Analisis Lean Healthcare Poliklinik Penyakit Dalam

SKRIPSI
ANALISIS LEAN HEALTHCARE PADA SISTEM POLIKLINIK PENYAKIT

DALAM INSTALASI RAWAT JALAN RSUP DR. SARDJITO YOGYAKARTA
Nomer Soal:
Disusun Oleh:
RIFA GANDI LESMANA
NIM : 12/333698/TK/40041
PROGRAM STUDI TEKNIK INDUSTRI

DEPARTEMEN TEKNIK MESIN DAN INDUSTRI
FAKULTAS TEKNIK UNIVERSITAS GADJAH MADA
YOGYAKARTA
2017
SKRIPSI
ANALISIS LEAN HEALTHCARE PADA SISTEM POLIKLINIK PENYAKIT

DALAM INSTALASI RAWAT JALAN RSUP DR. SARDJITO YOGYAKARTA
Nomer Soal:
Disusun Oleh:
RIFA GANDI LESMANA
NIM : 12/333698/TK/40041
PROGRAM STUDI TEKNIK INDUSTRI

DEPARTEMEN TEKNIK MESIN DAN INDUSTRI
FAKULTAS TEKNIK UNIVERSITAS GADJAH MADA
YOGYAKARTA
2017
i
PENGESAHAN
Digunakan untuk memenuhi persyaratan

Guna memperoleh gelar SARJANA
Di Program Studi Teknik Industri
Departemen Teknik Mesin dan Industri Fakultas Teknik
Universitas Gadjah Mada
Yogyakarta
Disusun oleh:
Nama : Rifa Gandi Lesmana
NIM: : 12/333698/TK/40041
Disetujui untuk diuji Maret 2017

Dosen Pembimbing
M.K. Herliansyah, S.T., M.T., Ph.D.

NIP. 197106241998031101
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,
Rifa Gandi Lesmana
iii
PERNYATAAN
Nama Mahasiswa : Rifa Gandi Lesmana

Nomor Mahasiswa : 12/333698/TK/40041
Program Studi : Teknik Industri
Modul : Riset Operasi
Judul : Analisis Lean Healthcare pada Sistem Poliklinik Penyakit
Dalam Instalasi Rawat Jalan RSUP Dr. Sardjito
Yogyakarta, 24 Agustus 2016

Dosen Pembimbing
M.K. Herliansyah, S.T., M.T., Ph.D.

NIP. 197106241998031101
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 
----------------------------------------------------------------------------
“an outstanding intellegence, can even rewrite fate”

Omniscience Dragon, Afanc
v
KATA PENGANTAR
Tugas akhir dengan judul “Analisis Lean Healthcare pada Sistem

Poliklinik Penyakit Dalam Instalasi Rawat Jalan RSUP Dr. Sardjito” disusun
sebagai salah satu syarat untuk mendapatkan gelar sarjana pada Program Studi
Teknik Industri, Departemen Teknik Mesin dan Industri, Fakultas Teknik,
Universitas Gadjah Mada. Tugas akhir ini membahas mengenai pengembangan
alternatif berdasarkan analisis value stream mapping dan konsep lean healthcare
dari sistem poliklinik penyakit dalam instalasi rawat jalan RSUP Dr. Sardjito
untuk meminimalkan waktu tunggu pasien dan meningkatkan kinerja pelayanan.
Pada bagian pertama tulisan ini memuat latar belakang permasalahan,
asumsi, batasan, tujuan, dan manfaat dari dilakukannya penelitian. Pada bagian
kedua berisi tinjauan pustaka yang merupakan uraian tentang hasil-hasil penelitian
peneliti terdahulu yang berkaitan dengan penelitian yang akan dilakukan. Bagian
ketiga memaparkan tentang landasan teori dan tuntunan dalam menyelesaikan
penelitian. Bagian keempat memuat metode penelitian yang berisi tentang objek
penelitian, data yang dibutuhkan, alat yang digunakan, dan tahapan-tahapan
penelitian yang dilakukan. Bagian kelima merupakan hasil dan pembahasan
permasalahan yang diteliti. Pada akhir tulisan diakhiri dengan kesimpulan dan
saran untuk penelitian selanjutnya.
Penulis menyadari bahwa terdapat berbagai kekurangan dalam
penyusunan tugas akhir ini. Oleh karena itu, saran dan kritik yang membangun
sangat diharapkan untuk perbaikan di masa mendatang. Semoga tulisan ini dapat
bermanfaat bagi bidang keilmuan, civitas akademika, dan masyarakat pada
umumnya.
Yogyakarta 27 Februari 2017
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.
Yogyakarta, 01 Maret 2017
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
BAB II TINJAUAN PUSTAKA 6
BAB III LANDASAN TEORI 12

3.1. Lean Healthcare 12
3.2. Sejarah Antrian 12
3.3. Value Stream Mapping 21
3.4. Statistika Deskriptif 22
3.5. Uji Statistika 24
3.6. Teknik Simulasi 28
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
BAB V HASIL DAN PEMBAHASAN 44

5.1. Deskripsi Sistem 44
5.2. Validasi Data Aktual 49
5.2.1. Rata-rata jumlah kedatangan pasien 49
5.2.2. Interarrival kedatangan pasien 52
5.2.3. Waktu pelayanan administrasi 54
5.2.4. Waktu pelayanan triage 55
5.2.5. Waktu pengambilan dan pendistribusian berkas oleh suster 55
5.2.6. Waktu suster menulis hasil pelayanan triage 56
5.2.7. Waktu transport pasien triage 57
5.2.8. Waktu pelayanan dokter 58
5.2.9. Waktu transport pasien dokter 59
5.2.10. Probabilitas pemilihan dokter 60
5.3. Pembuatan Model Sistem Nyata 60
5.3.1. Asumsi dan batasan model 61
5.3.2. Input data observasi sesuai dengan sistem nyata 62
5.4. Validasi Model Dengan Sistem Nyata 63
5.4.1. Menentukan minimum replikasi 63
5.4.2. Uji normalitas data model 64
5.4.3. Uji statistik validasi model 68
5.5. Analisis Model Simulasi 72
5.5.1. Value added sistem poliklinik 74
5.5.2. Non value added sistem poliklinik 75
5.5.3. Non value added but needed sistem poliklinik 75
5.6. Pengembangan Alternatif Perbaikan Sistem 76
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
5.7.4. Analisis alternatif 6D 94
5.7.5. Analisis alternatif 6C 97
BAB VI PENUTUP 103

6.1. Kesimpulan 103
6.2. Saran 103
DAFTAR PUSTAKA 105
LAMPIRAN 108
xi
DAFTAR GAMBAR
Gambar 3.1. Proses dasar antrian (Supranto, 1987) 16

Gambar 3.2. Model Single Channel-Single Phase (Subagyo et al, 1997) 17
Gambar 3.3. Single Channel-Multi Phase (Subagyo et al, 1997) 18
Gambar 3.4. Multi Channel-Single Phase (Subagyo et al, 1997) 18
Gambar 3.5. Multi Channel-Multi Phase (Subagyo et al, 1997) 18
Gambar 3.6. Value Stream Mapping (Gil, 2012) 21
Gambar 4.1. Flowchart Penelitian 34
Gambar 5.1. Alur pemeriksaan pasien poliklinik 47
Gambar 5.2. Lay out poliklinik penyakit dalam 49
Gambar 5.3. Plot uji normalitas jumlah kedatangan pasien poliklinik 50
Gambar 5.4. Current value stream mapping poliklinik penyakit dalam 73
Gambar 5.5. Histogram Perbandingan Waktu Tunggu Pasien Semua
Alternatif 83
Gambar 5.6. Perbandingan Hasil Simulasi Real System Dan Model
Alternatif 6B 85
Gambar 5.7. Perbandingan Waktu Tunggu Pasien Dokter 4B, 4C dan 5A 86
Gambar 5.8. Future State Value Stream Mapping Alternatif 6B 87
Alternatif 6A 89
Gambar 5.10. Future State Value Stream Mapping Alternatif 6A 90
Alternatif 5A 92
Alternatif 6D 95
Gambar 5.14. Future State Value Stream Mapping Alternatif 6D 96
Alternatif 6C 99
xii
Gambar 5.16. Future State Value Stream Mapping Alternatif 6C 100
Alternatif 3A 101
xiii
DAFTAR TABEL
Tabel 2.1. Peta Penelitian antara Penelitian Sebelumnya dengan

Penelitian yang akan Dilakukan 11
Tabel 3.1 Daerah Kritis Uji K-S 27
Tabel 4.1. Penyusunan Alternatif Perbaikan Model Simulasi 41
Tabel 5.1. Uji Normalitas Jumlah Kedatangan Pasien Poliklinik 50
Tabel 5.2. Uji Signifikansi Jumlah Kedatangan Pasien Poliklinik 51
Tabel 5.3. Uji Signifikansi Kruskal wallis Selain Hari Jumat 51
Tabel 5.4. Uji Normalitas Waktu Interarrival Time Kedatangan Pasien 52
Tabel 5.5. Hasil Uji Kruskal wallis Interarrival Time Pasien 54
Tabel 5.6. Uji Normalitas Waktu Pelayanan Tiap Server 54
Tabel 5.7. Uji Normalitas Waktu Pelayanan Tiap Server 55
Tabel 5.8. Uji Normalitas Waktu Pengambilan Dan Distribusi Berkas
Oleh Suster 56
Tabel 5.9. Uji Normalitas Waktu Suster Menulis Hasil Triage 57
Tabel 5.10. Uji Normalitas Waktu Suster Menulis Hasil Triage 57
Tabel 5.11. Uji Normalitas Waktu Pelayanan Dokter 58
Tabel 5.12. Uji Kruskal wallis Waktu Pelayanan Dokter Tiap Server 59
Tabel 5.13. Uji Normalitas Waktu Transport Pasien Dokter 59
Tabel 5.14. Probabilitas Pemilihan Pasien Poliklinik Penyakit Dalam 60
Tabel 5.15. Hasil Uji Statistik Dan Goodness of fit Model Sistem Nyata 62
Tabel 5.16. Hasil Simulasi Untuk Replikasi 5 Kali 63
Tabel 5.17.Uji Replikasi Model Output Jumlah Pasien Selesai 64
Tabel 5.18. Uji Normalitas Jumlah Pasien Sistem Nyata Dan Model 65
Tabel 5.19. Data Waktu Tunggu Pasien Triage Pada Sistem Nyata
Dan Model 66
Tabel 5.20. Uji Normalitas Waktu Tunggu Pasien Triage Sistem Nyata
Dan Model 66
Tabel 5.21. Data Waktu Tunggu Pasien Dokter Pada Sistem Nyata
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 5.38. Perbandingan Current VSM Dan Alternatif 6D 96
Tabel 5.39. Perbandingan Current VSM Dan Alternatif 6C 99
xv
DAFTAR GAMBAR
Lampiran 1. Data interarrival time sistem poliklinik hari Senin 108

Lampiran 2. Data interarrival time sistem poliklinik hari Selasa 114
Lampiran 3. Data interarrival time sistem poliklinik hari Rabu 117
Lampiran 4. Data interarrival time sistem poliklinik hari Kamis 123
Lampiran 5. Data interarrival time sistem poliklinik hari Jumat 129
Lampiran 6. Uji normalitas interarrival time pasien setiap hari 134
Lampiran 7. Uji kruskal wallis interarrival time pasien setiap hari 135
Lampiran 8. Uji goodness of fit interarrival time pasien setiap hari 136
Lampiran 9. Jumlah data real pasien poliklinik penyakit dalam RSUP
Dr. Sardjito 137
Lampiran 10. Uji normalitas jumlah kedatangan pasien setiap hari 139
Lampiran 11. Uji kruskal wallis jumlah kedatangan pasien setiap hari 140
Lampiran 12. Uji kruskal wallis jumlah kedatangan hari Senin, Selasa,
Rabu dan Kamis 141
Lampiran 13. Observasi data waktu pelayanan administrasi 142
Lampiran 14. Uji normalitas administrasi tiap server 143
Lampiran 15. Uji mann whitney waktu pelayanan administrasi 145
Lampiran 16. Uji goodness of fit waktu pelayanan administrasi 146
Lampiran 17. Observasi data waktu pasien transport triage dan suster
Menulis 147
Lampiran 18. Uji normalitas suster menulis hasil pelayanan triage 149
Lampiran 19. Uji normalitas transport pasien triage 150
Lampiran 20. Uji goodness of fit waktu transport pasien triage 151
Lampiran 21. Observasi data waktu pelayanan triage 152
Lampiran 22. Uji normalitas waktu pelayanan triage 154
Lampiran 23. Uji goodness of fit pelayanan triage 155
Lampiran 24. Observasi data waktu pengambilan dan distribusi berkas 156
Lampiran 25. Uji normalitas pengambilan dan distribusi berkas oleh suster 157
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
3P = Production, Preparation dan Process

5s = sort, simplify, sweep, standardize dan self discipline
a = distribusi kedatangan yaitu jumlah kedatangan per satuan
waktu
ANOVA = Analysis of Variance
b = distribusi waktu pelayanan
c = jumlah fasilitas pelayanan (s = 1, 2, 3, ..., ∞)
d = jumlah maksimum yang diperkenankan berada dalam sistem
(dalam pelayanan ditambah yang di garis tunggu).
D = interarrival time atau service time konstan (deterministics)
Dr = Dokter
e = ukuran pemanggil populasi atau sumber.
BPJS = Badan Penyelenggara Jaminan Sosial
BPS = Badan Pusat Statistik
DIY = Daerah Istimewa Yogyakarta
Ei = frekuensi harapan ke-i
Ek = interarrival atau servicee time berdistribusi Erlang atau
Gamma
FCFS = First Come First Served
FIFO = First In First Out
FMEA = Failure Mode and Effect Analysis
GD = General Service Disciplint
H0 = data yang diuji mengikuti distribusi
H1 = data yang diuji tidak mengikuti distribusi
IRJ = Instalasi Rawat Jalan
k = Jumlah satuan pelayanan
KEPMENKES = Keputusan Menteri Kesehatan
KPI = Key Performance Indicators
L = Ekspektasi panjang antrian
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.
Kata kunci: Lean Healthcare, Value Stream Mapping, Simulasi
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.
Keywords: Lean Healthcare, Value Stream Mapping, Simulasi
xxiii
BAB I
PENDAHULUAN
1.1. Latar Belakang
Menurut Undang-Undang Nomor 44 tahun 2009, rumah sakit adalah institusi

pelayanan kesehatan bagi masyarakat dengan karakteristik tersendiri yang
dipengaruhi oleh perkembangan ilmu pengetahuan kesehatan, kemajuan
tekonologi, dan kehidupan sosial ekonomi masyarakat yang harus tetap mampu
meningkatkan pelayanan yang lebih bermutu dan terjangkau oleh masyarakat agar
terwujud derajat kesehatan yang setinggi-tingginya. Di dalam Undang-Undang
(UU) juga menyatakan bahwa dalam rangka peningkatan mutu dan jangkauan
pelayanan rumah sakit serta pengaturan hak dan kewajiban masyarakat dalam
memperoleh pelayanan kesehatan, perlu mengatur rumah sakit dengan UU.
Berdasarkan hal itu, maka ada standar yang ditetapkan oleh pemerintah terkait batas
minimum dibandingkan dengan Key Performance Indicators (KPI) yang diukur
untuk mendapatkan pelayanan yang lebih bermutu sesuai undang-undang.
Menurut Parmenter (2007), KPI diartikan serangkaian langkah-langkah yang
berfokus pada aspek-aspek kinerja organisasi yang paling penting bagi keberhasilan
saat ini dan masa depan organisasi. Berdasarkan data pencapaian tingkat kepuasan
pelanggan per satuan kerja Rumah Sakit Umum Pusat (RSUP) Dr. Sardjito
Yogyakarta tahun 2015 secara kumulatif, pencapaaian tingkat kepuasan pelanggan
pada Tahun 2015 adalah 81,09%. Dalam Rencana Strategik Bisnis (RSB) RSUP
Dr. Sardjito Tahun 2015 – 2019, standar pencapaian tingkat kepuasan pelanggan/
pasien adalah lebih dari atau sama dengan 80% dan target pada tahun 2015 adalah
85%. Kesimpulan yang diambil berdasarkan laporan tersebut bahwa RSUP Dr.
Sardjito telah mampu mencapai tingkat kepuasan pelanggan pada tahun 2015 sesuai
dengan standar RSB, namun belum mampu mencapai target yang ditetapkan.
Berdasarkan data pencapaian tingkat kepuasan pelanggan per satuan kerja
RSUP Dr. Sardjito Yogyakarta tahun 2015 untuk kriteria rawat jalan belum
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
Prinsip lean membantu dalam meminimalkan biaya-biaya yang tidak dibutuhkan,

mengurangi pemborosan (waste) dan meningkatkan prosedur yang tidak efisien
(Ohno, 1988).
Prinsip lean mulai diterapkan pada bidang-bidang pelayanan di dunia,
termasuk pada bidang kesehatan pada awal 2000 an (Young dan McCLean, 2009).
Penerapan lean bahkan cenderung menunjukkan kemampuan yang lebih baik dalam
dunia industri kesehatan dibanding dengan model lain (Wang dan Huzzard, 2011).
Oleh karena itu dalam penelitian ini akan membahas penerapan lean healthcare
dalam menyelesaikan permasalahan sistem antrian yang terjadi pada Poliklinik
Penyakit Dalam IRJ RSUP Dr. Sardjito untuk menurunkan total waktu tunggu
pasien di dalam sistem poliklinik.
1.2. Rumusan Masalah

Berdasarkan latar belakang yang telah disebutkan pada sub bab 1.1. maka
perlu adanya analisis lean healthcare pada sistem Poliklinik Penyakit Dalam IRJ
RSUP Dr. Sardjito untuk menurunkan waktu tunggu pasien berada di dalam sistem.
1.3. Asumsi dan Batasan Masalah

Penelitian ini lebih fokus dalam menganalisis masalah, maka objek kajian
hanya akan berdasarkan asumsi dan batasan sebagai berikut:
1. Objek Penelitian adalah sistem antrian Poliklinik Penyakit Dalam IRJ RSUP
Dr. Sardjito. Rumah sakit ini mengikuti disiplin antrian First in First out
(FIFO) dimana pasien yang pertama masuk akan dilayani pertama.
2. Penelitian ini tidak menggunakan pertimbangan faktor biaya dalam
menentukan keputusan.
3. Penelitian ini tidak menambahkan analisis resiko terhadap lama waktu
menunggu pasien atau lama menunggu pelayanan.
4. Penelitian hanya terbatas pada hari kerja senin – sabtu yaitu dari pukul 07.00
sampai dengan pukul 17.00.
5. Tidak terjadi penolakan dan pembatalan terhadap kedatangan pasien untuk
kedatangan pasien pada pukul 07.00 hingga 14.00.
5
1.4. Tujuan Penelitian

Adapun tujuan dari penelitian tugas akhir ini adalah sebagai berikut:
1. Mengidentifikasi sistem antrian dan waste pada Poliklinik Penyakit Dalam
IRJ RSUP Dr. Sardjito.
2. Merancang alternatif baru sistem antrian pada Poliklinik Penyakit Dalam IRJ
RSUP Dr. Sardjito.berdasarkan analisis lean healthcare dan Value Stream
Mapping (VSM).
3. Menentukan alternatif sistem antrian terbaik berdasarkan beberapa alternatif
yang dibangun yaitu alternatif yang mampu menurunkan waktu tunggu pasien
dan menurunkan panjang antrian berdasarkan konsep lean healthcare dan
VSM.
1.5. Manfaat Penelitian

Hasil dari penelitian ini diharapkan dapat bermanfaat untuk:
1. Bagi RSUP Dr. Sardjito
Penelitian ini diharapkan dapat menjadi bahan masukan bagi rumah sakit
terkait sistem antrian dalam melayani pasien untuk memenuhi kebutuhan pasien.
2. Bagi Peneliti
Dapat mengaplikasikan ilmu pengetahuan yang telah didapatkan selama di
bangku kuliah, seperti riset operasi dan pemodelan sistem dan simulasi. Selain itu
juga dapat memberikan tambahan ilmu pengetahuan, pengalaman baru serta
wawasan baru serta wawasan dan informasi lainnya.
3. Bagi Akademisi
Penelitian ini diharapkan dapat memperkaya khasana perkembangan ilmu
keteknikindustrian terutama di bidang riset operasi dan pemodelan dan simulasi
sistem serta dapat digunakan sebagai data informasi bagi mahasiswa yang
membutuhkan.
BAB II
TINJAUAN PUSTAKA
Penelitian healthcare terkait pendekatan lean healthcare telah banyak

dilakukan oleh beberapa orang dengan menggunakan berbagai metode seperti
FMEA, VSM, pendekatan lean six sigma dan simulasi. Beberapa peneliti
yang melakukan penelitian terkait lean healthcare yaitu Koeling et al (2001),
Nelson dan Buggy (2005), Young dan McClean (2009), Wang dan Huzzard
(2011) dan Haron (2015). Koeling et al (2001), pendekatan lean healthcare
menggunakan Value Stream Mapping (VSM) untuk mengidentifikasi non
value added. Hasil penelitiannya menunjukan bahawa prinsip lean dapat di
terapkan untuk mengembangkan peta yang sesuai dalam mengidentifikasi
non added value. Penelitiannya juga menunjukan bahwa sistem yang
berkembang di dalam healthcare sangatlah rumit dan kompleks sehingga
memberikan sebuah tantangan unik yang hampir tidak pernah muncul di
kebanyakan permasalahan di sistem manufaktur.
Menurut Nelson dan Buggy (2005) mengatakan filosofi dari lean dapat
membantu meningkatkan performance pada healthcare dengan metode The
Rapid Process Improvement Workshop (RPIW) sebagai pengembangan dari
metode yang diterapkan oleh Koelling (2001) dimana berfokus pada metode
lean dengan pengukuran cepat biaya yang rendah dan mudah untuk di
impolementasikan sedangkan peningkatan secara luas menggunakan 3P
(Production, Preparation dan Process) dimana efeknya pada perubahan
desain bangunan. Tool yang bisa digunakan salah satunya adalah metode 5s,
yang terdiri dari sort, simplify, sweep, standardize dan self discipline.
Sehingga dalam studi kasus penelitiannya menyimpulkan bahwa penerapan
lean production bisa sukses dalam menurunkan biaya dan meningkatkan
keselamatan dan kualitas pada healthcare. Penerapan prinsip lean pada
perancangan ruangan di rumah sakit memberikan perubahan pada jarak
pasien berjalan dengan penurunan sebanyak 73%, 30% penurunan pada jarak
pegawai harus bergerak, penurunan biaya secara keseluruhan sebesar $
6
7
400.000 dan penambahan kapasitas yang berdampak pada bertambahnya

