsel.

Tahun 1993 – 1994 RSUP Palembang mengubah status dari RS Vertikal (RS

Penerima Negara Bukan Pajak) menjadi RS Swadana. Sesuai SK Menkes RI

no.1279/Menkes/SK/XI/1997; RSUP Palembang resmi bernama RSUP Dr

Mohammad Hoesin Palembang. Dengan UU no 20/1997 menjadi Rumah Sakit

Instansi Pengguna Penerimaan Negara Bukan Pajak (PNBP) dimana rumah sakit

dapat memanfaatkan dana dari hasil pendapatan sesuai dengan anggaran yang

diproyeksikan rumah sakit dan diselaraskan dengan pendapatan melalui prosedur

Kantor Perbendaharaan dan Kas Negara (KPKN) disamping itu subsidi

pemerintah tetap seperti sediakala.Tahun 2000 dengan PP No 122/2000, RSUP Dr

Mohammad Hoesin Palembang ditetapkan menjadi salah satu dari 13 Rumah

Page 20: PERAMALAN PERMINTAAN RUANG RAWAT INAP SEBAGAI … · Forecasting is the one important way to determine the success of planning ,especially in terms of capacity planning. Research

10

Sakit Pemerintah (RSP) menjadi Rumah Sakit Perusahaan Jawatan (Perjan) Di

Indonesia dan operasionalnya dimulai tanggal 1 Januari 2002. Sebagai RS Perjan

secara operasional RS masih tetap melaksanakan fungsi pelayanan sosialnya bagi

masyarakat ekonomi kurang mampu melalui program JPSBK (Gakin), sejak tahun

2005 dikelolah oleh PT Asuransi Kesehatan (Askes) Indonesia menjadi program

Asuransi Kesehatan Keluarga Miskin (Askeskin). Kemudian tahun 2005

berdasarkan PP 23 / 2005 tgl 13 Juni 2005 tentang Pengelolaan Keuangan Badan

Layanan Umum (BLU) dengan SK Menkes RI no: 1243/Menkes/SK/VIII/2005,

tanggal 11 Agustus 2005 tentang Penetapan 13 eks RS Perjan statusnya menjadi

Unit Pelaksana Teknis Departemen Kesehatan Republik Indonesia (Depkes RI)

dengan menerapkan Pola Pengelolaan Keuangan BLU. Implementasinya RSUP

Dr Mohammad Hoesin Palembang sebagai BLU dilaksanakan pada Januari 2006.

Visi, Misi dan Tujuan RSUP Dr Mohammad Hoesin

Visi dari RSUP Dr Mohammad adalah menjadi rumah sakit pusat pelayanan

kesehatan, penelitian terbaik dan bermutu se-Sumatera. Untuk mencapai visinya

tersebut, memiliki tiga misi perusahaan secara umum, yaitu: (1)

menyelenggarakan pelayanan kesehatan komprehensif dan bermutu tinggi, (2)

menyelenggarakan jasa pendidikan dan penelitian dalam bidang kedokteran dan

kesehatan, (3) menyelenggarakan promosi kesehatan. Selain visi dan misi RS juga

memiliki tujuan, yaitu: (1) meningkatkan derajat kesehatan dan senantiasa

berorientasi kepada kepentingan masyarakat, (2) meningkatkan citra pelayanan

pemerintah kepada masyarakat di bidang kesehatan, (3) menghasilkan tenaga

dokter umum, spesialis, dan sub spesialis serta keperawatan yang berkualitas dan

bermoral tinggi.

Analisis Hasil Peramalan Permintaan Ruang Rawat Inap RSUP Dr

Mohammad Hoesin Palembang

Asumsi-Asumsi Dalam Peramalan

1. Permintaan produk

Menurut Kotler (2004) terdapat lima tingkat produk, yaitu produk utama,

produk generik, produk harapan, produk pelengkap, dan produk potensial.

Untuk peramalan RSUP Dr Mohammad Hoesin Palembang diasumsikan

permintaan yang dimaksud adalah permintaan produk bukan permintaan jasa.

Ruang rawat inap masuk kedalam tingkatan produk utama, dengan produk

generiknya berupa tempat tidur.

2. POAC (Planning, Organizing, Actuating dan Controlling)

a. Planning (Perencanaan)

Peramalan dilakukan sebagai langkah awal dalam perencanaan. Asumsi

dalam peramalan ruang rawat inap RSUP Dr Mohammad Hoesin

Palembang terkait masalah perencanaan adalah peramalan ini digunakan

untuk mengetahui kapasitas ruang rawat inap yang dimiliki RS. Sejauh ini

Page 21: PERAMALAN PERMINTAAN RUANG RAWAT INAP SEBAGAI … · Forecasting is the one important way to determine the success of planning ,especially in terms of capacity planning. Research

11

sering adanya keluhan dari calon pasien khususnya kelas tiga terkait

sulitnya mendapat ruangan.

b. Organizing (Pengorganisasian)

Asumsi dalam peramalan terkait pengorganisasian adalah peramalan

digunakan untuk membantu pihak manajemen rumah sakit dalam

mengorganisasi sistem, khususnya sistem manajemen kamar di RS karena

belum adanya optimalisasi penggunaan ruang rawat inap

c. Actuating (Pelaksanaan)

Asumsi dalam peramalan terkait pelaksanaan adalah seluruh komponen

dalam sistem manajemen rumah sakit belum bekerja secara bersama-sama

sesuai bidang masing-masing untuk dapat mewujudkan tujuan RS,

khususnya tujuan untuk meningkatkan citra pelayanan pemerintah kepada

masyarakat di bidang kesehatan.

d. Controlling (Pengendalian)

Asumsi peramalan digunakan untuk pengendalian dari semua proses

perencanaan, pengorganisasian, dan pelaksanaan memberikan hasil yang

efektif dan efisien pada sistem pelayanan RS.

Identifikasi Pola Data Permintaan

Data yang digunakan adalah data permintaan ruang rawat inap per bulan

dari RSUP Dr Mohammad Hoesin Palembang dari bulan Januari 2009 sampai

September 2013 dan data permintaan RS diolah dengan metode peramalan time

series (runtut waktu). Data permintaan dapat dilihat pada Lampiran 2.

