5 0 5 MB
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.
60
Pembuatan Model Sistem Nyata
5.3.1. Asumsi dan batasan model
61
5.3.2. Input data observasi sesuai dengan sistem nyata
62
5.4.
63
Validasi Model Dengan Sistem Nyata
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.
72
Analisis Model Simulasi
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.
76
Pengembangan Alternatif Perbaikan Sistem 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
5.7.
alternatif 2
83
Analisis Hasil Alternatif
83
5.7.1. Analisis alternatif 6B
84
5.7.2. Analisis alternatif 6A
87
5.7.3. Analisis alternatif 5A
91
5.7.4. Analisis alternatif 6D
94
5.7.5. Analisis alternatif 6C
97
5.7.6. Analisis alternatif 3A
100
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
Gambar 5.9. Perbandingan Hasil Simulasi Real System Dan Model Alternatif 6A
89
Gambar 5.10. Future State Value Stream Mapping Alternatif 6A
90
Gambar 5.11. Perbandingan Hasil Simulasi Real System Dan Model Alternatif 5A
92
Gambar 5.12. Future State Value Stream Mapping Alternatif 5A
93
Gambar 5.13. Perbandingan Hasil Simulasi Real System Dan Model Alternatif 6D
95
Gambar 5.14. Future State Value Stream Mapping Alternatif 6D
96
Gambar 5.15. Perbandingan Hasil Simulasi Real System Dan Model Alternatif 6C
99
xii
Gambar 5.16. Future State Value Stream Mapping Alternatif 6C
100
Gambar 5.17. Perbandingan Hasil Simulasi Real System Dan Model Alternatif 3A
101
Gambar 5.18. Future State Value Stream Mapping Alternatif 3A
xiii
102
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 5.37. Perbandingan Current VSM Dan Alternatif 5A
93
Tabel 5.38. Perbandingan Current VSM Dan Alternatif 6D
96
Tabel 5.39. Perbandingan Current VSM Dan Alternatif 6C
99
Tabel 5.40. Perbandingan Current VSM Dan Alternatif 3A
101
xv
DAFTAR GAMBAR
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 toolnya 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
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)
√ √ √ √ √
Simulasi
Six Sigma
VSM
Lean
Peneliti
FMEA
Metode
Objek dan Tempat Penelitian Sistem Antrian Poli Sistem Antrian Klinik Selain Poli klinik Rumah Rumah RSUP RSUP Flexsim Minitab Sakit Sakit Dr. Sardjito Dr. Sardjito Lain Lain
√
√ √ √
√
√ √
√ √ √ √
√ √ √
√ √ √ √
√
√ √
√
√
√ √
√ √
√ √
√
√
√ √
√ √
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: Populasi
SPP akan menerima pelayanan
Antrian
SPP = Satuan Penerima Pelayanan
Mekanisme Pelayanan
SPP setelah 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. Individu
Antri
Fasilitas Pelayanan
Individu yang 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 Populasi
M
S
M
Phase 1
S
Individu yang telah dilayani
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. Sumber Populasi
M
S
M
Phase 1
S
Individu yang telah dilayani
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. Sumber Populasi
M
S
M
S
M
S
M
S
M Phase 1
Individu yang telah dilayani
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 parameterparameter 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 [
𝐸
]
(3.2)
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. F0(X) =
𝑛𝑢𝑚𝑏𝑒𝑟 𝑜𝑓 𝑋𝑖 𝑆 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
H = 𝑁(𝑁+1) ( 𝑛1 +
𝑅22 𝑛1
+
𝑅𝑘 2 𝑛𝑘
) − 3(𝑁 + 1)
3.11
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?
Tidak
Uji Goodness of Fit
Ya Uji Hipotesis Data menggunakan Parametric Test
Uji Hipotesis Data menggunakan Non 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
A
Gambar 4.1. Flowchart Penelitian
35
A
Gambar Current State VSM
Membuat Model Simulasi
Penentuan replikasi minimum dengan error terkecil dan replikasi minimum yang diperbolehkan
Uji Normalitas Model
Sebaran Data Normal?
Tidak
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
B
Gambar 4.1. Flowchart Penelitian (Lanjutan)
36
B
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. Kriteria yang digunakan untuk menguji hipotesis adalah jika nilai
signifikansi < α maka tolak H0 dan sebaliknya jika nilai signifikansi > α maka terima H0. 4.4.4. 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
2.
Menentukan tingkat kepercayaan atau confidence level (1-α)
3.
Penentuan kesimpulan berdasarkan kriteria yang telah ditentukan. Kriteria yang digunakan untuk menguji hipotesis adalah jika nilai
signifikansi < α maka 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 2.
Menentukan tingkat kepercayaan atau confidence level (1-α)
3.
Penentuan kesimpulan berdasarkan kriteria yang telah ditentukan. Kriteria yang digunakan untuk menguji hipotesis adalah jika nilai
signifikansi < α maka tolak H0 dan sebaliknya jika nilai signifikansi > α maka terima H0. 4.4.7. Identifikasi future state Value Stream Mapping (VSM) dan membuat alternatif Informasi yang didapatkan berdasarkan current state VSM kemudian dilakukan analisis dalam menentukan alternatif dengan prinsip lean healthcare baik dengan menghilangkan non value added atau mengurangi sebisa mungkin non value added. Prinsip lean healthcare juga berperan aktif dalam menghilangkan atau mengurangi waste yang ada pada sistem dimana prinsip lean menurut Ohno (1998) yang dapat diterapkan yaitu: 1.
Pemindahan atau transportasi (waste of transportation) Waste pada pemindahan (transportation) terjadi ketika material dalam hal ini
pasien dipindahkan atau berpindah di dalam sistem secara tidak efisien dan masih ada cara lain untuk meningkatkannya. Di dalam healthcare biasanya terjadi ketika: a.
Pasien bergerak dari bagian administrasi ke bagian triage. Triage adalah diagnosa awal oleh suster, diagnosa awal tersebut berupa tekanan darah, pemeriksaan mata, profile pasien seperti tinggi badan, berat badan dan riwayat penyakit serta reka medis sebelumnya.
b.
Pengobatan berpindah dari bagian farmasi ke tempat lain yang dibutuhkan
41
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. 3.
Pasien yang menunggu hasil check up di ruang tunggu
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 1: Pasien yang membawa berkas
Alternatif Aliran sistem poliklinik penyakit dalam diubah dengan memberikan tugas kepada pasien untuk membawa berkas pemeriksaan dari petugas administrasi atau triage.
Label 1
1
Pasien membawa berkas triage, suster membawa berkas ke dokter
1A
2
Suster membawa berkas triage, pasien membawa berkas ke dokter
1B
3
Pasien membawa berkas triage, pasien membawa berkas ke dokter
1C
42
Tabel 4.1. Penyusunan Alternatif Perbaikan Model Simulasi (Lanjutan)
4
5
6
7 8
9
Pola pemanggilan pasien dilakukan untuk menghilangkan waktu transportasi pasien pada pelayanan triage atau pelayanan dokter Pemanggilan pasien 2 orang untuk pelayanan Alternatif 2: triage dan 1 pemanggilan pasien untuk pelayanan Pola dokter pemanggilan Pemanggilan Pasien 1 orang untuk pelayanan pasien dengan triage dan 2 pemanggilan pasien untuk pelayanan 2 orang dokter Pemanggilan Pasien 2 orang untuk pelayanan triage dan 2 pemanggilan pasien untuk pelayanan dokter Specific job untuk suster dengan membagi tugastugas tertentu pada salah satu dokter dengan menghilangkan salah satu kewajiban suster Alternatif 3: tersebut. Specific job 2 suster pelayanan triage, 1 suster distribusi untuk suster berkas 1 suster pelayanan triage, 2 suster distribusi berkas Komputerisasi bagian pelayanan triage atau pelayanan dokter untuk menghilangkan proses batching pada beberapa pelayanan dan menghilangkan kewajiban suster dalam 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 aktual di bagian dokter
10 11
12
Alternatif 5
13 Alternatif 6
2
2A
2B
2C
3
3A 3B
4
4A
Sistem aktual di bagian triage, sistem komputerisasi di bagian dokter
4B
Sistem komputerisasi di bagian triage, sistem komputerisasi di bagian dokter Kombinasi alternatif 1 dan alternatif 4
4C
Pasien membawa berkas ke triage, Sistem komputerisasi di bagian dokter
5A
Sistem komputerisasi di bagian triage, pasien membawa berkas ke dokter
5B
Semua alternatif terbaik dikombinasikan dengan alternatif 2
5
6
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 𝑇𝑜𝑡𝑎𝑙 𝑊𝑎𝑘𝑡𝑢 𝑇𝑢𝑛𝑔𝑔𝑢 𝑝𝑎𝑑𝑎 𝑆𝑖𝑠𝑡𝑒𝑚 𝑁𝑦𝑎𝑡𝑎
𝑥 100%
(4,2)
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 pvalue < 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 harihari 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
a. Kruskal Wallis Test b. Grouping Variable: 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 N Normal Mean Parametersa,b Std. Deviation
Senin 227 88,27
Selasa 88 54,06
Rabu 215 88,68
Kamis 204 76,39
Jumat 165 64,24
98,915
46,200
100,253
88,315
50,195
53
Tabel 5.4. Uji Normalitas Waktu Interarrival Time Kedatangan Pasien (Lanjutan) Most Extreme Differences
Absolute Positive Negative
,196 ,157 -,196 ,196 ,000c
Test Statistic Asymp. Sig. (2-tailed)
,174 ,174 -,139 ,174 ,000c
,201 ,201 -,191 ,201 ,000c
,214 ,214 -,200 ,214 ,000c
,115 ,115 -,100 ,115 ,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
Interarrival
Senin Selasa Rabu Kamis Jumat Total
N
Mean Rank
227 88 215 204 165 899
489,18 407,69 444,41 430,50 450,06 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 Kolmogorov smirnova Shapiro wilk Statistic df Sig. Statistic df Admin1 ,190 26 ,017 ,880 26 a. Lilliefors Significance Correction Tests of Normality Admin 2 Kolmogorov smirnova Shapiro wilk Statistic df Sig. Statistic df Admin2 ,214 26 ,003 ,874 26 a. Lilliefors Significance Correction
Sig. ,006
Sig. ,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 Kolmogorov smirnova Statistic df Sig. Triage Process ,082 96 ,122 a. Lilliefors Significance Correction
Shapiro wilk Statistic df Sig. ,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 Kolmogorov smirnova Statistic df Sig. Distribusi ,107 38 ,200* *. This is a lower bound of the true significance. a. Lilliefors Significance Correction
Shapiro wilk Statistic df Sig. ,946 38 ,066
Pada Tabel 5.8 didapatkan hasil uji normalitas menggunakan tes shapiro wilk dan kolmogorov smirnov menghasilkan nilai p-value > 0,05 yang artinya jumlah kedatangan pasien terdistribusi normal berdasarkan test of normality kolmogorov smirnov dan shapiro wilk, karena jumlah data melebihi 50 data maka uji kolmogorov smirnov yang akan digunakan sebagai acuan test of normality. Data waktu pengambilan dan distribusi berkas terdistribusi normal sehingga distribusi yang sesuai adalah distribusi normal (584,2632; 296,73354). 5.2.6. Waktu suster menulis hasil pelayanan triage Pengujian waktu suster menulis hasil triage dilakukan untuk mengetahui distribusi yang sesuai dengan waktu suster menulis hasil triage yang telah diobservasi. Data waktu suster menulis hasil triage yang didapatkan berdasarkan hasil observasi akan diuji dengan uji normalitas dengan tingkat signifikan 0,05. Waktu pengujian menggunakan uji kolmogorov smirnov atau shapiro wilk seperti terlihat pada Tabel 5.9.
Tabel 5.9. Uji Normalitas Waktu Suster Menulis Hasil Triage Tests of Normality Kolmogorov smirnova Shapiro wilk Statistic df Sig. Statistic * Menulis ,146 14 ,200 ,929 *. This is a lower bound of the true significance. a. Lilliefors Significance Correction
df 14
Sig. ,299
57
Pada Tabel 5.9 didapatkan hasil uji normalitas menggunakan tes shapiro wilk dan kolmogorov smirnov menghasilkan nilai p-value > 0,05 yang artinya jumlah kedatangan pasien terdistribusi normal berdasarkan test of normality kolmogorov smirnov dan shapiro wilk, karena jumlah data kurang dari 50 data maka uji shapiro wilk yang akan digunakan sebagai acuan test of normality Data Waktu suster menulis hasil pelayanan triage terdistribusi normal sehingga distribusi yang sesuai adalah distribusi normal (201,8571; 94,03834). 5.2.7. Waktu transport pasien triage Pengujian waktu transport pasien triage dilakukan untuk mengetahui distribusi yang sesuai dengan waktu transport pasien triage yang telah diobservasi. Data waktu transport pasien triage yang didapatkan berdasarkan hasil observasi akan diuji dengan uji normalitas dengan tingkat signifikan 0,05. Waktu pengujian menggunakan uji kolmogorov smirnov atau shapiro wilk seperti terlihat pada Tabel 5.10.
Tabel 5.10. Uji Normalitas Waktu Suster Menulis Hasil Triage Tests of Normality Kolmogorov smirnova Statistic df Sig. Statistic TransPasien ,271 81 ,000 ,688 a. Lilliefors Significance Correction
Shapiro wilk df Sig. 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 Pasien Terlayani)
Uji
Nilai Pvalue atau significance
No.
Dokter
1
Server 1
20
Shapiro wilk
0,000
2
Server 2
25
Shapiro wilk
0,000
3
Server 3
20
Shapiro wilk
0,000
4
Server 4
21
Shapiro wilk
0,003
5
Server 5
25
Shapiro wilk
0,001
Kesimpulan Tidak terdistribusi normal Tidak terdistribusi normal Tidak terdistribusi normal Tidak terdistribusi normal Tidak terdistribusi normal
Pada Tabel 5.11 didapatkan hasil uji normalitas menggunakan tes shapiro wilk menghasilkan nilai p-value < 0,05 yang artinya waktu pelayanan dokter tidak terdistribusi normal berdasarkan test of normality shapiro wilk, karena jumlah data kurang dari 50 data maka uji shapiro wilk yang akan digunakan sebagai acuan test of normality. Pengujian selanjutnya untuk mencari apakah ada perbedaan yang signifikan antara setiap waktu server pelayanan dokter dengan uji non parametrik kruskal wallis seperti terlihat pada Tabel 5.12.
59
Tabel 5.12. Uji Kruskal Wallis Waktu Pelayanan Dokter Tiap Server Test Statisticsa,b Waktu Server Chi-square 6,036 df 4 Asymp. Sig. ,196 a. Kruskal Wallis Test Berdasarkan Tabel 5.12, Asymp. Sig uji kruskal wallis waktu pelayanan dokter tiap server menunjukan p-value > 0,05 batas kritis pengujian yang artinya tidak ada perbedaan yang signifikan antara waktu pelayanan dokter tiap server. Data waktu pelayanan dokter di setiap server tidak terdistribusi normal sehingga perlu dilakukan pengujian goodness of fit menggunakan software Statfit dimana distribusi waktu pelayanan dokter yang sesuai adalah distribusi lognormal (879,018018018018; 732,3209801). 5.2.9. Waktu transport pasien dokter Pengujian waktu transport pasien dokter dilakukan untuk mengetahui distribusi yang sesuai dengan waktu transport pasien dokter yang telah diobservasi. Data waktu transport pasien dokter yang didapatkan berdasarkan hasil observasi akan diuji dengan uji normalitas dengan tingkat signifikan 0,05. Waktu pengujian menggunakan uji kolmogorov smirnov atau shapiro wilk seperti terlihat pada Tabel 5.13.
