Nomer Soal:
Disusun Oleh:
RIFA GANDI LESMANA
NIM : 12/333698/TK/40041
Nomer Soal:
Disusun Oleh:
RIFA GANDI LESMANA
NIM : 12/333698/TK/40041
i
PENGESAHAN
Disusun oleh:
Nama : Rifa Gandi Lesmana
NIM: : 12/333698/TK/40041
ii
PERNYATAAN
Dengan ini saya menyatakan dengan sesungguhnya bahwa tugas akhir ini
adalah hasil karya saya dan tidak terdapat karya yang pernah diajukan untuk
mendapatkan gelar kesarjanaan di suatu Perguruan Tinggi dan menurut
pengetahuan saya juga tidak terdapat karya atau pendapat yang pernah ditulis atau
diterbitkan oleh orang lain, kecuali secara tertulis diacu dalam naskah ini dan
disebutkan dalam daftar pustaka.
Yogyakarta,
iii
PERNYATAAN
iv
HALAMAN PERSEMBAHAN
Rasa syukur kepada Tuhan Yang Maha Esa, skripsi ini saya persembahkan kepada-Mu,
kebanggaan sebagai seorang anak, Mamah
Kewajiban sebagai kakak kepada seorang adik, Ryan Riyadi, dan kakak tertua dari seluruh
keluarga mamah, serta sebagai Program Percepatan Skripsi, Yunengsih
----------------------------------------------------------------------------
v
KATA PENGANTAR
Penulis
vi
UCAPAN TERIMAKASIH
Puji syukur kehadirat Allah SWT atas berkah, rahmat dan karunia-Nya lah
penulis dapat menyelesaikan tugas akhir ini dengan baik. Penyusunan tugas akhir
ini tidak terlepas dari bantuan, bimbingan, dan dorongan dari berbagai pihak. Oleh
karena itu, penulis ingin mengucapkan terima kasih kepada:
1. Allah SWT yang selalu memberikan petunjuk kepada hamba serta menjadi
tempat bersandar.
2. Keluarga penulis, Ibu Juriyah dan Ryan Riyadi sebagai adik yang selalu
memberi semangat, menemani dan menjadi sumber motivasi utama bagi
penulis.
3. Bapak Herliansyah selaku dosen pembimbing skripsi yang telah
membimbing penulis hingga penulis dapat menyelesaikan tugas akhir ini.
4. Bapak I.G. Bagus Budi Dharma selaku dosen pembimbing akademik yang
telah membimbing penulis selama jenjang perkuliahan ini.
5. Psyco-Pass: Wahyu Indrawan yang telah menjadi teman sehidup semati
yang telah membantu kehidupan penulis baik dari awal perkuliahan hingga
penelitian.
6. Fairy Tail: Teman dan Sahabat pertama di masa perkuliahan, partner in
crime dalam game, jangan lupakan sahabat mu ini yah kawan.
7. Bakuman: NengsihAyu yang telah memberikan dorongan semangat disaat
sulit mencari tempat penelitian dan yang telah menjerumuskan penulis ke
tempat yang sulit tapi pergi entah kemana. Haha
8. Guilty Crown: Risang Dwi Nugroho yang telah menjadi partner hidup
dalam tujuan yang sama “Program Percepatan Skripsi”, Wish you all the
best brother.
9. Working: Wahyu, Aji, Sendy, Cessa dan idagamaers yang lain yang sudah
pernah mengisi hari-hari selama hidup di kota Yogyakarta, “Kenangan
bersama kalian saat acara idagama weeks akan jadi jadi kenangan paling
hebat dalam hidup”.
vii
10. Plastic Memories: Aji, Sendy, Evi, Cessa, Ayu yang sudah pernah menjadi
partner tergila dalam perjalanan Road to Lumajang, sahabat-sahabat nekat
yang punya duit dikit dan nge camp tanpa tenda diatas 2900 mdpl, Good
Job.
11. Semua yang telah membantu, mendukung, menyayangi, dan menyemangati
penulis selama ini yang namanya tidak mampu penulis sebut satu persatu.
Penulis
viii
DAFTAR ISI
LEMBAR PENGESAHAN ii
HALAMAN PERNYATAAN iii
NASKAH SOAL TUGAS AKHIR iv
HALAMAN PERSEMBAHAN v
KATA PENGANTAR vi
UCAPAN TERIMAKASIH vii
DAFTAR ISI ix
DAFTAR GAMBAR xii
DAFTAR TABEL xiv
DAFTAR LAMPIRAN xvi
DAFTAR NOTASI DAN SINGKATAN xix
INTISARI xxii
ABSTRACT xxiii
BAB I PENDAHULUAN 1
1.1. Latar Belakang 1
1.2. Rumusan Masalah 4
1.3. Asumsi dan Batasan Masalah 4
1.4. Tujuan Penetlitian 5
1.5. Manfaat Penelitian 5
ix
BAB IV METODE PENELITIAN 32
4.1. Objek dan Lokasi Penelitian 32
4.2. Pengumpulan Data 32
4.3. Alat Penelitian 33
4.4. Prosedur Penelitian 34
x
5.6.1. Alternatif 1 pasien yang membawa berkas 76
5.6.2. Alternatif 2 pola pemanggilan pasien dengan 2 orang 78
5.6.3. Alternatif 3 specific job untuk suster 79
5.6.4. Alternatif 4 komputerisasi bagian pelayanan 79
5.6.5. Alternatif 5 kombinasi alternatif 1 dan alternatif 4 82
5.6.6. Alternatif 6 semua alternatif terbaik di kombinasikan dengan
alternatif 2 83
5.7. Analisis Hasil Alternatif 83
5.7.1. Analisis alternatif 6B 84
5.7.2. Analisis alternatif 6A 87
5.7.3. Analisis alternatif 5A 91
5.7.4. Analisis alternatif 6D 94
5.7.5. Analisis alternatif 6C 97
5.7.6. Analisis alternatif 3A 100
LAMPIRAN 108
xi
DAFTAR GAMBAR
xii
Gambar 5.16. Future State Value Stream Mapping Alternatif 6C 100
Gambar 5.17. Perbandingan Hasil Simulasi Real System Dan Model
Alternatif 3A 101
Gambar 5.18. Future State Value Stream Mapping Alternatif 3A 102
xiii
DAFTAR TABEL
xiv
Dan Model 67
Tabel 5.22. Uji Normalitas Waktu Tunggu Pasien Dokter Sistem Nyata
Dan Model 68
Tabel 5.23. Homogenity Test Pasien Selesai Sistem Model dan Nyata 68
Tabel 5.24. Uji Mann whitney Jumlah Pasien Yang Keluar Dari Sistem 69
Tabel 5.25. Hasil Uji One way ANOVA Untuk Waktu Tunggu Pasien
Triage 70
Tabel 5.26. Hasil Uji T-test Untuk Waktu Tunggu Pasien Triage 70
Tabel 5.27. Hasil Uji One way ANOVA Untuk Waktu Tunggu Pasien
Dokter 71
Tabel 5.28. Hasil Uji T-test Untuk Waktu Tunggu Pasien Dokter 71
Tabel 5.29. Report entity summary (Avg. Reps) sistem aktual 72
Tabel 5.30. Report location summary (Avg. Reps) 72
Tabel 5.31. Value Added Sistem Poliklinik 74
Tabel 5.32. Non value Added Sistem Poliklinik 75
Tabel 5.33. Necessary but Non value Added Sistem Poliklinik 75
Tabel 5.34. Analisis SWOT Penerapan SIK Oleh Kementerian Kesehatan 81
Tabel 5.35. Perbandingan Current VSM Dan Alternatif 6B 86
Tabel 5.36. Perbandingan Current VSM Dan Alternatif 6A 90
Tabel 5.37. Perbandingan Current VSM Dan Alternatif 5A 93
Tabel 5.38. Perbandingan Current VSM Dan Alternatif 6D 96
Tabel 5.39. Perbandingan Current VSM Dan Alternatif 6C 99
Tabel 5.40. Perbandingan Current VSM Dan Alternatif 3A 101
xv
DAFTAR GAMBAR
xvi
Lampiran 26. Observasi data waktu pemeriksaan dokter Server 1 Gastro 158
Lampiran 27. Observasi data waktu pemeriksaan dokter Server 2 Hemato 159
Lampiran 28. Observasi data waktu pemeriksaan dokter Server 3
Rematokologi 160
Lampiran 30. Observasi data waktu pemeriksaan dokter Server 4 Endokrin 161
Lampiran 31. Observasi data waktu pemeriksaan dokter Server 5 Nemato 162
Lampiran 32.Uji normalitas waktu pelayanan dokter server 1 163
Lampiran 33. Uji normalitas waktu pelayanan dokter server 2 164
Lampiran 34. Uji normalitas waktu pelayanan dokter server 3 165
Lampiran 35. Uji pelayanan waktu pelayanan dokter server 4 166
Lampiran 36. Uji pelayanan waktu pelayanan dokter server 5 167
Lampiran 37. Uji kruskal wallis waktu pelayanan dokter 168
Lampiran 38. Uji goodness of fit waktu pemeriksaan dokter 169
Lampiran 39. Observasi data waktu transport pasien dokter 170
Lampiran 40. Uji normalitas waktu transport pasien dokter 171
Lampiran 41. Uji goodness of fit transport pasien dokter 172
Lampiran 42. Validasi data jumlah pasien selesai sistem nyata dan model 173
Lampiran 43. Uji normalitas validasi jumlah pasien sistem nyata dan
Model 175
Lampiran 44. Validasi Uji mann whitney jumlah pasien selesai sistem
nyata dan model 177
Lampiran 45. Validasi data waktu tunggu pasien triage sistem nyata dan
Model 178
Lampiran 46. Uji normalitas validasi waktu tunggu pasien triage 179
Lampiran 47. Validasi Uji one way ANOVA waktu tunggu pasien triage 180
Lampiran 48. Validasi uji t-test waktu tunggu pasien triage 181
Lampiran 49. Validasi data waktu tunggu pasien dokter sistem nyata dan
Model 182
Lampiran 50. Uji normalitas validasi waktu tunggu pasien dokter 183
Lampiran 51. Validasi Uji one way ANOVA waktu tunggu pasien triage 184
Lampiran 52. Validasi Uji t-test waktu tunggu pasien triage 185
xvii
Lampiran 53. Perbandingan alternatif hasil simulasi 186
Lampiran 54. Perbandingan hasil real system dengan model alternatif 188
Lampiran 55. Perbandingan waktu tunggu pasien dokter 4B, 4C dan 5A 190
Lampiran 56. Perbandingan hasil real system dengan model alternatif 3A 191
Lampiran 57. Pencapaian tingkat kepuasan pelanggan per satuan kerja
RSUP Dr. Sardjito Yogyakarta tahun 2015 192
Lampiran 58. Waktu tunggu pendaftaran rumah sakit regional DIY 193
Lampiran 59. Waktu tunggu pemeriksaan rumah sakit regional DIY 194
Lampiran 60. Test Homogenity Variance Validasi Pasien Selesai 195
xviii
DAFTAR NOTASI DAN SINGKATAN
xix
Ls = Ekspektasi panjang sistem
LCFS = Last Come First Served
LIFO = Last In First Out
M = Poisson (Markovian) untuk distribusi kedatangan atau waktu
Pelayanan
Menkes = Menteri Kesehatan
n = Jumlah pasien yang mengantri pada waktu t
NNVA = Neccessary but Non Value Added
NVA = Non Value Added
Oi = frekuensi observasi ke-i
P0 = Peluang semua teller menganggur atau tidak ada pasien dalam
sistem
Pn = Peluang pasien yang datang harus menunggu
PDB = Produk Domestik Bruto
PS = Priority Service
RPIW = The Rapid Process Improvement Workshop
RSUP = Rumah Sakit Umum Pusat
SIRO = Service In Random Order
TPS = Toyota production System
TQM = Total quality Management
UU = Undang-Undang
VA = Value Added
VSM = Value Stream Mapping
W = Ekspektasi waktu menunggu dalam antrian
WIP = Work In Process
Ws = Ekspektasi waktu menunggu dalam sistem
x = xi (nilai tengah)
Xn = Jumlah Skenario dalam penelitian
λ = Tingkat kedatangan
μ = Tingkat pelayanan
𝜌 = Tingkat kesibukan sistem
xx
𝛽 = rata-rata yang didekati dengan e = 2,71828
𝜒2 = Chi square
xxi
INTISARI
Rumah Sakit Umum Pusat (RSUP) Dr. Sardjito merupakan salah satu
rumah sakit pemerintah yang terletak di Kota Yogyakarta. Secara kumulatif,
pencapaian tingkat kepuasan pasien pada Tahun 2015 adalah 81,09% sedangkan
target pencapaian kepuasan pasien untuk Tahun 2015 adalah 85% sehingga dapat
ditarik kesimpulan bahwa RSUP Dr. Sardjito masih belum mampu mencapai
target yang ditetapkan. Lebih lanjut, tingkat kepuasan pasien terhadap pelayanan
Instalasi Rawat Jalan (IRJ) RSUP Dr. Sardjito masih belum dapat memenuhi
Keputusan Menteri Kesehatan (KEPMENKES) Nomor.
129/MENKES/SK/II/2008 dimana minimal tingkat kepuasan pasien untuk IRJ
adalah 90%, sedangkan tingkat kepuasan pasien untuk pelayanan IRJ RSUP Dr.
Sardjito hanya 81,30%, sehingga perlu adanya perbaikan. Perbaikan di fokuskan
pada bagian Poliklinik Penyakit Dalam IRJ RSUP Dr. Sardjito karena memiliki
persentase jumlah pasien terbanyak dalam 1 pendaftaran yang sama. Metode lean
digunakan untuk melakukan perbaikan dengan sebisa mungkin menghilangkan
atau mengurangi Non Value Added (NVA) dan Necessary but Non Value Added
(NNVA) untuk menurunkan total waktu tunggu pasien di dalam sistem.
Penelitian ini menerapkan pemodelan dan simulasi sistem untuk melihat
perubahan dari setiap alternatif yang dihasilkan berdasarkan tool yang digunakan
yaitu Value Stream Mapping (VSM) dan konsep lean healthcare. VSM dan lean
healthcare digunakan untuk mengidentifikasi Value Added (VA), NVA dan
NNVA serta waste yang terdapat di dalam sistem. VSM dan lean healthcare akan
menghasilkan berbagai alternatif yang mungkin dan dapat dikombinasikan untuk
setiap main scenario.VSM juga dapat menggambarkan lead time dan total VA
yang ada di dalam sistem melalui pemetaan VA. Konsep alternatif yang
didapatkan, kemudian di buatkan model dan disimulasikan untuk mendapatkan
hasil parameter waktu tunggu pasien di dalam sistem. Parameter waktu tunggu
pasien akan dijadikan parameter pembanding untuk menentukan alternatif terbaik
yang dapat diaplikasikan berdasarkan analisis hasil dan pembahasan setiap
alternatif.
Berdasarkan analisis VSM dan lean healthcare yang telah dibuat,
didapatkan 3 permasalahan NVA dan 3 permasalahan NNVA. Kemudian dibuat
alternatif yang mungkin dapat menghilangkan atau mengurangi 6 hal terkait yang
telah berhasil diidentifikasi. Alternatif perbaikan terbaik adalah alternatif 6B
yakni dengan melibatkan pasien dalam membawa berkas ke bagian triage,
penambahan fasilitas komputerisasi di bagian dokter dan pola pemanggilan pasien
di setiap pelayanan triage dan ruangan dokter. alternatif 6B tersebut menghasilkan
penurunan total waktu tunggu pasien sebanyak 73,16% dengan total waktu tunggu
pasien untuk current state VSM 4,822 jam dan future state VSM 1,294 jam.
xxii
ABSTRACT
Rumah Sakit Umum Pusat (RSUP) Dr. Sardjito is one of the government
hospital located in the city of Yogyakarta. Cumulatively, the achievement level of
patient satisfaction in 2015 was 81.09% while the target of achieving patient
satisfaction for 2015 was 85%, so it can be deduced that RSUP Dr. Sardjito still not
able to achieve the set target. Furthermore, the level of patient satisfaction with the
services of Instalasi Rawat Jalan (IRJ) RSUP Dr. Sardjito still can not meet
Keputusan Menteri Kesehatan (KEPMENKES) Number.
129/MENKES/SK/II/2008 with a minimum level of patient satisfaction for IRJ is
90%, while the level of patient satisfaction for service IRJ Hospital Dr. Sardjito
only 81.30%, so the improvement of system is needed. Improvements in focus at
the Penyakit Dalam Polyclinic IRJ RSUP Dr. Sardjito because it has the highest
percentage of patients for the same registration. Lean methods used to make
improvements as much as possible by eliminating or reducing the Non Value Added
(NVA) and Necessary but Non Value Added (NNVA) to reduce total patient
waiting time in the system.
