Analisis Sistem Antrian Pada Poli Umum Klinik Satelit Makara UI Depok

Confidential Customized for Lorem Ipsum LLC
KLINIK MAKARA
Version 1.0
(KLINIK SATELIT)
Analisis Sistem Antrian pada Poli Umum Klinik Satelit

Makara UI Depok
Kelompok 09 | Pemodelan Sistem 02
Angelica Octavia Angeline Septi Darlene Damayanti Frisca Sarita Adelia Quantum Aristovani Shierviona Angelica
2106651660 2106730040 2106730255 2106700971 2106732380 2106730425
Kelas Pemodelan Sistem-02

Dosen Pengampu: Dr. Andri Dwi Setiawan
Teknik Industri
Universitas Indonesia
KLINIK MAKARA
Version 1.0
(KLINIK SATELIT)
Outline
01 Introduction 05 Verification & Validation
02 Model Conceptualization 06 Scenario
03 Processing Data 07 Conclusion
04 Model Construction
Model Conceptualization Model Construction Verification & Validation Scenario KLINIK MAKARA
Introduction Processing Data Conclusion (KLINIK SATELIT)
Latar Belakang
Kesehatan merupakan hak asasi manusia sebagaimana yang tertuang dalam Undang-Undang nomor 36 tahun 2009 tentang Kesehatan.
Pemerintah daerah (puskesmas) termasuk dunia usaha (klinik) memegang peranan penting dalam pembangunan bidang kesehatan di
Indonesia termasuk di daerah Depok, Jawa Barat. Angka Harapan Hidup di Kota Depok naik 0.18% dari tahun 2021. Hal ini didukung
dengan sarana dan prasarana kesehatan yang memadai, yaitu meratanya fasilitas kesehatan di Depok termasuk Klinik, sebagai contoh
Klinik Makara UI.
Namun, karena pertumbuhan populasi yang terus meningkat, hal ini sejalan dengan jumlah pasien setiap tahunnya. Klinik Satelit Makara
menghadapi tantangan dalam mengelola antrian pasien. Antrian yang panjang dan lama dapat meningkatkan ketidaknyamanan para
pasien. Oleh karena itu, analisis sistem antrian pada poli umum Klinik Satelit Makara UI Depok perlu dilakukan untuk meningkatkan
kualitas pelayanan dan meminimalkan waktu tunggu pasien.
Analisis sistem antrian terhadap Klinik Satelit Makara diharapkan dapat membantu mengidentifikasi kelemahan dalam sistem antrian
yang diterapkan saat ini serta mengembangkan solusi agar dapat mengoptimalkan proses layanan kesehatan.
Profil Perusahaan
Klinik Satelit UI Makara adalah fasilitas kesehatan tingkat primer yang disediakan untuk Sivitas UI dan Umum. Selain
menyediakan layanan kesehatan, Klinik Satelit UI juga menjadi tempat belajar para mahasiswa Rumpun Ilmu Kesehatan (RIK).
Klinik ini berlokasi di Fakultas Teknik Universitas Indonesia. Adapun beberapa layanan yang disediakan yaitu poliklinik umum,
poliklinik gigi, dan farmasi. Namun saat ini, Klinik Satelit UI tengah mempersiapkan klinik tumbuh kembang anak, klinik
kesehatan reproduksi, dan klinik untuk usia lanjut. Selain menyediakan layanan kesehatan, Klinik Satelit UI juga akan menjadi
tempat belajar para mahasiswa Rumpun Ilmu Kesehatan (RIK).
Visi Misi
● Menyediakan pelayanan kesehatan primer yang berbasis
kedokteran keluarga
Menjadi klinik unggulan yang juga merupakan wahana
● Menyelenggarakan wahana pendidikan interprofesional
pendidikan dan penelitian kesehatan komunitas berskala
bidang kesehatan
dunia pada tahun 2025 dan menjadi klinik yang dapat
● Mengembangkan penelitian bidang kesehatan komunitas
diandalkan oleh warga sekitar, tak hanya bagi sivitas
yang terintegrasi
akademika kampus tetapi juga bagi seluruh warga sekitar
● Menyelenggarakan manajemen yang profesional dan
yang membutuhkan layanan kesehatan.
akuntabel
● Mendukung Academic Health System UI
Introduction
Confidential Customized for Lorem Ipsum LLC Processing Data Conclusion Version 1.0
(KLINIK SATELIT)
SCQ
Situation Complication
Adanya perbedaan antara waktu pelayanan tiap pasien dan