Penemuan model yang terbaik untuk peramalan diproses melalui beberapa

tahap. Pertama adalah uji stasioneritas data. Data yang stasioner adalah data yang

bersifat flat, tidak mengandung komponen trend, dengan keragaman konstan, dan

tidak terdapat fluktuasi periodik. Apabila data telah stasioner maka tidak perlu

dilakukan pembeda (differencing). Plot pola data aktual terhadap waktu untuk

permintaan ruang rawat inap dari bulan Januari 2009 sampai bulan September

2013 dapat dilihat pada Gambar 2.

Sumber: RSMH, 2013

Gambar 2 Pola data permintaan ruang rawat inap

544842363024181261

4000

3750

3500

3250

3000

2750

2500

Index

Tota

l Pe

rmin

taa

n

Page 22: PERAMALAN PERMINTAAN RUANG RAWAT INAP SEBAGAI … · Forecasting is the one important way to determine the success of planning ,especially in terms of capacity planning. Research

12

Setelah memetakan seluruh data permintaan secara grafik didapatkan

bahwa pola permintaan ruang rawat inap dari Januari 2009 sampai dengan

September 2013 menunjukkan pola stasioner. Kestasioneran dibuktikan dengan

hasil plot autokorelasi pada Lampiran 3. Hasil pengolahan data menunjukkan

bahwa lag pertama dan kedua berbeda nyata dari nol tetapi secara bertahap turun

mendekati nol atau tidak berbeda nyata dari nol.

Metode Peramalan Time Series

Setelah dilakukan plot pola data dicoba beberapa metode time series yang

sesuai dengan pola data. Perlu diperhatikan bahwa model terbaik yang dipilih

sesuai kriteria peramalan, yaitu MAPE terkecil dapat dilihat Tabel 1.

Tabel 1 Metode dan nilai MAPE METODE MAPE

Autoregressive (2) 5,314334

ARMA (1,1) 5,350993

ARMA (3,1) 5,335373

ARIMA (1,1,2) 5,367009

Single exponential smoothing 5,5

Double exponential smoothing 5,7

Sumber : Data sekunder, diolah (2014)

Sebelum melakukan perhitungan nilai MAPE, terlebih dahulu dilakukan

pengujian kriteria konverginitas yang terlihat dari hasil output olahan Minitab

yang menyatakan “relative change in each estimate less than 0,0010” yang berarti

data berhasil menjadi konvergen setelah melewati proses iterasi. Selain itu p-value

dari parameter AR atau MA kurang dari 0,05 yang berarti parameter yang

diestimasi sudah signifikan atau sudah berbeda dengan nol. Kondisi invertibilitas

dan stasioneritas model harus terpenuhi. Kriteria lainnya adalah Parsimonitas

model yang berarti pemilihan model, dipilih model yang memiliki bentuk paling

sederhana. Model yang baik adalah model yang memiliki komponen galatnya

tidak dapat digunakan untuk menjelaskan ramalan. Uji ini dilihat dengan

menggunakan indikator Ljung-Box Q, apabila p-value telah lebih besar dari 0,05

maka residual atau error model tersebut telah menyebar acak (random). Hasil

perhitungan dengan menggunakan software Minitab untuk setiap model seperti

yang terdapat dalam Lampiran 4.

Model Autoregressive (2) telah memenuhi kriteria konverginitas, terlihat

dari hasil olahan Minitab yang menyatakan “relative change in each estimate less

than 0,0010” yang berarti data berhasil menjadi konvergen setelah melewati

proses iterasi. Kemudian p-value dari parameter AR kurang dari 0,005, yaitu

0,002 untuk AR 2. Kondisi stasioneritas model terpenuhi dengan nilai koefisien

AR lebih kecil dari (<) 1, yaitu 0,4033 untuk AR 2. Indikator Ljung-Box Q yaitu

p-value telah lebih besar dari (>) 0,05 telah terpenuhi dengan nilai p-value 0,362,

0,239, 0,186 dan 0,315.

Model ARMA (autoregressive-moving average) (1,1) telah memenuhi

kriteria konverginitas, terlihat dari hasil olahan Minitab yang menyatakan

Page 23: PERAMALAN PERMINTAAN RUANG RAWAT INAP SEBAGAI … · Forecasting is the one important way to determine the success of planning ,especially in terms of capacity planning. Research

13

“relative change in each estimate less than 0,0010” yang berarti data berhasil

menjadi konvergen setelah melewati proses iterasi. Kemudian p-value dari

parameter AR 1 dan MA 1 kurang dari 0,005, yaitu sebesar 0,000 dan 0,001.

Kondisi stasioneritas model terpenuhi dengan nilai koefisien AR < 1 yaitu 0,8994

dan kondisi invertibilitas juga tercapai dengan nilai koefisien MA < 1, yaitu

0,5649. Indikator Ljung-Box Q, yaitu p-value telah > 0,05 telah terpenuhi dengan

nilai p-value 0,363, 0,466, 0,345, dan 0,510.

Model ARMA (3,1) telah memenuhi kriteria konverginitas, terlihat dari

hasil olahan Minitab yang menyatakan “relative change in each estimate less than

0,0010” yang berarti data berhasil menjadi konvergen setelah melewati proses

iterasi. Kemudian p-value dari parameter AR 3 kurang dari 0,005, yaitu 0,003

walaupun parameter MA 1 masih bernilai 0,005. Kondisi stasioneritas model

terpenuhi dengan nilai koefisien AR < 1, yaitu 0,4349 dan kondisi invertibilitas

juga tercapai dengan nilai koefisien MA < 1, yaitu -0,8361. Indikator Ljung-Box

Q yaitu p-value telah > 0,05 telah terpenuhi dengan nilai p-value sebesar 0,392,

0,346, 0,204, dan 0,327.

Model ARIMA (1,1,2) telah memenuhi kriteria konverginitas, terlihat dari

hasil olahan Minitab yang menyatakan “relative change in each estimate less than

0,0010” yang berarti data berhasil menjadi konvergen setelah melewati proses

iterasi. Kemudian p-value dari parameter AR 1 dan MA 2 kurang dari 0,005, yaitu

sebesar 0,000. Kondisi stasioneritas model terpenuhi dengan nilai koefisien AR <

1 yaitu -0,9972 dan kondisi invertibilitas juga tercapai dengan nilai koefisien MA

< 1 yaitu sebesar 0,6147. Indikator Ljung-Box Q yaitu p-value telah > 0,05 telah

terpenuhi dengan nilai p-value 0,458, 0,562, 0,653, dan 0,638.