Tabel 5.13. Uji Normalitas Waktu Transport Pasien Dokter Tests of Normality Kolmogorov smirnova Shapiro wilk Statistic df Sig. Statistic df Sig. PasientoDokter
,369
54
,000
,381
54
,000
a. Lilliefors Significance Correction Pada Tabel 5.13 didapatkan hasil uji normalitas menggunakan tes shapiro wilk dan kolmogorov smirnov menghasilkan nilai p-value < 0,05 yang artinya waktu transport pasien dokter tidak terdistribusi normal berdasarkan test of normality
60
kolmogorov smirnov dan shapiro wilk, karena jumlah data lebih dari 50 data maka uji kolmogorov smirnov yang akan digunakan sebagai acuan test of normality. Data waktu transport pasien dokter tidak terdistribusi normal sehingga perlu dilakukan pengujian goodness of fit menggunakan software Statfit dimana distribusi waktu transport pasien yang sesuai adalah distribusi lognormal (77,6296; 212,75403). 5.2.10. Probabilitas pemilihan dokter Pelayanan pasien pada Poliklinik Penyakit Dalam IRJ RSUP Dr. Sardjito akan dilayani oleh 5 server dokter dengan kapasitas yang berbeda. 5 server tersebut adalah Endokrin, Gastro, Hemato, Remato dan Nemato oleh karena itu akan ada probabilitas pemilihan dokter oleh pasien sejak pasien selesai melakukan pemeriksaan di bagian triage. Pengelompokkan probabilitas pasien berdasarkan sistem nyata menggunakan jumlah data real pasien di setiap server diubah ke dalam probabilitas untuk setiap server seperti terlihat pada Tabel 5.14.
Tabel 5.14. Probabilitas Pemilihan Pasien Poliklinik Penyakit Dalam Server server 1 server 2 server 3 server 4 server 5
Jenis Pelayanan endokrin gastro hemato remato nemato
Probability 39,73% 24,87% 14,87% 9,95% 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 Aktivitas Interarrival pasien Petugas administrasi 1 Petugas administrasi 2 Pengambilan dan distribusi berkas Proses triage
Uji Normalitas Tidak Normal Tidak Normal Tidak Normal
Mean
Standard Deviasi
77,92
86,21
231,29
172,66
Normal
N(48,13654;296,7335399666) 584,26
296,73
Normal
Normal
Distribusi Exponential (Min 7,0 ; Beta 72,7475) Triangular (28,0;711,145;28,0)
162,42
61,50
63
Tabel 5.15. Hasil Uji Statistik Dan Goodness Of Fit Model Sistem Nyata (Lanjutan) Suster menulis berkas hasil triage Transport pasien triage Pemeriksaan dokter Transport pasien dokter
Normal
N(25,132280;94,03834)
Tidak Normal Tidak Normal Tidak Normal
Lognormal (Min 2,3877: Mu 2,91974: Sigma 1,21541) Lognormal (105,467;6,20757;0,905484) Lognormal (0,197011;2,79156;1,60781)
201,86
94,04
40,11
49,86
879,02
732,32
77,63
212,75
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
2,00
Pasien Selesai
177,00
3,00
Pasien Selesai
177,00
4,00
Pasien Selesai
184,00
5,00
Pasien Selesai
189,00
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 Jumlah replikasi 5 10 15 20 40 100 150 200
Model T Standar Critical Mean Deviasi 180,80 5,50 2,78 178,90 5,04 2,26 178,53 4,69 2,15 179,70 5,51 2,09 180,13 5,07 2,02 179,49 4,84 1,98 179,57 5,07 1,98 179,65 5,20 1,97
Error yang diizinkan 6,82 3,61 2,60 2,58 1,62 0,96 0,82 0,73
Error Replikasi yang yang diterima dihasilkan YES 1,80 YES 0,10 YES 0,47 YES 0,70 YES 1,13 YES 0,49 YES 0,57 YES 0,65
Dari perhitungan pada Tabel 5.17, dapat disimpulkan bahwa dengan 5 kali replikasi model masih dapat diterima namun dengan mempertimbangkan error yang dihasilkan maka replikasi sebanyak 10 kali memberikan hasil error yang lebih kecil daripada replikasi yang lain sehingga model akan direplikasi sebanyak 10 kali. Selain itu dengan pertimbangan faktor waktu simulasi dengan jumlah replikasi 10 kali akan mempersingkat waktu simulasi. 5.4.2. Uji normalitas data model Setelah model dijalankan dengan 10 replikasi, maka dilakukan uji statistik untuk mengetahui apakah model sudah merepresentasikan sistem nyata. Untuk
65
mengetahui apakah ada perbedaan yang signifikan antara sistem nyata dengan model yang dibuat maka dilakukan uji hipotesis t-test parametrik atau mann whitney non parametrik. Uji hipotesis t-test dilakukan jika data terdistribusi normal dan uji mann whitney dilakukan jika data tidak terdistribusi normal. Selanjutnya data perlu di uji normalitasnya dengan parameter jumlah pasien yang keluar dari sistem nyata dibandingkan dengan jumlah pasien yang keluar dari sistem dari model yang dibuat, waktu tunggu pasien triage dan waktu tunggu pasien dokter. 1.
Uji normalitas pasien selesai Uji normalitas dilakukan untuk ke dua variabel yang akan diuji statistika
yakni pasien selesai sistem nyata dan model. Hasil uji normalitas seperti terlihat pada Tabel 5.18.
Tabel 5.18. Uji Normalitas Jumlah Pasien Sistem Nyata Dan Model Tests of Normality Kolmogorov smirnova Statistic df Sig. ,214 10 ,200*
Shapiro wilk Statistic df ,950 10
Sig. ,671
,968 10
,874
Model Sistem ,148 10 ,200* nyata *. This is a lower bound of the true significance. a. Lilliefors Significance Correction
Pada Tabel 5.18 didapatkan hasil uji normalitas menghasilkan nilai p-value > 0,05 untuk jumlah pasien yang keluar dari sistem model yang artinya jumlah pasien yang keluar dari sistem model terdistribusi normal dan hasil uji normalitas menghasilkan nilai p-value > 0,05 batas kritis untuk jumlah pasien yang keluar dari sistem nyata yang artinya jumlah pasien yang keluar dari sistem nyata terdistribusi normal, karena jumlah data kurang dari 50 data maka uji shapiro wilk yang akan digunakan sebagai acuan test of normality untuk jumlah pasien selesai model. Semua kelompok data terdistribusi normal sehingga perlu dilakukan uji parametrik untuk menentukan apakah ada perbedaan yang signifikan jumlah pasien sistem nyata dan sistem model dengan menggunakan uji t-test dengan syarat melakukan
66
uji homogenitas dengan menggunakan one way ANOVA untuk mengetahui apakah varian kedua kelompok data atau populasi menunjukan kesamaan atau perbedaan yang signifikan. 2.
Uji normalitas waktu tunggu pasien triage Uji normalitas dilakukan untuk ke dua variabel yang akan diuji statistika
yakni waktu tunggu pasien triage sistem nyata dan model. Hasil uji normalitas seperti terlihat pada Tabel 5.19 dan data waktu tunggu pasien triage pada sistem nyata dan hasil simulasi.
Tabel 5.19. Data Waktu Tunggu Pasien Triage Pada Sistem Nyata Dan Model Model Pasien Group selesai 1 1 3,237 2 1 3,084 3 1 3,474 4 1 3,614 5 1 3,156 6 1 2,854 7 1 3,272 8 1 2,847 9 1 3,069 10 1 2,973 Average 3,158 Standar Deviasi 0,250
Replikasi
Sistem nyata Waktu Group Tunggu 2 3,441 2 2,455 2 3,424 2 2,885 2 3,325 2 2,918 2 2,711 2 2,714 2 3,279 2 2,840 2,000 2,999 0,000 0,344
Tabel 5.20. Uji Normalitas Waktu Tunggu Pasien Triage Sistem Nyata Dan Model Tests of Normality Kolmogorov smirnova Shapiro wilk Statistic df Sig. Statistic df Model ,124 10 ,200* ,949 10 Real ,193 10 ,200* ,912 10 *. This is a lower bound of the true significance. a. Lilliefors Significance Correction
Sig. ,661 ,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 Uji normalitas dilakukan untuk ke dua variabel yang akan diuji statistika
yakni waktu tunggu pasien dokter sistem nyata dan model. Hasil uji normalitas seperti terlihat pada tabel 21 dan data waktu tunggu pasien dokter pada sistem nyata dan pada hasil simulasi.
Tabel 5.21. Data Waktu Tunggu Pasien Dokter Pada Sistem Nyata Dan Model Replikasi
Group 1 1 2 1 3 1 4 1 5 1 6 1 7 1 8 1 9 1 10 1 Average Standar Deviasi
Model Pasien selesai 1,854 1,712 1,944 1,783 1,848 1,797 1,893 1,861 1,756 1,701 1,815 0,079
Sistem aktual Group Waktu Tunggu 2 1,819 2 1,785 2 1,988 2 1,752 2 1,930 2 1,650 2 1,988 2 1,870 2 1,789 2 1,511 2,000 1,808 0,000 0,149
68
Tabel 5.22. Uji Normalitas Waktu Tunggu Pasien Dokter Sistem Nyata Dan Model Tests of Normality Kolmogorov smirnova Shapiro wilk Statistic df Sig. Statistic df Sig. Model ,163 10 ,200* ,965 10 ,841 * Real ,150 10 ,200 ,944 10 ,595 *. This is a lower bound of the true significance. a. Lilliefors Significance Correction Pada Tabel 5.22 didapatkan hasil uji normalitas menghasilkan nilai p-value > 0,05 batas kritis untuk waktu tunggu yang keluar dari sistem model yang artinya waktu tunggu sistem nyata dan model terdistribusi normal, karena jumlah data kurang dari 50 data maka uji shapiro wilk yang akan digunakan sebagai acuan test of normality. Setiap kelompok data terdistribusi normal sehingga perlu dilakukan uji parametrik untuk menentukan apakah ada perbedaan yang signifikan waktu tunggu pasien dokter sistem nyata dan sistem model dengan menggunakan uji hipotesis t-test dengan syarat melakukan uji homogenitas dengan menggunakan one way ANOVA untuk mengetahui apakah varian kedua kelompok data atau populasi menunjukan kesamaan atau perbedaan yang signifikan.
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 14,336
df1
df2 1
48
Sig. 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 Wilcoxon W Z Asymp. Sig. (2-tailed) Exact Sig. [2*(1-tailed Sig.)]
176,000 996,000 -,583 ,560 ,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 Statistic 2,375
df1
df2 1
Sig.
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 Equality of Variances F Equal variances assumed Value
Equal variances not assumed
2,37
Sig.
0,14
t-test for Equality of Means Sig. (2tailed)
t
df
1,18
18,00
0,25
1,18
16,44
0,25
71
Berdasarkan hasil uji t-test yang ditunjukan pada Tabel 5.26, parameter equal variance assumed menunjukkan nilai signifikansi > 0,05 batas kritis yang artinya tidak ada perbedaan yang signifikan antara waktu tunggu pasien triage pada sistem nyata dan pada model simulasi. 3.
Uji t-test dan one way ANOVA waktu tunggu pasien dokter One way ANOVA digunakan untuk mencari apakah ada perbedaan atau
kesamaan varian pada kelompok data yang diuji pada t-test, jika hasilnya menunjukan bahwa adanya kesamaan varian pada setiap kelompok maka t-test dapat digunakan dan jika hasil menunjukan bahwa ada perbedaan varians yang signifikan di setiap kelompok maka pengujian akan menggunakan mann whitney non parametric test.
Tabel 5.27. Hasil Uji One Way Anova Untuk Waktu Tunggu Pasien Dokter Test of Homogeneity of Variances Value Levene Statistic 2,052
df1
df2 1
Sig.
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 Equality of Variances F
Value
Equal variances assumed Equal variances not assumed
2,052
Sig. ,169
t-test for Equality of Means Sig. (2t df tailed) ,125
18
,902
,125
13,649
,902
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.
Avg
Total exits
Name
Replication
Tabel 5.29. Report entity summary (Avg. Reps) sistem aktual Average Time in System (Hr)
Pasien 180,13 Selesai
5,17
Average Average Average Average Time in Time Time in Time Move Waiting Operation Blocked Logic (Hr) (Hr) (Hr) (Hr) 0,17
4,82
0,07
0,11
Tabel 5.30. Report location summary (Avg. Reps)
Replication
Avg
Avg
Name
Queue Pasien Tunggu Triage Queue Pasien Tunggu Dokter
Average Time Scheduled Average Maximum Capacity Per Time (Hr) Contents Contents entry (Hr) 10,00
INF
5,53
123,93
191,83
10,00
INF
1,80
8,02
15,45
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
2 admin
3 Suster
Cycle Time 0,04 Hour Capacity
5 Server
Cycle Time 0,6 Hour
1
Capacity 5,57 Hr
0,04 Hr
Pemeriksaan Dokter
Cycle Time 0,25 Hour
1
Capacity 1,81 Hr
0,6 Hr
1,8 8,28 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
1
Administrasi
Admin
Value Added 1
admin 2
dan Proses pembukaan berkas untuk 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 dokter 5
4
dan analisis
penyakit
dan
tindakan
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 No
Unit
Peran
1
Administrasi dan Suster 1, suster 2, Redundant pelayanan triage
2
Pelayanan triage
Value Added
suster 3, admin 1 dan medis admin 2
triage.
Pasien
Pasien
penulisan
hasil
reka
pemeriksaan
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 No
Unit
1
Peran
Value Added
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 pasienpasien 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 dan Kabupaten/Kota.
terdapatnya
penanggung
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
Kabupaten/Kota 4. Indikator kesehatan telah tersedia
masih kurang diakui perannya, pengembangan karir tidak jelas dan 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
Real 1A 1B 1C 2A 2B 2C 3A 3B 4A 4B 4C 5A 5B 6A 6B 6C 6D 6E 6F 6G 6H 6I 6J 6K 6L
0,00
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 5,000
4,822
5,167
4,000 3,000 1,424
1,294
2,000 0,015
0,172
1,000 0,000 Time in System (Hr)
Time In Move Logic (Hr) Real
Waiting Time (Hr)
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 2 1,5 1
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 Kegiatan Registrasi Pelayanan triage Pemeriksaan dokter Waktu tunggu triage
Operator Kapasitas Cycle CVSM Perubahan (unit) (unit) Time (Hr) (Hr) (%) 2 2 0,044 0,044 0,00% 3
3
0,120
0,599
79,96%
5
9
0,253
0,253
0,00%
0,545
5,571
90,22%
Infinite
87
Tabel 5.35. Perbandingan Current VSM Dan Alternatif 6B (Lanjutan) Waktu tunggu dokter Lead time Value added Throughput
Infinite
1,673 2,634 0,417 0,380
1,815 8,282 0,896 0,121
7,83% 68,19% 53,48% 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. 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
88
pasien dilakukan di bagian pelayanan triage. Perbedaan jelas antara alternatif 6B dan 6A adalah ada atau tidaknya pola pemanggilan di bagian dokter. Kelebihan dalam menerapkan alternatif ini adalah: 1.
Menghilangkan tugas suster dalam pengambilan dan olah susunan berkas di bagian admin, hal ini tergantikan dengan pasien yang akan membawa berkas ke bagian triage
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 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.