1. Secara keseluruhan, dalam 1 minggu waktu ketidakmerataan jumlah kedatangan pasien berpotensi menyebabkan
operasional tersibuk Klinik Makara UI terjadinya penumpukan jumlah pasien pada jam-jam tertentu
Depok terjadi pada jam 10 pagi. Namun,
jika dilihat per harinya, total pasien
terbanyak terjadi pada pada hari Selasa
(Google Popular Times, Klinik Makara UI
Key Question
Depok)
2. Setiap pasien biasanya menghabiskan
waktu 15-60 menit di Klinik Makara Bagaimana model optimal yang dapat menghasilkan alternatif terbaik
untuk sistem antrian pada Klinik Makara UI Depok?
Introduction
(KLINIK SATELIT)
Project Charter
Problem Statement Problem Scope Business Case Goal Statement
Mengoptimalkan utilisasi
Perbedaan waktu
Seluruh aktivitas Penumpukan pasien resources dan alur
pelayanan antara pasien
pelayanan yang dalam antrian dapat pelayanan antrian
dan jumlah kedatangan
menimbulkan antrian mempengaruhi kepuasan poliklinik umum
pasien menyebabkan
yang terjadi pada pasien terhadap tingkat sehingga didapatkan
terjadinya penumpukan
Poliklinik Umum Klinik pelayanan Klinik Makara model antrian yang
jumlah pasien pada jam-
Makara UI Depok UI Depok efisien dengan waktu
jam tertentu
antrian yang optimal
Introduction
(KLINIK SATELIT)
Lokasi dan Waktu Pengambilan
Klinik Satelit UI Makara

Poli Umum
Universitas Indonesia, Depok, Jawa Barat
Waktu dan Tanggal Pengambilan

Senin, 22 Mei 2023 pada pukul 08.00 - 15.00 WIB
Bull’s Eye Diagram

- Jumlah pasien dalam antrian & sistem
- Waktu tunggu pasien dalam antrian &

sistem
- Tingkat utilitas sistem
- Jumlah sumber daya pekerja
- Arrival Rate pasien

- Service Rate pasien Endogenous
- Jam operasional
Exogenous - Luas Klinik Makara

- Luas Poli Umum Klinik
Deliberately
- Jenis penyakit pasien
Omitted
Flow Chart
FlowChart
System Diagram
Constraint
Mekanisme antrian
Frekuensi Tata Letak setiap Mekanisme
dalam tiap
kedatangan pasien subsistem di Klinik pelayanan
subsistem Problem
Owner
Input Constraint and Facilitation Feedbacks
Klinik Satelit Board of
Input Proses Pelayanan Output
Makara UI Stakeholders
Waktu Tunggu Universitas

Pasien dalam Tujuan Indonesia
Antrian dan
Arrival Rate Sistem
Pasien
Mengoptimalkan
Jumlah Pasien utilisasi resources Rumah Sakit
dalam Antrian dan dan alur pelayanan
UI
Sistem antrian poliklinik
umum sehingga
Service Rate didapatkan model
Pasien Tingkat Utilitas antrian yang efisien
Sistem Poli dengan waktu antrian
Umum Klinik yang optimal
Makara
Pengolahan Data
Data yang didapatkan dari observasi kami olah untuk menemukan arrival rate dan service rate.
https://bit.ly/Excel_PS02_Group9
Perhitungan Arrival Rate

Untuk menghitung arrival rate, kami menggunakan timestamp video setiap subsistemnya, kemudian
menghitung rata-rata interarrival dari setiap area dan menghitung Arrival Rate dengan rumus 1/Rata-rata
Interarrival pada masing-masing area.
Registrasi Triase Pelayanan Dokter Farmasi
Average Interarrival Average Interarrival Average Interarrival Average Interarrival

695,0909091 717,6818182 709,0454545 300
Time (sec) Time (sec) Time (sec) Time (sec)
Arrival Rate Arrival Rate Arrival Rate Arrival Rate

0,001438660738 0,001393375135 0,001410346817 0,003333333333
(customer/sec) (customer/sec) (customer/sec) (customer/sec)

5,179178656 5,016150485 5,077248542 12
(customer/hour) (customer/hour) (customer/hour) (customer/hour)
Perhitungan Service Rate
Service rate dihitung dengan rumus total service time/total entitas.
Registrasi Triase Pelayanan Dokter Farmasi
Average Interarrival Average Interarrival Average Interarrival Average Interarrival

133,9545455 103,9090909 1012,5 117,3636364
Time (sec) Time (sec) Time (sec) Time (sec)

0,007465218867 0,009623797025 0,000987654321 0,008520526723
(customer/sec) (customer/sec) (customer/sec) (customer/sec)
Service Rate Service Rate Service Rate Service Rate