Model single exponential smoothing dengan nilai konstanta pemulusan (α)

0,368024 memiliki nilai MAPE 5,5. Model double exponential smoothing dengan

nilai α 0,419721 dan nilai konstanta tren (γ) 0,060426 memiliki nilai MAPE 5,7

Berdasarkan Tabel 2, metode time series terbaik yang didapatkan dari perhitungan

Minitab 15 adalah metode Autoregressive (2). Metode ini memiliki nilai MAPE

terkecil dibandingkan dengan metode peramalan lainnya yaitu sebesar 5,314334.

Hasil peramalannya dapat dilihat pada Tabel 2.

Tabel 2 Hasil peramalan permintaan ruang rawat inap dari Oktober 2013-

Desember 2015

Periode Bulan Permintaan

(orang)

Selang Peramalan

58 Oktober 3089,04 2650,46 – 3527,62

59 November 3183,67 2730,05 – 3637,29

60 Desember 3164,72 2665,91 – 3663,53

61 Januari 3197,88 2688,84 – 3706,92

62 Februari 3199,00 2678,11 – 3719,89

63 Maret 3212,67 2687,08 – 3738,25

64 April 3216,73 2687,36 – 3746,09

65 Mei 3223,31 2692,05 – 3754,58

66 Juni 3226,69 2694,11 – 3759,26

67 Juli 3230,23 2696,93 – 3763,54

68 Agustus 3232,53 2698,75 – 3766,31

Page 24: PERAMALAN PERMINTAAN RUANG RAWAT INAP SEBAGAI … · Forecasting is the one important way to determine the success of planning ,especially in terms of capacity planning. Research

14

Lanjutan Tabel 2

Periode Bulan Permintaan

(orang)

Selang Peramalan

69 September 3234,57 2700,51 – 3768,63

70 Oktober 3236,04 2701,81 – 3770,27

71 November 3237,24 2702,91 – 3771,58

72 Desember 3238,15 2703,76 – 3772,55

73 Januari 3238,88 2704,45 – 3773,32

74 Februari 3239,44 2704,98 – 3773,90

75 Maret 3239,88 2705,41 – 3774,36

76 April 3240,23 2705,74 – 3774,71

77 Mei 3240,49 2706,01 – 3774,98

78 Juni 3240,70 2706,21 – 3775,19

79 Juli 3240,87 2706,37 – 3775,36

80 Agustus 3240,99 2706,50 – 3775,49

81 September 3241,09 2706,60 – 3775,59

82 Oktober 3241,17 2706,68 – 3775,67

83 November 3241,22 2706,74 – 3775,73

84 Desember 3241,28 2706,78 – 3775,77

Sumber: Hasil pengolahan data menggunakan Minitab 15

Berdasarkan hasil perhitungan dengan metode Autoregressive (2)

diketahui permintaan akan diprediksi pada periode Oktober 2013 sampai dengan

Desember 2015 cukup stabil. Hal ini dapat dilihat pada jumlah peramalan

permintaan yang tidak beda jauh dengan rataan pola tersebut, yakni 3.222,54.

Proses pengolahan data dengan metode Autoregressive (2) dapat dilihat pada

Lampiran 5.

Keunggulan metode Autoregressive (2) adalah dihasilkan interval (upper

bound dan lower bound) pada hasil ramalan, sehingga dapat digunakan dalam

pengambilan keputusan pada kemungkinan yang terbaik maupun terburuk.

Implikasi Manajerial

Berdasarkan penelitian yang dilakukan, hasil peramalan ini dapat

dijadikan sebagai bahan untuk perencanaan, pengorganisasian dan evaluasi bagi

pihak manajemen RS. Pihak manajemen RSUP Dr Mohammad Hoesin

Palembang sebaiknya memperhatikan faktor-faktor yang memiliki pengaruh besar

terhadap mutu pelayananan dan kepuasan konsumen. Kapasitas ruang rawat inap

tidak menjadi penyebab utama yang mengakibatkan calon pasien tidak

mendapatkan ruangan, khususnya dalam hal ini untuk pasien kelas 3. Bila

dibandingkan dengan kelas lainnya, jumlah ruang rawat inap kelas 3 lebih banyak,

yaitu 669 tempat tidur. Apabila dilakukan perbandingan antara jumlah tempat

tidur dan jumlah pasien setiap harinya yang 104 orang, maka seharusnya

jumlah tempat tidur tersebut mencukupi untuk menampung semua pasien.

Berdasarkan hasil peramalan juga menunjukkan permintaan ruang rawat inap

periode Oktober 2013 sampai dengan Desember 2015 cukup stabil ± 3.222 per

bulan atau sekitar 107 per hari.

Page 25: PERAMALAN PERMINTAAN RUANG RAWAT INAP SEBAGAI … · Forecasting is the one important way to determine the success of planning ,especially in terms of capacity planning. Research

15

Sebagai RS milik pemerintah, sebaiknya pihak RS mengedepankan

pelayanan kepada masyarakat dengan cara tidak mempersulit prosedur pelayanan

kesehatan, khususnya calon pasien golongan menengah kebawah yang ingin

menggunakan fasilitas ruang rawat inap kelas tiga, sehingga kedepannya tidak ada

lagi keluhan dari calon pasien yang tidak mendapatkan ruang rawat inap.

SIMPULAN DAN SARAN

Simpulan

Berdasarkan uraian pembahasan hasil penelitian yang diperoleh, maka didapatkan

kesimpulan berikut:

1. Data aktual permintaan ruang rawat inap RSUP Dr Mohammad Hoesin

Palembang periode Januari 2009 hingga September 2013, bersifat stasioner.

Hal ini terlihat dari plot Autocorrelation Function (ACF) dimana hasil plot

autokorelasi menunjukkan bahwa pertama dan kedua berbeda nyata dari nol,

tetapi secara bertahap turun mendekati nol atau tidak dapat berbeda nyata dari

nol.

2. Dari hasil analisis peramalan yang telah dilakukan, diidentifikasi pola data

permintaan ruang rawat inap RSUP Dr Mohammad Hoesin Palembang

bersifat stasioner. Hal ini dapat diartikan bahwa pola data permintaan tersebut

konstan sepanjang periode Januari 2009 hingga September 2013. Metode

Peramalan time series yang digunakan adalah autoregressive, ARMA,

ARIMA, single exponential smoothing, double exponential smoothing, dimana

dari hasil perhitungan peramalan penjualan didapatkan bahwa untuk RSUP Dr

Mohammad Hoesin Palembang yang paling cocok dengan indikator nilai

akurasi kesalahan MAPE terkecil adalah metode autoregressive (2).