This research applies modeling and simulation system to see the change of
each alternative generated based on tools used are Value Stream Mapping (VSM)
and the concept of lean healthcare. VSM and Lean healthcare is used to identify the
Value Added (VA), NVA and NNVA and waste contained in the system. VSM and
lean healthcare will produce a variety of alternatives are possible and can be
combined to every main scenario.VSM can also describe lead time and total VA in
the system by mapping VA. The concept of an alternative is found, then Make a
simulated models and to get the patient waiting time parameters in the system.
Parameter patient waiting time will be used as a comparison parameter to determine
the best alternative that can be applied based on the analysis of results and
discussion of each alternative.
Based on analysis of VSM and lean healthcare that have been made,
obtained three issues NVA and 3 NNVA problems. Then created an alternative that
may eliminate or reduce the 6 related issues that have been identified. The best
alternative is alternative 6B which is to involve the patient in bringing the file to the
triage, the addition of computerized facilities at the doctor and the calling patterns
of patients in each triage services and doctor's office. Alternative 6B resulted in a
reduction in total patient waiting time as much as 73.16% with total patient waiting
time for 4.822 hours VSM current state and future state VSM for 1,294 hours.
xxiii
BAB I
PENDAHULUAN
1
2
memenuhi standar pelayanan minimal rumah sakit yang ditetapkan oleh Menteri
Kesehatan Republik Indonesia berdasarkan Keputusan Menteri Kesehatan
(KEPMENKES) Nomor. 129/MENKES/SK/II/2008 dimana standar kepuasan
pelanggan yang ditetapkan untuk rawat jalan adalah lebih dari 90% sedangkan
kepuasan pelanggan berdasarkan data pencapaian tingkat kepuasan pelanggan per
satuan kerja RSUP Dr. Sardjito Yogyakarta tahun 2015 untuk rawat jalan adalah
81.30%.
Selain itu berdasarkan data pencapaian tingkat kepuasan pelanggan kumulatif
RSUP Dr. Sardjito Yogyakarta tahun 2015 terjadi pola penurunan kepuasan
pelanggan terutama pada bulan Desember 2015. Hal ini bertentangan dengan UU
Nomor 44 tahun 2009 yang betujuan meningkatkan mutu pelayanan yang lebih baik
juga dengan standar pelayanan minimal rumah sakit berdasarkan KEPMENKES,
maka perlu dilakukan upaya peningkatan performa pelayanan untuk meningkatkan
kepuasan pelanggan untuk memenuhi standar pelayanan minimal rumah sakit yang
ditetapkan menteri kesehatan.
Salah satu pendekatan yang dapat digunakan untuk meningkatkan performa
pelayanan pada area medis adalah pendekatan lean healthcare. Ohno (1998)
mendefinisikan lean sebagai sebuah kegiatan menghilangkan sumber daya seperti
pengeluaran biaya ataupun waktu tambahan tetapi tidak menambahkan nilai apapun
dalam kegiatan tersebut. Kegiatan menghilangkan waste (muda) merupakan prinsip
dasar dalam lean manufacturing yang kemudian diadaptasikan ke dalam dunia
kesehatan. Salah satu dari tujuh kategori waste yang disebutkan dalam bukunya
adalah menunggu (waste of waiting) yang mana hal ini berkaitan erat dengan istilan
antrian.
Salah satu indikator yang menjadi perhatian utama dalam mutu pelayanan
rumah sakit adalah waktu tunggu pasien (Gill, 2012). Gill (2012) memaparkan
bahwa mengurangi waktu tunggu dapat meningkatkan kepuasan pasien. Pasien
lebih memilih pelayanan rumah sakit dengan tingkat pelayanan yang tinggi, oleh
karena itu pelayanan yang memiliki waktu tunggu yang lebih lama cenderung
dihindari (Haron, 2015). Hal ini dikarenakan waktu tunggu yang lebih lama
mengakibatkan banyak kerugian yang dialami oleh pasien baik dari segi waktu,
3
kondisi kesehatan dan biaya. Silva (2013) lebih lanjut memaparkan dampak dari
waktu tunggu yang terlalu lama dapat meningkatkan resiko kesakitan pasien dan
menimbulkan socio-sconomic cost.
KEPMENKES Nomor. 129/MenKes/SK/II/2008 menetapkan dalam
peraturannya bahwa waktu tunggu pendaftaran untuk rawat jalan dengan waktu
tunggu pemeriksaan rawat jalan adalah maksimal 60 menit namun berdasarkan
laporan hasil kajian indeks mutu pelayanan fasilitas kesehatan divisi regional VI
Yogyakarta tahun 2015 menyebutkan bahwa dalam penerapannya rumah sakit di
yogyakarta lebih dari 10% pasien menunggu lebih dari 30 menit di pendaftaran dan
40% pasien menunggu lebih dari 30 menit di bagian pemeriksaan. Hal ini
menunjukan bahwa sistem antrian rumah sakit di regional Daerah Istimewa
Yogyakarta (DIY) yang ada saat ini masih belum bisa memenuhi standar yang
ditetapkan oleh peraturan menteri kesehatan sesuai dengan KEPMENKES Nomor.
129/MenKes/SK/II/2008. Lebih lanjut lagi, berdasarkan hasil simulasi sistem nyata
di dalam sistem Poliklinik Penyakit Dalam Instalasi Rawat Jalan (IRJ) juga
membuktikan bahwa 93,23% dari total waktu pasien di dalam sistem dialokasikan
waktunya untuk waktu tunggu pelayanan yakni sekitar 4,82 jam. Pemilihan
Poliklinik Penyakit Dalam berdasarkan jumlah pasien terbanyak ada dalam sistem
Poliklinik Penyakit Dalam dengan 1 pendaftaran yang sama.
Antrian adalah salah satu pekerjaan menunggu yang dialami oleh setiap
orang, sehingga semua proses pekerjaan memerlukan kecepatan di semua bidang
baik di bidang jasa maupun manufaktur. Aktivitas tersebut tidak lepas dari
permasalahan antrian yang terjadi disetiap area rumah sakit yang mana sebagai
salah satu lembaga yang bergerak di sektor jasa. Oleh karena itu diperlukan suatu
strategi yang mampu membuat sistem antrian menjadi lebih baik. Saat ini, banyak
penelitian yang bergerak di bidang kesehatan melakukan berbagai cara untuk
meningkatkan performa pelayanan khususnya pada antrian yang salah satunya
adalah menerapkan lean healthcare ke dalam sistem pelayanan.
Cara berfikir secara lean adalah mencoba untuk menghilangkan atau
menurunkan waste dengan menghilangkan aktivitas Non Value Added (NVA) dan
menurunkan sebanyak mungkin kemungkinan-kemungkinan munculnya NVA.
4
6
7
Failure Mode and Effect Analysis adalah salah satu metode analisa
failure/potensi kegagalan yang diterapkan dalam pengembangan produk,
system engineering dan manajemen operasional. Metode ini erat kaitannya
dengan pendekatan metode lean six sigma. Peneliti yang melakukan
penelitian terkait FMEA adalah Silva (2013) yang meneliti aliran pasien di
dalam sebuah aliran organisasi medical centre. dalam penelitiannya dibahas
bagaimana FMEA memberikan hasil yang positif signifikan membantu aliran
organisasi tersebut dalam mengatasi penanganan yang tak terjadwal
(unscheduled care) terhadap bottleneck yang terjadi pada keseluruhan sistem.
Hasil yang dirasakan oleh penelitiannya terlihat pada proses dimana
jarak yang harus ditempuh oleh pasien, waktu tunggu, penyerahan formulir,
kebutuhan perawat berkurang menjadi 25%, perubahan internal ruangan
klinik dengan perancangan ulang menghilangkan adanya penyumbatan
(blocking) dari 55% menjadi 22%, pasien yang terlayani semakin bertambah
dari 65% terlayani menjadi 86% terlayani dan jumlah pasien yang ditolak
semakin berkurang akibat kurangnya alokasi tempat tidur dari 216 penolakan
menjadi 42 penolakan,.
Value Stream Mapping (VSM) adalah tool grafik dalam lean
manufacturing yang membantu melihat flow material dan informasi saat
produk berjalan melalui keseluruhan bisnis proses yang menciptakan value
mulai dari raw material sampai diantar ke customer. Dengan demikian VSM
mampu menggambarkan aliran produk dan mengidentifikasi waste. Dalam
hal ini VSM berkembang menjadi sebuah tool lean dalam healthcare
sehingga produknya bukan lagi sebuah barang tetapi manusia yang menjadi
objek penelitian. Peneliti yang melakukan penelitian menggunakan tool VSM
adalah penelitian Gill (2012) terkait healthcare industry yang salah satu tool-
nya menggunakan Value Stream Mapping dan Haron (2015).
Penelitian Gill (2012) mengungkapkan bahwa VSM sangat sukses
diterapkan pada sebuah emergency room walaupun banyak sekali tantangan
yang muncul dalam menyempurnakan VSM yang dibuat. Tantangan yang
muncul menurut penelitiannya terbagi menjadi 2 yakni intrinsik dan
9
Tabel 2.1. Peta Penelitian antara Penelitian Sebelumnya dengan Penelitian yang akan Dilakukan
FMEA
Sigma
VSM
Lean
RSUP RSUP
Six
Simulasi Flexsim Minitab Sakit Sakit
Dr. Sardjito Dr. Sardjito
Lain Lain
Koeling et al. (2001) √ √ √
Nelson et al (2005) √ √
Sally Mcclean (2009) √ √
Wang & Huzzard (2011) √
Preetinder Singh Gill (2012) √ √ √
Debra (2013) √ √
Dinesh T.A. Et al (2013) √ √
Xiangfei Jin (2013) √ √ √
Giel Wijgergangs (2014) √ √ √
Joe dan John (2014) √
Vijay (2014) √ √
Vladimir (2015) √ √
Siti Haizatul A.H (2015) √ √ √
Wang Jing dan Lilei (2016) √ √
Disti (2016) √ √ √ √
Penelitian ini (2016) √ √ √ √ √
BAB III
LANDASAN TEORI
12
13
dikembangkan oleh A.K. Erlang, seorang insinyur dari Denmark yang bekerja pada
perusahaan telepon di Kopenhagen pada tahun 1910. Dia mengembangkan model
antrian untuk menentukan jumlah optimal dari fasilitas telepon yang berhubungan
dengan automatic dialing equipment, yaitu peralatan penyambungan telepon secara
otomatis. Dalam waktu-waktu yang sibuk operator sangat kewalahan untuk
melayani para penelepon dengan cepat, sehingga para penelepon harus antri
menunggu giliran yang cukup lama.
Dalam kasus tersebut, Erlang memperlakukan perhitungan keterlambatan
(delay) dari seorang operator, kemudian pada tahun 1917 penelitian dilanjutkan
untuk menghitung kesibukan beberapa operator.
3.2.1. Pengertian antrian
Menurut Bronson (1982), proses antrian (queuing process) adalah suatu
proses yang berhubungan dengan kedatangan seseorang pelanggan pada suatu
fasilitas pelayanan, kemudian menunggu dalam suatu baris (antrian) jika semua
pelayannya sibuk dan akhirnya meninggalkan fasilitas tersebut. Sebuah sistem
antrian adalah suatu himpunan pelanggan, pelayan dan suatu aturan yang mengatur
kedatangan pada pelanggan dan memproses masalahnya.
3.2.2. Komponen dasar sistem antrian
Gross dan Harris (1998) mengatakan bahwa sistem antrian adalah kedatangan
pelanggan untuk mendapatkan pelayanan, menunggu untuk dilayani jika fasilitas
pelayanan (server) masih sibuk, mendapatkan pelayanan dan kemudian
meninggalkan sistem setelah dilayani. Pada umumnya, sistem antrian dapat
diklasifikasikan menjadi sistem yang berbeda-beda dimana teori antrian dan
simulasi sering diterapkan secara luas. Klasifikasi menurut Hillier dan Lieberman
(2001) adalah sistem pelayanan komersial, sistem pelayanan bisnis industri dan
sistem pelayanan transportasi.
Struktur umum dari model antrian yang memiliki dua komponen utama yaitu
garis tunggu atau sering disebut antrian (queue) dan fasilitas pelayanan (service
facility). Pelanggan atau konsumen menunggu untuk memasuki fasilitas pelayanan,
menerima pelayanan dan akhirnya keluar dari sistem pelayanan. Adapun komponen
dalam sistem antrian terdapat beberapa komponen dasar proses antrian antara lain:
14
1. Kedatangan
Setiap masalah antrian melibatkan kedatangan, misalnya manusia, mobil,
panggilan telepon untuk dilayani, dan lain-lain. Unsur ini sering dinamakan proses
input. Proses input meliputi sumber kedatangan atau biasa dinamakan calling
population dan cara terjadinya kedatangan yang umumnya merupakan variabel
acak. Karakteristik dari populasi yang akan dilayani dapat dilihat menurut
ukurannya, pola kedatangan, serta perilaku dari populasi yang akan dilayani.
Menurut ukurannya, populasi yang dilayani bisa terbatas (finite) dan tidak terbatas
(Infinite).
Pola kedatangan bisa teratur, dapat pula bersifat acak atau random. Variabel
acak dapat berupa diskrit atau kontinu. Variabel acak hanya dimungkinkan bila
memiliki beberapa nilai saja, maka disebut variabel acak diskrit, sebaliknya bila
nilainya dimungkinkan bervariasi pada rentang tertentu disebut sebagai variabel
acak kontinu. Ukuran populasi kedatangan dilihat sebagai populasi terbatas atau
tidak terbatas. Sebuah populasi dinyatakan sebagai populasi terbatas jika antrian
yang terjadi hanya terdapat pengguna pelayanan potensial dengan jumlah terbatas.
Sementara populasi yang tidak terbatas terjadi ketika dalam antrian terdapat materi
atau orang-orang yang jumlahnya tidak terbatas dapat datang dan meminta
pelayanan. Kedatangan dianggap sebagai kedatangan yang acak bila kedatangan
tersebut tidak terikat satu sama lain dan kejadian kedatangan tersebut tidak dapat
diramalkan secara tepat. Sering dalam permasalahan antrian, kedatangan pada
setiap unit waktu dapat diperkirakan oleh sebuah distribusi peluang yang disebut
distribusi poisson.
Perilaku kedatangan menggambarkan perilaku pelanggan yang sabar
menunggu dalam antrian hingga mereka dilayani dan tidak berpindah garis antrian
dan pelanggan yang menolak untuk bergabung dalam antrian karena merasa waktu
yang dibutuhkan untuk mendapatkan pelayanan terlalu lama.
2. Pelayanan
Pelayanan atau mekanisme pelayanan dapat terdiri dari satu atau lebih
pelayan, atau satu atau lebih fasilitas pelayanan. Tiap-tiap fasilitas pelayanan
kadang-kadang disebut sebagai sebuah aliran (Schroeder, 1997). Salah satu
15
penerapannya ada pada jalan tol dimana jalur utama dibagi ke dalam lebih dari dua
pelayanan untuk mempercepat aliran antrian. Mekanisme pelayanan bisa saja hanya
terdiri dari satu pelayan dalam satu fasilitas pelayanan yang ditemui pada loket
seperti pada penjualan tiket di gedung bioskop. Dalam mekanisme pelayanan ini
ada 3 aspek yang harus diperhatikan yaitu:
a. Tersedianya pelayanan
Mekanisme pelayanan tidak selalu tersedia untuk setiap saat. Misalnya dalam
pertunjukan bioskop, loket penjualan karcis hanya dibuka pada waktu tertentu
antara satu pertunjukan dengan pertunjukan berikutnya, sehingga saat loket ditutup
mekanisme pelayanan terhenti dan petugas beristirahat.
b. Kapasitas pelayanan
Kepasitas dari mekanisme pelayanan diukur berdasarkan jumlah pelanggan
yang tidak dapat dilayani bersama-sama. Kapasitas pelayanan yang tidak selalu
sama untuk setiap saat, ada yang tetap bahkan ada juga yang berubah-ubah. Karena
itu, fasilitas pelayanan dapat memiliki satu atau lebih saluran. Fasilitas yang
mempunyai satu saluran disebut sebagai saluran tunggal atau sistem pelayanan
tunggal dan fasilitas yang mempunyai lebih dari satu saluran disebut saluran ganda
atau pelayanan ganda.
c. Lama pelayanan
Lama pelayanan adalah waktu yang dibutuhkan untuk melayani pelanggan
atau satu satuan. Lama pelayanan harus dinyatakan secara pasti. Oleh karena itu,
waktu pelayanan boleh tetap dari waktu ke waktu untuk semua langganan atau
boleh juga berupa variabel acak. Umumnya untuk kerperluan analisis, waktu
pelayanan dianggap sebagai variabel acak yang muncul secara bebas dan tidak
tergantung pada waktu kedatangan.
