Metode Peramalan

Mata Kuliah Manajemen Operasional RS

Dosen Pembimbing : Dr. Alih Germas Kodyat, SKM. MARS

PREDIKSI KUNJUNGAN PASIEN PATOLOGI ANATOMI

RSAB HARAPAN KITA
2016 - 2018

dr. Fikri Nurdiansyah NPM 186080015

dr. Cut Juli Muroli NPM 186080059
dr. Meryanne Elisabeth, Sp.PA NPM 186080066
drg. Yanti Pujiwidiastuti NPM 186080060

PROGRAM PASCA SARJANA

PROGRAM STUDI ADMINISTRASI RUMAH SAKIT
UNIVERSITAS RESPATI INDONESIA
2019
 BAB I

PENDAHULUAN

1.1 Latar Belakang

Rumah sakit adalah institusi pelayanan

kesehatan yang menyelenggarakan pelayanan
kesehatan perorangan yang menyediakan
pelayanan rawat jalan, rawat inap dan gawat
darurat (UU Rumah Sakit No. 44 Tahun 2009)
Rumah sakit adalah institusi pelayanan
kesehatan yang menyelenggarakan pelayanan
kesehatan perorangan yang menyediakan
pelayanan rawat jalan, rawat inap dan gawat
darurat (UU Rumah Sakit No. 44 Tahun 2009)
Rumah sakit adalah institusi pelayanan
kesehatan yang menyelenggarakan pelayanan
kesehatan perorangan yang menyediakan
pelayanan rawat jalan, rawat inap dan gawat
darurat (UU Rumah Sakit No. 44 Tahun 2009).
Rumah sakit adalah institusi pelayanan
kesehatan yang menyelenggarakan pelayanan
kesehatan perorangan yang menyediakan
pelayanan rawat jalan, rawat inap dan gawat
darurat (UU Rumah Sakit No. 44 Tahun 2009).
Rumah sakit adalah institusi pelayanan kesehatan yang
menyelenggarakan pelayanankesehatan perorangan yang menyediakan
pelayanan rawat jalan, rawat inap dan gawatdarurat (UU Rumah Sakit
No. 44 Tahun 2009). Salah satu layanan untuk menunjang kegiatan
tersebut diatas adalah Laboratorium Klinik. Dalam Permenkes 411 tahun
2010 , Laboratorium terbagi atas Laboratorium Klinik Umum dan
Laboratorium Klinik Khusus,yang mencakup Mikrobiologi Klinik, Parasitologi
Klinik dan Patologi Anatomik.

Berdasarkan Sistem Informasi Rumah Sakit (SIRS) pada tahun 2010, di

Indonesia penyakit kanker menjadi penyebab kematian nomor 3 dengan
kejadian 7,7% dari seluruh penyebab kematian karena penyakit tidak
menular. Sementara itu, kanker payudara dan kanker leher rahim
merupakan jenis kanker tertinggi pada pasien rawat inap maupun rawat jalan
di seluruh RS di Indonesia, dengan proporsi sebesar 28,7% untuk kanker
payudara, dan kanker leher rahim 12,8%, Kanker darah (leukemia) 10,4%,
Kanker kelenjar getah bening 8,3% dan kanker paru 7,8%. Berdasarkan data
kanker di Indonesia tahun 2011, menurut data histopatologik Badan
Registrasi Kanker Perhimpunan Dokter Spesialis Patologi Indonesia (IAPI) –
Yayasan kanker Indonesia (YKI) bahwa kanker payudara dan kanker leher
 rahim merupakan jenis kanker tertinggi dengan proporsi kanker payudara
19,05%, kanker leher rahim 12,24%, kanker kolon rektum 9,66%, kanker
nasofaring 5,19% dan kanker kulit 5,02%. Diagnosis pasti penyakit kanker
membutuhkan pemeriksaan mikroskopik jaringan tubuh, sebelum
mendapatkan terapi. Terapi pada kanker sangat membutuhkan biaya yang
besar, sehingga pemberian terapi berdasarkan trial and error seringkali
menyebabkan pemborosan biaya bahkan yang terpenting tidak memberikan
pengelolaan pasien secara optimal.

Untuk menjawab permasalahan di atas, pemerintah pusat, pemerintah

daerah maupun pihak terkait dapat bertanggung jawab dalam penyediaan
fasilitas sesuai dengan standar minimal dan sumber daya yang kompeten
dalam mendukung pelayanan sentra diagnostik patologi anatomi dengan
tetap memperhatikan kualitas mutu pelayanan.