5.
Menghilangkan waktu transport suster dalam mendistribusikan berkas dari bagian admin ke setiap ruangan dokter karena digantikan oleh fasilitas komputerisasi yang akan di integrasikan melalui bagian admin sehingga setiap admin selesai memasukkan reka medis hasil triage, hasil tersebut akan secara real time masuk ke dalam daftar waiting list pasien pada setiap server yang didefinisikan oleh admin.
6.
Menyeimbangkan proses triage dan pemeriksaan pada sistem nyata.
89
6,000 5,000
4,822
5,167
4,000
3,000
1,462
1,318
2,000 0,032
0,172
1,000 0,000 Time in System (Hr)
Time In Move Logic (Hr) Real
Waiting Time (Hr)
6B
Gambar 5.9. Perbandingan Hasil Simulasi Real System Dan Model Alternatif 6A
Dengan semua kelebihan tersebut, sistem akan memperbaiki waktu tunggu pasien dan total waktu pasien seperti terlihat pada Gambar 5.9. histogram perbandingan antara real system dengan model hasil simulasi alternatif. Persentase perubahan sebanyak 71,71% untuk total waktu pasien berada di dalam sistem dan 72,66% waktu tunggu pasien telah berkurang. Alternatif 6A 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 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.
90
Tabel 5.36. Perbandingan Current VSM Dan Alternatif 6A Operator Kapasitas Cycle Time (unit) (unit) (Hr) Registrasi 2 2 0,044 Pelayanan triage 3 3 0,120 Pemeriksaan dokter 5 9 0,265 Waktu tunggu triage Infinite 0,530 Waktu tunggu dokter Infinite 1,885 Lead time 2,845 Value added 0,430 Throughput 0,351 Kegiatan
CVSM Perubahan (Hr) (%) 0,044 0,00% 0,599 79,94% 0,253 5,12% 5,571 90,49% 1,815 3,88% 8,282 65,65% 0,896 52,02% 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. 5.7.3. Analisis alternatif 5A Alternatif 5A adalah alternatif kombinasi alternatif 1A dan alternatif 4B. Alternatif ini adalah alternatif dengan mengubah alur berkas yang sebelumnya diambil oleh suster digantikan oleh pasien yang membawa berkas ke bagian triage dari bagian admin dan komputerisasi di bagian dokter tanpa pola pemanggilan pasien dilakukan di bagian pelayanan triage. Perbedaan jelas antara alternatif 5A dan alternatif 6 adalah ada atau tidaknya pola pemanggilan di bagian dokter dan triage. Kelebihan dalam menerapkan alternatif ini adalah: 1.
Menghilangkan tugas suster dalam pengambilan dan olah susunan berkas di bagian admin, hal ini tergantikan dengan pasien yang akan membawa berkas ke bagian triage
2.
Menghilangkan proses batch yang terjadi setiap kali suster mengambil berkas dengan jumlah proses batch 10, secara real time pasien akan memasukkan sendiri berkas ke bagian meja triage yang sudah di tentukan oleh admin. Kontrol bagian triage yang sudah overload atau kosong akan dilakukan oleh admin.
3.
Menghilangkan waktu transport suster mengembalikan berkas ke bagian admin dan digantikan oleh pasien yang mengantarkan berkas menuju bagian admin. Pasien yang telah mengembalikan berkas akan menunggu untuk dipanggil oleh ruangan dokter di ruang tunggu.
4.
Menghilangkan waktu transport suster dalam mendistribusikan berkas dari bagian admin ke setiap ruangan dokter karena digantikan oleh fasilitas komputerisasi yang akan di integrasikan melalui bagian admin sehingga setiap admin selesai memasukkan reka medis hasil triage, hasil tersebut akan secara real time masuk ke dalam daftar waiting list pasien pada setiap server yang didefinisikan oleh admin.
5.
Menyeimbangkan proses triage dan pemeriksaan pada sistem nyata.
92
6,000 5,000
4,822
5,167
4,000
3,000
1,492
1,340
2,000 0,038
0,172
1,000 0,000 Time in System (Hr)
Time In Move Logic (Hr) Real
Waiting Time (Hr)
5A
Gambar 5.11. Perbandingan Hasil Simulasi Real System Dan Model Alternatif 5A
Dengan semua kelebihan tersebut, sistem akan memperbaiki waktu tunggu pasien dan total waktu pasien seperti terlihat pada Gambar 5.11. histogram perbandingan antara real system dengan model hasil simulasi alternatif. Persentase perubahan sebanyak 71,13% untuk total waktu pasien berada di dalam sistem dan 72,20% waktu tunggu pasien telah berkurang. Alternatif 5A 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 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.
93
Tabel 5.37. Perbandingan Current VSM Dan Alternatif 5A Kegiatan Registrasi Pelayanan triage Pemeriksaan dokter Waktu tunggu triage Waktu tunggu dokter Lead time Value added Throughput
Operator Kapasitas Cycle CVSM Perubahan (unit) (unit) Time (Hr) (Hr) (%) 2 2 0,053 0,044 21,03% 3
3
0,131
0,599
78,15%
5
9
0,265
0,253
4,84%
Infinite
0,580
5,571
89,59%
Infinite
1,841 2,870 0,449 0,348
1,815 8,282 0,896 0,121
1,44% 65,35% 49,86% 188,57%
Gambar 5.12. Future State Value Stream Mapping Alternatif 5A
Perubahan alternatif dapat dilihat dengan waktu troughput yang lebih tinggi dengan persentase lebih baik 188,57% daripada current value stream mapping. Sedangkan lead time semakin berkurang dengan persentase pengurangan 65,35%. Hasil analisa tersebut berdasarkan future state alternatif 5A dan current state sistem seperti terlihat pada Tabel 5.37 dan Gambar 5.12. Perbedaan future state VSM alternatif 6B dengan current state adalah terletak pada garis datar dan garis pola patah yang menunjukkan informasi sudah didistribusikan secara komputerisasi tanpa harus secara langsung harus diantarkan oleh suster ke ruangan dokter
94
sedangkan pola pemanggilan tidak bisa terlihat pebedaannya di dalam gambar dan hanya terlihat dari perbedaan lead time system yang berubah. 5.7.4. Analisis alternatif 6D Alternatif 6D adalah kombinasi alternatif 1C dan alternatif 2C. Alternatif ini adalah alternatif dengan mengubah alur berkas yang sebelumnya diambil oleh suster digantikan oleh pasien yang membawa berkas ke bagian triage dan ruangan dokter dari bagian admin serta pola pemanggilan pasien dilakukan di bagian pelayanan triage dan ruangan dokter. Perbedaan jelas antara alternatif 6D dan alternatif sebelumnya adalah ada atau tidaknya penambahan fasilitas komputerisasi pada bagian triage dan dokter bagian dokter. Kelebihan dalam menerapkan alternatif ini adalah: 1.
Menghilangkan tugas suster dalam pengambilan dan olah susunan berkas di bagian admin, hal ini tergantikan dengan pasien yang akan membawa berkas ke bagian triage dan ruangan dokter.
2.
Menghilangkan proses batch yang terjadi setiap kali suster mengambil berkas dengan jumlah proses batch 10, secara real time pasien akan memasukkan sendiri berkas ke bagian meja triage yang sudah di tentukan oleh admin. Kontrol bagian triage yang sudah overload atau kosong akan dilakukan oleh admin.
3.
Menghilangkan proses batch yang terjadi setiap kali suster mendistribusikan berkas dengan jumlah proses batch 10 unit berkas, secara real time pasien akan memasukkan sendiri berkas ke bagian ruangan dokter yang sudah di tentukan oleh admin. Kontrol ruangan dokter yang sudah overload atau kosong akan dilakukan oleh admin.
4.
Menghilangkan waktu transport pasien triage dari ruang tunggu ke bagian triage dengan pola pemanggilan 2 pasien untuk setiap triage.
5.
Menghilangkan waktu transport pasien ruangan dokter dari ruang tunggu ke ruangan dokter dengan pola pemanggilan 2 pasien untuk setiap triage.
6.
Menghilangkan waktu transport suster mengembalikan berkas ke bagian admin dan digantikan oleh pasien yang mengantarkan berkas menuju bagian
95
admin. Pasien yang telah mengembalikan berkas akan menunggu untuk dipanggil oleh ruangan dokter di ruang tunggu. 7.
Menghilangkan waktu transport suster dalam mendistribusikan berkas dari 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 5,000
4,822
5,167
4,000 3,000
1,699
1,562
2,000 0,023
0,172
1,000 0,000 Time in System (Hr)
Time In Move Logic (Hr) Real
Waiting Time (Hr)
6D
Gambar 5.13. Perbandingan Hasil Simulasi Real System Dan Model Alternatif 6D
Dengan semua kelebihan tersebut, sistem akan memperbaiki waktu tunggu pasien dan total waktu pasien seperti terlihat pada Gambar 5.13. histogram perbandingan antara real system dengan model hasil simulasi alternatif. Persentase perubahan sebanyak 67,12% untuk total waktu pasien berada di dalam sistem dan 67,60% waktu tunggu pasien telah berkurang. Alternatif 6D 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.
96
Proses melibatkan pasien dalam tatanan administrasi merupakan solusi jangka 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 Operator Kapasitas Cycle CVSM Perubahan (unit) (unit) Time (Hr) (Hr) (%) Registrasi 2 2 0,053 0,044 18,96% Pelayanan triage 3 3 0,130 0,599 78,31% Pemeriksaan dokter 5 9 0,228 0,253 9,60% 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% Kegiatan
Gambar 5.14. Future State Value Stream Mapping Alternatif 6D
97
Perubahan alternatif dapat dilihat dengan waktu troughput yang lebih tinggi dengan persentase lebih baik 189,52% daripada current value stream mapping. Sedangkan lead time semakin berkurang dengan persentase pengurangan 65,46%. Hasil analisa tersebut berdasarkan future state alternatif 6D dan current state sistem seperti terlihat pada Tabel 5.38 dan Gambar 5.14. Perbedaan future state VSM alternatif 6B dengan current state tidak dapat dilihat secara grafik tetapi pola pemanggilan masih dapat terlihat pebedaannya di dalam gambar dengan terlihat dari perbedaan lead time system yang berubah.
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 dalam menerapkan alternatif ini adalah: 1.
Menghilangkan tugas suster dalam pengambilan dan olah susunan berkas di bagian admin, hal ini tergantikan dengan pasien yang akan membawa berkas ke bagian triage dan ruangan dokter.
2.
Menghilangkan proses batch yang terjadi setiap kali suster mengambil berkas dengan jumlah proses batch 10, secara real time pasien akan memasukkan sendiri berkas ke bagian meja triage yang sudah di tentukan oleh admin. Kontrol bagian triage yang sudah overload atau kosong akan dilakukan oleh admin.
3.
Menghilangkan proses batch yang terjadi setiap kali suster mendistribusikan berkas dengan jumlah proses batch 10, 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
4.
Menghilangkan waktu transport pasien triage dari ruang tunggu ke bagian triage dengan pola pemanggilan 2 pasien untuk setiap triage.
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 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 5,000
4,822
5,167
4,000 3,000
1,699
1,562
2,000 0,023
0,172
1,000 0,000 Time in System (Hr)
Time In Move Logic (Hr)
Real
Waiting Time (Hr)
6D
Gambar 5.15. Perbandingan Hasil Simulasi Real System Dan Model Alternatif 6C
Dengan semua kelebihan tersebut, sistem akan memperbaiki waktu tunggu pasien dan total waktu pasien seperti terlihat pada Gambar 5.15 histogram perbandingan antara real system dengan model hasil simulasi alternatif. Persentase perubahan sebanyak 66,67% untuk total waktu pasien berada di dalam sistem dan 67,45% waktu tunggu pasien telah berkurang.
99
Alternatif 6C 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 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 Pelayanan triage Pemeriksaan dokter Waktu tunggu triage Waktu tunggu dokter Lead time Value added Throughput
Operator (unit) 2
Kapasitas (unit) 2
Cycle Time (Hr) 0,052
CVSM (Hr) 0,044
Perubahan (%) 17,78%
3
3
0,130
0,599
78,22%
5
9
0,260
0,253
2,91%
Infinite
0,906
5,571
83,74%
Infinite
1,636
1,815
9,86%
2,984 0,442 0,335
8,282 0,896 0,121
63,97% 50,61% 177,52%
100
Gambar 5.16. Future State Value Stream Mapping Alternatif 6C
Perubahan alternatif dapat dilihat dengan waktu troughput yang lebih tinggi dengan persentase lebih baik 177,52% daripada current value stream mapping. Sedangkan lead time semakin berkurang dengan persentase pengurangan 63,97%. Hasil analisa tersebut berdasarkan future state alternatif 6C dan current state sistem seperti terlihat pada Tabel 5.39 dan Gambar 5.16. Perbedaan future state VSM alternatif 6B dengan current state tidak dapat dilihat secara grafik tetapi pola pemanggilan masih dapat terlihat pebedaannya di dalam gambar dengan terlihat dari perbedaan lead time system yang berubah. 5.7.6. Analisis alternatif 3A Alternatif 3A adalah alternatif dengan mengubah dan membagi tugas spesifik ke setiap suster dimana satu suster akan bertugas mendistribusikan berkas dan 2 suster akan melayani pelayanan triage. Pelayanan triage akan dilakukan seperti real system sedangkan suster yang bertanggung jawab dalam mendistribusikan berkas akan mendistribusikan berkas mulai dari bagian admin ke bagian triage dan ruangan dokter secara bersamaan oleh satu suster. Alternatif ini merupakan alternatif yang memberikan kontribusi waktu tunggu pasien paling tinggi. Kelebihan dalam menerapkan alternatif ini adalah specific job diharapkan mampu meningkatkan kecepatan proses pelayanan dengan membagi 3 tugas menjadi hanya
101
pelayanan triage dan menulis reka medis sedangkan proses distribusi akan dilakukan oleh satu suster.
6,000
5,167
5,419 4,822
5,114
5,000 4,000 3,000
2,000
0,232 0,172
1,000 0,000 Time in System (Hr)
Time In Move Logic (Hr) Real
Waiting Time (Hr)
3A
Gambar 5.17. Perbandingan Hasil Simulasi Real System Dan Model Alternatif 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.
Tabel 5.40. Perbandingan Current VSM Dan Alternatif 3A Kegiatan Registrasi Pelayanan triage Pemeriksaan dokter Waktu tunggu triage
Operator Kapasitas Cycle CVSM Perubahan (unit) (unit) Time (Hr) (Hr) (%) 2 2 0,044 0,044 1,00% 3 3 0,155 0,599 74,07% 5 9 0,240 0,253 5,09% Infinite 5,983 5,571 7,39%
102
Tabel 5.40. Perbandingan Current VSM Dan Alternatif 3A (Lanjutan) Waktu tunggu dokter Lead time Value added Throughput
Infinite
3,217 9,639 0,439 0,104
1,815 8,282 0,896 0,121
77,25% 16,38% 51,01% 14,08%
Gambar 5.18. Future State Value Stream Mapping Alternatif 3A
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
103
KEPMENKES
Nomor.