3. Berdasarkan hasil peramalan RSUP Dr Mohammad Hoesin Palembang,

diketahui permintaan yang akan diprediksi pada periode Oktober 2013 sampai

dengan Desember 2015 cukup stabil. Hal ini dapat dilihat pada jumlah

peramalan penjualan yang tidak berbeda jauh dengan rataan pola tersebut

yakni ± 3222,54 atau 3.222 permintaan ruang rawat inap dan hanya pada

periode Oktober 2013 sebanyak 3.000 permintaan.

Saran

1. Peramalan permintaan ruang rawat inap RSUP Dr Mohammad Hoesin

Palembang dengan metode autoregressive (2) sebaiknya digunakan oleh pihak

manajemen rumah sakit, agar hasil peramalan tidak berbeda jauh dengan

realisasi dan dapat membantu rumah sakit dalam perencanaan strategi terkait

mutu pelayanan agar kedepannya tidak terdapat lagi keluhan dari calon pasien.

2. Untuk mempermudah peramalan permintaan disarankan rumah sakit

menggunakan perangkat lunak (software) Microsoft Excel dan Minitab 15,

sehingga hasilnya dapat meningkatkan kesempatan rumah sakit memperoleh

laba maksimal dan memenangkan persaingan.

Page 26: PERAMALAN PERMINTAAN RUANG RAWAT INAP SEBAGAI … · Forecasting is the one important way to determine the success of planning ,especially in terms of capacity planning. Research

16

3. Agar tidak terjadi penurunan jumlah permintaan ruang rawat inap, maka perlu

dijaga dan ditingkatkan komitmen dari setiap komponen yang terlibat dalam

sistem manajemen rumah sakit agar tujuan bersama dapat diwujudkan.

DAFTAR PUSTAKA

Aritonang R, Lerbin R. 2009. Peramalan Bisnis. Jakarta (ID): Ghalia Indonesia.

Baroto T. 2002. Perencanaan dan Pengendalian Produksi. Jakarta (ID): Ghalia

Indonesia.

Caroline R. 2012. Analisis Kunjungan Kedatangan Tamu Mancanegara ke

Indonesia (studi kasus: Bandar Udara Soekarno-Hatta dan Ngurah Rai)

[Skripsi]. Bogor (ID): Institut Pertanian Bogor.

[Depkes] Departemen Kesehatan. 2009. Undang-Undang Republik Indonesia

Tahun 2009 Tentang Rumah Sakit. Jakarta (ID): Depkes.

Hasan I M. 2008. Pokok-Pokok Materi Statistik 1 (Statistik Deskriptif). Jakarta

(ID): Bumi Aksara.

Jayanto A D, Syukriyadin. 2012. Peramalan beban puncak transformator daya

gardu induk lampeuneurut menggunakan metode time series stokastik. Vol

1(1) p59-66.

Kotler P. 2004. Manajemen Pemasaran Jilid 2. Terjemahan Drs. Benyamin

Molan. Jakarta (ID). PT Indeks Kelompok Gramedia.

Kurniawati A D. 2009. Peramalan Penjualan Candy dan Cookies dalam

Perencanaan Kuantitas Produk UKM Warung Cokelat di Kota Bogor

[Skripsi]. Bogor (ID): Institut Pertanian Bogor.

Nugroho S. 2003. Perancangan kompleks rumah sakit jiwa di Semarang dengan

penekanan desain pendekatan kegiatan terapi. Vol 1 p65.

Prawirosentono S. 2007. Manajemen Operasi (Operations Management) Analisis

dan Studi Kasus. Jakarta (ID): Bumi Aksara.

Pulungan R, Wiyanti D.T. 2012. Peramalan deret waktu menggunakan model

fungsi basis radial (RBF) dan autoregressive integrated moving average

(ARIMA). Vol 35(2) p175-182.

[RSMH] Rumah Sakit Mohammad Hoesin. 2013. Rekam Medik RSUP Dr

Mohammad Hoesin Palembang. Palembang (ID): RSMH

Trisnantoro L. 2009. Memahami Penggunaan Ilmu Ekonomi Dalam Manajemen

Rumah Sakit. Yogyakarta (ID): Gadjah Mada University Press.

Page 27: PERAMALAN PERMINTAAN RUANG RAWAT INAP SEBAGAI … · Forecasting is the one important way to determine the success of planning ,especially in terms of capacity planning. Research