keuangan rumah sakit sebesar $ 2,5 juta.
Young dan McClean (2009) mengatakan hal yang sama terkait
penerapan lean pada healthcare yang mana mengatakan bahwa metode yang
ada saat ini semakin berkembang dalam meningkatkan kualitas produk,
sehingga muncul sebuah pertanyaan apakah pendekatan lean dapat digunakan
dalam area healthcare dan berbeda dengan penelitian-penelitian sebelumnya
dimana Young dan McClean (2009) hanya mencari apakah ada pengaruh
yang signifikan jika lean diterapkan dalam bidang healthcare. Dalam
penelitiannya ada banyak pro dan kontra yakni tidak hanya mengadopsi
peningkatan skala besar industri ke dalam healthcare di era yang modern
tetapi juga adanya perdebatan bahwa manusia bukanlah motor ataupun mobil
dan mengadaptasi penyederhanaan seperti itu akan sangat sulit di
implementasikan karena berhubungan dengan manusia. Namun dalam hasil
penelitianya terungkap bahwa tidak ada alasan mengapa lean tidak
seharusnya menjadi sebuah elemen penting di dunia yang berfokus pada
proses, pengukuran performa dan meningkatkan sebuah nilai (value).
Penelitiannya memberikan hasil kepuasan terhadap kinerja pelayanan naik
menjadi 93% dari keadaan awal 75% sebelum lean diterapkan dalam rentang
waktu penelitian selama 3 tahun.
Selain itu Wang dan Huzzard (2011), meneliti hal yang sama dengan
peneliti-peneliti sebelumnya hanya perbedaannya ada pada proses yang
menjelaskan bahwa adanya dampak budaya lean terhadap pembelajaran
organisasi didalam sebuah bisnis dengan metode revisiting fokus lean
didalam organisasi. Lean yang diterapkan memberikan keseimbangan
diantara eksploitasi dan eksplorasi bisnis didalam organisasi. Haron (2015),
penelitiannya menerapkan hal yang sama seperti peneliti sebelumnya yakni
lean healthcare dengan objek penelitian emergency department.
Penelitiannya lebih fokus pada bagaimana merancang future state value
stream mapping dengan menghilangkan non added value dalam
meningkatkan produktivitas pelayanan.
8
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
ekstrinsik. VSM dalam penelitiannya membuktikan dapat menjadi tool yang

tidak ternilai harganya dalam mengurangi waste dari sebuah emergency room.
Bagaimanapun juga, praktisi dan setiap pendukung elemen sistem harus
memastikan bahwa VSM digunakan dalam mengidentifikasi waste,
merencanakan pengurangan waste, dan menguji ulang level dari waste yang
sudah ditingkatkan. Penelitian Haron (2015) memiliki kerangka penelitian
yang sama tetapi dengan menambahkan parameter performa, kapasitas
pasien, total utilitas waktu dan waktu menunggu (idle time).
Dalam penelitiannya, Haron (2015) berhasil meningkatkan kapasitas
pada future state dengan 33% peningkatan, menurunkan idle time hingga
51%, meningkatkan waktu utilisasi kinerja 33% lebih baik dan menurunkan
jumlah proses yang harus dilakukan hingga 33% lebih baik dari yang
sebelumnya.
Six sigma adalah suatu alat manajemen baru yang digunakan untuk
mengganti Total quality Management (TQM), sangat fokus terhadap
pengendalian kualitas dengan mendalami sistem pelayanan atau proses secara
keseluruhan. Salah satu penelitian healthcare dengan pendekatan six sigma
adalah Dinesh et al (2013), penelitian ini melakukan pendekatan six sigma
dan objek penelitiannya adalah mengurangi waktu tunggu (waiting time) pada
sebuah kantor kardiologi. Hasil yang signifikan muncul dalam mengurangi
waktu tunggu pada ruangan kardiologi menggunakan metode six sigma.
Penelitian Vijay (2014) menggunakan pendekatan yang sama namun dengan
paramter yang berbeda yakni menurunkan 61% dari waktu pelayanan dari 234
menit menjadi 143 menit. Dengan demikian rumah sakit akan mendapatkan
performa yang lebih baik dan meningkatkan keuntungan secara liner dengan
jumlah pasien yang dilayani setiap harinya.
Simulasi merupakan metode pelatihan yang meragakan sesuatu dalam
bentuk tiruan yang mirip dengan keadaan yang sesungguhnya. Peneliti yang
melakukan penelitian dengan metode simulasi adalah Jin (2013) dan Jing dan
Lilei (2016) yang menggunakan simulasi Flexsim Healthcare. Selain Flexsim
Healthcare, aplikasi sejenis yakni Minitab digunakan oleh Illin (2015).
10
Penelitiannya membahas queuing system dalam sebuah perusahaan

manufaktur. Jing dan Lilei (2016) dalam penelitiannya berhasil meningkatkan
profit meningkat dengan interval 30x setelah dilakukan optimasi.
Oleh karena itu penelitian tugas akhir ini, akan menerapkan lean
healthcare pada sistem antrian di rumah sakit dengan mendesain ulang sistem
antrian menggunakan simulasi software sebagai skenario lain untuk
menemukan skenario yang lebih baik diterapkan dalam sistem antrian dengan
melihat non-added value yang muncul di dalam sistem.
Pada penelitian ini dilakukan simulasi untuk mengetahui flow pasien
dari loket pendaftaran menuju instalasi rawat jalan Poli klinik penyakit dalam
Instalasi rawat jalan RSUP Dr. Sardjito Yogyakarta. Kedatangan pasien di
loket pendaftaran mempengaruhi kedatangan pasien di instalasi instalasi
rawat jalan, oleh karena itu simulasi dilakukan dari awal pasien melakukan
pendaftaran registrasi hingga pasien menuju instalasi instalasi rawat jalan
untuk dilakukan pemeriksaan pengobatan. Hasil dari simulasi diharapkan
dapat mengidentifikasi faktor-faktor yang mempengaruhi sistem antrian
pasien di instalasi instalasi rawat jalan, sehingga dapat dilakukan perbaikan
yang tepat pada sistem pelayanan polik klinik instalasi rawat jalan.
Penelitian ini mengadopsi penelitian yang dilakukan oleh Gill (2012)
dan Haron (2015) dengan menerapkan pendekatan lean yang berdasarkan
pada 7 waste dan Value Stream Mapping yang digunakan untuk memetakan
Value yang ada pada sistem yang sedang berjalan sekarang (Current State
Value Stream Mapping). Skenario yang yang dibuat antara lain
mengalokasikan value added dalam berbagai variasi kombinasi.skenario
yang menghasilkan waktu tunggu minimum dan panjang antrian paling
sedikit dipilih menjadi solusi alternatif perbaikan sistem.
11
Tabel 2.1. Peta Penelitian antara Penelitian Sebelumnya dengan Penelitian yang akan Dilakukan
Objek dan Tempat Penelitian

Metode Sistem Antrian Poli Sistem Antrian
Klinik Selain Poli klinik
Peneliti
Rumah Rumah
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
3.1. Lean Healthcare

Ohno (1998) mendefinisikan lean sebagai sebuah kegiatan yang menyerap
atau 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. Terdapat dua jenis waste (muda) yang mendasar yang harus
dipertimbangkan dalam melakukan analisis penghilangan waste (muda)
diantaranya jenis obvious dan jenis hidden. Obvious adalah sesuatu yang mudah
dikenali dan dapat dihilangkan dengan segera dengan biaya yang kecil ataupun
tanpa biaya sama sekali sedangkan hidden adalah waste yang hanya dapat
dihilangkan dengan metode kerja terbaru, bantuan teknologi ataupun kebijakan
baru. Selama perkembangannya, lean mulai diterapkan di bidang healthcare
dengan menghilangkan dua jenis waste yang muncul di dalam sistem.
Terdapat tujuh tipe kategori waste yang sering terjadi di dalam sistem yaitu:
1. Produksi yang berlebihan (waste of overproduction)
2. Inventori (waste of inventory)
3. Cacat atau kerusakan (waste of defects)
4. Pemindahan atau transportasi (waste of transportation)
5. Gerakan yang tidak diperlukan (waste of motion)
6. Menunggu (waste of waiting)
7. Proses yang berlebihan (waste of overprocessing)
3.2. Sejarah Antrian

Antrian adalah salah satu kegiatan atau aktivitas yang perlu dihilangkan
karena merupakan salah satu kegiatan Non Value Added (NVA) di dalam sistem.
Rata-rata waktu tunggu (waiting time) sangat tergantung kepada rata-rata tingkat
kecepatan pelayanan (rate of services). Teori tentang antrian diketemukan dan
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
3.2.3. Disiplin antrian

Menurut Kakiay (2004), disiplin antrian adalah aturan dimana para pelanggan
dilayani atau disiplin pelayanan (service discipline) yang memuat urutan (order)
para pelanggan menerima layanan. Ada 4 bentuk disiplin antrian menurut urutan
kedatangan sesuai pada Gambar 3.1, yaitu:
Mekanisme
Populasi Antrian
Pelayanan
SPP akan menerima SPP = Satuan Penerima SPP setelah

pelayanan Pelayanan menerima pelayanan
Gambar 3.1. Proses Dasar Antrian (Supranto, 1987)

1. First Come First Served (FCFS) atau First in First out (FIFO), dimana
pelangan yang terlebih dahulu datang akan dilayani terlebih dahulu.
Misalnya, antrian pada loket pembelian tiket bioskop, antrian pada loket
pembelian tiket kereta api.
2. Last Come First Served (LCFS) atau Last in First out (LIFO), dimana
pelanggan yang datang paling akhir akan dilayani terlebih dahulu. Misalnya,
sistem antrian pada elevator untuk lantai yang sama, sistem bongkar muat
barang dalam truk, pasien dalam kondisi kritis, walaupun daftar tunggu
berada paling akhir akan tetapi akan dilayani terlebih dahulu.
3. Priority Service (PS), dimana prioritas pelayanan diberikan kepada pelanggan
yang mempunyai prioritas lebih tinggi dibandingkan dengan pelanggan yang
mempunyai prioritas yang lebih rendah, meskipun mungkin yang lebih awal
tiba di garis tunggu adalah yang terakhir datang. Hal ini mungkin disebabkan
oleh beberapa hal, misalnya seseorang yang memiliki penyakit yang lebih
berat dibandingkan orang lain pada suatu tempat praktek dokter, hubungan
kekerabatan pelayan dan pelanggan potensial akan dilayani terlebih dahulu.
4. Service in Random Order (SIRO), yaitu pelayanan dimana panggilan
berdasarkan pada peluang secara acak, tidak masalah dengan yang datang
lebih awal.
17
5. General Service Disciplint (GD), yaitu pelayanan yang mempunyai aturan

dan tata tertib yang berlaku umum dan ditaati bersama.
Berdasarkan hal di atas, entitas yang berada dalam garis tunggu tetap tinggal
di dalam sistem hingga mendapatkan pelayanan. Hal ini bisa saja tida kterjadi.
Misalnya, seorang pembeli bisa menjadi tidak sabar menunggu antrian dan
meninggalkan antrian. Untuk entitas yang meninggalkan antrian sebelum dilayani
akan disebut reneging (menghindari antrian). Reneging dapat bergantung pada
panjang antrian atau lama waktu tunggu. Istilah penolakan (balking) dipakai untuk
menjelaskan entitas yang menolak untuk bergabung dalam garis tunggu (Setiawan,
1991).
3.2.4. Struktur antrian
Struktur antrian terdiri dari 4 model dasar yang umum terjadi dalam seluruh
sistem antrian, yaitu:
1. Single channel–single phase
Single channel berarti hanya ada satu jalur yang memasuki sistem pelayanan
atau ada satu fasilitas pelayanan. Single phase berarti hanya ada satu jalur yang
memasuki sistem pelayanan atau ada satu fasilitas pelayanan. Contohnya adalah
sebuah kantor pos yang hanya mempunyai satu loket pelayanan dengan jalur satu
antrian, supermarket yang hanya memiliki satu kasir sebagai tempat pembayaran
seperti terlihat ilustrasi sistem pada Gambar 3.2.
Fasilitas Individu yang

Individu Antri
Pelayanan telah dilayani
Gambar 3.2. Model Single Channel-Single Phase (Subagyo et al, 1997)

2. Single channel–multi phase
Sistem antrian jalur tunggal dengan tahapan berganda ini atau menunjukkan
ada dua atau lebih pelayanan yang dilaksanakan secara berurutan seperti terlihat
pada ilustrasi pada Gambar 3.3. Sebagai contoh yakni pencucian mobil.
18
Sumber Individu yang

M S M S
Populasi telah dilayani
Phase 1 Phase 2
Gambar 3.3. Single Channel-Multi Phase (Subagyo et al, 1997)

3. Multi channel–single phase
Sistem multi channel–single phase terjadi dimana ada dua atau lebih fasilitas
pelayanan dialiri oleh antrian tunggal seperti terlihat pada Gambar 3.4. Contohnya
adalah antrian pada sebuah bank dengan beberapa teller, pembelian tiket atau karcis
yang dilayani oleh beberapa loket dan pembayaran dengan beberapa kasir.

M S M S
Phase 1 Phase 2
Keterangan:
M = Antrian
S= Fasilitas Pelayanan
Gambar 3.4. Multi Channel-Single Phase (Subagyo et al, 1997)

4. Multi channel–multi phase
Sistem multi channel–multi phase ini menunjukkan bahwa setiap sistem
mempunyai beberapa fasilitas pelayanan pada setiap tahap sehingga terdapat lebih
dari satu pelanggan yang dapat dilayani pada waktu bersamaan seperti terlihat pada
Gambar 3.5. Contoh pada model ini adalah pada pelayanan yang diberikan kepada
pasien di rumah sakit dimulai dari pendaftaran, diagnosa, tindakan medis hingga
pembayaran.
M S M S
M
M S M S
Phase 1 Phase 2
Keterangan:
M = Antrian
S= Fasilitas Pelayanan
Gambar 3.5. Multi Channel-Multi Phase (Subagyo et al, 1997)

3.2.5. Terminologi dan notasi antrian
Terminologi yang biasa digunakan dalam sistem antrian adalah:
19
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
pelayanan (server), disiplin antrian adalah first-in-first-out, jumlah customer

yang masuk tidak berhingga, dan siapapun boleh masuk kedalam sistem.
3.3. Value Stream Mapping

Value stream mapping adalah sebuah tool lean manufaktur yang berasal dari
Toyota Production Systems yang dikenal sebagai pemetaan proses material dan
informasi. Tool pemetaan ini digunakan sebagai teknik lean manufaktur untuk
mengevaluasi suatu proses kerja tertentu dalam operasi manufaktur. Metode ini
juga digunakan pada umumnya untuk mengidentifikasikan, menggambarkan dan
menurunkan waste, juga membuat aliran proses manufaktur yang baru berdasarkan
kerangka value stream mapping yang lama. VSM dapat dibuat hanya dengan
menggunakan kertas dan sebuah pensil, namun bagaimanapun juga untuk membuat
sebuah VSM yang lebih baik dapat dibuat menggunakan Microsoft Visio 2013 juga
baik menggunakan Microsoft Excel 2013. Berdasarkan hal itu seperti terlihat pada
Gambar 3.6. hasil VSM yang dibuat pada Ms. Visio 2013.
Gambar 3.6. Value Stream Mapping (Gil, 2012)

Proses pembuatan dari VSM dibagi menjadi 5 langkah dasar yaitu:
1. Mengidentifikasi sistem antrian
22
2. Membuat sebuah VSM sistem awal (current state VSM)

3. Evaluasi current state VSM, identifikasi area permasalahannya
4. Membuat skenario VSM baru (future state VSM)
5. Implementasikan
Langkah awal, identifikasi sistem antrian (objek penelitian) yang akan diteliti.
Setelah sistem antrian dipilih, buat VSM awal (current state VSM) dari proses
sekarang yang dibuat. Mengikuti penyelesaian dari pemetaan awal, peneliti
mengevaluasi proses dan juga termasuk langkah-langkahnya. Semua informasi
tersebut dikumpulkan menjadi satu dalam sebuah peta dan kemudian dilakukan
analisis. Dalam sebuah VSM, pada umumnya setiap langkah dari sebuah proses
akan diperhitungkan. setiap langkah yang diambil akan melihat parameter-
parameter seperti cycle time, TAKT time, work in process (WIP), set up time, down
time, jumlah pekerja dan tingkat waste.
Sebuah VSM akan mengidentifikasi bagian mana yang akan menjadi value
added dalam sebuah sistem juga termasuk semua langkah proses yang tidak
memberikan value added (non value added). Setelah menganalisa dan
mengevaluasi proses awal dari sebuah sistem, permasalahan dari setiap area dapat
diidentifikasi juga demikian setelah melakukan perubahan pada VSM awal dalam
meminimalkan permasalahan, hasilnya dapat membuat sebuah VSM akhir dimana
VSM tersebut lebih baik dari VSM awal dibandingkan dengan parameter yang ada.
Pada akhirnya VSM akan diterapkan dalam sebuah sistem dan dilihat performanya
dalam menyelesaikan masalah.
3.4. Statistika Deskriptif

Statistika deskriptif digunakan untuk menggambarkan data dalam bentuk
kuantitatif dengan tidak menyertakan pengambilan keputusan melalui hipotesis.
3.4.1. Variabel
Variabel didefinisikan sebagai sesuatu yang berbeda atau bervariasi (Brown,
1998). Ada 4 variabel yang didefinisikan dalam statistika deskriptif, yaitu:
1. Variabel bebas (independent variable)
23
Variabel bebas merupakan variabel stimulus atau variabel yang

mempengaruhi variabel lain. Variabel bebas merupakan variabel yang
variabelitasnya diukur, dimanipulasi, atau dipilih oleh peneliti untuk menentukan
hubungan dengan suatu gejala yang diobservasi.
2. Variabel terikat (dependent variable)
Variabel terikat adalah variabel yang memberikan reaksi/respon jika
dihubungkan dengan variabel bebas. Variabel terikat adalah variabel yang
variabelitasnya diamati dan diukur untuk menentukan pengaruh yang disebabkan
oleh variabel bebas.
3. Variabel moderat (moderate variable)
Variabel moderat adalah variabel bebas kedua yang sengaja dipilih oleh
peneliti untuk menentukan apakah kehadirannya berpengaruh terhadap hubungan
antara variabel bebas pertama dan variabel terikat. Variabel moderat merupakan
variabel yang variabelitasnya diukur, dimanipulasi, atau dipilih oleh peneliti untuk
mengetahui apakah variabel tersebut mengubah hubungan antara variabel bebas dan
variabel terikat yang sedang dikaji.
4. Variabel kontrol (control variable)
Variabel kontrol didefinisikan sebagai variabel yang variabelitasnya
dikontrol oleh peneliti untuk menetralisasi pengaruhnya. Jika tidak dikontrol,
variabel tersebut akan mempengaruhi gejala yang sedang dikaji.
3.4.2. Tingkat kepercayaan (confidence interval)
Tingkat kepercayaan atau confidence interval didasarkan pada gagasan yang
berasal dari teorema batas sentral (central limit theorem). Gagasan pokok yang
berasal dari teorema tersebut ialah apabila suatu populasi secara berulang-ulang
ditarik sampel, maka nilai rata-rata atribut yang diperoleh dari sampel-sampel
tersebut sejajar dengan nilai populasi yang sebenarnya. Selanjutnya, nilai-nilai yang
diperoleh tersebut yang berasal dari sampel-sampel yang sudah ditarik
didistribusikan secara normal dalam bentuk nilai nyata. Dalam suatu distribusi
normal, sekitar 95% nilai-nilai sampel berada dalam dua simpangan baku (standard
deviation) dari nilai populasi sebenarnya.
24
3.4.3. Significance level

Signifikansi atau disebut juga probabilitas merupakan tingkat ketepatan
(precision) dalam kaitannya dengan kesalahan pengambilan sampel (sampling
error), merupakan jangkauan dimana nilai populasi yang tepat diperkirakan.
Jangkauan ini sering diekspresikan dengan menggunakan poin-poin persentase,
misalnya 1% atau 5%.
3.4.4. Uji hipotesis
Definisi hipotesis adalah pernyataan tentatif yang merupakan dugaan
mengenai apa saja yang sedang kita amati dalam usaha untuk memahaminya
(Nasution, 2000).
Pengujian hipotesis dapat didasarkan dengan menggunakan dua hal, yaitu
tingkat signifikansi atau probabilitas (α) dan tingkat kepercayaan atau confidence
interval. Kisaran tingkat signifikansi mulai dari 0,01 hingga 0,1. Tingkat
signifikansi adalah probabilitas melakukan kesalahan tipe 1, yaitu kesalahan
menolak hipotesis ketika hipotesis itu benar. Prosedur dasar pengujian hipotesis
sebagai berikut:
1. Menyatakan hipotesis nol (H0) dan hipotesis alternatif (H1),
2. Pilih tingkat keyakinan dan tentukan besarnya sampel,
3. Menentukan distribusi pengujian yang digunakan,
4. Mendefinisikan daerah kritis,
5. Membuat decision rule,
6. Menghitung data sampel dan rasio uji,
7. Pengambilan keputusan.
3.5. Uji Statistika

3.5.1. Uji kecocokan distribusi (goodness of fit test)
Uji hipotesis chi-square banyak digunakan untuk dua tujuan, yaitu uji
keselarasan fungsi (goodness of fit) dan uji tabel kontingensi (contingency table
test).
25
Uji keselarasan fungsi bertujuan untuk mengetahui apakah distribusi dari

hasil-hasil yang teramati pada suatu percobaan terhadap sampel mendukung suatu
distribusi yang telah dihipotesiskan pada populasi.
Sedangkan uji tabel kontingensi yang sering disebut sebagai uji indepedensi,
bertujuan untuk mengetahui apakah data saling terklasifikasi silang (cross
classified) secara independen (tidak saling terikat) atau tidak. Prosedur pengujian
uji chi square:
1. Pernyataan hipotesis nol dan hipotesis alternatif
Untuk goodness of fit test, H0 nya adalah populasi yang sedang dikaji
memenuhi/selaras dengan suatu pola distribusi probabilitas yang ditentukan. Pola
distribusi probabilitas ini tentunya bisa bervariasi tergantung pada sifat eksperimen.
Sedangkan untuk H1 nya adalah populasi tidak memenuhi distribusi yang
ditentukan tersebut.
2. Pemilihan tingkat kepentingan (level of significance, α)
Biasanya digunakan tingkat kepentingan 0,01 atau 0,05
3. Penentuan distribusi pengujian yang digunakan
Dalam uji ini yang digunakan adalah distribusi probabilitas chi-square, 𝜒2.
Nilai-nilai dari distribusi chi-square telah disajikan dalam bentuk tabel, yang dapat
ditentukandengan mengetahui hal sebagai berikut:
a. Tingkat kepentingan (level of significance)
b. Derajat kebebasan/degree of freedom (df)
1. Pada uji keselarasan fungsi: df = v = k – 1
Dimana: k = jumlah observasi yang mungkin dalam sampel.
2. Pada uji keselarasan fungsi: df = v = (r – 1) (c – 1)
Dimana: r = jumlah baris dalam tabel dan c = jumlah kolom dalam tabel.
4. Pendefinisian daerah-daerah penolakan atau kritis
Daerah penerimaan dan penolakan dibatasi oleh nilai kritis 𝜒2.
5. Pernyataan aturan keputusan (decision rule)
Tolak H0 dan terima H1 jika RU 𝜒2 > 𝜒2. Jika tidak demikian maka terima H0
6. Perhitungan Rasio Uji (Test Ratio, TR)
Rumus yang digunakan untuk menghitung rasio uji (nilai 𝜒2) adalah:
26
(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
Harga Dn+ dan Dn- adalah:

(𝑖−1)
Dn- = max (F0(x) - ) (3.4)
𝑛
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
k = jumlah kategori sampel dalam pengujian

Dimana:
N = jumlah total pengamatan diseluruh sampel
K = jumlah kategori sampel dalam pengujian
Rk = jumlah peringkat dalam sampel ke-k
Nk = ukuran sampel ke-k
g. Pengambilan keputusan secara statistik
3.6. Teknik Simulasi

3.6.1. Pengertian simulasi
Menurut Khosnevis (1994), simulasi merupakan pendekatan eksperimental.
Keterbatasan metode analitis dalam mengatasi sistem dinamis yang kompleks
membuat simulasi adalah alternatif yang terbaik, dimana jika semua cara yang lain
gagal, cobalah simulasi” (Schroeder, 1997).
Model analitik sangat berguna bagi kehidupan sehari-hari, akan tetapi
terdapat beberapa keterbatasan sebagai berikut:
1. Model analitik tidak mampu menggambarkan suatu sistem pada masa lalu
dan masa mendatang melalui pembagian waktu. Model analitik hanya
memberikan penyelesaian secara menyeluruh, suatu jawab yang mungkin
tunggal dan optimal tetapi tidak menggambarkan suatu prosedur operasional
29
untuk masa lebih singkat dari masa perencanaan. Misalnya, penyelesaian

persoalan program linier dengan masa bulan demi bulan, minggu demi
minggu atau hari demi hari.
2. Model matematika yang konvensional sering tidak mampu menyajikan
sistem nyata yang lebih besar dan rumit (kompleks). Sehingga sukar untuk
membangun model analitik untuk sistem nyata yang demikian.
3. Model analitik terbatas pemakaiannya dalam hal-hal yang tidak pasti dan
aspek dinamis (faktor waktu) dari persoalan manajemen.
Berdasarkan hal di atas, maka konsep simulasi dan penggunaan model
simulasi merupakan solusi terhadap ketidakmampuan dari model analitik.
3.6.2. Kelebihan dan kekurangan teknik simulasi
Beberapa kelebihan simulasi adalah sebagai berikut:
1. Simulasi dapat memberi solusi bila model analitik gagal melakukannya.
2. Model simulasi lebih realistis terhadap sistem nyata karena memerlukan
asumsi yang lebih sedikit. Misalnya, tenggang waktu dalam model persediaan
tidak perlu harus deterministik.
3. Perubahan konfigurasi dan struktur dapat dilaksanakan lebih mudah untuk
menjawab pertanyaan; what happen if... misalnya, banyak aturan dapat
diterapkan untuk mengubah jumlah layanan dalam sistem antrian.
4. Dalam banyak hal, simulasi lebih murah dari penerapannya sendiri.
5. Simulasi dapat digunakan untuk maksud pendidikan.
6. Untuk sejumlah proses dimensi, simulasi memberikan penyelidikan yang
langsung dan terperinci dalam periode waktu khusus.
Model simulasi juga memiliki beberapa kekurangan antara lain yaitu:
1. Simulasi bukanlah presisi dan juga bukan suatu proses optimasi. Simulasi
tidak menghasilkan solusi yang optimal, tetapi simulasi menghasilkan cara
untuk menilai solusi termasuk solusi yang lebih baik.
2. Model simulasi yang baik dan efektif sangat mahal dan membutuhkan waktu
yang lama dibandingkan dengan model analitik.
3. Tidak semua situasi dapat dinilai melalui simulasi kecuali situasi yang
memuat ketidakpastian (Siagian, 1987).
30
3.6.3. Model-model simulasi

Menurut Subagyo (1997) model-model simulasi yang ada dapat
dikelompokkan ke dalam beberapa penggolongan, antara lain:
1. Model stochastic dan probabilistic
Model stokastik adalah model yang menjelaskan karakter sistem secara
probabilistic. Informasi yang masuk adalah secara acak ini terkadang juga disebut
sebagai model simulasi monte carlo. Di dalam proses stochastic sifat-sifat keluaran
(output) merupakan hasil dari konsep random (acak). Meskipun output yang
diperoleh dapat dinyatakan dengan rata-rata, namun ditunjukan pula pola
penyimpangannya. Model yang mendasarkan pada teknik peluang dan
memperhitungkan ketidakpastian (uncertainty) disebut model probabilistic atau
model stokastik.
2. Model deterministik
Pada model ini tidak memperhatikan unsur random, sehingga pemecahan
masalahnya menjadi lebih sederhana.
3. Model dinamik
Model simulasi yang dinamik adalah model yang memperhatikan perubahan-
perubahan nilai dari variabel-variabel yang ada kalau terjadi pada waktu yang
berbeda.
4. Model statik
Model statik adalah kebalikan dari model dinamik. Model statik tidak
memperhatikan perubahan-perubahan nilai dari variabel-variabel yang ada kalau
terjadi pada waktu yang berbeda.
5. Model heuristik
Model heuristik adalah model yang dilakukan dengan cara coba-coba, kalau
dilandasi suatu teori masih bersifat ringan, langkah perubahannya dilakukan
berulang-ulang, dan pemilihan langkahnya bebas, sampai diperoleh hasil yang lebih
baik, tetapi belum tentu optimal.
31
Model-model simulasi dapat diklasifikasikan dengan beberapa cara. Salah

satu pengelompokannya sebagai berikut:
1. Model simulasi statis adalah representasi sistem pada waktu-waktu tertentu
atau model yang digunakan untuk mempresentasikan sistem dimana waktu
tidak mempunyai peranan. Contohnya simulasi monte carlo (simulasi
perilaku sistem fisika dan matematika). Model simulasi dinamis adalah
representasi sistem sepanjang pergantian waktu ke waktu. Contohnya adalah
sistem conveyor di pabrik.
2. Model simulasi deterministik adalah model simulasi yang tidak mengandung
komponen yang sifatnya probabilistik (random) dan output telah dapat
ditentukan ketika sejumlah input dalam hubungan tertentu dimasukkan.
Model simulasi stokastik adala model simulasi yang mengandung input
probabilistik (random) dan output yang dihasilkan pun sifatnya random.
3. Model simulasi kontinu adalah model simulasi dimana state (status) dari
sistem berubah secara kontinu karena berubahnya waktu (change state
variable). Contohnya simulasi populasi penduduk. Model simulasi diskrit
adalah model suatu sistem dimana perubahan state terjadi pada satuan-satuan
waktu yang diskrit sebagai hasil suatu kejadian (event) tertentu (discrete
charge state variables). Contohnya simulasi antrian.
BAB IV
METODE PENELITIAN
4.1. Objek dan Lokasi Penelitian

Objek penelitian yang akan diteliti adalah sistem antrian Poliklinik Penyakit
Dalam Instalasi rawat jalan di Rumah Sakit Umum Pusat Dr. Sardjito. Objek
penelitian ini dipilih karena Poliklinik Penyakit Dalam merupakan poliklinik bukan
perjanjian (appointment) yang mempunyai jumlah pasien tertinggi dibandingkan
klinik yang lainnya di Rumah Sakit Umum Pusat Dr. Sardjito Yogyakarta. Objek
penelitian ini memiliki model antrian Multi Channel Multi Phase Systems.
4.2. Pengumpulan Data

Data yang akan digunakan pada penelitian ini adalah sebagai berikut:
1. Data waktu kedatangan (arrival time) pasien
2. Data waktu antar kedatangan (interarrival time) pasien
3. Data waktu pelayanan pasien tiap server
4. Data waktu transfer time pasien antar fasilitas
5. Data waktu pengambilan dan pendistribusian berkas
6. Data jumlah pasien poliklinik penyakit dalam
7. Data jumlah sumber daya di poliklinik penyakit dalam
Pengumpulan data yang dilakukan pada penelitian ini akan dibagi menjadi
dua jenis, yaitu:
1. Metode Primer
Metode primer adalah observasi secara langsung di tempat penelitian dan
melakukan wawancara kepada pihak rumah sakit.
2. Metode Sekunder
Metode sekunder adalah pengambilan data melalui arsip yang dimiliki oleh
pihak rumah sakit.
32
33
4.3. Alat Penelitian

Alat-alat yang digunakan dalam penelitian ini adalah sebagai berikut:
1. Microsoft Office Excel 2013
Software ini akan digunakan untuk melakukan rekapitulasi semua data yang
digunakan dalam penelitian ini, penyimpanan data, pengolahan data dan
perhitungan data dengan berbagai rumus. Microsoft Excel 2013 ini juga digunakan
untuk membuat grafik sebagai representasi data.
2. ProModel 9.3.0.2051
ProModel adalah sebuah software simulasi berbasis Windows yang
digunakan untuk mensimulasikan dan menganalisis suatu sistem. ProModel
memberikan kombinasi yang baik dalam pemakaian, fleksibilitas dan memodelkan
suatu sistem nyata agar tampak lebih realistik.
3. IBM SPSS Ver. 23.0.0.0
SPSS adalah program komputer yang dirancang untuk melakukan
pengolahan statistik. SPSS mengkombinasikan kemudahan penggunaan layaknya
Microsoft Excel dengan kemampuannya melakukan analisis statistik yang rumit.
4. Microsoft Visio 2016
Microsoft Visio adalah software untuk merancang grafik value stream
mapping, activity cycle diagram dan flowchart yang dibuat untuk ditampilkan di
bagian hasil dan pembahasan.
34
4.4. Prosedur Penelitian
Mulai
Persiapan Penelitian
Observasi Lapangan Studi Literatur
Pengumpulan Data
1. Jumlah kedatangan pasien poliklinik

2. Waktu kedatangan pasien poliklinik
3. Waktu pelayanan pasien tiap server
4. Waktu transfer time pasien antar server
5. Waktu set up time tiap server
6. Jumlah sumber daya di poliklinik
7. Waktu antar kedatangan
Uji Normalitas
Data normal? Uji Goodness of Fit

Tidak
Ya
Uji Hipotesis Data Uji Hipotesis Data
menggunakan menggunakan Non
Parametric Test Parametric Test
Identifikasi Sistem Antrian Awal (Current

State VSM):
1. Komponen Penyusun Antrian
2. Proses Antrian
3. Value Added
4. Non Value Added Tapi dibutuhkan
5. Non Value Added Tidak Dibutuhkan
Gambar 4.1. Flowchart Penelitian

35
Gambar Current State VSM
Membuat Model Simulasi
Penentuan replikasi minimum dengan error

terkecil dan replikasi minimum yang
diperbolehkan
Uji Normalitas Model
Tidak
Sebaran Data Normal?
Ya Non Parametric Test
Uji hipotesis dengan

Parametric Test
Tidak
Model Valid?
Ya
Identifikasi Future State VSM dan

kembangkan model alternatif berdasarkan
prinsip Lean Healthcare
Gambar 4.1. Flowchart Penelitian (Lanjutan)

36
Analisis dan pemilihan skenario model terbaik

dengan parameter rata-rata waktu pasien
menunggu di dalam sistem dan
Menghitung persentase optimasi tertinggi dari

setiap optimasi
Pengambilan keputusan dan kesimpulan akhir
Pelaporan dan dokumentasi hasil pada pihak

RSUP. Sardjito dan Komisi Etik Kedokteran
Umum UGM serta akademik
Selesai
Gambar 4.1. Flowchart Penelitian (Lanjutan)

Tahapan-tahapan yang dilakukan di dalam penelitian ini adalah sebagai
berikut:
4.4.1. Persiapan penelitian
Tahapan ini merupakan tahapan yang dilakukan sebelum memulai penelitian.
Hal-hal yang dilakukan meliputi penentuan objek penelitian, melakukan observasi
langsung tempat penelitian. Objek yang dipilih adalah sistem antrian Poliklinik
Penyakit Dalam IRJ RSUP Dr. Sardjito. Setelah itu dilakukan penetapan tujuan dan
rumusan masalah yang ingin diselesaikan. Kemudian dilanjutkan studi literatur
terkait penelitian yang akan dilakukan. Studi literatur dilakukan dengan membaca
laporan penelitian sebelumnya dan sumber-sumber lain yang berasal dari buku dan
media lain yang relevan dengan penelitian yang dilakukan.
37
4.4.2. Pengumpulan data

Pengumpulan data dilakukan dengan dua metode yaitu metode primer dan
metode sekunder. Metode primer berupa wawancara dan observasi untuk
mengetahui gambaran sistem di sistem antrian Poliklinik Penyakit Dalam IRJ
RSUP Dr. Sardjito untuk mencari data yang dibutuhkan pada periode Januari 2017.
4.4.3. Pengolahan data
Data-data yang telah diperoleh sebelumnya akan diolah dengan menggunakan
software, seperti Ms. Excel 2013 dan SPSS Ver. 23.0.0.0. Pengolahan data yang
pertama adalah data arrival time, interarrival time dan data yang terkait tentang
sistem antrian akan diuji distribusinya menggunakan Ms. Excel 2013 dan SPSS Ver
23 setelah mendapatkan current state VSM sistem antrian.
Ms. Visio 2013 digunakan untuk menggambarkan real time sistem antrian
yang ada dan mengidentifikasi bagian-bagian yang menunjukan karakter VA, NVA
yang tidak dibutuhkan dan NNVA. Hasil dari semua keputusan digambarkan dalam
beberapa alternatif dan kemudian dijalankan dalam sebuah software simulasi untuk
mencari alternatif yang lebih baik dibandingkan dengan alternatif awal dan
alternatif lain yang dibuat. ProModel 9.3.0.2051 digunakan untuk mensimulasikan
current state VSM dan alternatif baru future state VSM.
4.4.3.1. Penentuan pola distribusi
Penentuan pola distribusi melalui beberapa tahapan yaitu:
1. Uji normalitas
Uji normalitas digunakan untuk mengetahui apakah data yang dimiliki sudah
terdistribusi secara normal. Pengujian ini menggunakan uji kolmogorov smirnov
atau shapiro wilk. Uji kolmogorov smirnov digunakan untuk jumlah data lebih dari
50, sedangkan uji shapiro wilk digunakan untuk jumlah data kurang dari 50
(Dahlan, 2011). Tahapan untuk melakukan uji kolmogorov smirnov atau shapiro
wilk yaitu:
a. Menentukan hipotesis awal dan hipotesis alternatif.
H0: Data terdistribusi normal
H1: Data tidak terdistribusi normal
b. Menentukan tingkat kepercayaan atau confidence level (1-α)
38
c. Penentuan kesimpulan berdasarkan kriteria yang telah ditentukan.

Kriteria yang digunakan untuk menguji hipotesis adalah jika nilai
signifikansi < α maka data tidak terdistribusi normal (tolak H0) dan sebaliknya
jika nilai signifikansi > α maka data dikatakan terdistribusi normal (terima
H0). Perhitungan uji normalitas menggunakan software SPSS Ver. 23.
2. Uji goodness of fit
Jika setelah dilakukan uji normalitas data terbukti tidak terdistribusi normal,
maka untuk mengetahui pola distribusi data yang sesuai dilakukan uji goodness of
fit dengan menggunakan Statfit dari ProModel.
4.4.3.2. Pengujian hipotesis dengan one way anova atau kruskal wallis
Uji hipotesis dilakukan untuk mengetahui apakah terdapat perbedaan yang
signifikan antara data yang diperoleh. Uji hipotesis menggunakan one way anova
atau kruskal wallis. One way anova digunakan jika data terdistribusi normal,
sedangkan kruskal wallis digunakan jika data tidak terdistribusi normal. Tahapan
pengujian hipotesis, yaitu:
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.
signifikansi < α maka tolak H0 dan sebaliknya jika nilai signifikansi > α maka
terima H0.
4.4.4. Identifikasi current state Value Stream Mapping (VSM)
Value Stream Mapping (VSM) akan mengidentifikasi peta sistem sehingga
akan memberikan informasi VA juga dengan NVA. Sistem akan tergambar dan
akan dijadikan informasi untuk membuat current state VSM. Current state VSM
ini juga akan menjadi landasan dalam melakukan peningkatan pada future state
VSM sebagai alternatif berdasarkan prinsip lean healthcare.
39
4.4.5. Membuat model sistem nyata

Data yang telah dikumpulkan dan diuji distribusinya digunakan sebagai input
untuk pembuatan model dengan menggunakan ProModel. selanjutnya dibuat
pemodelan simulasi untuk sistem pelayanan Poliklinik Penyakit Dalam IRJ RSUP
Dr. Sardjito sebagai current state VSM.
4.4.6. Uji validitas model sistem nyata
Untuk melakukan validitas model, hal pertama yang dilakukan adalah dengan
menentukan minimum replikasi yang diperlukan, replikasi awal model sebanyak 5
kali. Satu kali replikasi mewakilkan simulasi selama 1 hari. Kemudian dilakukan
analisis replikasi minimum yang dibutuhkan agar error yang dihasilkan tidak
melebihi batas yang diijinkan sesuai dengan tingkat kepercayaan 95% maka selang
kepercayaannya adalah sebagai berikut:
𝜃 = 𝑌 ± [(𝑡0,025R-1 S)/R1/2] (4.1)
Dengan:
𝜃 : Nilai rata-rata model yang diizinkan
Y : Nilai rata-rata dari replikasi yang telah dibuat
𝑡0,025R-1 : Batas t critical yang didapatkan dari tabel distribusi t
S : Standar deviasi model
R : Jumlah replikasi model
Menguji validitas hasil pemodelan dibandingkan dengan sistem nyata pada
Poliklinik Penyakit Dalam IRJ RSUP Dr. Sardjito. Tahap awal uji validitas adalah
dengan menentukan uji normalitas data dengan melakukan uji kolmogorov smirnov
atau shapiro wilk dimana tahapannya sebagai berikut:
1. Menentukan hipotesis awal dan hipotesis alternatif.
H0: Data terdistribusi normal
H1: Data tidak terdistribusi normal
signifikansi < α maka data tidak terdistribusi normal (tolak H0) dan sebaliknya
40
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
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
2. Menunggu (waste of waiting)

Di dalam manufaktur, menunggu (waiting) terjadi ketika barang tidak dapat
mengalir atau terhenti karena server sedang terisi atau ketika anggota tim tersebut
tidak dalam keadaan bisa mengerjakannya karena masalah tertentu seperti
kurangnya persediaan atau kegagalan dari alat yang digunakan. Waiting di dalam
healthcare system adalah sebuah masalah baik bagi pasien dan bagi penyedia jasa
kesehatan. Beberapa hal yang menjadi contoh waiting terjadi di dalam sistem yaitu:
a. Pasien menunggu di ruang tunggu untuk menunggu diperiksa
b. Pasien menunggu berulang kembali untuk mendapatkan pemeriksaan
secara bergantian melalui berbagai fasilitas
c. Anggota staff poliklinik seperti dokter misalnya yang menunggu daftar
pasien yang akan diperiksa oleh suster
d. Pasien yang menunggu hasil check up di ruang tunggu
3. Gerakan yang tidak diperlukan (waste of motion)
Motion mengacu pada pergerakan yang tidak dibutuhkan oleh seseorang
diantara fasilitas sistem. Ini terjadi karena:
a. Tata letak fasilitas di dalam sistem membuat pergerakan pasien, dokter
ataupun suster sangat tidak efisien
b. Persediaan tidak disimpan ketika dibutuhkan
c. Peralatan yang digunakan tidak secara baik dalam penempatannya
Tabel 4.1. Penyusunan Alternatif Perbaikan Model Simulasi

No. Alternatif Label
Aliran sistem poliklinik penyakit dalam diubah
Alternatif 1: dengan memberikan tugas kepada pasien untuk
Pasien yang 1
membawa berkas pemeriksaan dari petugas
membawa administrasi atau triage.
berkas
Pasien membawa berkas triage, suster membawa 1A
1 berkas ke dokter
Suster membawa berkas triage, pasien membawa 1B
2 berkas ke dokter
Pasien membawa berkas triage, pasien membawa 1C
3 berkas ke dokter
42
Tabel 4.1. Penyusunan Alternatif Perbaikan Model Simulasi (Lanjutan)

Pola pemanggilan pasien dilakukan untuk
menghilangkan waktu transportasi pasien pada 2
pelayanan triage atau pelayanan dokter
Pemanggilan pasien 2 orang untuk pelayanan
Alternatif 2:
triage dan 1 pemanggilan pasien untuk pelayanan 2A
Pola
4 dokter
pemanggilan
Pemanggilan Pasien 1 orang untuk pelayanan
pasien dengan
triage dan 2 pemanggilan pasien untuk pelayanan 2B
2 orang
5 dokter
Pemanggilan Pasien 2 orang untuk pelayanan
triage dan 2 pemanggilan pasien untuk pelayanan 2C
6 dokter
Specific job untuk suster dengan membagi tugas-
tugas tertentu pada salah satu dokter dengan
3
menghilangkan salah satu kewajiban suster
Alternatif 3:
tersebut.
Specific job
2 suster pelayanan triage, 1 suster distribusi
untuk suster 3A
7 berkas
1 suster pelayanan triage, 2 suster distribusi
3B
8 berkas
Komputerisasi bagian pelayanan triage atau
pelayanan dokter untuk menghilangkan proses
batching pada beberapa pelayanan dan
menghilangkan kewajiban suster dalam 4
mengambil dan mendistribusikan berkas sehingga
Alternatif 4: suster hanya akan melakukan 2 pekerjaan yakni
Komputerisasi pelayanan triage dan menulis triage.
bagian Sistem komputerisasi di bagian triage, sistem
pelayanan 4A
9 aktual di bagian dokter
Sistem aktual di bagian triage, sistem 4B
10 komputerisasi di bagian dokter
Sistem komputerisasi di bagian triage, sistem 4C
11 komputerisasi di bagian dokter
Kombinasi alternatif 1 dan alternatif 4 5
Pasien membawa berkas ke triage, Sistem 5A
12 Alternatif 5 komputerisasi di bagian dokter
Sistem komputerisasi di bagian triage, pasien 5B
13 membawa berkas ke dokter
Alternatif 6 Semua alternatif terbaik dikombinasikan dengan 6
alternatif 2
43
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
4.4.10. Pengambilan keputusan, kesimpulan akhir dan saran

Kesimpulan dan saran dibuat berdasarkan analisis hasil dan pembahasan
apakah hasil tersebut menjawab rumusan masalah yang ditetapkan di awal atau
tidak. Saran akan diajukan untuk penelitian ini dan penelitian yang mungkin bisa
diajukan sebagai pengembangan model bagi lembaga rumah sakit dan penelitian
selanjutnya.
BAB V
HASIL DAN PEMBAHASAN
5.1. Deskripsi Sistem