3. Antrian
Antrian adalah proses menunggu baik barang ataupun jasa yang akan diproses
pada fasilitas pelayanan. Barang ataupun proses pelayanan akan berakhir dengan
ditandai keluarnya entitas yang diproses dari sistem. Jika tak ada antrian berarti
terdapat pelayan yang menganggur atau kelebihan fasilitas pelayanan (Mulyono,
1991).
16
Mekanisme
Populasi Antrian
Pelayanan
Phase 1 Phase 2
Phase 1 Phase 2
Keterangan:
M = Antrian
S= Fasilitas Pelayanan
M S M S
Sumber Individu yang
M
Populasi telah dilayani
M S M S
Phase 1 Phase 2
Keterangan:
M = Antrian
S= Fasilitas Pelayanan
1. Keadaan sistem yaitu jumlah aktivitas pelayanan yang terjadi dalam melayani
pelanggan dalam sistem.
2. Panjang antrian yaitu banyaknya satuan yang berada dalam sistem dikurangi
dengan jumlah yang sedang dilayani.
Notasi yang digunakan adalah sebagai berikut:
1. n = Jumlah pasien yang mengantri pada waktu t
2. k = Jumlah satuan pelayanan
3. λ = Tingkat kedatangan
4. μ = Tingkat pelayanan
5. 𝜌 = Tingkat kesibukan sistem
6. P0 = Peluang semua teller menganggur atau tidak ada pasien dalam
sistem
7. Pn = Peluang pasien yang datang harus menunggu
8. Ls = Ekspektasi panjang sistem
9. L = Ekspektasi panjang antrian
10. Ws = Ekspektasi waktu menunggu dalam sistem
11. W = Ekspektasi waktu menunggu dalam antrian
Faktor-faktor yang berpengaruh terhadap barisan antrian dan pelayanan
adalah sebagai berikut:
1. Distribusi kedatangan, kedatangan individu atau berkelompok
2. Distribusi pelayanan, pelayanan individu atau berkelompok
3. Fasilitas pelayanan, berbentuk series, paralel atau network station
4. Disiplin pelayanan, berbentuk FCFS, LCFS, SIRO atau PP
5. Ukuran dalam antrian, kedatangan bersifat tidak terbatas atau terbatas
6. Sumber pemanggil, bersifat terbatas atau tidak terbatas
3.2.6. Model-model antrian
Pada pengelompokkan model-model antrian yang berbeda-beda akan
digunakan suatu notasi yang disebut dengan Notasi Kendall. Notasi ini sering
digunakan karena beberapa alasan yakni notasi tersebut merupakan alat yang
efisien untuk mengidentifikasi tidak hanya model-model antrian, tetapi juga
asumsi-asumsi yang harus dipenuhi (Subagyo et al, 1997).
20
Karakteristik dan asumsi dari model antrian dirangkum dalam bentuk notasi.
Notasi standar yang digunakan adalah sebagai berikut:
(A/B/C);(D/E/F) (3.1)
Dengan:
A = Distribusi kedatangan (arrival distribution), yaitu jumlah kedatangan per
satuan waktu
B = Distribusi waktu pelayanan, yaitu selang waktu antara satuan-satuan yang
dilayani
C = Jumlah fasilitas pelayanan
D = Disiplin Antrian
E = Jumlah maksimum yang diperkenankan berada dalam sistem (dalam pelayanan
ditambah garis tunggu)
F = Besarnya populasi masukan.
Keterangan:
1. Untuk huruf A dan B, dapat digunakan kode-kode berikut sebagai pengganti:
M = Poisson (Markovian) untuk distribusi kedatangan atau waktu pelayanan
D = Interarrival atau service time konstan (deterministik)
G = interarrival atau service time berdistribusi Erlang atau Gamma
2. Untuk huruf C, dipergunakan bilangan bulat positif yang menyatakan jumlah
pelayanan paralel.
3. Untuk huruf D, dipakai kode-kode pengganti:
FIFO atau FCFS = First in First out atau First Come First Served
LIFO atau LCFS = Last in First out atau Last Come First Served
SIRO = Service in Random Order
GD = General Service Disciplint
4. Untuk huruf E dan F, dipergunakan kode N (untuk menyatakan jumlah
terbatas) atau ∞ (tak berhingga satuan-satuan dalam sistem antrian dan
populasi kedatangan). Sebagai contoh, (M/M/1);(FIFO/∞/∞), berarti bahwa
model menyatakan kedatangan didistribusikan secara poisson, waktu
pelayanan didistribusikan secara eksponensial, terdapat satu fasilitas
21
(𝑂−𝐸)2
RU 𝜒2 = 𝜒2 test = Σ [ ] (3.2)
𝐸
Dimana:
O = frekuensi yang teramati (sampel)
E = frekuensi yang diperkirakan (hipotesis) jika HO benar untuk uji
keselarasan keselarasan fungsi:
E = Persentase hipotesis x banyaknya data teramati
7. Pengambilan keputusan secara statistik
Jika nilai rasio uji berada di daerah penerimaan maka HO diterima, sedangkan
jika berada di daerah penolakan maka H0 ditolak.
3.5.2. Uji Normalitas (kolmogorov-smirnov/shapiro-wilk)
Kolmogorov smirnov test merupakan salah satu goodness of fit test yang dapat
digunakan untuk menguji kesesuaian distribusi dari suatu sampel data observasi,
termasuk menguji apakah suatu distribusi dapat diasumsikan terdistribusi normal
atau tidak. Kolmogorov smirnov test untuk jenis distribusi normal dikembangkan
oleh H.W. Lilliefors (1967).
Jika X1, X2,......, Xn merupakan sampel acak berukuran n dari suatu populasi
dengan distribusi F(x) yang tidak diketahui (diasumsikan kontinu) dan jika F0X
merupakan suatu distribusi yang sepenuhnya teoritis, maka tujuan uji ini adalah
menguji H0 : F(x) = F0(x) terhadap H1 : F(x) ≠ F0(x). Hipotesis nol dalam pengujian
ini adalah data empiris dapat diasumsikan terdistribusi normal, sedangkan
alternatifnya adalah data tidak terdistribusi normal. Kolmogorov smirnov
menyarankan agar distribusi empiris untuk setiap nilai X1, X2,......, Xn dihitung
terlebih dahulu dan kemudian menghitung ukuran statistiknya.
Untuk uji K-S distribusi empiris Fn (X) untuk data X1, X2,......, Xn seperti
terlihat pada persamaan X.X.
𝑛𝑢𝑚𝑏𝑒𝑟 𝑜𝑓 𝑋𝑖 𝑆<𝑋
F0(X) = (3.3)
𝑛
Sehingga F(X) adalah fungsi step dimana F(X) = i/n untuk i = 1,2,...,n. Jika
F0(x) adalah fungsi duga distribusi data maka uji K-S statistik Dn adalah jarak
vertikal terbesar antara F0 (x) dan F(x) untuk semua nilai x dengan:
Dn = max{Dn+, Dn-} (Law dkk, 1991)
27
Kriteria pengujiannya adalah terima hipotesis hipotesis nol jika Dn < D𝛼, n.
Nilai D𝛼, n diperoleh dari tabel nilai kritis kolmogorov smirnov dengan 𝛼 adalah
taraf nyata yang digunakan dan n adalah derajat kebebasan (jumlah sampel data).
Titik daerah kritis untuk uji kolmogorov smirnov ditujukan pada Tabel 3.1.
Tabel 3.1 Daerah Kritis Uji K-S
𝛼 D𝛼, n
0,01 1,63/√𝑛
0,05 1,36/√𝑛
0,1 1,22/√𝑛
Prosedur ini dapat digunakan untuk menguji H0 : (X) adalah N(µ,𝜎2) untuk µ
dan 𝜎2 diketahui. Dalam prakteknya, µ dan 𝜎2 seringkali tidak diketahui maka
prosedur uji kolmogorov smirnov sudah disesuaikan oleh liliefors.
3.5.3. Pengujian hipotesis dengan kruskal wallis
Uji kruskal wallis yang sering disebut sebagai uji H, berkaitan dengan tiga
atau lebih sampel acak yang independen dengan tujuan untuk mengetahui apakah
sampel-sampel tersebut berasal dari populasi yang memiliki mean yang sama.
Uji kruskal wallis mengasumsikan varians yang sama, tetapi uji ini hanya
mensyaratkan bahwa populasi-populasi yang dikaji bersifat kontinu dan
mempunyai bentuk yang sama. Selain itu uji kruskal wallis mempunyai kelebihan
dapat digunakan untuk menangani data ordinal atau data peringkat.
Prosedur pengujian:
a. Pernyataan hipotesis nol dan hipotesis alternatif
b. Pemilihan tingkat kepentingan (level of significance), 𝛼
c. Pembuatan peringkat data tanpa membedakan kategori sampel:
penetapan peringkat dimulai dari data terkecil sebagai peringkat pertama.
d. Penentuan distribusi pengujian yang digunakan:
28
Untuk uji ini digunakan suatu distribusi chi-square, 𝜒2. Nilai 𝜒2cr
diberikan dalam tabel, dengan mengetahui tingkat kepentingan, 𝛼, dan derajat
kebebasan, v = k – 1 (k adalah jumlah populasi yang dikaji).
e. Pernyataan aturan keputusan:
Tolak H0 dan terima H1 jika nilai Hhitung > nilai 𝜒2cr. Jika tidak demikian,
maka terima H0.
f. Perhitungan data keputusan:
Nilai Hhitung yang diperlukan untuk pengambilan keputusan dihitung
dengan rumus berikut:
12 𝑅12 𝑅22 𝑅𝑘 2
H = 𝑁(𝑁+1) ( 𝑛1 + + ) − 3(𝑁 + 1) 3.11
𝑛1 𝑛𝑘
32
33
Mulai
Persiapan Penelitian
Pengumpulan Data
Uji Normalitas
Ya
Uji Hipotesis Data Uji Hipotesis Data
menggunakan menggunakan Non
Parametric Test Parametric Test
Tidak
Sebaran Data Normal?
Tidak
Model Valid?
Ya
Selesai
jika nilai signifikansi > α maka data dikatakan terdistribusi normal (terima
H0). Perhitungan uji normalitas menggunakan software SPSS.
Proses selanjutnya adalah uji t-test (jika data terdistribusi normal) atau dengan
mann whitney (jika data tidak terdistribusi normal). Tahapan pengujian t-test atau
uji mann whitney adalah:
1. Menentukan hipotesis awal dan hipotesis alternatif
H0: Tidak ada perbedaan yang signifikan antar kelompok data/grup
H1: Ada perbedaan yang signifikan pada satu atau lebih kelompok data
antar data/grup
2. Menentukan tingkat kepercayaan atau confidence level (1-α)
3. Penentuan kesimpulan berdasarkan kriteria yang telah ditentukan.
Kriteria yang digunakan untuk menguji hipotesis adalah jika nilai
signifikansi < α maka tolak H0 dan sebaliknya jika nilai signifikansi > α maka
terima H0.
4.4.7. Identifikasi future state Value Stream Mapping (VSM) dan membuat
alternatif
Informasi yang didapatkan berdasarkan current state VSM kemudian
dilakukan analisis dalam menentukan alternatif dengan prinsip lean healthcare baik
dengan menghilangkan non value added atau mengurangi sebisa mungkin non
value added. Prinsip lean healthcare juga berperan aktif dalam menghilangkan atau
mengurangi waste yang ada pada sistem dimana prinsip lean menurut Ohno (1998)
yang dapat diterapkan yaitu:
1. Pemindahan atau transportasi (waste of transportation)
Waste pada pemindahan (transportation) terjadi ketika material dalam hal ini
pasien dipindahkan atau berpindah di dalam sistem secara tidak efisien dan masih
ada cara lain untuk meningkatkannya. Di dalam healthcare biasanya terjadi ketika:
a. Pasien bergerak dari bagian administrasi ke bagian triage. Triage adalah
diagnosa awal oleh suster, diagnosa awal tersebut berupa tekanan darah,
pemeriksaan mata, profile pasien seperti tinggi badan, berat badan dan
riwayat penyakit serta reka medis sebelumnya.
b. Pengobatan berpindah dari bagian farmasi ke tempat lain yang dibutuhkan
41
4.4.8. Analisis model dan pemilihan alternatif terbaik dengan parameter yang sudah
ditentukan
Model yang sudah dibuat berdasarkan identifikasi future state VSM kemudian
dianalisis untuk memilih model terbaik berdasarkan parameter atau kriteria model
yang paling menunjukkan rata-rata waktu tunggu bagi pasien untuk menunggu di
dalam sistem paling rendah.
4.4.9. Menghitung persentase optimasi dari setiap alternatif
Setelah beberapa alternatif perbaikan didapatkan, kemudian alternatif
tersebut dibandingkan satu dengan yang lainnya untuk didapatkan hasil yang paling
menunjukkan perubahan paling tinggi dan juga analisis kelebihan dan kekurangan
setiap alternatif. Alternatif terbaik adalah alternatif yang memiliki waktu tunggu
pasien paling rendah tetapi juga perlu memperhatikan kelebihan dan kekurangan
setiap server. Tahapan penghitungan optimasi untuk mendapatkan tingkat efisiensi
pengurangan waktu tunggu paling tinggi yaitu:
1. Mengumpukan waktu tunggu pasien setiap alternatif berdasarkan hasil
simulasi
2. Menghitung selisih antara waktu tunggu sistem nyata dengan model
3. Menghitung optimasi waktu tunggu dengan cara
𝑆𝑒𝑙𝑖𝑠𝑖ℎ 𝑊𝑎𝑘𝑡𝑢 𝑇𝑢𝑛𝑔𝑔𝑢
𝑥 100% (4,2)
𝑇𝑜𝑡𝑎𝑙 𝑊𝑎𝑘𝑡𝑢 𝑇𝑢𝑛𝑔𝑔𝑢 𝑝𝑎𝑑𝑎 𝑆𝑖𝑠𝑡𝑒𝑚 𝑁𝑦𝑎𝑡𝑎
44
45
Mulai
Selesai
Pada Gambar 5.3. dan Tabel 5.1. didapatkan hasil uji normalitas
menggunakan tes shapiro wilk dimana salah satunya menghasilkan nilai p-value <
0,05 yang artinya jumlah kedatangan pasien tidak terdistribusi normal berdasarkan
51
test of normality shapiro wilk dan kolmogorov smirnov, karena data yang di uji
jumlah data kurang dari 50 data maka uji shapiro wilk yang digunakan sebagai
acuan. Salah satu data jumlah kedatangan tidak terdistribusi normal sehingga untuk
mengetahui apakah ada perbedaan signifikan antar data dibutuhkan uji kruskal
wallis karena terdiri lebih dari 2 kelompok data. Pengujian kruskal wallis
menggunakan software SPSS 23 dapat dilihat pada Tabel 5.2.
Test Statisticsa,b
Arrival
Chi-square 27,785
df 4
Asymp. Sig. ,000
a. Kruskal Wallis Test
b. Grouping Variable:
Day
Tabel 5.3. Uji Signifikansi Kruskal Wallis Selain Hari Jumat (Lanjutan)
df 3
Asymp. Sig. ,075
a. Kruskal Wallis Test
b. Grouping Variable:
Day
Tabel 5.4. Uji Normalitas Waktu Interarrival Time Kedatangan Pasien (Lanjutan)
Most Absolute ,196 ,174 ,201 ,214 ,115
Extreme Positive ,157 ,174 ,201 ,214 ,115
Differences Negative -,196 -,139 -,191 -,200 -,100
Test Statistic ,196 ,174 ,201 ,214 ,115
Asymp. Sig. (2-tailed) ,000c ,000c ,000c ,000c ,000c
Berdasarkan Tabel 5.4, hasil uji kolmogorov smirnov untuk setiap interarrival
time menunjukkan bahwa p-value < 0,05 sehingga reject H0 yang artinya
interarrival time setiap harinya tidak terdistribusi normal dan harus dicari lebih
lanjut menggunakan uji goodness of fit dengan software Statfit untuk mencari
distribusi yang sesuai dengan interarrival time pasien yang diuji. Pengujian
kolmogorov smirnov digunakan karena jumlah data lebih dari 50 data. Langkah
selanjutnya untuk mengetahui perbedaan waktu interarrival time setiap harinya
dilakukan dengan uji signifikansi perbedaan rata-rata waktu interarrival time
menggunakan tes non parametric kruskal wallis (karena data tidak terdistribusi
normal) seperti terlihat pada Tabel 5.5.