17

LAMPIRAN

Lampiran 1 Data kelas ruang rawat inap Nama ruangan Kelas Jumlah

tempat

tidur

Ruang

terpakai

Ruang

tidak

terpakai

Pav. Super Vip S VIP A 7 7 0

Anak S VIP B 2 1 1

Intermediate S VIP B 4 3 1

Pav. Musi Elok UT A 8 7 1

Sayap B Ruang O UT A 4 3 1

Sayap A Ruang Bayi UT A 1 0 1

Pav. Musi Elok UT B 16 13 3

Pav. Komering Cindo UT B 18 7 11

Interna D (Anyelir) UT B 1 1 0

Interna D (Anyelir) UT B 1 1 0

Interna E (Yasmin) UT B 1 1 0

Pav. Ogan Permai UT C 16 13 3

Pav. Lematang Indah UT C 3 1 2

Pav. Lematang Indah UT D 12 9 3

Pav. Enim Indah UT D 4 2 2

Pav. Enim Indah I A 14 11 3

Sayap B Ruang Obsgyn I A 6 5 1

Sayap A Ruang Bayi I A 2 0 2

Anak I A 2 2 0

Bedah A (Kelas A) I A 7 7 0

Bedah D (Plastik) I A 1 1 0

Bedah B (Kelas B) I A 7 6 1

Interna D (Anyelir) I A 4 3 1

Ruang Kelas (BHC) I A 4 4 0

Interna E (Yasmin) I A 4 2 2

Sayap B Ruang Obsgyn I B 6 6 0

Sayap A Ruang Bayi I B 3 1 2

Anak I B 4 4 0

Bedah A (Kelas A) I B 6 5 1

Bedah B (Kelas B) I B 6 6 0

Interna D (Anyelir) I B 14 11 3

Interna E (Yasmin) I B 16 13 3

Syaraf A I B 8 6 2

Anak II 3 0 3

ICCU/ CVCU (BHC) II 7 6 1

NICU II 12 10 2

PICU II 6 6 0

ICU II 13 9 4

NCCU/ NVCU (BHC) II 10 5 5

Sayap B Ruang Obsgyn II A 6 5 1

Sayap A Ruang Bayi II A 3 0 3

Anak II A 18 15 3

Bedah A (Kelas A) II A 4 4 0

Bedah B (Kelas B) II A 4 3 1

Bedah D (Plastik) II A 2 1 1

Ruang Kelas (BHC) II A 6 6 0

R.High Care (HCU-IRD) II A 5 2 3

R. Prioritas 1( P1-IRD) II A 5 2 3

Bedah C (Kelas C) II B 20 19 1

Bedah F (Mata) II B 8 6 2

Page 28: PERAMALAN PERMINTAAN RUANG RAWAT INAP SEBAGAI … · Forecasting is the one important way to determine the success of planning ,especially in terms of capacity planning. Research

18

Lanjutan Lampiran1

Nama ruangan Kelas Jumlah

tempat

tidur

Ruang

terpakai

Ruang

tidak

terpakai

Bedah H (Peny. THT) II B 5 5 0

Interna D (Anyelir) II B 4 4 0

Interna E (Yasmin) II B 4 3 1

Interna F (Paru) II B 8 0 8

Syaraf B II B 6 3 3

R. Observasi (RD Jantung) III 7 3 4

Sayap A Ruang Bayi III 23 16 7

Sayap C Ruang Obsgyn III 70 55 15

Neonatus III 36 31 5

Anak III 75 62 13

Bedah D (Plastik) III 44 31 13

Bedah E (MPKP) III 35 30 5

Bedah F (Mata) III 33 20 13

Bedah G (Ortopedi) III 34 34 0

Bedah H (Peny. THT) III 12 8 4

Bedah Peduli Kasih (RPK) III 55 54 1

R. Rawat Mawar (dari 702) III 40 36 4

Interna A (PDalam Laki2 kls 3) III 58 41 17

Interna C (RC) III 58 45 13

Interna F (Paru) III 34 23 11

Kardiologi III 21 12 9

Syaraf B III 29 19 10

Penyakit Kulit dan Kelamin III 4 4 0

Rehabilitasi Medik III 4 1 3

R. Rawat Melati III 4 0 4

Lampiran 2 Data permintaan ruang rawat inap

Tahun Periode Permintaan / hari

(orang)

Total

Permintaan

(orang)

2009 Januari 126,66 3.908

Februari 120,25 3.367

Maret 115,93 3.594

April 119,46 3.584

Mei 112,76 3.494

Juni 114,93 3.448

Juli 111,12 3.445

Agustus 115,61 3.584

September 99,63 2.989

Oktober 113,03 3.504

November 97,03 2.911

Desember 91,45 2.835

TOTAL 111,40 40.663

2010 Januari 97,87 3.034

Februari 95,71 2.680

Maret 101,41 3.144

April 102,00 3.060

Mei 100,54 3.117

Juni 97,30 2.919

Juli 99,32 3.079

Agustus 97,83 3.033

September 101,60 3.048

Page 29: PERAMALAN PERMINTAAN RUANG RAWAT INAP SEBAGAI … · Forecasting is the one important way to determine the success of planning ,especially in terms of capacity planning. Research

19

Lanjutan Lampiran 2. Tahun Periode Permintaan / hari

(orang)

Total

Permintaan

(orang)

Oktober 101,12 3.135

November 94,30 2.829

Desember 95,22 2.952

TOTAL 98,71 36.030

2011 Januari 103,03 3.194

Februari 105,86 2.964

Maret 108,23 3.355

April 113,93 3.418

Mei 105,16 3.260

Juni 106,00 3.180

Juli 111,32 3.451

Agustus 96,93 3.005

September 113,07 3.392

Oktober 113,53 3.406

November 112,07 3.362

Desember 118,73 3.562

TOTAL 108,99 39.549

2012 Januari 109,65 3.399

Februari 117,21 3.399

Maret 109,81 3.404

April 105,87 3.176

Mei 100,58 3.118

Juni 128,17 3.845

Juli 115,52 3.581

Agustus 105,13 3.259

September 103,47 3.104

Oktober 98,74 3.061

November 105,93 3.178

Desember 94,55 2.931

TOTAL 107,80 39.455

2013 Januari 104,55 3.241

Februari 101,64 2.846

Maret 96,39 2.988

April 99,50 2.985

Mei 108,94 3.377

Juni 107,07 3.212

Juli 108,10 3.351

Agustus 93,29 2.892

September 106,60 3.198

Sumber: RSMH, 2013

Page 30: PERAMALAN PERMINTAAN RUANG RAWAT INAP SEBAGAI … · Forecasting is the one important way to determine the success of planning ,especially in terms of capacity planning. Research

20

Lampiran 3 Plot ACF dan PACF pola data permintaan ruang rawat inap di RSUP

Dr Mohammad Hosein Palembang

Lampiran 4 Hasil olahan minitab untuk masing-masing model time series

AR 2 ARIMA Model: Total Permintaan Estimates at each iteration

Iteration SSE Parameters

0 3296278 0.100 0.100 2579.547

1 2910016 0.185 0.250 1820.404

2 2794258 0.240 0.356 1303.542

1413121110987654321

1.0

0.8

0.6

0.4

0.2

0.0

-0.2

-0.4

-0.6

-0.8

-1.0

Lag

Au

toco

rre

lati

on

Autocorrelation Function for Total Permintaan(with 5% significance limits for the autocorrelations)

1413121110987654321

1.0

0.8

0.6

0.4

0.2

0.0

-0.2

-0.4

-0.6

-0.8

-1.0

Lag

Pa

rtia

l Au

toco

rre

lati

on

Partial Autocorrelation Function for Total Permintaan(with 5% significance limits for the partial autocorrelations)

Page 31: PERAMALAN PERMINTAAN RUANG RAWAT INAP SEBAGAI … · Forecasting is the one important way to determine the success of planning ,especially in terms of capacity planning. Research