Alur pemeriksaan pada Poliklinik Penyakit Dalam RSUP Dr. Sardjito
Yogyakarta dapat dilihat pada Gambar 5.1 dengan keterangan sebagai berikut:
1. Pasien masuk ke dalam sistem Poliklinik Penyakit Dalam di bagian petugas
administrasi dan menyerahkan nota pembayaran sebagai bukti untuk
pemeriksaan di Poliklinik Penyakit Dalam sejak pukul 07.00 pagi hingga
14.00 dimana jika masih ada pasien yang datang setelah pukul 14.00 tidak
akan dilayani dan bagi pasien yang datang sebelum pukul 14.00 akan dilayani
hingga pasien terakhir selesai.
2. Petugas administrasi 1 menerima berkas dari pasien dan melakukan
komfirmasi ulang dari bagian registrasi awal.
3. Petugas administrasi 1 dan petugas administrasi 2 menerima dan memproses
berkas yang telah dikomfirmasi yang kemudian data pasien tersebut akan
diperiksa di bagian triage service. Proses administrasi tersebut berupa input
berkas persyaratan pelayanan poliklinik seperti BPJS dan data pribadi.
4. Suster akan mengambil, mengatur dan mengelola daftar pasien yang akan
diperiksa berdasarkan batch processing yakni setiap 10 pasien. Pengambilan
daftar pasien dilakukan berdasarkan set up time suster sebelum pemeriksaan.
Pengambilan tersebut dilakukan oleh salah satu suster yang tidak memiliki
kegiatan dan akan mendistribusikan nya ke berbagai suster yang ada di setiap
meja pemeriksaan.
5. Suster memanggil pasien yang akan diperiksa masuk ke dalam sistem
berdasarkan urutan berkas pemanggilan pasien. Jika pasien yang dipanggil
tidak menunjukkan kehadirannya maka suster akan berjalan menuju kantor
menggunakan pengeras suara hingga 3x pemanggilan. Pasien menunggu
karena menulis hasil reka medis dan mempersiapkan pasien selanjutnya jika
pasien yang dipanggil tersebut tidak juga hadir untuk pemeriksaan triage.
44
45
6. Suster melakukan pemeriksaan triage service yakni pemeriksaan tensi darah

dan mata pasien, tetapi suster akan menanyakan lebih lanjut terkait tinggi
badan, berat badan, riwayat penyakit, berat badan, tinggi badan, golongan
darah, alergi obat dan status pemeriksaan atau pelayanan apakah pasien
tersebut datang untuk kontrol atau melakukan pemeriksaan untuk pertama
kali di Poliklinik Penyakit Dalam IRJ Dr. Sardjito. Pemanggilan pasien akan
dilakukan setiap pasien yang sedang diperiksa selesai dilakukan atau server
sedang berada dalam keadaan idle. Pemeriksaan triage terkadang akan
terganggu dengan pasien yang tidak tahu dengan berat badan dan tinggi
badannya sendiri, sehingga suster akan menunggu pasien untuk pemeriksaan
mandiri.
7. Jawaban dari hasil triage service akan ditulis secara manual di atas sebuah
kertas yang harus diisi oleh suster dan kemudian suster akan memberikan
hasil pemeriksaan tersebut ke bagian petugas administrasi untuk dimasukkan
ke dalam pendataan komputer. Input data hasil triage diobservasi untuk
waktu pelayanan pada bagian petugas administrasi. Suster yang menulis
secara manual dan petugas administrasi yang memasukkan hasil triage ke
dalam pendataan komputer merupakan sebuah waste of overprocessing
dimana proses yang sama dilakukan berulang di beberapa tahap (redundant).
8. Suster yang sudah melakukan pemanggilan dan pemeriksaan triage juga akan
melakukan pekerjaan lain yakni mendistribusikan daftar pasien yang akan
diperiksa kepada semua dokter (server) yang ada di sistem setelah proses
input data hasil triage selesai. Pekerjaan ini pada kenyataannya akan
menyebabkan terhambatnya pasien yang akan diperiksa di bagian triage
karena proses mengumpulkan daftar pasien yang akan diperiksa dari petugas
administrasi dan proses distribusi membutuhkan waktu yang lama. Hal ini
akan menyebabkan waste of waiting dan waste of transportation. Selain itu
faktor keterlambatan juga bisa terjadi di bagian dokter.
9. Distribusi oleh suster akan menjadi set up time bagi dokter untuk melakukan
pemeriksaan karena walaupun dokter tidak ada pasien yang mengisi dan
pasien sudah siap untuk diperiksa di depan ruang dokter, pemeriksaan tetap
46
tidak akan berjalan karena berkas pemeriksaan dari bagian petugas

administrasi masih belum diantarkan oleh suster ke bagian dokter. Selain itu
ada kemungkinan distribusi pasien tidak seimbang karena suster tidak
mengetahui dokter yang mana yang masih memiliki sisa pasien dan dokter
yang sudah tidak memiliki daftar pasien. Bahkan pada kenyatannya dokter
yang sudah tidak tahan dengan tidak kunjung datangnya berkas tersebut
meminta submission berkas tersebut kepada suster yang masih melakukan
triage process bukan karena tidak ada pasien tetapi berkas yang tidak kunjung
dibawakan.
10. Berkas sudah berada di ruangan dokter, kemudian dokter akan memanggil
pasien dengan bergerak keluar dan memanggil pasien untuk masuk ke dalam
ruangan. Pemanggilan akan dilakukan secara manual dengan waktu
pemanggilan sebagai set up time. Waktu set up time diperlukan karena ada
kemungkinan pasien tidak berada di tempat dan membutuhkan waktu yang
lama untuk menjalani proses pemeriksaan. Hal ini dipandang sebagai non
value added karena dokter harus keluar memanggil pasien dan memanggil
nama pasien sebanyak 3x, kemudian bergulir kembali ke meja kerja untuk
memanggil pasien lain jika pasien yang dituju sebelumnya tidak ada jawaban.
Dokter harus berjalan menempuh sejumlah jarak dan waktu yang dianggap
waste of transportation dan waste of motion. Waktu set up time bagi dokter
sebelum melakukan pemeriksaan diambil berdasarkan waktu pasien bergerak
dari ruang tunggu ke ruang dokter.
11. Hasil pemeriksaan dari ruang dokter akan dibuatkan sebuah catatan yang di
dalamnya tertera saran dan rekomendasi yang harus pasien dan keluarga
lakukan, resep dokter, status pemeriksaan, pengobatan berjenjang dan catatan
medis bagi poliklinik dan dijadikan satu dengan berkas pemeriksaan dari
petugas administrasi dan triage process. Pasien akan keluar dengan
membawa berkas dan menyerahkannya kembali ke petugas administrasi
untuk dimasukkan hasil pemeriksaan dokter.
12. Pasien yang keluar dari ruang dokter dianggap sudah keluar dari sistem
karena proses pelayanan sudah berakhir.
47
Mulai
Pendaftaran pasien melalui petugas

administrasi poliklinik penyakit dalam
Petugas administrasi akan membuatkan berkas

pemeriksaan untuk pasien
Suster akan mengambil berkas pemeriksaan di

petugas administrasi
Suster memanggil pasien untuk dilakukan

pemeriksaan tekanan darah , suhu tubuh,
pertanyaan umum dan konsultasi oleh suster
Pasien mendapatkan pelayanan pemeriksaan

triage
Pasien menunggu untuk diperiksa oleh dokter

di ruang tunggu
Suster akan mengembalikan berkas

pemeriksaan triage ke petugas administrasi
untuk di masukkan ulang hasil pemeriksaan
triage dalam bentuk tulisan suster ke dalam
database komputer penyakit dalam
Suster akan mendistribusikan berkas

pemeriksaan ke ruangan dokter setelah berkas
itu di input oleh petugas administrasi
Dokter memanggil pasien untuk dilakukan

pemeriksaan dan akan ditindak lanjuti
Pasien mengembalikan berkas pemeriksaan ke

petugas administrasi
Selesai
Gambar 5.1. Alur Pemeriksaan Pasien Poliklinik
Sistem antrian Poliklinik Penyakit Dalam di RSUP Dr. Sardjito menerapkan

sistem First Come first Serve (FCFS) tanpa mempertimbangkan kondisi pasien.
48
Sistem juga tidak menerapkan perjanjian untuk pemeriksaan (appointment

schedulling). Pendaftaran Poliklinik Penyakit Dalam dipusatkan bersama dengan
poliklinik yang lain yang berlokasi sama di lantai 4. Pendaftaran poliklinik lantai 4
akan dibuka mulai dari pukul 07.00 pagi hingga pukul 14.00. Waktu kedatangan
dan jumlah pasien tidak dapat ditentukan sehingga sistem ada kemungkinan
melebihi jam kerjanya yang dibuka mulai dari jam 8 pagi. Pendaftaran poliklinik
lantai 4 IRJ RSUP Dr. Sardjito melayani pelayanan dari hari Senin-jum’at.
Pelayanan dokter Poliklinik Penyakit Dalam di shift pagi untuk pemeriksaan
sedangkan tugas jaga hanya dijadwalkan 1 sampai 2 server. Waktu reguler dokter
akan dibuka 5 server setiap hari mulai dari hari Senin-jum’at dengan kapasitas
setiap server yang berbeda-beda. Sistem dimulai dari pasien masuk ke dalam
ruangan petugas administrasi Poliklinik Penyakit Dalam dan keluar dari sistem
setelah menyerahkan berkas pemeriksaan ke petugas administrasi Poliklinik
Penyakit Dalam. Setelah proses administrasi berupa memberikan berkas
pendaftaran ke petugas administrasi, pasien akan menunggu di ruang tunggu untuk
dipanggil pelayanan triage dan dilanjutkan menunggu lagi untuk dipanggil ke
dalam ruangan dokter. Waktu tunggu pasien akan dimulai sejak pasien menunggu
untuk dilayani hingga keluar dari sistem. Berikut ini merupakan lay out ruangan
Poliklinik Penyakit Dalam RSUP Dr. Sardjito Yogyakarta seperti terlihat pada
Gambar 5.2.
Gambar 5.2. Lay Out Poliklinik Penyakit Dalam

49
Sistem Poliklinik Penyakit Dalam ditemukan masalah pada waktu tunggu

pasien yang melebihi satu jam yang melanggar peraturan KEPMENKES yang
menyatakan bahwa pasien IRJ tidak boleh melebihi 1 jam untuk menunggu
penanganan medis. Pasien yang sudah melakukan proses administrasi hanya bisa
menunggu dan tidak melakukan apapun di ruang tunggu. Permasalahan ini
dikarenakan oleh entitas suster yang terlalu sibuk dan mengalami bottle neck yang
disebabkan terlalu banyaknya prosedur yang harus dilakukan oleh suster dan
petugas administrasi.
5.2. Validasi Data Aktual

Proses pengambilan data dilakukan selama dua bulan dimulai sejak bulan
Januari 2016 hingga Maret 2016. Dari hasil observasi didapatkan data interarrival
time kedatangan pasien dan waktu pelayanan/pemeriksaan dokter di Poliklinik
Penyakit Dalam IRJ RSUP Dr. Sardjito.
5.2.1. Rata-rata jumlah kedatangan pasien
Jumlah kedatangan pasien pemeriksaan dokter per hari berdasarkan observasi
dan rekam medis dari RSUP Dr. Sardjito dalam kurun waktu Januari - Februari
2016 tidak memiliki perbedaan setiap harinya pada hari Senin, Selasa, Rabu dan
Kamis sedangkan di hari Jumat memiliki perbedaan yang signifikan dengan hari
lainnya. Pengujian normalitas jumlah kedatangan pasien untuk mengetahui apakah
data jumlah pasien poliklinik terdistribusi normal atau tidak sehingga pengujian
selanjutnya dapat ditentukan apakah akan menggunakan uji parametrik one way
ANOVA atau non parametrik kruskal wallis. Data jumlah pasien menunjukkan
bahwa data tidak terdistribusi normal sehingga pengujian dilakukan dengan non
parametrik yakni kruskal wallis untuk menguji apakah ada perbedaan yang
signifikan jumlah pasien setiap harinya, digunakanlah uji statistika menggunakan
SPSS Ver. 23. Hasil uji kenormalan untuk jumlah kedatangan pasien terdapat pada
Gambar 5.3. dan Tabel 5.1.
50
Gambar 5.3. Plot Uji Normalitas Jumlah Kedatangan Pasien Poliklinik
Tabel 5.1. Uji Normalitas Jumlah Kedatangan Pasien Poliklinik

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
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.
Tabel 5.2. Uji Signifikansi Jumlah Kedatangan Pasien Poliklinik
Test Statisticsa,b
Arrival
Chi-square 27,785
df 4
Asymp. Sig. ,000
a. Kruskal Wallis Test
b. Grouping Variable:
Day
Pada Tabel 5.2. menunjukkan reject H0 dimana asymp. sig menunjukkan p-

value < 0,05 batas kritis penelitian yang artinya ada perbedaan jumlah kedatangan
pasien yang signifikan di setiap harinya. Hal ini dikarenakan jumlah pasien hari
Jumat yang memiliki jumlah kedatangan rata-rata yang sangat berbeda dengan hari-
hari poliklinik lainnya. Pengujian dilakukan kembali dengan menguji kelompok
data di hari Senin, Selasa, Rabu dan Kamis untuk membuktikan bahwa hari Jumat
memiliki data yang yang berbeda signifikan dengan data lainnya seperti terlihat
pada Tabel 5.3. pengujian kruskal wallis kelompok data untuk hari Senin, Selasa,
Rabu dan Kamis.
Tabel 5.3. Uji Signifikansi Kruskal Wallis Selain Hari Jumat

Test Statisticsa,b
Arrival
Chi-square 6,910
52
Tabel 5.3. Uji Signifikansi Kruskal Wallis Selain Hari Jumat (Lanjutan)
df 3
Asymp. Sig. ,075
Day
Pada Tabel 5.3. menunjukkan fail to reject H0 dimana asymp. sig

menunjukkan p-value > 0,05 batas kritis penelitian yang artinya tidak ada
perbedaan jumlah kedatangan pasien yang signifikan di hari Senin, Selasa, Rabu
dan Kamis. Perbedaan jumlah kedatangan pasien di hari Jumat bukan karena jumlah
dokter atau jumlah server yang lebih sedikit atau karena salah satu dokter spesialis
tidak dibuka namun karena faktor hari libur IRJ di hari Sabtu dan Minggu sehingga
pasien lebih memilih untuk masuk ke dalam sistem di hari Senin, Selasa, Rabu dan
Kamis atau tidak sama sekali. Rata-rata jumlah kedatangan pasien hari Jumat lebih
sedikit daripada hari-hari lainnya maka dapat diasumsikan bahwa jika hari-hari
yang lain mengalami peningkatan maka di hari Jumat juga akan mengalami
peningkatan yang sama di bawah peningkatan pada hari-hari selain hari Jumat.
5.2.2. Interarrival kedatangan pasien
Interarrival atau waktu antar kedatangan pasien adalah rata-rata jumlah
kedatangan pasien yang datang ke Poliklinik Penyakit Dalam tiap satuan waktu.
Langkah awal yang dilakukan adalah dengan uji normalitas data interarrival pasien
tiap harinya menggunakan uji kolmogorov smirnov atau shapiro wilk dengan
tingkat signifikan 0,05 seperti terlihat pada Tabel 5.4.
Tabel 5.4. Uji Normalitas Waktu Interarrival Time Kedatangan Pasien
Senin Selasa Rabu Kamis Jumat

N 227 88 215 204 165
Normal Mean 88,27 54,06 88,68 76,39 64,24
Parametersa,b Std.
98,915 46,200 100,253 88,315 50,195
Deviation
53
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.
Tabel 5.5. Hasil Uji Kruskal Wallis Interarrival Time Pasien
Group N Mean Rank

Senin 227 489,18
Selasa 88 407,69
Rabu 215 444,41
Interarrival
Kamis 204 430,50
Jumat 165 450,06
Total 899
Value
Chi-square 8,756
df 4
Asymp. Sig. ,068
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.
Tabel 5.6. Uji Normalitas Waktu Pelayanan Tiap Server

Tests of Normality Admin 1
Admin1 ,190 26 ,017 ,880 26 ,006
Tests of Normality Admin 2
Admin2 ,214 26 ,003 ,874 26 ,004
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
sesuai untuk waktu pelayanan administrasi adalah distribusi triangular

(28,0;711,145;28,0).
5.2.4. Waktu pelayanan triage
Pengujian waktu pelayanan atau pemeriksaan triage dilakukan untuk
mengetahui distribusi yang sesuai dengan waktu pelayanan triage yang telah
diobservasi. Data waktu pelayanan triage 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 5.7.
Tabel 5.7. Uji Normalitas Waktu Pelayanan Tiap Server

Tests of Normality
Triage Process ,082 96 ,122 ,950 96 ,001
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
tingkat signifikan 0,05. Waktu pengujian menggunakan uji kolmogorov smirnov

atau shapiro wilk seperti terlihat pada Tabel 5.8.
Tabel 5.8. Uji Normalitas Waktu Pengambilan Dan Distribusi Berkas Oleh Suster
Tests of Normality
Distribusi ,107 38 ,200* ,946 38 ,066
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.
Tabel 5.9. Uji Normalitas Waktu Suster Menulis Hasil Triage

Tests of Normality
Kolmogorov
smirnova Shapiro wilk
Menulis *
,146 14 ,200 ,929 14 ,299
57
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
menggunakan uji kolmogorov smirnov atau shapiro wilk seperti terlihat pada Tabel
5.10.
Tabel 5.10. Uji Normalitas Waktu Suster Menulis Hasil Triage

Tests of Normality
TransPasien ,271 81 ,000 ,688 81 ,000
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
5.2.8. Waktu pelayanan dokter

Pengujian waktu pelayanan dokter dilakukan untuk mengetahui distribusi
yang sesuai dengan waktu pelayanan dokter yang telah diobservasi. Data waktu
pelayanan 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 5.11. Server
dokter akan menunjukan spesialisasi kemampuan dokter, yaitu:
1. Server 1 dengan dokter spesialisasi Gastro
2. Server 2 dengan dokter spesialisasi Hemato
3. Server 3 dengan dokter spesialisasi Rematokologi
4. Server 4 dengan dokter spesialisasi Endokrin
5. Server 5 dengan dokter spesialisasi Nemato
Tabel 5.11. Uji Normalitas Waktu Pelayanan Dokter

N (Jumlah Nilai P-
No. Dokter Pasien Uji value atau Kesimpulan
Terlayani) significance
Tidak terdistribusi
1 Server 1 20 Shapiro wilk 0,000
normal
Tidak terdistribusi
normal
Tidak terdistribusi
normal
Tidak terdistribusi
normal
Tidak terdistribusi
normal
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
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
menggunakan uji kolmogorov smirnov atau shapiro wilk seperti terlihat pada Tabel
5.13.
Tabel 5.13. Uji Normalitas Waktu Transport Pasien Dokter

Tests of Normality
PasientoDokter ,369 54 ,000 ,381 54 ,000
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 5.14. Probabilitas Pemilihan Pasien Poliklinik Penyakit Dalam

Server Jenis Pelayanan Probability
server 1 endokrin 39,73%
server 2 gastro 24,87%
server 3 hemato 14,87%
server 4 remato 9,95%
server 5 nemato 9,95%
5.3. Pembuatan Model Sistem Nyata

Pembuatan model bertujuan untuk mendapatkan gambaran mengenai sistem
nyata dari Poliklinik Penyakit Dalam IRJ RSUP Dr. Sardjito sehingga dapat diukur
performansi sistem nyata dan mencari alternatif yang paling optimal berdasarkan
hasil analisis alternatif-alternatif yang dibuat. Pembuatan model ini menggunakan
software Promodel 2016 version 9.0.3.2051 dengan input data sebagai berikut:
1. Jumlah kedatangan pasien setiap harinya
2. Probabilitas pemilihan dokter
3. Interarrival time pasien
4. Waktu pelayanan administrasi
61
5. Waktu pelayanan triage

6. Waktu pelayanan dokter
7. Waktu transportasi pasien triage
8. Waktu transportasi pasien dokter
9. Waktu pengambilan dan distribusi berkas
10. Waktu suster dalam menulis hasil triage
5.3.1. Asumsi dan batasan model
Batasan dibuat agar model lebih merepresentasikan sistem nyata dan lebih
fokus pada permasalahan yang ditemui. Berikut merupakan batasan model yang
dibuat untuk Poliklinik Penyakit Dalam IRJ RSUP Dr. Sardjito:
1. Hari Jumat dianggap akan mengalami peningkatan jika hari Senin, Selasa,
Rabu dan Kamis mengalami peningkatan dengan alasan jumlah pasien yang
jauh lebih sedikit dengan hari Senin, Selasa, Rabu dan Kamis.
2. Parameter pengamatan hanya melihat dari waktu tunggu pasien sebagai faktor
utama dan faktor ke dua adalah panjang antrian yang terjadi di dalam sistem
dimana faktor biaya (cost) tidak dimasukan sebagai faktor pengambilan
keputusan.
3. Satuan waktu yang digunakan dalam model adalah satuan detik dimana
satuan waktu dalam output viewer adalah satuan jam.
4. Parameter validasi model berdasarkan pendekatan uji statistik yakni
membandingkan jumlah output pasien model dengan jumlah output pasien
pada sistem nyata.
5. Sistem dalam model membatasi registrasi awal pasien sampai pukul 14.00
dimana pasien tidak bisa lagi mendaftar untuk mendapatkan pelayanan
Poliklinik Penyakit Dalam, jika pada saat bagian registrasi awal sudah tidak
melayani pasien registrasi dan masih ada pasien di dalam sistem penyakit
dalam menunggu pemeriksaan maka pasien akan dilayani hingga pasien
terakhir pada pukul 14.00 selesai dilayani.
Sedangkan asumsi yang digunakan dalam model ini adalah:
1. Sistem disimulasikan mulai pukul 08.00-17.00 dan pengumpulan berkas
pasien sudah dilakukan sejak pukul 07.00 sesuai dengan shift reguler di
62
Poliklinik Penyakit Dalam IRJ RSUP Dr. Sardjito. Namun pada

kenyataannya dokter akan selalu mengalami keterlambatan dalam menangani
pasien dengan jumlah kunjungan pasien yang terlalu banyak atau dokter yang
terlambat dari jam kerja sehingga pasien tersebut akan tetap dilayani.
2. Pasien yang datang lebih dari jam 14.00 sudah tidak dapat dilayani.
3. Jumlah kedatangan pasien, interarrival time pasien, waktu pelayanan
administrasi, waktu transport pasien triage, waktu pengambilan dan
distribusi berkas, waktu pelayanan triage, waktu menulis hasil triage, waktu
transport pasien dokter dan waktu pelayanan dokter dianggap mengikuti
distribusi statistik berdasarkan observasi.
4. Proses pelayanan akan dimulai sejak pukul 08.00 mulai dari bagian
administrasi sampai selesai pelayanan dokter, tetapi pasien sudah mulai bisa
memasukkan berkas mulai dari pukul 07.00 di bagian administrasi sebagai
waiting list menunggu dipanggil di bagian triage.
5. Pasien yang keluar dari ruang periksa dokter dianggap sudah keluar dari
sistem.
5.3.2. Input data observasi sesuai dengan sistem nyata
Input data sistem yang sudah terukur dan diuji dengan berbagai pengujian
statistik seperti terlihat pada Tabel 5.15.
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)
5.4. Validasi Model Dengan Sistem Nyata
5.4.1. Menentukan minimum replikasi

Model disimulasikan selama waktu reguler jadwal operasional poliklinik
yaitu dari pukul 07.00 hingga pukul 17.00 yang menggambarkan jumlah waktu
penelitian per harinya. Simulasi model yang dilakukan kemudian divalidasi dengan
menggunakan jumlah replikasi yang menghasilkan error lebih kecil daripada
jumlah error yang yang diijinkan. Satu replikasi mewakilkan 1 kali operasional per
harinya. Berikut merupakan hasil output dari hasil replikasi awal selama 5 kali
replikasi seperti ditunjukan pada Tabel 5.16.
Tabel 5.16. Hasil Simulasi Untuk Replikasi 5 Kali