26,87478792 34,64566929 3,555555556 30,6738962
(customer/hour) (customer/hour) (customer/hour) (customer/hour)
Kedatangan di Ruang Registrasi
Kedatangan Pasien di Ruang Registrasi per

Interval
Distribusi Poisson di Ruang Registrasi
Setelah dilakukan pengujian pada MiniTab terlihat jika P-

Value > 0,05 dan tingkat kedatangan di ruang registrasi
terdistribusi poisson.
Pada ruang registrasi, kedatangan tertinggi terdapat
pada Interval 08:00:00-08:59:59 dan 13:00:00-
13:59:59 dengan jumlah pasien yang datang yaitu
masing-masing 8 dan 6 orang.
Kedatangan di Ruang Triase
Kedatangan Pasien di Ruang Triase per

Interval
Distribusi Poisson di Ruang Triase

Value > 0,05 dan tingkat kedatangan di ruang triase

pada Interval 13:30:00-13:59:59 dengan jumlah pasien
yang datang yaitu 5 orang.
Kedatangan di Ruang Pelayanan Dokter
Kedatangan Pasien di Ruang Pelayanan Dokter

per Interval
Distribusi Poisson di Ruang Pelayanan Dokter

Value > 0,05 dan tingkat kedatangan di ruang pelayanan
dokter terdistribusi poisson.

Kedatangan di Ruang Farmasi
Kedatangan Pasien di Ruang Farmasi per

Interval
Distribusi Poisson di Ruang Farmasi

Value > 0,05 dan tingkat kedatangan di ruang farmasi

Pelayanan di Ruang Registrasi
Pengujian menggunakan MiniTab Pengujian menggunakan Stat::Fit
Hasil pengujian pada Stat::Fit menunjukan bahwa nilai rank

tertinggi adalah distribusi lognormal dengan persentase
Setelah dilakukan pengujian distribusi pelayanan di
ruang registrasi pada MiniTab, terlihat bahwa nilai P- 97.2% dan penerimaannya “do not reject”. Maka dari itu,
Value >0,05. Sehingga, pilih Lognormal. pelayanan di ruang registrasi terdistribusi Lognormal.
Pelayanan di Ruang Triase

tertinggi adalah distribusi lognormal sebesar 100% dengan
Setelah dilakukan pengujian distribusi pelayanan di penerimaannya “do not reject”. Maka dari itu, pelayanan di
ruang registrasi pada MiniTab, terlihat bahwa nilai P-
ruang triase terdistribusi lognormal.
Value >0,05. Sehingga, pilih Lognormal.
Pelayanan di Ruang Pelayanan Dokter

tertinggi adalah distribusi Exponential sebesar 100% dengan
penerimaannya “do not reject”. Dan pada Minitab, rank
Setelah dilakukan pengujian distribusi pelayanan di
tertinggi adalah Lognormal dan Exponential. Maka dari itu,
ruang registrasi pada MiniTab, terlihat bahwa nilai P-
Value >0,05. Sehingga, pilih Lognormal. pelayanan di ruang pelayanan dokter terdistribusi lognormal.
Pelayanan di Farmasi
Pengujian menggunakan MiniTab
Hasil pengujian pada Minitab menunjukkan bahwa

pelayanan pada Farmasi tidak mengikuti suatu distribusi.
Sehingga tidak dilakukan perhitungan lanjut untuk antrian
di ruangan ini.
Setelah dilakukan pengujian distribusi pelayanan di ruang

registrasi pada MiniTab, terlihat bahwa nilai P-Value
seluruhnya < 0,05.
Perhitungan Multi-channel Queueing Model
Berikut merupakan hasil perhitungan pada variabel penting untuk tiap ruangan pelayanan
Registrasi (M/G/1) Triase (M/G/1) Pelayanan Dokter (M/G/3)
Arrival Rate 4,94721719 Arrival Rate 5,016150485 Arrival Rate 5,077248542
Service Rate 26,87478792 Service Rate 34,64566929 Service Rate 3,555555556
L 8,253703203 L 3,61310839 L 1,807707367
Lq 3,468324047 Lq 0,3797312148
Lq 8,06961925
W 0,7202950552 W 0,3560407477
W 1,668352709
Wq 0,6914314188 Wq 0,07479074773
Wq 1,631143113
Server Utilization 14% Server Utilization 48%

Server Utilization 18%
P(0) 86% P(0) 96,68%

P(0) 82%
Model Construction (1/4)
Pembuatan elemen model Klinik Satelit Makara UI dibuat dengan menyesuaikan kondisi dan tata letak pada hari observasi.
Entity Resource
Petugas
Pasien Dokter Perawat
Registrasi
Location
Arrival Antrian Registrasi Antrian Antrian

Triase Dokter
Hipotesis
Meja Meja
Meja Triase Dokter Exit
Registrasi
Arrival Cycle Move Logic

Registrasi L(133.95, 56.68) SEC
Arrival Cycle menggunakan data Arrival Waktu Pelayanan Triase L(103.91, 36.93) SEC
Entitas dan interval dalam 1 jam..
Dokter L(1012.50, 486.25) SEC
Registrasi ke Triase
L(403.09, 542.98) SEC
Triase ke Pl Dokter
Waktu Berjalan L(209.73,369.30) SEC
Pelayanan Dokter ke Exit

L(148.77,23.05) SEC
Process
Layout ProModel Simulasi ProModel
Promod_PS02_Group9 bit.ly/Simulasi_ProModel_PS02_Group9
Hasil Data Statistik (1/3)

Berikut adalah hasil statistik pada lokasi di ProModel setelah dilakukan 100x replikasi.
Utilitas lokasi yang

didapatkan sebesar
13.46% untuk meja
registrasi, 10.40% untuk
meja triase, 51.40% untuk
meja dokter 1, 32.35%
untuk meja dokter 2, dan
18.63% untuk meja dokter
3. Hal tersebut
menandakan, waktu
berapa lama untuk seluruh
meja tersebut beroperasi
yang berarti semakin
sering digunakan maka
utilitasnya makin tinggi

Berikut adalah hasil statistik pada entitas di ProModel setelah dilakukan 100x replikasi.
Dari hasil statistik didapatkan 22 entitas dengan rata-rata waktu dalam sistem sebesar 2062.49 detik dengan standar deviasi 177.20. Dengan
demikian, sebanyak 35.43% waktu pasien digunakan untuk jalan dalam sistem dan 9,90% waktu pasien untuk menunggu dalam sistem.

Berikut adalah hasil statistik pada resources di ProModel setelah dilakukan 100x replikasi.
Utilitas yang terjadi pada

petugas meja registrasi
sebesar 13.46%, dokter
sebesar 33.76%, dan
perawat sebesar 10.40%.
Bila dikonversikan, rata-
rata waktu pelayanan
petugas registrasi 132.11
detik (2.202 menit),
dokter 1005.83 detik
(16.763menit), dan
perawat 102.84 detik
(1.714 menit). Semakin
tinggi utilitasnya
semakin sering
digunakan.
Validasi Penampakan
Validasi penelusuran (tracing validity) adalah meninjau kebenaran diagram alir model atau mekanisme logika model
Area Registrasi Area Triase
3
2 4
Area Pelayanan Dokter

6
1
7
Entry Exit
Dapat disimpulkan berdasarkan gambar pada ProModel dan visualisasi 2D yang telah disesuaikan dengan flowchart,
alur model Klinik Satelit Makara UI sudah sesuai dengan proses pada diagram alir.
Validasi Internal model dengan MAPE (Mean Absolute Percentage Error) (1/3)
Validasi MAPE dilakukan untuk melihat tingkat akurasi model yang sudah direplikasi 100x dibandingkan dengan kondisi nyata
Kuantitas
Mean Absolute Percentage
Area Tipe
of Error (MAPE)
Nyata Model
Total Kedatangan 22 22 0%
Rata-rata waktu pelayanan (detik) 133.95 132.11 1.37%

Registrasi
Tingkat utilisasi rata-rata (%) 18.41 13.46 26.88%
Dapat dilihat bahwa nilai MAPE utilisasi yang masih bernilai > 10%, hal ini dikarenakan terdapat entitas yang mendaftar secara online
terlebih dahulu dan on the spot.
Kuantitas
Area Tipe
of Error (MAPE)
Nyata Model
Total Kedatangan (person) 22 22 0%

Triase
Tingkat utilisasi rata-rata (%) 14.48 10.40 28.17%
Dapat dilihat bahwa nilai MAPE utilisasi yang masih bernilai > 10%, hal ini dikarenakan terdapat entitas yang meninggalkan antrian
setelah registrasi dan kembali setelah waktu yang tidak menentu.
Kuantitas
Area Tipe
of Error (MAPE)
Nyata Model
Total Kedatangan (person) 22 22 0%

Pelayanan Dokter
Tingkat utilisasi rata-rata (%) 48 34.13 28.30%
Dapat dilihat bahwa nilai MAPE utilisasi yang masih bernilai > 10%, hal ini dikarenakan terdapat inkonsistensi yang cukup jauh antara
waktu pelayanan tiap ruang yang mungkin disebabkan oleh perbedaan kompetensi dokter jaga.
Validasi Animasi
Validasi penelusuran (tracing validity) adalah penelusuran kebenaran layout pada model dan dunia nyata
1. Meja
Registrasi
2. Meja Triase
3. Meja (Ruangan)
Arrival Dokter
Dapat disimpulkan bahwa layout Klinik Satelit Makara UI pada ProModel dan dunia nyata sudah sesuai.
Validasi Penulusuran
Validasi penelusuran (tracing validity) adalah penelusuran kebenaran logika model dan program komputer secara manual
Trace berhasil
dilakukan, tidak terdapat
warna merah pada trace,
dan simulasi berhenti
sesuai run hours yaitu 6
jam
Model aman → Tidak ada

error yang terjadi.
Validasi Kejadian
Simulasi ProModel
Rangkuman Tabel
Dapat dilihat bahwa pada jam ke-empat di ‘Simulasi Promodel’, terdapat 15 pasien datang di tiap area Registrasi, Triase, dan Pelayanan Dokter. Sama halnya dengan
‘Rangkuman Tabel’ pada interval 11:00:00 - 11:59:59 yang ditunjukkan dengan highlight biru muda, terdapat juga 15 pasien datang di tiap area Registrasi, Triase,
dan Pelayanan Dokter.
Ringkasan Hasil Validasi Model
Validasi Model Diskrit
Validasi Penampakan Alur model Poli Umum Klinik Satelit Makara UI Depok sudah sesuai dengan proses pada diagram
(Face Validity) alir
Validasi Penelusuran
Tidak terjadinya error ketika menjalankan model
(Trace Validity)
Validasi Animasi
Pembuatan model dengan tata letak yang sudah sesuai dengan tempat observasi secara nyata
(Visual Validity)
Validasi Internal
Running model yang telah direplikasi sebanyak 100 kali
(Internal Validity)
Validasi Kejadian Jumlah entitas pada pukul 11:30:00 - 11:59:59 pada model dan observasi nyata menunjukan
(Event Validity) kesamaan 100% pada setiap tahap sistem, yaitu pada area registrasi, triase, dan pelayanan dokter
Scenario 1
Scenario Penambahan Dokter
Pada scenario ini dilakukan

pengujian dengan
menambahkan seorang
dokter pada sistem dengan
harapan menurunkan
konsentrasi antrean pasien
ketika menunggu layanan
dokter.
Scenario 1
Analisis Skenario Penambahan Seorang Dokter
Perubahan Waktu Tunggu antrean

Pasien
2,626 >> 0,77

menit (pasien)
Perubahan Service Time
27,36 >> 33,634

menit (pasien)
Scenario 1 vs As Is
Perbandingan Dua Skenario
Dilakukan perbandingan dengan skenario Penambahan 1 Dokter…

Model As Is Model As Is
Persentase Persentase
Lama waktu mengantre Service Time
2,626 27,36
menit menit
Penggabungan Lokasi
Lama waktu mengantre
75,5% Penggabungan Lokasi
Service Time
22,93%
0,77 33,634
menit menit
Key Takeaway
Dengan melakukan skenario penambahan dokter, waktu lamanya mengantre akan turun sebesar 75,5% , namun service
time naik sebesar 22,93%.
Fixed Cost Cost
Maintenance HargaPer
Satuan
Bulanatau Box (Rp)Per Hari Jumlah Total Harga
Termometer
Listrik 15.000
50.000 2.272,73 1 30.000
Stetoskop
APD Analisis 1.840.000 22.000 1 1(1/2)
Biaya Scenario 1.840.000
Pena 3.000 1 3.000

Masker 500
Senter Medis Analisis fixed 12.000
cost dan maintenance cost
1 untuk skenario Penambahan 1 Dokter…
12.000
Sarung Tangan 2.000
Ranjang (bed) 1.000.000 1 1.000.000
Sudip Lidah 18.000 1 18.000
Meja 1.000.000 1 1.000.000
Kursi 480.000 2 960.000
Tensimeter 133.000 1 133.000
Otoskop 70.000 1 70.000
FC 5.051.000
Scenario 1 Penambahan 1 Dokter KLINIK MAKARA
Introduction Model Conceptualization Processing Data Model Construction Verification & Validation Scenario Conclusion (KLINIK SATELIT)
Average second in system (W) in seconds 2018,04

Analisis Biaya Scenario 1 (2/2)
Average second in system (W) in hour 0,5605666667
Arrival Rate
Perhitungan total biaya untuk skenario Penambahan 1 Dokter…
4,94721719
Jumlah Server 6
Service Cost Rp 2.244.954
Waiting Cost Rp 818.738
Fixed Cost (harian) Rp 91.909,08
Maintenance Cost Rp 26.772,73

Scenario 2
Scenario Penggabungan Lokasi Registrasi dan Triase

pengujian dengan
menggabungkan lokasi
registrasi dan triase pada
sistem dengan harapan
menurunkan konsentrasi
antrean pasien ketika
menunggu layanan dokter dan
juga menurunkan waktu
mobilisasi dari tempat
registrasi ke pengecekan triase.
Scenario 2
Analisis Skenario Penggabungan Lokasi Registrasi dan Triase

Pasien
2,626 >> 11,6115

menit (pasien)
27,36 >> 49,80

menit (pasien)
Scenario 2 vs As Is
Dilakukan perbandingan dengan skenario Penggabungan Lokasi Registrasi dan Triase…

2,626 27,36
menit menit
Penggabungan Lokasi 3,42% Penggabungan Lokasi 82,02%

11,6115 49,80
menit menit
Key Takeaway
Setelah melakukan analisis, didapatkan bahwa skenario penggabungan lokasi registrasi dan triase dinilai tidak efektif
sebab terjadi kenaikan lama waktu antre dan service time.
Scenario 2 Penggabungan Lokasi Registrasi dan Triase KLINIK MAKARA

Analisis Biaya Scenario 2
Arrival Rate
Perhitungan total biaya untuk skenario Penggabungan 4,94721719
Lokasi Registrasi dan Triase…
Jumlah Server 5
Waiting Cost Rp 1.212.373

Scenario 3
Scenario Penambahan Dokter dan Penggabungan Lokasi Registrasi dan Triase

pengujian dengan
menambahkan seorang
dokter dan juga
menggabungkan lokasi
registrasi dan triase pada
menunggu layanan dokter dan
juga menurunkan waktu
mobilisasi dari tempat
registrasi ke pengecekan triase.
Scenario 3
Analisis Skenario Penambahan Seorang Dokter dan Penggabungan Lokasi Registrasi dan Triase

Pasien
1,92 >> 11,35

menit (pasien)
27,36 >> 48,98

menit (pasien)
Scenario 3 vs As Is
Dilakukan perbandingan dengan skenario Penambahan Dokter dan Penggabungan Lokasi Registrasi dan Triase…
1,92 27,36
menit menit
Penggabungan Lokasi 4,91% Penggabungan Lokasi 79,02%

11,35 48,98
menit menit
Key Takeaway
Setelah melakukan analisis, didapatkan bahwa skenario penambahan dokter sekaligus penggabungan lokasi registrasi dan
triase dinilai tidak efektif sebab terjadi kenaikan lama waktu antre dan service time.
Penambahan Seorang Dokter dan Penggabungan Lokasi KLINIK MAKARA
Scenario 3 Model Conceptualization
Introduction Processing Data Model Construction Verification & Validation Scenario Conclusion
Registrasi dan Triase (KLINIK SATELIT)

Perhitungan total biaya untuk skenario Penambahan Seorang Dokter dan Penggabungan Lokasi Registrasi dan Triase…
Arrival Rate 4,94721719
Jumlah Server 6
Waiting Cost Rp 1.208.393

Scenario 4
Scenario Penambahan Mesin Scan QR untuk Registrasi Online

pengujian dengan
menambahkan sebuah
mesin scan QR untuk
pasien yang melakukan
registrasi online pada
menunggu layanan registrasi.
Scenario 4
Scenario Penambahan Mesin Scan QR untuk Registrasi Online

Pasien
1,92 >> 1,325

menit (pasien)
27,36 >> 33,48

menit (pasien)
Scenario 4 vs As Is
Dilakukan perbandingan dengan skenario Penambahan Mesin Scan QR untuk Registrasi Online…
1,92 27,36
menit menit
Penggabungan Lokasi 31% Penggabungan Lokasi 22,37%

1,325 33,48
menit menit
Key Takeaway
Dengan melakukan skenario penambahan mesin scan QR untuk registrasi online, waktu lamanya mengantre akan turun
sebesar 31% , namun service time naik sebesar 22,37%.
Scenario 4 Penambahan Mesin Scan QR untuk Registrasi Online KLINIK MAKARA


Perhitungan total biaya untuk skenario Penambahan Mesin Scan QR untuk Registrasi Online…
Jumlah Server 4
Fixed Cost Rp 500.800

Scenario 5
Scenario Penambahan Dokter dan Mesin Scan QR untuk Registrasi Online

pengujian dengan
menambahkan seorang
dokter dan sebuah mesin
scan QR untuk pasien yang
melakukan registrasi online
pada sistem dengan harapan
menunggu layanan registrasi
dan layanan dokter.
Scenario 5
Scenario Penambahan Dokter dan Mesin Scan QR untuk Registrasi Online