Dari hasil uji Kruskal wallis pada Tabel 5.5., didapatkan hasil p-value > 0,05
sehingga fail to reject H0 yang artinya tidak ada perbedaan yang signifikan untuk
54
interarrival time pasien setiap harinya. Selanjutnya data tersebut akan dicari pola
distribusi yang sesuai dengan uji goodness of fit menggunakan software Statfit,
sehingga interarrival time pasien mengikuti distribusi exponential E(77,92) dalam
satuan detik.
5.2.3. Waktu pelayanan administrasi
Pengujian waktu pelayanan administrasi dilakukan untuk mengetahui
distribusi yang sesuai dengan waktu pelayanan administrasi yang telah diobservasi.
Data waktu pelayanan administrasi yang didapatkan berdasarkan hasil observasi
akan diuji dengan uji normalitas dengan tingkat signifikan 0,05. Waktu pengujian
dilakukan per server menggunakan uji kolmogorov smirnov atau shapiro wilk
seperti terlihat pada Tabel 5.6.
Pada Tabel 5.6. didapatkan hasil uji normalitas menggunakan tes shapiro wilk
dan kolmogorov smirnov menghasilkan nilai p-value < 0,05 untuk pengujian
menggunakan kolmogorov smirnov dan p-value < 0,05 untuk pengujian
menggunakan shapiro wilk. Berdasarkan jumlah data waktu pelayanan yang kurang
dari 50 data maka pengujian shapiro wilk yang akan menjadi acuan uji normalitas
yang artinya waktu pelayanan administrasi tidak terdistribusi normal berdasarkan
test of normality shapiro wilk. Data waktu pelayanan administrasi tidak terdistribusi
normal sehingga perlu dilakukan uji goodness of fit yang mana distribusi yang
55
Pada Tabel 5.7 didapatkan hasil uji normalitas menggunakan tes shapiro wilk
dan kolmogorov smirnov menghasilkan nilai p-value > 0,05 untuk pengujian
menggunakan kolmogorov smirnov dan p-value < 0,05 untuk pengujian
menggunakan shapiro wilk. Berdasarkan jumlah data waktu pelayanan yang
melebihi 50 data maka pengujian kolmogorov smirnov yang akan menjadi acuan uji
normalitas yang artinya jumlah kedatangan pasien terdistribusi normal berdasarkan
test of normality kolmogorov smirnov. Data waktu pelayanan triage terdistribusi
normal sehingga distribusi yang sesuai adalah distribusi normal (162,4167;
61,50476).
5.2.5. Waktu pengambilan dan pendistribusian berkas oleh suster
Pengujian waktu pengambilan dan distribusi berkas oleh suster dilakukan
untuk mengetahui distribusi yang sesuai dengan waktu pengambilan dan distribusi
berkas yang telah diobservasi. Data waktu pengambilan dan distribusi berkas yang
didapatkan berdasarkan hasil observasi akan diuji dengan uji normalitas dengan
56
Tabel 5.8. Uji Normalitas Waktu Pengambilan Dan Distribusi Berkas Oleh Suster
Tests of Normality
Kolmogorov smirnova Shapiro wilk
Statistic df Sig. Statistic df Sig.
Distribusi ,107 38 ,200* ,946 38 ,066
*. This is a lower bound of the true significance.
a. Lilliefors Significance Correction
Pada Tabel 5.8 didapatkan hasil uji normalitas menggunakan tes shapiro wilk
dan kolmogorov smirnov menghasilkan nilai p-value > 0,05 yang artinya jumlah
kedatangan pasien terdistribusi normal berdasarkan test of normality kolmogorov
smirnov dan shapiro wilk, karena jumlah data melebihi 50 data maka uji
kolmogorov smirnov yang akan digunakan sebagai acuan test of normality. Data
waktu pengambilan dan distribusi berkas terdistribusi normal sehingga distribusi
yang sesuai adalah distribusi normal (584,2632; 296,73354).
5.2.6. Waktu suster menulis hasil pelayanan triage
Pengujian waktu suster menulis hasil triage dilakukan untuk mengetahui
distribusi yang sesuai dengan waktu suster menulis hasil triage yang telah
diobservasi. Data waktu suster menulis hasil triage yang didapatkan berdasarkan
hasil observasi akan diuji dengan uji normalitas dengan tingkat signifikan 0,05.
Waktu pengujian menggunakan uji kolmogorov smirnov atau shapiro wilk seperti
terlihat pada Tabel 5.9.
Pada Tabel 5.9 didapatkan hasil uji normalitas menggunakan tes shapiro wilk
dan kolmogorov smirnov menghasilkan nilai p-value > 0,05 yang artinya jumlah
kedatangan pasien terdistribusi normal berdasarkan test of normality kolmogorov
smirnov dan shapiro wilk, karena jumlah data kurang dari 50 data maka uji shapiro
wilk yang akan digunakan sebagai acuan test of normality Data Waktu suster
menulis hasil pelayanan triage terdistribusi normal sehingga distribusi yang sesuai
adalah distribusi normal (201,8571; 94,03834).
5.2.7. Waktu transport pasien triage
Pengujian waktu transport pasien triage dilakukan untuk mengetahui
distribusi yang sesuai dengan waktu transport pasien triage yang telah diobservasi.
Data waktu transport pasien triage yang didapatkan berdasarkan hasil observasi
akan diuji dengan uji normalitas dengan tingkat signifikan 0,05. Waktu pengujian
menggunakan uji kolmogorov smirnov atau shapiro wilk seperti terlihat pada Tabel
5.10.
Pada Tabel 5.10 didapatkan hasil uji normalitas menggunakan tes shapiro
wilk dan kolmogorov smirnov menghasilkan nilai p-value < 0,05 yang artinya
jumlah kedatangan pasien tidak terdistribusi normal berdasarkan test of normality
kolmogorov smirnov dan shapiro wilk, karena jumlah data lebih dari 50 data maka
uji kolmogorov smirnov yang akan digunakan sebagai acuan test of normality. Data
waktu transport pasien triage tidak terdistribusi normal sehingga perlu dilakukan
pengujian goodness of fit menggunakan software Statfit dimana distribusi waktu
transport pasien triage yang sesuai adalah distribusi lognormal (40,1111;
49,86231).
58
Pada Tabel 5.11 didapatkan hasil uji normalitas menggunakan tes shapiro
wilk menghasilkan nilai p-value < 0,05 yang artinya waktu pelayanan dokter tidak
terdistribusi normal berdasarkan test of normality shapiro wilk, karena jumlah data
kurang dari 50 data maka uji shapiro wilk yang akan digunakan sebagai acuan test
of normality. Pengujian selanjutnya untuk mencari apakah ada perbedaan yang
signifikan antara setiap waktu server pelayanan dokter dengan uji non parametrik
kruskal wallis seperti terlihat pada Tabel 5.12.
59
Tabel 5.12. Uji Kruskal Wallis Waktu Pelayanan Dokter Tiap Server
Test Statisticsa,b
Waktu Server
Chi-square 6,036
df 4
Asymp. Sig. ,196
a. Kruskal Wallis Test
Berdasarkan Tabel 5.12, Asymp. Sig uji kruskal wallis waktu pelayanan
dokter tiap server menunjukan p-value > 0,05 batas kritis pengujian yang artinya
tidak ada perbedaan yang signifikan antara waktu pelayanan dokter tiap server.
Data waktu pelayanan dokter di setiap server tidak terdistribusi normal sehingga
perlu dilakukan pengujian goodness of fit menggunakan software Statfit dimana
distribusi waktu pelayanan dokter yang sesuai adalah distribusi lognormal
(879,018018018018; 732,3209801).
5.2.9. Waktu transport pasien dokter
Pengujian waktu transport pasien dokter dilakukan untuk mengetahui
distribusi yang sesuai dengan waktu transport pasien dokter yang telah diobservasi.
Data waktu transport pasien dokter yang didapatkan berdasarkan hasil observasi
akan diuji dengan uji normalitas dengan tingkat signifikan 0,05. Waktu pengujian
menggunakan uji kolmogorov smirnov atau shapiro wilk seperti terlihat pada Tabel
5.13.
Pada Tabel 5.13 didapatkan hasil uji normalitas menggunakan tes shapiro
wilk dan kolmogorov smirnov menghasilkan nilai p-value < 0,05 yang artinya waktu
transport pasien dokter tidak terdistribusi normal berdasarkan test of normality
60
kolmogorov smirnov dan shapiro wilk, karena jumlah data lebih dari 50 data maka
uji kolmogorov smirnov yang akan digunakan sebagai acuan test of normality. Data
waktu transport pasien dokter tidak terdistribusi normal sehingga perlu dilakukan
pengujian goodness of fit menggunakan software Statfit dimana distribusi waktu
transport pasien yang sesuai adalah distribusi lognormal (77,6296; 212,75403).
5.2.10. Probabilitas pemilihan dokter
Pelayanan pasien pada Poliklinik Penyakit Dalam IRJ RSUP Dr. Sardjito
akan dilayani oleh 5 server dokter dengan kapasitas yang berbeda. 5 server tersebut
adalah Endokrin, Gastro, Hemato, Remato dan Nemato oleh karena itu akan ada
probabilitas pemilihan dokter oleh pasien sejak pasien selesai melakukan
pemeriksaan di bagian triage. Pengelompokkan probabilitas pasien berdasarkan
sistem nyata menggunakan jumlah data real pasien di setiap server diubah ke dalam
probabilitas untuk setiap server seperti terlihat pada Tabel 5.14.
Tabel 5.15. Hasil Uji Statistik Dan Goodness Of Fit Model Sistem Nyata
Uji Standard
Aktivitas Distribusi Mean
Normalitas Deviasi
Interarrival Tidak Exponential (Min 7,0 ; Beta
77,92 86,21
pasien Normal 72,7475)
Petugas Tidak
administrasi 1 Normal Triangular
231,29 172,66
Petugas Tidak (28,0;711,145;28,0)
administrasi 2 Normal
Pengambilan
dan distribusi Normal N(48,13654;296,7335399666) 584,26 296,73
berkas
Proses triage Normal Normal 162,42 61,50
63
Tabel 5.15. Hasil Uji Statistik Dan Goodness Of Fit Model Sistem Nyata
(Lanjutan)
Suster menulis
berkas hasil Normal N(25,132280;94,03834) 201,86 94,04
triage
Transport Tidak Lognormal (Min 2,3877: Mu
40,11 49,86
pasien triage Normal 2,91974: Sigma 1,21541)
Pemeriksaan Tidak Lognormal
879,02 732,32
dokter Normal (105,467;6,20757;0,905484)
Transport Tidak Lognormal (-
77,63 212,75
pasien dokter Normal 0,197011;2,79156;1,60781)
Dari perhitungan pada Tabel 5.17, dapat disimpulkan bahwa dengan 5 kali
replikasi model masih dapat diterima namun dengan mempertimbangkan error
yang dihasilkan maka replikasi sebanyak 10 kali memberikan hasil error yang lebih
kecil daripada replikasi yang lain sehingga model akan direplikasi sebanyak 10 kali.
Selain itu dengan pertimbangan faktor waktu simulasi dengan jumlah replikasi 10
kali akan mempersingkat waktu simulasi.
5.4.2. Uji normalitas data model
Setelah model dijalankan dengan 10 replikasi, maka dilakukan uji statistik
untuk mengetahui apakah model sudah merepresentasikan sistem nyata. Untuk
65
mengetahui apakah ada perbedaan yang signifikan antara sistem nyata dengan
model yang dibuat maka dilakukan uji hipotesis t-test parametrik atau mann whitney
non parametrik. Uji hipotesis t-test dilakukan jika data terdistribusi normal dan uji
mann whitney dilakukan jika data tidak terdistribusi normal. Selanjutnya data perlu
di uji normalitasnya dengan parameter jumlah pasien yang keluar dari sistem nyata
dibandingkan dengan jumlah pasien yang keluar dari sistem dari model yang dibuat,
waktu tunggu pasien triage dan waktu tunggu pasien dokter.
1. Uji normalitas pasien selesai
Uji normalitas dilakukan untuk ke dua variabel yang akan diuji statistika
yakni pasien selesai sistem nyata dan model. Hasil uji normalitas seperti terlihat
pada Tabel 5.18.
Tabel 5.18. Uji Normalitas Jumlah Pasien Sistem Nyata Dan Model
Tests of Normality
Kolmogorov smirnova Shapiro wilk
Statistic df Sig. Statistic df Sig.
Model ,214 10 ,200* ,950 10 ,671
Sistem
,148 10 ,200* ,968 10 ,874
nyata
*. This is a lower bound of the true significance.
a. Lilliefors Significance Correction
Pada Tabel 5.18 didapatkan hasil uji normalitas menghasilkan nilai p-value >
0,05 untuk jumlah pasien yang keluar dari sistem model yang artinya jumlah pasien
yang keluar dari sistem model terdistribusi normal dan hasil uji normalitas
menghasilkan nilai p-value > 0,05 batas kritis untuk jumlah pasien yang keluar dari
sistem nyata yang artinya jumlah pasien yang keluar dari sistem nyata terdistribusi
normal, karena jumlah data kurang dari 50 data maka uji shapiro wilk yang akan
digunakan sebagai acuan test of normality untuk jumlah pasien selesai model.
Semua kelompok data terdistribusi normal sehingga perlu dilakukan uji parametrik
untuk menentukan apakah ada perbedaan yang signifikan jumlah pasien sistem
nyata dan sistem model dengan menggunakan uji t-test dengan syarat melakukan
66
uji homogenitas dengan menggunakan one way ANOVA untuk mengetahui apakah
varian kedua kelompok data atau populasi menunjukan kesamaan atau perbedaan
yang signifikan.
2. Uji normalitas waktu tunggu pasien triage
Uji normalitas dilakukan untuk ke dua variabel yang akan diuji statistika
yakni waktu tunggu pasien triage sistem nyata dan model. Hasil uji normalitas
seperti terlihat pada Tabel 5.19 dan data waktu tunggu pasien triage pada sistem
nyata dan hasil simulasi.
Tabel 5.19. Data Waktu Tunggu Pasien Triage Pada Sistem Nyata Dan Model
Model Sistem nyata
Replikasi Pasien Waktu
Group Group
selesai Tunggu
1 1 3,237 2 3,441
2 1 3,084 2 2,455
3 1 3,474 2 3,424
4 1 3,614 2 2,885
5 1 3,156 2 3,325
6 1 2,854 2 2,918
7 1 3,272 2 2,711
8 1 2,847 2 2,714
9 1 3,069 2 3,279
10 1 2,973 2 2,840
Average 3,158 2,000 2,999
Standar Deviasi 0,250 0,000 0,344
Tabel 5.20. Uji Normalitas Waktu Tunggu Pasien Triage Sistem Nyata Dan
Model
Tests of Normality
Kolmogorov smirnova Shapiro wilk
Statistic df Sig. Statistic df Sig.
Model ,124 10 ,200* ,949 10 ,661
Real ,193 10 ,200* ,912 10 ,297
*. This is a lower bound of the true significance.
a. Lilliefors Significance Correction
67
Pada Tabel 5.20 didapatkan hasil uji normalitas menghasilkan nilai p-value
> 0,05 batas kritis untuk waktu tunggu pasien triage dari sistem nyata dan model
yang artinya waktu tunggu sistem nyata dan model terdistribusi normal, karena
jumlah data kurang dari 50 data maka uji shapiro wilk yang akan digunakan sebagai
acuan test of normality. Setiap kelompok data terdistribusi normal sehingga perlu
dilakukan uji parametrik untuk menentukan apakah ada perbedaan yang signifikan
waktu tunggu pasien sistem nyata dan sistem model dengan menggunakan uji
hipotesis t-test dengan syarat melakukan uji homogenitas dengan menggunakan one
way ANOVA untuk mengetahui apakah varian kedua kelompok data atau populasi
menunjukan kesamaan atau perbedaan yang signifikan.
3. Uji normalitas waktu tunggu pasien dokter
Uji normalitas dilakukan untuk ke dua variabel yang akan diuji statistika
yakni waktu tunggu pasien dokter sistem nyata dan model. Hasil uji normalitas
seperti terlihat pada tabel 21 dan data waktu tunggu pasien dokter pada sistem nyata
dan pada hasil simulasi.
Tabel 5.21. Data Waktu Tunggu Pasien Dokter Pada Sistem Nyata Dan Model
Model Sistem aktual
Replikasi
Group Pasien selesai Group Waktu Tunggu
1 1 1,854 2 1,819
2 1 1,712 2 1,785
3 1 1,944 2 1,988
4 1 1,783 2 1,752
5 1 1,848 2 1,930
6 1 1,797 2 1,650
7 1 1,893 2 1,988
8 1 1,861 2 1,870
9 1 1,756 2 1,789
10 1 1,701 2 1,511
Average 1,815 2,000 1,808
Standar Deviasi 0,079 0,000 0,149
68
Tabel 5.22. Uji Normalitas Waktu Tunggu Pasien Dokter Sistem Nyata Dan
Model
Tests of Normality
Kolmogorov smirnova Shapiro wilk
Statistic df Sig. Statistic df Sig.