Replication Name Total exits
1,00 Pasien Selesai 177,00
Avg Pasien Selesai 180,80
St. Dev. Pasien Selesai 5,50
64
Penentuan jumlah minimum replikasi yang dibutuhkan dengan parameter

acuan yaitu jumlah pasien yang dapat dilayani dalam satu hari dengan
membandingkan error yang dihasilkan dengan error yang diijinkan. Pada sistem
nyata rata-rata jumlah pasien selesai yang dapat terlayani sebanyak 179 orang
dengan standar deviasi sebesar 17,64. Sedangkan rata-rata output dan standar
deviasi untuk model dengan replikasi tertentu ditunjukan oleh Tabel 5.17.
Kemudian dilakukan analisis replikasi minimum yang dibutuhkan agar error yang
dihasilkan tidak melebihi batas yang diijinkan sesuai dengan tingkat kepercayaan
95% maka selang kepercayaannya sesuai dengan persamaan 4.1 dengan hasil
perhitungan ditunjukan pada Tabel 5.17.
Tabel 5.17.Uji Replikasi Model Output Jumlah Pasien Selesai

Model Error Error
Jumlah T Replikasi
Standar Critical yang yang
replikasi Mean yang diterima
Deviasi diizinkan dihasilkan
5 180,80 5,50 2,78 6,82 1,80 YES
10 178,90 5,04 2,26 3,61 0,10 YES
15 178,53 4,69 2,15 2,60 0,47 YES
20 179,70 5,51 2,09 2,58 0,70 YES
40 180,13 5,07 2,02 1,62 1,13 YES
100 179,49 4,84 1,98 0,96 0,49 YES
150 179,57 5,07 1,98 0,82 0,57 YES
200 179,65 5,20 1,97 0,73 0,65 YES
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
Model ,214 10 ,200* ,950 10 ,671
Sistem
,148 10 ,200* ,968 10 ,874
nyata
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
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
Model ,124 10 ,200* ,949 10 ,661
Real ,193 10 ,200* ,912 10 ,297
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
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
68
Tabel 5.22. Uji Normalitas Waktu Tunggu Pasien Dokter Sistem Nyata Dan
Model
Tests of Normality
Model ,163 10 ,200* ,965 10 ,841
Real *
,150 10 ,200 ,944 10 ,595
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.
5.4.3. Uji statistik validasi model

1. Uji homogenity dan mann whitney pasien selesai sistem nyata dan model
Berdasarkan Tabel 5.18., data pasien selesai model dan sistem nyata
menunjukan distribusi normal sehingga perlu di lakukan homogenity test untuk
menentukan akan menggunakan parametric test atau non parametric test. Hasil
homogenity test seperti terlihat pada Tabel 5.23.
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
Exact Sig. [2*(1-tailed Sig.)] ,574b
a. Grouping Variable: Group

b. Not corrected for ties.
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
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.
5.5. Analisis Model Simulasi

Parameter utama yang digunakan pada penelitian adalah waktu tunggu pasien
dan panjang antrian sebagai parameter kedua dalam mengambil keputusan.
Berdasarkan hal itu maka pengamatan utama ada pada output pasien selesai di
dalam entity summary (avg. Reps), queue pasien tunggu triage dan queue pasien
tunggu dokter location summary (avg. Reps). Hasil report untuk setiap parameter
dapat dilihat pada Tabel 5.29 dan Tabel 5.30.
Tabel 5.29. Report entity summary (Avg. Reps) sistem aktual

Average
Replication
Total exits
Average Average Average Average

Time in
Name
Time in Time Time in Time

Move
System Waiting Operation Blocked
Logic
(Hr) (Hr) (Hr) (Hr)
(Hr)
Pasien
Avg 180,13 5,17 0,17 4,82 0,07 0,11
Selesai
Tabel 5.30. Report location summary (Avg. Reps)

Average
Time
Scheduled Average Maximum
Replication Name Capacity Per
Time (Hr) Contents Contents
entry
(Hr)
Queue
Pasien
Avg 10,00 INF 5,53 123,93 191,83
Tunggu
Triage
Queue
Pasien
Avg 10,00 INF 1,80 8,02 15,45
Tunggu
Dokter
73
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
In Patient Out Patient
Registrasi Pelayanan Triage Pemeriksaan Dokter
2 admin 3 Suster 5 Server

Cycle Time 0,04 Hour Cycle Time 0,6 Hour Cycle Time 0,25 Hour
Capacity 1 Capacity 1 Capacity 1,8
5,57 Hr 1,81 Hr 8,28 Hr
0,04 Hr 0,6 Hr 0,25 Hr 0,9 Hr
Gambar 5.4. Current Value Stream Mapping Poliklinik Penyakit Dalam

74
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 5.31. Value Added Sistem Poliklinik

No Unit Peran Value Added
1 Administrasi Admin 1 dan Proses pembukaan berkas untuk
admin 2 pasien baru dan pasien lama untuk
reka medis pasien sebagai catatan
pengobatan pasien di poliklinik
seperti pelayanan arsip pasien.
2 Triage Suster 1, suster 2 Pelayanan triage yang menyangkut
dan suster 3 pemeriksaan diagnosis awal pasien
seperti tekanan darah, mata, riwayat
penyakit, mencatat hasil
pemeriksaan, konsultasi awal dan
profil pasien.
3 Dokter Ruangan dokter 1, Pelayanan pemeriksaan pasien oleh
dokter 2, dokter 3, dokter mulai dari pemeriksaan awal,
dokter 4 dan analisis penyakit dan tindakan
dokter 5 selanjutnya yang harus diambil oleh
dokter dalam penanganan medis
seperti scanning.
75
5.5.2. Non value added sistem poliklinik

Non value added adalah kegiatan yang tidak memberikan nilai tambah.
Berdasarkan sistem Poliklinik Penyakit Dalam, maka teridentifikasi yang menjadi
bagian non value added seperti ditunjukkan pada tabel 5.32.
Tabel 5.32. Non Value Added Sistem Poliklinik

1 Administrasi dan Suster 1, suster 2, Redundant penulisan reka
pelayanan triage suster 3, admin 1 dan medis hasil pemeriksaan
admin 2 triage.
2 Pelayanan triage Pasien Pasien menunggu untuk
dipanggil dan diperiksa.
3 Ruang dokter Pasien Pasien menunggu untuk
dipanggil dan diperiksa.
5.5.3. Non value added but needed sistem poliklinik

Necessary but non value added adalah kegiatan yang tidak memberikan nilai
tambah tapi dibutuhkan dan tidak bisa dihilangkan sehingga hanya bisa diganti.
Berdasarkan sistem Poliklinik Penyakit Dalam, maka teridentifikasi yang menjadi
bagian necessary but non value added seperti ditunjukkan pada tabel 5.33.
Tabel 5.33. Necessary but Non Value Added Sistem Poliklinik

1 Admin 1 Proses pemeriksaan ulang syarat-syarat
Administrasi pengajuan pengobatan di Poliklinik
Penyakit Dalam.
2 Suster 1, Suster mengambil berkas di bagian
Administrasi suster 2 dan administrasi dan mendistribusikan berkas
suster 3 ke setiap pelayanan triage.
76
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.
5.6. Pengembangan Alternatif Perbaikan Sistem

Pengembangan alternatif perbaikan sistem dilakukan setelah model dapat
merepresentasikan sistem nyata. Alternatif perbaikan dilakukan dengan melakukan
eksperimen untuk mendapatkan sistem yang optimal sesuai model yang dibangun.
Alternatif dilakukan dengan menganalisis value stream mapping berdasarkan non
value added yang dapat dihilangkan atau non value added yang dapat dikurangi di
dalam model.
5.6.1. Alternatif 1 pasien yang membawa berkas
Fungsi suster di dalam sistem salah satunya adalah mengelola berkas untuk
di kumpulkan dari bagian administrasi, mendistribusikan ke bagian triage,
memasukkan secara tertulis dan juga mendistribusikan ke bagian dokter. Setiap
masuk dan keluarnya berkas akan dikendalikan oleh suster, hal ini yang membuat
pasien menunggu untuk dipanggil di bagian triage dan ruangan dokter dimana
standard operating procedure suster adalah mengumpulkan berkas di bagian
administrasi, melayani proses triage, menulis hasil reka medis, mendistribusikan
berkas di bagian triage dan mendistribusikan berkas di bagian dokter. Lima
pekerjaan dilakukan oleh 3 suster membuat pelayanan triage dan pemeriksaan
dokter semakin terganggu, ini terbukti dengan waktu tunggu bagian triage dan
waktu tunggu bagian dokter yang melebihi satu jam.
Sedangkan pasien akan selalu menunggu tanpa melakukan aktivitas sejak
pasien masuk ke dalam sistem dan meletakkan berkas hasil registrasi di ruang
tunggu. Hal ini yang membuat waktu tunggu pasien semakin panjang karena pasien
tidak melakukan aktivitas apapun di dalam sistem selain check in berkas,
mendapatkan pelayanan triage dan pemeriksaan dokter. Dengan demikian, dengan
mengikut sertakan pasien dalam mengelola berkas pemeriksaan sistem akan
77
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
Aksi Penguatan Sistem Informasi Kesehatan Indonesia sejak tahun 2011.

Kementerian kesehatan menyadari bahwa sistem informasi kesehatan saat ini masih
jauh dari kondisi ideal, serta belum mampu menyediakan data dan informasi
kesehatan yang evidence based untuk pembangunan kesehatan yang efektif.
Kementerian kesehatan juga berhasil mengidentifikasi berbagai masalah klasik
yang masih dihadapi dalam penyelenggaraan SIK. Beberapa di antaranya adalah
kegiatan pengelolaan data dan informasi belum terintegrasi dan terkoordinasi dalam
satu mekanisme kerjasama yang baik.
Terdapat “overlapping” kegiatan dalam pengumpulan dan pengolahan data,
di mana masing-masing unit mengumpulkan datanya sendiri-sendiri dengan
berbagai instrumennya di setiap unit kerja baik di pusat maupun di daerah.
Kementerian juga mengakui bahwa penyelenggaraan SIK sendiri masih belum
dilakukan secara efisien, masih terjadi “redundant” data, duplikasi kegiatan, dan
tidak efisiennya penggunaan sumber daya. Hal ini sebagai akibat dari adanya SIK
yang ada saat ini masih terfragmentasi. Hal itu juga terjadi di dalam sistem
Poliklinik Penyakit Dalam.
Kementerian kesehatan berupaya mengatasi hal tersebut dengan menjalankan
program dan kebijakan penguatan SIK untuk memenuhi good governance tetapi
pemerintah memiliki berbagai hambatan dalam melaksanakan penguatan SIK
berbasis komputerisasi yakni sumber daya manusia dan standarisasi. Sumber daya
manusia yang tidak kompeten atau tidak memiliki skill dalam menggunakan
komputerisasi akan menyulitkan penerapan komputerisasi, hal ini dapat di atasi
dengan memberikan training kepada para operator yang menggunakan
komputerisasi tanpa harus mengganti pegawai.
Standarisasi adalah faktor utama mengapa penerapan penguatan SIK ini sulit
untuk dilakukan karena setiap unit kesehatan memiliki format SIK sendiri dan jika
digabungkan atau dilakukan singkronisasi terhadap database maka akan terlihat
begitu rumitnya SIK yang dibuat. Setiap unit memiliki database terpisah dan tidak
saling berhubungan yang menyebabkan pengulangan komfirmasi atau input ke
dalam database. Kelebihan dan kekurangan berdasarkan analisis SWOT
kementerian kesehatan terkait penerapan SIK seperti terlihat pada Tabel 5.34.
81
Tabel 5.34. Analisis SWOTPenerapan SIK Oleh Kementerian Kesehatan

Strength/Kekuatan Weaknesses/Kelemahan
1. Indonesia telah memiliki beberapa 1. SIK masih terfragmentasi (belum
legislasi terkait SIK (UU terintegrasi) dan dikelola berbagai
Kesehatan, SKN, Kebijakan dan pihak sehingga terdapat “pulau-
strategi pengembangan SIKNAS pulau informasi”.
dan SIKDA). 2. Legislasi yang ada belum kuat
2. Tenaga pengelola SIK sudah mulai untuk mendukung integrasi SIK.
tersedia pada tingkat Pusat, Provinsi 3. Tidak terdapatnya penanggung
dan Kabupaten/Kota. jawab khusus SIK (petugas SIK
3. Infrastruktur teknologi informasi umumnya masih rangkap jabatan)
dan komunikasi tersedia di semua 4. Tenaga Pengelola SIK umumnya
Provinsi dan hampir seluruh masih kurang diakui perannya,
Kabupaten/Kota pengembangan karir tidak jelas dan
4. Indikator kesehatan telah tersedia belum ada jabatan fungsionalnya.
5. Telah ada sistem pengumpulan data 5. Terbatasnya anggaran untuk
secara rutin yang bersumber dari teknologi informasi dan komunikasi
fasilitas kesehatan khususnya untuk pemeliharaan.
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
5.6.6. Alternatif 6 semua alternatif terbaik di kombinasikan dengan alternatif 2

Alternatif 6 adalah alternatif terbaik yang dikombinasikan dengan alternatif 2
karena alternatif 2 adalah alternatif yang tidak saling kontradiktif dengan alternatif
yang lain.
5.7. Analisis Hasil Alternatif

Rencana pemodelan alternatif di simulasikan dan didapatkan hasilnya
berdasarkan parameter waktu tunggu. 25 hasil alternatif tersebut kemudian
dibandingkan berdasarkan parameter waktu tunggu pasien selama berada di dalam
sistem untuk melihat hasil akhir yang terbaik sesuai dengan tujuan awal yakni
meningkatkan kinerja pelayanan dengan meminimalkan waktu tunggu pasien pada
Poliklinik Penyakit Dalam. Parameter hasil simulasi seperti ditunjukan pada
Gambar 5.5 dan Lampiran 53. menunjukkan deskripsi setiap label alternatif.
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
Gambar 5.5. Histogram Perbandingan Waktu Tunggu Pasien Semua Alternatif
Rancangan model dianalisis berdasarkan waktu tunggu paling rendah. Setiap

alternatif memiliki sub alternatif dengan waktu tunggu paling rendah dan di
kombinasikan dengan alternatif 2A dan alternatif 2C karena alternatif 2 memiliki 2
alternatif yang memiliki waktu tunggu rendah dan ada kemungkinan akan
84
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
Dengan semua kelebihan tersebut, sistem akan memperbaiki waktu tunggu

pasien dan total waktu pasien seperti terlihat pada Gambar 5.6. histogram
perbandingan antara real system dengan model hasil simulasi alternatif. Persentase
perubahan sebanyak 72,44% untuk total waktu pasien berada di dalam sistem dan
73,16% waktu tunggu pasien telah berkurang.
Alternatif 6B masih membutuhkan pertimbangan melibatkan pasien dalam
hal administrasi, hal ini masih dapat teratasi karena setiap pasien yang masuk ke
dalam poliklinik akan ditemani oleh satu atau beberapa orang maka proses
administrasi dapat dilakukan tanpa perlu pasien ikut dalam proses administrasi.
Proses melibatkan pasien dalam tatanan administrasi merupakan solusi jangka
pendek yang dapat ditawarkan, sedangkan komputerisasi akan menjadi solusi
jangka panjang untuk diterapkan di poliklinik. Alternatif dengan melibatkan pasien
di bagian triage lebih baik ketimbang menambahkan fasilitas komputerisasi ke
86
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
Gambar 5.7. Perbandingan Waktu Tunggu Pasien Dokter 4B, 4C dan 5A
Dasar pengambilan kesimpulan tersebut dapat dibuktikan dengan melihat

waktu tunggu pasien untuk dokter yang jauh lebih lama jika komputerisasi
diterapkan di bagian triage seperti terlihat pada Gambar 5.7. dimana alternatif 4B,
alternatif 4C dan alternatif 5A menunjukkan waktu tunggu yang lebih lama. Hal ini
juga berlaku untuk alternatif 6A dan 5A dengan konsep yang sama dengan alternatif
6B.
Tabel 5.35. Perbandingan Current VSM Dan Alternatif 6B

Operator Kapasitas Cycle CVSM Perubahan
Kegiatan (unit) (unit) Time (Hr) (Hr) (%)
Registrasi 2 2 0,044 0,044 0,00%
Pelayanan
triage 3 3 0,120 0,599 79,96%
Pemeriksaan
dokter 5 9 0,253 0,253 0,00%
Waktu tunggu
triage Infinite 0,545 5,571 90,22%
87
Tabel 5.35. Perbandingan Current VSM Dan Alternatif 6B (Lanjutan)

Waktu tunggu
dokter Infinite 1,673 1,815 7,83%
Lead time 2,634 8,282 68,19%
Value added 0,417 0,896 53,48%
Throughput 0,380 0,121 214,40%
Gambar 5.8. Future State Value Stream Mapping Alternatif 6B

Berdasarkan Tabel 5.35 dan Gambar 5.8, perubahan alternatif dapat dilihat
dengan waktu troughput yang lebih tinggi dengan persentase lebih baik 214%
daripada current value stream mapping. Sedangkan lead time semakin berkurang
dengan persentase pengurangan 68,19%. 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 sedangkan pola
pemanggilan tidak bisa terlihat pebedaannya di dalam gambar dan hanya terlihat
dari perbedaan lead time system yang berubah.
5.7.2. Analisis alternatif 6A
Alternatif 6A adalah alternatif kombinasi alternatif 5A dan alternatif 2A.
dari bagian admin dan komputerisasi di bagian dokter serta pola pemanggilan
88
pasien dilakukan di bagian pelayanan triage. Perbedaan jelas antara alternatif 6B

dan 6A adalah ada atau tidaknya pola pemanggilan di bagian dokter. Kelebihan
ke bagian triage
admin.
89
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
(Hr)
Real 6B
Gambar 5.9. Perbandingan Hasil Simulasi Real System Dan Model Alternatif 6A

Alternatif 6A masih membutuhkan pertimbangan melibatkan pasien dalam
tetap. Hal ini sesuai dengan penjelasan sebelumnya terkait Gambar 5.7.
90
Tabel 5.36. Perbandingan Current VSM Dan Alternatif 6A

Operator Kapasitas Cycle Time CVSM Perubahan
Kegiatan
(unit) (unit) (Hr) (Hr) (%)
Registrasi 2 2 0,044 0,044 0,00%
Pelayanan triage 3 3 0,120 0,599 79,94%
Pemeriksaan dokter 5 9 0,265 0,253 5,12%
Waktu tunggu triage - Infinite 0,530 5,571 90,49%
Waktu tunggu dokter - Infinite 1,885 1,815 3,88%
Lead time 2,845 8,282 65,65%
Value added 0,430 0,896 52,02%
Throughput 0,351 0,121 191,10%
Gambar 5.10. Future State Value Stream Mapping 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.
Alternatif 5A adalah alternatif kombinasi alternatif 1A dan alternatif 4B.
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:
ke bagian triage
admin.
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
(Hr)
Real 5A

Alternatif 5A masih membutuhkan pertimbangan melibatkan pasien dalam
tetap. Hal ini sesuai dengan penjelasan sebelumnya terkait Gambar 5.7.
93

Kegiatan (unit) (unit) Time (Hr) (Hr) (%)
Registrasi 2 2 0,053 0,044 21,03%
Pelayanan
triage 3 3 0,131 0,599 78,15%
Pemeriksaan
dokter 5 9 0,265 0,253 4,84%
Waktu
tunggu triage Infinite 0,580 5,571 89,59%
Waktu
tunggu
dokter Infinite 1,841 1,815 1,44%
Lead time 2,870 8,282 65,35%
Value added 0,449 0,896 49,86%
Throughput 0,348 0,121 188,57%
dengan persentase lebih baik 188,57% daripada current value stream mapping.
Hasil analisa tersebut berdasarkan future state alternatif 5A dan current state sistem
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:
ke bagian triage dan ruangan dokter.
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.
5. Menghilangkan waktu transport pasien ruangan dokter dari ruang tunggu ke
ruangan dokter dengan pola pemanggilan 2 pasien untuk setiap triage.
95

bagian admin ke setiap ruangan dokter karena digantikan oleh pasien yang
membawa berkas ke ruangan dokter.
8. Menyeimbangkan proses triage dan pemeriksaan pada sistem nyata, hanya
saja waktu tunggu yang dihasilkan lebih rendah dengan menambahkan
fasilitas komputerisasi.
6,000
4,822
5,167
5,000
4,000
3,000 1,699 1,562

2,000
0,023
1,000 0,172
0,000
(Hr)
Real 6D
Gambar 5.13. Perbandingan Hasil Simulasi Real System Dan Model Alternatif 6D

Alternatif 6D masih membutuhkan pertimbangan melibatkan pasien dalam
96

pendek yang dapat ditawarkan sehingga sementara pemutahiran proses administrasi
sedang berjalan poliklinik masih dapat menerapkan solusi sementara dengan
bantuan pasien. Alternatif dengan melibatkan pasien di bagian triage lebih baik
ketimbang menambahkan fasilitas komputerisasi ke dalam proses triage, karena
ada kemungkinan waktu tunggu pasien semakin tinggi diakibatkan proses triage
yang semakin cepat sedangkan pelayanan dokter terbilang tetap. Hal ini sesuai
dengan penjelasan sebelumnya terkait Gambar 5.7.
Tabel 5.38. Perbandingan Current VSM Dan Alternatif 6D

Kegiatan
(unit) (unit) Time (Hr) (Hr) (%)
Registrasi 2 2 0,053 0,044 18,96%
Waktu tunggu triage Infinite 0,938 5,571 83,16%
Waktu tunggu dokter Infinite 1,512 1,815 16,70%
Lead time 2,861 8,282 65,46%
Value added 0,411 0,896 54,14%
Throughput 0,350 0,121 189,52%
Gambar 5.14. Future State Value Stream Mapping Alternatif 6D

97
Hasil analisa tersebut berdasarkan future state alternatif 6D dan current state sistem
alternatif 6B dengan current state tidak dapat dilihat secara grafik tetapi pola
pemanggilan masih dapat terlihat pebedaannya di dalam gambar dengan terlihat
5.7.5. Analisis alternatif 6C

Alternatif 6C adalah kombinasi alternatif 1C dan alternatif 2A. 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 yang hanya dilakukan di
bagian pelayanan triage. Perbedaan jelas antara alternatif 6C dan alternatif 6D
sebelumnya adalah tidak adanya pola pemanggilan pasien pada ruangan. Kelebihan
ke bagian triage dan ruangan dokter.
admin.
3. Menghilangkan proses batch yang terjadi setiap kali suster mendistribusikan
berkas dengan jumlah proses batch 10, 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.
98

bagian admin ke setiap ruangan dokter karena digantikan oleh pasien yang
membawa berkas ke ruangan dokter.
7. Menyeimbangkan proses triage dan pemeriksaan pada sistem nyata, hanya
saja waktu tunggu yang dihasilkan lebih rendah dengan menambahkan
fasilitas komputerisasi.
6,000
4,822
5,167
5,000
4,000
3,000 1,699 1,562

2,000
0,023
1,000 0,172
0,000
(Hr)
Real 6D
Gambar 5.15. Perbandingan Hasil Simulasi Real System Dan Model Alternatif 6C

pasien dan total waktu pasien seperti terlihat pada Gambar 5.15 histogram
99
Alternatif 6C masih membutuhkan pertimbangan melibatkan pasien dalam

pendek yang dapat ditawarkan sehingga sementara pemutahiran proses administrasi
sedang berjalan poliklinik masih dapat menerapkan solusi sementara dengan
bantuan pasien. Alternatif dengan melibatkan pasien di bagian triage lebih baik
ketimbang menambahkan fasilitas komputerisasi ke dalam proses triage, karena
ada kemungkinan waktu tunggu pasien semakin tinggi diakibatkan proses triage
yang semakin cepat sedangkan pelayanan dokter terbilang tetap. Hal ini sesuai
dengan penjelasan sebelumnya terkait Gambar 5.7.
Tabel 5.39. Perbandingan Current VSM Dan Alternatif 6C

Kegiatan
Registrasi 2 2 0,052 0,044 17,78%
Pelayanan
3 3 0,130 0,599 78,22%
triage
Pemeriksaan
5 9 0,260 0,253 2,91%
dokter
Waktu tunggu
Infinite 0,906 5,571 83,74%
triage
Waktu tunggu
Infinite 1,636 1,815 9,86%
dokter
Lead time 2,984 8,282 63,97%
Value added 0,442 0,896 50,61%
Throughput 0,335 0,121 177,52%
100
Gambar 5.16. Future State Value Stream Mapping Alternatif 6C
Hasil analisa tersebut berdasarkan future state alternatif 6C dan current state sistem
alternatif 6B dengan current state tidak dapat dilihat secara grafik tetapi pola
pemanggilan masih dapat terlihat pebedaannya di dalam gambar dengan terlihat
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
Tetapi dengan membagi tugas tersebut hanya akan meningkatkan waktu

tunggu dengan menumpuknya pasien di awal pembukaan poliklinik dan mengambil
resource 1 suster hanya untuk tugas distribusi akan mengurangi kapasitas
pelayanan triage sehingga pasien yang menunggu di awal semakin banyak walau
proses distribusi sudah sangat baik. Dengan semua kelebihan dan kekurangan
tersebut, sistem akan memperbaiki waktu tunggu pasien dan total waktu pasien
seperti terlihat pada Gambar 5.17. histogram perbandingan antara real system
dengan model hasil simulasi alternatif. Persentase perubahan meningkat sebanyak
4,88% untuk total waktu pasien berada di dalam sistem dan 6,07% waktu tunggu
pasien.