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 No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32
Arrival Time 7:32:26 7:32:54 7:33:17 7:35:14 7:36:02 7:36:14 7:36:24 7:39:14 7:40:08 7:41:32 7:43:07 7:43:58 7:45:51 7:47:22 7:49:53 7:50:10 7:50:34 7:51:55 7:53:25 7:57:14 7:57:57 7:59:51 8:01:40 8:02:45 8:03:50 8:05:14 8:06:02 8:06:34 8:06:52 8:08:21 8:09:04 8:10:55
Interarrival Time 0:00:28 0:00:23 0:01:57 0:00:48 0:00:12 0:00:10 0:02:50 0:00:54 0:01:24 0:01:35 0:00:51 0:01:53 0:01:31 0:02:31 0:00:17 0:00:24 0:01:21 0:01:30 0:03:49 0:00:43 0:01:54 0:01:49 0:01:05 0:01:05 0:01:24 0:00:48 0:00:32 0:00:18 0:01:29 0:00:43 0:01:51
108
Interarrival (Minute) 28 23 117 48 12 10 170 54 84 95 51 113 91 151 17 24 81 90 229 43 114 109 65 65 84 48 32 18 89 43 111
109
33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71
8:13:21 8:16:51 8:17:41 8:18:28 8:19:39 8:21:49 8:23:12 8:23:31 8:24:29 8:26:25 8:27:07 8:28:56 8:29:15 8:31:02 8:33:12 8:34:01 8:35:37 8:36:49 8:37:09 8:38:03 8:38:46 8:38:59 8:41:58 8:44:17 8:46:29 8:47:32 8:48:03 8:49:21 8:50:50 8:53:00 8:54:20 8:59:40 9:00:32 9:01:53 9:04:06 9:06:48 9:09:42 9:10:18 9:12:50
0:02:26 0:03:30 0:00:50 0:00:47 0:01:11 0:02:10 0:01:23 0:00:19 0:00:58 0:01:56 0:00:42 0:01:49 0:00:19 0:01:47 0:02:10 0:00:49 0:01:36 0:01:12 0:00:20 0:00:54 0:00:43 0:00:13 0:02:59 0:02:19 0:02:12 0:01:03 0:00:31 0:01:18 0:01:29 0:02:10 0:01:20 0:05:20 0:00:52 0:01:21 0:02:13 0:02:42 0:02:54 0:00:36 0:02:32
146 210 50 47 71 130 83 19 58 116 42 109 19 107 130 49 96 72 20 54 43 13 179 139 132 63 31 78 89 130 80 320 52 81 133 162 174 36 152
110
72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110
9:12:58 9:13:05 9:13:35 9:13:58 9:14:10 9:14:25 9:19:54 9:21:00 9:21:16 9:21:26 9:21:50 9:24:11 9:24:24 9:27:42 9:29:27 9:29:40 9:30:44 9:31:04 9:33:20 9:33:27 9:33:44 9:36:10 9:36:41 9:38:10 9:38:44 9:40:57 9:43:07 9:43:16 9:44:01 9:44:36 9:46:19 9:46:41 9:47:38 9:48:40 9:48:48 9:51:58 9:53:32 9:55:16 9:55:46
0:00:08 0:00:07 0:00:30 0:00:23 0:00:12 0:00:15 0:05:29 0:01:06 0:00:16 0:00:10 0:00:24 0:02:21 0:00:13 0:03:18 0:01:45 0:00:13 0:01:04 0:00:20 0:02:16 0:00:07 0:00:17 0:02:26 0:00:31 0:01:29 0:00:34 0:02:13 0:02:10 0:00:09 0:00:45 0:00:35 0:01:43 0:00:22 0:00:57 0:01:02 0:00:08 0:03:10 0:01:34 0:01:44 0:00:30
8 7 30 23 12 15 329 66 16 10 24 141 13 198 105 13 64 20 136 7 17 146 31 89 34 133 130 9 45 35 103 22 57 62 8 190 94 104 30
111
111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149
9:57:41 10:04:55 10:05:00 10:05:43 10:06:10 10:06:26 10:09:40 10:10:22 10:11:34 10:13:15 10:13:46 10:13:53 10:14:04 10:14:10 10:14:51 10:16:23 10:17:02 10:20:17 10:21:27 10:22:53 10:23:46 10:24:10 10:25:31 10:26:20 10:28:05 10:29:48 10:29:53 10:33:41 10:35:12 10:35:54 10:36:18 10:36:26 10:36:52 10:40:00 10:43:55 10:46:06 10:47:53 10:48:25 10:48:50
0:01:55 0:07:14 0:00:05 0:00:43 0:00:27 0:00:16 0:03:14 0:00:42 0:01:12 0:01:41 0:00:31 0:00:07 0:00:11 0:00:06 0:00:41 0:01:32 0:00:39 0:03:15 0:01:10 0:01:26 0:00:53 0:00:24 0:01:21 0:00:49 0:01:45 0:01:43 0:00:05 0:03:48 0:01:31 0:00:42 0:00:24 0:00:08 0:00:26 0:03:08 0:03:55 0:02:11 0:01:47 0:00:32 0:00:25
115 434 5 43 27 16 194 42 72 101 31 7 11 6 41 92 39 195 70 86 53 24 81 49 105 103 5 228 91 42 24 8 26 188 235 131 107 32 25
112
150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188
10:49:34 10:49:45 10:50:10 10:50:23 10:50:40 10:51:54 10:54:46 10:57:08 10:58:43 10:59:15 11:00:56 11:07:31 11:07:38 11:08:41 11:08:57 11:09:00 11:09:18 11:10:07 11:10:24 11:10:56 11:12:24 11:14:41 11:15:32 11:16:13 11:16:55 11:17:07 11:21:00 11:22:56 11:23:31 11:25:16 11:25:22 11:25:48 11:26:41 11:28:22 11:30:03 11:31:45 11:33:58 11:36:35 11:36:42
0:00:44 0:00:11 0:00:25 0:00:13 0:00:17 0:01:14 0:02:52 0:02:22 0:01:35 0:00:32 0:01:41 0:06:35 0:00:07 0:01:03 0:00:16 0:00:03 0:00:18 0:00:49 0:00:17 0:00:32 0:01:28 0:02:17 0:00:51 0:00:41 0:00:42 0:00:12 0:03:53 0:01:56 0:00:35 0:01:45 0:00:06 0:00:26 0:00:53 0:01:41 0:01:41 0:01:42 0:02:13 0:02:37 0:00:07
44 11 25 13 17 74 172 142 95 32 101 395 7 63 16 3 18 49 17 32 88 137 51 41 42 12 233 116 35 105 6 26 53 101 101 102 133 157 7
113
189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227
11:37:04 11:38:10 11:39:51 11:40:48 11:43:55 11:44:08 11:44:26 11:45:32 11:48:57 11:50:50 11:57:31 12:05:06 12:05:23 12:05:33 12:05:46 12:06:00 12:06:13 12:06:37 12:09:46 12:12:32 12:12:40 12:12:55 12:13:08 12:13:17 12:15:34 12:16:05 12:16:40 12:23:31 12:23:52 12:24:18 12:24:54 12:37:40 12:38:44 12:43:10 12:47:21 12:56:41 12:58:22 12:58:43 13:03:46
0:00:22 0:01:06 0:01:41 0:00:57 0:03:07 0:00:13 0:00:18 0:01:06 0:03:25 0:01:53 0:06:41 0:07:35 0:00:17 0:00:10 0:00:13 0:00:14 0:00:13 0:00:24 0:03:09 0:02:46 0:00:08 0:00:15 0:00:13 0:00:09 0:02:17 0:00:31 0:00:35 0:06:51 0:00:21 0:00:26 0:00:36 0:12:46 0:01:04 0:04:26 0:04:11 0:09:20 0:01:41 0:00:21 0:05:03
22 66 101 57 187 13 18 66 205 113 401 455 17 10 13 14 13 24 189 166 8 15 13 9 137 31 35 411 21 26 36 766 64 266 251 560 101 21 303
114
Lampiran 2. Data interarrival time sistem poliklinik hari Selasa No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36
Arrival Time 10:09:15 10:11:16 10:13:22 10:14:06 10:16:17 10:17:51 10:20:33 10:21:06 10:21:33 10:22:02 10:22:35 10:22:42 10:24:29 10:25:23 10:25:44 10:26:31 10:29:01 10:29:43 10:29:48 10:29:57 10:30:44 10:31:55 10:33:44 10:34:11 10:36:41 10:36:55 10:37:47 10:38:12 10:38:56 10:39:33 10:41:02 10:42:27 10:43:45 10:44:21 10:44:48 10:45:07
Interarrival Time 0:02:01 0:02:06 0:00:44 0:02:11 0:01:34 0:02:42 0:00:33 0:00:27 0:00:29 0:00:33 0:00:07 0:01:47 0:00:54 0:00:21 0:00:47 0:02:30 0:00:42 0:00:05 0:00:09 0:00:47 0:01:11 0:01:49 0:00:27 0:02:30 0:00:14 0:00:52 0:00:25 0:00:44 0:00:37 0:01:29 0:01:25 0:01:18 0:00:36 0:00:27 0:00:19
Interarrival (Minute) 121 126 44 131 94 162 33 27 29 33 7 107 54 21 47 150 42 5 9 47 71 109 27 150 14 52 25 44 37 89 85 78 36 27 19
115
37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75
10:47:22 10:48:18 10:50:01 10:52:19 10:53:29 10:54:10 10:55:44 10:56:17 10:57:48 10:57:55 11:01:37 11:02:03 11:02:52 11:03:07 11:05:51 11:06:20 11:07:38 11:07:42 11:07:48 11:08:52 11:09:05 11:09:27 11:09:32 11:09:40 11:09:55 11:10:24 11:11:07 11:11:31 11:12:16 11:13:19 11:13:52 11:14:21 11:15:35 11:15:59 11:16:04 11:16:09 11:16:22 11:16:53 11:17:29
0:02:15 0:00:56 0:01:43 0:02:18 0:01:10 0:00:41 0:01:34 0:00:33 0:01:31 0:00:07 0:03:42 0:00:26 0:00:49 0:00:15 0:02:44 0:00:29 0:01:18 0:00:04 0:00:06 0:01:04 0:00:13 0:00:22 0:00:05 0:00:08 0:00:15 0:00:29 0:00:43 0:00:24 0:00:45 0:01:03 0:00:33 0:00:29 0:01:14 0:00:24 0:00:05 0:00:05 0:00:13 0:00:31 0:00:36
135 56 103 138 70 41 94 33 91 7 222 26 49 15 164 29 78 4 6 64 13 22 5 8 15 29 43 24 45 63 33 29 74 24 5 5 13 31 36
116
76 77 78 79 80 81 82 83 84 85 86 87 88 89
11:17:59 11:18:07 11:19:41 11:21:06 11:21:27 11:21:41 11:21:53 11:22:27 11:23:58 11:26:21 11:26:27 11:27:06 11:27:41 11:28:32
0:00:30 0:00:08 0:01:34 0:01:25 0:00:21 0:00:14 0:00:12 0:00:34 0:01:31 0:02:23 0:00:06 0:00:39 0:00:35 0:00:51
30 8 94 85 21 14 12 34 91 143 6 39 35 51
117
Lampiran 3. Data interarrival time sistem poliklinik hari Rabu No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36
Arrival Time 7:14:05 7:14:27 7:16:12 7:16:24 7:16:38 7:18:24 7:19:14 7:24:51 7:27:39 7:31:11 7:33:12 7:33:41 7:39:21 7:39:53 7:39:58 7:41:21 7:41:39 7:41:48 7:44:16 7:44:21 7:44:26 7:44:41 7:49:55 7:55:09 7:56:13 7:56:28 7:56:41 7:57:26 7:59:33 8:04:11 8:05:06 8:06:31 8:06:42 8:06:53 8:07:13 8:11:49
Interarrival Time 0:00:22 0:01:45 0:00:12 0:00:14 0:01:46 0:00:50 0:05:37 0:02:48 0:03:32 0:02:01 0:00:29 0:05:40 0:00:32 0:00:05 0:01:23 0:00:18 0:00:09 0:02:28 0:00:05 0:00:05 0:00:15 0:05:14 0:05:14 0:01:04 0:00:15 0:00:13 0:00:45 0:02:07 0:04:38 0:00:55 0:01:25 0:00:11 0:00:11 0:00:20 0:04:36
Interarrival (Minute) 22 105 12 14 106 50 337 168 212 121 29 340 32 5 83 18 9 148 5 5 15 314 314 64 15 13 45 127 278 55 85 11 11 20 276
118
37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75
8:13:34 8:17:51 8:21:58 8:22:23 8:22:37 8:22:41 8:23:06 8:24:15 8:25:11 8:30:11 8:30:27 8:31:14 8:32:29 8:36:18 8:37:09 8:37:21 8:40:03 8:41:47 8:43:01 8:43:58 8:46:21 8:49:17 8:51:34 8:51:37 8:51:41 8:51:48 8:52:11 8:52:27 8:52:28 8:52:31 8:54:12 8:56:21 8:57:07 9:01:51 9:03:11 9:05:27 9:06:11 9:06:24 9:07:13
0:01:45 0:04:17 0:04:07 0:00:25 0:00:14 0:00:04 0:00:25 0:01:09 0:00:56 0:05:00 0:00:16 0:00:47 0:01:15 0:03:49 0:00:51 0:00:12 0:02:42 0:01:44 0:01:14 0:00:57 0:02:23 0:02:56 0:02:17 0:00:03 0:00:04 0:00:07 0:00:23 0:00:16 0:00:01 0:00:03 0:01:41 0:02:09 0:00:46 0:04:44 0:01:20 0:02:16 0:00:44 0:00:13 0:00:49
105 257 247 25 14 4 25 69 56 300 16 47 75 229 51 12 162 104 74 57 143 176 137 3 4 7 23 16 1 3 101 129 46 284 80 136 44 13 49
119
76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114
9:07:35 9:10:06 9:10:19 9:10:21 9:11:04 9:13:11 9:19:11 9:19:38 9:22:51 9:23:02 9:26:37 9:27:09 9:27:13 9:27:14 9:27:18 9:27:28 9:32:25 9:34:15 9:34:51 9:35:03 9:37:19 9:37:23 9:39:12 9:39:41 9:39:46 9:40:02 9:40:09 9:40:16 9:40:21 9:40:22 9:42:29 9:43:11 9:43:49 9:44:07 9:45:13 9:51:21 9:51:28 9:51:41 9:51:53
0:00:22 0:02:31 0:00:13 0:00:02 0:00:43 0:02:07 0:06:00 0:00:27 0:03:13 0:00:11 0:03:35 0:00:32 0:00:04 0:00:01 0:00:04 0:00:10 0:04:57 0:01:50 0:00:36 0:00:12 0:02:16 0:00:04 0:01:49 0:00:29 0:00:05 0:00:16 0:00:07 0:00:07 0:00:05 0:00:01 0:02:07 0:00:42 0:00:38 0:00:18 0:01:06 0:06:08 0:00:07 0:00:13 0:00:12
22 151 13 2 43 127 360 27 193 11 215 32 4 1 4 10 297 110 36 12 136 4 109 29 5 16 7 7 5 1 127 42 38 18 66 368 7 13 12
120
115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153
9:53:16 9:58:17 9:58:21 9:59:18 10:00:12 10:00:19 10:02:26 10:05:11 10:05:19 10:05:21 10:08:38 10:09:06 10:09:09 10:12:55 10:13:12 10:15:24 10:19:19 10:20:11 10:21:06 10:22:18 10:23:05 10:25:26 10:25:39 10:26:04 10:27:17 10:28:49 10:30:37 10:31:12 10:33:55 10:39:41 10:40:03 10:40:18 10:44:22 10:44:25 10:49:16 10:49:21 10:50:55 10:51:08 10:52:29
0:01:23 0:05:01 0:00:04 0:00:57 0:00:54 0:00:07 0:02:07 0:02:45 0:00:08 0:00:02 0:03:17 0:00:28 0:00:03 0:03:46 0:00:17 0:02:12 0:03:55 0:00:52 0:00:55 0:01:12 0:00:47 0:02:21 0:00:13 0:00:25 0:01:13 0:01:32 0:01:48 0:00:35 0:02:43 0:05:46 0:00:22 0:00:15 0:04:04 0:00:03 0:04:51 0:00:05 0:01:34 0:00:13 0:01:21