Peramalan (forecasting) adalah seni dan ilmu untuk memperkirakan

kejadian dimasa depan. Hal ini dapatdilakukan dengan melibatkan
pengambilan data historis dan memproyeksikannya ke masa mendatang
dengan suatu bentuk model matematis. Hal ini bisa juga merupakan prediksi
intuisi yang bersifatsubjektif.

Hal inipun dapat dilakukan dengan menggunakan kombinasi model

matematis yang disesuaikan dengan pertimbangan yang baik dari seorang
manajer. Perencanaan yang efektif baik untuk jangka panjang maupun
pendek bergantung pada peramalan permintaan untuk produk perusahaan
tersebut.

1.2 Tujuan

Pembahasan ini bertujuan mengetahui prediksi jumlah pemeriksaan Patologi

Anatomik di RSAB Harapan Kita tahun 2019 yang manfaatnya dapat dipakai
sebagai acuan untuk pengadaan sarana, prasarana, peralatan, sumber daya
manusia, baik teknisi maupun spesialis patologi anatomik yang kompeten, guna
mempersiapkan pelayanan Patologi Anatomik yang berkualitas untuk
mendukung upaya preventif, diagnosis, prognosis, dan kuratif.

BAB II
TINJAUAN PUSTAKA

2.1 Pengertian
Peramalan adalah suatu kegiatan untuk memperkirakan apa yang akan
terjadi pada masa yang akan datang.
Sedangkan metode peramalan adalah cara untuk memperkirakan secara
kuantitatif apa yang akan terjadi di masa yang akan datang secara sistematis
dan pragmatis, berdasarkan data yang relevan pada masa lalu. (Assauri,1984)

Kegunaan metode peramalan adalah sebagai berikut :

1. Dapat memperkirakan secara sistematis dan pragmatis keadaan yang
akan datang yang dapat memberikan obyektivitas yang lebih besar.
2. Dapat memberikan urutan pengerjaan dan pemecahan atas
pendekatan masalah dalam suatu peramalan.
3. Dapat memberikan cara pengerjaan yang teratur dan terarah.
4. Dapat memberikan hasil peramalan dengan tingkat kepercayaan
yang lebih besar.

2.2 JENIS-JENIS METODE PERAMALAN

Pada dasarnya metoda peramalan kuantitatif dibedakan menjadi 2 (dua),
yaitu :
1. Metoda peramalan yang didasarkan atas penggunaan analisis pola
hubungan antara variabel yang akan diperkirakan dengan variabel
 waktu. Yang termasuk ke dalam kelompok ini adalah :
a. Metoda Smoothing, metode ini digunakan untuk
mengurangi ketidakteraturan musiman dari data yang lalu maupun
kedua-duanya, dengan cara membuat rata-rata tertimbang dari
sederetan data yang lalu. Data yang dibutuhkan untuk untuk
penggunaan metode ini minimum selama 2 (dua) tahun. Ketepatan
(accuracy) dari metode ini akan lebih baikbila digunakan untuk
peramalan jangka pendek. Metode ini digunakan untuk
perencanaan dan pengendalian produksi dan persediaan,
perencanaan keuntungan, perencanaan keuangan, dsb.

b. Metode Box Jenkins, merupakan metode yang menggunakan dasar

deret waktu dengan model matematis, agar kesalahan yang terjadi
dapat sekecil mungkin. Metode ini sangat baik ketepatannya
untuk peramalan jangka pendek. Data yang dibutuhkan minimum 2
tahun. Metode ini digunakan untuk peramalan dalam perencanaan
dan pengendalian produksi.

c. Metode Proyeksi Trend dengan Regresi, yaitu merupakan dasar

garis trend untuk suatu permasalahan matematis, sehingga dengan
dasar persamaan tersebut dapat diproyeksikan hal yang diteliti
untuk masa depan. Metode ini sangat baik untuk peramalan jangka
pendek maupun jangka panjang. Data yang dibutuhkan adalah data
tahunan dan minimum 5 (lima) tahun. Metode ini digunakan untuk
penyusunan rencana ekspansi, rencana investasi, rencana
pembangunan dll.