Kegiatan
Registrasi 2 2 0,044 0,044 1,00%
Waktu tunggu triage Infinite 5,983 5,571 7,39%
102
Tabel 5.40. Perbandingan Current VSM Dan Alternatif 3A (Lanjutan)

Waktu tunggu dokter Infinite 3,217 1,815 77,25%
Lead time 9,639 8,282 16,38%
Value added 0,439 0,896 51,01%
Throughput 0,104 0,121 14,08%
Alternatif 3A secara signifikan meningkatkan waktu tunggu karena

pembagian tugas dan menghilangkan kapasitas pelayanan triage adalah hal yang
salah berdasarkan hasil simulasi, sehingga alternatif ini adalah alternatif yang perlu
dihindari untuk diterapkan. Perubahan alternatif dapat dilihat dengan waktu
troughput yang sedikit lebih tinggi dengan persentase 14,08% daripada current
value stream mapping dan jika dibandingkan dengan alternatif lain kenaikannya
tidak terlalu signifikan. Sedangkan lead time semakin meningkat dengan
persentase kenaikan sebesar 16,38%. Hasil analisa tersebut berdasarkan future state
alternatif 3A dan current state sistem seperti terlihat pada Tabel 5.40 dan Gambar
5.18. Perbedaan future state VSM alternatif 6B dengan current state dapat terlihat
pada resource suster yaitu hanya ada 2 suster yang melayani proses triage dan 1
suster yang lain tidak bisa terlihat di dalam grafik. Perubahan hanya bisa terlihat
pada lead time yang berubah.
BAB VI
PENUTUP
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
129/MenKes/SK/II/2008 untuk pelayanan di instalasi rawat jalan sehingga

metode atau penelitian lain sangat diharapkan mampu menurunkan waktu
tunggu di bawah 60 menit.
2. Penelitian ini masih belum menambahkan analisis risiko terhadap lamanya
waktu tunggu pasien untuk mendapatkan pemeriksaan di poliklinik.
DAFTAR PUSTAKA
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
Ohno, T., 1998, Toyota Production System: Beyond Large-Scale Production,

Productivity Press, Cambridge.
Parmenter, D., 2007, Key Performance Indicators, John Wiley & Sons, Inc., New
Jersey.
Schroeder, R. G., 1997, Operational Management: Contemporary Concept and
Cases, 5th ed., McGraw Hill Higher Education, New York.
Silva, D., 2013, Improving Patient Flow Across Organisations and Pathways, The
Evidence Centre, No. 19.
Setiawan, S., 1991, Simulasi, Andi Offset, Yogyakarta.
Subagyo, P., Asri, M., dan Handoko, T.H., 1997, Dasar-dasar Operations
Research, Badan Penerbitan Fakultas Ekonomi, Yogyakarta.
Supranto, J., 1987, Riset Operasi: untuk Pengambilan Keputusan, Universitas
Indonesia Press. Jakarta.
Vijay, S. A., 2014, Reducing and Optimizing The Cycle Time of Patients Discharge
Process in A Hospital Using Six Sigma DMAIC Approach, International
Journal for Quality Research.
Wang, Y., and Huzzard, T., 2011, The Impact of Lean Thinking on Organizational
Leaming, Knowledge and Capabilities Conference Proceedings.
Young, T., and Sally, M., 2009, Some Challenges Facing Lean Thinking in
Healthcare, International Journal for Quality in Health Care, Vol. 21, No. 5:
pp. 309-310.
Lampiran
Lampiran 1. Data interarrival time sistem poliklinik hari Senin

Interarrival Interarrival
No Arrival Time
Time (Minute)
1 7:32:26
2 7:32:54 0:00:28 28
3 7:33:17 0:00:23 23
4 7:35:14 0:01:57 117
5 7:36:02 0:00:48 48
6 7:36:14 0:00:12 12
7 7:36:24 0:00:10 10
8 7:39:14 0:02:50 170
9 7:40:08 0:00:54 54
10 7:41:32 0:01:24 84
11 7:43:07 0:01:35 95
12 7:43:58 0:00:51 51
13 7:45:51 0:01:53 113
14 7:47:22 0:01:31 91
15 7:49:53 0:02:31 151
16 7:50:10 0:00:17 17
17 7:50:34 0:00:24 24
18 7:51:55 0:01:21 81
19 7:53:25 0:01:30 90
20 7:57:14 0:03:49 229
21 7:57:57 0:00:43 43
22 7:59:51 0:01:54 114
23 8:01:40 0:01:49 109
24 8:02:45 0:01:05 65
25 8:03:50 0:01:05 65
26 8:05:14 0:01:24 84
27 8:06:02 0:00:48 48
28 8:06:34 0:00:32 32
29 8:06:52 0:00:18 18
30 8:08:21 0:01:29 89
31 8:09:04 0:00:43 43
32 8:10:55 0:01:51 111
108
109
33 8:13:21 0:02:26 146

34 8:16:51 0:03:30 210
35 8:17:41 0:00:50 50
36 8:18:28 0:00:47 47
37 8:19:39 0:01:11 71
38 8:21:49 0:02:10 130
39 8:23:12 0:01:23 83
40 8:23:31 0:00:19 19
41 8:24:29 0:00:58 58
42 8:26:25 0:01:56 116
43 8:27:07 0:00:42 42
44 8:28:56 0:01:49 109
45 8:29:15 0:00:19 19
46 8:31:02 0:01:47 107
47 8:33:12 0:02:10 130
48 8:34:01 0:00:49 49
49 8:35:37 0:01:36 96
50 8:36:49 0:01:12 72
51 8:37:09 0:00:20 20
52 8:38:03 0:00:54 54
53 8:38:46 0:00:43 43
54 8:38:59 0:00:13 13
55 8:41:58 0:02:59 179
56 8:44:17 0:02:19 139
57 8:46:29 0:02:12 132
58 8:47:32 0:01:03 63
59 8:48:03 0:00:31 31
60 8:49:21 0:01:18 78
61 8:50:50 0:01:29 89
62 8:53:00 0:02:10 130
63 8:54:20 0:01:20 80
64 8:59:40 0:05:20 320
65 9:00:32 0:00:52 52
66 9:01:53 0:01:21 81
67 9:04:06 0:02:13 133
68 9:06:48 0:02:42 162
69 9:09:42 0:02:54 174
70 9:10:18 0:00:36 36
71 9:12:50 0:02:32 152
110
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
111 9:57:41 0:01:55 115

112 10:04:55 0:07:14 434
113 10:05:00 0:00:05 5
114 10:05:43 0:00:43 43
115 10:06:10 0:00:27 27
116 10:06:26 0:00:16 16
117 10:09:40 0:03:14 194
118 10:10:22 0:00:42 42
119 10:11:34 0:01:12 72
120 10:13:15 0:01:41 101
121 10:13:46 0:00:31 31
122 10:13:53 0:00:07 7
123 10:14:04 0:00:11 11
124 10:14:10 0:00:06 6
125 10:14:51 0:00:41 41
126 10:16:23 0:01:32 92
127 10:17:02 0:00:39 39
128 10:20:17 0:03:15 195
129 10:21:27 0:01:10 70
130 10:22:53 0:01:26 86
131 10:23:46 0:00:53 53
132 10:24:10 0:00:24 24
133 10:25:31 0:01:21 81
134 10:26:20 0:00:49 49
135 10:28:05 0:01:45 105
136 10:29:48 0:01:43 103
137 10:29:53 0:00:05 5
138 10:33:41 0:03:48 228
139 10:35:12 0:01:31 91
140 10:35:54 0:00:42 42
141 10:36:18 0:00:24 24
142 10:36:26 0:00:08 8
143 10:36:52 0:00:26 26
144 10:40:00 0:03:08 188
145 10:43:55 0:03:55 235
146 10:46:06 0:02:11 131
147 10:47:53 0:01:47 107
148 10:48:25 0:00:32 32
149 10:48:50 0:00:25 25
112
150 10:49:34 0:00:44 44

151 10:49:45 0:00:11 11
152 10:50:10 0:00:25 25
153 10:50:23 0:00:13 13
154 10:50:40 0:00:17 17
155 10:51:54 0:01:14 74
156 10:54:46 0:02:52 172
157 10:57:08 0:02:22 142
158 10:58:43 0:01:35 95
159 10:59:15 0:00:32 32
160 11:00:56 0:01:41 101
161 11:07:31 0:06:35 395
162 11:07:38 0:00:07 7
163 11:08:41 0:01:03 63
164 11:08:57 0:00:16 16
165 11:09:00 0:00:03 3
166 11:09:18 0:00:18 18
167 11:10:07 0:00:49 49
168 11:10:24 0:00:17 17
169 11:10:56 0:00:32 32
170 11:12:24 0:01:28 88
171 11:14:41 0:02:17 137
172 11:15:32 0:00:51 51
173 11:16:13 0:00:41 41
174 11:16:55 0:00:42 42
175 11:17:07 0:00:12 12
176 11:21:00 0:03:53 233
177 11:22:56 0:01:56 116
178 11:23:31 0:00:35 35
179 11:25:16 0:01:45 105
180 11:25:22 0:00:06 6
181 11:25:48 0:00:26 26
182 11:26:41 0:00:53 53
183 11:28:22 0:01:41 101
184 11:30:03 0:01:41 101
185 11:31:45 0:01:42 102
186 11:33:58 0:02:13 133
187 11:36:35 0:02:37 157
188 11:36:42 0:00:07 7
113
189 11:37:04 0:00:22 22

190 11:38:10 0:01:06 66
191 11:39:51 0:01:41 101
192 11:40:48 0:00:57 57
193 11:43:55 0:03:07 187
194 11:44:08 0:00:13 13
195 11:44:26 0:00:18 18
196 11:45:32 0:01:06 66
197 11:48:57 0:03:25 205
198 11:50:50 0:01:53 113
199 11:57:31 0:06:41 401
200 12:05:06 0:07:35 455
201 12:05:23 0:00:17 17
202 12:05:33 0:00:10 10
203 12:05:46 0:00:13 13
204 12:06:00 0:00:14 14
205 12:06:13 0:00:13 13
206 12:06:37 0:00:24 24
207 12:09:46 0:03:09 189
208 12:12:32 0:02:46 166
209 12:12:40 0:00:08 8
210 12:12:55 0:00:15 15
211 12:13:08 0:00:13 13
212 12:13:17 0:00:09 9
213 12:15:34 0:02:17 137
214 12:16:05 0:00:31 31
215 12:16:40 0:00:35 35
216 12:23:31 0:06:51 411
217 12:23:52 0:00:21 21
218 12:24:18 0:00:26 26
219 12:24:54 0:00:36 36
220 12:37:40 0:12:46 766
221 12:38:44 0:01:04 64
222 12:43:10 0:04:26 266
223 12:47:21 0:04:11 251
224 12:56:41 0:09:20 560
225 12:58:22 0:01:41 101
226 12:58:43 0:00:21 21
227 13:03:46 0:05:03 303
114
Lampiran 2. Data interarrival time sistem poliklinik hari Selasa
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
37 10:47:22 0:02:15 135

38 10:48:18 0:00:56 56
39 10:50:01 0:01:43 103
40 10:52:19 0:02:18 138
41 10:53:29 0:01:10 70
42 10:54:10 0:00:41 41
43 10:55:44 0:01:34 94
44 10:56:17 0:00:33 33
45 10:57:48 0:01:31 91
46 10:57:55 0:00:07 7
47 11:01:37 0:03:42 222
48 11:02:03 0:00:26 26
49 11:02:52 0:00:49 49
50 11:03:07 0:00:15 15
51 11:05:51 0:02:44 164
52 11:06:20 0:00:29 29
53 11:07:38 0:01:18 78
54 11:07:42 0:00:04 4
55 11:07:48 0:00:06 6
56 11:08:52 0:01:04 64
57 11:09:05 0:00:13 13
58 11:09:27 0:00:22 22
59 11:09:32 0:00:05 5
60 11:09:40 0:00:08 8
61 11:09:55 0:00:15 15
62 11:10:24 0:00:29 29
63 11:11:07 0:00:43 43
64 11:11:31 0:00:24 24
65 11:12:16 0:00:45 45
66 11:13:19 0:01:03 63
67 11:13:52 0:00:33 33
68 11:14:21 0:00:29 29
69 11:15:35 0:01:14 74
70 11:15:59 0:00:24 24
71 11:16:04 0:00:05 5
72 11:16:09 0:00:05 5
73 11:16:22 0:00:13 13
74 11:16:53 0:00:31 31
75 11:17:29 0:00:36 36
116
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
Lampiran 3. Data interarrival time sistem poliklinik hari Rabu
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
37 8:13:34 0:01:45 105

38 8:17:51 0:04:17 257
39 8:21:58 0:04:07 247
40 8:22:23 0:00:25 25
41 8:22:37 0:00:14 14
42 8:22:41 0:00:04 4
43 8:23:06 0:00:25 25
44 8:24:15 0:01:09 69
45 8:25:11 0:00:56 56
46 8:30:11 0:05:00 300
47 8:30:27 0:00:16 16
48 8:31:14 0:00:47 47
49 8:32:29 0:01:15 75
50 8:36:18 0:03:49 229
51 8:37:09 0:00:51 51
52 8:37:21 0:00:12 12
53 8:40:03 0:02:42 162
54 8:41:47 0:01:44 104
55 8:43:01 0:01:14 74
56 8:43:58 0:00:57 57
57 8:46:21 0:02:23 143
58 8:49:17 0:02:56 176
59 8:51:34 0:02:17 137
60 8:51:37 0:00:03 3
61 8:51:41 0:00:04 4
62 8:51:48 0:00:07 7
63 8:52:11 0:00:23 23
64 8:52:27 0:00:16 16
65 8:52:28 0:00:01 1
66 8:52:31 0:00:03 3
67 8:54:12 0:01:41 101
68 8:56:21 0:02:09 129
69 8:57:07 0:00:46 46
70 9:01:51 0:04:44 284
71 9:03:11 0:01:20 80
72 9:05:27 0:02:16 136
73 9:06:11 0:00:44 44
74 9:06:24 0:00:13 13
75 9:07:13 0:00:49 49
119
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
115 9:53:16 0:01:23 83

116 9:58:17 0:05:01 301
117 9:58:21 0:00:04 4
118 9:59:18 0:00:57 57
119 10:00:12 0:00:54 54
120 10:00:19 0:00:07 7
121 10:02:26 0:02:07 127
122 10:05:11 0:02:45 165
123 10:05:19 0:00:08 8
124 10:05:21 0:00:02 2
125 10:08:38 0:03:17 197
126 10:09:06 0:00:28 28
127 10:09:09 0:00:03 3
128 10:12:55 0:03:46 226
129 10:13:12 0:00:17 17
130 10:15:24 0:02:12 132
131 10:19:19 0:03:55 235
132 10:20:11 0:00:52 52
133 10:21:06 0:00:55 55
134 10:22:18 0:01:12 72
135 10:23:05 0:00:47 47
136 10:25:26 0:02:21 141
137 10:25:39 0:00:13 13
138 10:26:04 0:00:25 25
139 10:27:17 0:01:13 73
140 10:28:49 0:01:32 92
141 10:30:37 0:01:48 108
142 10:31:12 0:00:35 35
143 10:33:55 0:02:43 163
144 10:39:41 0:05:46 346
145 10:40:03 0:00:22 22
146 10:40:18 0:00:15 15
147 10:44:22 0:04:04 244
148 10:44:25 0:00:03 3
149 10:49:16 0:04:51 291
150 10:49:21 0:00:05 5
151 10:50:55 0:01:34 94
152 10:51:08 0:00:13 13
153 10:52:29 0:01:21 81
121
154 10:52:31 0:00:02 2

155 10:52:57 0:00:26 26
156 10:53:06 0:00:09 9
157 10:53:13 0:00:07 7
158 10:55:35 0:02:22 142
159 10:55:47 0:00:12 12
160 11:03:12 0:07:25 445
161 11:03:34 0:00:22 22
162 11:04:22 0:00:48 48
163 11:05:09 0:00:47 47
164 11:06:23 0:01:14 74
165 11:07:07 0:00:44 44
166 11:09:46 0:02:39 159
167 11:09:55 0:00:09 9
168 11:09:59 0:00:04 4
169 11:10:01 0:00:02 2
170 11:10:13 0:00:12 12
171 11:10:15 0:00:02 2
172 11:10:51 0:00:36 36
173 11:11:07 0:00:16 16
174 11:11:19 0:00:12 12
175 11:12:21 0:01:02 62
176 11:13:02 0:00:41 41
177 11:13:14 0:00:12 12
178 11:14:33 0:01:19 79
179 11:20:11 0:05:38 338
180 11:20:29 0:00:18 18
181 11:20:42 0:00:13 13
182 11:20:54 0:00:12 12
183 11:21:05 0:00:11 11
184 11:22:08 0:01:03 63
185 11:22:42 0:00:34 34
186 11:23:31 0:00:49 49
187 11:27:16 0:03:45 225
188 11:27:43 0:00:27 27
189 11:28:26 0:00:43 43
190 11:28:36 0:00:10 10
191 11:29:31 0:00:55 55
192 11:29:43 0:00:12 12
122
193 11:32:13 0:02:30 150

194 11:35:27 0:03:14 194
195 11:35:48 0:00:21 21
196 11:36:43 0:00:55 55
197 11:39:01 0:02:18 138
198 11:41:23 0:02:22 142
199 11:43:09 0:01:46 106
200 11:45:54 0:02:45 165
201 11:46:15 0:00:21 21
202 11:49:58 0:03:43 223
203 11:53:30 0:03:32 212
204 11:53:38 0:00:08 8
205 11:54:06 0:00:28 28
206 11:54:38 0:00:32 32
207 12:00:55 0:06:17 377
208 12:03:59 0:03:04 184
209 12:08:30 0:04:31 271
210 12:12:23 0:03:53 233
211 12:15:14 0:02:51 171
212 12:21:38 0:06:24 384
213 12:23:29 0:01:51 111
214 12:23:46 0:00:17 17
215 12:28:00 0:04:14 254
216 12:31:52 0:03:52 232
123
Lampiran 4. Data interarrival time sistem poliklinik hari Kamis
Arrival Interarrival Interarrival

No
Time Time (Minute)
1 7:42:16
2 7:43:11 0:00:55 55
3 7:43:26 0:00:15 15
4 7:43:57 0:00:31 31
5 7:44:18 0:00:21 21
6 7:44:25 0:00:07 7
7 7:45:07 0:00:42 42
8 7:46:14 0:01:07 67
9 7:46:41 0:00:27 27
10 7:46:50 0:00:09 9
11 7:47:35 0:00:45 45
12 7:48:24 0:00:49 49
13 7:50:00 0:01:36 96
14 7:50:44 0:00:44 44
15 7:50:57 0:00:13 13
16 7:51:56 0:00:59 59
17 7:52:35 0:00:39 39
18 7:52:42 0:00:07 7
19 7:53:31 0:00:49 49
20 7:55:07 0:01:36 96
21 7:55:32 0:00:25 25
22 7:57:15 0:01:43 103
23 7:58:28 0:01:13 73
24 7:59:47 0:01:19 79
25 8:00:06 0:00:19 19
26 8:01:24 0:01:18 78
27 8:03:42 0:02:18 138
28 8:09:36 0:05:54 354
29 8:09:51 0:00:15 15
30 8:10:20 0:00:29 29
31 8:11:12 0:00:52 52
32 8:11:28 0:00:16 16
33 8:11:30 0:00:02 2
34 8:12:13 0:00:43 43
35 8:16:25 0:04:12 252
36 8:17:11 0:00:46 46
124
37 8:19:55 0:02:44 164

38 8:20:23 0:00:28 28
39 8:22:44 0:02:21 141
40 8:23:18 0:00:34 34
41 8:24:05 0:00:47 47
42 8:24:26 0:00:21 21
43 8:26:33 0:02:07 127
44 8:28:21 0:01:48 108
45 8:28:50 0:00:29 29
46 8:29:02 0:00:12 12
47 8:32:21 0:03:19 199
48 8:34:51 0:02:30 150
49 8:34:57 0:00:06 6
50 8:35:19 0:00:22 22
51 8:36:11 0:00:52 52
52 8:42:01 0:05:50 350
53 8:42:25 0:00:24 24
54 8:42:40 0:00:15 15
55 8:44:37 0:01:57 117
56 8:44:43 0:00:06 6
57 8:46:26 0:01:43 103
58 8:48:18 0:01:52 112
59 8:52:52 0:04:34 274
60 8:53:06 0:00:14 14
61 8:53:13 0:00:07 7
62 8:54:20 0:01:07 67
63 8:57:34 0:03:14 194
64 8:58:50 0:01:16 76
65 9:02:42 0:03:52 232
66 9:03:16 0:00:34 34
67 9:04:21 0:01:05 65
68 9:04:44 0:00:23 23
69 9:05:25 0:00:41 41
70 9:10:40 0:05:15 315
71 9:11:11 0:00:31 31
72 9:11:18 0:00:07 7
73 9:11:26 0:00:08 8
74 9:11:30 0:00:04 4
75 9:11:38 0:00:08 8
125
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
115 10:20:21 0:01:21 81