Model ,163 10 ,200* ,965 10 ,841
Real *
,150 10 ,200 ,944 10 ,595
*. This is a lower bound of the true significance.
a. Lilliefors Significance Correction
Pada Tabel 5.22 didapatkan hasil uji normalitas menghasilkan nilai p-value
> 0,05 batas kritis untuk waktu tunggu yang keluar dari sistem model yang artinya
waktu tunggu sistem nyata dan model terdistribusi normal, karena jumlah data
kurang dari 50 data maka uji shapiro wilk yang akan digunakan sebagai acuan test
of normality. Setiap kelompok data terdistribusi normal sehingga perlu dilakukan
uji parametrik untuk menentukan apakah ada perbedaan yang signifikan waktu
tunggu pasien dokter sistem nyata dan sistem model dengan menggunakan uji
hipotesis t-test dengan syarat melakukan uji homogenitas dengan menggunakan one
way ANOVA untuk mengetahui apakah varian kedua kelompok data atau populasi
menunjukan kesamaan atau perbedaan yang signifikan.
Tabel 5.23. Homogenity Test Pasien Selesai Sistem Model dan Nyata
Jumlah Pasien
Levene Statistic df1 df2 Sig.
14,336 1 48 0
69
Berdasarkan Tabel 5.23., dapat disimpulkan bahwa sistem model dan sistem
nyata tidak menunjukan adanya kesamaan data dimana variasi yang sangat tinggi
terjadi di setiap kelompok data, maka tidak bisa mengguakan parametric test dan
harus menggunakan non parametric test yakni mann whitney.
Uji U (mann whitney) pada uji non parametrik digunakan untuk mengetahui
ada atau tidaknya perbedaan yang signifikan antara sistem nyata dan model simulasi
yang dibuat. Jika nilai U lebih besar dari U kritis maka dapat disimpulkan tidak
terdapat perbedaan yang signifikan antara sistem nyata dengan model. Tabel 5.24
menampilkan hasil uji mann whitney untuk parameter jumlah pasien yang keluar
dari sistem nyata dan model simulasi menggunakan software SPSS.
Tabel 5.24. Uji Mann Whitney Jumlah Pasien Yang Keluar Dari Sistem
Test Statisticsa
Pasien Selesai
Mann whitney U 176,000
Wilcoxon W 996,000
Z -,583
Asymp. Sig. (2-tailed) ,560
Berdasarkan Tabel 5.24 dapat dilihat bahwa nilai Asymp. Sig. > 0,05 batas
kritis pengujian sehingga fail to reject H0 yang artinya tidak ada perbedaan yang
signifikan antara jumlah pasien yang keluar dari sistem nyata dengan jumlah pasien
yang keluar dari model simulasi. Setelah melakukan uji validasi, dapat disimpulkan
bahwa model simulasi Poliklinik Penyakit Dalam IRJ RSUP Dr. Sardjito yang
dibuat menggunakan software Promodel Ver. 9.3.2051 pada penelitian ini adalah
valid dan dianggap mampu merepresentasikan sistem nyata yang diamati, sehingga
model simulasi dapat dianalisis lebih lanjut untuk mengetahui performansi sistem
nyata dan kemungkinan alternatif perbaikan dari sistem yang paling optimal.
70
2. Uji t-test dan one way ANOVA waktu tunggu pasien triage
One way ANOVA digunakan untuk mencari apakah ada perbedaan atau
kesamaan varian pada kelompok data yang diuji pada t-test, jika hasilnya
menunjukan bahwa adanya kesamaan varians pada setiap kelompok maka t-test
dapat digunakan dan jika hasil menunjukan bahwa ada perbedaan varians yang
signifikan di setiap kelompok maka pengujian akan menggunakan mann whitney
non parametric test.
Tabel 5.25. Hasil Uji One Way Anova Untuk Waktu Tunggu Pasien Triage
Test of Homogeneity of Variances
Value
Levene
df1 df2 Sig.
Statistic
2,375 1 18 ,141
Berdasarkan Tabel 5.25., diketahui bahwa nilai signifikansi > 0,05 batas kritis
yang artinya kedua kelompok yang diuji memiliki varians yang sama. Dengan
demikian uji t-test dapat dilakukan untuk menguji apakah ada perbedaan waktu
tunggu yang signifikan untuk kedua kelompok seperti terlihat pada Tabel 5.26.
Tabel 5.26. Hasil Uji T-Test Untuk Waktu Tunggu Pasien Triage
Independent Samples Test
Levene's Test for t-test for Equality of
Equality of Variances Means
Sig. (2-
F Sig. t df
tailed)
Equal variances
2,37 0,14 1,18 18,00 0,25
assumed
Value
Equal variances
1,18 16,44 0,25
not assumed
71
Berdasarkan hasil uji t-test yang ditunjukan pada Tabel 5.26, parameter equal
variance assumed menunjukkan nilai signifikansi > 0,05 batas kritis yang artinya
tidak ada perbedaan yang signifikan antara waktu tunggu pasien triage pada sistem
nyata dan pada model simulasi.
3. Uji t-test dan one way ANOVA waktu tunggu pasien dokter
One way ANOVA digunakan untuk mencari apakah ada perbedaan atau
kesamaan varian pada kelompok data yang diuji pada t-test, jika hasilnya
menunjukan bahwa adanya kesamaan varian pada setiap kelompok maka t-test
dapat digunakan dan jika hasil menunjukan bahwa ada perbedaan varians yang
signifikan di setiap kelompok maka pengujian akan menggunakan mann whitney
non parametric test.
Tabel 5.27. Hasil Uji One Way Anova Untuk Waktu Tunggu Pasien Dokter
Test of Homogeneity of Variances
Value
Levene
df1 df2 Sig.
Statistic
2,052 1 18 ,169
Berdasarkan Tabel 5.27, diketahui bahwa nilai signifikansi > 0,05 batas kritis
yang artinya kedua kelompok yang diuji memiliki varians yang sama. Dengan
demikian uji t-test dapat dilakukan untuk menguji apakah ada perbedaan waktu
tunggu yang signifikan untuk kedua kelompok.
Tabel 5.28. Hasil Uji T-Test Untuk Waktu Tunggu Pasien Dokter
Levene's Test for t-test for Equality of
Equality of Variances Means
Sig. (2-
F Sig. t df
tailed)
Equal variances
2,052 ,169 ,125 18 ,902
assumed
Value
Equal variances not
,125 13,649 ,902
assumed
72
Berdasarkan hasil uji t-test pada Tabel 5.28, parameter equal variance
assumed menunjukkan nilai signifikansi > 0,05 batas kritis yang artinya tidak ada
perbedaan yang signifikan antara waktu tunggu pasien dokter pada sistem nyata dan
pada model simulasi.
Total exits
Pada Tabel 5.29 dan Tabel 5.30 dapat dilihat bahwa total waktu tunggu pasien
masih sangat tinggi yaitu dengan rata-rata replikasi 4,82 jam. Hal ini dapat
disimpulkan, sekitar 93,23% dari total waktu pasien di dalam sistem dialokasikan
waktunya untuk waktu tunggu pelayanan. Selain itu secara jelas Tabel 5.30
menampilkan bahwa ada perbedaan yang sangat besar rata-rata pasien yang
menunggu pada bagian triage terhadap pasien yang menunggu pada bagian dokter,
hal ini terjadi karena suster sangat sibuk dengan berbagai tugas yang harus
dilakukan di dalam sistem yaitu tugas mengambil dan mendistribusikan berkas,
tugas pelayanan triage, tugas mengantarkan kembali berkas dan tugas menulis hasil
berkas pemeriksaan triage sehingga pasien akan menumpuk di salah satu bagian
pelayanan yakni pelayanan triage.
Sistem terindikasi ada sebuah permasalahan terkait waktu tunggu pasien,
maka sistem perlu mengidentifikasi value added (VA), non value added dan
necessary but non value added (NNVA) untuk memetakan permasalahan di dalam
sistem dan menghasilkan berbagai rangkaian alternatif perubahan untuk
disimulasikan di dalam model yang akan dibuat. Value stream mapping sistem
dapat mengidentifikasi value added (VA), non value added dan necessary but non
value added seperti terlihat pada Gambar 5.4.
Operation Management
Berdasarkan Gambar 5.4 maka terdapat 89,19% total waktu non value added
dan necessary but non value added dan hanya 10,81% saja yang memiliki value
added di dalam sistem. Pasien yang keluar dari sistem dapat dilihat dari troughput
sistem yang sangat kecil yakni hanya 0,121 pasien per jam.
5.5.1. Value added sistem poliklinik
Value added merupakan seluruh kegiatan yang dapat mengubah bentuk atau
karakter dari sebuah produk yang diproses (Hines dan Rich, 1997). Berdasarkan
aliran proses sistem poliklinik dan flowchart pada Gambar 5.4, maka dapat
dianalisis kegiatan yang memberikan value added terhadap proses seperti terlihat
pada Tabel 5.31.
Tabel 5.33. Necessary but Non Value Added Sistem Poliklinik (Lanjutan)
3 Administrasi Suster 1, Pengambilan dan pendistribusian berkas
suster 2 dan dari bagian admin ke setiap ruangan
suster 3 dokter.
diuntungkan dengan adanya kelebihan di setiap sub alternatif yang berbeda. Secara
umum alternatif 1 akan memberikan keuntungan sebagai berikut:
a. Standard operating procedure suster akan berubah dengan menghilangkan
aktivitas pengambilan berkas di bagian admin. Hal ini akan menghilangkan
waste of transportation dari suster.
b. Proses batch akan hilang di bagian pengambilan berkas dimana pasien akan
mengambil sendiri berkas hasil input admin dan meletakkannya di meja
pelayanan triage sesuai instruksi admin secara real time.
c. Alternatif ini akan menghilangkan waste of transportation bagi suster setelah
menulis hasil reka medis dimana suster harus menyerahkan berkas hasil
triage setiap kali pasien selesai diperiksa dengan menmberikan tugas ini
kepada pasien. Setiap kali pasien selesai diperiksa di bagian triage maka
pasien akan menyerahkan berkas kepada bagian admin sehingga akan
menghilangkan waste of transportation dari suster dan akan fokus pada
pekerjaannya yang lain.
d. Alternatif 1 akan menghilangkan waste of transportation pendistribusian
berkas oleh suster dari bagian admin dengan mengikutsertakan pasien
berpartisipasi dalam mengambil berkas dari bagian admin dan meletakkan
berkas di dalam waiting list dokter yang sudah di define oleh suster.
e. Opsi ini juga akan menghilangkan proses batch oleh suster yang harus
membawa berkas sejumlah 10 berkas setiap kali suster melakukan traveling
untuk mendistribusikan berkas.
Alternatif 1 akan terbagi menjadi 3 sub alternatif berdasarkan pendistribusian
berkas, yaitu:
1. Alternatif 1A
Alternatif 1A adalah alternatif yang mengikutsertakan pasien dalam
membawa berkas di bagian triage sedangkan pendistribusian berkas ke ruangan
dokter tetap dilakukan oleh suster.
78
2. Alternatif 1B
Alternatif 1B adalah alternatif yang mengikutsertakan pasien dalam
membawa berkas di bagian dokter sedangkan pendistribusian berkas ke
bagian triage tetap dilakukan oleh suster.
3. Alternatif 1C
Alternatif 1C adalah alternatif yang mengikutsertakan pasien dalam
membawa berkas di bagian triage dan bagian dokter.
5.6.2. Alternatif 2 pola pemanggilan pasien dengan 2 orang
Alternatif ini menggunakan pola pemanggilan untuk menghilangkan waktu
transport pasien menuju pelayanan pada proses triage dan pemeriksaan dokter. Hal
ini diajukan sebagai alternatif terkait pasien yang memiliki waktu yang tidak sedikit
untuk masuk ke dalam ruangan karena berbagai sebab seperti pasien yang sedang
tidak berada di ruang tunggu, pasien yang berada jauh dari ruang pemeriksaan, atau
pasien yang secara fisik atau mental perlu alat bantu atau bantuan untuk masuk ke
dalam ruang pemeriksaan atau proses triage. Pola pemanggilan pasien ini
digunakan dengan cara memanggil 2 pasien sekaligus dan meminta pasien
selanjutnya untuk bersiap tepat di samping pasien yang sedang diperiksa atau tepat
di depan ruangan dokter, pola pemanggilan ini akan terus dilakukan untuk pasien-
pasien selanjutnya. Sehingga akan ada 3 sub alternatif dengan menghilangkan
waktu transport pasien menuju pemeriksaan dengan menggunakan pola
pemanggilan pasien.
1. Alternatif 2A
Alternatif 2A menggunakan pola pemanggilan pasien pada pemeriksaan
triage sedangkan pada bagian ruangan dokter akan dilakukan pemanggilan
sesuai dengan sistem nyata.
2. Alternatif 2B
Alternatif 2B menggunakan pola pemanggilan pasien pada pemeriksaan
dokter sedangkan pada bagian pelayanan triage akan dilakukan pemanggilan
sesuai dengan sistem nyata.
79
3. Alternatif 2C
Alternatif 2C menggunakan pola pemanggilan pasien pada pemeriksaan
dokter dan pelayanan triage.
5.6.3. Alternatif 3 specific job untuk suster
Alternatif 3 adalah alternatif yang memberikan tugas khusus kepada suster
untuk memiliki tugas tertentu sehingga tidak perlu melakukan multi tasking untuk
mengurangi kesibukan resource suster. Alternatif ini dapat memberikan konsistensi
pekerjaan semakin tinggi. Sistem memiliki 3 suster yang bergerak dan melakukan
pelayanan sehingga ada beberapa kemungkinan yang dapat dilakukan untuk
beberapa sub alternatif.
1. Alternatif 3A
Alternatif 3A membagikan tugas pelayanan untuk 2 orang suster dan 1 orang
suster mendistribusikan berkas.
2. Alternatif 3B
Alternatif 3B membagikan tugas pelayanan untuk 1 orang suster dan 2 orang
suster mendistribusikan berkas.
5.6.4. Alternatif 4 komputerisasi bagian pelayanan
Sistem masih menerapkan sistem lama yang menggunakan suster sebagai
pusat operasional poliklinik. Hal ini tergambarkan dari rangkaian multi tasking
yang harus dilakukan oleh suster di dalam poliklinik dimana setiap pekerjaan
tersebut adalah prioritas bagi setiap lini operasional poliklinik. Suster memiliki
standard operating procedure untuk mengambil dan memilih berkas yang akan
diperiksa di bagian triage, melaksanakan proses triage, pemanggilan pasien,
mengembalikan berkas hasil reka medis pada bagian admin, dan mendistribusikan
berkas ke bagian dokter. Hal tersebut dilakukan oleh 3 orang suster dalam sistem
poliklinik, karena itu hal yang wajar mengapa baik sistem maupun model
menggambarkan waktu tunggu pasien yang begitu tinggi.
Alternatif 4 adalah alternatif untuk menyederhanakan proses dan tugas
sehingga sistem yang memiliki multi tasking akan semakin mudah karena ada peran
teknologi di dalam sistem. Hal ini senada dengan keinginan menteri kesehatan
dalam mewujudkan cita-cita nya yang terwujud dalam program Roadmap Rencana
80
Tenaga pengelola SIK sudah mulai tersedia pada tingkat pusat hingga
kabupaten kota dan komputerisasi sudah terwujud di unit IRJ pada bagian registrasi
awal namun belum terwujudkan di dalam Poliklinik Penyakit Dalam padahal
poliklinik jantung sebagai poliklinik yang juga satu pendaftaran registrasi sudah
memiliki fasilitas komputerisasi. Fakta lain adalah bagian administrasi sudah
difasilitasi fasilitas komputer untuk operasional kerjanya sehingga mewujudkan
komputerisasi di bagian Poliklinik Penyakit Dalam tepatnya di bagian triage dan
dokter adalah hal yang sangat mungkin dilakukan untuk meningkatkan efisiensi
sistem. Terlebih lagi setiap suster di dalam poliklinik sudah menguasai betul terkait
teknologi komputerisasi, training yang diberikan diperkirakan hanyalah berupa
training sederhana yang pasti setiap suster memahaminya.