2. Metode peramalan yang didasarkan atas penggunaan analisis pola

hubungan antara variabel yang akan diperkirakan dengan
variabel lain yang mempengaruhinya yang bukan variabel waktu,
atau dikenal dengan metode sebab akibat (causal methods) atau korelasi.
Termasuk ke dalam kelompok metode ini adalah sebagai berikut :
a. Metode regresi dan korelasi, metode ini didasarkan pada penetapan
suatu persamaan estimasi menggunakan tehnik “least squares”.
Peramalan ini sangat baik untuk digunakan dalam peramalan jangka
 pendek. Data yang dibutuhkan adalah data kuartalan dan beberapa
tahun yang lalu. Metode ini banyak digunakan untuk
peramalan penjualan, perencanaan keuntungan, peramalan
permintaan, dan peramalan keadaan ekonomi.

b. Metode ekonometri, didasarkan atas peramalan pada sistem

persamaan regresi yang diestimasikan secara simultan. Metode ini
baik digunakan untuk peramalan jangka pendek maupun jangka
panjang. Data yang dibutuhkan adalah data kuartalan selama
beberapa tahun. Metode ini selalu digunakan untuk peramalan
penjualan menurut kelas produk, atau peramalan keadaan ekonomi
masyarakat, seperti permintaan, harga dan penawaran.

c. Model input-output, yaitu model yang dipergunakan untuk

menyusun proyeksi trend ekonomi jangka panjang. Model ini sangat
baik digunakan untuk peramalan jangka panjang. Data yang
dibutuhkan adalah data tahunan selama sekitar 10 (sepuluh)
sampai 15 (lima belas) tahun. Model ini banyak digunakan untuk
peramalan penjualan perusahaan, penjualan sektor industri dan
subsektor produksi dari sektor industri.

METODE SMOOTING
1) Metode rata-rata kumulatif
Metode ini menggunakan pendekatan dan analisisnya pada
seluruh data masa lalu yang dijadikan dasar dalam penyusunan
ramalan masa yang akan datang. Jadi seluruh data masa lalu
mempengaruhi nilai ramalan masa datang, sehingga ramalan untuk
bulan depan misalnya ditentukan oleh data atau fakta yang telah
terjadi pada bulan-bulan sebelumnya.

Kesulitan dari penggunaan metode ini adalah oleh karena

ramalan yang disusun didasarkan pada nilai rata-rata dari seluruh
data realisasi yang telah lalu, maka untuk penyusunan ramalan
periode yang berikut digunakan data yang lebih banyak, sehingga
makin lama peramalan dilakukan, maka data yang digunakan
makin banyak pula. Hal ini sudah tentu akan menimbulkan
kesulitan dalam penyimpanan data (storage).
 2) Metode rata-rata bergerak
Tujuan utama dari penggunaan metode ini adalah untuk
menghilangkan atau mengurangi acakan (randomness) dalam deret
waktu. Caranya adalah sebagai berikut :Pilihlah jumlah periode
yang akan digunakan untuk menghitung rata-rata beregerak.
Jumlah ini (N) dinamakan order dari rata-rata bergerak, dan
Ambilah permintaan rata-rata untuk N periode yang paling akhir.
Permintaan rata-rata ini kemudian menjadi ramalan untuk periode
berikutnya.

METODE PERATAAN EKSPONENSIAL

1) Kapan penggunaan perataan eksponensial dilakukan ? Penggunaan
metode ini paling sesuai pada kondisi sebagai berikut :
(1). Cakupan waktu peramalan relatif pendek, misalnya harian,
mingguan, atau bulanan.
(2). Tidak banyak informasi luar yang tersedia mengenai hubungan
sebab akibat antara permintaan akan suatu mata produk dan
faktor independen yang mempengaruhinya.
(3). Upaya sedikit dalam peramalan dikehendaki. Usaha ini diukur
baik dari kemudahan aplikasi metode maupun dari kebutuhan
komputasi untuk mengimplementasikannya.
(4). Ramalan perlu disesuaikan untuk memasukan unsur keacakan
(fluktuasi permintaan diratakan) dan mencerminkan
kecenderungan dan sifat musiman).
2) Konsep dasar model perataan eksponensial
Model perataan eksponensial paling sederhana dapat
digunakan bila tidak ada komponen kecenderungan atau musiman
dalam data. Jadi hanya ada komponen-komponen horizontal, dan
karena sifat keacakan permintaan berfluktuasi disekitar
“permintaan rata-rata”, yang kita namakan “basis” atau dasar.