83 301 4 57 54 7 127 165 8 2 197 28 3 226 17 132 235 52 55 72 47 141 13 25 73 92 108 35 163 346 22 15 244 3 291 5 94 13 81
121
154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192
10:52:31 10:52:57 10:53:06 10:53:13 10:55:35 10:55:47 11:03:12 11:03:34 11:04:22 11:05:09 11:06:23 11:07:07 11:09:46 11:09:55 11:09:59 11:10:01 11:10:13 11:10:15 11:10:51 11:11:07 11:11:19 11:12:21 11:13:02 11:13:14 11:14:33 11:20:11 11:20:29 11:20:42 11:20:54 11:21:05 11:22:08 11:22:42 11:23:31 11:27:16 11:27:43 11:28:26 11:28:36 11:29:31 11:29:43
0:00:02 0:00:26 0:00:09 0:00:07 0:02:22 0:00:12 0:07:25 0:00:22 0:00:48 0:00:47 0:01:14 0:00:44 0:02:39 0:00:09 0:00:04 0:00:02 0:00:12 0:00:02 0:00:36 0:00:16 0:00:12 0:01:02 0:00:41 0:00:12 0:01:19 0:05:38 0:00:18 0:00:13 0:00:12 0:00:11 0:01:03 0:00:34 0:00:49 0:03:45 0:00:27 0:00:43 0:00:10 0:00:55 0:00:12
2 26 9 7 142 12 445 22 48 47 74 44 159 9 4 2 12 2 36 16 12 62 41 12 79 338 18 13 12 11 63 34 49 225 27 43 10 55 12
122
193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216
11:32:13 11:35:27 11:35:48 11:36:43 11:39:01 11:41:23 11:43:09 11:45:54 11:46:15 11:49:58 11:53:30 11:53:38 11:54:06 11:54:38 12:00:55 12:03:59 12:08:30 12:12:23 12:15:14 12:21:38 12:23:29 12:23:46 12:28:00 12:31:52
0:02:30 0:03:14 0:00:21 0:00:55 0:02:18 0:02:22 0:01:46 0:02:45 0:00:21 0:03:43 0:03:32 0:00:08 0:00:28 0:00:32 0:06:17 0:03:04 0:04:31 0:03:53 0:02:51 0:06:24 0:01:51 0:00:17 0:04:14 0:03:52
150 194 21 55 138 142 106 165 21 223 212 8 28 32 377 184 271 233 171 384 111 17 254 232
123
Lampiran 4. Data interarrival time sistem poliklinik hari Kamis No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36
Arrival Time 7:42:16 7:43:11 7:43:26 7:43:57 7:44:18 7:44:25 7:45:07 7:46:14 7:46:41 7:46:50 7:47:35 7:48:24 7:50:00 7:50:44 7:50:57 7:51:56 7:52:35 7:52:42 7:53:31 7:55:07 7:55:32 7:57:15 7:58:28 7:59:47 8:00:06 8:01:24 8:03:42 8:09:36 8:09:51 8:10:20 8:11:12 8:11:28 8:11:30 8:12:13 8:16:25 8:17:11
Interarrival Time 0:00:55 0:00:15 0:00:31 0:00:21 0:00:07 0:00:42 0:01:07 0:00:27 0:00:09 0:00:45 0:00:49 0:01:36 0:00:44 0:00:13 0:00:59 0:00:39 0:00:07 0:00:49 0:01:36 0:00:25 0:01:43 0:01:13 0:01:19 0:00:19 0:01:18 0:02:18 0:05:54 0:00:15 0:00:29 0:00:52 0:00:16 0:00:02 0:00:43 0:04:12 0:00:46
Interarrival (Minute) 55 15 31 21 7 42 67 27 9 45 49 96 44 13 59 39 7 49 96 25 103 73 79 19 78 138 354 15 29 52 16 2 43 252 46
124
37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75
8:19:55 8:20:23 8:22:44 8:23:18 8:24:05 8:24:26 8:26:33 8:28:21 8:28:50 8:29:02 8:32:21 8:34:51 8:34:57 8:35:19 8:36:11 8:42:01 8:42:25 8:42:40 8:44:37 8:44:43 8:46:26 8:48:18 8:52:52 8:53:06 8:53:13 8:54:20 8:57:34 8:58:50 9:02:42 9:03:16 9:04:21 9:04:44 9:05:25 9:10:40 9:11:11 9:11:18 9:11:26 9:11:30 9:11:38
0:02:44 0:00:28 0:02:21 0:00:34 0:00:47 0:00:21 0:02:07 0:01:48 0:00:29 0:00:12 0:03:19 0:02:30 0:00:06 0:00:22 0:00:52 0:05:50 0:00:24 0:00:15 0:01:57 0:00:06 0:01:43 0:01:52 0:04:34 0:00:14 0:00:07 0:01:07 0:03:14 0:01:16 0:03:52 0:00:34 0:01:05 0:00:23 0:00:41 0:05:15 0:00:31 0:00:07 0:00:08 0:00:04 0:00:08
164 28 141 34 47 21 127 108 29 12 199 150 6 22 52 350 24 15 117 6 103 112 274 14 7 67 194 76 232 34 65 23 41 315 31 7 8 4 8
125
76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114
9:12:12 9:13:37 9:14:26 9:14:33 9:15:00 9:15:11 9:15:25 9:17:35 9:18:26 9:18:48 9:18:54 9:25:11 9:31:15 9:31:29 9:32:21 9:37:40 9:38:04 9:42:17 9:44:32 9:45:15 9:50:30 9:53:27 9:54:13 9:54:36 9:55:20 9:55:48 10:01:12 10:01:26 10:02:13 10:03:22 10:03:57 10:06:30 10:07:20 10:07:44 10:13:13 10:15:22 10:15:56 10:18:43 10:19:00
0:00:34 0:01:25 0:00:49 0:00:07 0:00:27 0:00:11 0:00:14 0:02:10 0:00:51 0:00:22 0:00:06 0:06:17 0:06:04 0:00:14 0:00:52 0:05:19 0:00:24 0:04:13 0:02:15 0:00:43 0:05:15 0:02:57 0:00:46 0:00:23 0:00:44 0:00:28 0:05:24 0:00:14 0:00:47 0:01:09 0:00:35 0:02:33 0:00:50 0:00:24 0:05:29 0:02:09 0:00:34 0:02:47 0:00:17
34 85 49 7 27 11 14 130 51 22 6 377 364 14 52 319 24 253 135 43 315 177 46 23 44 28 324 14 47 69 35 153 50 24 329 129 34 167 17
126
115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153
10:20:21 10:23:54 10:24:16 10:24:23 10:24:38 10:25:00 10:25:13 10:27:27 10:27:30 10:27:38 10:30:42 10:31:11 10:31:34 10:32:15 10:33:16 10:33:24 10:33:28 10:33:37 10:33:50 10:36:31 10:38:24 10:39:35 10:40:20 10:40:45 10:40:51 10:40:54 10:40:59 10:41:21 10:45:36 10:46:30 10:49:42 10:50:01 10:50:22 10:53:21 10:53:46 10:53:58 10:54:05 10:54:13 10:54:18
0:01:21 0:03:33 0:00:22 0:00:07 0:00:15 0:00:22 0:00:13 0:02:14 0:00:03 0:00:08 0:03:04 0:00:29 0:00:23 0:00:41 0:01:01 0:00:08 0:00:04 0:00:09 0:00:13 0:02:41 0:01:53 0:01:11 0:00:45 0:00:25 0:00:06 0:00:03 0:00:05 0:00:22 0:04:15 0:00:54 0:03:12 0:00:19 0:00:21 0:02:59 0:00:25 0:00:12 0:00:07 0:00:08 0:00:05
81 213 22 7 15 22 13 134 3 8 184 29 23 41 61 8 4 9 13 161 113 71 45 25 6 3 5 22 255 54 192 19 21 179 25 12 7 8 5
127
154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192
10:54:23 10:56:38 10:57:28 10:58:37 10:59:07 10:59:16 10:59:30 10:59:46 11:00:27 11:00:58 11:02:00 11:03:13 11:04:28 11:04:33 11:04:53 11:05:15 11:07:05 11:07:08 11:09:00 11:09:09 11:09:47 11:12:04 11:13:00 11:16:15 11:16:28 11:16:31 11:20:30 11:21:25 11:22:00 11:23:06 11:23:12 11:23:26 11:24:10 11:27:42 11:27:56 11:29:07 11:32:38 11:38:25 11:38:50
0:00:05 0:02:15 0:00:50 0:01:09 0:00:30 0:00:09 0:00:14 0:00:16 0:00:41 0:00:31 0:01:02 0:01:13 0:01:15 0:00:05 0:00:20 0:00:22 0:01:50 0:00:03 0:01:52 0:00:09 0:00:38 0:02:17 0:00:56 0:03:15 0:00:13 0:00:03 0:03:59 0:00:55 0:00:35 0:01:06 0:00:06 0:00:14 0:00:44 0:03:32 0:00:14 0:01:11 0:03:31 0:05:47 0:00:25
5 135 50 69 30 9 14 16 41 31 62 73 75 5 20 22 110 3 112 9 38 137 56 195 13 3 239 55 35 66 6 14 44 212 14 71 211 347 25
128
193 194 195 196 197 198 199 200 201 202 203 204 205
11:41:12 11:42:21 11:43:52 11:44:13 11:47:30 11:47:59 11:50:45 11:50:57 11:51:43 11:57:01 11:57:15 12:00:48 12:02:00
0:02:22 0:01:09 0:01:31 0:00:21 0:03:17 0:00:29 0:02:46 0:00:12 0:00:46 0:05:18 0:00:14 0:03:33 0:01:12
142 69 91 21 197 29 166 12 46 318 14 213 72
129
Lampiran 5. Data interarrival time sistem poliklinik hari Jumat No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36
Arrival Time 8:03:07 8:03:37 8:04:31 8:06:39 8:07:11 8:07:14 8:08:27 8:09:25 8:12:10 8:12:16 8:14:01 8:14:23 8:14:37 8:15:28 8:16:24 8:18:14 8:18:56 8:21:20 8:21:49 8:21:49 8:24:01 8:25:59 8:27:03 8:27:18 8:27:28 8:27:42 8:28:14 8:28:38 8:30:26 8:30:51 8:33:46 8:35:22 8:35:29 8:37:43 8:39:14 8:39:28
Interarrival Time 0:00:30 0:00:54 0:02:08 0:00:32 0:00:03 0:01:13 0:00:58 0:02:45 0:00:06 0:01:45 0:00:22 0:00:14 0:00:51 0:00:56 0:01:50 0:00:42 0:02:24 0:00:29 0:00:00 0:02:12 0:01:58 0:01:04 0:00:15 0:00:10 0:00:14 0:00:32 0:00:24 0:01:48 0:00:25 0:02:55 0:01:36 0:00:07 0:02:14 0:01:31 0:00:14
Interarrival (Minute) 30 54 128 32 3 73 58 165 6 105 22 14 51 56 110 42 144 29 0 132 118 64 15 10 14 32 24 108 25 175 96 7 134 91 14
130
37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75
8:39:35 8:39:38 8:39:44 8:40:01 8:40:50 8:42:18 8:44:54 8:45:12 8:45:14 8:48:08 8:48:39 8:49:02 8:49:08 8:49:21 8:50:45 8:51:55 8:52:41 8:52:57 8:55:52 8:56:20 8:58:04 8:58:54 8:59:07 9:02:01 9:02:05 9:03:36 9:04:24 9:04:24 9:05:56 9:08:18 9:09:08 9:09:34 9:11:00 9:11:03 9:12:07 9:12:20 9:12:23 9:15:30 9:15:54
0:00:07 0:00:03 0:00:06 0:00:17 0:00:49 0:01:28 0:02:36 0:00:18 0:00:02 0:02:54 0:00:31 0:00:23 0:00:06 0:00:13 0:01:24 0:01:10 0:00:46 0:00:16 0:02:55 0:00:28 0:01:44 0:00:50 0:00:13 0:02:54 0:00:04 0:01:31 0:00:48 0:00:00 0:01:32 0:02:22 0:00:50 0:00:26 0:01:26 0:00:03 0:01:04 0:00:13 0:00:03 0:03:07 0:00:24
7 3 6 17 49 88 156 18 2 174 31 23 6 13 84 70 46 16 175 28 104 50 13 174 4 91 48 0 92 142 50 26 86 3 64 13 3 187 24
131
76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114
9:16:41 9:19:47 9:20:09 9:20:48 9:22:39 9:24:46 9:25:52 9:26:12 9:27:06 9:30:34 9:32:04 9:33:51 9:34:10 9:35:24 9:37:46 9:39:46 9:41:21 9:42:16 9:42:40 9:44:23 9:45:30 9:47:07 9:48:48 9:49:10 9:49:27 9:49:56 9:50:42 9:53:09 9:53:21 9:54:14 9:54:35 9:57:27 9:58:22 9:59:37 10:01:13 10:02:37 10:03:16 10:03:48 10:04:05
0:00:47 0:03:06 0:00:22 0:00:39 0:01:51 0:02:07 0:01:06 0:00:20 0:00:54 0:03:28 0:01:30 0:01:47 0:00:19 0:01:14 0:02:22 0:02:00 0:01:35 0:00:55 0:00:24 0:01:43 0:01:07 0:01:37 0:01:41 0:00:22 0:00:17 0:00:29 0:00:46 0:02:27 0:00:12 0:00:53 0:00:21 0:02:52 0:00:55 0:01:15 0:01:36 0:01:24 0:00:39 0:00:32 0:00:17
47 186 22 39 111 127 66 20 54 208 90 107 19 74 142 120 95 55 24 103 67 97 101 22 17 29 46 147 12 53 21 172 55 75 96 84 39 32 17
132
115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153
10:04:19 10:04:26 10:05:11 10:05:50 10:06:42 10:08:12 10:08:39 10:08:58 10:11:02 10:13:21 10:14:35 10:14:54 10:15:19 10:16:57 10:19:47 10:20:57 10:21:07 10:23:27 10:24:17 10:24:51 10:25:38 10:26:55 10:28:02 10:29:33 10:29:57 10:30:33 10:31:14 10:32:12 10:32:55 10:34:33 10:35:10 10:35:22 10:36:41 10:37:46 10:38:13 10:40:02 10:42:32 10:44:44 10:46:45
0:00:14 0:00:07 0:00:45 0:00:39 0:00:52 0:01:30 0:00:27 0:00:19 0:02:04 0:02:19 0:01:14 0:00:19 0:00:25 0:01:38 0:02:50 0:01:10 0:00:10 0:02:20 0:00:50 0:00:34 0:00:47 0:01:17 0:01:07 0:01:31 0:00:24 0:00:36 0:00:41 0:00:58 0:00:43 0:01:38 0:00:37 0:00:12 0:01:19 0:01:05 0:00:27 0:01:49 0:02:30 0:02:12 0:02:01
14 7 45 39 52 90 27 19 124 139 74 19 25 98 170 70 10 140 50 34 47 77 67 91 24 36 41 58 43 98 37 12 79 65 27 109 150 132 121
133
154 155 156 157 158 159 160 161 162 163 164 165 166
10:48:09 10:48:29 10:49:07 10:49:18 10:50:21 10:52:06 10:54:04 10:56:17 10:57:30 10:57:58 10:58:12 10:58:31 10:59:46
0:01:24 0:00:20 0:00:38 0:00:11 0:01:03 0:01:45 0:01:58 0:02:13 0:01:13 0:00:28 0:00:14 0:00:19 0:01:15
84 20 38 11 63 105 118 133 73 28 14 19 75
134
Lampiran 6. Uji normalitas interarrival time pasien setiap hari Descriptive Statistics Mean
N
Std. 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 N Normal parametersa,b Most Extreme Differences
Rabu
Kamis
Jumat
88
215
204
165
88,27
54,06
88,68
76,39
64,24
98,915
46,200
100,253
88,315
50,195
Mean Std. deviation Absolute
Selasa
227
,196
,174
,201
,214
,115
Positive
,157
,174
,201
,214
,115
Negative
-,196
-,139
-,191
-,200
-,100
,196
,174
,201
,214
,115
,000c
,000c
,000c
,000c
,000c
Test Statistic Asymp. sig. (2-tailed) a. Test distribution is normal. b. Calculated from data. c. Lilliefors Significance Correction.
135
Lampiran 7. Uji kruskal wallis interarrival time pasien setiap hari Descriptive Statistics Mean
N
Std. deviation
Minimum
Maximum
Value
899
77,92
86,210
0
766
Group
899
2,99
1,439
1
5
Ranks Group 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 Chisquare df Asymp. sig.
Mean Rank
N
8,756 4 ,068
a. Kruskal wallis Test b. Grouping Variable: 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
129 162 190 215 205 144 201 194 193 102 201 165 165 212
51 64 76 86 82 57 80 77 77 40 80 66 66 84
32 40 47 53 53 36 50 48 50 25 50 41 42 53
19 24 29 32 30 21 30 29 34 15 30 24 25 31
12 16 19 21 22 14 20 19 14 10 20 16 16 25
15 18 19 23 18 16 21 21 18 12 21 18 16 19
Total Prob. Average
8401 100% 168,02
3338 39,73% 66,76
2089 24,87% 41,78
1249 14,87% 24,98
836 9,95% 16,72
889 10,58% 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 Percent
N Arrival
Arrival
Missing
49
Mean 95% Confidence Interval for Mean
Percent
N
100,0%
Total
0
0,0%
Statistic
Std. error
167,6327
4,12142
Percent
N 49
100,0%
Lower Bound 159,3460 Upper Bound
175,9193
5% Trimmed Mean
168,6474
Median
171,0000
Variance
832,321
Std. deviation Minimum
28,84997 102,00
Maximum
215,00
Range
113,00
Interquartile Range
33,50
Skewness Kurtosis
-,579
,340
-,206
,668
Tests of Normality Kolmogorov-Smirnova Statistic
Shapiro-Wilk
Sig.
df
Statistic
Sig.
df
Senin
,204
10
,200*
,782
10
,009
Selasa
,143
10
,200*
,952
10
,688
Rabu
,264
10
,047
,930
10
,447
,922
10
,370
,954
10
,720
Kamis
,202
10
,200*
Jumat
,146
10
,200*
*. This is a lower bound of the true significance. a. Lilliefors Significance Correction
140
Lampiran 11. Uji kruskal wallis jumlah kedatangan pasien setiap hari Ranks Day Arrival
Senin
10
Mean Rank 24,20
Selasa
10
35,30
Rabu
10
27,25
Kamis
10
35,15
Jumat
10
5,60
Total
50
N
Test Statisticsa,b Arrival Chi-square df Asymp. sig. a. Kruskal wallis Test b. Grouping Variable: Day
27,785 4 ,000
141
Lampiran 12. Uji kruskal wallis jumlah kedatangan hari Senin, Selasa, Rabu dan Kamis Ranks Day Arrival
Senin
10
Mean Rank 14,20
Selasa
10
25,30
Rabu
10
17,35
Kamis
10
25,15
Total
40
N
Test Statisticsa,b Arrival Chisquare df Asymp. sig.
6,910 3 ,075
a. Kruskal wallis Test b. Grouping Variable: Day
142
Lampiran 13. Observasi data waktu pelayanan administrasi Waktu Pelayanan Petugas Administrasi 1 Mulai Selesai Total Detik 8:51:30 8:54:41 0:03:11 191 8:55:35 8:59:22 0:03:47 227 9:00:21 9:01:15 0:00:54 54 9:01:18 9:12:33 0:11:15 675 9:13:12 9:13:41 0:00:29 29 9:13:49 9:18:02 0:04:13 253 9:18:31 9:20:57 0:02:26 146 9:21:11 9:21:49 0:00:38 38 9:22:01 9:24:27 0:02:26 557 9:24:27 9:25:05 0:00:38 38 9:25:05 9:33:08 0:08:03 483 9:33:08 9:35:38 0:02:30 150 9:35:38 9:36:10 0:00:32 32 9:36:10 9:38:14 0:02:04 124 9:38:14 9:44:43 0:06:29 389 9:44:43 9:47:44 0:03:01 181 9:47:44 9:53:19 0:05:35 335 9:53:19 9:55:04 0:01:45 105 9:55:04 10:01:45 0:06:41 401 10:01:45 10:09:16 0:07:31 451 10:09:16 10:10:32 0:01:16 76 10:10:32 10:12:24 0:01:52 112 10:12:24 10:13:22 0:00:58 58 10:13:22 10:14:58 0:01:36 96 10:14:58 10:17:14 0:02:16 136 10:17:14 10:24:11 0:06:57 417
Waktu Pelayanan Petugas Administrasi 2 Mulai Selesai Total Detik 8:24:31 8:26:29 0:01:58 118 8:26:29 8:30:14 0:03:45 225 8:30:14 8:31:37 0:01:23 83 8:31:37 8:33:46 0:02:09 129 8:33:46 8:35:30 0:01:44 104 8:35:30 8:42:37 0:07:07 427 8:42:37 8:52:08 0:09:31 571 8:52:08 8:57:56 0:05:48 348 8:57:56 9:02:33 0:04:37 277 9:02:33 9:06:28 0:03:55 235 9:06:28 9:13:27 0:06:59 419 9:13:27 9:14:40 0:01:13 73 9:14:40 9:16:14 0:01:34 94 9:16:14 9:22:15 0:06:01 361 9:22:15 9:31:33 0:09:18 558 9:31:33 9:37:02 0:05:29 329 9:37:02 9:44:12 0:07:10 430 9:44:12 9:50:23 0:06:11 371 9:50:23 9:57:44 0:07:21 441 9:57:44 9:58:39 0:00:55 55 9:58:39 10:00:15 0:01:36 96 10:00:15 10:02:15 0:02:00 120 10:02:15 10:03:31 0:01:16 76 10:03:31 10:04:59 0:01:28 88 10:04:59 10:06:30 0:01:31 91 10:06:30 10:09:04 0:02:34 154
143
Lampiran 14. Uji normalitas administrasi tiap server Descriptives Statistic 221,3077
Mean
Admin1
Lower 95% Confidence Bound Interval for Upper Mean Bound 5% Trimmed Mean Median
Std. error 35,93707
147,2939 295,3215 208,2607 148,0000
Variance
33578,302
Std. deviation
183,24383
Minimum
29,00
Maximum
675,00
Range
646,00
Interquartile Range
320,50
Skewness Kurtosis
,952
,456
-,074
,887
Tests of Normality Kolmogorov-Smirnova Statistic ,190 a. Lilliefors Significance Correction
26
Sig. ,017
Statistic 241,2692
Std. error 32,24123
df
Admin1
Shapiro-Wilk
Descriptives Admin2
Mean Lower 95% Confidence Bound Interval for Upper Mean Bound 5% Trimmed Mean Median
174,8672 307,6713 233,2350 189,5000
Variance
27026,925
Std. deviation
164,39868
Minimum
55,00
Maximum
571,00
Range
516,00
Interquartile Range
289,75
Skewness Kurtosis
,574
,456
-1,030
,887
Statistic ,880
df 26
Sig. ,006
144
Tests of Normality Kolmogorov-Smirnova Statistic df ,214 26 a. Lilliefors Significance Correction Admin2
Sig. ,003
Shapiro-Wilk Statistic ,874
df 26
Sig. ,004
145
Lampiran 15. Uji mann-whitney waktu pelayanan administrasi Descriptive Statistics
Mean
Std. deviation
Minimum
Maximum
Waktu
52
231,2885
172,65577
29,00
675,00
Server
52
1,5000
,50488
1,00
2,00
N
Ranks Server Waktu
26
25,27
657,00
2,00
26
27,73
721,00
Total
52
Waktu
Z Asymp. sig. (2tailed)
Sum of Ranks
1,00
Test Statisticsa MannWhitney U Wilcoxon w
Mean Rank
N
306,000 657,000 -,586 ,558
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 Transport 0:00:14 0:00:08 0:00:06 0:00:07 0:01:10 0:00:21 0:00:15 0:00:22 0:00:03 0:00:10 0:00:37 0:00:11 0:00:13 0:00:12 0:00:40 0:00:18 0:00:34 0:00:12 0:00:08 0:00:10 0:00:10 0:00:06 0:00:13 0:00:17 0:00:37 0:00:51 0:00:11 0:00:31 0:02:47 0:00:36 0:00:27 0:01:18 0:01:12 0:00:15 0:00:34 0:00:14 0:00:29 0:00:08
Pasien Transport Suster Menulis Detik Transport Detik Menulis Detik 14 0:00:41 41 0:02:11 131 8 0:00:04 4 0:03:10 190 6 0:00:14 14 0:04:41 281 7 0:00:07 7 0:02:51 171 70 0:02:44 164 0:01:22 82 21 0:00:10 10 0:04:01 241 15 0:02:50 170 0:01:33 93 22 0:00:33 33 0:02:44 164 3 0:01:07 67 0:01:55 115 10 0:00:18 18 0:03:21 201 37 0:00:36 36 0:04:55 295 11 0:00:05 5 0:07:12 432 13 0:00:11 11 0:04:19 259 12 0:00:16 16 0:02:51 171 40 0:00:21 21 18 0:02:08 128 34 0:00:55 55 12 0:02:08 128 8 0:00:18 18 10 0:02:12 132 10 0:03:48 228 6 0:00:08 8 13 0:01:58 118 17 0:00:18 18 37 0:00:39 39 51 0:00:19 19 11 0:00:09 9 31 0:00:12 12 167 0:01:28 88 36 0:00:08 8 27 0:02:00 120 78 0:00:39 39 72 0:00:16 16 15 0:00:13 13 34 0:00:18 18 14 0:00:41 41 29 0:00:10 10 8 0:00:08 8
148
0:00:09 0:00:22 0:03:37
9 22 217
0:00:04 0:01:20
4 80
149
Lampiran 18. Uji normalitas suster menulis hasil pelayanan triage Descriptives Menulis
Statistic 201,8571
Mean 95% Confidence Interval for Mean
Lower Bound Upper Bound
Std. error 25,13280
147,5610 256,1533
5% Trimmed Mean
195,7302
Median
180,5000
Variance
8843,209
Std. deviation
94,03834
Minimum
82,00
Maximum
432,00
Range
350,00
Interquartile Range
137,50
Skewness
1,036
,597
Kurtosis
1,426
1,154
Tests of Normality Kolmogorov-Smirnova Statistic Sig. df ,146 14 ,200* *. This is a lower bound of the true significance. Menulis
a. Lilliefors Significance Correction
Shapiro-Wilk Statistic
df ,929
14
Sig. ,299
150
Lampiran 19. Uji normalitas transport pasien triage Descriptives
TransPasien
Statistic 40,1111
Mean 95% Confidence Interval for Mean
Lower Bound Upper Bound
Std. error 5,54026
29,0856 51,1366
5% Trimmed Mean
33,5048
Median
18,0000
Variance
2486,250
Std. deviation
49,86231
Minimum
3,00
Maximum
228,00
Range
225,00
Interquartile Range
30,50
Skewness
2,127
,267
Kurtosis
4,121
,529
Tests of Normality Kolmogorov-Smirnova Statistic df ,271 81 a. Lilliefors Significance Correction TransPasien
Sig. ,000
Shapiro-Wilk Statistic ,688
Sig.
df 81
,000
151
Lampiran 20. Uji goodness of fit waktu transport pasien triage
152
Lampiran 21. Observasi data waktu pelayanan triage Mulai 8:56:33 8:59:15 9:03:31 9:06:53 9:09:46 9:18:37 9:20:52 9:23:36 9:31:55 9:37:36 9:46:47 9:49:16 9:53:42 9:58:39 10:01:40 10:05:03 10:11:33 10:13:06 10:13:09 10:28:36 10:34:07 10:37:37 10:42:38 10:47:41 11:02:10 11:06:46 11:08:42 11:11:56 11:20:15 11:27:08 11:27:53 11:39:28 11:57:06 12:05:21 12:08:18 12:10:35 12:28:48 12:32:19 12:37:51
Selesai 8:58:41 9:03:19 9:06:45 9:09:36 9:11:59 9:20:46 9:23:23 9:26:15 9:34:49 9:39:19 9:48:59 9:53:05 9:57:48 10:01:29 10:04:32 10:07:24 10:12:56 10:14:49 10:15:23 10:33:31 10:37:10 10:41:20 10:46:29 10:50:07 11:06:31 11:08:08 11:11:42 11:14:40 11:26:27 11:30:07 11:31:06 11:42:51 11:59:39 12:08:14 12:10:21 12:13:54 12:32:12 12:35:07 12:40:18
Total Detik Mulai Selesai Total Detik 0:02:08 128 10:32:31 10:35:35 0:03:04 184 0:04:04 244 10:35:40 10:38:24 0:02:44 164 0:03:14 194 10:38:35 10:40:32 0:01:57 117 0:02:43 163 10:44:52 10:46:52 0:02:00 120 0:02:13 133 10:47:08 10:50:38 0:03:30 210 0:02:09 129 10:50:59 10:57:05 0:06:06 366 0:02:31 151 10:59:13 11:02:57 0:03:44 224 0:02:39 159 11:03:52 11:07:12 0:03:20 200 0:02:54 174 11:09:20 11:13:55 0:04:35 275 0:01:43 103 9:05:09 9:07:11 0:02:02 122 0:02:12 132 9:07:29 9:08:39 0:01:10 70 0:03:49 229 9:10:51 9:13:19 0:02:28 148 0:04:06 246 9:17:07 9:19:48 0:02:41 161 0:02:50 170 9:32:51 9:34:23 0:01:32 92 0:02:52 172 9:34:31 9:35:55 0:01:24 84 0:02:21 141 9:37:53 9:39:56 0:02:03 123 0:01:23 83 9:40:14 9:43:30 0:03:16 196 0:01:43 103 9:53:57 9:55:45 0:01:48 108 0:02:14 134 9:56:24 10:01:12 0:04:48 288 0:04:55 295 10:01:31 10:04:06 0:02:35 155 0:03:03 183 10:04:15 10:05:51 0:01:36 96 0:03:43 223 10:06:03 10:08:02 0:01:59 119 0:03:51 231 10:09:30 10:10:37 0:01:07 67 0:02:26 146 10:21:41 10:23:45 0:02:04 124 0:04:21 261 10:41:12 10:45:08 0:03:56 236 0:01:22 82 10:45:16 10:46:24 0:01:08 68 0:03:00 180 10:46:07 10:48:29 0:02:22 142 0:02:44 164 10:50:29 10:53:32 0:03:03 183 0:06:12 372 10:54:11 10:58:02 0:03:51 231 0:02:59 179 11:19:21 11:21:54 0:02:33 153 0:03:13 193 11:29:03 11:31:57 0:02:54 174 0:03:23 203 11:32:13 11:33:39 0:01:26 86 0:02:33 153 11:33:52 11:35:10 0:01:18 78 0:02:53 173 11:35:28 11:36:57 0:01:29 89 0:02:03 123 11:37:38 11:39:57 0:02:19 139 0:03:19 199 11:40:07 11:42:24 0:02:17 137 0:03:24 204 11:46:29 11:49:03 0:02:34 154 0:02:48 168 12:11:02 12:13:58 0:02:56 176 0:02:27 147 12:14:06 12:15:53 0:01:47 107
153
12:48:57 13:06:20 10:02:41 10:06:14 10:12:30 10:15:32 10:19:37 10:27:51 10:29:34
12:50:25 13:09:11 10:06:04 10:09:40 10:14:59 10:18:30 10:23:21 10:29:16 10:31:55
0:01:28 0:02:51 0:03:23 0:03:26 0:02:29 0:02:58 0:03:44 0:01:25 0:02:21
88 171 203 206 149 178 224 85 141
12:15:57 12:18:23 12:23:05 12:38:16 12:46:57 12:49:05 12:52:16 12:54:39 13:02:21
12:17:03 12:22:36 12:25:05 12:39:42 12:48:57 12:52:07 12:54:17 12:58:44 13:04:22
0:01:06 0:04:13 0:02:00 0:01:26 0:02:00 0:03:02 0:02:01 0:04:05 0:02:01
66 253 120 86 120 182 121 245 121
154
Lampiran 22. Uji normalitas waktu pelayanan triage Descriptives Triage Process
Statistic 162,4167
Mean Lower 95% Confidence Bound Interval for Upper Mean Bound 5% Trimmed Mean
Std. error 6,27730
149,9546 174,8787 158,7685
Median
154,5000
Variance
3782,835
Std. deviation
61,50476
Minimum
66,00
Maximum
372,00
Range
306,00
Interquartile Range
78,00
Skewness Kurtosis
,895
,246
1,299
,488
Tests of Normality Kolmogorov-Smirnova Statistic df Triage ,082 96 Process a. Lilliefors Significance Correction
Shapiro-Wilk Sig. ,122
Statistic ,950
Sig.