82
1. Alternatif 4A
Alternatif 4A menerapkan komputerisasi di bagian pelayanan triage dan tetap
menerapkan sistem nyata di bagian dokter. Penerapan komputerisasi akan
menghilangkan waktu suster mengambil berkas di bagian admin, menghilangkan
waktu suster mengembalikan berkas ke bagian admin, menghilangkan redundant
penulisan ulang reka medis hasil pemeriksaan oleh admin. Selain itu proses batch
pada berkas akan hilang karena data akan dibagikan secara real time oleh komputer
admin.
2. Alternatif 4B
Alternatif 4B menerapkan komputerisasi di bagian dokter dan tetap
menerapkan sistem nyata di bagian pelayanan triage. Penerapan komputerisasi
akan menghilangkan waktu suster mengambil dan mendistribusikan berkas dari
bagian admin dan menghilangkan proses batch pada setiap berkas yang harus
didistribusikan.
3. Alternatif 4C
Alternatif 4C menerapkan komputerisasi di bagian dokter dan pelayanan
triage. Kelebihan dari setiap alternatif 4A dan 4B akan menjadi kelebihan bagi
alternatif 4C.
5.6.5. Alternatif 5 kombinasi alternatif 1 dan alternatif 4
Alternatif 5 adalah alternatif 1 yang dikombinasikan dengan alternatif 4
dengan tujuan untuk melihat apakah ada pengaruh perbedaan waktu tunggu jika
pasien di ikut sertakan dalam proses administrasi dengan membawa berkas ke
proses pelayanan triage atau pemeriksaan dokter.
1. Alternatif 5A
Alternatif 5A adalah alternatif dimana pasien yang membawa berkas ke
bagian triage dan komputerisasi di ruangan dokter.
2. Alternatif 5B
Alternatif 5B adalah alternatif dimana komputerisasi diterapkan di bagian
pelayanan triage dan pasien yang membawa berkas ke ruangan dokter melalui
admin setelah proses pelayanan triage.
83
6,00
5,00
4,00
3,00
2,00
1,00
0,00
6D
Real
1A
2A
3A
4A
5A
6A
6E
6F
6I
6G
6H
6K
6L
6J
1B
1C
2B
2C
3B
4B
4C
5B
6B
6C
memberikan efek pada setiap sub alternatif. Berdasarkan histogram maka waktu
tunggu paling rendah ada pada label alternatif 6B dan waktu tunggu paling tinggi
ada pada alternatif 3A. Analisis hasil pemodelan hanya akan membahas 5 alternatif
waktu tunggu paling rendah dan 1 alternatif yang memberikan waktu tunggu paling
tinggi.
5.7.1. Analisis alternatif 6B
Alternatif 6B adalah alternatif kombinasi alternatif 5A dan alternatif 2C.
Alternatif ini adalah alternatif dengan mengubah alur berkas yang sebelumnya
diambil oleh suster digantikan oleh pasien yang membawa berkas ke bagian triage
dari bagian admin dan komputerisasi di bagian dokter serta pola pemanggilan
pasien dilakukan di 2 bagian pelayanan triage dan pemeriksaan dokter. Kelebihan
dalam menerapkan alternatif ini adalah:
1. Menghilangkan tugas suster dalam pengambilan dan olah susunan berkas di
bagian admin, hal ini tergantikan dengan pasien yang akan membawa berkas
ke bagian triage
2. Menghilangkan proses batch yang terjadi setiap kali suster mengambil berkas
dengan jumlah proses batch 10, secara real time pasien akan memasukkan
sendiri berkas ke bagian meja triage yang sudah di tentukan oleh admin.
Kontrol bagian triage yang sudah overload atau kosong akan dilakukan oleh
admin.
3. Menghilangkan waktu transport pasien triage dari ruang tunggu ke bagian
triage dengan pola pemanggilan 2 pasien untuk setiap triage.
4. Menghilangkan waktu transport pasien dokter dari ruang tunggu ke ruangan
dokter dengan pola pemanggilan 2 pasien untuk setiap ruangan.
5. Menghilangkan waktu transport suster mengembalikan berkas ke bagian
admin dan digantikan oleh pasien yang mengantarkan berkas menuju bagian
admin. Pasien yang telah mengembalikan berkas akan menunggu untuk
dipanggil oleh ruangan dokter di ruang tunggu.
6. Menghilangkan waktu transport suster dalam mendistribusikan berkas dari
bagian admin ke setiap ruangan dokter karena digantikan oleh fasilitas
komputerisasi yang akan di integrasikan melalui bagian admin sehingga
85
setiap admin selesai memasukkan reka medis hasil triage, hasil tersebut akan
secara real time masuk ke dalam daftar waiting list pasien pada setiap server
yang didefinisikan oleh admin.
7. Menyeimbangkan proses triage dan pemeriksaan pada sistem nyata.
6,000
4,822
5,167
5,000
4,000
3,000
1,424 1,294
2,000
0,015
1,000 0,172
0,000
Time in System (Hr) Time In Move Logic Waiting Time (Hr)
(Hr)
Real 6B
Gambar 5.6. Perbandingan Hasil Simulasi Real System Dan Model Alternatif 6B
dalam proses triage, karena ada kemungkinan waktu tunggu pasien semakin tinggi
diakibatkan proses triage yang semakin cepat sedangkan pelayanan dokter terbilang
tetap.
2,5
1,5
0,5
0
4B 4C 5A
6,000
4,822
5,167
5,000
4,000
3,000
1,462 1,318
2,000
0,032
1,000 0,172
0,000
Time in System (Hr) Time In Move Logic Waiting Time (Hr)
(Hr)
Real 6B
Gambar 5.9. Perbandingan Hasil Simulasi Real System Dan Model Alternatif 6A
Perubahan alternatif dapat dilihat dengan waktu troughput yang lebih tinggi
dengan persentase lebih baik 191% daripada current value stream mapping.
Sedangkan lead time semakin berkurang dengan persentase pengurangan 65,65%.
Hasil analisa tersebut berdasarkan future state alternatif 6A dan current state sistem
seperti terlihat pada Tabel 5.36 dan Gambar 5.10. Perbedaan future state VSM
alternatif 6B dengan current state adalah terletak pada garis datar dan garis pola
patah yang menunjukkan informasi sudah didistribusikan secara komputerisasi
tanpa harus secara langsung harus diantarkan oleh suster ke ruangan dokter
91
sedangkan pola pemanggilan tidak bisa terlihat pebedaannya di dalam gambar dan
hanya terlihat dari perbedaan lead time system yang berubah.
5.7.3. Analisis alternatif 5A
Alternatif 5A adalah alternatif kombinasi alternatif 1A dan alternatif 4B.
Alternatif ini adalah alternatif dengan mengubah alur berkas yang sebelumnya
diambil oleh suster digantikan oleh pasien yang membawa berkas ke bagian triage
dari bagian admin dan komputerisasi di bagian dokter tanpa pola pemanggilan
pasien dilakukan di bagian pelayanan triage. Perbedaan jelas antara alternatif 5A
dan alternatif 6 adalah ada atau tidaknya pola pemanggilan di bagian dokter dan
triage. Kelebihan dalam menerapkan alternatif ini adalah:
1. Menghilangkan tugas suster dalam pengambilan dan olah susunan berkas di
bagian admin, hal ini tergantikan dengan pasien yang akan membawa berkas
ke bagian triage
2. Menghilangkan proses batch yang terjadi setiap kali suster mengambil berkas
dengan jumlah proses batch 10, secara real time pasien akan memasukkan
sendiri berkas ke bagian meja triage yang sudah di tentukan oleh admin.
Kontrol bagian triage yang sudah overload atau kosong akan dilakukan oleh
admin.
3. Menghilangkan waktu transport suster mengembalikan berkas ke bagian
admin dan digantikan oleh pasien yang mengantarkan berkas menuju bagian
admin. Pasien yang telah mengembalikan berkas akan menunggu untuk
dipanggil oleh ruangan dokter di ruang tunggu.
4. Menghilangkan waktu transport suster dalam mendistribusikan berkas dari
bagian admin ke setiap ruangan dokter karena digantikan oleh fasilitas
komputerisasi yang akan di integrasikan melalui bagian admin sehingga
setiap admin selesai memasukkan reka medis hasil triage, hasil tersebut akan
secara real time masuk ke dalam daftar waiting list pasien pada setiap server
yang didefinisikan oleh admin.
5. Menyeimbangkan proses triage dan pemeriksaan pada sistem nyata.
92
6,000
4,822
5,167
5,000
4,000
3,000
1,492 1,340
2,000
0,038
1,000 0,172
0,000
Time in System (Hr) Time In Move Logic Waiting Time (Hr)
(Hr)
Real 5A
Gambar 5.11. Perbandingan Hasil Simulasi Real System Dan Model Alternatif 5A
Perubahan alternatif dapat dilihat dengan waktu troughput yang lebih tinggi
dengan persentase lebih baik 188,57% daripada current value stream mapping.
Sedangkan lead time semakin berkurang dengan persentase pengurangan 65,35%.
Hasil analisa tersebut berdasarkan future state alternatif 5A dan current state sistem
seperti terlihat pada Tabel 5.37 dan Gambar 5.12. Perbedaan future state VSM
alternatif 6B dengan current state adalah terletak pada garis datar dan garis pola
patah yang menunjukkan informasi sudah didistribusikan secara komputerisasi
tanpa harus secara langsung harus diantarkan oleh suster ke ruangan dokter
94
sedangkan pola pemanggilan tidak bisa terlihat pebedaannya di dalam gambar dan
hanya terlihat dari perbedaan lead time system yang berubah.
5.7.4. Analisis alternatif 6D
Alternatif 6D adalah kombinasi alternatif 1C dan alternatif 2C. Alternatif ini
adalah alternatif dengan mengubah alur berkas yang sebelumnya diambil oleh
suster digantikan oleh pasien yang membawa berkas ke bagian triage dan ruangan
dokter dari bagian admin serta pola pemanggilan pasien dilakukan di bagian
pelayanan triage dan ruangan dokter. Perbedaan jelas antara alternatif 6D dan
alternatif sebelumnya adalah ada atau tidaknya penambahan fasilitas komputerisasi
pada bagian triage dan dokter bagian dokter. Kelebihan dalam menerapkan
alternatif ini adalah:
1. Menghilangkan tugas suster dalam pengambilan dan olah susunan berkas di
bagian admin, hal ini tergantikan dengan pasien yang akan membawa berkas
ke bagian triage dan ruangan dokter.
2. Menghilangkan proses batch yang terjadi setiap kali suster mengambil berkas
dengan jumlah proses batch 10, secara real time pasien akan memasukkan
sendiri berkas ke bagian meja triage yang sudah di tentukan oleh admin.
Kontrol bagian triage yang sudah overload atau kosong akan dilakukan oleh
admin.
3. Menghilangkan proses batch yang terjadi setiap kali suster mendistribusikan
berkas dengan jumlah proses batch 10 unit berkas, secara real time pasien
akan memasukkan sendiri berkas ke bagian ruangan dokter yang sudah di
tentukan oleh admin. Kontrol ruangan dokter yang sudah overload atau
kosong akan dilakukan oleh admin.
4. Menghilangkan waktu transport pasien triage dari ruang tunggu ke bagian
triage dengan pola pemanggilan 2 pasien untuk setiap triage.
5. Menghilangkan waktu transport pasien ruangan dokter dari ruang tunggu ke
ruangan dokter dengan pola pemanggilan 2 pasien untuk setiap triage.
6. Menghilangkan waktu transport suster mengembalikan berkas ke bagian
admin dan digantikan oleh pasien yang mengantarkan berkas menuju bagian
95
6,000
4,822
5,167
5,000
4,000
0,000
Time in System (Hr) Time In Move Logic Waiting Time (Hr)
(Hr)
Real 6D
Gambar 5.13. Perbandingan Hasil Simulasi Real System Dan Model Alternatif 6D
Perubahan alternatif dapat dilihat dengan waktu troughput yang lebih tinggi
dengan persentase lebih baik 189,52% daripada current value stream mapping.
Sedangkan lead time semakin berkurang dengan persentase pengurangan 65,46%.
Hasil analisa tersebut berdasarkan future state alternatif 6D dan current state sistem
seperti terlihat pada Tabel 5.38 dan Gambar 5.14. Perbedaan future state VSM
alternatif 6B dengan current state tidak dapat dilihat secara grafik tetapi pola
pemanggilan masih dapat terlihat pebedaannya di dalam gambar dengan terlihat
dari perbedaan lead time system yang berubah.
6,000
4,822
5,167
5,000
4,000
0,000
Time in System (Hr) Time In Move Logic Waiting Time (Hr)
(Hr)
Real 6D
Gambar 5.15. Perbandingan Hasil Simulasi Real System Dan Model Alternatif 6C
Perubahan alternatif dapat dilihat dengan waktu troughput yang lebih tinggi
dengan persentase lebih baik 177,52% daripada current value stream mapping.
Sedangkan lead time semakin berkurang dengan persentase pengurangan 63,97%.
Hasil analisa tersebut berdasarkan future state alternatif 6C dan current state sistem
seperti terlihat pada Tabel 5.39 dan Gambar 5.16. Perbedaan future state VSM
alternatif 6B dengan current state tidak dapat dilihat secara grafik tetapi pola
pemanggilan masih dapat terlihat pebedaannya di dalam gambar dengan terlihat
dari perbedaan lead time system yang berubah.
5.7.6. Analisis alternatif 3A
Alternatif 3A adalah alternatif dengan mengubah dan membagi tugas spesifik
ke setiap suster dimana satu suster akan bertugas mendistribusikan berkas dan 2
suster akan melayani pelayanan triage. Pelayanan triage akan dilakukan seperti real
system sedangkan suster yang bertanggung jawab dalam mendistribusikan berkas
akan mendistribusikan berkas mulai dari bagian admin ke bagian triage dan
ruangan dokter secara bersamaan oleh satu suster. Alternatif ini merupakan
alternatif yang memberikan kontribusi waktu tunggu pasien paling tinggi.
Kelebihan dalam menerapkan alternatif ini adalah specific job diharapkan mampu
meningkatkan kecepatan proses pelayanan dengan membagi 3 tugas menjadi hanya
101
pelayanan triage dan menulis reka medis sedangkan proses distribusi akan
dilakukan oleh satu suster.
5,419
5,167 5,114
6,000 4,822
5,000
4,000
3,000
2,000 0,232
0,172
1,000
0,000
Time in System Time In Move Waiting Time (Hr)
(Hr) Logic (Hr)
Real 3A
Gambar 5.17. Perbandingan Hasil Simulasi Real System Dan Model Alternatif 3A
6.1. Kesimpulan
Berdasarkan hasil dari penelitian yang sudah dilakukan, maka dapat
ditarik kesimpulan sebagai berikut:
1. Dari hasil identifikasi sistem didapatkan 3 hal tentang NVA dan 3 hal
tentang NNVA yaitu: redundant penulisan reka medis hasil pemeriksaan
triage, pasien menunggu untuk dipanggil dan diperiksa di bagian triage dan
di bagian dokter. Sedangkan NNVA pada sistem yaitu: proses pemeriksaan
ulang syarat-syarat pengajuan pengobatan di Poliklinik Penyakit Dalam,
suster mengambil berkas di bagian administrasi dan mendistribusikan
berkas ke setiap pelayanan triage dan pengambilan dan pendistribusian
berkas dari bagian admin ke setiap ruangan dokter.
2. Alternatif terbaik adalah alternatif 6B yakni melibatkan pasien dalam
membawa berkas dan komputerisasi di bagian dokter serta pola
pemanggilan pasien di kedua pelayanan memberikan total perubahan waktu
tunggu tertinggi dari semua kemungkinan alternatif dengan total perubahan
sebesar 73,16% yang sebelumnya 4,822 jam menjadi hanya 1,294 jam.
Alternatif 6B adalah alternatif yang mewujudkan solusi jangka panjang dan
jangka pendek. Alternatif 6D adalah solusi alternatif jangka pendek dimana
tidak menambahkan fasilitas komputerisasi di dalam sistem. Menerapkan
alternatif ini akan merubah total waktu tunggu dengan persentase 67,60%
menjadi hanya 1,562 jam.
6.2. Saran
Berdasarkan hasil dari penelitian yang sudah dilakukan, maka saran
dapat diberikan untuk penelitian sejenis adalah sebagai berikut:
1. Penelitian ini masih belum bisa menurunkan total waktu tunggu dibawah 1
jam sesuai peraturan pemerintah KEPMENKES Nomor.
103
104
Boos, H., and Frank, Z., 2013, Lean Principles In Healtcare Rehabilitation
Suggestions For Implementation, The Seventh International Conference On
Healthcare Systems & Global Business Issues.
Bronson, R., 1982, Theory and Problems of Opeartion Research, McGraw-Hill
Higher Education, New York.