Pasien
1,92 >> 1,325

menit (pasien)
27,36 >> 33,48

menit (pasien)
Scenario 5 vs As Is
Dilakukan perbandingan dengan skenario Penambahan Dokter dan Mesin Scan QR untuk Registrasi Online…
1,92 27,36
menit menit
Penggabungan Lokasi 31% Penggabungan Lokasi 22,37%

1,325 33,48
menit menit
Key Takeaway
Dengan melakukan skenario penambahan seorang dokter dan mesin scan QR untuk registrasi online, waktu lamanya
mengantre akan turun sebesar 31% , namun service time naik sebesar 22,37%.
Penambahan Seorang Dokter dan Mesin Scan QR untuk KLINIK MAKARA
Scenario 4 Model Conceptualization
Introduction Processing Data Model Construction Verification & Validation Scenario Conclusion
Registrasi Online (KLINIK SATELIT)

Perhitungan total biaya untuk skenario Penambahan Seorang Dokter dan Mesin Scan QR untuk Registrasi Online…
Jumlah Server 5
Fixed Cost Rp 500.800,00

Kesimpulan
Untuk mengurangi waktu tunggu antrean pasien dan service time, didapatkan hasil…
1,92 → 0,77 27,36 → 33,634

menit/pasien menit/pasien
Kesimpulan
Skenario terbaik yang dapat diambil adalah penambahan Penambahan Seorang Dokter (skenario 1)
Pengambilan keputusan kasus ini didasarkan pada analisis service time dan waiting time yang berkurang. Analisis lebih lanjut
diperlukan untuk mendapatkan solusi yang lebih komprehensif dengan memperhitungkan B/C ratio yang dihasilkan dan hal
lainnya.
Rekomendasi
Berikut ini adalah skenario yang terdiri dari berbagai opsi yang dapat diterapkan di Klinik Makara
Skenario 1 Penambahan Resource seorang dokter
Skenario 2 Penggabungan Registrasi dan Triase
Skenario 3 Penggabungan Skenario 1 dan 2
Skenario 4 Mengganti Pegawai Registrasi dengan Mesin Scan
Skenario 5 Penggabungan Skenario 1 dan 4
Dari 3 alternatif, terdapat 5 opsi untuk dapat diimplementasikan pada Klinik Makara
Perhitungan Service Cost & Waiting Cost

Service Cost
Pendapatan
Dokter Pegawai
Biaya pelayanan diasumsikan sebagai hasil dari perhitungan pendapatan bulanan petugas Rp10.000.0000 Rp4.694.493
menggunakan UMR Depok 2023 yang dibagi dengan jumlah jam kerja petugas, yaitu 22
Biaya Pelayanan Per Jam
hari kerja x 6 jam.
Dokter Pegawai
Rp75.758 Rp35.564
Waiting Cost
Gaji di Depok (Median)
Biaya menunggu atau waiting cost dalam sistem dihitung dengan menggunakan asumsi Rp8.660.000
bahwa median gaji dibagi dengan jam kerja pengunjung yang tidak dapat digunakan
karena terpakai untuk menunggu, yaitu 22 hari kerja x 6 jam. Biaya Menunggu Per Jam
Rp49.205
Rekomendasi
Berikut ini adalah perhitungan yang didapatkan dari setiap skenario
Setelah menghitung seluruh skenario,

didapatkan bahwa skenario 4 merupakan
skenario terbaik. Skenario 4 memiliki total
cost yang paling sedikit dibandingkan
dengan skenario lain.
Rekomendasi dengan Expert Choice

Berikut ini adalah analisis AHP yang didapatkan dari setiap skenario berdasarkan Cost, Service Time, dan Waiting Time.
Berdasarkan Cost
Dengan menggunakan metode AHP didapatkan bahwa skenario 4

merupakan skenario terbaik. Skenario 4 memiliki total cost yang
paling sedikit dibandingkan dengan skenario lain.
Berdasarkan Service Time

merupakan skenario terbaik. Skenario 4 memiliki service time yang
paling kecil dibandingkan dengan skenario lain.
Berdasarkan Waiting Time

merupakan skenario terbaik. Skenario 4 memiliki waiting time yang
paling kecil dibandingkan dengan skenario lain.
Kesimpulan
Berdasarkan perhitungan AHP yang didapatkan dari setiap skenario berdasarkan Cost, Service Time, dan
Waiting Time, biaya (cost) menjadi prioritas utama yang harus kami konsiderasikan dalam memilih skenario
terbaik. Oleh karena itu, karena hasil AHP didapatkan bahwa skenario 4 merupakan skenario terbaik, maka
kelompok kami merekomendasikan untuk menerapkan penambahan sebuah mesin scan QR untuk pasien
yang melakukan registrasi online pada sistem dengan harapan menurunkan konsentrasi antrean pasien
ketika menunggu layanan registrasi.
Lampiran
Link Pengambilan Video Scenario ProModel