df 96
,001
155
Lampiran 23. Uji goodness of fit pelayanan triage
156
Lampiran 24. Observasi data waktu pengambilan dan distribusi berkas Mulai 9:52:31 9:51:22 10:09:49 10:23:55 10:22:55 10:40:39 10:56:21 11:03:40 10:54:57 11:03:21 11:24:23 11:28:52 11:37:33 11:51:29 11:54:31 12:05:51 9:11:59 9:26:15 9:39:19
Selesai 10:02:27 10:04:55 10:12:15 10:27:51 10:31:40 10:44:14 11:01:32 11:08:17 11:08:40 11:18:45 11:35:26 11:34:36 11:42:43 11:59:57 12:05:26 12:18:41 9:18:37 9:31:55 9:46:47
Total Detik Mulai Selesai Total Detik 0:09:56 596 10:50:07 11:02:10 0:12:03 723 0:13:33 813 11:14:40 11:20:15 0:05:35 335 0:02:26 146 11:31:06 11:39:28 0:08:22 502 0:03:56 236 11:42:51 11:57:06 0:14:15 855 0:08:45 525 12:13:54 12:28:48 0:14:54 894 0:03:35 215 12:40:18 12:48:57 0:08:39 519 0:05:11 311 12:50:25 13:06:20 0:15:55 955 0:04:37 277 10:23:21 10:27:51 0:04:30 270 0:13:43 823 9:13:19 9:17:07 0:03:48 228 0:15:24 924 9:19:48 9:32:51 0:13:03 783 0:11:03 663 9:43:30 9:53:57 0:10:27 627 0:05:44 344 10:10:37 10:21:41 0:11:04 664 0:05:10 310 10:23:45 10:41:12 0:17:27 1047 0:08:28 508 10:58:02 11:19:21 0:21:19 1279 0:10:55 655 11:21:54 11:29:03 0:07:09 429 0:12:50 770 11:42:24 11:46:29 0:04:05 245 0:06:38 398 11:49:03 12:11:02 0:21:59 1319 0:05:40 340 12:25:05 12:38:16 0:13:11 791 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
Statistic 584,2632
Mean 95% Confidence Interval for Mean
Lower Bound Upper Bound
486,7293 681,7970
5% Trimmed Mean
567,0292
Median
522,0000
Variance
88050,794
Std. deviation
296,73354
Minimum
146,00
Maximum
1319,00
Range
1173,00
Interquartile Range
Std. error 48,13654
467,50
Skewness Kurtosis
,655
,383
-,098
,750
Tests of Normality Kolmogorov-Smirnova Statistic
df ,107 38 *. This is a lower bound of the true significance. Distribusi
a. Lilliefors Significance Correction
Shapiro-Wilk Sig. ,200*
Statistic ,946
df 38
Sig. ,066
158
Lampiran 26. Observasi data waktu pemeriksaan dokter Server 1 Gastro Panggil 9:51:25 9:54:42
11:26:41 11:33:28 11:45:42 11:52:24 12:00:16 12:00:17 12:27:00 12:30:20 12:39:10
Waktu Mulai 9:51:30 9:54:51 9:46:17 10:17:20 10:28:56 10:48:57 11:13:41 12:32:29 13:09:20 13:14:34 13:25:03 11:36:21 11:33:38 11:45:44 11:52:27 12:08:04 12:23:04 12:27:09 12:30:26 12:39:13
Waktu Selesai 9:54:40 10:01:39 10:15:31 10:26:14 10:43:54 11:10:48 12:32:02 13:05:51 13:14:25 13:24:53 13:32:22 11:45:42 11:52:17 11:52:09 11:59:50 12:22:34 12:26:39 12:30:18 12:41:17 12:45:34
Selisih 0:03:10 0:06:48 0:29:14 0:08:54 0:14:58 0:21:51 1:18:21 0:33:22 0:05:05 0:10:19 0:07:19 0:09:21 0:18:39 0:06:25 0:07:23 0:14:30 0:03:35 0:03:09 0:10:51 0:06:21
Total Detik 190 408 1754 534 898 1311 4701 2002 305 619 439 561 1119 385 443 870 215 189 651 381
159
Lampiran 27. Observasi data waktu pemeriksaan dokter Server 2 Hemato Panggil 10:04:31 10:16:06 10:31:21 10:39:11 10:51:04 11:04:49 11:13:14 11:29:51 11:33:21 11:42:21 12:04:17 12:09:01
Waktu Total Mulai Waktu Selesai Selisih Detik 10:05:59 10:16:42 0:10:43 643 10:16:58 10:28:47 0:11:49 709 10:31:55 10:50:00 0:18:05 1085 10:40:21 11:22:14 0:41:53 2513 10:51:13 11:04:39 0:13:26 806 11:05:26 11:13:12 0:07:46 466 11:13:33 11:27:25 0:13:52 832 11:30:18 11:42:02 0:11:44 704 11:33:33 11:40:12 0:06:39 399 11:42:43 12:03:57 0:21:14 1274 12:04:32 12:08:57 0:04:25 265 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 Panggil 9:59:32 10:06:22 10:06:56 10:19:49 10:47:55 11:08:03 11:16:59 11:17:01 11:27:20 11:50:46 12:52:58 12:41:30 12:41:32 10:38:20 10:52:45 10:55:10 10:59:30 11:10:40 11:20:23 11:26:41
Waktu Mulai 9:59:41 10:06:27 10:07:04 10:19:53 10:51:23 11:08:24 11:17:03 11:17:59 11:27:26 11:50:59 12:53:02 12:41:39 12:48:07 10:38:28 10:53:02 10:55:53 10:59:40 11:10:48 11:20:26 11:30:40
Waktu Selesai 10:03:16 10:09:04 10:15:45 10:27:03 11:01:38 11:17:00 11:22:46 11:51:40 11:33:38 11:57:35 13:26:44 12:48:01 13:21:19 10:48:13 11:01:27 11:15:32 11:14:11 11:20:15 11:29:09 11:36:07
Selisih 0:03:35 0:02:37 0:08:41 0:07:10 0:10:15 0:08:36 0:05:43 0:33:41 0:06:12 0:06:36 0:33:42 0:06:22 0:33:12 0:09:45 0:08:25 0:19:39 0:14:31 0:09:27 0:08:43 0:05:27
Total Detik 215 157 521 430 615 516 343 2021 372 396 2022 382 1992 585 505 1179 871 567 523 327
161
Lampiran 30. Observasi data waktu pemeriksaan dokter Server 4 Endokrin Panggil 11:50:03 12:03:35
12:02:12 12:16:30 12:23:02
9:52:48 10:11:08 10:11:12 10:15:12 10:31:23 10:37:34
Waktu Waktu Total Mulai Selesai Selisih Detik 11:51:29 12:03:29 0:12:00 720 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 12:03:39 12:16:29 0:12:50 770 12:16:51 12:22:41 0:05:50 350 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 9:52:51 9:59:46 0:06:55 415 10:11:08 10:14:12 0:03:04 184 10:11:16 10:23:11 0:11:55 715 10:15:23 10:34:27 0:19:04 1144 10:31:27 10:40:10 0:08:43 523 10:38:08 10:52:26 0:14:18 858
162
Lampiran 31. Observasi data waktu pemeriksaan dokter Server 5 Nemato Panggil 11:50:03 12:03:35
12:02:12 12:16:30 12:23:02
9:52:48 10:11:08 10:11:12 10:15:12 10:31:23 10:37:34
Waktu Waktu Mulai Selesai 9:41:33 10:09:35 10:09:35 10:21:52 10:21:52 10:39:34 10:39:34 11:26:50 11:26:50 11:52:57 11:52:57 12:28:15 12:28:15 12:42:42 12:42:42 12:52:37 12:52:37 13:02:15 13:02:15 13:16:18 13:16:18 13:28:19 13:28:19 13:39:29 13:39:29 13:47:37 13:47:37 14:19:27 14:19:27 14:27:23 14:27:23 14:42:03 14:42:03 14:50:51 14:50:51 14:56:01 14:56:01 15:09:24 15:09:24 15:22:47 15:22:47 15:46:36 15:46:36 16:00:13 16:00:13 16:15:01 16:15:01 16:28:50 16:28:50 16:35:33
Selisih 0:28:02 0:12:17 0:17:42 0:47:16 0:26:07 0:35:18 0:14:27 0:09:55 0:09:38 0:14:03 0:12:01 0:11:10 0:08:08 0:31:50 0:07:56 0:14:40 0:08:48 0:05:10 0:13:23 0:13:23 0:23:49 0:13:37 0:14:48 0:13:49 0:06:43
Total Detik 1682 737 1062 2836 1567 2118 867 595 578 843 721 670 488 1910 476 880 528 310 803 803 1429 817 888 829 403
163
Lampiran 32.Uji normalitas waktu pelayanan dokter server 1 Descriptives Server1
Mean Lower Bound
95% Confidence Interval for Mean
Statistic
Std. error
898,7500
229,58662
418,2197
Upper Bound
1379,2803
5% Trimmed Mean
726,9444
Median
547,5000
Variance
#########
Std. deviation
1026,74257
Minimum
189,00
Maximum
4701,00
Range
4512,00
Interquartile Range
681,75
Skewness Kurtosis
2,975
,512
10,256
,992
Tests of Normality Kolmogorov-Smirnova Statistic Server1
,250
a. Lilliefors Significance Correction
Shapiro-Wilk Sig.
df 20
,002
Statistic ,642
Sig.
df 20
,000
164
Lampiran 33. Uji normalitas waktu pelayanan dokter server 2 Descriptives Statistic Server2
Mean
904,5200
95% Confidence Interval for Mean
Lower Bound
564,0155
Upper Bound
1245,0245
5% Trimmed Mean
794,0111
Median
709,0000
Variance
########
Std. deviation
824,90616
Minimum
Std. error 164,98123
201,00
Maximum
3865,00
Range
3664,00
Interquartile Range
703,50
Skewness
2,400
,464
Kurtosis
6,590
,902
Tests of Normality Kolmogorov-Smirnova Statistic Server2
,253
Shapiro-Wilk
Sig.
df 25
a. Lilliefors Significance Correction
,000
Statistic ,728
Sig.
df 25
,000
165
Lampiran 34. Uji normalitas waktu pelayanan dokter server 3 Descriptives Server3
Mean 95% Confidence Interval for Mean
Statistic
Std. error
726,9500
133,28058
Lower Bound
447,9905
Upper Bound
1005,9095
5% Trimmed Mean
686,6667
Median
518,5000
Variance
########
Std. deviation
596,04887
Minimum
157,00
Maximum
2022,00
Range
1865,00
Interquartile Range
432,50
Skewness
1,609
,512
Kurtosis
1,326
,992
Tests of Normality Kolmogorov-Smirnova Statistic Server3
,324
Shapiro-Wilk
Sig.
df 20
a. Lilliefors Significance Correction
,000
Statistic ,723
Sig.
df 20
,000
166
Lampiran 35. Uji pelayanan waktu pelayanan dokter server 4 Descriptives Server4
Mean 95% Confidence Interval for Mean
Statistic
Std. error
838,2857
121,59044
Lower Bound
584,6525
Upper Bound
1091,9189
5% Trimmed Mean
775,4021
Median
720,0000
Variance
########
Std. deviation
557,19737
Minimum
184,00
Maximum
2677,00
Range
2493,00
Interquartile Range
719,50
Skewness
1,845
,501
Kurtosis
4,979
,972
Tests of Normality Kolmogorov-Smirnova Statistic Server4
,140
Shapiro-Wilk
Sig.
df 21
,200*
*. This is a lower bound of the true significance. a. Lilliefors Significance Correction
Statistic ,838
Sig.
df 21
,003
167
Lampiran 36. Uji pelayanan waktu pelayanan dokter server 5 Descriptives Server5
Mean 95% Confidence Interval for Mean
Lower Bound
Upper Bound 5% Trimmed Mean
Statistic
Std. error
993,6000
121,25769
743,3364 1243,8636 936,1667
Median
817,0000
Variance
########
Std. deviation
606,28844
Minimum
310,00
Maximum
2836,00
Range
2526,00
Interquartile Range
659,00
Skewness Kurtosis
1,608
,464
2,448
,902
Tests of Normality Kolmogorov-Smirnova Statistic Server5
df
,289 25 a. Lilliefors Significance Correction
Shapiro-Wilk
Sig. ,000
Statistic ,825
Sig.
df 25
,001
168
Lampiran 37. Uji kruskal wallis waktu pelayanan dokter Descriptive Statistics Mean
Std. deviation
111
879,0180
111
N Waktu Server Server
Minimum
Maximum
732,32098
157,00
4701,00
3,05
1,432
1
5
N
Ranks Server Waktu Server
Server 1
20
Mean Rank 50,43
Server 2
25
55,42
Server 3
20
45,65
Server 4
21
57,98
Server 5
25
67,66
Total
Test Statisticsa,b Waktu Server Chisquare df
6,036
4 Asymp. ,196 sig. a. Kruskal wallis Test b. Grouping Variable: Server
111
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 Statistic PasientoDokter
Mean 95% Confidence Interval for Mean
77,6296 Lower Bound
19,5590
Upper Bound
135,7003
5% Trimmed Mean
39,3683
Median
10,5000
Variance
45264,275
Std. deviation
212,75403
Minimum
Std. error 28,95216
0,00
Maximum
1367,00
Range
1367,00
Interquartile Range
33,75
Skewness
4,792
,325
26,347
,639
Kurtosis
Tests of Normality Kolmogorov-Smirnova Statistic PasientoDokter
Sig.
df
,369
a. Lilliefors Significance Correction
Shapiro-Wilk
54
,000
Statistic ,381
Sig.
df 54
,000
172
Lampiran 41. Uji goodness of fit transport pasien dokter
173
Lampiran 42. Validasi data jumlah pasien selesai sistem nyata dan model Replikasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36
Group 1 1 1 1 1 1 1 1 1 1
Model Sistem aktual Pasien selesai Group Pasien selesai 177,00 2 190 177,00 2 164 177,00 2 179 184,00 2 175 189,00 2 172 180,00 2 177 174,00 2 173 180,00 2 163 171,00 2 158 180,00 2 171 2 178 2 142 2 189 2 163 2 193 2 172 2 171 2 160 2 164 2 158 2 171 2 163 2 208 2 173 2 206 2 177 2 194 2 175 2 200 2 162 2 190 2 215 2 205 2 201 2 194 2 193
174
37 38 39 40 Average Standar Deviasi
2 2 2 2 178,90
201 165 165 212 179,55
5,04
17,63
175
Lampiran 43. Uji normalitas validasi jumlah pasien sistem nyata dan model Tests of Normality Kolmogorov-Smirnova Statistic Model SistemNyata
df
,214 ,148
Sig.
Shapiro-Wilk Statistic
df
10
,950
10
,671
10
,200*
,968
10
,874
*. This is a lower bound of the true significance. a. Lilliefors Significance Correction
Descriptives Statistic Model
Mean 95% Confidence Interval for Mean
178,9000 Lower Bound
175,2923
Upper Bound
182,5077
5% Trimmed Mean
178,7778
Median
178,5000
Variance
Std. error 1,59478
25,433
Std. deviation
5,04315
Minimum
171,00
Maximum
189,00
Range
SistemNyata
Sig.
,200*
18,00
Interquartile Range
4,75
Skewness
,580
,687
Kurtosis
,923
1,334
172,2000
2,88598
Mean 95% Confidence Interval for Mean
Lower Bound
165,6715
Upper Bound
178,7285
5% Trimmed Mean
172,0000
Median
172,5000
Variance Std. deviation
83,289 9,12627
Minimum
158,00
Maximum
190,00
Range
32,00
Interquartile Range
13,75
176
Skewness
,346
,687
Kurtosis
,552
1,334
177
Lampiran 44. Validasi Uji mann-whitney jumlah pasien selesai sistem nyata dan model Descriptive Statistics
N
Mean
Std. deviation
Minimum
Maximum
Pasien Selesai
50
179,4200
15,88105
142,00
215,00
Group
50
1,8000
,40406
1,00
2,00
Sum of Ranks 279,00 996,00
Ranks Group Pasien Selesai
Model
10
Mean Rank 27,90
Real
40
24,90
Total
50
N
Test Statisticsa Pasien Selesai Mann-Whitney U
176,000
Wilcoxon w
996,000
Z Asymp. sig. (2-tailed) Exact sig. [2*(1-tailed Sig.)] a. Grouping Variable: Group b. Not corrected for ties.
-,583 ,560 ,574b
178
Lampiran 45. Validasi data waktu tunggu pasien triage sistem nyata dan model Mulai menunggu 8:44:27 8:46:03 8:51:11 8:51:49 8:52:23 8:55:35 8:56:28 8:59:16 9:04:19 9:04:51
Selesai menunggu 12:04:28 12:15:19 12:16:37 11:44:57 12:11:54 11:50:41 12:04:28 11:42:07 12:21:04 11:55:13
Waktu 3:20:01 3:29:16 3:25:26 2:53:08 3:19:31 2:55:06 3:08:00 2:42:51 3:16:45 2:50:22
Model Group Pasien selesai 1 1 3,237 2 1 3,084 3 1 3,474 4 1 3,614 5 1 3,156 6 1 2,854 7 1 3,272 8 1 2,847 9 1 3,069 10 1 2,973 Average 3,158 Standar Deviasi 0,250
Replikasi
Total Waktu (Hr) 3,334 3,488 3,424 2,885 3,325 2,918 3,133 2,714 3,279 2,840 Sistem aktual Group Waktu Tunggu 2 3,441 2 2,455 2 3,424 2 2,885 2 3,325 2 2,918 2 2,711 2 2,714 2 3,279 2 2,840 2,000 2,999 0,000 0,344
179
Lampiran 46. Uji normalitas validasi waktu tunggu pasien triage Descriptives Std. error
Statistic Model
Mean
3,1580
95% Confidence Interval for Mean
Lower Bound
2,9790
Upper Bound
3,3370
5% Trimmed Mean
3,1499
Median
3,1200
Variance
,063
Std. deviation
,25029
Minimum
2,85
Maximum
3,61
Range
,77
Interquartile Range
,38
Skewness Kurtosis Real
,07915
Mean 95% Confidence Interval for Mean
Lower Bound
,556
,687
-,303
1,334
3,0000
,10859
2,7544
Upper Bound
3,2456
5% Trimmed Mean
3,0056
Median
2,9050
Variance
,118
Std. deviation
,34338
Minimum
2,46
Maximum
3,44
Range
,98
Interquartile Range
,64
Skewness Kurtosis
,017
,687
-1,410
1,334
Tests of Normality Kolmogorov-Smirnova Statistic Model
df ,124
Real
10
Shapiro-Wilk Sig.
df
Sig.
,949
10
,661
,200*
,912
10
,297
,193 10 *. This is a lower bound of the true significance. a. Lilliefors Significance Correction
Statistic
,200*
180
Lampiran 47. Validasi Uji one way anova waktu tunggu pasien triage Test of Homogeneity of Variances Value Levene statistic 2,375
df1
Sig.
df2 1
18
,141
ANOVA Value Sum of Squares Between Groups Within Groups Total
Mean Square
df
,126
1
,126
1,629
18
,091
1,755
19
F 1,393
Sig. ,253
181
Lampiran 48. Validasi uji t-test waktu tunggu pasien triage Group Statistics
Group Value
Mean
N Model Real
Std. deviation
Std. error Mean
10
3,1580
,25029
,07915
10
2,9992
,34409
,10881
Independent Samples Test Levene’s Test for Equality of Variances
F
Equal variances assumed Value
Equal variances not assumed
2,37
Sig.
0,14
t-test for Equality of Means
t
df
Sig. (2taile d)
Mean Difference
Std. error Difference
95% Confidence Interval of the Difference Lower
Upper
1,18
18,00
0,25
0,16
0,13
-0,12
0,44
1,18
16,44
0,25
0,16
0,13
-0,13
0,44
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
Replikasi
Group 1 1 2 1 3 1 4 1 5 1 6 1 7 1 8 1 9 1 10 1 Average Standar Deviasi
Model Pasien selesai 1,854 1,712 1,944 1,783 1,848 1,797 1,893 1,861 1,756 1,701 1,815 0,079
Sistem aktual Group Waktu Tunggu 2 1,819 2 1,785 2 1,988 2 1,752 2 1,930 2 1,650 2 1,988 2 1,870 2 1,789 2 1,511 2,000 1,808 0,000 0,149
183
Lampiran 50. Uji normalitas validasi waktu tunggu pasien dokter Descriptives Statistic Model
Mean
1,8149
95% Confidence Interval for Mean
Lower Bound
1,7585
Upper Bound
1,8713
5% Trimmed Mean
1,8141
Median
1,8225
Variance
,02492
,006
Std. deviation
,07880
Minimum
1,70
Maximum
1,94
Range
,24
Interquartile Range
,12
Skewness Kurtosis Real
Std. error
Mean 95% Confidence Interval for Mean
,004
,687
-,849
1,334
1,8080
,04753
Lower Bound
1,7005
Upper Bound
1,9155
5% Trimmed Mean
1,8144
Median
1,8050
Variance
,023
Std. deviation
,15032
Minimum
1,51
Maximum
1,99
Range
,48
Interquartile Range
,22
Skewness Kurtosis
-,675
,687
,343
1,334
Tests of Normality Kolmogorov-Smirnova Statistic Model Real
,163
,150 *. This is a lower bound of the true significance. a. Lilliefors Significance Correction
Shapiro-Wilk Statistic
df
10
,200*
,965
10
,841
10
,200*
,944
10
,595
df
Sig.
Sig.
184
Lampiran 51. Validasi Uji one way anova waktu tunggu pasien triage Test of Homogeneity of Variances Value Levene statistic 2,052
df1
Sig.
df2 1
18
,169
ANOVA Value Sum of Squares
Mean Square
df
Between Groups
,000
1
,000
Within Groups
,257
18
,014
,257
19
Total
F ,016
Sig. ,902
185
Lampiran 52. Validasi Uji t-test waktu tunggu pasien triage Group Statistics
Group Value
Mean
N Model Real
Std. deviation
Std. error Mean
10
1,8149
,07880
,02492
10
1,8082
,14939
,04724
Independent Samples Test Levene’s Test for Equality of Variances
,125
18
,05341
-,10551
,11891
,125
13,649
-,10813
,12153
Upper
,169
df
Lower
2,052
,05341
Std. error Difference
t
,00670
Mean Difference
Sig.
,00670
Sig. (2-tailed)
F
,902
Equal variances not assumed
95% Confidence Interval of the Difference
,902
Value
Equal variances assumed
t-test for Equality of Means
186
Lampiran 53. Perbandingan alternatif hasil simulasi Time in System (Hr)
Time in Move Logic (Hr)
Waiting Time (Hr)
Rank
-1
5,167
0,172
4,822
23
1A
3,365
0,046
3,169
13
Suster Membawa Berkas Triage, Pasien Membawa 1B Berkas ke Dokter
4,899
0,169
4,560
16
Pasien Membawa Berkas Triage, Pasien Membawa 1C Berkas ke Dokter
1,754
0,045
1,596
6
2A
5,136
0,165
4,801
20
2B
5,190
0,162
4,853
25
2C
5,140
0,154
4,814
22
3A
5,419
0,232
5,114
26
No.
Alternatif
Aktual Sistem
Label
Average
Aktual Sistem
Alternatif 3
Alternatif 2
Alternatif 1
Pasien yang membawa Berkas Pasien Membawa Berkas Triage, Suster Membawa Berkas ke Dokter
Pola Pemanggilan Pasien dengan 2 Orang Pemanggilan Pasien 2 orang untuk pelayanan triage dan 1 pemanggilan pasien untuk pelayanan dokter Pemanggilan Pasien 1 orang untuk pelayanan triage dan 2 pemanggilan pasien untuk pelayanan dokter Pemanggilan Pasien 2 orang untuk pelayanan triage dan 2 pemanggilan pasien untuk pelayanan dokter Specific Job untuk suster 2 Suster Pelayanan Triage, 1 Suster Distribusi Berkas
187
1 suster pelayanan triage, 3B 2 suster distribusi berkas
5,090
0,196
4,756
19
4A
3,929
0,038
3,739
14
4B
4,888
0,169
4,551
15
4C
2,564
0,037
2,439
11
5A
1,492
0,038
1,340
3
5B
2,564
0,037
2,439
11
6A 6B 6C 6D 6E 6F 6G 6H 6I 6J 6K 6L
1,462 1,424 1,722 1,699 2,409 2,404 2,409 2,404 5,163 5,109 4,921 4,934
0,032 0,015 0,040 0,023 0,029 0,016 0,029 0,016 0,157 0,139 0,165 0,147
1,318 1,294 1,570 1,562 2,295 2,299 2,295 2,299 4,846 4,811 4,591 4,621
2 1 5 4 7 9 7 9 24 21 17 18
Alternatif 6
Alternatif 5
Alternatif 4
Komputerisasi bagian pelayanan Sistem komputerisasi di bagian triage, sistem aktual di bagian dokter Sistem aktual di bagian triage, sistem komputerisasi di bagian dokter Sistem komputerisasi di bagian triage, sistem komputerisasi di bagian dokter Kombinasi alternatif 1 dan alternatif 4 Pasien membawa berkas ke triage, Sistem Komputerisasi di bagian dokter Sistem komputerisasi di bagian triage, pasien membawa berkas ke dokter Semua Alternatif Terbaik di kombinasikan dengan alternatif 2 Kombinasi 5A dan 2A Kombinasi 5A dan 2C Kombinasi 1C dan 2A Kombinasi 1C dan 2C Kombinasi 4C dan 2A Kombinasi 4C dan 2C Kombinasi 5B dan 2A Kombinasi 5B dan 2C Kombinasi 1B dan 2A Kombinasi 1B dan 2C Kombinasi 4B dan 2A Kombinasi 4B dan 2C
188
Lampiran 54. Perbandingan hasil real system dengan model alternatif Average No.
Aktual Sistem 6
No.
Aktual Sistem 6
No.
Aktual Sistem 5
No.
Aktual Sistem Alternatif 6 No.
Alternatif
Label
Time in System (Hr)
Aktual Sistem
Real
5,167
Kombinasi 5A dan 2C Improve
6B
Alternatif
Label
Aktual Sistem
Real
5,167
6A
Label
Time in System (Hr)
Aktual Sistem
Real
5,167
Alternatif 5 Improve
5A
Alternatif
Label
Time in System (Hr)
Aktual Sistem
Real
5,167
6D Label
4,822
Time in Waiting Move Time Logic (Hr) (Hr) 0,172
4,822
1,462 0,032 1,318 71,71% 81,26% 72,66% Average
Alternatif
Kombinasi 5A dan 2C Improve Alternatif
0,172
1,424 0,015 1,294 72,44% 91,01% 73,16% Average Time in System (Hr)
Kombinasi 5A dan 2A Improve
Time in Waiting Move Time Logic (Hr) (Hr)
Time in Waiting Move Time Logic (Hr) (Hr) 0,172
4,822
1,492 0,038 1,340 71,13% 77,92% 72,20% Average Time in Waiting Move Time Logic (Hr) (Hr) 0,172
4,822
1,699 0,023 1,562 67,12% 86,43% 67,60% Average
189
Time in System (Hr) Aktual Sistem Alternatif 6
Aktual Sistem Kombinasi 5A dan 2C Improve
Real 6C
5,167
Time in Waiting Move Time Logic (Hr) (Hr) 0,172
1,722 0,040 66,67% 76,99%
4,822 1,570 67,45%
190
Lampiran 55. Perbandingan waktu tunggu pasien dokter 4B, 4C dan 5A No.
Deskripsi
Label
Average Queue Pasien tunggu dokter
1
Distribusi aktual berkas triage dan komputerisasi ruangan dokter
4B
0,367568106
2
Proses triage dan ruangan dokter menggunakan kompterisasi
4C
2,15386895
3
Pasien membawa berkas triage dan komputerisasi ruangan dokter
5A
1,841003342
191
Lampiran 56. Perbandingan hasil real system dengan model alternatif 3A Average No.
Aktual Sistem Alternatif 3
Alternatif
Label
Time in System (Hr)
Aktual Sistem
Real
5,167
Kombinasi 5A dan 2C Improve
3A
Time in Waiting Move Time Logic (Hr) (Hr) 0,172
5,419 0,232 4,88% 35,16%
4,822 5,114 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
Test of Homogeneity of Variances Pasien Selesai Levene statistic 14,336
df1
Sig.
df2 1
48
,000