A. LATAR BELAKANG
Secara akurat untuk mengukur jumlah pasien yaitu berdasarkan sensus dan
ciri/sifat dimasa lalu, saat ini dan masa depan dalam system perawatan kesehatan
untuk memberikan atau menawarkan pasilitas perawatan pasien yang memadai dan
aman yang didukung oleh perencanaan sumber daya yang tepat. Sensus tingkat unit
rumah sakit dipengaruhi oleh ketidakpastian jumlah kedatangan pasien dan pola
pelayanan klinis yang dapat berubah secara dinamis dari waktu ke waktu. Memahami
variabilitas sensus dan musiman memiliki implikasi dalam mengambil keputusan
administrasi dan klinis dalam pengaturan rumah sakit, misalnya rasio perawat ke pasien
dan keputusan manajemen tempat tidur. Prediksi sensus yang tidak akurat dapat
mengakibatkan alokasi personel dan sumber daya terbatas secara tidak optimal,
misalnya tingkat staf perawat yang buruk. Level perawat suboptimal telah dikaitkan
dengan penurunan kualitas pelayanan dan keselamatan pasien karena kelebihan atau
kekurangan tenaga keperawatan. Meningkatnya jumlah pasien ke perawat telah terbukti
meningkatkan risiko kelelahan emosional dan ketidakpuasan kerja. Rasio perawat ke
pasien yang rendah telah dikaitkan dengan peningkatan hasil yang merugikan bagi
pasien, seperti peningkatan mortalitas 30 hari dan kegagalan untuk menyelamatkan
pasien yang sakit.
Desain unit perawatan intensif khusus untuk bayi baru lahir, neonatal intensive
care unit (NICU) dimulai sejak 1960. Konsep perawatan perinatal khusus berdasarkan
tingkat ketajaman diusulkan pada tahun 1976. Selama pasien menginap di NICU,
dibutuhkan sumber daya keperawatan dalam jumlah banyak dan keahlian khusus yang
dimiliki perawat. Mengingat ketidakpastian kedatangan pasien dan pola pelayanan
klinis, dibandingkan dengan banyaknya unit rumah sakit, NICU menghadirkan suatu
keadaan untuk memperkirakan sensus masa depan yang dapat memengaruhi jumlah
kepegawaian dan kualitas perawatan. Beberapa penelitian menunjukkan bahwa level
staf perawat suboptimal di NICU dikaitkan dengan peningkatan hasil yang merugikan
pasien. Hamilton et. al. (2006) meneliti 54 NICU, menemukan bahwa 57% shift
kekurangan tenaga, dan kekurangan tenaga dikaitkan dengan tingkat kematian yang
lebih tinggi. Kekurangan jumlah perawat dapat menyebabkan teknik aseptic tertunda
atau tidak akurat sehingga dapat meningkatkan resiko terjadinya infeksi. Memprediksi
secara akurat sensus masa depan dengan menggunkan pengamatan masa lalu dan
saat ini dapat membantu meminimalkan perbedaan antara permintaan yang diharapkan
dan actual untuk sumber daya perawatan kesehatan.
Terdapat penelitian luas yang mendukung penerapan analisis deret waktu untuk
meningkatkan perkiraan dalam perawatan kesehatan, khususnya yang berfokus pada
wabah penyakit, kedatangan pasien, dan perencanaan sumber daya. Model
autoregressive integrated moving average (ARIMA) telah banyak digunakan dalam
meramalkan wabah penyakit, misalnya, flu dan antraks, dengan memprediksi pola
penyakit dan pemanfaatan Emergency Department (ED) yang sesuai. Guo et al. (2013)
mengembangkan model ARIMA untuk meramalkan volume pasien untuk merancang
jadwal perawatan yang fleksibel yang memperhitungkan tingkat keterampilan dan
pergeseran preferensi. Model ARIMA telah digunakan untuk memprediksi volume
pasien ed di horizon jangka pendek dan jangka panjang. Marcilio et al. (2013)
membandingkan akurasi perkiraan model linier umum dengan model deret waktu dalam
memperkirakan kunjungan ed dan menemukan bahwa model linier umum memberikan
akurasi yang lebih tinggi daripada model ARIMA. Sementara metode time series telah
diterapkan dalam perawatan kesehatan, kesenjangan dalam literatur tetap ada dan
penelitian lebih lanjut diperlukan untuk meramalkan sensus pasien terlepas dari wabah
penyakit sambil mempertimbangkan kerangka kerja yang dipersonalisasi, misalnya,
secara akurat memperkirakan nilai-nilai sensus masa depan yang diklasifikasikan oleh
karakteristik pasien untuk menginformasikan sumber daya yang lebih baik
perencanaan. Sun et al. (2009) mengembangkan model peramalan yang
memperhitungkan ketajaman pasien untuk memprediksi volume ed. Namun, sebagian
besar model yang disajikan dalam penelitian sun memiliki akurasi terbatas yang diukur
dengan mean absolute perscent error (MAPE). Temple et al. Menjelaskan metode untuk
memprediksi tanggal keluarnya pasien NICU secara individu berdasarkan catatan
perkembangan harian. Selain itu, Levin et al. Menjelaskan metode berdasarkan lama
tinggal pasien menggunakan pesanan penyedia harian. Metode-metode ini
menyediakan alat yang berharga untuk perencanaan sumber daya begitu seorang
pasien dirawat di unit. Namun, mereka tidak dirancang untuk memperkirakan lintasan
sensus keseluruhan unit, hanya lamanya tinggal untuk masing-masing pasien.
Meskipun studi mereka mempertimbangkan musiman dan informasi spesifik pasien,
studi ini tidak menilai akurasi model selama periode prediksi yang berbeda (misalnya
periode sensus yang lebih rendah atau lebih tinggi) yang penting untuk interpretasi klinis
dan implementasi model.
B. METODE
Pengumpulan data
Analisis data
Metodologi
Semakin kecil nilai MAPE semakin akurat teknik peramalan dan semakin besar nilai
MAPE semakin tidak akurat teknik peramalannya.kemampuan peramalan sangat baik
jika memiliki nilai MAPE kurang dari 10 dan mempunyai kemampuan peramalan yang
baik jika nilai MAPE kurang dari 20.
RMSE
RMSE menjadi alternatif yang lebih intuitif dibandingkan mse karena memiliki skala
pengukuran yang sama dengan data yang sedang dievaluasi. Sebagai contoh, dua kali
nilai RMSE artinya model memiliki error dua kali lebih besar dari sebelumnya.
Sedangkan dua kali nilai mse tidak berarti demikian. Jika mse dapat dianalogikan
sebagai varian, maka RMSE dapat dianalogikan sebagai standar deviasi.
( sinaga,2018).
Untuk mengukur keakuratan perkiraan, digunakan mean absolute percentage error
(MAPE) dan root mean square error (RMSE):
dan
Dengan n mewakili jumlah total nilai sensus masa depan yang diperkirakan, 𝑦𝑖 mewakili
yang diamati sensus pada waktu i, 𝑦̂𝑖 mewakili nilai sensus yang diperkirakan untuk
waktu i. Dalam literatur, MAPE <10% dianggap sebagai peramalan yang sangat akurat.
Pendekatan sensus rata-rata tetap menggunakan nilai 50, yang merupakan sensus
harian rata-rata dari tahun sebelumnya (2012).
MAPE dan RMSE dihitung untuk setiap ramalan (forecast) selama 7 hari dan dirata-rata
untuk mendapatkan nilai tunggal.
Pengembangan Model
ARIMA
Menggunakan metode ARIMA dan model regresi linier untuk memperkirakan
(forecast) sensus selama tiga periode waktu yang berbeda dalam dataset validasi.
Tiga periode ditandai oleh nilai sensus yang secara konsisten berada di atas, di
bawah, atau dekat dengan nilai sensus rata-rata dari tahun sebelumnya.
Model ARIMA dan regresi linear menggunakan r 3.2.0 untuk meramalkan sensus
NICU di masa depan. Model ARIMA diterapkan dalam penelitian ini karena model
ini paling banyak digunakan dalam teknik peramalan time series karena sifatnya
yang terstruktur (Ismiati,2014). Model ARIMA (p, d, q) (P, D, Q) termasuk
komponen autoregresif dan moving average p dan q, komponen rata-rata
autoregresif dan bergerak rata-rata P dan Q, komponen perbedaan biasa d,
komponen perbedaan musiman D, dan urutan lag musiman s. Autoregresi
mengacu pada prediksidari nilai saat ini dari rangkaian waktu sebagai fungsi dari
nilai masa lalu dari suatu rangkaian. Perbedaaan musiman mengacu pada setiap
pola dalam data yang berulang dengan periodisitas yang diketahui. Model ARIMA
dapat digunakan untuk memperkirakan deret waktu dari nilai masa lalu dengan
mengevaluasi Fungsi Autokorelasi (ACF) dan Fungsi Autokorelasi Parsial (PACF).
Capan M.,2016. Time Series Analysis for Forecasting Hospital Census: Application to The
Neonatal Intensive Care Unit. Applied Clinical Informatics. 7: 275–289.
Nawangwulan, Sri dan Dyan Angesti. 2016.Analisis Time Series Metode Winter Jumlah
Penderita Gastroenteritis Rawat Inap Berdasarkan Data Rekam Medis Di Rsud Dr.
Soetomo Surabaya. Jurnal Manajemen Kesehatan Stikes Yayasan Rs. Dr.
Soetomo Vol. 2 No. 01: 17- 32.
Sinaga, H. D. E. dan Novica I., 2018. Perbandingan Double Moving Average dengan Double
Exponential Smoothing Pada Peramalan Bahan Medis Habis Pakai. Jurnal Teknologi
dan Sistem Informasi. Vol. Iv No. 2. 197 – 204.
Ismiati, M. B., Adhistya E. P. dan Indriana H. 2014. Analisis Data Time Series Korban DBD
Di Kota Palembang untuk Mendapatkan Trend dalam Melakukan Forecasting.
Seminar Nasional Teknologi Informasi dan Multimedia 2014. Vol 2. No 2.
Huyen D. T. T., 2017. Analyzing Trends In Hospital-Cost Payments of Patients Using ARIMA
and Gis: Case Study at The Hanoi Medical University Hospital, Vietnam. Journal of
Medical Imaging and Health Informatics. Vol. 7, 421–429