2.3 KESALAHAN PERAMALAN

Kesalahan peramalan (Forecast errors) didefinisikan sebagai :

et = Kesalahan peramalan
 = Permintaan aktual untuk periode t - Peramalan untuk periode t

Kesalahan peramalan merupakan ukuran ketepatan dan menjadi dasar

untuk membandingkan kinerja model. Ukuran kesalahan yang lazim
digunakan adalah :

1. Kesalahan rerata (average error, AE) = 1/N et

2. Deviasi absolut rata-rata (mean absolute deviation, MAD) = 1/N   et 
3. Kesalahan kuadrat rata-rata (mean squared error, MSE) = 1/N  et2
4. Kesalahan persentase absolut rata-rata (mean absolute percentage error,
MAPE) = 1/N   et/Dt x 100 

Kesalahan rerata (AE) akan mendekati nol (0) untuk percontohan atau
sampel yang besar, jika tidak model yang digunakan mengandung bias. Bias
menunjukan kecenderungan sistematik untuk meramalkan permintaan
terlalu tinggi atau terlalu rendah.

MAD memberikan informasi tambahan yang berguna dalam memilih

model peramalan dan parameter-parameternya. MAD adalah jumlah dari
semua keselahan tanpa memandang tanda aljabar, dibagi dengan jumlah
observasi.

MSE memberikan informasi serupa dengan MAD, tetapi MSE

menghukum (penalize) kesalahan yang besar. MSE dihitung dengan
menjumlahkan kesalahan-kesalahan kuadrat individual dan membaginya
dengan jumlah obervasi.

MAPE adalah ukuran relatif yang dihitung dengan membagi kesalahan

peramalan untuk periode t dengan permintaan aktual untuk periode t dan
karenanya menghitung kesalahan persentase pada periode t. MAPE
memberikan gambaran kepada kita tentang seberapa jauh peramalan
meleset sebagai persentase dari permintaan.

Persentase kesalahan dijumlahkan dengan mengabaikan tanda aljabar dan

jumlah ini kemudian dibagi dengan jumlah observasi untuk mendapatkan
MAPE.

2.4 ANALISIS REGRESI SEDERHANA

 Regresi sederhana adalah suatu pola hubungan yang merupakan fungsi,
dimana hanya terdapat 1 (satu) variabel yang menentukan atau variabel
bebas.

Notasi matematisnya adalah : Y = f (X)

Y adalah variabel yang diramal atau dependent variable.

X adalah variabel bebas atau indepndent variable.

Pola hubungan tersebut dibedakan menjadi 2 (dua) yaitu :

1. Analisis atau model deret waktu (time series).
2. Analisis atau model sebab akibat (cross secrtion).

2.5 METODE VARIASI MUSIM

Dalam menyusun ramalan jangka pendek dan sedang, perlu

diperhatikan adanya pengaruh variasi musim. Yang dimaksud adalah
fluktuasi di sekitar grais trend yang berulang secara teratur dalam periode
yang sama pada setiap tahun.

Variasi musim ini dapat disebabkan oleh faktor alami dan faktor non-
alami seperti agama, budaya, pemerintahan dsb.

Tehnik peramalan yang digunakan adalah tehnik dekomposisi yaitu

tehnik yang mendasarkan penganalisaan untuk mengidentifikasi 3 (tiga)
faktor utama, yaitu :

1. Faktor trend, yaitu merupakan pergerakan yang mendasar pada jangka

panjang dari suatu deret waktu.
2. Faktor musim, yaitu merupakan pola berkala yang teratur dan terdapat
dalam suatu deret data yang sifatnya tahunan.
3. Faktor siklus, yaitu merupakan suatu pola berkala dalam data deret
waktu yang terjadi dan berulang kembali setelah suatu masa dalam
beberapa tahun.

2.6 MODEL DEKOMPOSISI

Model dekomposisi mendasarkan asumsi bahwa data yang ada

merupakan gabungan dari beberapa komponen. Unsur error adalah
 perbedaan dari kombinasi hasil dari ketiga komponen dari suatu deret data
dengan data sebenarnya (aktual). Konsep dasar dari dekomposisi adalah
data empiris di mana yang pertama adalah adanya pergeseran musim,
kemudian trend dan terakhir siklus. Tehnik dekomposisi suatu deret waktu.
Langkah-langkah tehnik dekomposisi :

1. Untuk deret data yang sebenarnya, Xt dihitung dengan metode rata-rata

bergerak yang mempunyai panjang masa N, yang sama dengan panjang
atau lamanya musiman.
2. Memisahkan hasil rata-rata bergerak dengan N periode pada butir 1, dari
deret data asalnya untuk dapat diperoleh trend dan siklus.

3. Memisahkan faktor atau komponen musim dengan merata-ratakannya

untuk setiap periode agar dapat membuat panjang yang tepat dari
musiman.
4. Mengidentifikasi bentuk yang tepat dari trend (linier, eksponensial,
scurve, dll) dan menghitung nilai-nilai pada periode t.
5. Memisahkan hasil yang diperoleh pada butir atau tahap kedua dari yang
keempat (nilai kombinasi trend dan siklus) untuk dapat memperoleh
faktor siklus.
6. Memisahkan faktor musiman, trend dan siklus dari deret data asal untuk
memperoleh faktor acakan yang tersisa.

Pelayanan Patologi Anatomi yang merupakan Laboratorium Khusus

adalah pelayanan diagnostik dan laboratorium terhadap jaringan dan/atau
cairan tubuh. Pelayanan ini berperan sebagai baku emas dalam penegakkan
diagnosis yang berbasis perubahan morfologi sel dan jaringan sampai
pemeriksaan imunologik dan molekuler. Patologi anatomik berperan dalam
mendeteksi kelainan jaringan tubuh dan melakukan penapisan suatu
penyakit. Peran Patologi Anatomi semakin meluas mencakup penentuan
pilihan terapi dan prediksi prognosis sejalan dengan perkembangan ilmu dan
teknologi

Di RSAB Harapan Kita sebagai RS Tersier type A khusus, Patologi

Anatomik memberikan pelayanan untuk menegakkan diagnosis dari suatu
penyakit, melalui pemeriksaan jaringan/sel yang diperoleh dari tindakan
biopsi/operasi secara makroskopik dan mikroskopik. Layanan yang diberikan
meliputi :
 1. Histopatologi: Merupakan cabang ilmu Patologi Anatomik yang melihat
perubahan jaringan secara lengkap dan berperan dalam menentukan
diagnosis melalui gambaran makroskopik dan mikroskopik dari
spesimen yang berasal dari tubuh manusia. Pulasan dalam
histopatologi adalah hematoksilin-eosin.
2. Dan dipulas dengan pulasan Papanicolaou dan/atau giemsa atau
pulasan khusus lainnya. Sitopatologi: Merupakan cabang dari ilmu
Patologi Anatomik yang berperan dalam skrining dan penegakkan
diagnosis di tingkatan sel, dengan spesimen yang berasal dari eksfoliasi
sel (pap smear, bilasan dan sikatan), hasil aspirasi dan cairan yang
diapuskan pada kaca benda

3. Histokimia: Merupakan salah satu pemrosesan laboratorium pada

layanan Patologi Anatomik yang memiliki peran membantu penegakkan
diagnosis suatu penyakit dengan cara berbagai pulasan yang berbasis
reaksi kimia dalam jaringan untuk menentukan kandungan jenis
senyawa kimia dalam sel dan jaringan. Contoh: pewarnaan Periodic
Acid Schiff untuk menilai kandungan karbohidrat dalam sel.
4. Biopsi jarum halus (BAJaH) atau Fine Needle Aspiration Biopsy (FNAB):
Melakukan tindakan skrining dan diagnostik dengan cara melakukan
aspirasi menggunakan jarum halus untuk organ permukaan.

2.7. TABEL PEMBAHASAN

Tabel 1. JUMLAH PASIEN KUNJUNGAN KE LAB PATOLOGI

RSAB HARAPAN KITA TAHUN 2016-2018

TAHUN
NO BULAN JUMLAH
2016 2017 2018
1 JANUARI 203 168 177 548
2 FEBRUARI 149 118 130 397
3 MARET 191 170 139 500
4 APRIL 124 145 139 408
5 MEI 160 166 122 448
6 JUNI 132 102 91 325
7 JULI 130 170 168 468
8 AGUSTUS 189 163 156 508
9 SEPTEMBER 149 128 149 426
10 OKTOBER 207 177 157 541
11 NOVEMBER 144 134 149 427
12 DESEMBER 128 110 150 388
JUMLAH 1906 1751 1727 5384
 Tabel. 2 JUMLAH PASIEN KUNJUNGAN KE LAB PATOLOGI
RSAB HARAPAN KITA TAHUN 2016-2018
Rata-
Tahun Kunjungan Total 12 Nilai tengahan Indeks
rata
/Bulan aktual bulan total 12 bulan musim
bergerak
2016
Jan 203
Feb 149
Mar 191
Apr 124
Mei 160
Jun 132 1906
Jul 130 1871 1,888 157,38 0,826
Agst 189 1840 1,855 154,63 1,222
Sept 149 1819 1,829 152,46 0,977
Okt 207 1840 1,829 152,46 1,751
Nov 144 1846 1,843 153,58 0,938
Des 128 1852 1,849 154,08 0,831
2017
Jan 168 1822 1,837 153,08 1,098
Feb 118 1796 1,809 150,75 0,783
Mar 170 1775 1,785 148,79 1,143
Apr 145 1685 1,73 144,17 1,006
Mei 166 1675 1,68 140 1,186
Jun 102 1657 1,666 138,83 0,735
Jul 170 1751 1,704 142 1,197
Agst 163 1760 1,755 146,29 1,114
Sept 128 1772 1,766 147,17 0,87
Okt 177 1741 1,756 146,38 1,209
Nov 134 1735 1,738 144,83 0,925
Des 110 1691 1,713 142,75 0,771
2018
Jan 177 1680 1,685 140,46 1,26
Feb 130 1678 1,679 139,92 0,929
Mar 139 1671 1,674 139,54 0,996
Apr 139 1692 1,681 140,12 0,992
Mei 122 1672 1,682 140,17 0,87
Jun 91 1687 1,679 139,96 0,65
Jul 168 1727 1,707 142,25 1,181
Agst 156
Sept 149
Okt 157
Nov 149
Des 150
JUMLAH 5384 45641 43,819 3652,05 25,46

Kita tentukan pola musim adalah 12 bulanan.

Selanjutnya hitung rata-rata bergerak 12 bulanan, seperti terlihat pada tabel 2,
Kolom ke 3 dihitung dengan cara:

Nilai Tengah total bergerak 12 bulan pada bulan Juni 2016 = Total bergerak 12
bulan selama th.2016 + Total bergerak 12 bulan Februari 2016 s/d Januari 2017
dibagi 2.

Nilai Tengah total bergerak 12 bulan pada bulan Juni 2016 = (1906 + 1760) : 2 =
1833

TABEL 3. PERHITUNGAN INDEKS MUSIMAN RATA-RATA

TAHUN INDEKS
BULAN RATA-RATA
2016 2017 2018 MUSIMAN
JANUARI - 1,098 1,26 1,179 1,160
FEBRUARI - 0,783 0,929 0,856 0,842
MARET - 1,143 0,996 1,07 1,053
APRIL - 1,006 0,992 0,999 0,983
MEI - 1,186 0,87 1,028 1,012
JUNI - 0,735 0,65 0,693 0,682
JULI 0,826 1,197 1,181 1,068 1,051
AGUSTUS 1,222 1,114 - 1,168 1,149
SEPTEMBER 0,977 0,87 - 0,9235 0,909
OKTOBER 1,751 1,209 - 1,48 1,456
NOVEMBER 0,938 0,925 - 0,9315 0,917
DESEMBER 0,831 0,771 - 0,801 0,788
JUMLAH 12,197 12,002

Faktor penyesuaian 0,984

Index musiman januari 1,160

Mengingat angka indeks musiman juga mengandung unsur acak (random),

maka untuk itu indeks musiman juga diambil rata-ratanya.

TABEL 4. PERHITUNGAN FAKTOR TREND

 RATA-RATA FAKTOR
TAHUN/ KUNJUNGAN
BERGERAK X XY X² TREND
BULAN AKTUAL
(Y) (Y)
2016
JANUARI 203
FEBRUARI 149
MARET 191
APRIL 124
MEI 160
JUNI 132
JULI 130 157,38 -12 -1,8886 144 134,954
AGUSTUS 189 154,63 -11 -1,7009 121 135,862
SEPTEMBER 149 152,46 -10 -1.524,60 100 136,77
OKTOBER 207 152,46 -9 -1,3721 81 137,678
NOVEMBER 144 153,58 -8 -1,2197 64 138,586
DESEMBER 128 154,08 -7 -1,0786 49 139,494
2017
JANUARI 168 158,08 -6 -918,48 36 140,402
FEBRUARI 118 150,75 -5 -753,75 25 141,31
MARET 170 148,79 -4 -595,16 16 142,218
APRIL 145 144,17 -3 -432,51 9 143,126
MEI 166 140 -2 -280 4 144,034
JUNI 102 138,83 -1 -138,83 1 144,942
JULI 170 142 0 0 0 145,85
AGUSTUS 163 146,29 1 146,29 1 146,758
SEPTEMBER 128 147,17 2 294,34 4 147,666
OKTOBER 177 146,38 3 439,14 9 148,574
NOVEMBER 134 144,83 4 579,32 16 149,482
DESEMBER 110 142,75 5 713,75 25 150,39
2018
JANUARI 177 140,46 6 842,76 36 151,298
FEBRUARI 130 139,92 7 979,44 49 152,206
MARET 139 139,54 8 1,116,3 64 153,114
APRIL 139 140,12 9 1,261,1 81 154,022
MEI 122 140,17 10 1,401,7 100 154,93
JUNI 91 139,96 11 1,539,56 121 155,838
JULI 168 142,25 12 1,707 144 156,746
AGUSTUS 156
SEPTEMBER 149
OKTOBER 157
NOVEMBER 149
DESEMBER 150
JUMLAH 5384 3657,05 -12,5 -653,84 1300 3646,25

Indeks musiman penyesuaian bulanan = Faktor penyesuaian x rata-rata

indeks musiman tiap bulan.
 Faktor penyesuaian = 12,002 : 12,197 = 0,984

Indeks musiman bulan Januari = 1,179 x 0,984 = 1,160 dst.

Langkah berikutnya adalah menghitung faktor trend.

Yaitu dengan perhitungan persamaan regresi linier sederhana untuk data rata-
rata bergerak pada kolom 4 tabel 2

Sebelumnya hitung dahulu parameter a dan b dengan rumus yang sudah ada.

Kemudian hitung nilai Y (faktor trend) untuk masing-masing bulan dan tahun
serta buat garis regresinya.

Pada tabel di bawah kita hitung faktor a dan b, dengan rumus:

(ΣX²)(ΣY) – (ΣX)(ΣXY) (1300)(3657,05) – (-12,5)(653,84)

a = = =

nΣX² - (ΣX)² (25x1300) – (-12,5)²

4754165 + 8173

= = 145,85

32500 + 152,5

n XY - (ΣX)(ΣY) (25 x -653,84) – (-12,5)(3657,05)

b = = =

n X2 - (ΣX)2 (25x1300) – (-12,5)²

16346 + 45713,1
= = 0,908
32500 + 152,5

Menghitung factor trend bulan Juli (2016)

Y = a + bX = 145,85 + (0,908)(-12,5)
Y = 145,85 – 11,35 = 134,954
Y Agustus (2016) = 145,85 + (0,908)(-11) = 145,85 – 9,988 = 135,862 dst
Jika diperkirakan tidak ada faktor siklus, karena mungkin kesulitan dalam
mengidentifikasinya maka peramalan bisa didasarkan pada faktor musim dan
trend saja.

TABEL.5 PERHITUNGAN RATA-RATA FAKTOR SIKLUS

TAHUN
BULAN
2016 2017 2018
JANUARI 0,917 1,077
FEBRUARI 0,937 1,088
MARET 0,956 1,097
APRIL 0,993 1,099
MEI 1,029 1,105
JUNI 1,044 1,113
JULI 0,858 1,027 1,102
AGUSTUS 0,879 1,003
SEPTEMBER 0,897 1,003
OKTOBER 0,903 1,015
NOVEMBER 0,006 1,032
DESEMBER 0,005 1,054
TOTAL 3,547 12,010 7,682

Dari tabel diatas didapatkan faktor siklus untuk tahun-tahun

rendah adalah 3,547 dan tahun-tahun tertinggi adalah 12,010.

TABEL 6. PERHITUNGAN NILAI RAMALAN TANPA INDEKS SIKLUS

TAHUN / KUNJUNGAN FAKTOR INDEKS NILAI
BULAN AKTUAL TREND MUSIMAN RAMALAN
2016
JANUARI 203
FEBRUARI 149
MARET 191
APRIL 124
MEI 160
JUNI 132
JULI 130 134,954 1,051 141,837
AGUSTUS 189 135,862 1,149 156,105
SEPTEMBER 149 136,77 0,909 124,324
OKTOBER 207 137,678 1,456 200,459
NOVEMBER 144 138,586 0,917 127,083
DESEMBER 128 139,494 0,788 109,921
2017
JANUARI 168 140,402 1,160 162,866
FEBRUARI 118 141,31 0,842 118,983
MARET 170 142,218 1,053 149,756
APRIL 145 143,126 0,983 140,693
MEI 166 144,034 1,012 145,762
JUNI 102 144,942 0,682 98,850
JULI 170 145,85 1,051 153,288
AGUSTUS 163 146,758 1,149 168,625
SEPTEMBER 128 147,666 0,909 134,228
OKTOBER 177 148,574 1,456 216,324
NOVEMBER 134 149,482 0,917 137,075
DESEMBER 110 150,39 0,788 118,507
2018
JANUARI 177 151,298 1,160 175,506
FEBRUARI 130 152,206 0,842 128,157
MARET 139 153,114 1,053 161,229
APRIL 139 154,022 0,983 151,404
MEI 122 154,93 1,012 156,789
JUNI 91 155,838 0,682 106,282
JULI 168 156,746 1,051 164,740
AGUSTUS 156 1,149
SEPTEMBER 149 0,909
OKTOBER 157 1,456
NOVEMBER 149 0,917
DESEMBER 150 0,788
JUMLAH 5384 3646,25 30,274 3648,795
Namun bila faktor siklus diperkirakan ada maka perlu dihitung faktor
siklusnya.

Setelah faktor siklus diperoleh untuk setiap bulan dan tahunnya, maka
selanjutnya hitung kembali faktor siklus rata-rata tiap tahunnya.

Faktor siklus bulan Juli (2016) = 134,954 : 157,38 = 0,858

Faktor siklus bulan Agustus (2016) = 135,862 : 154,63 = 0,879 dst

TABEL 7. PERHITUNGAN NILAI RAMALAN TANPA INDEKS SIKLUS

TAHUN / KUNJUNGAN FAKTOR INDEKS

NILAI RAMALAN
BULAN AKTUAL TREND MUSIMAN
2016
JANUARI 203
FEBRUARI 149
MARET 191
APRIL 124
MEI 160
JUNI 132
JULI 130 134,954 1,051 141,837
AGUSTUS 189 135,862 1,149 156,105
SEPTEMBER 149 136,77 0,909 124,324
OKTOBER 207 137,678 1,456 200,459
NOVEMBER 144 138,586 0,917 127,083
DESEMBER 128 139,494 0,788 109,921
2017
JANUARI 168 140,402 1,160 162,866
FEBRUARI 118 141,31 0,842 118,983
MARET 170 142,218 1,053 149,756
APRIL 145 143,126 0,983 140,693
MEI 166 144,034 1,012 145,762
JUNI 102 144,942 0,682 98,850
JULI 170 145,85 1,051 153,288
AGUSTUS 163 146,758 1,149 168,625
SEPTEMBER 128 147,666 0,909 134,228
OKTOBER 177 148,574 1,456 216,324
NOVEMBER 134 149,482 0,917 137,075
DESEMBER 110 150,39 0,788 118,507
2018
JANUARI 177 151,298 1,160 175,506
FEBRUARI 130 152,206 0,842 128,157
MARET 139 153,114 1,053 161,229
APRIL 139 154,022 0,983 151,404
MEI 122 154,93 1,012 156,789
JUNI 91 155,838 0,682 106,282
 JULI 168 156,746 1,051 164,740
AGUSTUS 156 1,149
SEPTEMBER 149 0,909
OKTOBER 157 1,456
NOVEMBER 149 0,917
DESEMBER 150 0,788
JUMLAH 5384 3646,25 30,274 3648,794694

Nilai ramalan kunjungan di poli patologi pada tahun 2017 hingga 2018 mulai ada
kenaikan meskipun nilai yang ditunjukan tidak mengalami kenaikan yang
signifikan.

BAB III

PENUTUP
3.1. Kesimpulan
Statistik menurut UU RI No.16 tahun 1997 pasal 1 ayat 1 adalah data yang
diperoleh dengan cara pengumpulan, pengelolaan, penyajian dan analisis
serta sebagai sistem yang mengatur ketertarikan antar unsur dalam
penyelenggaraan statistik. Sehingga statistik rumah sakit adalah statistik
yang datanya diperoleh dari hasil kegiatan pelayanan kesehatan yang
kemudian diolah dan disajikan sebagai informasi dan fakta untuk
perencanaan perkembangan rumah sakit.

Dari data diatas didapatkan :

1. Kunjungan pasien perbulan mengalami naik turun dari tahun 2016 – 2018.

2. Kunjungan tertinggi di tahun 2016 dengan jumlah kunjungan sebanyak

1906 pasien.
3. Trend kunjungan pasien mengalami kenaikan dari tahun 2016 sampai 2018
4. Nilai ramalan di tahun 2018 hingga 2019 awal masih mengalami kenaikan
dan penurunan kunjungan yang bersifat fluktuatif.

3.2. Saran
Pelayanan penunjang dalam hal ini laboratorium Patologi Anatomik juga
perlu diolah dan disajikan sebagai informasi dan fakta untuk perencanaan
perkembangan rumah sakit tersebut dimana manfaatnya dapat dipakai
sebagai acuan untuk pengadaan sarana, prasarana, peralatan, sumber daya
manusia, baik teknisi maupun spesialis patologi anatomik yang kompeten,
guna mempersiapkan pelayanan Patologi Anatomik yang berkualitas.