Brown, A., 1998, Organizational Culture, Prentice Hall, Singapura
Dahlan, M. S., 2011, Besar Sampel & Cara Pengambilan Sampel dalam Penelitian
Kedokteran dan Kesehatan, 3rd ed., Salemba Medika, Indonesia.
Departemen Kesehatan, RI., 2009, Undang-Undang Nomor. 44 Tahun 2009
Tentang Rumah Sakit, Departemen Kesehatan Republik Indonesia, Jakarta.
Dinesh, T.A., Singh, S., Nair, P., and Remya T.R., 2013, Reducing Waiting Time
in Outpatient Services of Large University Teaching Hospital – A Six Sigma
Approach, Amrita Institute of Medical Sciences and Research Centre.
Gill, P. S., 2012, Application of Value Stream Mapping to Eliminate Waste in an
Emergency Room, Global Journal Inc, Vol. 12, Issue 6.
Gross, D, and Harris, C. M., 1998, Fundamental of Queuing Theory, 3rd ed., John
Wiley and Sons, New York.
Gupta dan Danton
Haron, S.H.A., 2015, Patient Process Flow Improvement: Value Stream Mapping,
Journal of Management Research, Vol. 7, No. 2.
Harper dan Gamlin
Heizer, J.H., and Render, B., 2005, Operation Management, 7th ed., Prentice Hall,
New Jersey.
Hillier, F.S., and Lieberman, 2001, Introduction to Operations Research, 7th ed.,
McGraw-Hill Higher Education, New York.
Hines, P., and Rich, N., 1997, The Seven Value Stream Mapping Tools,
Internetional Journal of Operation & Production Management, Vol. 17, Iss:
1, pp. 46 – 64.
105
106
Illin, V., 2015, Simulation Model of A Queuing System: The Case Study of A Fair
Trade Manifestation in Novi Sad, 2nd Logistics International Conference.
Jin, X., and Lim, S.Y., 2013, A Simulation Based Analysis on Reducing Patient
Waiting Time for Consultation in an Outpatient Eye Clinic, Winter
Conference.
Jing, W., and Lilei, 2016, Simulation Research on Jingdong Orders System Based
on Flexsim, International Journal of Multmedia and Ubiquitous Engineering,
Vol. 11, No. 6, pp. 369-395.
Kagioglou, M., and Sapountzis, S., 2007, Applications of Lean Thinking A Briefing
Document, Healt and Care Infrastructure Research and Innovation Centre.
Kakiay, T. J., 2004, Dasar Teori Antrian untuk Kehidupan Nyata, Andi,
Yogyakarta.
Khoshnevis, B., 1994, Discreet Systems Simulation, McGraw-Hill, Inc., New York.
Koelling, C.P., Eitel, D., Mahapatra, J. S., Messner, K., and Grove, J. L., 2001,
Value Stream Mapping the Emergency Department, Grado Department of
Industrial and Systems Engineering.
Lilliefors, H.W., 1967, On the Kolmogorov-Smirnov Test for Normality with Mean
and Variance Unknown, Journal of American statistical association, Vol. 62,
No. 318, pp. 399-402.
Media Komunikasi, Informasi dan Pendidikan RSUP Dr. Sardjito, 2016, Hasil
Survei, Buletin Sardjito Menyapa 2nd ed.
Menteri Kesehatan, 2008, Kepmenkes Nomor: 129/MENKES/SK/II/2008,
Departemen Kesehatan, Jakarta.
Menteri Kesehatan, 2012, Kepmenkes Nomor: 192/MENKES/SK/VI/2012,
Departemen Kesehatan, Jakarta.
Mulyono, S., 1991, Operations Research, FE-UI, Jakarta.
Nasution, S., 2000, Berbagai Pendekatan dalam Proses Belajar Mengajar, PT
Bumi Aksara, Jakarta.
Nelson, J. L., and Buggy, J. M., 2005, Applying Lean Production In Healthcare
Facilities, InformeDesign Research, Vol. 06, No. 05.
107
108
109
72 9:12:58 0:00:08 8
73 9:13:05 0:00:07 7
74 9:13:35 0:00:30 30
75 9:13:58 0:00:23 23
76 9:14:10 0:00:12 12
77 9:14:25 0:00:15 15
78 9:19:54 0:05:29 329
79 9:21:00 0:01:06 66
80 9:21:16 0:00:16 16
81 9:21:26 0:00:10 10
82 9:21:50 0:00:24 24
83 9:24:11 0:02:21 141
84 9:24:24 0:00:13 13
85 9:27:42 0:03:18 198
86 9:29:27 0:01:45 105
87 9:29:40 0:00:13 13
88 9:30:44 0:01:04 64
89 9:31:04 0:00:20 20
90 9:33:20 0:02:16 136
91 9:33:27 0:00:07 7
92 9:33:44 0:00:17 17
93 9:36:10 0:02:26 146
94 9:36:41 0:00:31 31
95 9:38:10 0:01:29 89
96 9:38:44 0:00:34 34
97 9:40:57 0:02:13 133
98 9:43:07 0:02:10 130
99 9:43:16 0:00:09 9
100 9:44:01 0:00:45 45
101 9:44:36 0:00:35 35
102 9:46:19 0:01:43 103
103 9:46:41 0:00:22 22
104 9:47:38 0:00:57 57
105 9:48:40 0:01:02 62
106 9:48:48 0:00:08 8
107 9:51:58 0:03:10 190
108 9:53:32 0:01:34 94
109 9:55:16 0:01:44 104
110 9:55:46 0:00:30 30
111
Interarrival Interarrival
No Arrival Time
Time (Minute)
1 10:09:15
2 10:11:16 0:02:01 121
3 10:13:22 0:02:06 126
4 10:14:06 0:00:44 44
5 10:16:17 0:02:11 131
6 10:17:51 0:01:34 94
7 10:20:33 0:02:42 162
8 10:21:06 0:00:33 33
9 10:21:33 0:00:27 27
10 10:22:02 0:00:29 29
11 10:22:35 0:00:33 33
12 10:22:42 0:00:07 7
13 10:24:29 0:01:47 107
14 10:25:23 0:00:54 54
15 10:25:44 0:00:21 21
16 10:26:31 0:00:47 47
17 10:29:01 0:02:30 150
18 10:29:43 0:00:42 42
19 10:29:48 0:00:05 5
20 10:29:57 0:00:09 9
21 10:30:44 0:00:47 47
22 10:31:55 0:01:11 71
23 10:33:44 0:01:49 109
24 10:34:11 0:00:27 27
25 10:36:41 0:02:30 150
26 10:36:55 0:00:14 14
27 10:37:47 0:00:52 52
28 10:38:12 0:00:25 25
29 10:38:56 0:00:44 44
30 10:39:33 0:00:37 37
31 10:41:02 0:01:29 89
32 10:42:27 0:01:25 85
33 10:43:45 0:01:18 78
34 10:44:21 0:00:36 36
35 10:44:48 0:00:27 27
36 10:45:07 0:00:19 19
115
76 11:17:59 0:00:30 30
77 11:18:07 0:00:08 8
78 11:19:41 0:01:34 94
79 11:21:06 0:01:25 85
80 11:21:27 0:00:21 21
81 11:21:41 0:00:14 14
82 11:21:53 0:00:12 12
83 11:22:27 0:00:34 34
84 11:23:58 0:01:31 91
85 11:26:21 0:02:23 143
86 11:26:27 0:00:06 6
87 11:27:06 0:00:39 39
88 11:27:41 0:00:35 35
89 11:28:32 0:00:51 51
117
Interarrival Interarrival
No Arrival Time
Time (Minute)
1 7:14:05
2 7:14:27 0:00:22 22
3 7:16:12 0:01:45 105
4 7:16:24 0:00:12 12
5 7:16:38 0:00:14 14
6 7:18:24 0:01:46 106
7 7:19:14 0:00:50 50
8 7:24:51 0:05:37 337
9 7:27:39 0:02:48 168
10 7:31:11 0:03:32 212
11 7:33:12 0:02:01 121
12 7:33:41 0:00:29 29
13 7:39:21 0:05:40 340
14 7:39:53 0:00:32 32
15 7:39:58 0:00:05 5
16 7:41:21 0:01:23 83
17 7:41:39 0:00:18 18
18 7:41:48 0:00:09 9
19 7:44:16 0:02:28 148
20 7:44:21 0:00:05 5
21 7:44:26 0:00:05 5
22 7:44:41 0:00:15 15
23 7:49:55 0:05:14 314
24 7:55:09 0:05:14 314
25 7:56:13 0:01:04 64
26 7:56:28 0:00:15 15
27 7:56:41 0:00:13 13
28 7:57:26 0:00:45 45
29 7:59:33 0:02:07 127
30 8:04:11 0:04:38 278
31 8:05:06 0:00:55 55
32 8:06:31 0:01:25 85
33 8:06:42 0:00:11 11
34 8:06:53 0:00:11 11
35 8:07:13 0:00:20 20
36 8:11:49 0:04:36 276
118
76 9:07:35 0:00:22 22
77 9:10:06 0:02:31 151
78 9:10:19 0:00:13 13
79 9:10:21 0:00:02 2
80 9:11:04 0:00:43 43
81 9:13:11 0:02:07 127
82 9:19:11 0:06:00 360
83 9:19:38 0:00:27 27
84 9:22:51 0:03:13 193
85 9:23:02 0:00:11 11
86 9:26:37 0:03:35 215
87 9:27:09 0:00:32 32
88 9:27:13 0:00:04 4
89 9:27:14 0:00:01 1
90 9:27:18 0:00:04 4
91 9:27:28 0:00:10 10
92 9:32:25 0:04:57 297
93 9:34:15 0:01:50 110
94 9:34:51 0:00:36 36
95 9:35:03 0:00:12 12
96 9:37:19 0:02:16 136
97 9:37:23 0:00:04 4
98 9:39:12 0:01:49 109
99 9:39:41 0:00:29 29
100 9:39:46 0:00:05 5
101 9:40:02 0:00:16 16
102 9:40:09 0:00:07 7
103 9:40:16 0:00:07 7
104 9:40:21 0:00:05 5
105 9:40:22 0:00:01 1
106 9:42:29 0:02:07 127
107 9:43:11 0:00:42 42
108 9:43:49 0:00:38 38
109 9:44:07 0:00:18 18
110 9:45:13 0:01:06 66
111 9:51:21 0:06:08 368
112 9:51:28 0:00:07 7
113 9:51:41 0:00:13 13
114 9:51:53 0:00:12 12
120
76 9:12:12 0:00:34 34
77 9:13:37 0:01:25 85
78 9:14:26 0:00:49 49
79 9:14:33 0:00:07 7
80 9:15:00 0:00:27 27
81 9:15:11 0:00:11 11
82 9:15:25 0:00:14 14
83 9:17:35 0:02:10 130
84 9:18:26 0:00:51 51
85 9:18:48 0:00:22 22
86 9:18:54 0:00:06 6
87 9:25:11 0:06:17 377
88 9:31:15 0:06:04 364
89 9:31:29 0:00:14 14
90 9:32:21 0:00:52 52
91 9:37:40 0:05:19 319
92 9:38:04 0:00:24 24
93 9:42:17 0:04:13 253
94 9:44:32 0:02:15 135
95 9:45:15 0:00:43 43
96 9:50:30 0:05:15 315
97 9:53:27 0:02:57 177
98 9:54:13 0:00:46 46
99 9:54:36 0:00:23 23
100 9:55:20 0:00:44 44
101 9:55:48 0:00:28 28
102 10:01:12 0:05:24 324
103 10:01:26 0:00:14 14
104 10:02:13 0:00:47 47
105 10:03:22 0:01:09 69
106 10:03:57 0:00:35 35
107 10:06:30 0:02:33 153
108 10:07:20 0:00:50 50
109 10:07:44 0:00:24 24
110 10:13:13 0:05:29 329
111 10:15:22 0:02:09 129
112 10:15:56 0:00:34 34
113 10:18:43 0:02:47 167
114 10:19:00 0:00:17 17
126
Interarrival Interarrival
No Arrival Time
Time (Minute)
1 8:03:07
2 8:03:37 0:00:30 30
3 8:04:31 0:00:54 54
4 8:06:39 0:02:08 128
5 8:07:11 0:00:32 32
6 8:07:14 0:00:03 3
7 8:08:27 0:01:13 73
8 8:09:25 0:00:58 58
9 8:12:10 0:02:45 165
10 8:12:16 0:00:06 6
11 8:14:01 0:01:45 105
12 8:14:23 0:00:22 22
13 8:14:37 0:00:14 14
14 8:15:28 0:00:51 51
15 8:16:24 0:00:56 56
16 8:18:14 0:01:50 110
17 8:18:56 0:00:42 42
18 8:21:20 0:02:24 144
19 8:21:49 0:00:29 29
20 8:21:49 0:00:00 0
21 8:24:01 0:02:12 132
22 8:25:59 0:01:58 118
23 8:27:03 0:01:04 64
24 8:27:18 0:00:15 15
25 8:27:28 0:00:10 10
26 8:27:42 0:00:14 14
27 8:28:14 0:00:32 32
28 8:28:38 0:00:24 24
29 8:30:26 0:01:48 108
30 8:30:51 0:00:25 25
31 8:33:46 0:02:55 175
32 8:35:22 0:01:36 96
33 8:35:29 0:00:07 7
34 8:37:43 0:02:14 134
35 8:39:14 0:01:31 91
36 8:39:28 0:00:14 14
130
37 8:39:35 0:00:07 7
38 8:39:38 0:00:03 3
39 8:39:44 0:00:06 6
40 8:40:01 0:00:17 17
41 8:40:50 0:00:49 49
42 8:42:18 0:01:28 88
43 8:44:54 0:02:36 156
44 8:45:12 0:00:18 18
45 8:45:14 0:00:02 2
46 8:48:08 0:02:54 174
47 8:48:39 0:00:31 31
48 8:49:02 0:00:23 23
49 8:49:08 0:00:06 6
50 8:49:21 0:00:13 13
51 8:50:45 0:01:24 84
52 8:51:55 0:01:10 70
53 8:52:41 0:00:46 46
54 8:52:57 0:00:16 16
55 8:55:52 0:02:55 175
56 8:56:20 0:00:28 28
57 8:58:04 0:01:44 104
58 8:58:54 0:00:50 50
59 8:59:07 0:00:13 13
60 9:02:01 0:02:54 174
61 9:02:05 0:00:04 4
62 9:03:36 0:01:31 91
63 9:04:24 0:00:48 48
64 9:04:24 0:00:00 0
65 9:05:56 0:01:32 92
66 9:08:18 0:02:22 142
67 9:09:08 0:00:50 50
68 9:09:34 0:00:26 26
69 9:11:00 0:01:26 86
70 9:11:03 0:00:03 3
71 9:12:07 0:01:04 64
72 9:12:20 0:00:13 13
73 9:12:23 0:00:03 3
74 9:15:30 0:03:07 187
75 9:15:54 0:00:24 24
131
76 9:16:41 0:00:47 47
77 9:19:47 0:03:06 186
78 9:20:09 0:00:22 22
79 9:20:48 0:00:39 39
80 9:22:39 0:01:51 111
81 9:24:46 0:02:07 127
82 9:25:52 0:01:06 66
83 9:26:12 0:00:20 20
84 9:27:06 0:00:54 54
85 9:30:34 0:03:28 208
86 9:32:04 0:01:30 90
87 9:33:51 0:01:47 107
88 9:34:10 0:00:19 19
89 9:35:24 0:01:14 74
90 9:37:46 0:02:22 142
91 9:39:46 0:02:00 120
92 9:41:21 0:01:35 95
93 9:42:16 0:00:55 55
94 9:42:40 0:00:24 24
95 9:44:23 0:01:43 103
96 9:45:30 0:01:07 67
97 9:47:07 0:01:37 97
98 9:48:48 0:01:41 101
99 9:49:10 0:00:22 22
100 9:49:27 0:00:17 17
101 9:49:56 0:00:29 29
102 9:50:42 0:00:46 46
103 9:53:09 0:02:27 147
104 9:53:21 0:00:12 12
105 9:54:14 0:00:53 53
106 9:54:35 0:00:21 21
107 9:57:27 0:02:52 172
108 9:58:22 0:00:55 55
109 9:59:37 0:01:15 75
110 10:01:13 0:01:36 96
111 10:02:37 0:01:24 84
112 10:03:16 0:00:39 39
113 10:03:48 0:00:32 32
114 10:04:05 0:00:17 17
132
Std.