Click Here: Link_VideoKlinikMakara Click Here: Link_Promodel_Scenario
Video Registrasi (08.00 - 11.30) Excel
Click Here: Link_VideoKlinikMakara2 Click Here: Link_Excel
ProModel As - Is Video Simulasi ProModel
Click Here: Link_Promodel_Asli Click Here: Link_Simulasi_Promodel
Video Presentasi
Click Here: bit.ly/Link_VideoPresentasi

KLINIK MAKARA
Version 1.0
(KLINIK SATELIT)
Terima kasih

Analisis Sistem Antrian Pada Poli Umum Klinik Satelit Makara UI Depok

Diunggah oleh

Informasi Dokumen

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 Sistem Antrian Pada Poli Umum Klinik Satelit Makara UI Depok

Diunggah oleh

Hak Cipta:

Format Tersedia

Confidential Customized for Lorem Ipsum LLC

Analisis Sistem Antrian pada Poli Umum Klinik Satelit

Kelompok 09 | Pemodelan Sistem 02

Kelas Pemodelan Sistem-02

01 Introduction 05 Verification & Validation

02 Model Conceptualization 06 Scenario

03 Processing Data 07 Conclusion

Adanya perbedaan antara waktu pelayanan tiap pasien dan

Lokasi dan Waktu Pengambilan

Klinik Satelit UI Makara

Waktu dan Tanggal Pengambilan

Bull’s Eye Diagram

- Waktu tunggu pasien dalam antrian &

- Arrival Rate pasien

Exogenous - Luas Klinik Makara

Waktu Tunggu Universitas

Perhitungan Arrival Rate

Registrasi Triase Pelayanan Dokter Farmasi

Average Interarrival Average Interarrival Average Interarrival Average Interarrival

Arrival Rate Arrival Rate Arrival Rate Arrival Rate

Arrival Rate Arrival Rate Arrival Rate Arrival Rate

Perhitungan Service Rate

Service rate dihitung dengan rumus total service time/total entitas.

Registrasi Triase Pelayanan Dokter Farmasi

Average Interarrival Average Interarrival Average Interarrival Average Interarrival

Arrival Rate Arrival Rate Arrival Rate Arrival Rate

Service Rate Service Rate Service Rate Service Rate

Kedatangan di Ruang Registrasi

Kedatangan Pasien di Ruang Registrasi per

Distribusi Poisson di Ruang Registrasi

Setelah dilakukan pengujian pada MiniTab terlihat jika P-

Kedatangan di Ruang Triase

Kedatangan Pasien di Ruang Triase per

Distribusi Poisson di Ruang Triase

Setelah dilakukan pengujian pada MiniTab terlihat jika P-

Pada ruang registrasi, kedatangan tertinggi terdapat

Kedatangan di Ruang Pelayanan Dokter

Kedatangan Pasien di Ruang Pelayanan Dokter

Setelah dilakukan pengujian pada MiniTab terlihat jika P-

Pada ruang registrasi, kedatangan tertinggi terdapat

Kedatangan di Ruang Farmasi

Kedatangan Pasien di Ruang Farmasi per

Distribusi Poisson di Ruang Farmasi

Setelah dilakukan pengujian pada MiniTab terlihat jika P-

Pada ruang registrasi, kedatangan tertinggi terdapat

Pelayanan di Ruang Registrasi

Pengujian menggunakan MiniTab Pengujian menggunakan Stat::Fit

Hasil pengujian pada Stat::Fit menunjukan bahwa nilai rank

Pelayanan di Ruang Triase

Pengujian menggunakan MiniTab Pengujian menggunakan Stat::Fit

Hasil pengujian pada Stat::Fit menunjukan bahwa nilai rank

Pelayanan di Ruang Pelayanan Dokter

Pengujian menggunakan MiniTab Pengujian menggunakan Stat::Fit

Hasil pengujian pada Stat::Fit menunjukan bahwa nilai rank

Pengujian menggunakan MiniTab

Hasil pengujian pada Minitab menunjukkan bahwa

Setelah dilakukan pengujian distribusi pelayanan di ruang

Perhitungan Multi-channel Queueing Model

Registrasi (M/G/1) Triase (M/G/1) Pelayanan Dokter (M/G/3)

Arrival Rate 4,94721719 Arrival Rate 5,016150485 Arrival Rate 5,077248542

Service Rate 26,87478792 Service Rate 34,64566929 Service Rate 3,555555556

L 8,253703203 L 3,61310839 L 1,807707367

Server Utilization 14% Server Utilization 48%