21

Lanjutan Lampiran 4

3 2782947 0.254 0.387 1162.525

4 2781324 0.260 0.397 1111.657

5 2781068 0.262 0.401 1091.236

6 2781026 0.263 0.402 1082.894

7 2781019 0.264 0.403 1079.475

8 2781017 0.264 0.403 1078.070

Relative change in each estimate less than 0.0010

Final Estimates of Parameters

Type Coef SE Coef T P

AR 1 0.2641 0.1256 2.10 0.040

AR 2 0.4033 0.1257 3.21 0.002

Constant 1078.07 29.67 36.33 0.000

Mean 3241.45 89.22

Number of observations: 57

Residuals: SS = 2702755 (backforecasts excluded)

MS = 50051 DF = 54

Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48

Chi-Square 9.9 25.2 40.0 49.0

DF 9 21 33 45

P-Value 0.362 0.239 0.186 0.315

ARMA(1,1) ARIMA Model: Total Permintaan Estimates at each iteration

Iteration SSE Parameters

0 3813115 0.100 0.100 2901.990

1 3308815 0.250 -0.050 2418.430

2 3197814 0.397 0.100 1943.925

3 3087525 0.538 0.250 1489.836

4 2981379 0.674 0.400 1049.698

5 2884163 0.817 0.550 590.537

6 2850751 0.844 0.529 504.062

7 2841876 0.875 0.561 405.466

8 2839619 0.880 0.555 388.906

9 2838930 0.888 0.563 364.323

10 2838704 0.890 0.562 357.060

11 2838641 0.893 0.564 349.731

12 2838620 0.894 0.564 346.652

13 2838617 0.894 0.565 344.219

Relative change in each estimate less than 0.0010

* WARNING * Back forecasts not dying out rapidly

Back forecasts (after differencing)

Lag -98 - -93 3259.275 3259.276 3259.276 3259.277 3259.278

3259.279

Lag -92 - -87 3259.280 3259.281 3259.283 3259.284 3259.286

3259.288

Lag -86 - -81 3259.290 3259.292 3259.295 3259.298 3259.302

3259.305

Lag -80 - -75 3259.310 3259.314 3259.320 3259.325 3259.332

3259.339

Page 32: PERAMALAN PERMINTAAN RUANG RAWAT INAP SEBAGAI … · Forecasting is the one important way to determine the success of planning ,especially in terms of capacity planning. Research

22

Lanjutan Lampiran 4

Lag -74 - -69 3259.348 3259.357 3259.367 3259.379 3259.392

3259.406

Lag -68 - -63 3259.422 3259.440 3259.461 3259.483 3259.508

3259.537

Lag -62 - -57 3259.568 3259.603 3259.643 3259.687 3259.736

3259.791

Lag -56 - -51 3259.853 3259.922 3259.999 3260.085 3260.181

3260.289

Lag -50 - -45 3260.409 3260.544 3260.694 3260.862 3261.051

3261.261

Lag -44 - -39 3261.496 3261.759 3262.053 3262.382 3262.749

3263.160

Lag -38 - -33 3263.619 3264.133 3264.707 3265.349 3266.067

3266.870

Lag -32 - -27 3267.767 3268.771 3269.893 3271.147 3272.550

3274.118

Lag -26 - -21 3275.872 3277.832 3280.024 3282.475 3285.215

3288.278

Lag -20 - -15 3291.704 3295.534 3299.816 3304.604 3309.957

3315.943

Lag -14 - -9 3322.635 3330.117 3338.483 3347.837 3358.295

3369.988

Lag -8 - -3 3383.062 3397.680 3414.024 3432.298 3452.730

3475.574

Lag -2 - 0 3501.116 3529.674 3561.605

Back forecast residuals

Lag -98 - -93 0.001 0.002 0.002 0.003 0.003 0.004

Lag -92 - -87 0.004 0.005 0.005 0.006 0.007 0.007

Lag -86 - -81 0.008 0.009 0.010 0.012 0.013 0.014

Lag -80 - -75 0.016 0.018 0.020 0.023 0.025 0.028

Lag -74 - -69 0.032 0.035 0.040 0.044 0.049 0.055

Lag -68 - -63 0.062 0.069 0.077 0.086 0.097 0.108

Lag -62 - -57 0.121 0.135 0.151 0.169 0.189 0.211

Lag -56 - -51 0.236 0.264 0.295 0.330 0.369 0.412

Lag -50 - -45 0.461 0.515 0.576 0.644 0.720 0.805

Lag -44 - -39 0.900 1.007 1.126 1.259 1.407 1.573

Lag -38 - -33 1.759 1.967 2.199 2.459 2.749 3.074

Lag -32 - -27 3.437 3.843 4.296 4.804 5.371 6.005

Lag -26 - -21 6.714 7.507 8.393 9.384 10.493 11.732

Lag -20 - -15 13.117 14.666 16.398 18.334 20.499 22.919

Lag -14 - -9 25.626 28.652 32.035 35.818 40.047 44.776

Lag -8 - -3 50.064 55.975 62.585 69.975 78.238 87.477

Lag -2 - 0 97.806 109.356 122.269

Final Estimates of Parameters

Type Coef SE Coef T P

AR 1 0.8944 0.0950 9.42 0.000

MA 1 0.5649 0.1689 3.35 0.001

Constant 344.22 13.14 26.19 0.000

Mean 3259.3 124.5

Number of observations: 57

Residuals: SS = 2763896 (backforecasts excluded)

MS = 51183 DF = 54

Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48

Chi-Square 9.8 20.9 35.6 44.1

Page 33: PERAMALAN PERMINTAAN RUANG RAWAT INAP SEBAGAI … · Forecasting is the one important way to determine the success of planning ,especially in terms of capacity planning. Research

23

Lanjutan Lampiran 4

DF 9 21 33 45

P-Value 0.363 0.466 0.345 0.510

ARMA(3,1) ARIMA Model: Total Permintaan Estimates at each iteration

Iteration SSE Parameters

0 3307234 0.100 0.100 0.100 0.100 2257.103

1 3122068 -0.002 0.154 0.114 -0.050 2368.252

2 3001087 -0.115 0.209 0.143 -0.200 2461.339

3 2879539 -0.220 0.288 0.189 -0.350 2399.098

4 2752960 -0.295 0.431 0.275 -0.498 1903.075

5 2733033 -0.359 0.493 0.330 -0.583 1734.970

6 2723693 -0.466 0.541 0.379 -0.704 1769.096

7 2714101 -0.601 0.588 0.427 -0.854 1899.119

8 2713901 -0.570 0.578 0.428 -0.816 1830.250

9 2713645 -0.599 0.589 0.436 -0.851 1863.273

10 2713318 -0.591 0.586 0.436 -0.838 1846.722

11 2713311 -0.589 0.586 0.435 -0.837 1843.228

12 2713310 -0.588 0.586 0.435 -0.836 1841.455

13 2713309 -0.588 0.586 0.435 -0.836 1841.194

Relative change in each estimate less than 0.0010

Final Estimates of Parameters

Type Coef SE Coef T P

AR 1 -0.5884 0.2857 -2.06 0.044

AR 2 0.5860 0.1552 3.78 0.000

AR 3 0.4349 0.1419 3.07 0.003

MA 1 -0.8361 0.2870 -2.91 0.005

Constant 1841.19 54.85 33.57 0.000

Mean 3244.42 96.65

Number of observations: 57

Residuals: SS = 2634138 (backforecasts excluded)

MS = 50656 DF = 52

Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48

Chi-Square 7.4 20.8 37.2 46.6

DF 7 19 31 43

P-Value 0.392 0.346 0.204 0.327

ARIMA (1,1,2) Model: Total Permintaan Estimates at each iteration

Iteration SSE Parameters

0 4473194 0.100 0.100 0.100 -11.321

1 3582244 -0.050 0.189 0.144 -13.926

2 3281080 -0.200 0.148 0.169 -15.130

3 3123568 -0.350 0.070 0.211 -16.385

4 3052572 -0.500 -0.043 0.269 -17.812

5 3017381 -0.650 -0.173 0.337 -19.353

6 2995020 -0.800 -0.311 0.410 -20.928

7 2992640 -0.950 -0.449 0.488 -22.436

Page 34: PERAMALAN PERMINTAAN RUANG RAWAT INAP SEBAGAI … · Forecasting is the one important way to determine the success of planning ,especially in terms of capacity planning. Research

24

Lanjutan Lampiran 4

8 2887256 -0.948 -0.299 0.601 -19.503

9 2886612 -0.948 -0.296 0.593 -18.088

10 2886325 -0.955 -0.304 0.601 -18.096

11 2886152 -0.958 -0.305 0.599 -18.122

12 2886112 -0.964 -0.311 0.604 -18.195

13 2886032 -0.966 -0.310 0.600 -18.252

14 2885890 -0.968 -0.312 0.602 -18.268

15 2885824 -0.971 -0.315 0.603 -18.314

16 2885676 -0.976 -0.318 0.604 -18.385

17 2884721 -0.983 -0.324 0.605 -18.499

18 2874546 -0.995 -0.335 0.609 -18.657

19 2872932 -0.997 -0.336 0.614 -18.731

20 2872801 -0.997 -0.333 0.615 -18.734

Unable to reduce sum of squares any further

* WARNING * Back forecasts not dying out rapidly

Back forecasts (after differencing)

Lag -97 - -92 -94.438 75.916 -94.915 76.395 -95.395 76.876

Lag -91 - -86 -95.878 77.361 -96.364 77.847 -96.852 78.337

Lag -85 - -80 -97.343 78.830 -97.837 79.325 -98.334 79.823

Lag -79 - -74 -98.833 80.324 -99.335 80.827 -99.840 81.334

Lag -73 - -68 -100.348 81.843 -100.859 82.355 -101.373 82.870

Lag -67 - -62 -101.889 83.388 -102.408 83.909 -102.931 84.433

Lag -61 - -56 -103.456 84.959 -103.984 85.489 -104.515 86.022

Lag -55 - -50 -105.049 86.557 -105.586 87.096 -106.126 87.637

Lag -49 - -44 -106.670 88.182 -107.216 88.730 -107.765 89.281

Lag -43 - -38 -108.317 89.834 -108.873 90.391 -109.431 90.952

Lag -37 - -32 -109.993 91.515 -110.558 92.081 -111.126 92.651

Lag -31 - -26 -111.697 93.224 -112.272 93.800 -112.849 94.379

Lag -25 - -20 -113.430 94.962 -114.014 95.547 -114.602 96.136

Lag -19 - -14 -115.193 96.729 -115.787 97.325 -116.384 97.924

Lag -13 - -8 -116.985 98.526 -117.589 99.132 -118.196 99.741

Lag -7 - -2 -118.807 100.354 -119.422 100.970 -120.039 101.589

Lag -1 - 0 -120.661 324.185

Back forecast residuals

Lag -97 - -92 -0.475 0.634 -0.981 1.195 -1.481 1.709

Lag -91 - -86 -1.962 2.188 -2.420 2.638 -2.855 3.062

Lag -85 - -80 -3.265 3.462 -3.653 3.839 -4.021 4.197

Lag -79 - -74 -4.368 4.535 -4.697 4.855 -5.009 5.159

Lag -73 - -68 -5.304 5.446 -5.585 5.719 -5.851 5.979

Lag -67 - -62 -6.104 6.225 -6.344 6.460 -6.573 6.683

Lag -61 - -56 -6.790 6.895 -6.998 7.098 -7.196 7.292

Lag -55 - -50 -7.385 7.477 -7.566 7.654 -7.739 7.823

Lag -49 - -44 -7.905 7.986 -8.064 8.142 -8.217 8.291

Lag -43 - -38 -8.364 8.435 -8.505 8.574 -8.641 8.708

Lag -37 - -32 -8.773 8.837 -8.900 8.962 -9.022 9.082

Lag -31 - -26 -9.141 9.199 -9.256 9.313 -9.368 9.423

Lag -25 - -20 -9.477 9.530 -9.583 9.634 -9.686 9.736

Lag -19 - -14 -9.786 9.835 -9.884 9.933 -9.980 10.027

Lag -13 - -8 -10.074 10.120 -10.166 10.212 -10.257 10.301

Lag -7 - -2 -10.345 10.389 -10.433 10.476 -10.519 10.561

Lag -1 - 0 -10.604 232.618

Final Estimates of Parameters

Type Coef SE Coef T P

AR 1 -0.9972 0.0224 -44.44 0.000

MA 1 -0.3329 0.1178 -2.83 0.007

Page 35: PERAMALAN PERMINTAAN RUANG RAWAT INAP SEBAGAI … · Forecasting is the one important way to determine the success of planning ,especially in terms of capacity planning. Research

25

Lanjutan Lampiran 4

MA 2 0.6147 0.1214 5.06 0.000

Constant -18.73 22.32 -0.84 0.405

Differencing: 1 regular difference

Number of observations: Original series 57, after differencing 56

Residuals: SS = 2812978 (backforecasts excluded)

MS = 54096 DF = 52

Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48

Chi-Square 7.8 18.4 28.3 40.1

DF 8 20 32 44

P-Value 0.458 0.562 0.653 0.638

Single Exponential Smoothing for Total Permintaan Data Total Permintaan

Length 57

Smoothing Constant

Alpha 0.368024

Accuracy Measures

MAPE 5.5

MAD 175.6

MSD 51276.0

Forecasts

Period Forecast Lower Upper

58 3141.93 2711.61 3572.25

59 3141.93 2711.61 3572.25

60 3141.93 2711.61 3572.25

61 3141.93 2711.61 3572.25

62 3141.93 2711.61 3572.25

63 3141.93 2711.61 3572.25

64 3141.93 2711.61 3572.25

65 3141.93 2711.61 3572.25

66 3141.93 2711.61 3572.25

67 3141.93 2711.61 3572.25

68 3141.93 2711.61 3572.25

69 3141.93 2711.61 3572.25

Double Exponential Smoothing for Total Permintaan Data Total Permintaan

Length 57

Smoothing Constants

Alpha (level) 0.419721

Gamma (trend) 0.060426

Accuracy Measures

MAPE 5.7

MAD 183.2

Page 36: PERAMALAN PERMINTAAN RUANG RAWAT INAP SEBAGAI … · Forecasting is the one important way to determine the success of planning ,especially in terms of capacity planning. Research

26

Lanjutan Lampiran 4

MSD 52947.9

Forecasts

Period Forecast Lower Upper

58 3127.86 2679.05 3576.67

59 3122.56 2631.56 3613.55

60 3117.25 2579.63 3654.88

61 3111.95 2524.30 3699.59

62 3106.64 2466.38 3746.90

63 3101.34 2406.46 3796.21

64 3096.03 2344.96 3847.10

65 3090.73 2282.23 3899.22

66 3085.42 2218.50 3952.34

67 3080.12 2153.97 4006.27

68 3074.81 2088.77 4060.85

69 3069.51 2023.02 4115.99

Lampiran 5 Hasil peramalan permintaan ruang rawat inap di RSUP Dr

Mohammad Hosein Palembang

AR (2) Model: Permintaan Ruang Rawat Inap

Estimates at each iteration

Iteration SSE Parameters

0 3296278 0.100 0.100 2579.547

1 2910016 0.185 0.250 1820.404

2 2794258 0.240 0.356 1303.542

3 2782947 0.254 0.387 1162.525

4 2781324 0.260 0.397 1111.657

5 2781068 0.262 0.401 1091.236

6 2781026 0.263 0.402 1082.894

7 2781019 0.264 0.403 1079.475

8 2781017 0.264 0.403 1078.070

Relative change in each estimate less than 0.0010

Final Estimates of Parameters

Type Coef SE Coef T P

AR 1 0.2641 0.1256 2.10 0.040

AR 2 0.4033 0.1257 3.21 0.002

Constant 1078.07 29.67 36.33 0.000

Mean 3241.45 89.22

Number of observations: 57

Residuals: SS = 2702755 (backforecasts excluded)

MS = 50051 DF = 54

Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48

Chi-Square 9.9 25.2 40.0 49.0

DF 9 21 33 45

P-Value 0.362 0.239 0.186 0.315

Forecasts from period 57

Page 37: PERAMALAN PERMINTAAN RUANG RAWAT INAP SEBAGAI … · Forecasting is the one important way to determine the success of planning ,especially in terms of capacity planning. Research

27

Lanjutan Lampiran 5

95% Limits

Period Forecast Lower Upper

58 3089.04 2650.46 3527.62

59 3183.67 2730.05 3637.29

60 3164.72 2665.91 3663.53

61 3197.88 2688.84 3706.92

62 3199.00 2678.11 3719.89

63 3212.67 2687.08 3738.25

64 3216.73 2687.36 3746.09

65 3223.31 2692.05 3754.58

66 3226.69 2694.11 3759.26

67 3230.23 2696.93 3763.54

68 3232.53 2698.75 3766.31

69 3234.57 2700.51 3768.63

70 3236.04 2701.81 3770.27

71 3237.24 2702.91 3771.58

72 3238.15 2703.76 3772.55

73 3238.88 2704.45 3773.32

74 3239.44 2704.98 3773.90

75 3239.88 2705.41 3774.36

76 3240.23 2705.74 3774.71

77 3240.49 2706.01 3774.98

78 3240.70 2706.21 3775.19

79 3240.87 2706.37 3775.36

80 3240.99 2706.50 3775.49

81 3241.09 2706.60 3775.59

82 3241.17 2706.68 3775.67

83 3241.23 2706.74 3775.73

84 3241.28 2706.78 3775.77

Page 38: PERAMALAN PERMINTAAN RUANG RAWAT INAP SEBAGAI … · Forecasting is the one important way to determine the success of planning ,especially in terms of capacity planning. Research

28

RIWAYAT HIDUP

Penulis dilahirkan di Palembang pada tanggal 25 September 1992 dari

ayah Alfansyah Rizamfarni dan ibu Rosdaina. Penulis adalah putri pertama dari

dua bersaudara. Pada tahun 2010 penulis lulus dari SMA Negeri 1 Palembang dan

pada tahun yang sama penulis lulus seleksi masuk Institut Pertanian Bogor (IPB)

melalui jalur Undangan Seleksi Masuk IPB dan diterima di Departemen

Manajemen, Fakultas Ekonomi dan Manajemen.

Selama mengikuti perkuliahan, penulis aktif mengikuti organisasi

kemahasiswaan sebagai staf direktorat produksi dan operasi Centre of

Management periode 2011/2012 dan direktur produksi dan operasi Centre of

Management periode 2012/2013. Penulis juga pernah mengikuti beberapa

kepanitiaan antara lain ketua pelaksana Try Out Manajemen 2012, staf divisi acara

Masa Pengenalan Departemen Manajemen 2012, staf divisi acara Unilever Goes

to Campus 2012 dan ketua divisi acara Inspiring Unileaders 2013.