N Mean deviation Minimum Maximum
Senin 227 88,27 98,915 3 766
Selasa 88 54,06 46,200 4 222
Rabu 215 88,68 100,253 1 445
Kamis 204 76,39 88,315 2 377
Jumat 165 64,24 50,195 0 208
Ranks
Mean
Group N Rank
Value 1 227 489,18
2 88 407,69
3 215 444,41
4 204 430,50
5 165 450,06
Total 899
Test Statisticsa,b
Value
Chi-
square 8,756
df 4
Asymp.
sig. ,068
a. Kruskal wallis Test
b. Grouping Variable:
Group
136
Lampiran 9. Jumlah data real pasien poliklinik penyakit dalam RSUP Dr. Sardjito
Jumlah
Pasien Endokrin Gastro Hemato Remato Nemato
190 75 48 29 19 19
121 49 30 19 10 13
164 67 40 23 19 15
179 74 44 26 16 19
175 70 44 26 17 18
172 68 43 26 17 18
105 42 26 15 11 11
177 70 43 26 18 20
173 69 44 26 17 17
163 65 41 26 16 15
158 63 40 23 15 17
109 43 27 16 10 13
171 68 42 25 19 17
178 71 44 26 21 16
142 56 34 22 14 16
189 75 47 28 20 19
126 50 31 18 12 15
163 65 40 24 16 18
193 77 48 28 19 21
172 68 43 25 17 19
171 68 42 25 17 19
123 49 30 18 12 14
160 64 40 24 16 16
164 65 41 24 16 18
158 63 39 23 15 18
171 68 42 25 17 19
120 48 30 18 12 12
163 55 40 24 16 28
208 83 52 31 22 20
173 69 43 25 19 17
206 82 51 30 20 23
140 56 35 21 14 14
177 70 44 26 17 20
194 77 48 29 19 21
175 70 43 26 17 19
200 80 50 30 20 20
138
129 51 32 19 12 15
162 64 40 24 16 18
190 76 47 29 19 19
215 86 53 32 21 23
205 82 53 30 22 18
144 57 36 21 14 16
201 80 50 30 20 21
194 77 48 29 19 21
193 77 50 34 14 18
102 40 25 15 10 12
201 80 50 30 20 21
165 66 41 24 16 18
165 66 42 25 16 16
212 84 53 31 25 19
Cases
Std.
Statistic error
Arrival Mean 167,6327 4,12142
95% Lower
Confidence Bound
Interval for 159,3460
Mean
Upper
Bound 175,9193
5%
Trimmed 168,6474
Mean
Median 171,0000
Variance 832,321
Std.
28,84997
deviation
Minimum 102,00
Maximum 215,00
Range 113,00
Interquartile
Range 33,50
Skewness
-,579 ,340
Kurtosis -,206 ,668
Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
Senin ,204 10 ,200* ,782 10 ,009
Selasa ,143 10 ,200* ,952 10 ,688
Rabu ,264 10 ,047 ,930 10 ,447
Kamis ,202 10 ,200* ,922 10 ,370
Jumat ,146 10 ,200* ,954 10 ,720
*. This is a lower bound of the true significance.
a. Lilliefors Significance Correction
140
Lampiran 11. Uji kruskal wallis jumlah kedatangan pasien setiap hari
Ranks
Mean
Day N Rank
Arrival Senin 10 24,20
Selasa 10 35,30
Rabu 10 27,25
Kamis 10 35,15
Jumat 10 5,60
Total 50
Test Statisticsa,b
Arrival
Chi-square
27,785
df
4
Lampiran 12. Uji kruskal wallis jumlah kedatangan hari Senin, Selasa, Rabu dan
Kamis
Ranks
Mean
Day N Rank
Arrival Senin 10 14,20
Selasa 10 25,30
Rabu 10 17,35
Kamis 10 25,15
Total 40
Test Statisticsa,b
Arrival
Chi-
square 6,910
df
3
Asymp.
sig. ,075
a. Kruskal wallis Test
b. Grouping Variable:
Day
142
Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
Admin1 ,190 26 ,017 ,880 26 ,006
a. Lilliefors Significance Correction
Descriptives
Statistic Std. error
Admin2 Mean 241,2692 32,24123
95% Lower
174,8672
Confidence Bound
Interval for Upper
307,6713
Mean Bound
5% Trimmed Mean 233,2350
Median 189,5000
Variance 27026,925
Std. deviation 164,39868
Minimum 55,00
Maximum 571,00
Range 516,00
Interquartile Range 289,75
Skewness ,574 ,456
Kurtosis -1,030 ,887
144
Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
Admin2 ,214 26 ,003 ,874 26 ,004
a. Lilliefors Significance Correction
145
Descriptive Statistics
Std.
N Mean deviation Minimum Maximum
Waktu 52 231,2885 172,65577 29,00 675,00
Server 52 1,5000 ,50488 1,00 2,00
Ranks
Mean Sum of
Server N Rank Ranks
Waktu 1,00 26 25,27 657,00
2,00 26 27,73 721,00
Total 52
Test Statisticsa
Waktu
Mann-
Whitney 306,000
U
Wilcoxon
w 657,000
Z
-,586
Asymp.
sig. (2- ,558
tailed)
a. Grouping Variable:
Server
146
Lampiran 17. Observasi data waktu pasien transport triage dan suster menulis
0:00:09 9 0:00:04 4
0:00:22 22 0:01:20 80
0:03:37 217
149
Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
Menulis ,146 14 ,200* ,929 14 ,299
*. This is a lower bound of the true significance.
a. Lilliefors Significance Correction
150
Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
TransPasien ,271 81 ,000 ,688 81 ,000
a. Lilliefors Significance Correction
151
Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
Triage
,082 96 ,122 ,950 96 ,001
Process
a. Lilliefors Significance Correction
155
Lampiran 25. Uji normalitas pengambilan dan distribusi berkas oleh suster
Descriptives
Statistic Std. error
Distribusi Mean 584,2632 48,13654
95% Confidence Lower
486,7293
Interval for Mean Bound
Upper
681,7970
Bound
5% Trimmed Mean 567,0292
Median 522,0000
Variance 88050,794
Std. deviation 296,73354
Minimum 146,00
Maximum 1319,00
Range 1173,00
Interquartile Range 467,50
Skewness ,655 ,383
Kurtosis -,098 ,750
Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
Distribusi ,107 38 ,200* ,946 38 ,066
*. This is a lower bound of the true significance.
a. Lilliefors Significance Correction
158
Maximum 4701,00
Range 4512,00
Interquartile Range 681,75
Skewness 2,975 ,512
Kurtosis 10,256 ,992
Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
Server1
,250 20 ,002 ,642 20 ,000
Maximum 3865,00
Range 3664,00
Interquartile Range 703,50
Skewness 2,400 ,464
Kurtosis 6,590 ,902
Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
Server2
,253 25 ,000 ,728 25 ,000
Maximum 2022,00
Range 1865,00
Interquartile Range 432,50
Skewness 1,609 ,512
Kurtosis 1,326 ,992
Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
Server3
,324 20 ,000 ,723 20 ,000
Maximum 2677,00
Range 2493,00
Interquartile Range 719,50
Skewness 1,845 ,501
Kurtosis 4,979 ,972
Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
Server4
,140 21 ,200* ,838 21 ,003
Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
Server5 ,289 25 ,000 ,825 25 ,001
a. Lilliefors Significance Correction
168
Ranks
Mean
Server N Rank
Waktu Server 1 20 50,43
Server
Server 2 25 55,42
Server 3 20 45,65
Server 4 21 57,98
Server 5 25 67,66
Total 111
Test Statisticsa,b
Waktu
Server
Chi-
6,036
square
df 4
Asymp.
,196
sig.
a. Kruskal wallis Test
b. Grouping Variable:
Server
169
Maximum 1367,00
Range 1367,00
Interquartile Range 33,75
Skewness 4,792 ,325
Kurtosis 26,347 ,639
Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
PasientoDokter
,369 54 ,000 ,381 54 ,000
Lampiran 42. Validasi data jumlah pasien selesai sistem nyata dan model
37 2 201
38 2 165
39 2 165
40 2 212
Average 178,90 179,55
Standar
Deviasi 5,04 17,63
175
Lampiran 43. Uji normalitas validasi jumlah pasien sistem nyata dan model
Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
Model ,214 10 ,200* ,950 10 ,671
SistemNyata ,148 10 ,200* ,968 10 ,874
*. This is a lower bound of the true significance.
a. Lilliefors Significance Correction
Descriptives
Std.
Statistic error
Model Mean 178,9000 1,59478
95% Confidence Lower
Interval for Mean Bound 175,2923
Upper
Bound 182,5077
5% Trimmed Mean 178,7778
Median 178,5000
Variance 25,433
Std. deviation 5,04315
Minimum 171,00
Maximum 189,00
Range 18,00
Interquartile Range 4,75
Skewness ,580 ,687
Kurtosis ,923 1,334
SistemNyata Mean 172,2000 2,88598
95% Confidence Lower
Interval for Mean Bound 165,6715
Upper
Bound 178,7285
5% Trimmed Mean 172,0000
Median 172,5000
Variance 83,289
Std. deviation 9,12627
Minimum 158,00
Maximum 190,00
Range 32,00
Interquartile Range 13,75
176
Lampiran 44. Validasi Uji mann-whitney jumlah pasien selesai sistem nyata dan
model
Descriptive Statistics
Std.
N Mean deviation Minimum Maximum
Pasien
Selesai 50 179,4200 15,88105 142,00 215,00
Group 50 1,8000 ,40406 1,00 2,00
Ranks
Mean Sum of
Group N Rank Ranks
Pasien Model 10 27,90 279,00
Selesai
Real 40 24,90 996,00
Total 50
Test Statisticsa
Pasien Selesai
Mann-Whitney U 176,000
Wilcoxon w 996,000
Z -,583
Lampiran 45. Validasi data waktu tunggu pasien triage sistem nyata dan model
Mulai Selesai
Waktu Total Waktu (Hr)
menunggu menunggu
8:44:27 12:04:28 3:20:01 3,334
8:46:03 12:15:19 3:29:16 3,488
8:51:11 12:16:37 3:25:26 3,424
8:51:49 11:44:57 2:53:08 2,885
8:52:23 12:11:54 3:19:31 3,325
8:55:35 11:50:41 2:55:06 2,918
8:56:28 12:04:28 3:08:00 3,133
8:59:16 11:42:07 2:42:51 2,714
9:04:19 12:21:04 3:16:45 3,279
9:04:51 11:55:13 2:50:22 2,840
Kolmogorov-Smirnova Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
Model ,124 10 ,200* ,949 10 ,661
Real ,193 10 ,200* ,912 10 ,297
*. This is a lower bound of the true significance.
a. Lilliefors Significance Correction
180
Lampiran 47. Validasi Uji one way anova waktu tunggu pasien triage
Value
ANOVA
Value
Sum of Mean
Squares df Square F Sig.
Between Groups
,126 1 ,126 1,393 ,253
Within Groups
1,629 18 ,091
Total 1,755 19
181
Group Statistics
Std.
Std. error
Group N Mean deviation Mean
Value Model
10 3,1580 ,25029 ,07915
Real 10 2,9992 ,34409 ,10881
Lampiran 49. Validasi data waktu tunggu pasien dokter sistem nyata dan model
Mulai Selesai
menunggu menunggu Waktu Total Waktu (Hr)
10:12:47 12:01:57 1:49:10 1,819
10:15:55 12:03:01 1:47:06 1,785
10:16:14 12:15:31 1:59:17 1,988
10:18:02 12:03:10 1:45:08 1,752
11:07:33 13:03:21 1:55:48 1,930
11:09:12 12:48:11 1:38:59 1,650
11:09:41 13:08:56 1:59:15 1,988
11:11:58 13:04:11 1:52:13 1,870
11:13:06 13:00:27 1:47:21 1,789
12:15:36 13:46:16 1:30:40 1,511
Kolmogorov-Smirnova Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
Model ,163 10 ,200* ,965 10 ,841
Real ,150 10 ,200* ,944 10 ,595
*. This is a lower bound of the true significance.
a. Lilliefors Significance Correction
184
Lampiran 51. Validasi Uji one way anova waktu tunggu pasien triage
Value
Levene
statistic df1 df2 Sig.
2,052 1 18 ,169
ANOVA
Value
Sum of Mean
Squares df Square F Sig.
Between
Groups ,000 1 ,000 ,016 ,902
Within
Groups ,257 18 ,014
Total
,257 19
185
Group Statistics
Std.
Std. error
Group N Mean deviation Mean
Value Model
10 1,8149 ,07880 ,02492
Real 10 1,8082 ,14939 ,04724
Upper
Lower
Equal
variances
-,10551
,00670
,05341
,11891
,902
Equal
variances
-,10813
,00670
,05341
,12153
,902
Average
Time
Label
No. Alternatif Time in Rank
in Waiting
Move
System Time (Hr)
Logic (Hr)
(Hr)
Sistem
Aktual
Berkas ke Dokter
Suster Membawa Berkas
Triage, Pasien Membawa 1B 4,899 0,169 4,560 16
Berkas ke Dokter
Pasien Membawa Berkas
Triage, Pasien Membawa 1C 1,754 0,045 1,596 6
Berkas ke Dokter
Pola Pemanggilan
Pasien dengan 2 Orang
Pemanggilan Pasien 2
orang untuk pelayanan
triage dan 1 pemanggilan 2A 5,136 0,165 4,801 20
pasien untuk pelayanan
dokter
Alternatif 2
Pemanggilan Pasien 1
orang untuk pelayanan
triage dan 2 pemanggilan 2B 5,190 0,162 4,853 25
pasien untuk pelayanan
dokter
Pemanggilan Pasien 2
orang untuk pelayanan
triage dan 2 pemanggilan 2C 5,140 0,154 4,814 22
pasien untuk pelayanan
dokter
Specific Job untuk
Alternatif 3
suster
2 Suster Pelayanan
Triage, 1 Suster 3A 5,419 0,232 5,114 26
Distribusi Berkas
187
ke triage, Sistem
5A 1,492 0,038 1,340 3
Komputerisasi di bagian
dokter
Sistem komputerisasi di
bagian triage, pasien
5B 2,564 0,037 2,439 11
membawa berkas ke
dokter
Semua Alternatif Terbaik
di kombinasikan dengan
alternatif 2
Kombinasi 5A dan 2A 6A 1,462 0,032 1,318 2
Kombinasi 5A dan 2C 6B 1,424 0,015 1,294 1
Kombinasi 1C dan 2A 6C 1,722 0,040 1,570 5
Alternatif 6
Average
Time in
No. Alternatif Label Time in Waiting
Move
System Time
Logic
(Hr) (Hr)
(Hr)
Aktual
Aktual Sistem Real 5,167 0,172 4,822
Sistem
Kombinasi 5A dan
6 6B
2C 1,424 0,015 1,294
Improve 72,44% 91,01% 73,16%
Average
Time in
No. Alternatif Label Time in Waiting
Move
System Time
Logic
(Hr) (Hr)
(Hr)
Aktual
Aktual Sistem Real 5,167 0,172 4,822
Sistem
Kombinasi 5A dan
6 6A
2A 1,462 0,032 1,318
Improve 71,71% 81,26% 72,66%
Average
Time in
No. Alternatif Label Time in Waiting
Move
System Time
Logic
(Hr) (Hr)
(Hr)
Aktual
Aktual Sistem Real 5,167 0,172 4,822
Sistem
5 Alternatif 5 5A 1,492 0,038 1,340
Improve 71,13% 77,92% 72,20%
Average
Time in
No. Alternatif Label Time in Waiting
Move
System Time
Logic
(Hr) (Hr)
(Hr)
Aktual
Aktual Sistem Real 5,167 0,172 4,822
Sistem
Kombinasi 5A dan
6D
Alternatif 6 2C 1,699 0,023 1,562
Improve 67,12% 86,43% 67,60%
No. Alternatif Label Average
189
Time in
Time in Waiting
Move
System Time
Logic
(Hr) (Hr)
(Hr)
Aktual
Aktual Sistem Real 5,167 0,172 4,822
Sistem
Kombinasi 5A dan
6C
Alternatif 6 2C 1,722 0,040 1,570
Improve 66,67% 76,99% 67,45%
190
Average
No. Deskripsi Label Queue Pasien tunggu
dokter
Distribusi aktual
berkas triage dan
1 4B 0,367568106
komputerisasi
ruangan dokter
Proses triage dan
ruangan dokter
2 4C 2,15386895
menggunakan
kompterisasi
Pasien membawa
berkas triage dan
3 5A 1,841003342
komputerisasi
ruangan dokter
191
Average
Time in
No. Alternatif Label Time in Waiting
Move
System Time
Logic
(Hr) (Hr)
(Hr)
Aktual
Aktual Sistem Real 5,167 0,172 4,822
Sistem
Kombinasi 5A dan
3A
Alternatif 3 2C 5,419 0,232 5,114
Improve 4,88% 35,16% 6,07%
192
Lampiran 57. Pencapaian tingkat kepuasan pelanggan per satuan kerja RSUP Dr.
Sardjito Yogyakarta tahun 2015
193