116 10:23:54 0:03:33 213
117 10:24:16 0:00:22 22
118 10:24:23 0:00:07 7
119 10:24:38 0:00:15 15
120 10:25:00 0:00:22 22
121 10:25:13 0:00:13 13
122 10:27:27 0:02:14 134
123 10:27:30 0:00:03 3
124 10:27:38 0:00:08 8
125 10:30:42 0:03:04 184
126 10:31:11 0:00:29 29
127 10:31:34 0:00:23 23
128 10:32:15 0:00:41 41
129 10:33:16 0:01:01 61
130 10:33:24 0:00:08 8
131 10:33:28 0:00:04 4
132 10:33:37 0:00:09 9
133 10:33:50 0:00:13 13
134 10:36:31 0:02:41 161
135 10:38:24 0:01:53 113
136 10:39:35 0:01:11 71
137 10:40:20 0:00:45 45
138 10:40:45 0:00:25 25
139 10:40:51 0:00:06 6
140 10:40:54 0:00:03 3
141 10:40:59 0:00:05 5
142 10:41:21 0:00:22 22
143 10:45:36 0:04:15 255
144 10:46:30 0:00:54 54
145 10:49:42 0:03:12 192
146 10:50:01 0:00:19 19
147 10:50:22 0:00:21 21
148 10:53:21 0:02:59 179
149 10:53:46 0:00:25 25
150 10:53:58 0:00:12 12
151 10:54:05 0:00:07 7
152 10:54:13 0:00:08 8
153 10:54:18 0:00:05 5
127
154 10:54:23 0:00:05 5

155 10:56:38 0:02:15 135
156 10:57:28 0:00:50 50
157 10:58:37 0:01:09 69
158 10:59:07 0:00:30 30
159 10:59:16 0:00:09 9
160 10:59:30 0:00:14 14
161 10:59:46 0:00:16 16
162 11:00:27 0:00:41 41
163 11:00:58 0:00:31 31
164 11:02:00 0:01:02 62
165 11:03:13 0:01:13 73
166 11:04:28 0:01:15 75
167 11:04:33 0:00:05 5
168 11:04:53 0:00:20 20
169 11:05:15 0:00:22 22
170 11:07:05 0:01:50 110
171 11:07:08 0:00:03 3
172 11:09:00 0:01:52 112
173 11:09:09 0:00:09 9
174 11:09:47 0:00:38 38
175 11:12:04 0:02:17 137
176 11:13:00 0:00:56 56
177 11:16:15 0:03:15 195
178 11:16:28 0:00:13 13
179 11:16:31 0:00:03 3
180 11:20:30 0:03:59 239
181 11:21:25 0:00:55 55
182 11:22:00 0:00:35 35
183 11:23:06 0:01:06 66
184 11:23:12 0:00:06 6
185 11:23:26 0:00:14 14
186 11:24:10 0:00:44 44
187 11:27:42 0:03:32 212
188 11:27:56 0:00:14 14
189 11:29:07 0:01:11 71
190 11:32:38 0:03:31 211
191 11:38:25 0:05:47 347
192 11:38:50 0:00:25 25
128
193 11:41:12 0:02:22 142

194 11:42:21 0:01:09 69
195 11:43:52 0:01:31 91
196 11:44:13 0:00:21 21
197 11:47:30 0:03:17 197
198 11:47:59 0:00:29 29
199 11:50:45 0:02:46 166
200 11:50:57 0:00:12 12
201 11:51:43 0:00:46 46
202 11:57:01 0:05:18 318
203 11:57:15 0:00:14 14
204 12:00:48 0:03:33 213
205 12:02:00 0:01:12 72
129
Lampiran 5. Data interarrival time sistem poliklinik hari Jumat
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
115 10:04:19 0:00:14 14

116 10:04:26 0:00:07 7
117 10:05:11 0:00:45 45
118 10:05:50 0:00:39 39
119 10:06:42 0:00:52 52
120 10:08:12 0:01:30 90
121 10:08:39 0:00:27 27
122 10:08:58 0:00:19 19
123 10:11:02 0:02:04 124
124 10:13:21 0:02:19 139
125 10:14:35 0:01:14 74
126 10:14:54 0:00:19 19
127 10:15:19 0:00:25 25
128 10:16:57 0:01:38 98
129 10:19:47 0:02:50 170
130 10:20:57 0:01:10 70
131 10:21:07 0:00:10 10
132 10:23:27 0:02:20 140
133 10:24:17 0:00:50 50
134 10:24:51 0:00:34 34
135 10:25:38 0:00:47 47
136 10:26:55 0:01:17 77
137 10:28:02 0:01:07 67
138 10:29:33 0:01:31 91
139 10:29:57 0:00:24 24
140 10:30:33 0:00:36 36
141 10:31:14 0:00:41 41
142 10:32:12 0:00:58 58
143 10:32:55 0:00:43 43
144 10:34:33 0:01:38 98
145 10:35:10 0:00:37 37
146 10:35:22 0:00:12 12
147 10:36:41 0:01:19 79
148 10:37:46 0:01:05 65
149 10:38:13 0:00:27 27
150 10:40:02 0:01:49 109
151 10:42:32 0:02:30 150
152 10:44:44 0:02:12 132
153 10:46:45 0:02:01 121
133
154 10:48:09 0:01:24 84

155 10:48:29 0:00:20 20
156 10:49:07 0:00:38 38
157 10:49:18 0:00:11 11
158 10:50:21 0:01:03 63
159 10:52:06 0:01:45 105
160 10:54:04 0:01:58 118
161 10:56:17 0:02:13 133
162 10:57:30 0:01:13 73
163 10:57:58 0:00:28 28
164 10:58:12 0:00:14 14
165 10:58:31 0:00:19 19
166 10:59:46 0:01:15 75
134
Lampiran 6. Uji normalitas interarrival time pasien setiap hari

Descriptive Statistics
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
One-sample Kolmogorov-Smirnov Test
Senin Selasa Rabu Kamis Jumat

N 227 88 215 204 165
Normal Mean 88,27 54,06 88,68 76,39 64,24
parametersa,b
Std.
98,915 46,200 100,253 88,315 50,195
deviation
Most Absolute ,196 ,174 ,201 ,214 ,115
Extreme
Differences Positive ,157 ,174 ,201 ,214 ,115
Negative -,196 -,139 -,191 -,200 -,100
Test Statistic ,196 ,174 ,201 ,214 ,115
Asymp. sig. (2-tailed) ,000c ,000c ,000c ,000c ,000c
a. Test distribution is normal.
b. Calculated from data.
c. Lilliefors Significance Correction.
135
Lampiran 7. Uji kruskal wallis interarrival time pasien setiap hari

Std.
Value 899 77,92 86,210 0 766
Group 899 2,99 1,439 1 5
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
Group
136
Lampiran 8. Uji goodness of fit interarrival time pasien setiap hari

137
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
Total 8401 3338 2089 1249 836 889

Prob. 100% 39,73% 24,87% 14,87% 9,95% 10,58%
Average 168,02 66,76 41,78 24,98 16,72 17,78
Standar
deviasi 28,73 11,62 7,32 4,47 3,37 3,13
139
Lampiran 10. Uji normalitas jumlah kedatangan pasien setiap hari
Cases
Valid Missing Total
N Percent N Percent N Percent

Arrival
49 100,0% 0 0,0% 49 100,0%
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
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
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
Asymp. sig. ,000

b. Grouping Variable: Day
141
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
Day
142
Lampiran 13. Observasi data waktu pelayanan administrasi

Waktu Pelayanan Petugas Waktu Pelayanan Petugas
Administrasi 1 Administrasi 2
Mulai Selesai Total Detik Mulai Selesai Total Detik
8:51:30 8:54:41 0:03:11 191 8:24:31 8:26:29 0:01:58 118
8:55:35 8:59:22 0:03:47 227 8:26:29 8:30:14 0:03:45 225
9:00:21 9:01:15 0:00:54 54 8:30:14 8:31:37 0:01:23 83
9:01:18 9:12:33 0:11:15 675 8:31:37 8:33:46 0:02:09 129
9:13:12 9:13:41 0:00:29 29 8:33:46 8:35:30 0:01:44 104
9:13:49 9:18:02 0:04:13 253 8:35:30 8:42:37 0:07:07 427
9:18:31 9:20:57 0:02:26 146 8:42:37 8:52:08 0:09:31 571
9:21:11 9:21:49 0:00:38 38 8:52:08 8:57:56 0:05:48 348
9:22:01 9:24:27 0:02:26 557 8:57:56 9:02:33 0:04:37 277
9:24:27 9:25:05 0:00:38 38 9:02:33 9:06:28 0:03:55 235
9:25:05 9:33:08 0:08:03 483 9:06:28 9:13:27 0:06:59 419
9:33:08 9:35:38 0:02:30 150 9:13:27 9:14:40 0:01:13 73
9:35:38 9:36:10 0:00:32 32 9:14:40 9:16:14 0:01:34 94
9:36:10 9:38:14 0:02:04 124 9:16:14 9:22:15 0:06:01 361
9:38:14 9:44:43 0:06:29 389 9:22:15 9:31:33 0:09:18 558
9:44:43 9:47:44 0:03:01 181 9:31:33 9:37:02 0:05:29 329
9:47:44 9:53:19 0:05:35 335 9:37:02 9:44:12 0:07:10 430
9:53:19 9:55:04 0:01:45 105 9:44:12 9:50:23 0:06:11 371
9:55:04 10:01:45 0:06:41 401 9:50:23 9:57:44 0:07:21 441
10:01:45 10:09:16 0:07:31 451 9:57:44 9:58:39 0:00:55 55
10:09:16 10:10:32 0:01:16 76 9:58:39 10:00:15 0:01:36 96
10:10:32 10:12:24 0:01:52 112 10:00:15 10:02:15 0:02:00 120
10:12:24 10:13:22 0:00:58 58 10:02:15 10:03:31 0:01:16 76
10:13:22 10:14:58 0:01:36 96 10:03:31 10:04:59 0:01:28 88
10:14:58 10:17:14 0:02:16 136 10:04:59 10:06:30 0:01:31 91
10:17:14 10:24:11 0:06:57 417 10:06:30 10:09:04 0:02:34 154
143
Lampiran 14. Uji normalitas administrasi tiap server

Descriptives
Statistic Std. error
Admin1 Mean 221,3077 35,93707
95% Lower
147,2939
Confidence Bound
Interval for Upper
295,3215
Mean Bound
5% Trimmed Mean 208,2607
Median 148,0000
Variance 33578,302
Std. deviation 183,24383
Minimum 29,00
Maximum 675,00
Range 646,00
Interquartile Range 320,50
Skewness ,952 ,456
Kurtosis -,074 ,887
Tests of Normality
Admin1 ,190 26 ,017 ,880 26 ,006
Descriptives
Admin2 Mean 241,2692 32,24123
95% Lower
174,8672
Confidence Bound
Interval for Upper
307,6713
Mean Bound
Median 189,5000
Variance 27026,925
Minimum 55,00
Maximum 571,00
Range 516,00
Skewness ,574 ,456
Kurtosis -1,030 ,887
144
Tests of Normality
Admin2 ,214 26 ,003 ,874 26 ,004
145
Lampiran 15. Uji mann-whitney waktu pelayanan administrasi
Std.
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 16. Uji goodness of fit waktu pelayanan administrasi

147
Lampiran 17. Observasi data waktu pasien transport triage dan suster menulis
Pasien Transport Suster Menulis

Transport Detik Transport Detik Menulis Detik
0:00:14 14 0:00:41 41 0:02:11 131
0:00:08 8 0:00:04 4 0:03:10 190
0:00:06 6 0:00:14 14 0:04:41 281
0:00:07 7 0:00:07 7 0:02:51 171
0:01:10 70 0:02:44 164 0:01:22 82
0:00:21 21 0:00:10 10 0:04:01 241
0:00:15 15 0:02:50 170 0:01:33 93
0:00:22 22 0:00:33 33 0:02:44 164
0:00:03 3 0:01:07 67 0:01:55 115
0:00:10 10 0:00:18 18 0:03:21 201
0:00:37 37 0:00:36 36 0:04:55 295
0:00:11 11 0:00:05 5 0:07:12 432
0:00:13 13 0:00:11 11 0:04:19 259
0:00:12 12 0:00:16 16 0:02:51 171
0:00:40 40 0:00:21 21
0:00:18 18 0:02:08 128
0:00:34 34 0:00:55 55
0:00:12 12 0:02:08 128
0:00:08 8 0:00:18 18
0:00:10 10 0:02:12 132
0:00:10 10 0:03:48 228
0:00:06 6 0:00:08 8
0:00:13 13 0:01:58 118
0:00:17 17 0:00:18 18
0:00:37 37 0:00:39 39
0:00:51 51 0:00:19 19
0:00:11 11 0:00:09 9
0:00:31 31 0:00:12 12
0:02:47 167 0:01:28 88
0:00:36 36 0:00:08 8
0:00:27 27 0:02:00 120
0:01:18 78 0:00:39 39
0:01:12 72 0:00:16 16
0:00:15 15 0:00:13 13
0:00:34 34 0:00:18 18
0:00:14 14 0:00:41 41
0:00:29 29 0:00:10 10
0:00:08 8 0:00:08 8
148
0:00:09 9 0:00:04 4
0:00:22 22 0:01:20 80
0:03:37 217
149
Lampiran 18. Uji normalitas suster menulis hasil pelayanan triage

Descriptives
Menulis Mean 201,8571 25,13280
95% Confidence Lower
147,5610
Interval for Mean Bound
Upper
256,1533
Bound
Median 180,5000
Variance 8843,209
Minimum 82,00
Maximum 432,00
Range 350,00
Skewness 1,036 ,597
Kurtosis 1,426 1,154
Tests of Normality
Menulis ,146 14 ,200* ,929 14 ,299
150
Lampiran 19. Uji normalitas transport pasien triage

Descriptives
Std.
Statistic error
TransPasien Mean 40,1111 5,54026
29,0856
Upper
51,1366
Bound
Median 18,0000
Variance 2486,250
Minimum 3,00
Maximum 228,00
Range 225,00
Skewness 2,127 ,267
Kurtosis 4,121 ,529
Tests of Normality
TransPasien ,271 81 ,000 ,688 81 ,000
151
Lampiran 20. Uji goodness of fit waktu transport pasien triage

152
Lampiran 21. Observasi data waktu pelayanan triage

8:56:33 8:58:41 0:02:08 128 10:32:31 10:35:35 0:03:04 184
8:59:15 9:03:19 0:04:04 244 10:35:40 10:38:24 0:02:44 164
9:03:31 9:06:45 0:03:14 194 10:38:35 10:40:32 0:01:57 117
9:06:53 9:09:36 0:02:43 163 10:44:52 10:46:52 0:02:00 120
9:09:46 9:11:59 0:02:13 133 10:47:08 10:50:38 0:03:30 210
9:18:37 9:20:46 0:02:09 129 10:50:59 10:57:05 0:06:06 366
9:20:52 9:23:23 0:02:31 151 10:59:13 11:02:57 0:03:44 224
9:23:36 9:26:15 0:02:39 159 11:03:52 11:07:12 0:03:20 200
9:31:55 9:34:49 0:02:54 174 11:09:20 11:13:55 0:04:35 275
9:37:36 9:39:19 0:01:43 103 9:05:09 9:07:11 0:02:02 122
9:46:47 9:48:59 0:02:12 132 9:07:29 9:08:39 0:01:10 70
9:49:16 9:53:05 0:03:49 229 9:10:51 9:13:19 0:02:28 148
9:53:42 9:57:48 0:04:06 246 9:17:07 9:19:48 0:02:41 161
9:58:39 10:01:29 0:02:50 170 9:32:51 9:34:23 0:01:32 92
10:01:40 10:04:32 0:02:52 172 9:34:31 9:35:55 0:01:24 84
10:05:03 10:07:24 0:02:21 141 9:37:53 9:39:56 0:02:03 123
10:11:33 10:12:56 0:01:23 83 9:40:14 9:43:30 0:03:16 196
10:13:06 10:14:49 0:01:43 103 9:53:57 9:55:45 0:01:48 108
10:13:09 10:15:23 0:02:14 134 9:56:24 10:01:12 0:04:48 288
10:28:36 10:33:31 0:04:55 295 10:01:31 10:04:06 0:02:35 155
10:34:07 10:37:10 0:03:03 183 10:04:15 10:05:51 0:01:36 96
10:37:37 10:41:20 0:03:43 223 10:06:03 10:08:02 0:01:59 119
10:42:38 10:46:29 0:03:51 231 10:09:30 10:10:37 0:01:07 67
10:47:41 10:50:07 0:02:26 146 10:21:41 10:23:45 0:02:04 124
11:02:10 11:06:31 0:04:21 261 10:41:12 10:45:08 0:03:56 236
11:06:46 11:08:08 0:01:22 82 10:45:16 10:46:24 0:01:08 68
11:08:42 11:11:42 0:03:00 180 10:46:07 10:48:29 0:02:22 142
11:11:56 11:14:40 0:02:44 164 10:50:29 10:53:32 0:03:03 183
11:20:15 11:26:27 0:06:12 372 10:54:11 10:58:02 0:03:51 231
11:27:08 11:30:07 0:02:59 179 11:19:21 11:21:54 0:02:33 153
11:27:53 11:31:06 0:03:13 193 11:29:03 11:31:57 0:02:54 174
11:39:28 11:42:51 0:03:23 203 11:32:13 11:33:39 0:01:26 86
11:57:06 11:59:39 0:02:33 153 11:33:52 11:35:10 0:01:18 78
12:05:21 12:08:14 0:02:53 173 11:35:28 11:36:57 0:01:29 89
12:08:18 12:10:21 0:02:03 123 11:37:38 11:39:57 0:02:19 139
12:10:35 12:13:54 0:03:19 199 11:40:07 11:42:24 0:02:17 137
12:28:48 12:32:12 0:03:24 204 11:46:29 11:49:03 0:02:34 154
12:32:19 12:35:07 0:02:48 168 12:11:02 12:13:58 0:02:56 176
12:37:51 12:40:18 0:02:27 147 12:14:06 12:15:53 0:01:47 107
153
12:48:57 12:50:25 0:01:28 88 12:15:57 12:17:03 0:01:06 66

13:06:20 13:09:11 0:02:51 171 12:18:23 12:22:36 0:04:13 253
10:02:41 10:06:04 0:03:23 203 12:23:05 12:25:05 0:02:00 120
10:06:14 10:09:40 0:03:26 206 12:38:16 12:39:42 0:01:26 86
10:12:30 10:14:59 0:02:29 149 12:46:57 12:48:57 0:02:00 120
10:15:32 10:18:30 0:02:58 178 12:49:05 12:52:07 0:03:02 182
10:19:37 10:23:21 0:03:44 224 12:52:16 12:54:17 0:02:01 121
10:27:51 10:29:16 0:01:25 85 12:54:39 12:58:44 0:04:05 245
10:29:34 10:31:55 0:02:21 141 13:02:21 13:04:22 0:02:01 121
154
Lampiran 22. Uji normalitas waktu pelayanan triage

Descriptives
Triage Mean 162,4167 6,27730
Process
95% Lower
149,9546
Confidence Bound
Interval for Upper
174,8787
Mean Bound
Median 154,5000
Variance 3782,835
Minimum 66,00
Maximum 372,00
Range 306,00
Skewness ,895 ,246
Kurtosis 1,299 ,488
Tests of Normality
Triage
,082 96 ,122 ,950 96 ,001
Process
155
Lampiran 23. Uji goodness of fit pelayanan triage

156
Lampiran 24. Observasi data waktu pengambilan dan distribusi berkas

9:52:31 10:02:27 0:09:56 596 10:50:07 11:02:10 0:12:03 723
9:51:22 10:04:55 0:13:33 813 11:14:40 11:20:15 0:05:35 335
10:09:49 10:12:15 0:02:26 146 11:31:06 11:39:28 0:08:22 502
10:23:55 10:27:51 0:03:56 236 11:42:51 11:57:06 0:14:15 855
10:22:55 10:31:40 0:08:45 525 12:13:54 12:28:48 0:14:54 894
10:40:39 10:44:14 0:03:35 215 12:40:18 12:48:57 0:08:39 519
10:56:21 11:01:32 0:05:11 311 12:50:25 13:06:20 0:15:55 955
11:03:40 11:08:17 0:04:37 277 10:23:21 10:27:51 0:04:30 270
10:54:57 11:08:40 0:13:43 823 9:13:19 9:17:07 0:03:48 228
11:03:21 11:18:45 0:15:24 924 9:19:48 9:32:51 0:13:03 783
11:24:23 11:35:26 0:11:03 663 9:43:30 9:53:57 0:10:27 627
11:28:52 11:34:36 0:05:44 344 10:10:37 10:21:41 0:11:04 664
11:37:33 11:42:43 0:05:10 310 10:23:45 10:41:12 0:17:27 1047
11:51:29 11:59:57 0:08:28 508 10:58:02 11:19:21 0:21:19 1279
11:54:31 12:05:26 0:10:55 655 11:21:54 11:29:03 0:07:09 429
12:05:51 12:18:41 0:12:50 770 11:42:24 11:46:29 0:04:05 245
9:11:59 9:18:37 0:06:38 398 11:49:03 12:11:02 0:21:59 1319
9:26:15 9:31:55 0:05:40 340 12:25:05 12:38:16 0:13:11 791
9:39:19 9:46:47 0:07:28 448 12:39:42 12:46:57 0:07:15 435
157
Lampiran 25. Uji normalitas pengambilan dan distribusi berkas oleh suster
Descriptives
Distribusi Mean 584,2632 48,13654
486,7293
Upper
681,7970
Bound
Median 522,0000
Variance 88050,794
Minimum 146,00
Maximum 1319,00
Range 1173,00
Skewness ,655 ,383
Kurtosis -,098 ,750
Tests of Normality
Distribusi ,107 38 ,200* ,946 38 ,066
158
Lampiran 26. Observasi data waktu pemeriksaan dokter Server 1 Gastro

Waktu Waktu Total
Panggil Selisih
Mulai Selesai Detik
9:51:25 9:51:30 9:54:40 0:03:10 190
9:54:42 9:54:51 10:01:39 0:06:48 408
9:46:17 10:15:31 0:29:14 1754
10:17:20 10:26:14 0:08:54 534
10:28:56 10:43:54 0:14:58 898
10:48:57 11:10:48 0:21:51 1311
11:13:41 12:32:02 1:18:21 4701
12:32:29 13:05:51 0:33:22 2002
13:09:20 13:14:25 0:05:05 305
13:14:34 13:24:53 0:10:19 619
13:25:03 13:32:22 0:07:19 439
11:26:41 11:36:21 11:45:42 0:09:21 561
11:33:28 11:33:38 11:52:17 0:18:39 1119
11:45:42 11:45:44 11:52:09 0:06:25 385
11:52:24 11:52:27 11:59:50 0:07:23 443
12:00:16 12:08:04 12:22:34 0:14:30 870
12:00:17 12:23:04 12:26:39 0:03:35 215
12:27:00 12:27:09 12:30:18 0:03:09 189
12:30:20 12:30:26 12:41:17 0:10:51 651
12:39:10 12:39:13 12:45:34 0:06:21 381
159
Lampiran 27. Observasi data waktu pemeriksaan dokter Server 2 Hemato

