BAB I PENDAHULUAN 1.1.

Latar Belakang Pada dasarnya faktor utama yang paling penting dari suatu usaha yang bergerak dalam bidang jasa adalah pelayanan. Sebab pelayanan akan memberikan kesan pertama kepada pelanggan, apakah dia akan kembali lagi karena merasa pelayanannya memuaskan atau tidak. Hal ini dilakukan dalam rangka memberikan fasilitas dan pelayanan yang baik kepada pelanggan yang sedang berkunjung. Pada kasus ini sistem yang diamati adalah lembaga yang bergerak dalam bidang jasa yaitu bidang kesehatan. Pengamatan kali ini dilakukan di Rumah Sakit Adi Husada Undaan Surabaya. Untuk menjalankan aktivitas tersebut terdapat jasa pelayanan pelanggan dimana terdapat server yang akan diamati utilitasnya. Dalam simulasi ini akan dilihat apakah server tiap tahapan telah optimal ataukah perlu dilakukan perbaikan ataupun penambahan server dalam sistem tersebut. I.2. Permasalahan Permasalahan yang akan ditemui ketika ingin meningkatkan kepuasan kepada pelanggan antara lain : 1. Berapa lama pasien dalam sistem pelayanan rawat jalan di Rumah Sakit Adi Husada Undaan Surabaya ? 2. Bagaimana model simulator yang sesuai dengan sistem antrian pada unit pelayanan rawat jalan Rumah Sakit Adi Husada Undaan Surabaya ?
3. Berapa waktu dalam sistem pelayanan rawat jalan Rumah Sakit Adi Husada

Undaan Surabaya yang optimum ?

4. Bagaimana menentukan jumlah server yang optimal untuk lama pelanggan

dalam sistem yang minimum? I.3. Tujuan Adapun tujuan yang harus dicapai dari penelitian ini diantaranya adalah: 1. Mengetahui lama pasien dalam sistem pelayanan rawat jalan di Rumah Sakit Adi Husada Undaan Surabaya ?
1

2. Mengetahui model simulator yang sesuai dengan sistem antrian pada unit pelayanan rawat jalan Rumah Sakit Adi Husada Undaan Surabaya.
3. Mengetahui berapa waktu dalam sistem pelayanan rawat jalan Rumah Sakit

Adi Husada Undaan Surabaya yang optimum ?

4. Menentukan jumlah server yang optimal untuk lama pelanggan dalam

sistem yang minimum. I.4. Manfaat Hasil simulasi dapat dijadikan bahan pertimbangan bagi rumah sakit dalam memberikan pelayanan. Dengan demikian akan diketahui metode pelayanan yang lebih baik untuk diterapkan di rumah sakit tersebut. Dan dapat mengantisipasi terjadinya antrian yang cukup panjang serta dapat memberikan pelayanan yang cepat, tepat dan efisien. 1.5 Batasan Masalah Dalam penelitian ini dilakukan pembatasan masalah karena unit pelayanan di Rumah Sakit Adi Husada Undaan Surabaya sangat banyak, diantaranya pelayanan unit gawat darurat 24 jam, pelayanan medis khusus, rawat jalan, pelayanan penunjang diagnostik, pelayanan medis khusus, dan beberapa paket senam, seperti senam diabetes, senam hamil, senam osteoporosis. Namun dalam kesempatan ini yang akan diamati dan dianalisis adalah unit pelayanan rawat jalan yang berada di lantai 4 rumah sakit ini. Dalam unit pelayanan ini terdapat beberapa urutan proses pelayanan rawat jalan, yaitu: 1. Tempat pendaftaran pasien
2. Ada beberapa klinik yang diamati, yaitu klinik umum, klinik mata, klinik THT,

klinik anak, klinik akupuntur, klinik kulit, klinik gigi, klinik penyakit dalam dan klinik syaraf. 3. Tempat pembayaran atau kasir

BAB II TINJAUAN PUSTAKA 2.1 Sistem Antrian Antrian adalah suatu masalah sering terjadi akibat adanya jumlah pelanggan yang meminta pelayanan yang lebih besar dari kemampuan dan kapasitas pelayanannya server dalam menangani pelanggan. Masalah ini akan menimbulkan efek yaitu munculnya waktu tunggu yang lama, antriannya yang panjang, dan utilitas pelayan yang semakin tinggi dan terkadang tidak rasional. Hal ini bisa merugikan kedua belah pihak, baik yang membutuhkan layanan (pelanggan) maupun sistem pemberi layanan (pelayan). Adapun struktur dasar sistem antrian adalah : a. Pelanggan : sebuah objek (orang atau barang) yang datang ke dalam sistem antrian.
b. Pelayan / server : sebuah objek pelengkap sistem antrian yang digunakan oleh

sistem antrian untuk memberikan interaksi pada tuntutan pelanggan.

c. Pola kedatangan : menggambarkan pola proses kedatangan pelanggan ke

dalam sistem antrian d. Pola Pelayanan : menggambarkan pola pelayanan yang diberikan oleh pelayan dalam sistem antrian
e. Sumber input : menyatakan populasi dari mana pelanggan tersebut berasal. f. Disiplin Antrian : merupakan aturan yang digunakan untuk memilih pelanggan

yang sedang antri untuk dilayani. Ada 5 macam disiplin antrian antara lain: First In First Out (FIFO), Last In First Out (LIFO), Random Service Selection (RSS), Priority Queueing Discipline, dan Campuran. 2.2 Metode Simulasi Adalah proses perancangan model dari suatu sistem nyata dan pelaksanaan eksperimen-eksperimen dengan model yang bertujuan memahami tingkah laku sistem atau untuk menyusun strategi (dalam suatu batas yang ditentukan oleh sebuah atau beberapa kriteria) sehubungan dengan operasi sistem tersebut.

Tipe-tipe model simulasi antara lain simulasi diskrit, simulasi kontinu, kombinasi diskrit dan kontinu, dan simulasi Monte Carlo. Adapun model simulasi diklasifikasikan antara lain : 1. Model simulasi statis dan dinamis Model simulasi statis merupakan perwujudan dari sistem pada saat tertentu atau dapat digunakan pada suatu sistem yang tidak memepunyai poengaruh yang besar terhadap waktu. 2. Model simulasi deterministik dan stokastik Jika suatu sistem tidak mengandung peubah-peubah yang bersifat probabilistik maka sistem tersebut adalah model simulasi deterministik. Dan jika sebaliknya adalah model simulasi stokastik. 3. Model simulasi diskrit dan kontinu Model simulasi diskrit adalah model sistem dimana peubah sistem berubah ubah dalam waktu tertentu. Jika peubah sistem berubah terus menerus dalam skala waktu maka modelnya adalah kontinu. 2.3 Extend Simulator Extend simulator adalah salah satu software simulasi (simulator) yang digunakan untuk membangun model dinamis dari sistem nyata yang sedang diamati. Membuat simulator berarti mengkomunikasikan apa-apa yang ada dalam suatu sistem nyata dengan membuat model atau beberapa block yang bersesuaian dengan sistem tersebut. Tiap-tiap block tersimpan dalam suatu library dimana setiap library mewakili karakteristik kelompok yang sama. Dalam block tersebut terdapat kotak dialog yang berfungsi untuk mendefinisikan kondisi sistem yang akan digunakan. Adapun pada pembuatan simulator dan pemodelan ini menggunakan beberapa block diantaranya : a. Discrete Event Library
event

Executive

Activity, Multiple

count

D C L W

sensor

Generator
V 1 2 3

Timer

a
Set A

b c

UnBatch
Get

a b c a b c demand
A use # u

Batch

A demand

Set Attribute
F L W

Get Attribute

Queue FIFO
#

change a ? b

Resource

select

a demand

Activity, Service

Exit

Select DE output

Combine

Exit

b. Generic and Plotter Library

Rand B 1 2 3 A

Input Random Number

a>0 N

Decision

# n Var demand

c. Mfg and Plotter Library Batch (Variable) Plotter

d. Animated Library Animated Attribute Animated Value

2.4 Pengujian Distribusi Data

Dalam tahap ini dilakukan pengujian dengan statistik uji Kolmogorof Smirnov. Yang bertujuan untuk menguji apakah data dari dua sampel independen berasal dari distribusi yang identik, atau dapat juga digunakan untuk menguji kecocokan distribusi atau goodness of fit test yang melibatkan sampel random yang berasal dari distribusi yang belum diketahui. Dengan rumusan hipotesis:
H o : Dua sampel independen adalah berasal dari distribusi identik.

H 1 : Dua sampel independen adalah berasal dari distribusi tidak identik.

Jika X1,X2,Xn adalah order statistik dari variabel random independen, maka distribusi empirisnya didefinisikan : S ( x) = n( X xi ) untuk i=1,2,.k<n n

statistik yang digunakan adalah jarak vertikal terbesar antara S(x) dan F*(x) yaitu D yang didefinisikan :
D = sup F * ( x) S ( x)
x

kaidah pengambilan keputusan yaitu H0 ditolak pada taraf nyata jika D lebih besar dari kuantil 1- pada tabel Kolmogorof Smirnof satu sampel. Kesimpulan juga dapat dilihat dari nilai P-value yaitu Tolak Ho jika P-value kurang dari . 2.5 Pengujian Validitas Data Pengujian validitas data digunakan untuk mengetahui apakah data hasil dari simulator benar-benar menggambarkan keadaan sistem antrian nyata. Pengujian ini menggunakan program paket SPSS dengan uji Kolmogorof Smirnof 2 sampel. Pengujian hipotesisnya adalah sebagai berikut : Ho : 1 = 2 H1 : 12 1 = data hasil pengamatan 2 = data hasil simulator

Kesimpulanya adalah gagal tolak Ho jika nilai P-value > , sehingga ratarata sampel data hasil pengamatan samadengan rata-rata data hasil simulator.

2.6 Tinjauan Tempat

6

2.6.1 Lokasi dan Tata Letak Fasilitas Rumah sakit Adi Husada berlokasi di jalan undaan wetan 40-44 Surabaya, dan bagian rawat jalan terletak dilantai 4 pada rumah sakit tersebut. Berikut ini gambar tata letak pelayanan.

Klinik Anak Tempat pendaftaran Kasi r Klinik Akupuntur

Pintu masuk

Klinik Gigi Klinik Kulit Kulit THT Klinik Klinik Syaraf Klinik P.Dalam Klinik mum

Ruang tunggu klinik

Kulit Mata Klinik Kulit

Gambar 2.1 Tata letak pada unit pelayanan rawat jalan RS Adi Husada

2.6.2 Kegiatan Pelayanan Kegiatan pelayaan di rawat jalan Adi Husada Surabaya ini dilakukan pada hari senin-jumat pukul 07.00-13.00 dan hari sabtu pukul 07.00-11.00. Pada unit pelayanan rawat jalan terdapat beberapa tahapan yang harus dilalui untuk mendapatkan pelayanan rawat jalan, yaitu :

1. Pendaftaran pasien

Ketika calon pasien datang maka yang pertama kali dituju adalah pada loket pendaftaran. Pada tahap ini pasien menunjukkan kartu berobat yang sudah dimiliki. Server bertanya kepada pasien, akan menuju ke klini mana, kemudian server mengambil kartu pasien dan pasien diberi nomor antrian. Setelah itu pasien menuju ruang tunggu sampai pasien tersebut dipanggil. 2. Pemeriksaan oleh dokter Setelah melakukan registrasi dan dipanggil maka selanjutya pasien menuju klinik dan akan diperiksa oleh dokter. Setelah mengetahui penyakit dan penanganan apa yang tepat untuk pasien tersebut. Kemudian dokter akan mengisi blanko riwayat pasien. Dokter memberikan kuitansi dan resep pada pasien. 4. Kasir Setelah mendapatkan pelayanan pada klinik, pasien menuju kasir untuk membayar dan mengambil kartu berobat. mulai

Pendaftaran

Klinik

Kasir Selesa i
Gambar 2.2 Diagram Proses Pada unit Pelayanan Rawat Jalan RS Adi Husada

BAB III
8

METODOLOGI PENTELITIAN 3.1 Sumber Data Pembuatan simulator ini menggunakan data primer yang diperoleh dari pengamatan langsung terhadap pasien yang datang untuk berobat di Rumah Sakit Adi Husada selama 2 jam dari pukul 08.15 WIB sampai 10.15 WIB pada tanggal 28 Nopember 2009. Data pengamatan diukur dalam satuan menit karena mengingat sebagian besar aktivitas terjadi pada waktu cukup lama. Data tersebut berupa data pengamatan lama suatu antrian pada tiap proses pelayanan pasien. 3.2 Variabel Penelitian Variabel-variabel yang didapatkan pada penelitian ini adalah sebagai berikut:
1.

Waktu antar kedatangan pasien pada masing-masing sistem. Variabel ini digunakan untuk menentukan model antrian dari setiap sistem pelayanan di Rumah Sakit Adi Husada. Data waktu antar kedatangan adalah input bagi sistem pelayanan lainnya karena menyediakan input atau masukan objek dalam sistem serta model antrian yang digunakan lebih dari 2 tahap.

2. Waktu lama pelayanan untuk tiap server pada masing-masing sistem. Diukur

dari lama pasien dilayani oleh server yang bertugas. 3.3 Metode Analisis Data Untuk proses selanjutnya adalah melakukan beberapa prosedur simulasi yang diawali dengan beberapa tahapan, diantaranya adalah : 1. Pengumpulan data Mendapatkan data pengamatan untuk menaksir parameter input guna mendapatkan distribusi probabilitas untuk variabel yang digunakan dalam model. 2. Uji Kesamaan Server Sebelum dilakukan uji distribusi maka perlu dilakukan uji kesamaan server yang lebih dari satu dengan menggunakan Kolmogorof Smirnof dua sampel. Jika rata-rata lama pelayanan server 1 samadengan server 2 maka dapat menggunakan distribusi yang sama untuk kedua server.
9

3. Pembuatan model dan uji distribusi yang akan digunakan Dalam membangun model simulasi diperlukan pengetahuan tentang operasioperasi pada sistem yang sebenarnya. Uji Distribusi ini menggunakan program Easyfit. 4. Pembuatan Simulator Simulator dalam hal ini dibuat dengan menggunakan paket sofware Extend 6.0 yang telah terbukti sesuai untuk mengatasi kasus-kasus antrian. 5. Uji validitas input (dari hasil running simulator) Hasil dari pilot run digunakan untuk memeriksa sensitivitas model berdasarkan pada outputnya, karena ada perubahan-perubahan kecil pada parameter input. Data output dari pilot run model sistem yang diperoleh dibandingkan dengan data output dari sistem yang sebenarnya.
6. Uji validasi simulator

Uji validitas simulator ini dengan menggunakan rata-rata lama pelanggan di dalam sistem. Caranya dengan mengerun model simulator sebanyak n kali dan melakukan uji kasamaan mean dengan uji One-sample t-test dengan menggunakan testmean yang diperoleh dari informasi pelayanan server. 7. Desain Eksperimen dan optimasi Pada tahap ini akan diputuskan desain apakah yang akan digunakan untuk disimulasikan, jika ada banyak kemungkinan alternatif sistem yang memungkinkan untuk disimulasikan maka akan dipilih sistem yang paling baik, sistem asli ataukah sistem alternatif pada simulator. Design eksperimen ini dibuat denganmenggunakan respon surface. Tujuan dari membuat design ini untuk mengetahui model optimum.

3.4 Diagram Alir

10

Pengumpulan data

Uji Kesamaan Server Menentukan distribusi masing-masing variabel Pendugaan parameter distribusi masingmasing variabel Tidak Apakah valid? Ya Membangkitkan data pada masing-masing variabel dengan menggunakan masing-masing distribusi hasil taksiran Pembuatan simulator Evaluasi kinerja simulator Tidak Apakah valid?

Perbaiki simulator

Ya Melakukan simulasi hasil pembangkitan bilangan random dengan menggunakan simulator Mendapatkan nilai makespan dari data hasil simulasi Melakukan analisis hasil simulasi Menarik kesimpulan

Gambar 3.1. Diagram Alir Pembuatan Simulasi

BAB IV ANALISA DAN PEMBAHASAN

11

4.1 Statistika Deskriptif Berdasarkan hasil survei di Rumah Sakit Adi Husada, diperoleh nilai statistik deskriptif data sebagai berikut :
Tabel 4.1 Statistik Deskriptif Data Hasil Pengamatan Variabel Waktu antar kedatangan Pelayanan loket 1 loket 2 loket 3 Klinik Anak Akupuntur Kulit server 1 Kulit server 2 THT server 1 THT server 2 Gigi server 1 Gigi server 2 Syaraf server 1 syaraf server 2 Mata Peny. Dalam Umum server 1 Umum server 2 N 124 33 50 44 7 10 13 12 11 11 7 7 5 5 9 8 7 6 Mean 2,711 2,085 2,139 1,81 11,12 4,945 8,21 8,84 8,61 9,52 14,819 14,86 13,792 13,506 12,407 11,896 11,377 11,432 StDev 2,351 1,469 1,436 1,397 7,62 0,874 3,7 4,21 3,42 4,29 0,798 1,304 1,377 1,998 2,087 1,666 1,217 1,041 Minimum 0,083 0,133 0,167 0,183 2,27 3,367 1,5 3,87 3,22 2,8 13,79 13,05 12,06 10,45 10,23 10,17 9,2 10,3 Median 2,142 1,867 1,9 1,333 9,55 5,183 6,83 7,94 9,87 8,58 14,99 15,01 13,8 14 11,68 11,64 11,82 11,305 Maximum 16,100 5,2 5,683 5,9 20,53 6,183 13,87 16,13 13,37 18 16,04 16,76 15,82 15,25 15,58 14,23 12,57 12,88

Dari tabel di atas dapat dilihat nilai statistika deskriptif dari setiap bagian yang diamati. Rata-rata waktu antar kedatangan pasien sebesar 2,711 menit dan standart deviasinya sebesar 2,351 menit, dengan nilai mnimum sebesar 0,083 dan maksimum sebesar 16,1 menit. Untuk bagian lainnya dapat dilihat pada Tabel 4.1. Hasil statistika deskriptif memperlihatkan bahwa data yang mempunyai nilai ratarata paling besar adalah lama pelayanan pada klinik gigi baik pada dokter 1 sebesar 14,819 menit dan dokter 2 sebesar 14,86 menit. Variabel yang mempunyai nilai standard deviasi terbesar adalah data pelayanan pada klinik anak yaitu sebesar 7,62. Sedangkan yang terkecil adalah data pelayanan pada klinik gigi untuk dokter 1 yaitu sebesar 0,798.
12

4.2 Pengujian Kesamaan Rata-Rata Pelayanan Server Pengujian kesamaan server ini dilakukan ketika dalam satu pelayanan terdapat lebih dari satu server, sehingga setiap servernya perlu diuji apakah ratarata waktu lama pelayanan server yang satu dengan yang lain sama atau tidak. Pengujian ini dilakukan dengan bantuan program SPSS Kolmogorof Smirnof 2 sampel dengan hipotesis sebagai berikut : Ho : 1 = 2 H1 : 1 2 1 = rata-rata untuk data pengamatan pada server 1 2 = rata-rata untuk data pengamatan pada server 2

Statistik Uji : 2 Independent Kolmogorov-Smirnov =5% Kesimpulanya adalah gagal tolak Ho jika nilai P-value > , sehingga ratarata sampel data hasil pengamatan pada server 1 samadengan rata-rata data hasil pengamatan pada server 2. Berikut ini adalah tabel hasil pengujian kesamaan rata-rata lama pelayanan antara server yang satu dengan server yang lain dalam satu pelayanan :
Tabel 4.2 Hasil Pengujian Kesamaan Rata-Rata Lama Pelayanan Server No 1 2 3 4 5 6 Bagian Pelayanan loket 1, loket 2 dan loket 3 Klinik kulit dokter 1 dan dokter 2 Klinik THT dokter 1 dan dokter 2 Klinik gigi dokter 1 dan dokter 2 Klinik syaraf dokter 1 dan dokter 2 Klinik umum dokter 1 dan dokter 2 P-value 0,807 0,955 0,808 0,938 1,000 0,998 Keterangan Gagal tolak Ho Gagal tolak Ho Gagal tolak Ho Gagal tolak Ho Gagal tolak Ho Gagal tolak Ho

Berdasarkan Tabel 4.2 dapat dilihat bahwa rata-rata lama pelayanan pada loket 1, loket 2, dan loket 3 adalah sama, hal ini terbukti dengan didapatkannya nilai p-value sebesar 0,807, yang artinya gagal tolak Ho. Halnya sama dengan bagian yang lain, pada klinik kulit didapatkan nilai p-value sebesar 0,955, ini berarti gagal tolak Ho dengan kata lain rata-rata lama pelayanan antara dokter 1 dengan dokter 2 di klinik kulit adalah sama. Begitu juga dengan klinik THT, klinik gigi, klinik syaraf, dan klinik umum yang terdiri dari dua server (dokter) mempunyai nilai p-value berturut-turut sebesar 0,808; 0,938; 1; 0,998, sehingga
13

dapat disimpulkan bahwa gagal tolak Ho dan ini berarti rata-rata lama pelayanan antara dokter 1 dengan dokter 2 di setiap klinik adalah sama. 4.3 Pengujian Distribusi Data Tahap kedua yang harus dilakukan sebelum membuat dan menganalisis simulator adalah pengujian distribusi data yang telah didapatkan. Hal ini bertujuan untuk membangun simulator agar dapat berjalan mendekati sistem aslinya. Diharapkan dengan sampel data yang ada dapat mewakili distribusi populasi sebenarnya. Pengujian dilakukan dengan bantuan software Easyfit. Dengan menggunakan software ini maka kemungkinan-kemungkinan distribusi akan tampak beserta masing-masing nilai parameternya. Hasil dari pengujian distribusi disajikan pada Tabel 4.3
Tabel 4.3 Hasil Pengujian Distribusi Data No 1 2 3 4 5 6 7 8 9 10 11 12 Bagian Waktu antar kedatangan Pelayanan registrasi loket 1, loket 2 dan loket 3 Klinik akupuntur Klinik anak Klinik gigi dokter 1 dan dokter 2 Klinik kulit dokter 1 dan dokter 2 Klinik mata Klinik penyakit dalam Klinik syaraf dokter 1 dan dokter 2 Klinik THT dokter 1 dan dokter 2 Klinik umum dokter 1 dan dokter 2 Kasir Distribusi Gamma Gamma Triangular Beta Triangular Triangular Beta Beta Triangular Weibull Triangular Gamma Parameter = 1,3291 =2,0397 =1,9844 =1,0136 m=5,57 a=2,8613 b=6,4391 1=0,21075 2=0,22409 m=15,01 a=12,5 b=17,147 m=6,57 a=0,57089 b=17,818 1=0,23816 2=0,34721 1=0,19185 2=0,25936 m=15,25 a=9,5024 b=16,216 =2,2785 =9,9331 m=12,88 a=8,4928 b=12,88 =3,9921 =0,30413

Dari Tabel 4.3 dapat dilihat distribusi beserta parameter pada setiap bagian yang diamati. Distribusi untuk waktu antar kedatangan pasien yang akan berobat adalah distribusi Gamma dengan parameter = 1,3291 dan = 2,0397. Untuk
pelayanan registrasi baik pelayanan di loket 1, loket 2, dan loket 3 berdistribusi Gamma dengan parameter =1,9844 dan =1,0136. Pada klinik akupuntur hanya terdapat satu dokter dan pelayanannya berdistribusi Triangular dengan parameter m=5,57, a=2,8613, 14

dan b=6,4391. Dari hasil pengujian distribusi didapatkan ada lima klinik yang berdistribusi Triangular yaitu klinik akupuntur, klinik gigi, klinik kulit, klinik syaraf, dan klinik umum yang masing-masing parameternya dapat dilihat di Tabel 4.3. Selain itu ada juga klinik yang berdistribusi Beta yaitu klinik anak, klinik mata, klinik penyakit dalam. Dan satu klinik yang berdistribusi weibull dengan parameter =2,2785 dan =9,9331 yaitu klinik THT. Untuk kasir lama pelayanannya berdistribusi Gamma dengan parameter =3,9921 dan =0,30413.

4.4 Model Simulator Model simulator dibuat dengan software Extend. Berdasarkan hasil identifikasi data sebelumnya baik dari distribusi maupun parameternya maka disusun struktur simulasi sedemikian sehingga benar-benar merepresentasikan sistem dalam kondisi nyata, baik dari segi susunan striktur, jumlah server maupun distribusi lamanya aktivitas di tiap server. Sistem simulator pelayanan untuk pasien di Rumah Sakit Adi Husada dapat dilihat pada Gambar 4.1.
Klinik Registra si Kasir

Gambar 4.1 Model Simulator

4.5 Pengujian Validasi Input Simulator Setelah mensubtitusikan hasil uji distribusi Easyfit pada Extend, simulator dapat dijalankan dan kita dapat memperoleh nilai simulator. Data hasil simulasi

15

dengan data di lapangan perlu diuji kesamaannya (kevalidan data). Pengujian dilakukan dengan bantuan program SPSS. Data simulator didapatkan pada bagian info, setelah simulator dijalankan secara otomatis info akan berisi waktu obyek melewatinya sehingga data dapat digunakan untuk menghitung waktu antar kedatangan dan lama pelayanan. Pengujian ini didasarkan dengan hipotesis sebagai berikut : Ho : 1 = 2 H1 : 1 2 1 = rata-rata data hasil pengamatan 2 = rata-rata data hasil simulator

Statistik Uji : 2 Independent Kolmogorov-Smirnov =5% Keputusan gagal tolak Ho jika P-value > sehingga rata-rata data pada pengamatan samadengan rata-rata data pada hasil simulator. Tabel 4.4 menyajikan hasil validasi input simulator antara data pengamatan dan hasil dari simulator dengan masing-masing distribusi serta parameter yang telah ada.
Tabel 4.4 Hasil Pengujian Validasi Input Simulator No 1 2 3 4 5 6 7 8 9 10 11 12 Bagian Waktu antar kedatangan Pelayanan registrasi loket 1, 2 dan 3 Klinik akupuntur Klinik anak Klinik gigi dokter 1 dan 2 Klinik kulit dokter 1 dan 2 Klinik mata Klinik penyakit dalam Klinik syaraf dokter 1 dan 2 Klinik THT dokter 1 dan 2 Klinik umum dokter 1 dan 2 Kasir Distribusi Gamma Gamma Triangular Beta Triangular Triangular Beta Beta Triangular Weibull Triangular Gamma P-value 0,714 0,423 0,400 0,938 0,905 0,468 0,336 0,088 0,759 0,387 0,570 0,064 Keterangan Gagal tolak Ho Gagal tolak Ho Gagal tolak Ho Gagal tolak Ho Gagal tolak Ho Gagal tolak Ho Gagal tolak Ho Gagal tolak Ho Gagal tolak Ho Gagal tolak Ho Gagal tolak Ho Gagal tolak Ho

Dari informasi pada Tabel 4.4 secara keseluruhan hasil pengujian validasi input terhadap data simulasi menunjukkan bahwa data dari hasil simulator dengan data pengamatan mempunyai rata-rata yang sama ini berarti data simulasi valid melalui mean, dapat dikatakan pula data simulator berdistribusi sama dengan data

16

asli. Hal ini diperkuat dengan nilai P-value > 0,05. Karena data telah valid maka simulator dapat digunakan lebih lanjut untuk memberikan informasi. 4.6 Pengujian Validasi Sistem Setelah dilakukan running simulator pada software Extend sebanyak 100 kali, didapatkan 100 nilai rata-rata lama pasien dalam sistem simulasi pelayanan rawat jalan di Rumah Sakit Adi Husada Undaan yang dapat dilihat pada lampiran 5 dengan menggunakan data tersebut, maka dilakukan validasi sitem, dengan cara menguji data tersebut menggunakan uji one-sample T. Hipotesis yang digunakan adalah H0: = 30 H1: 30 = 0,05 Rata-rata pasien lama dalam sistem rawat jalan Rumah Sakit Adi Husada pada kenyataanya sekitar 30 menit, sehingga untuk memvalidasi sistem simulasi yang telah dibuat, maka hasil simulasi diuji apakah lama pasien dalam sistem simulasi juga sama dengan 30 menit. Dengan menggunakan software Minitab, didapatkan hasil pengujian seperti pada Tabel 4.5
Tabel 4.5 One-Sample T Lama dalam Sistem
Test of mu = 30 vs not = 30 Variable N Mean StDev SE Mean 95% CI Lama dalam Sistem 1002 9,096 7,456 0,746 (27,617; 30,576) T -1,21 P 0,228

Berdasarkan Tabel 4.5 dapat dilihat nilai mean data tersebut sebesar 29,096 menit dengan standar deviasi sebesar 7,456. P-value yang dihasilkan adalah sebesar 0,228 dimana nilai tersebut < 0,05 maka gagal tolak H0 artinya dapat disimpulkan bahwa berdasarkan hasil simulasi, rata-rata pasien lama dalam sistem pelayanan rawat jalan Rumah Sakit Adi Husada Undaan sebesar 30 menit. Selain itu juga dapat dilihat dari nilai confidence interval 95%, rata-rata pasien lama dalam sistem berkisar antara 27,617 menit sampai 30,576 menit. Dari nilai tersebut, maka nilai = 30 masuk dalam interval, sehingga dapat disimpulkan bahwa rata-rata pasien lama dalam sistem pelayanan rawat jalan Rumah Sakit Adi Husada sebesar 30 menit.
17

4.7 Optimasi

Salah satu tujuan dari metode simulasi ini adalah mengoptimumkan pelayanan rawat jalan Rumah Sakit Adi Husada dengan cara meminimumkan lama pasien dalam sistem tersebut, sehingga pasien tidak menunggu atau mengantri terlalu lama, tanpa mengubah sistem aslinya terlebih dahulu. Sehingga kalaupun terjadi kegagalan atau pasien semakin lama menunggu, hal tersebut hanya terjadi dalam simulator, bukan sistem nyata. 4.7.1 Pemilihan Tempat Pelayanan yang Krusial Untuk mengetahui pada tahap mana terjadi masalah yang krusial dalam sistem rawat jalan Rumah Sakit Adi Husada tersebut dilakukan penganalisisan terhadap sistem, kemudian didapatkan keputusan bahwa masalah yang krusial terjadi pada tahap pembayaran yang ada di kasir dan pelayanan pada klinik kulit. Hal ini dimungkinkan terjadi karena pada tahap kasir, hanya terdapat satu orang kasir, sedangkan satu orang kasir itu harus melayani pembayaran semua pasien yang telah dilayani di semua klinik, sehingga pada saat-saat tertentu, dimana pasien pada masing-masing klinik selesai dilayani hampir bersamaan maka terjadi antrian yang cukup panjang.

Gambar 4.2 Prosentase kedatangan pasien pada masing-masing klinik

Dari Gambar 4.2 dapat dilihat bahwa prosentase pasien yang datang ke rawat jalan Rumah Sakit Adi Husada, yang paling besar adalah pada klinik kulit. Sedangkan pelayanan di klinik kulit dianggap krusial karena 21,19% pasien yang

18

datang menuju ke klinik kulit, sehingga antrian klinik kulit pada saat itu cukup panjang dibandingkan dengan klinik-klinik yang lainnya. 4.7.2 Desain Respon Surface Setelah didapatkan tempat pelayanan yang krusial, maka dibuat desain optimasi dimana pembuatan desain menggunakan metode faktorial. Faktor 1 adalah tahap pelayanan pembayaran di kasir, sedangkan faktor 2 adalah pelayanan pasien di klinik kulit. Desain respon surface secara umum dapat dilihat pada Tabel 4.6 yaitu nilai pada kolom A dan B. Nilai -1 pada A setara dengan nilai 1 pada faktor 1. Dan nilai 1 pada A sama dengan nilai 3 pada faktor 1. Sedangkan pada B, nilai -1 dan 1 sama dengan nilai 2 dan 4 pada faktor 2. Nilai 0 pada A dan B setara dengan nilai 2 pada faktor 1 dan nilai 3 pada faktor 2, dimana nilai 0 itu merupakan nilai tengah dari masing-masing faktor. Sedangkan untuk mencari nilai 1,4142 atau -1,4142 yang setara dengan banyaknya server di faktor 1 dan faktor 2 digunakan rumus berikut:

Dimana, deviasi adalah selisih antara nilai minimum dengan nilai tengah. Sehingga pada faktor 1:

Banyaknya server = 3,14142 4 server Jadi, kode 1,4142 pada A setara dengan 4 server pada faktor 1. Dengan menggunakan cara yang sama, maka didapatkan banyaknya server untuk kode 1,4142 atau -1,4142 pada faktor 1 dan faktor 2. Sehingga desain respon surface dengan faktor 1 dan faktor 2 serta respon (lama dalam sistem) dapat dilihat pada Tabel 4.6.

19

Tabel 4.6 Desain optimasi dan rata-rata lama dalam sistem pelayanan rawat jalan Rumah Sakit Adi Husada A 0 0 -1 1,41421 0 -1 1 0 0 0 1 0 -1,41421 B 1,41421 0 1 0 0 -1 1 0 0 -1,41421 -1 0 0 FAKTOR 1 (KASIR) 2 2 1 4 2 1 3 2 2 2 3 2 1 FAKTOR 2 (KLINIK KULIT) 5 3 4 3 3 2 4 3 3 2 2 3 3 Lama dalam Sistem 18,42845909 21,93834 28,99988 18,47275476 21,49207151 29,39601919 18,30984002 23,08566861 21,64614 22,73389581 20,59028242 21,72357 26,54067749

Simulator dijalankan berdasarkan desain yang telah dibuat seperti pada Tabel 4.6 dibuat simulasi pelayanan dengan menggunakan dua orang kasir dan lima orang dokter kulit, kemudian simulator dijalankan sampai didapatkan ratarata lama pasien dalam sistem tersebut konvergen, dan didapatkan nilai rata-rata pasien lama dalam sistem sebesar 18,428 menit. Kemudian dibuat lagi simulasi pelayanan dengan menggunakan dua orang kasir dan tiga orang dokter kulit, dan simulasi dijalankan samapi didapat nilai yang konvergen, begitu seterusnya sampai desain optimasi yang terakhir, yaitu simulasi pelayanan dengan menggunakan satu orang kasir dan tiga orang dokter kulit. Rata-rata lama pasien dalam sistem pelayanan rawat jalan Rumah Sakit Adi Husada pada masingmasing desain optimasi sampai didapatkan nilai yang telah konvergen, dapat dilihat pada Tabel 4.6.
4.7.3 Analisis Respon Surface Sistem Pelayanan Rawat Jalan Rumah Sakit

Adi Husada Dari data pada Tabel 4.7 dianalisis menggunakan metode respon surface, untuk didapatkan model persamaan regresi yang sesuai dan dapat merepresentasikan sistem pelayanan rawat jalan Rumah Sakit Adi Husada. Hasil analisis respon surface regresi linier dapat dilihat pada Tabel 4.7
20

Tabel 4.7 Response Surface Regression: Lama dalam sistem versus Kasir; Klinik Kulit
The analysis was done using coded units. Estimated Regression Coefficients for Lama dalam sistem Term Constant KASIR KLINIK KULIT S = 1,90469 R-Sq = 77,76% Coef 20,520 -5,338 -1,915 SE Coef 0,6526 0,9565 0,9565 T 31,444 -5,581 -2,002 P 0,000 0,000 0,073

PRESS = 88,2244 R-Sq(pred) = 45,92%

R-Sq(adj) = 73,31%

Analysis of Variance (Anova) for Lama dalam sistem Source DF Seq SS Adj SS Adj MS F Regression 2 126,857 126,857 63,4286 17,48 Linear 2 126,857 126,857 63,4286 17,48 Residual Error 10 36,278 36,278 3,6278 Lack-of-Fit 6 34,639 34,639 5,7731 14,09 Pure Error 4 1,639 1,639 0,4099 Total 12 163,136

P 0,001 0,001 0,012

Dari hasil analisis respon surface pada Tabel 4.7 di atas, didapatkan nilai koefisien constant pada model regresi sebesar 20,52 dan koefisien pada variabel kasir dan kulit masing-masing sebesar -5,338 dan -1,915. Maka dapat disimpulkan model regresi linier yang didapatkan adalah . Artinya apabila kasir ditambah satu orang, maka penaksiran lama pasien dalam sistem pelayanan rawat jalan Rumah Sakit Adi Husada akan semakin menurun sebesar 5,338 menit dengan syarat banyaknya server pada semua tahap tetap. Apabila dokter pada klinik kulit bertambah satu orang, maka penaksiran lama pasien dalam sistem pelayanan rawat jalan Rumah Sakit Adi Husada akan semakin menurun sebesar 1,915 menit dengan syarat banyaknya server pada semua tahap tetap. Setelah didapatkan model regresi tersebut, maka dilakukan pengujian pada lack of fit dan pengujian parameter-parameternya. Pertama, dilakukan pengujian pada lack of fit, dengan menggunakan hipotesis berikut: H0: Lack of fit tidak bermakna H1: Lack of fit bermakna

21

Nilai sebesar 0,05. Berdasarkan Tabel 4.8 pada anova lama dalam sistem dapat dilihat nilai p pada baris lack of fit sebesar 0,012 maka p-value < 0,05 artinya tolak H0, sehingga dapat disimpulkan bahwa lack of fit bermakna. Hal ini menunjukkan bahwa penggunaan orde satu pada model regresi tidak tepat, maka penaksiran model lama dalam sistem tidak dapat menggunakna orde satu. Karena lack of fit pada model tersebut bermakna, maka dibuat kembali model regresi, tetapi dengan menggunakan orde 2, dimana ditambahkan fungsi kuadratik dari kasir dan klinik kulit. Maka postulate model regresinya menjadi Lama dalam sistem = +
4 0

Kasir +

Klinik Kulit +

Kasir*Klinik Kulit

(Kasir)2 +

(Klinik Kulit)2. Hasil analisis respon surface orde 2 dapat

dilihat pada Tabel 4.8

Tabel 4.8 Response Surface Regression: Lama dalam sistem versus Kasir; Klinik Kulit
The analysis was done using coded units. Estimated Regression Coefficients for Lama dalam sistem Term Coef SE Coef T P Constant 19,4171 0,5785 33,564 0,000 KASIR -5,0240 0,7513 -6,687 0,000 KLINIK KULIT -2,1768 0,7513 -2,897 0,023 KASIR*KASIR 3,5022 0,8263 4,238 0,004 KLINIK KULIT*KLINIK KULIT -0,3837 0,8263 -0,464 0,656 KASIR*KLINIK KULIT -1,0599 1,3131 -0,807 0,446 S = 1,16724 R-Sq = 94,15% PRESS = 103,415 R-Sq(pred) = 36,61%

R-Sq(adj) = 89,98%

Analysis of Variance (Anova) for Lama dalam sistem Source DF Seq SS Adj SS Adj MS F Regression 5 153,598 153,5985 30,7197 22,55 Linear 2 126,857 61,1722 30,5861 22,45 Square 2 25,854 25,8535 12,9268 9,49 Interaction 1 0,888 0,8876 0,8876 0,65 Residual Error 7 9,537 9,5372 1,3625 Lack-of-Fit 3 7,898 7,8977 2,6326 6,42 Pure Error 4 1,639 1,6395 0,4099 Total 12 163,136

P 0,000 0,001 0,010 0,446 0,052

Berdasarkan hasil analisis respon surface pada Tabel 4.8 di atas, didapatkan nilai koefisien constant pada model regresi sebesar 19,4171 dan koefisien pada variabel kasir dan kulit masing-masing sebesar -5,024 dan -2,1768. Nilai koefisien interaksi antara kasir dan klinik kulit sebesar -1,0599 sedangkan koefisien dari

22

kuadratik pada kasir dan klinik kulit masing-masing sebesar 3,5022 dan -0,3837. Maka dapat disimpulkan model regresi orde 2: = 19,4171 - 5,024 Kasir - 2,1768 Klinik kulit - 1,0599 Kasir*Klinik kulit + 3,5022 (Kasir)2 - 0,3837 (Klinik Kulit)2. Dari model regresi tersebut, dilakukan pengujian pada lack of fit dan pengujian parameter-parameternya. Pertama, dilakukan pengujian pada lack of fit, dengan menggunakan hipotesis berikut: H0: Lack of fit tidak bermakna H1: Lack of fit bermakna Nilai sebesar 0,05. Berdasarkan Tabel 4.8 pada anova lama dalam sistem dapat dilihat nilai p pada baris lack of fit sebesar 0,052 maka p-value < 0,05 artinya gagal tolak H0, sehingga dapat disimpulkan bahwa lack of fit tidak bermakna. Hal ini menunjukkan bahwa model regresi yang lebih tepat adalah model regresi orde dua. Selanjutnya dilakukan pengujian secara serentak pada regresi linier dan kuadratik. Pada pengujian secara serentak untuk regresi linier, digunakan hipotesis berikut: H0: 1 = 2 = 0 H1: paling tidak terdapat satu j 0 untuk j=1,2 Dengan menggunakan sebesar 0,05. Pada anova lama dalam sistem yang terdapat pada Tabel 4.8 dibaris regresi linier diperoleh p-value sebesar 0,001 dimana nilai p-value < 0,05 maka diputuskan untuk tolak H0, sehingga minimal terdapat satu
j

yang nilainya tidak sama dengan nol, maka secara serentak

regresi linier signifikan terhadap model. H0: 4 = 5 = 0 H1: minimal terdapat satu j 0 untuk j=4,5 Merupakan hipotesis yang digunakan untuk menguji regresi kuadratik dengan sebesar 0,05. Pada anova lama dalam sistem yang terdapat pada Tabel 4.8 dibaris regresi kuadratik diperoleh p-value sebesar 0,010 dimana nilai p-value < 0,05 maka diputuskan untuk tolak H0, sehingga minimal terdapat satu j yang

23

nilainya tidak sama dengan nol, maka secara serentak regresi kuadratik signifikan terhadap model. Secara serentak didapat kesimpulan bahwa terdapat nilai parameter yang signifikan terhadap model. Namun untuk mengetahui parameter-parameter mana saja yang signifikan terhadap model, maka perlu dilakukan pengujian secara individu terhadap parameter-parameter tersebut. H0: 1 = 0 H1: 1 0 Dengan sebesar 0,05 dan nilai p pada baris Kasir sebesar 0,000 maka nilai p < 0,05 sehingga diputuskan tolak H0. Maka dalam sistem. H0: 2 = 0 H1: 2 0 Dengan sebesar 0,05 dan nilai p pada baris Klinik Kulit sebesar 0,023 maka nilai p < 0,05 sehingga diputuskan tolak H0. Maka lama pasien dalam sistem. H0: 3 = 0 H1: 3 0 yang digunakan adalah 0,05 dan nilai p pada baris Kasir*Klinik Kulit sebesar 0,446 maka nilai p > 0,05 sehingga diputuskan gagal tolak H0. Maka
3 2 1

signifikan, dapat disimpulkan

bahwa variabel banyaknya server pada tahap kasir berpengaruh pada lama pasien

signifikan, dapat

disimpulkan bahwa variabel banyaknya dokter pada klinik kulit berpengaruh pada

tidak signifikan, dapat disimpulkan bahwa interaksi antara variabel banyaknya server pada tahap kasir dengan banyaknya dokter pada klinik kulit tidak berpengaruh pada lama pasien dalam sistem. H0: 4 = 0 H1: 4 0 Dengan sebesar 0,05 dan nilai p pada baris Kasir*Kasir sebesar 0,004 maka nilai p < 0,05 sehingga diputuskan tolak H0. Maka berpengaruh pada lama pasien dalam sistem.
24
4

signifikan, dapat

disimpulkan bahwa variabel kuadratik dari banyaknya server pada tahap kasir

H0: 5 = 0 H1: 5 0 sebesar 0,05 dan nilai p pada baris Klinik kulit*Kllinik kulit sebesar 0,656 maka nilai p > 0,05 sehingga diputuskan gagal tolak H0. Maka pada klinik kulit tidak berpengaruh pada lama pasien dalam sistem.
Contour Plot of Lama dalam sistem vs KLINIK KULIT; KASIR
5,0 4,5 4,0 3,5 3,0 2,5 2,0 1,0
Lama dalam sistem < 20 20 22 22 24 24 26 26 28 > 28

tidak

signifikan, dapat disimpulkan bahwa variabel kuadratik dari banyaknya dokter

KLIN KU IK LIT

1,5

2,0

2,5 KASIR

3,0

3,5

4,0

Gambar 4.3 Contour Plot Lama Dalam Sistem VS Klinik Kulit; Kasir

Berdasarkan Gambar 4.3 lama dalam sistem yang paling besar adalah lebih dari 28 menit, dimana hal tersebut akan terjadi apabila server pada kasir sebanyak 1 orang dan dokter pada klinik kulit sebanyak 2 orang, ini sama dengan sistem real yang terdapat pada pelayanan rawat jalan Rumah Sakit Adi Husada, selain itu juga dapat terjadi apabila banyaknya server pada kasir sebanyak 1 orang dan dokter pada klinik kulit sebanyak 4 orang. Sedangkan lama pasien dalam sistem yang paling minimum adalah kurang dari 20 menit. Hal ini dapat terjadi apabila banyaknya server pada kasir dan banyaknya dokter pada klinik kulit sebesar 2 dan 5, 3 dan 4, 4 dan 4, serta 4 dan 3.

25

Surface Plot of Lama dalam sistem vs KLINIK KULIT; KASIR

30 Lama dalam sistem 25

20 3,5 2,5 1,5

KA SI R

5 4 3 KLI NI K KULI T 2

Gambar 4.4 Surface Plot Lama Dalam Sistem VS Klinik Kulit; Kasir

Dari Gambar 4.4 di atas dapat disimpulkan bahwa lama pasien dalam sistem yang paling minimum adalah kurang dari 20 menit terjadi apabila banyaknya server pada kasir sebanyak 2 orang dan dokter pada klinik kulit sebanyak 5 dokter. Dan lama dalam sistem yang paling maksimum, yaitu lebih dari 25 menit terdapat pada sistem real di pelayanan rawat jalan Rumah Sakit Adi Husada, yaitu dengan kasir sebanyak 1 server dan klinik kulit sebanyak 2 dokter. Selain itu juga dapat terjadi apabila jumlah kasir sebanyak 1 orang dan klinik kulit terdapat 4 dokter. Berdasarkan kesimpulan dari kedua gambar, yaitu Gambar 4.3 dan 4.4 maka dibuat plot optimasi lama pasien dalam sistem, dengan memberikan nilai target kurang dari 20 menit (atau sebesar 19 menit), didapat plot optimasi lama dalam sistem seperti pada Gambar 4.5.

26

Optimal High D Cur 1,0000 Low

KASIR 4,0 [2,50] 1,0

KLINIK K 5,0 [3,7783] 2,0

Composite Desirability 1,0000

Lama dal Targ: 19,0 y = 19,0000 d = 1,0000

Gambar 4.5 Optimasi Plot

Gambar 4.5 menunjukkan bahwa apabila lama pasien dalam sistem yang dikehendaki adalah kurang dari 20 menit, maka banyaknya server yang paling optimal adalah 3 orang server pada pelayanan pembayaran di kasir dan 4 orang dokter di klinik kulit. Angka tersebut ditunjukkan dari angka (2,50) pada kolom kasir yang berwarna merah dan (3,7783) pada kolom klinik kulit. Sehingga dapat disimpulkan, sistem pelayanan rawat jalan di Rumah Sakit Adi Husada akan optimal apabila jumlah kasir ditambahkan 2 orang dan jumlah dokter pada klinik kulit juga ditambahkan 2 orang.

27

BAB V KESIMPULAN DAN SARAN 5.1 Kesimpulan Dari hasil analisis didapatkan kesimpulan berikut: 1. Data pengamatan diuji validasi input dan dinyatakan telah valid, kemudian dicari distribusi dari waktu antar kedatangan dan lama pelayanan pada semua server disetiap tahap, maka selanjutnya dapat dibuat simulator dari sistem pelayanan rawat jalan Rumah Sakit Adi Husada menggunakan program Extend. 2. Simulator dijalankan sebanyak 100 kali dan didapatkan 100 nilai rata-rata lama pasien dalam sistem pelayanan rawat jalan, kemudian data tersebut diuji validasi sistem dan dinyatakan telah valid, maka disimpulkan bahwa rata-rata lama pasien dalam sistem pelayanan rawat jalan Rumah Sakit Adi Husada adalah 30 menit.
3. Terdapat dua tempat yang krusial dalam sistem pelayanan yang menyebabkan

pasien lama menunggu, yaitu pada tahap pembayaran di kasir dan pelayanan di klinik kulit, maka dilakukan optimasi menggunakan kedua faktor dengan metode respon surface. Model regresi yang didapatkan adalah

= 19,4171 - 5,024 Kasir - 2,1768 Klinik kulit - 1,0599 Kasir*Klinik kulit + 3,5022 (Kasir)2 - 0,3837 (Klinik Kulit)2. Hasil contour plot menyatakan bahwa lama pasien dalam sistem yang paling minimum adalah kurang dari 20 menit 4. Dengan menggunakan nilai target kurang dari 20 menit, maka dibuat optimasi plot dan didapat kesimpulan bahwa, sistem pelayanan rawat jalan Rumah Sakit Adi Husada optimum apabila jumlah server pada pelayanan pembayaran di kasir sebanyak 3 orang dan jumlah dokter di klinik kulit sebanyak 4 orang, maka untuk mencapai hal itu, rumah sakit harus menambah server dan dokter pada tempat tersebut.

28

5.2 Saran Simulasi sangat berguna untuk mengetahui dan mendapatkan optimasi dari suatu sistem, karena agar kita tidak merusak sistem nyata maka lebih baik mencobanya terlebih dahulu pada simulator. Namun untuk mendapatkan simulator yang sesuai dengan sistem nyatanya, maka syarat-syarat validasi harus dipenuhi, diantaranya validasi input dan validasi sistem. Selanjutnya analisis tempa-tempat yang krusial dari sistem tersebut, maka dapat dilakukan optimasi pada sistem. Saran yang diberikan peneliti untuk pihak rawat jalan Rumah Sakit Adi Husada adalah sebaiknya menambah server pada pelayanan pembayaran di kasir menjadi 3 orang server dan juga menambah dokter pada klinik kulit menjadi 4 orang dokter disetiap hari sabtu.

29

LAMPIRAN

Lampiran 1 Waktu Antar Kedatangan (menit)

Waktu antar kedatanga n 3,65 2,3 2,3 0,5166666 67 1,1333333 33 3,4666666 67 0,3333333 33 3,1 5,8 2,45 0,15 1,5333333 33 Waktu antar kedatangan 2,15 2,0666666 67 3,9333333 33 1,1 0,6166666 67 1,75 0,3 3,6333333 33 0,3166666 67 2,8166666 67 0,0833333 33 4,9666666 67 Waktu antar kedatangan 1,78333333 3 3,68333333 3 2,21666666 7 3,73333333 3 3,5 2,56666666 7 1,68333333 3 4,1 3,2 6,63333333 3 1,75 6,01666666 7

N o 1 2 3 4 5 6 7 8 9 10 11 12

Waktu antar kedatangan 5,03333333 3 0,98333333 3 4,88333333 3 1,66666666 7 4,75 2,5 9,01666666 7 6,25 1,71666666 7 2,95 1,4 0,71666666 7

No 32 33 34 35 36 37 38 39 40 41 42 43

No 63 64 65 66 67 68 69 70 71 72 73 74

No 94 95 96 97 98 99 10 0 10 1 10 2 10 3 10 4 10 5

30

13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31

2,46666666 7 5,31666666 7 2,13333333 3 0,33333333 3 1,15 5,06666666 7 0,41666666 7 1,6 0,4 0,96666666 7 8,08333333 3 4,85 1,8 2 16,1 5,01666666 7 2,98333333 3 3,15 1,8

44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62

1,3166666 67 3,5833333 33 2,15 0,1333333 33 6,1666666 67 2,1166666 67 3,2 4,55 1,2833333 33 1,9833333 33 1,4 2,1166666 67 3,4666666 67 0,4333333 33 0,5333333 33 3 12,366666 67 2,25 1,9166666 67

75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93

2,2 4,05 5,1666666 67 1 0,5833333 33 2,2333333 33 0,7833333 33 3,5833333 33 0,6833333 33 5,7166666 67 4,45 0,9166666 67 6,1 1,6333333 33 0,0833333 33 2,4833333 33 3,2166666 67 1,5333333 33 0,7833333 33

10 6 10 7 10 8 10 9 11 0 11 1 11 2 11 3 11 4 11 5 11 6 11 7 11 8 11 9 12 0 12 1 12 2 12 3 12 4

2,5 2,7 0,7 0,96666666 7 1,46666666 7 0,7 1,35 1,01666666 7 1,96666666 7 1,71666666 7 0,45 0,56666666 7 3,76666666 7 2,05 6,03333333 3 2,3 3,26666666 7 1,21666666 7 1,4

Lama Pelayanan Registrasi (menit)

Loket 1 0,7333 0,1333 3 3 0,5166 1,4166 7 7 3,7333 3,4166 3 7 1,3666 5,2 7 0,4333 2 3 Loket 2 0,6666 7 3,35 0,6833 5,6833 3 3 3,5166 1,45 7 1,1333 2,95 3 0,5666 5,0333 7 3 Loket 3 4,0666 7 0,2 0,3666 5,7833 7 3 2,2166 7 3,05 5,9 2,2 1,25 0,9

31

3,3666 7 1,8666 7 3,85 3,3 0,8333 3 0,65 0,3833 3 0,7666 7 1,7666 7 1,9666 7 1,55 4

3,1 4,0166 7 2,85 0,5166 7 0,9833 3 4,8333 3 1,0166 7 1,9333 3 2,4166 7 0,1333 3 3,7666 7

2,5166 7 3,8 1,95 3,15 1,75 0,35 1,6333 3 1,6666 7 3,15 1,6833 3 0,7166 7 2 4,3666 7 2,65 0,9666 7 2,5 3,2666 7 3,7166 7 2,55 0,3166 7

4,1 3,8833 3 3,8166 7 0,9333 3 0,5166 7 2,4833 3 1,85 1,4666 7 1,45 1,9833 3 0,3166 7 0,8333 3 0,1666 7 1,4 5,6833 3 1 0,4333 3 2,0666 7 0,85 2

0,6333 3 1,2 1,0666 7 0,7166 7 2,05 1,4333 3 1,8666 7 1,4 1,2666 7 1 4,6666 7 2,4 3,6833 3 2,5833 3 1,4 1,8833 3 0,9333 3

1,7333 3 1,0833 3 0,7333 3 0,3666 7 0,7666 7 1,9666 7 0,95 0,1833 3 0,5666 7 1,0666 7 1,9333 3 4,5166 7 1,7833 3 2,6666 7 1,1833 3 1,2333 3 0,7833 3

32

Lama Pelayanan Klinik (menit)

Klinik Mata 11 11,68 13,58 10,23 10,45 15,58 14,71 10,35 14,08 Klinik Akupunt ur 4,55 6,18 5,05 5,63 5,32 5,53 4,12 5,57 4,13 3,37 Klinik kulit server 1 6,63 13,87 12,22 13,10 1,50 6,47 5,15 11,43 7,48 4,88 6,83 6,57 10,63 KLinik kulit server 2 7,25 13,78 11,73 13,08 4,05 5,63 10,80 7,53 8,35 3,87 3,92 16,13 Klinik THT server 1 7,45 13,37 12,27 5,73 9,87 11,32 10,42 3,42 7,58 10,10 3,22 Klinik THT server 2 18,00 11,55 13,39 5,97 11,95 11,77 5,60 8,58 7,65 7,47 2,80 Anak

2,70 19,70 9,55 15,67 7,42 20,53 2,27

Lama Pelayanan Klinik (menit)

Klinik Gigi server 1 14,99 15,17 14,46 15,32 13,96 16,04 13,79 Klinik Gigi server 2 14,67 13,05 16,76 15,01 13,37 15,62 15,54 Klinik Syaraf server 1 12,06 15,82 14,1 13,8 13,18 Klinik Syaraf server 2 12,69 15,25 15,14 14 10,45 Klinik Peny Dalam 11,17 12,11 10,56 14,19 10,18 12,56 10,17 14,23 Klinik Umum server 1 10,55 12,38 11,82 9,2 12,18 10,94 12,57 Klinik Umum server 2 10,61 11,92 12,19 12,88 10,3 10,69

33

Lama Pelayanan Kasir (menit)

No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Kasir 1,33333 3 2,16666 7 1,01666 7 1,15 0,6 3,53333 3 1,26666 7 1,3 2,15 1,91666 7 0,46666 7 1,18333 3 1,05 1,43333 3 0,66666 7 No 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 Kasir 0,88333 3 0,63333 3 0,88333 3 0,85 1,9 1,41666 7 0,85 1,46666 7 1,25 1,61666 7 0,81666 7 1,43333 3 0,91666 7 1,35 1,03333 3 No 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 Kasir 0,73333 3 1,78333 3 2,81666 7 1,71666 7 0,81666 7 0,85 0,75 1,88333 3 0,51666 7 2,15 0,68333 3 1,15 1,91666 7 0,8 0,88333 3 No 46 47 48 49 50 51 52 53 54 55 56 57 58 59 Kasir 1,08333 3 0,78333 3 0,73333 3 2,31666 7 0,98333 3 0,63333 3 1,53333 3 0,8 0,68333 3 0,58333 3 0,68333 3 0,65 0,86666 7 1,31666 7

34

Lampiran 2 Uji Kesamaan Server Test Statistics Lama Pelayanan Registrasi Untuk Loket 1, Loket 2, dan Loket 3
registrasi Most Extreme Differences Absolute Positive Negative Kolmogorov-Smirnov Z Asymp. Sig. (2-tailed) a. Grouping Variable: VAR00005 .130 .130 -.080 .640 .807

Test Statistics Lama Pelayanan Dokter 1 dan Dokter 2 Pada Klinik Kulit
kulit Most Extreme Differences Absolute Positive Negative Kolmogorov-Smirnov Z Asymp. Sig. (2-tailed) a. Grouping Variable: VAR00007 .205 .205 -.173 .512 .955

35

Test Statistics Lama Pelayanan Dokter 1 dan Dokter 2 Pada Klinik THT
THT Most Extreme Differences Absolute Positive Negative Kolmogorov-Smirnov Z Asymp. Sig. (2-tailed) a. Grouping Variable: VAR00009 .273 .273 -.091 .640 .808

Test Statistics Lama Pelayanan Dokter 1 dan Dokter 2 Pada Klinik Gigi
Gigi Most Extreme Differences Absolute Positive Negative Kolmogorov-Smirnov Z Asymp. Sig. (2-tailed) a. Grouping Variable: VAR00011 .286 .286 -.286 .535 .938

Test Statistics Lama Pelayanan Dokter 1 dan Dokter 2 Pada Klinik Syaraf
Syaraf Most Extreme Differences Absolute Positive Negative Kolmogorov-Smirnov Z Asymp. Sig. (2-tailed) a. Grouping Variable: VAR00013 .200 .200 -.200 .316 1.000

Lampiran 3
36

Pengujian Distribusi Data Waktu Antar Kedatangan

Probability Density Function
0,6 0,56 0,52 0,48 0,44 0,4 0,36 0,32 0,28 0,24 0,2 0,16 0,12 0,08 0,04 0 0 2 4 6 8 10 12 14 16

f(x)

x
Histogram Gamma

Data waktu antar kedatangan pada loket berdistribusi Gamma dengan parameter = 1,3291 = 2,0397

Lama Pelayanan Registrasi

37

P robability Dens ity Func tion

0 ,3 0 ,2 8 0 ,2 6 0 ,2 4 0 ,2 2 0 ,2 0 ,1 8

f(x)

0 ,1 6 0 ,1 4 0 ,1 2 0 ,1 0 ,0 8 0 ,0 6 0 ,0 4 0 ,0 2 0 0 ,4 0 ,8 1 ,2 1 ,6 2 2 ,4 2 ,8 3,2 3 ,6 4 4 ,4 4 ,8 5,2 5 ,6

x
H is tog ra m Ga m m Data lama pelayanan registrasi berdistribusi aGamma dengan parameter =

1,9844 dan = 1,0136

Lama Pelayanan Klinik Akupuntur

0,44 0,4 0,36 0,32 0,28

Probability Dens ity Function

f(x)

0,24 0,2 0,16 0,12 0,08 0,04 0 3,4 3,6 3,8 4 4,2 4,4 4,6 4,8 5 5,2 5,4 5,6 5,8 6 6,2

x
His togram Triangular Data lama pelayanan klinik akupuntur loket berdistribusi Triangular dengan

parameter m=5,57, a=2,8613, dan b=6,4391

38

Lama Pelayanan Klinik Anak

P robability Dens ity Func tion
0 ,4 4 0 ,4 0 ,3 6 0 ,3 2 0 ,2 8

f(x)

0 ,2 4 0 ,2 0 ,1 6 0 ,1 2 0 ,0 8 0 ,0 4 0 4 6 8 10 12 14 16 18 20

x
H is to m B e ta Data lama pelayanan klinik anakg ra berdistribusi Beta dengan parameter

1=0,21075 dan 2=0,22409

Lama Pelayanan Klinik Gigi

P ro b a b ilit y D e n s it y F u n c t io n
0 ,4 4 0 ,4 0 ,3 6 0 ,3 2 0 ,2 8

f(x)

0 ,2 4 0 ,2 0 ,1 6 0 ,1 2 0 ,0 8 0 ,0 4 0 1 3 ,2 1 3 ,6 14 1 4 ,4 1 4 ,8 1 5 ,2 1 5 ,6 16 1 6 ,4

x
H is to g ra mT ria n g u la r

39

Data waktu antar kedatangan pada loket berdistribusi Triangular dengan parameter m=15,01 a=12,5 b=17,147

Lama Pelayanan Klinik Kulit

P roba bility D ens ity F unc tion
0 ,3 2 0 ,2 8 0 ,2 4 0 ,2

f(x)

0 ,1 6 0 ,1 2 0 ,0 8 0 ,0 4 0 2 4 6 8 10 12 14 16

x
H to g ra m T ria n g u la Data lama pelayanan klinik kulit isberdistribusi r Triangular dengan parameter

m=6,57 a=0,57089 b=17,818

Lama Pelayanan Klinik Mata

40

P ro b a b ilit y D e n s ity F u n c tio n

0 ,4 8 0 ,4 4 0 ,4 0 ,3 6 0 ,3 2 0 ,2 8

f(x)

0 ,2 4 0 ,2 0 ,1 6 0 ,1 2 0 ,0 8 0 ,0 4 0 1 0 ,4 1 0 ,8 1 1 ,2 1 1 ,6 12 1 2 ,4 1 2 ,8 1 3 ,2 1 3 ,6 14 1 4 ,4 1 4 ,8 1 5 ,2 1 5 ,6

x
H i s to berdistribusi Beta dengan parameter Data lama pelayanan klinik mata g ra m B e ta

1=0,23816 dan 2=0,34721

Lama Pelayanan Klinik Penyakit Dalam

P ro b a b ilit y D e n s it y F u n c t io n
0 ,5 2 0 ,4 8 0 ,4 4 0 ,4 0 ,3 6 0 ,3 2 0 ,2 8 0 ,2 4 0 ,2 0 ,1 6 0 ,1 2 0 ,0 8 0 ,0 4 0 1 0 ,4 1 0 ,8 1 1 ,2 1 1 ,6 12 1 2 ,4 1 2 ,8 1 3 ,2 1 3 ,6 14

f(x)

Data waktu antar kedatangan padais loket berdistribusi Beta dengan parameter H to g ra mB e ta 1=0,19185 2=0,25936

41

Lama Pelayanan Klinik Syaraf

0 ,4 4 0 ,4 0 ,3 6 0 ,3 2 0 ,2 8 0 ,2 4

P ro b a b ilit y D e n s it y F u n c t io n

f(x)

0 ,2 0 ,1 6 0 ,1 2 0 ,0 8 0 ,0 4 0 1 0 ,4 1 0 ,8 1 1 ,2 1 1 ,6 12 1 2 ,4 1 2 ,8 1 3 ,2 1 3 ,6 14 1 4 ,4 1 4 ,8 1 5 ,2 1 5 ,6

Data lama pelayanan klinik syarafis to g ra mT ria n g u la rTriangular dengan parameter H berdistribusi m=15,25, a=9,5024, dan b=16,216

Lama Pelayanan Klinik THT

P ro b a b ilit y D e n s it y F u n c t io n

0 ,3 0 ,2 8 0 ,2 6 0 ,2 4 0 ,2 2 0 ,2 0 ,1 8 0 ,1 6 0 ,1 4 0 ,1 2 0 ,1 0 ,0 8 0 ,0 6 0 ,0 4 0 ,0 2 0 3 4 5 6 7

f(x)

10

11

12

13

14

15

16

17

18

x
H is to g ra mW e ib u ll

42

Data lama pelayanan klinik THT berdistribusi Weibull dengan parameter =2,2785 dan =9,9331

Lama Pelayanan Klinik Umun

P ro b a b ilit y D e n s it y F u n c t io n
0 ,4 0 ,3 6 0 ,3 2 0 ,2 8 0 ,2 4

f(x)

0 ,2 0 ,1 6 0 ,1 2 0 ,0 8 0 ,0 4 0 9 ,2 9 ,6 10 1 0 ,4 1 0 ,8 1 1 ,2 1 1 ,6 12 1 2 ,4 1 2 ,8

Data lama pelayanan klinik umumi s to g ra mT ria n g u l a rTriangular dengan parameter H berdistribusi m=12,88, a=8,4928, dan b=12,88

Lama Pelayanan Kasir

P robability Density Function
0,48 0,44 0,4 0,36 0,32 0,28

f(x)

0,24 0,2 0,16 0,12 0,08 0,04 0 0,6 0,8 1 1,2 1,4 1,6 1,8 2 2,2 2,4 2,6 2,8 3 3,2 3,4

x
His togram Gam m a

43

Data waktu antar kedatangan pada loket berdistribusi Gamma dengan parameter =3,9921 =0,30413

Lampiran 4 Pengujian Validasi Input Simulator Test Statistics Waktu Antar Kedatangan
Kedatangan Most Extreme Differences Absolute Positive Negative Kolmogorov-Smirnov Z Asymp. Sig. (2-tailed) a. Grouping Variable: VAR00002 .089 .089 -.016 .699 .714

Test Statistics Uji Validasi Lama Pelayanan Registrasi

registrasi Most Extreme Differences Absolute Positive Negative Kolmogorov-Smirnov Z Asymp. Sig. (2-tailed) a. Grouping Variable: VAR00004 .110 .087 -.110 .878 .423

Test Statistics Uji Validasi Lama Pelayanan Klinik Gigi

Gigi Most Extreme Differences Absolute Positive Negative Kolmogorov-Smirnov Z Asymp. Sig. (2-tailed) a. Grouping Variable: VAR00006 .214 .214 -.071 .567 .905

44

Test Statistics Uji Validasi Lama Pelayanan Klinik Kulit

kulit Most Extreme Differences Absolute Positive Negative Kolmogorov-Smirnov Z Asymp. Sig. (2-tailed) a. Grouping Variable: VAR00008 .240 .160 -.240 .849 .468

Test Statistics Uji Validasi Lama Pelayanan Klinik Syaraf

Syaraf Most Extreme Differences Absolute Positive Negative Kolmogorov-Smirnov Z Asymp. Sig. (2-tailed) a. Grouping Variable: VAR00003 .300 .300 -.300 .671 .759

Test Statistics Uji Validasi Lama Pelayanan Klinik THT

THT Most Extreme Differences Absolute Positive Negative Kolmogorov-Smirnov Z Asymp. Sig. (2-tailed) a. Grouping Variable: VAR00007 .273 .136 -.273 .905 .387

45

Test Statistics Uji Validasi Lama Pelayanan Klinik Umum

umum Most Extreme Differences Absolute Positive Negative Kolmogorov-Smirnov Z Asymp. Sig. (2-tailed) a. Grouping Variable: VAR00010 .308 .308 -.231 .784 .570

Test Statistics Uji Validasi Lama Pelayanan Klinik Anak

Anak Most Extreme Differences Absolute Positive Negative Kolmogorov-Smirnov Z Asymp. Sig. (2-tailed) a. Grouping Variable: VAR00005 .286 .286 -.286 .535 .938

Test Statistics Uji Validasi Lama Pelayanan Klinik Akupuntur

Akupuntur Most Extreme Differences Absolute Positive Negative Kolmogorov-Smirnov Z Asymp. Sig. (2-tailed) a. Grouping Variable: VAR00011 .400 .000 -.400 .894 .400

46

Test Statistics Uji Validasi Lama Pelayanan Klinik Mata

Mata Most Extreme Differences Absolute Positive Negative Kolmogorov-Smirnov Z Asymp. Sig. (2-tailed) a. Grouping Variable: VAR00013 .444 .222 -.444 .943 .336

Test Statistics Uji Validasi Lama Pelayanan Penyakit Dalam

P.dalam Most Extreme Differences Absolute Positive Negative Kolmogorov-Smirnov Z Asymp. Sig. (2-tailed) a. Grouping Variable: VAR00015 .625 .250 -.625 1.250 .088

Test Statistics Uji Validasi Lama Pelayanan Kasir

Kasir Most Extreme Differences Absolute Positive Negative Kolmogorov-Smirnov Z Asymp. Sig. (2-tailed) a. Grouping Variable: VAR00017 .243 .059 -.243 1.312 .064

47

Lampiran 5 Rata-rata lama pasien dalam sistem

Rata-rata lama pasien dalam sistem 28,81834446 28,67554484 41,25893609 25,00300667 26,43166716 35,25555299 44,45169715 26,61711298 34,0247835 25,00502492 23,84551046 26,59321052 19,80437701 21,84379642 20,14490236 34,26899291 29,10294733 26,85706792 27,64990386 33,68200504 24,75870139 21,85225174 25,08995413 27,3422628 23,81576223 21,3337115 26,22629841 30,14446702 23,46835653 31,49521605 22,36517939 34,08213909 31,68534559 21,00304112 24,44381097 27,40157617 21,65022765 25,45437852 39,74651782 23,53613681 19,1074911 23,82296213 25,6896146 24,96312815 20,07632575 29,70696784 31,2471191 43,46967366 28,78763872 18,20264237 28,28293064 25,63313967 27,0614128 24,6972626 24,25152744 47,61859762 27,72878923 30,77644055 32,4950639 22,46418817 21,58307245 26,6477534 35,80725712 26,18476715 47,90893955 40,28373485 41,27746652 35,71078989 32,61851643

48

20,15748145 24,10893558 19,86554387 28,28809912 28,00430329 22,03506331 37,97775795 40,7161179 25,17298836 22,84458885 31,26623508

27,10375519 25,76232806 28,79989587 40,00743459 31,83373116 25,83591374 26,68322886 28,04057001 41,67903106 35,62960422

63,04882496 33,34858059 28,09391084 36,89505006 22,18458614 23,781156 35,70347604 25,73779677 33,15225174 25,54259334

49