Waktu Total
Panggil Mulai Waktu Selesai Selisih Detik
10:04:31 10:05:59 10:16:42 0:10:43 643
10:16:06 10:16:58 10:28:47 0:11:49 709
10:31:21 10:31:55 10:50:00 0:18:05 1085
10:39:11 10:40:21 11:22:14 0:41:53 2513
10:51:04 10:51:13 11:04:39 0:13:26 806
11:04:49 11:05:26 11:13:12 0:07:46 466
11:13:14 11:13:33 11:27:25 0:13:52 832
11:29:51 11:30:18 11:42:02 0:11:44 704
11:33:21 11:33:33 11:40:12 0:06:39 399
11:42:21 11:42:43 12:03:57 0:21:14 1274
12:04:17 12:04:32 12:08:57 0:04:25 265
12:09:01 12:09:05 12:23:34 0:14:29 869
9:11:51 9:46:16 0:34:25 2065
9:47:06 9:54:45 0:07:39 459
9:04:49 10:09:14 1:04:25 3865
10:09:21 10:12:42 0:03:21 201
10:12:49 10:16:23 0:03:34 214
10:16:02 10:27:53 0:11:51 711
10:29:09 10:44:08 0:14:59 899
11:14:27 11:19:25 0:04:58 298
11:19:30 11:24:06 0:04:36 276
11:24:11 11:34:51 0:10:40 640
11:38:07 11:55:36 0:17:29 1049
11:55:50 12:00:57 0:05:07 307
12:01:19 12:19:03 0:17:44 1064
160
Lampiran 28. Observasi data waktu pemeriksaan dokter Server 3 Rematokologi

Waktu Waktu Total
Panggil Selisih
Mulai Selesai Detik
9:59:32 9:59:41 10:03:16 0:03:35 215
10:06:22 10:06:27 10:09:04 0:02:37 157
10:06:56 10:07:04 10:15:45 0:08:41 521
10:19:49 10:19:53 10:27:03 0:07:10 430
10:47:55 10:51:23 11:01:38 0:10:15 615
11:08:03 11:08:24 11:17:00 0:08:36 516
11:16:59 11:17:03 11:22:46 0:05:43 343
11:17:01 11:17:59 11:51:40 0:33:41 2021
11:27:20 11:27:26 11:33:38 0:06:12 372
11:50:46 11:50:59 11:57:35 0:06:36 396
12:52:58 12:53:02 13:26:44 0:33:42 2022
12:41:30 12:41:39 12:48:01 0:06:22 382
12:41:32 12:48:07 13:21:19 0:33:12 1992
10:38:20 10:38:28 10:48:13 0:09:45 585
10:52:45 10:53:02 11:01:27 0:08:25 505
10:55:10 10:55:53 11:15:32 0:19:39 1179
10:59:30 10:59:40 11:14:11 0:14:31 871
11:10:40 11:10:48 11:20:15 0:09:27 567
11:20:23 11:20:26 11:29:09 0:08:43 523
11:26:41 11:30:40 11:36:07 0:05:27 327
161
Lampiran 30. Observasi data waktu pemeriksaan dokter Server 4 Endokrin

Waktu Waktu Total
Panggil Mulai Selesai Selisih Detik
11:50:03 11:51:29 12:03:29 0:12:00 720
12:03:35 12:03:39 12:26:09 0:22:30 1350
10:16:45 10:34:53 0:18:08 1088
11:40:41 12:25:18 0:44:37 2677
12:29:41 12:50:33 0:20:52 1252
12:02:12 12:03:39 12:16:29 0:12:50 770
12:16:30 12:16:51 12:22:41 0:05:50 350
12:23:02 12:23:17 12:30:32 0:07:15 435
10:27:10 10:32:55 0:05:45 345
12:19:14 12:25:32 0:06:18 378
12:51:40 12:57:58 0:06:18 378
12:58:54 13:13:34 0:14:40 880
13:13:40 13:31:45 0:18:05 1085
13:32:02 13:55:35 0:23:33 1413
13:55:49 14:06:33 0:10:44 644
9:52:48 9:52:51 9:59:46 0:06:55 415
10:11:08 10:11:08 10:14:12 0:03:04 184
10:11:12 10:11:16 10:23:11 0:11:55 715
10:15:12 10:15:23 10:34:27 0:19:04 1144
10:31:23 10:31:27 10:40:10 0:08:43 523
10:37:34 10:38:08 10:52:26 0:14:18 858
162
Lampiran 31. Observasi data waktu pemeriksaan dokter Server 5 Nemato

Waktu Waktu Total
Panggil Mulai Selesai Selisih Detik
11:50:03 9:41:33 10:09:35 0:28:02 1682
12:03:35 10:09:35 10:21:52 0:12:17 737
10:21:52 10:39:34 0:17:42 1062
10:39:34 11:26:50 0:47:16 2836
11:26:50 11:52:57 0:26:07 1567
12:02:12 11:52:57 12:28:15 0:35:18 2118
12:16:30 12:28:15 12:42:42 0:14:27 867
12:23:02 12:42:42 12:52:37 0:09:55 595
12:52:37 13:02:15 0:09:38 578
13:02:15 13:16:18 0:14:03 843
13:16:18 13:28:19 0:12:01 721
13:28:19 13:39:29 0:11:10 670
13:39:29 13:47:37 0:08:08 488
13:47:37 14:19:27 0:31:50 1910
14:19:27 14:27:23 0:07:56 476
9:52:48 14:27:23 14:42:03 0:14:40 880
10:11:08 14:42:03 14:50:51 0:08:48 528
10:11:12 14:50:51 14:56:01 0:05:10 310
10:15:12 14:56:01 15:09:24 0:13:23 803
10:31:23 15:09:24 15:22:47 0:13:23 803
10:37:34 15:22:47 15:46:36 0:23:49 1429
15:46:36 16:00:13 0:13:37 817
16:00:13 16:15:01 0:14:48 888
16:15:01 16:28:50 0:13:49 829
16:28:50 16:35:33 0:06:43 403
163
Lampiran 32.Uji normalitas waktu pelayanan dokter server 1

Descriptives

Server1 Mean 898,7500 229,58662
95% Lower Bound
Confidence 418,2197
Interval for
Upper Bound
Mean 1379,2803

Median 547,5000
Variance #########
Minimum
189,00
Maximum 4701,00
Range 4512,00
Skewness 2,975 ,512
Kurtosis 10,256 ,992
Tests of Normality
Server1
,250 20 ,002 ,642 20 ,000

164
Lampiran 33. Uji normalitas waktu pelayanan dokter server 2

Descriptives

Server2 Mean 904,5200 164,98123
95% Lower
Confidence Bound 564,0155
Interval for
Upper
Mean 1245,0245
Bound
Median 709,0000
Variance ########
Minimum
201,00
Maximum 3865,00
Range 3664,00
Skewness 2,400 ,464
Kurtosis 6,590 ,902
Tests of Normality
Server2
,253 25 ,000 ,728 25 ,000

165
Lampiran 34. Uji normalitas waktu pelayanan dokter server 3

Descriptives

Server3 Mean 726,9500 133,28058
95% Lower
Interval for
Upper
Mean 1005,9095
Bound
Median 518,5000
Variance ########
Minimum
157,00
Maximum 2022,00
Range 1865,00
Skewness 1,609 ,512
Kurtosis 1,326 ,992
Tests of Normality
Server3
,324 20 ,000 ,723 20 ,000

166
Lampiran 35. Uji pelayanan waktu pelayanan dokter server 4

Descriptives

Server4 Mean 838,2857 121,59044
95% Lower
Interval for
Upper
Mean 1091,9189
Bound
Median 720,0000
Variance ########
Minimum
184,00
Maximum 2677,00
Range 2493,00
Skewness 1,845 ,501
Kurtosis 4,979 ,972
Tests of Normality
Server4
,140 21 ,200* ,838 21 ,003

167
Lampiran 36. Uji pelayanan waktu pelayanan dokter server 5

Descriptives

Server5 Mean 993,6000 121,25769
95% Lower
Interval for
Upper
Mean 1243,8636
Bound
Median 817,0000
Variance ########
Minimum 310,00
Maximum 2836,00
Range 2526,00
Skewness
1,608 ,464
Kurtosis 2,448 ,902
Tests of Normality
Server5 ,289 25 ,000 ,825 25 ,001
168
Lampiran 37. Uji kruskal wallis waktu pelayanan dokter

Std.
Waktu
111 879,0180 732,32098 157,00 4701,00
Server
Server 111 3,05 1,432 1 5
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.
Server
169
Lampiran 38. Uji goodness of fit waktu pemeriksaan dokter

170
Lampiran 39. Observasi data waktu transport pasien dokter
Transport Detik Transport Detik

0:00:05 5 0:00:12 12
0:00:09 9 0:00:22 22
0:09:40 580 0:00:15 15
0:00:10 10 0:00:04 4
0:00:02 2 0:00:09 9
0:00:03 3 0:00:05 5
0:07:48 468 0:00:08 8
0:22:47 1367 0:00:04 4
0:00:09 9 0:03:28 208
0:00:06 6 0:00:21 21
0:00:03 3 0:00:04 4
0:01:28 88 0:00:58 58
0:00:52 52 0:00:06 6
0:00:34 34 0:00:13 13
0:01:10 70 0:00:04 4
0:00:09 9 0:00:09 9
0:00:37 37 0:06:35 395
0:00:19 19 0:00:08 8
0:00:27 27 0:00:17 17
0:01:27 87 0:00:43 43
0:00:21 21 0:00:10 10
0:00:15 15 0:00:08 8
0:00:03 3 0:00:03 3
0:00:00 0 0:03:59 239
0:00:04 4 0:01:26 86
0:00:11 11 0:00:04 4
0:00:04 4 0:00:34 34
171
Lampiran 40. Uji normalitas waktu transport pasien dokter

Descriptives

PasientoDokter Mean 77,6296 28,95216
95% Lower
Interval for
Upper
Mean 135,7003
Bound
Median 10,5000
Variance 45264,275
Minimum
0,00
Maximum 1367,00
Range 1367,00
Skewness 4,792 ,325
Kurtosis 26,347 ,639
Tests of Normality
PasientoDokter
,369 54 ,000 ,381 54 ,000

172
Lampiran 41. Uji goodness of fit transport pasien dokter

173
Lampiran 42. Validasi data jumlah pasien selesai sistem nyata dan model
Model Sistem aktual

Replikasi
Group Pasien selesai Group Pasien selesai
1 1 177,00 2 190
2 1 177,00 2 164
3 1 177,00 2 179
4 1 184,00 2 175
5 1 189,00 2 172
6 1 180,00 2 177
7 1 174,00 2 173
8 1 180,00 2 163
9 1 171,00 2 158
10 1 180,00 2 171
11 2 178
12 2 142
13 2 189
14 2 163
15 2 193
16 2 172
17 2 171
18 2 160
19 2 164
20 2 158
21 2 171
22 2 163
23 2 208
24 2 173
25 2 206
26 2 177
27 2 194
28 2 175
29 2 200
30 2 162
31 2 190
32 2 215
33 2 205
34 2 201
35 2 194
36 2 193
174
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
Model ,214 10 ,200* ,950 10 ,671
SistemNyata ,148 10 ,200* ,968 10 ,874
Descriptives
Std.
Statistic error
Model Mean 178,9000 1,59478
Interval for Mean Bound 175,2923
Upper
Bound 182,5077
Median 178,5000
Variance 25,433
Minimum 171,00
Maximum 189,00
Range 18,00
Skewness ,580 ,687
Kurtosis ,923 1,334
SistemNyata Mean 172,2000 2,88598
Interval for Mean Bound 165,6715
Upper
Bound 178,7285
Median 172,5000
Variance 83,289
Minimum 158,00
Maximum 190,00
Range 32,00
176
Skewness ,346 ,687

Kurtosis ,552 1,334
177
Lampiran 44. Validasi Uji mann-whitney jumlah pasien selesai sistem nyata dan
model
Std.
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
Asymp. sig. (2-tailed) ,560
Exact sig. [2*(1-tailed Sig.)] ,574b
a. Grouping Variable: Group

b. Not corrected for ties.
178
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
Model Sistem aktual

Replikasi
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
179
Lampiran 46. Uji normalitas validasi waktu tunggu pasien triage

Descriptives
Std.
Statistic error
Model Mean 3,1580 ,07915
95% Confidence Interval for Mean Lower Bound
2,9790
Upper Bound
3,3370
Median 3,1200
Variance ,063
Std. deviation ,25029
Minimum 2,85
Maximum 3,61
Range ,77
Interquartile Range ,38
Skewness ,556 ,687
Kurtosis -,303 1,334
Real Mean 3,0000 ,10859
95% Confidence Interval for Mean Lower Bound
2,7544
Upper Bound
3,2456
Median 2,9050
Variance ,118
Minimum 2,46
Maximum 3,44
Range ,98
Skewness ,017 ,687
Kurtosis -1,410 1,334
Tests of Normality
Model ,124 10 ,200* ,949 10 ,661
Real ,193 10 ,200* ,912 10 ,297
180
Lampiran 47. Validasi Uji one way anova waktu tunggu pasien triage
Value
Levene statistic df1 df2 Sig.

2,375 1 18 ,141
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
Lampiran 48. Validasi uji t-test waktu tunggu pasien triage
Group Statistics
Std.
Std. error
Group N Mean deviation Mean
Value Model
10 3,1580 ,25029 ,07915
Real 10 2,9992 ,34409 ,10881

Levene’s
Test for
t-test for Equality of Means
Equality of
Variances
95%
Sig. Confidence
(2- Mean Std. error Interval of the
F Sig. t df Difference
taile Difference Difference
d)
Lower Upper
Equal
variances 2,37 0,14 1,18 18,00 0,25 0,16 0,13 -0,12 0,44
assumed
Value Equal
variances
1,18 16,44 0,25 0,16 0,13 -0,13 0,44
not
assumed
182
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
Model Sistem aktual

Replikasi
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
183
Lampiran 50. Uji normalitas validasi waktu tunggu pasien dokter

Descriptives
Std.
Statistic error
Model Mean 1,8149 ,02492
95% Lower
Interval for Upper
Mean Bound 1,8713
Median 1,8225
Variance ,006
Minimum 1,70
Maximum 1,94
Range ,24
Skewness ,004 ,687
Kurtosis -,849 1,334
Real Mean 1,8080 ,04753
95% Lower
Interval for Upper
Mean Bound 1,9155
Median 1,8050
Variance ,023
Minimum 1,51
Maximum 1,99
Range ,48
Skewness -,675 ,687
Kurtosis ,343 1,334
Tests of Normality
Model ,163 10 ,200* ,965 10 ,841
Real ,150 10 ,200* ,944 10 ,595
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
Lampiran 52. Validasi Uji t-test waktu tunggu pasien triage
Group Statistics
Std.
Std. error
Group N Mean deviation Mean
Value Model
10 1,8149 ,07880 ,02492
Real 10 1,8082 ,14939 ,04724

Levene’s
Test for
Equality of
Variances t-test for Equality of Means
95%
Confidence
Std. error Difference

Mean Difference
Interval of
Sig. (2-tailed)
the
Difference
F Sig. t df
Upper
Lower
Equal
variances
-,10551
,00670
,05341
,11891
,902
assumed 2,052 ,169 ,125 18

Value
Equal
variances
-,10813
,00670
,05341
,12153
,902
not ,125 13,649

assumed
186
Lampiran 53. Perbandingan alternatif hasil simulasi
Average
Time
Label
No. Alternatif Time in Rank
in Waiting
Move
System Time (Hr)
Logic (Hr)
(Hr)
Sistem
Aktual
Aktual Sistem -1 5,167 0,172 4,822 23
Pasien yang membawa

Berkas
Pasien Membawa Berkas
Triage, Suster Membawa 1A 3,365 0,046 3,169 13
Alternatif 1
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
triage dan 2 pemanggilan 2B 5,190 0,162 4,853 25
dokter
triage dan 2 pemanggilan 2C 5,140 0,154 4,814 22
dokter
Specific Job untuk
Alternatif 3
suster
2 Suster Pelayanan
Triage, 1 Suster 3A 5,419 0,232 5,114 26
Distribusi Berkas
187
1 suster pelayanan triage, 3B 5,090 0,196 4,756 19

2 suster distribusi berkas
Komputerisasi bagian
pelayanan
Sistem komputerisasi di
bagian triage, sistem 4A 3,929 0,038 3,739 14
Alternatif 4
aktual di bagian dokter

Sistem aktual di bagian
triage, sistem
4B 4,888 0,169 4,551 15
komputerisasi di bagian
dokter
bagian triage, sistem
4C 2,564 0,037 2,439 11
komputerisasi di bagian
dokter
Kombinasi alternatif 1
dan alternatif 4
Pasien membawa berkas
Alternatif 5
ke triage, Sistem
5A 1,492 0,038 1,340 3
Komputerisasi di bagian
dokter
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
Kombinasi 1C dan 2C 6D 1,699 0,023 1,562 4

Kombinasi 4C dan 2A 6E 2,409 0,029 2,295 7
Kombinasi 4C dan 2C 6F 2,404 0,016 2,299 9
Kombinasi 5B dan 2A 6G 2,409 0,029 2,295 7
Kombinasi 5B dan 2C 6H 2,404 0,016 2,299 9
Kombinasi 1B dan 2A 6I 5,163 0,157 4,846 24
Kombinasi 1B dan 2C 6J 5,109 0,139 4,811 21
Kombinasi 4B dan 2A 6K 4,921 0,165 4,591 17
Kombinasi 4B dan 2C 6L 4,934 0,147 4,621 18
188
Lampiran 54. Perbandingan hasil real system dengan model alternatif
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
Move
System Time
Logic
(Hr) (Hr)
(Hr)
Aktual
Sistem
Kombinasi 5A dan
6 6A
2A 1,462 0,032 1,318
Improve 71,71% 81,26% 72,66%
Average
Time in
Move
System Time
Logic
(Hr) (Hr)
(Hr)
Aktual
Sistem
5 Alternatif 5 5A 1,492 0,038 1,340
Improve 71,13% 77,92% 72,20%
Average
Time in
Move
System Time
Logic
(Hr) (Hr)
(Hr)
Aktual
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
Sistem
Kombinasi 5A dan
6C
Alternatif 6 2C 1,722 0,040 1,570
Improve 66,67% 76,99% 67,45%
190
Lampiran 55. Perbandingan waktu tunggu pasien dokter 4B, 4C dan 5A
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
Lampiran 56. Perbandingan hasil real system dengan model alternatif 3A
Average
Time in
Move
System Time
Logic
(Hr) (Hr)
(Hr)
Aktual
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
Lampiran 58. Waktu tunggu pendaftaran rumah sakit regional DIY

194
Lampiran 59. Waktu tunggu pemeriksaan rumah sakit regional DIY

195
Lampiran 60. Test Homogeneity Variance Validasi Pasien Selesai

Pasien Selesai
Levene statistic df1 df2 Sig.
14,336 1 48 ,000

Analisis Lean Healthcare Poliklinik Penyakit Dalam

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Analisis Lean Healthcare Poliklinik Penyakit Dalam

Diunggah oleh

Hak Cipta:

Format Tersedia

SKRIPSI

ANALISIS LEAN HEALTHCARE PADA SISTEM POLIKLINIK PENYAKIT

PROGRAM STUDI TEKNIK INDUSTRI

ANALISIS LEAN HEALTHCARE PADA SISTEM POLIKLINIK PENYAKIT

PROGRAM STUDI TEKNIK INDUSTRI

Digunakan untuk memenuhi persyaratan

Disetujui untuk diuji Maret 2017

M.K. Herliansyah, S.T., M.T., Ph.D.

Rifa Gandi Lesmana

Nama Mahasiswa : Rifa Gandi Lesmana

Yogyakarta, 24 Agustus 2016

M.K. Herliansyah, S.T., M.T., Ph.D.

“an outstanding intellegence, can even rewrite fate”

Tugas akhir dengan judul “Analisis Lean Healthcare pada Sistem

Yogyakarta 27 Februari 2017

Yogyakarta, 01 Maret 2017

BAB II TINJAUAN PUSTAKA 6

BAB III LANDASAN TEORI 12

BAB V HASIL DAN PEMBAHASAN 44

BAB VI PENUTUP 103

DAFTAR PUSTAKA 105

Gambar 3.1. Proses dasar antrian (Supranto, 1987) 16

Tabel 2.1. Peta Penelitian antara Penelitian Sebelumnya dengan

Lampiran 1. Data interarrival time sistem poliklinik hari Senin 108

3P = Production, Preparation dan Process

Kata kunci: Lean Healthcare, Value Stream Mapping, Simulasi

Keywords: Lean Healthcare, Value Stream Mapping, Simulasi

1.1. Latar Belakang

Menurut Undang-Undang Nomor 44 tahun 2009, rumah sakit adalah institusi

Prinsip lean membantu dalam meminimalkan biaya-biaya yang tidak dibutuhkan,

1.2. Rumusan Masalah

1.3. Asumsi dan Batasan Masalah

1.4. Tujuan Penelitian

1.5. Manfaat Penelitian

Penelitian healthcare terkait pendekatan lean healthcare telah banyak

400.000 dan penambahan kapasitas yang berdampak pada bertambahnya

ekstrinsik. VSM dalam penelitiannya membuktikan dapat menjadi tool yang

Penelitiannya membahas queuing system dalam sebuah perusahaan

Objek dan Tempat Penelitian

3.1. Lean Healthcare

3.2. Sejarah Antrian

3.2.3. Disiplin antrian

SPP akan menerima SPP = Satuan Penerima SPP setelah

Gambar 3.1. Proses Dasar Antrian (Supranto, 1987)

5. General Service Disciplint (GD), yaitu pelayanan yang mempunyai aturan

Fasilitas Individu yang

Gambar 3.2. Model Single Channel-Single Phase (Subagyo et al, 1997)

Sumber Individu yang

Gambar 3.3. Single Channel-Multi Phase (Subagyo et al, 1997)

Sumber Individu yang

Gambar 3.4. Multi Channel-Single Phase (Subagyo et al, 1997)

Gambar 3.5. Multi Channel-Multi Phase (Subagyo et al, 1997)

pelayanan (server), disiplin antrian adalah first-in-first-out, jumlah customer

3.3. Value Stream Mapping

Gambar 3.6. Value Stream Mapping (Gil, 2012)

2. Membuat sebuah VSM sistem awal (current state VSM)

3.4. Statistika Deskriptif

Variabel bebas merupakan variabel stimulus atau variabel yang

3.4.3. Significance level

3.5. Uji Statistika

Uji keselarasan fungsi bertujuan untuk mengetahui apakah distribusi dari

Harga Dn+ dan Dn- adalah: