Analisa Kecenderungan Kunjungan Pasien Rawat Jalan Tahun 2011-2015 Untuk Proyeksi Kunjungan Pasien Rawat Jalan Tahun 2016-2017 di Rumah Sakit Santa Elisabeth Medan Dengan Menggunakan Model ARIMA

Anityaloka Reksa N, dan Ambarwati Atika N, 2013. Peramalan Saham Jakarta menggunakan Metode ARIMA Bulan Juli 2010. Jurnal Program Studi S1 Statistika Universitas Muhammadiyah Semarang.

Enders, W. 1995. Apllied Econometric Time Series. London: John Willey & Sons.

Gitosudarmo, I dan Najmudin, M. 2000. Teknik Proyeksi Bisnis edisi pertama. Yogyakarta: BPFE-Yogyakarta

Hatidja, D. 2011. Penerapan Model ARIMA Untuk Memprediksi Harga Saham PT. Telkom tbk. Jurnal Program Studi Matematika FMIPA Universitas Sam Ratulangi Manado

Makridakis S, dkk. 1999. Metode dan Aplikasi Peramalan Jilid 1 edisi kedua, terjemahan Erlangga.

Makridakis, S. 1984. The Forecasting Accuracy of Major Time Series Methods. London: John Willey & Sons.

Manurung, A.H. 1999. Teknik Peramalan Bisnis dan Ekonomi. Jakarta: Rineka Cipta

Notoatmodjo, S. 2010. Metodologi Penelitian Kesehatan. Jakarta: Rineka Cipta.

Reksohadiprodjo, S. 2002. Business Forecasting edisi keempat. Yogyakarta: BPFE-Yogyakarta

Republik Indonesia. 2009, Undang-Undang tentang Rumah Sakit, Jakarta: Sekretariat Negara.

Sugiharto dan Harijono. 2000. Peramalan Bisnis. Jakarta: Grramedia Pustaka Utama

Supranto, J. 1993. Metode Ramalan Kuantitatif untuk Perencanaan Ekonomi dan Bisnis. Jakarta: Rineka Cipta

Yogyakarta: UPP STIM YKPN

Zega, Onemar. 2015. Proyeksi Jumlah Penduduk dengan Menggunakan Model ARIMA di Kabupaten Nias Utara tahun 2014. Jurnal Program Studi Ilmu Kesehatan Masyarakat Universitas Sumatera Utara

BAB III

METODE PENELITIAN

3.1 Jenis Penelitian

Jenis penelitian ini adalah Deskriptif dengan menggunakan teknik peramalan time series menggunakan model ARIMA yaitu penelitian terhadap variabel dependen dengan menggunakan nilai-nilai masa lampau yang bertujuan untuk mengetahui proyeksi jumlah kunjungan pasien rawat jalan di Rumah Sakit Santa Elisabeth Medan.

3.2 Lokasi dan Waktu Penelitian 3.2.1 Lokasi Penelitian

Lokasi dalam penelitian ini dilakukan di Rumah Sakit Santa Elisabeth Medan.

3.2.2 Waktu Penelitian

Waktu penelitian ini dilakukan pada bulan April s/d Oktober tahun 2016. 3.3 Metode Pengumpulan Data

Data yang dikumpulkan adalah data sekunder, yaitu data jumlah kunjungan pasien rawat jalan perpoliklinik dari bulan Januari 2011 sampai dengan bulan Desember 2015,dan profil Rumah Sakit Santa Elisabeth Medan.

3.4 Populasi

Populasi dalam penelitian ini adalah data kunjungan pasien rawat jalan tahun 2011 sampai dengan 2015 di Rumah Sakit Santa Elisabeth Medan.

3.5 Defenisi Operasional

Sesuai dengan kerangka operasional untuk definisi operasional sebagai berikut:

1. Jumlah kunjungan pasien rawat jalan tahun 2011-2015 adalah data jumlah kunjungan pasien rawat jalan di Rumah Sakit Santa Elisabeth Medan tahun 2011 s/d 2015.

2. Proyeksi jumlah kunjungan pasien rawat jalan tahun 2016 s/d 2017 adalah hasil proyeksi jumlah kunjungan pasien rawat jalan di Rumah Sakit Santa Elisabeth Medan tahun 2016 s/d 2017.

3.6 Teknik Pengolahan dan Analisis Data 3.6.1 Teknik Pengolahan Data

Data yang dikumpulkan selanjutnya diolah dengan tahapan sebagai berikut:

1. Editing (Pemeriksaan Data)

Editing dilakukan untuk memeriksa ketepatan dan kelengkapan jumlah kunjungan pasien rawat jalan. Apabila terdapat data yang belum lengkap atau terdapat kesalahan maka data harus dilengkapi kembali.

2. Tabulating (Data Entry)

Memasukkan data yang telah dikumpulkan kedalam master tabel atau database komputer.

3.6.2 Analisis Data

Analisa data yang digunakan dalam penelitian ini adalah Analisis time series menggunakan model ARIMA yaitu analisis yang digunakan untuk meramalkan data jumlah kunjungan pasien rawat jalan selama 2 tahun kedepandengan menggunakan Software Eviews dengan langkah sebagai berikut :

a. Pemeriksaan kestasioneran data

b. Identifikasi Model dengan Metode Trial and Error. c. Pemilihan model terbaik dari berbagai model umum.

d. Forecasting dengan menggunakan model terbaik untuk proyeksi jumlah kunjungan pasien rawat jalan tahun 2016 dan 2017 di Rumah Sakit Santa Elisabeth Medan.

BAB IV

HASIL PENELITIAN

4.1 Deskripsi Lokasi Penelitian

4.1.1 Gambaran Rumah Sakit Santa Elisabeth Medan

Rumah Sakit Santa Elisabeth Medan merupakan rumah sakit umum kelas B, yang berlokasi di Jl. Haji Misbah No.7, kecamatan Medan Maimun, Kota Medan. Rumah sakit ini merupakan rumah sakit swasta dibawah kepemilikan Yayasan Katholik, yaitu Kongregasi Fransiskanes Santa Elisabeth.

Awal diresmikannya Rumah Sakit Santa Elisabeth Medan pada tanggal 19 November 1930. Rumah Sakit Santa Elisabeth Medan pada awalnya dikelola langsung oleh Moeder Overste yang memiliki wewenang penuh baik mengelola rumah sakit maupun dalam kongregasi (biara). Istilah “direktur” baru dikenal dan digunakan dalam rumah sakit pada tahun 1950. Kemudian pada tahun 1966, rumah sakit mulai mengalami perubahan besar dalam hal manajemen rumah sakit, yaitu dengan adanya struktur kepemimpinan baru dan pemisahan yang jelas antara pimpinan rumah sakit dan pimpinan kongregasi (biara).

4.1.2 Visi dan Misi

Visi Rumah Sakit Santa Elisabeth Medan adalah “Menjadi Tanda Kehadiran Allah di Tengah Dunia Dengan Membuka Tangan dan Hati Untuk Memberikan Pelayanan Kasih yang Menyembuhkan Orang-Orang Sakit dan Menderita Sesuai Dengan Tuntutan Zaman.”

Adapun misi Rumah Sakit Santa Elisabeth Medan untuk mewujudkan visi tersebut, yaitu:

1. Memberikan pelayanan kesehatan yang aman dan berkualitas atas dasar kasih.

2. Meningkatkan sumber daya manusia secara profesional untuk memberikan pelayanan kesehatan yang aman dan berkualitas.

3. Meningkatkan sarana dan prasarana yang memadai dengan tetap memperhatikan masyarakat lemah.

4.1.3 Struktur Organisasi

Struktur organisasi Rumah Sakit Santa Elisabeth Medan, terdiri dari: 1. Direktur Rumah Sakit

2. Wakil direktur, terdiri atas : - Pelayanan Medik - Pelayanan Keperawatan - Pelayanan Keuangan

- Pelayanan umum dan operasional 3. Komite, terdiri atas:

- Medik - Etik

4. Kepanitian, terdiri atas:

- Panitia mutu dan keselamatan pasien - Panitia rekam medik

- Panitia penelitian dan pengembangan - Panitia farmasi terapi

- Panitia pencegahan dan pengendalian infeksi - Panitia transfusi darah

- Panitia keselamatan dan kesehatan kerja

4.1.4 Jenis dan Fasilitas Pelayanan

Adapun jenis pelayanan serta fasilitas penunjang medik yang tersedia di Rumah Sakit Santa Elisabeth Medan adalah sebagai berikut:

1. Instalasi Gawat Darurat (IGD) 2. Rawat Jalan, terdiri atas:

- Poliklinik Umum - Poliklinik Gigi - Poliklinik BKIA

- Poliklinik Penyakit Dalam - Poliklinik Mata

- Poliklinik Bedah

- Poliklinik Medical Check-Up - Poliklinik Saraf

- Poliklinik Kebidanan dan Obgyn - Poliklinik THT

- Poliklinik Kesehatan Jiwa - Poliklinik Paru

- Poliklinik VCT/Konseling

3. Rawat Inap, terbagi atas 3 (tiga) bagian, yaitu: - Iternis dan Bedah

- Intensif - Perinatalogi

4. Fasilitas Penunjang Medik, terdiri atas: - Hemodialisis

- Fisioterapi - Radiologi - Endoscopy

4.2 Hasil Penelitian Jumlah Kunjungan Pasien Rawat Jalan Tahun 2011-2015 dan Proyeksinya Tahun 2016-2017

4.2.1 Poliklinik Umum

Dari laporan bulanan Rumah Sakit Santa Elisabeth Medan dari tahun 2011-2015 diperoleh data jumlah kunjungan pasien rawat jalan yaitu:

Tabel 4.1 Data 5 Tahun Terakhir Kunjungan Pasien Rawat Jalan

Tahun Jumlah

2011 5.534

2012 5.729

2013 6.101

2014 5.742

2015 3.598

Total 26.704

1. Uji Stasioner

Berdasarkan analisis yang telah dilakukan terhadap uji kestasioneran data, diperoleh bahwa data jumlah kunjungan pasien rawat jalan poliklinik umum tahun 2011-2015 belum stasioner pada level, diketahui dari nilai probabilitas 0,06 > α = 0,05, sehingga dapat disimpulkan data belum memenuhi syarat stasioneritas. Sehingga dilakukan differencing agar data jumlah kunjungan pasien rawat jalan poliklinik umum tersebut stasioner. Setelah dilakukan differencing tingkatpertama,diperoleh bahwa data jumlah kunjungan pasien rawat jalan poliklinik umum tahun 2011-2015 sudah stasioner, diketahui dari nilai probabilitas 0,0000 < α =0,05, sehingga dapat disimpulkan bahwa data telah stasioner. Sehingga kita dapat melakukan langkah selanjutnya.

2. Identifikasi Model

Pada tahap ini, memilih model yang tepat yang bisa mewakili deret pengamatan data jumlah kunjungan pasien rawat jalan. Penentuan AR (p) dan MA (q) dengan autokorelasi (ACF) dan autokorelasi parsial (PACF) sedangkan Integrated (d) ditentukan dari tingkat stasioneritasnya dengan melakukan differencing yang artinya menghitung perubahan atau selisih nilai observasi. Pada tahap ini, kita telah mengetahui bahwa data yang kita punya telah melakukan differencing pada tingkat pertama (d = 1), sehingga pada tahap ini kita menentukan nilai Koefisien AR(p) dan MA(q) dengan melakukan metode trial and error terhadap model-model yang akan digunakan dan model tersebut masing-masing dibandingkan melalui parameter-parameter penentuan model terbaik. Perlu diketahui, bahwa data yang kita gunakan pada penentuan nilai koefisien AR(p) dan MA(q) adalah data yang sudah stasioner atau dengan kata lain, data yang telah mengalami differencing tingkat pertama (d=1). Jadi, setelah dilakukan metode untuk menentukan model terbaik, terpilih beberapa model dari berbagai model umum yang dapat digunakan dalam melakukan proyeksi. model-model yang terpilih dari berbagai model umum untuk penelitian ini, yaitu ARIMA(1,1,0), ARIMA(0,1,1), ARIMA(1,1,1), ARIMA(2,1,0), ARIMA(0,1,2). Model tersebut kemudian kita bandingkan untuk menentukan model terbaik.

3. Pemilihan Model Terbaik

Setelah dilakukan uji diagnostik untuk kelima model tersebut, ternyata kelima model tersebut lolos untuk uji diagnostik sehingga langkah selanjutnya memilih model terbaik diantara kelima model tersebut.

Ada beberapa kriteria dalam memilih model terbaik :  Nilai Akaike Info Criterion (AIC) yang kecil  Nilai Schwarz Criterion yang kecil

 Sum Squared Residual (SSE) yang kecil  Adjusted R Squared yang besar

Berikut tabel perbandingan kelima model tersebut.

Tabel 4.2 Perbandingan Pemilihan Model terbaik ARIMA

Model AIC SBC SSE Adj. R

Squared ARIMA(1,1,0) 11,45311 11,52415 298553,8 -0,014450 ARIMA(0,1,1) 11,50524 11,57566 320328,1 0,012062 ARIMA(1,1,1) 11,38968 11,49625 270707,4 0,063444 ARIMA(2,1,0) 11,42531 11,49700 285019,1 0,005477 ARIMA(0,1,2) 11,47504 11,54546 310799,6 0,018043 Setelah dilihat hasilnya diperoleh bahwa model terbaik adalah ARIMA (1,1,1) karena memenuhi kriteria pemilihan model terbaik. Dengan nilai ordo p (AR) = 0,729628, dan nilai ordo q (MA) = - 0,966161 dan Konstanta (�′) = -3,033045. Sehingga digunakan model ARIMA (1,1,1) untuk proyeksi jumlah kunjungan pasien rawat jalan poliklinik umum tahun 2016-2017, dengan persamaan :

Tabel 4.3 Proyeksi Kunjungan Pasien Rawat Jalan Poliklinik Umum Tahun 2016 dan 2017

Tahun 2016

Bulan Proyeksi Januari 289 Februari 286

Maret 282

April 279

Mei 276

Juni 273

Juli 270

Agustus 267 September 264 Oktober 261 November 258 Desember 255 Jumlah 3.260

Dari tabel diatas, kita peroleh bahwa proyeksi kunjungan pasien rawat jalan tahun 2016 dan 2017 pada poliklinik umum cenderung mengalami penurunan. Dapat kita lihat dari jumlah kunjungan pasien rawat jalan yang mengalami penurunan kunjungan pasien setiap bulannya dari bulan januari 2016 sampai dengan bulan desember 2017.

Tahun 2017

Bulan Proyeksi Januari 252 Februari 249

Maret 246

April 243

Mei 240

Juni 237

Juli 234

Agustus 231 September 229 Oktober 225 November 222 Desember 219 Jumlah 2.827

4.2.2 Poliklinik Gigi

Dari laporan bulanan Rumah Sakit Santa Elisabeth Medan dari tahun 2011-2015 diperoleh data jumlah kunjungan pasien rawat jalan yaitu:

Tabel 4.4 Data 5 Tahun Terakhir Kunjungan Pasien Rawat Jalan

Tahun Jumlah

2011 3.206

2012 3.350

2013 3.307

2014 2.749

2015 2.777

Total 15.389

1. Uji Stasioner

Berdasarkan analisis yang telah dilakukan terhadap uji kestasioneran data, diperoleh bahwa data jumlah kunjungan pasien rawat jalan poliklinik gigi tahun 2011-2015 sudah stasioner pada level, diketahui dari nilai probabilitas 0,007 < α = 0,05, sehingga dapat disimpulkan data sudah memenuhi syarat stasioneritas. Sehingga tidak perlu dilakukan differencing, dan kita dapat melakukan langkah selanjutnya.

2. Identifikasi Model

Pada tahap ini memilih model yang tepat yang bisa mewakili deret pengamatan data jumlah kunjungan pasien rawat jalan. Penentuan AR (p) dan MA (q) dengan autokorelasi (ACF) dan autokorelasi parsial (PACF) sedangkan Integrated (d) ditentukan dari tingkat stasioneritasnya dengan melakukan differencing yang artinya menghitung perubahan atau selisih nilai observasi. Pada tahap ini kita hanya menentukan nilai Koefisien AR(p) dan MA(q) dengan melakukan metode trial and error terhadap

model-model yang akan digunakan dan model tersebut masing-masing dibandingkan melalui parameter-parameter penentuan model terbaik. Perlu diketahui, bahwa data yang kita gunakan pada penentuan nilai koefisien AR(p) dan MA(q) adalah data yang sudah stasioner. Jadi, setelah dilakukan metode untuk menentukan model terbaik, terpilih beberapa model dari berbagai model umum yang dapat digunakan dalam melakukan proyeksi. model-model yang terpilih dari berbagai model umum untuk penelitian ini, yaitu ARIMA(1,0,0), ARIMA(0,0,1), ARIMA(1,0,1), ARIMA(0,0,2), ARIMA(2,0,0). Model tersebut kemudian kita bandingkan untuk menentukan model terbaik.

3. Pemilihan Model Terbaik

Setelah dilakukan uji diagnostik untuk kelima model tersebut, ternyata kelima model tersebut lolos untuk uji diagnostik sehingga langkah selanjutnya memilih model terbaik diantara kelima model tersebut.

Ada beberapa kriteria dalam memilih model terbaik :  Nilai Akaike Info Criterion (AIC) yang kecil  Nilai Schwarz Criterion yang kecil

 Sum Squared Residual (SSE) yang kecil  Adjusted R Squared yang besar

Maka, untuk menentukan model terbaik ialah dengan membandingkan kriteria diatas. Berikut tabel perbandingan kelima model tersebut.

Tabel 4.5 Perbandingan Pemilihan Model terbaik ARIMA

Model AIC SBC SSE Adj. R

Squared ARIMA(1,0,0) 9,624043 9,694468 48820,54 0,293724 ARIMA(0,0,1) 9,726179 9,75990 55049,02 0,210170 ARIMA(1,0,1) 9,602691 9,708328 46196,36 0,319753 ARIMA(2,0,0) 9,790007 9,861057 56591,11 0,168021 ARIMA(0,0,2) 9,763293 9,833104 57130,50 0,180305 Setelah dilihat hasilnya diperoleh bahwa model terbaik adalah ARIMA (1,0,1) karena memenuhi kriteria pemilihan model terbaik. Dengan nilai ordo p (AR) = 0,837778, dan nilai ordo q (MA) = -0,392931 dan Konstanta (�′) = 248,3089. Sehingga digunakan model ARIMA (1,0,1) untuk proyeksi jumlah kunjungan pasien rawat jalan poliklinik gigi tahun 2016-2017, dengan persamaan :

Tabel 4.6 Proyeksi Kunjungan Pasien Rawat Jalan Poliklinik Gigi Tahun 2016-2017

Tahun 2016

Bulan Proyeksi Januari 248 Februari 248

Maret 248

April 248

Mei 248

Juni 248

Juli 248

Agustus 248 September 248 Oktober 248 November 248 Desember 248 Jumlah 2.976

Dari tabel diatas, kita peroleh bahwa proyeksi kunjungan pasien rawat jalan tahun 2016 dan 2017 pada poliklinik gigi cenderung tidak mengalami peningkatan ataupun penurunan. Dapat kita lihat dari jumlah kunjungan pasien rawat jalan yang selalu tetap setiap bulannya yaitu berkisar 248 kunjungan pasien dari bulan januari 2016 sampai dengan bulan desember 2017.

Tahun 2017

Bulan Proyeksi Januari 248 Februari 248

Maret 248

April 248

Mei 248

Juni 248

Juli 248

Agustus 248 September 248 Oktober 248 November 248 Desember 248 Jumlah 2.976

4.2.3 Poliklinik BKIA

Dari laporan bulanan Rumah Sakit Santa Elisabeth Medan dari tahun 2011-2015 diperoleh data jumlah kunjungan pasien rawat jalan yaitu:

Tabel 4.7 Data 5 Tahun Terakhir Kunjungan Pasien Rawat Jalan

Tahun Jumlah

2011 2.465

2012 3.284

2013 2.113

2014 1.802

2015 1.514

Total 11.178

1. Uji Stasioner

Berdasarkan analisis yang telah dilakukan terhadap uji kestasioneran data, diperoleh bahwa data jumlah kunjungan pasien rawat jalan poliklinik bkia tahun 2011-2015 sudah stasioner pada level, diketahui dari nilai probabilitas 0,000 < α = 0,05, sehingga dapat disimpulkan data sudah memenuhi syarat stasioneritas. Sehingga tidak perlu dilakukan differencing, dan kita dapat melakukan langkah selanjutnya.

2. Identifikasi Model

Pada tahap ini memilih model yang tepat yang bisa mewakili deret pengamatan data jumlah kunjungan pasien rawat jalan. Penentuan AR (p) dan MA (q) dengan autokorelasi (ACF) dan autokorelasi parsial (PACF) sedangkan Integrated (d) ditentukan dari tingkat stasioneritasnya dengan melakukan differencing yang artinya menghitung perubahan atau selisih nilai observasi. Pada tahap ini, kita telah mengetahui bahwa data yang kita punya telah stasioner tanpa melakukan differencing, sehingga pada tahap

ini kita hanya menentukan nilai Koefisien AR(p) dan MA(q) dengan melakukan metode trial and error terhadap model-model yang akan digunakan dan model tersebut masing-masing dibandingkan melalui parameter-parameter penentuan model terbaik. Jadi, setelah dilakukan metode untuk menentukan model terbaik, terpilih beberapa model dari berbagai model umum yang dapat digunakan dalam melakukan proyeksi. model-model yang terpilih dari berbagai model umum untuk penelitian ini, yaitu ARIMA(1,0,0), ARIMA(0,0,1), ARIMA(1,0,1), ARIMA(2,0,0), ARIMA(0,0,2). Model tersebut kemudian kita bandingkan untuk menentukan model terbaik.

3. Pemilihan Model Terbaik

Setelah dilakukan uji diagnostik untuk kelima model tersebut, ternyata kelima model tersebut lolos untuk uji diagnostik sehingga langkah selanjutnya memilih model terbaik diantara kelima model tersebut.

Ada beberapa kriteria dalam memilih model terbaik :  Nilai Akaike Info Criterion (AIC) yang kecil  Nilai Schwarz Criterion yang kecil

 Sum Squared Residual (SSE) yang kecil  Adjusted R Squared yang besar

Maka, untuk menentukan model terbaik ialah dengan membandingkan kriteria diatas. Berikut tabel perbandingan kelima model tersebut.

Tabel 4.8 Perbandingan Pemilihan Model terbaik ARIMA

Model AIC SBC SSE Adj. R

Squared ARIMA(1,0,0) 12,76766 12,83809 1132035. -0,007994 ARIMA(0,0,1) 12,75109 12,82090 1133577. -0,008956 ARIMA(1,0,1) 12,63155 12,73719 955044.1 0,134418 ARIMA(2,0,0) 12,66978 12,74083 1007898. -0,009943 ARIMA(0,0,2) 12,75190 12,82171 1134499. -0,009777 Setelah dilihat hasilnya diperoleh bahwa model terbaik adalah ARIMA (1,0,1) karena memenuhi kriteria pemilihan model terbaik. Dengan nilai ordo p (AR) = 0,968930, dan nilai ordo q (MA) = -0,999965 dan Konstanta (�′) = 66,01824. Sehingga digunakan model ARIMA (1,0,1) untuk proyeksi jumlah kunjungan pasien rawat jalan poliklinik BKIA tahun 2016-2017, dengan persamaan :

Tabel 4.9 Proyeksi Kunjungan Pasien Rawat Jalan Poliklinik BKIA Tahun 2016-2017

Tahun 2016

Bulan Proyeksi Januari 106 Februari 105

Maret 104

April 102

Mei 101

Juni 100

Juli 99

Agustus 98 September 97 Oktober 96 November 95 Desember 94 Jumlah 1.197

Dari tabel diatas, kita peroleh bahwa proyeksi kunjungan pasien rawat jalan tahun 2016 dan 2017 pada poliklinik BKIA cenderung mengalami penurunan. Dapat kita lihat dari jumlah kunjungan pasien rawat jalan yang selalu menurun dari bulan januari 2016 sampai dengan bulan desember 2017.

Tahun 2017

Bulan Proyeksi Januari 93 Februari 93

Maret 92

April 91

Mei 90

Juni 89

Juli 89

Agustus 88 September 87 Oktober 87 November 86 Desember 85 Jumlah 1.070

4.2.4 Poliklinik Penyakit Dalam

Dari laporan bulanan Rumah Sakit Santa Elisabeth Medan dari tahun 2011-2015 diperoleh data jumlah kunjungan pasien rawat jalan yaitu:

Tabel 4.10 Data 5 Tahun Terakhir Kunjungan Pasien Rawat Jalan

Tahun Jumlah

2011 3.360

2012 4.201

2013 5.407

2014 5.407

2015 9.632

Total 28.007

1. Uji Stasioner

Berdasarkan analisis yang telah dilakukan terhadap uji kestasioneran data, diperoleh bahwa data jumlah kunjungan pasien rawat jalan poliklinik penyakit dalam tahun 2011-2015 sudah stasioner pada level, diketahui dari nilai probabilitas 0,0387 < α = 0,05, sehingga dapat disimpulkan data sudah memenuhi syarat stasioneritas. Sehingga tidak perlu dilakukan differencing, dan kita dapat melakukan langkah selanjutnya.

2. Identifikasi Model

Pada tahap ini memilih model yang tepat yang bisa mewakili deret pengamatan data jumlah kunjungan pasien rawat jalan. Penentuan AR (p) dan MA (q) dengan autokorelasi (ACF) dan autokorelasi parsial (PACF) sedangkan Integrated (d) ditentukan dari tingkat stasioneritasnya dengan melakukan differencing yang artinya menghitung perubahan atau selisih nilai observasi. Pada tahap ini, kita telah mengetahui bahwa data yang kita punya telah stasioner tanpa melakukan differencing, sehingga pada tahap

ini kita hanya menentukan nilai Koefisien AR(p) dan MA(q) dengan melakukan metode trial and error terhadap model-model yang akan digunakan dan model tersebut masing-masing dibandingkan melalui parameter-parameter penentuan model terbaik. Jadi, setelah dilakukan metode untuk menentukan model terbaik, terpilih beberapa model dari berbagai model umum yang dapat digunakan dalam melakukan proyeksi. model-model yang terpilih dari berbagai model umum untuk penelitian ini, yaitu ARIMA(1,0,0), ARIMA(0,0,1), ARIMA(1,0,1), ARIMA(2,0,0), ARIMA(0,0,2). Model tersebut kemudian kita bandingkan untuk menentukan model terbaik.

3. Pemilihan Model Terbaik

Setelah dilakukan uji diagnostik untuk kelima model tersebut, ternyata kelima model tersebut lolos untuk uji diagnostik sehingga langkah selanjutnya memilih model terbaik diantara kelima model tersebut.

Ada beberapa kriteria dalam memilih model terbaik :  Nilai Akaike Info Criterion (AIC) yang kecil  Nilai Schwarz Criterion yang kecil

 Sum Squared Residual (SSE) yang kecil  Adjusted R Squared yang besar

Maka, untuk menentukan model terbaik ialah dengan membandingkan kriteria diatas. Berikut tabel perbandingan kelima model tersebut.

Tabel 4.11 Perbandingan Pemilihan Model terbaik ARIMA

Model AIC SBC SSE Adj. R

Squared ARIMA(1,0,0) 12,72677 12,79719 1086674. 0,547292 ARIMA(0,0,1) 13,17263 13,24244 1727923. 0,340216 ARIMA(1,0,1) 12,56270 12,66834 891504,9 0,621967 ARIMA(2,0,0) 12,90349 12,97454 1273265. 0,434736 ARIMA(0,0,2) 13,36251 13,43232 2089239. 0,202252 Setelah dilihat hasilnya diperoleh bahwa model terbaik adalah ARIMA (1,0,1) karena memenuhi kriteria pemilihan model terbaik. Dengan nilai ordo p (AR) = 0,999258, dan nilai ordo q (MA) = -0,729879 dan Konstanta (�′) = 16887,41. Sehingga model yang digunakan model ARIMA (1,0,1) untuk proyeksi jumlah kunjungan pasien rawat jalan poliklinik penyakit dalam tahun 2016-2017, dengan persamaan :

Tabel 4.12 Proyeksi Kunjungan Pasien Rawat Jalan Poliklinik Penyakit Dalam Tahun 2016-2017

Tahun 2016

Bulan Proyeksi Januari 836 Februari 848

Maret 860

April 872

Mei 884

Juni 895

Juli 907

Agustus 919 September 931 Oktober 943 November 955 Desember 967 Jumlah 10.817

Dari tabel diatas, kita peroleh bahwa proyeksi kunjungan pasien rawat jalan tahun 2016 dan 2017 pada poliklinik penyakit dalam cenderung mengalami peningkatan. Dapat kita lihat dari jumlah kunjungan pasien rawat jalan yang selalu meningkat dari bulan januari 2016 sampai dengan bulan desember 2017.

Tahun 2017

Bulan Proyeksi Januari 978 Februari 990 Maret 1.002 April 1.014

Mei 1.026

Juni 1.037

Juli 1.049

Agustus 1.061 September 1.073 Oktober 1.084 November 1.096 Desember 1.108 Jumlah 12.518

4.2.5 Poliklinik Mata

Dari laporan bulanan Rumah Sakit Santa Elisabeth Medan dari tahun 2011-2015 diperoleh data jumlah kunjungan pasien rawat jalan yaitu:

Tabel 4.13 Data 5 Tahun Terakhir Kunjungan Pasien Rawat Jalan

Tahun Jumlah

2011 484

2012 472

2013 372

2014 416

2015 237

Total 1.981

1. Uji Stasioner

Berdasarkan analisis yang telah dilakukan terhadap uji kestasioneran data, diperoleh bahwa data jumlah kunjungan pasien rawat jalan poliklinik mata tahun 2011-2015 belum stasioner pada level, diketahui dari nilai probabilitas 0,2324> α = 0,05, sehingga dapat disimpulkan data belum memenuhi syarat stasioneritas. Sehingga dilakukan differencing agar data jumlah kunjungan pasien rawat jalan poliklinik gigi tersebut stasioner. Setelah dilakukan differencing tingkatpertama,diperoleh bahwa data jumlah kunjungan pasien rawat jalan poliklinik mata tahun 2011-2015 sudah stasioner, diketahui dari nilai probabilitas 0,0000 < α =0,05, sehingga dapat disimpulkan bahwa data telah stasioner. Sehingga kita dapat melakukan langkah selanjutnya.

2. Identifikasi Model

Pada tahap ini memilih model yang tepat yang bisa mewakili deret pengamatan data jumlah kunjungan pasien rawat jalan. Penentuan AR (p) dan MA (q) dengan autokorelasi (ACF) dan autokorelasi parsial (PACF) sedangkan Integrated (d) ditentukan dari tingkat stasioneritasnya dengan melakukan differencing yang artinya menghitung perubahan atau selisih nilai observasi. Pada tahap ini, kita telah mengetahui bahwa data yang kita punya telah melakukan differencing pada tingkat pertama (d = 1), sehingga pada tahap ini kita hanya menentukan nilai Koefisien AR(p) dan MA(q) dengan melakukan metode trial and error terhadap model-model yang akan digunakan dan model tersebut masing-masing dibandingkan melalui parameter-parameter penentuan model terbaik. Perlu diketahui, bahwa data yang kita gunakan pada penentuan nilai koefisien AR(p) dan MA(q) adalah data yang sudah stasioner atau dengan kata lain, data yang telah mengalami differencing tingkat pertama (d=1). Jadi, setelah dilakukan metode untuk menentukan model terbaik, terpilih beberapa model dari berbagai model umum yang dapat digunakan dalam melakukan proyeksi. model-model yang terpilih dari berbagai model umum untuk penelitian ini, yaitu ARIMA(1,1,1), ARIMA(2,1,1), ARIMA(1,1,2), ARIMA(2,1,2). Model tersebut kemudian kita bandingkan untuk menentukan model terbaik.

3. Pemilihan Model Terbaik

Setelah dilakukan uji diagnostik untuk keempat model tersebut, ternyata keempat model tersebut lolos untuk uji diagnostik sehingga langkah selanjutnya memilih model terbaik diantara keempat model tersebut. Ada beberapa kriteria dalam memilih model terbaik :

 Nilai Akaike Info Criterion (AIC) yang kecil  Nilai Schwarz Criterion yang kecil

 Sum Squared Residual (SSE) yang kecil  Adjusted R Squared yang besar

Maka, untuk menentukan model terbaik ialah dengan membandingkan kriteria diatas. Berikut tabel perbandingan keempat model tersebut.

Tabel 4.14 Perbandingan Pemilihan Model terbaik ARIMA

Model AIC SBC SSE Adj. R

Squared ARIMA(1,1,1) 7,171699 7,278274 3987,089 0,492509 ARIMA(1,1,2) 7,171699 7,278274 3987,089 0,492509 ARIMA(2,1,1) 7,121233 7,228762 3718,753 0,510457 ARIMA(2,1,2) 7,390792 7,498321 4869,290 0,358998 Setelah dilihat hasilnya diperoleh bahwa model terbaik adalah ARIMA (2,1,1) karena memenuhi kriteria pemilihan model terbaik. Dengan nilai ordo p (AR) = 0,402012, dan nilai ordo q (MA) = -0,969813 dan Konstanta (�′) = -0,385757. Sehingga digunakan model ARIMA (2,1,1) untuk proyeksi jumlah kunjungan pasien poliklinik mata tahun 2016-2017, dengan persamaan :

Tabel 4.15 Proyeksi Kunjungan Pasien Rawat Jalan Poliklinik Mata Tahun 2016-2017

Tahun 2016

Bulan Proyeksi Januari 23 Februari 23

Maret 22

April 22

Mei 21

Juni 21

Juli 21

Agustus 20 September 20 Oktober 19 November 19 Desember 19

Jumlah 250

Dari tabel diatas, kita peroleh bahwa proyeksi kunjungan pasien rawat jalan tahun 2016 dan 2017 pada poliklinik mata cenderung mengalami penurunan. Dapat kita lihat dari jumlah kunjungan pasien rawat jalan yang selalu menurun dari bulan januari 2016 sampai dengan bulan desember 2017.

Tahun 2017

Bulan Proyeksi Januari 18 Februari 18

Maret 18

April 17

Mei 17

Juni 16

Juli 16

Agustus 16 September 15 Oktober 15 November 14 Desember 14

4.2.6 Poliklinik Bedah

Dari laporan bulanan Rumah Sakit Santa Elisabeth Medan dari tahun 2011-2015 diperoleh data jumlah kunjungan pasien rawat jalan yaitu:

Tabel 4.16 Data 5 Tahun Terakhir Kunjungan Pasien Rawat Jalan

Tahun Jumlah

2011 1.102

2012 1.130

2013 1.105

2014 1.264

2015 6.480

Total 11.081

1. Uji Stasioner

Berdasarkan analisis yang telah dilakukan terhadap uji kestasioneran data, diperoleh bahwa data jumlah kunjungan pasien poliklinik bedah tahun 2011-2015 belum stasioner pada level, diketahui dari nilai probabilitas 0,6402 > α = 0,05, sehingga dapat disimpulkan data belum memenuhi syarat stasioneritas. Sehingga dilakukan differencing agar data jumlah kunjungan pasien poliklinik bedah tersebut stasioner. Setelah dilakukan differencing tingkatpertama,diperoleh bahwa data jumlah kunjungan pasien poliklinik bedah tahun 2011-2015 sudah stasioner, diketahui dari nilai probabilitas 0,0000 < α =0,05, sehingga dapat disimpulkan bahwa data telah stasioner. Sehingga kita dapat melakukan langkah selanjutnya. 2. Identifikasi Model

Pada tahap ini memilih model yang tepat yang bisa mewakili deret pengamatan data jumlah kunjungan pasien. Penentuan AR (p) dan MA (q) dengan autokorelasi (ACF) dan autokorelasi parsial (PACF) sedangkan

Integrated (d) ditentukan dari tingkat stasioneritasnya dengan melakukan differencing yang artinya menghitung perubahan atau selisih nilai observasi. Pada tahap ini, kita telah mengetahui bahwa data yang kita punya telah melakukan differencing pada tingkat pertama (d = 1), sehingga pada tahap ini kita hanya menentukan nilai Koefisien AR(p) dan MA(q) dengan melakukan metode trial and error terhadap model-model yang akan digunakan dan model tersebut masing-masing dibandingkan melalui parameter-parameter penentuan model terbaik. Perlu diketahui, bahwa data yang kita gunakan pada penentuan nilai koefisien AR(p) dan MA(q) adalah data yang sudah stasioner atau dengan kata lain, data yang telah mengalami differencing tingkat pertama (d=1). Jadi, setelah dilakukan metode untuk menentukan model terbaik, terpilih beberapa model dari berbagai model umum yang dapat digunakan dalam melakukan proyeksi. model-model yang terpilih dari berbagai model umum untuk penelitian ini, yaitu ARIMA(1,1,1), ARIMA(2,1,1), ARIMA(1,1,2), ARIMA(2,1,2). Model tersebut kemudian kita bandingkan untuk menentukan model terbaik.

3. Pemilihan Model Terbaik

Setelah dilakukan uji diagnostik untuk keempat model tersebut, ternyata keempat model tersebut lolos untuk uji diagnostik sehingga langkah selanjutnya memilih model terbaik diantara keempat model tersebut.

Ada beberapa kriteria dalam memilih model terbaik :  Nilai Akaike Info Criterion (AIC) yang kecil  Nilai Schwarz Criterion yang kecil

 Sum Squared Residual (SSE) yang kecil  Adjusted R Squared yang besar

Maka, untuk menentukan model terbaik ialah dengan membandingkan kriteria diatas. Berikut tabel perbandingan keempat model tersebut.

Tabel 4.17 Perbandingan Pemilihan Model terbaik ARIMA

Model AIC SBC SSE Adj. R

Squared ARIMA(1,1,1) 11,67007 11,77665 358322,5 0,66192 ARIMA(2,1,1) 11,68765 11,79518 357740,7 0,066897 ARIMA(1,1,2) 11,66153 11,76811 355276,5 0,074129 ARIMA(2,1,2) 11,76983 11,87736 388381,6 -0,013029 Setelah dilihat hasilnya diperoleh bahwa model terbaik adalah ARIMA (1,1,2) karena memenuhi kriteria pemilihan model terbaik. Dengan nilai ordo p (AR) = -0,294799, dan nilai ordo q (MA) = -0,223220 dan Konstanta (�′) = 8,741200. Sehingga digunakan model ARIMA (1,1,2) untuk proyeksi jumlah kunjungan pasien poliklinik bedah tahun 2016-2017, dengan persamaan :

Tabel 4.18 Proyeksi Kunjungan Pasien Rawat Jalan Poliklinik Bedah Tahun 2016-2017

Tahun 2016

Bulan Proyeksi Januari 599 Februari 608

Maret 617

April 626

Mei 634

Juni 643

Juli 652

Agustus 661 September 670 Oktober 678 November 687 Desember 696 Jumlah 7.771

Dari tabel diatas, kita peroleh bahwa proyeksi kunjungan pasien rawat jalan tahun 2016 dan 2017 pada poliklinik bedah cenderung mengalami peningkatan. Dapat kita lihat dari jumlah kunjungan pasien rawat jalan yang selalu meningkat dari bulan januari 2016 sampai dengan bulan desember 2017.

Tahun 2017

Bulan Proyeksi Januari 704 Februari 713

Maret 722

April 731

Mei 740

Juni 748

Juli 757

Agustus 766 September 774 Oktober 783 November 792 Desember 800 Jumlah 9.030

4.2.7 Poliklinik Medical Check-Up

Dari laporan bulanan Rumah Sakit Santa Elisabeth Medan dari tahun 2011-2015 diperoleh data jumlah kunjungan pasien rawat jalan yaitu:

Tabel 4.19 Data 5 Tahun Terakhir Kunjungan Pasien Rawat Jalan

Tahun Jumlah

2011 434

2012 433

2013 378

2014 455

2015 321

Total 2.021

1. Uji Stasioner

Berdasarkan analisis yang telah dilakukan terhadap uji kestasioneran data, diperoleh bahwa data jumlah kunjungan pasien rawat jalan poliklinik medical check-up tahun 2011-2015 sudah stasioner pada level, diketahui dari nilai probabilitas 0,000 < α = 0,05, sehingga dapat disimpulkan data sudah memenuhi syarat stasioneritas. Sehingga tidak perlu dilakukan differencing, dan kita dapat melakukan langkah selanjutnya.

2. Identifikasi Model

Pada tahap ini memilih model yang tepat yang bisa mewakili deret pengamatan data jumlah kunjungan pasien rawat jalan. Penentuan AR (p) dan MA (q) dengan autokorelasi (ACF) dan autokorelasi parsial (PACF) sedangkan Integrated (d) ditentukan dari tingkat stasioneritasnya dengan melakukan differencing yang artinya menghitung perubahan atau selisih nilai observasi. Pada tahap ini, kita telah mengetahui bahwa data yang kita punya telah stasioner tanpa melakukan differencing, sehingga pada tahap

ini kita hanya menentukan nilai Koefisien AR(p) dan MA(q) dengan melakukan metode trial and error terhadap model-model yang akan digunakan dan model tersebut masing-masing dibandingkan melalui parameter-parameter penentuan model terbaik. Jadi, setelah dilakukan metode untuk menentukan model terbaik, terpilih beberapa model dari berbagai model umum yang dapat digunakan dalam melakukan proyeksi. model-model yang terpilih dari berbagai model umum untuk penelitian ini, yaitu ARIMA(1,0,0), ARIMA(0,0,1), ARIMA(1,0,1), ARIMA(2,0,0), ARIMA(0,0,2). Model tersebut kemudian kita bandingkan untuk menentukan model terbaik. Setelah dilakukan uji diagnostik untuk kelima model tersebut, ternyata kelima model tersebut lolos untuk uji diagnostik sehingga langkah selanjutnya memilih model terbaik diantara kelima model tersebut.

Ada beberapa kriteria dalam memilih model terbaik :  Nilai Akaike Info Criterion (AIC) yang kecil  Nilai Schwarz Criterion yang kecil

 Sum Squared Residual (SSE) yang kecil  Adjusted R Squared yang besar

Maka, untuk menentukan model terbaik ialah dengan membandingkan kriteria diatas. Berikut tabel perbandingan kelima model tersebut.

Tabel 4.20 Perbandingan Pemilihan Model terbaik ARIMA

Model AIC SBC SSE Adj. R

Squared ARIMA(1,0,0) 8,948594 9,019019 24846,14 0,032842 ARIMA(0,0,1) 8,899117 8,968928 24074,72 0,065096 ARIMA(1,0,1) 8,919516 9,025153 23329,67 0,075655 ARIMA(2,0,0) 8,978493 9,049543 25136,93 -0,002304 ARIMA(0,0,2) 8,O969265 9,039076 25824,15 -0,002841 Setelah dilihat hasilnya diperoleh bahwa model terbaik adalah ARIMA (0,0,1) karena memenuhi kriteria pemilihan model terbaik. Dengan nilai ordo q (MA) = -0,379742 dan Konstanta (�′) = 33,90239. Sehingga digunakan model ARIMA (0,0,1) untuk proyeksi jumlah kunjungan pasien rawat jalan poliklinik medical check-up tahun 2016-2017, dengan persamaan :

Tabel 4.21 Proyeksi Kunjungan Pasien Rawat Jalan Poliklinik Medical Check-Up Tahun 2016-2017

Tahun 2016

Bulan Proyeksi Januari 34 Februari 34

Maret 34

April 34

Mei 34

Juni 34

Juli 34

Agustus 34 September 34 Oktober 34 November 34 Desember 34

Jumlah 408

Dari tabel diatas, kita peroleh bahwa proyeksi kunjungan pasien rawat jalan tahun 2016 dan 2017 pada poliklinik medical check-up cenderung tidak mengalami peningkatan ataupun penurunan. Dapat kita lihat dari jumlah kunjungan pasien rawat jalan yang selalu tetap setiap bulannya yaitu berkisar 34 kunjungan pasien dari bulan januari 2016 sampai dengan bulan desember 2017.

Tahun 2017

Bulan Proyeksi Januari 34 Februari 34

Maret 34

April 34

Mei 34

Juni 34

Juli 34

Agustus 34 September 34 Oktober 34 November 34 Desember 34

4.2.8 Poliklinik Praktek

Dari laporan bulanan Rumah Sakit Santa Elisabeth Medan dari tahun 2011-2015 diperoleh data jumlah kunjungan pasien rawat jalan yaitu:

Tabel 4.22 Data 5 Tahun Terakhir Kunjungan Pasien Rawat Jalan

Tahun Jumlah

2011 34.066

2012 33.291

2013 33.700

2014 30.515

2015 19.020

Total 150.592

1. Uji Stasioner

Berdasarkan analisis yang telah dilakukan terhadap uji kestasioneran data, diperoleh bahwa data jumlah kunjungan pasien poliklinik bedah tahun 2011-2015 belum stasioner pada level, diketahui dari nilai probabilitas 0,3077 > α = 0,05, sehingga dapat disimpulkan data belum memenuhi syarat stasioneritas. Sehingga dilakukan differencing agar data jumlah kunjungan pasien poliklinik bedah tersebut stasioner. Setelah dilakukan differencing tingkatpertama,diperoleh bahwa data jumlah kunjungan pasien poliklinik bedah tahun 2011-2015 sudah stasioner, diketahui dari nilai probabilitas 0,0000 < α =0,05, sehingga dapat disimpulkan bahwa data telah stasioner. Sehingga kita dapat melakukan langkah selanjutnya. 2. Identifikasi Model

Pada tahap ini memilih model yang tepat yang bisa mewakili deret pengamatan data jumlah kunjungan pasien. Penentuan AR (p) dan MA (q) dengan autokorelasi (ACF) dan autokorelasi parsial (PACF) sedangkan

Integrated (d) ditentukan dari tingkat stasioneritasnya dengan melakukan differencing yang artinya menghitung perubahan atau selisih nilai observasi. Pada tahap ini, kita telah mengetahui bahwa data yang kita punya telah melakukan differencing pada tingkat pertama (d = 1), sehingga pada tahap ini kita hanya menentukan nilai Koefisien AR(p) dan MA(q) dengan melakukan metode trial and error terhadap model-model yang akan digunakan dan model tersebut masing-masing dibandingkan melalui parameter-parameter penentuan model terbaik. Perlu diketahui, bahwa data yang kita gunakan pada penentuan nilai koefisien AR(p) dan MA(q) adalah data yang sudah stasioner atau dengan kata lain, data yang telah mengalami differencing tingkat pertama (d=1). Jadi, setelah dilakukan metode untuk menentukan model terbaik, terpilih beberapa model dari berbagai model umum yang dapat digunakan dalam melakukan proyeksi. model-model yang terpilih dari berbagai model umum untuk penelitian ini, yaitu ARIMA(1,1,1), ARIMA(2,1,1), ARIMA(1,1,2), ARIMA(2,1,2). Model tersebut kemudian kita bandingkan untuk menentukan model terbaik.

3. Pemilihan Model Terbaik

Setelah dilakukan uji diagnostik untuk keempat model tersebut, ternyata keempat model tersebut lolos untuk uji diagnostik sehingga langkah selanjutnya memilih model terbaik diantara keempat model tersebut.

Ada beberapa kriteria dalam memilih model terbaik :  Nilai Akaike Info Criterion (AIC) yang kecil  Nilai Schwarz Criterion yang kecil

 Sum Squared Residual (SSE) yang kecil  Adjusted R Squared yang besar

Maka, untuk menentukan model terbaik ialah dengan membandingkan kriteria diatas. Berikut tabel perbandingan keempat model tersebut.

Tabel 4.23 Perbandingan Pemilihan Model terbaik ARIMA

Model AIC SBC SSE Adj. R

Squared ARIMA(1,1,1) 14,02355 14,13013 3770322. 0,123747 ARIMA(1,1,2) 13,99664 14,10321 3670202. 0,147016 ARIMA(2,1,1) 14,02291 14,13043 3696202. 0,103279 ARIMA(2,1,2) 13,93427 14,04180 3382698. 0,179337 Setelah dilihat hasilnya diperoleh bahwa model terbaik adalah ARIMA (2,1,2) karena memenuhi kriteria pemilihan model terbaik. Dengan nilai ordo p (AR) = 0,791382, nilai ordo q (MA) = -0,955452 dan Konstanta (�′) = -29,50411. Sehingga digunakan model ARIMA (2,1,2) untuk proyeksi jumlah kunjungan pasien poliklinik praktek tahun 2016-2017, dengan persamaan :

Tabel 4.24 Proyeksi Kunjungan Pasien Rawat Jalan Poliklinik Praktek Tahun 2016-2017

Tahun 2016

Bulan Proyeksi Januari 1.447 Februari 1.417 Maret 1.388 April 1.358

Mei 1.329

Juni 1.299

Juli 1.270

Agustus 1.240 September 1.211 Oktober 1.181 November 1.152 Desember 1.122 Jumlah 15.414

Dari tabel diatas, kita peroleh bahwa proyeksi kunjungan pasien rawat jalan tahun 2016 dan 2017 pada poliklinik praktek cenderung mengalami penurunan. Dapat kita lihat dari jumlah kunjungan pasien rawat jalan yang selalu menurun dari bulan januari 2016 sampai dengan bulan desember 2017.

Tahun 2017

Bulan Proyeksi Januari 1.093 Februari 1.063 Maret 1.034 April 1.004

Mei 975

Juni 945

Juli 916

Agustus 886 September 857 Oktober 827 November 798 Desember 768 Jumlah 11.666

4.2.9 Poliklinik Fisioterapi

Dari laporan bulanan Rumah Sakit Santa Elisabeth Medan dari tahun 2011-2015 diperoleh data jumlah kunjungan pasien rawat jalan yaitu:

Tabel 4.25 Data 5 Tahun Terakhir Kunjungan Pasien Rawat Jalan

Tahun Jumlah

2011 4.485

2012 5.321

2013 6.069

2014 7.091

2015 5.817

Total 28.783

1. Uji Stasioner

Berdasarkan analisis yang telah dilakukan terhadap uji kestasioneran data, diperoleh bahwa data jumlah kunjungan pasien rawat jalan poliklinik fisioterapi tahun 2011-2015 sudah stasioner pada level, diketahui dari nilai probabilitas 0,0221< α = 0,05, sehingga dapat disimpulkan data sudah memenuhi syarat stasioneritas. Sehingga tidak perlu dilakukan differencing, dan kita dapat melakukan langkah selanjutnya.

2. Identifikasi Model

Pada tahap ini memilih model yang tepat yang bisa mewakili deret pengamatan data jumlah kunjungan pasien rawat jalan. Penentuan AR (p) dan MA (q) dengan autokorelasi (ACF) dan autokorelasi parsial (PACF) sedangkan Integrated (d) ditentukan dari tingkat stasioneritasnya dengan melakukan differencing yang artinya menghitung perubahan atau selisih nilai observasi. Pada tahap ini, kita telah mengetahui bahwa data yang kita punya telah stasioner tanpa melakukan differencing, sehingga pada tahap

ini kita hanya menentukan nilai Koefisien AR(p) dan MA(q) dengan melakukan metode trial and error terhadap model-model yang akan digunakan dan model tersebut masing-masing dibandingkan melalui parameter-parameter penentuan model terbaik. Jadi, setelah dilakukan metode untuk menentukan model terbaik, terpilih beberapa model dari berbagai model umum yang dapat digunakan dalam melakukan proyeksi. model-model yang terpilih dari berbagai model umum untuk penelitian ini, yaitu ARIMA(1,0,0), ARIMA(0,0,1), ARIMA(1,0,1), ARIMA(2,0,0), ARIMA(0,0,2). Model tersebut kemudian kita bandingkan untuk menentukan model terbaik.

3. Pemilihan Model Terbaik

Setelah dilakukan uji diagnostik untuk kelima model tersebut, ternyata kelima model tersebut lolos untuk uji diagnostik sehingga langkah selanjutnya memilih model terbaik diantara kelima model tersebut.

Ada beberapa kriteria dalam memilih model terbaik :  Nilai Akaike Info Criterion (AIC) yang kecil  Nilai Schwarz Criterion yang kecil

 Sum Squared Residual (SSE) yang kecil  Adjusted R Squared yang besar

Maka, untuk menentukan model terbaik ialah dengan membandingkan kriteria diatas. Berikut tabel perbandingan kelima model tersebut.

Tabel 4.26 Perbandingan Pemilihan Model terbaik ARIMA

Model AIC SBC SSE Adj. R

Squared ARIMA(1,0,0) 11,98484 12,05526 517467,9 0,255712 ARIMA(0,0,1) 12,04323 12,11304 55809,8 0,227429 ARIMA(1,0,1) 12,01805 12,12369 517112,5 0,241924 ARIMA(2,0,0) 12,12852 12,19957 586612,4 0,127122 ARIMA(0,0,2) 12,15824 12,22806 626588,1 0,133329 Setelah dilihat hasilnya diperoleh bahwa model terbaik adalah ARIMA (1,0,0) karena memenuhi kriteria pemilihan model terbaik. Dengan nilai ordo p (AR) = 0,584277, dan Konstanta (�′) = 476,5257. Sehingga digunakan model ARIMA (1,0,0) untuk proyeksi jumlah kunjungan pasien rawat jalan poliklinik fisioterapi tahun 2016-2017, dengan persamaan :

Tabel 4.27 Proyeksi Kunjungan Pasien Rawat Jalan Poliklinik Fisioterapi Tahun 2016-2017

Tahun 2016

Bulan Proyeksi Januari 447 Februari 447

Maret 447

April 447

Mei 447

Juni 447

Juli 447

Agustus 447 September 447 Oktober 447 November 447 Desember 447 Jumlah 5.724

Dari tabel diatas, kita peroleh bahwa proyeksi kunjungan pasien rawat jalan tahun 2016 dan 2017 pada poliklinik fisioterapi cenderung tidak mengalami penurunan dan peningkatan. Dapat kita lihat dari jumlah kunjungan pasien rawat jalan yang selalu tetap berkisar 477 kunjungan pasien dari bulan januari 2016 sampai dengan bulan desember 2017.

Tahun 2017

Bulan Proyeksi Januari 447 Februari 447

Maret 447

April 447

Mei 447

Juni 447

Juli 447

Agustus 447 September 447 Oktober 447 November 447 Desember 447 Jumlah 5.724

4.2.10 Poliklinik Endoscopy

Dari laporan bulanan Rumah Sakit Santa Elisabeth Medan dari tahun 2011-2015 diperoleh data jumlah kunjungan pasien rawat jalan yaitu:

Tabel 4.28 Data 5 Tahun Terakhir Kunjungan Pasien Rawat Jalan

Tahun Jumlah

2011 539

2012 490

2013 628

2014 1.355

2015 649

Total 3.661

1. Uji Stasioner

Berdasarkan analisis yang telah dilakukan terhadap uji kestasioneran data, diperoleh bahwa data jumlah kunjungan pasien rawat jalan poliklinik endoscopy tahun 2011-2015 sudah stasioner pada level, diketahui dari nilai probabilitas 0,0336 < α = 0,05, sehingga dapat disimpulkan data sudah memenuhi syarat stasioneritas. Sehingga tidak perlu dilakukan differencing, dan kita dapat melakukan langkah selanjutnya.

2. Identifikasi Model

Pada tahap ini memilih model yang tepat yang bisa mewakili deret pengamatan data jumlah kunjungan pasien rawat jalan. Penentuan AR (p) dan MA (q) dengan autokorelasi (ACF) dan autokorelasi parsial (PACF) sedangkan Integrated (d) ditentukan dari tingkat stasioneritasnya dengan melakukan differencing yang artinya menghitung perubahan atau selisih nilai observasi. Pada tahap ini, kita telah mengetahui bahwa data yang kita punya telah stasioner tanpa melakukan differencing, sehingga pada tahap

ini kita hanya menentukan nilai Koefisien AR(p) dan MA(q) dengan melakukan metode trial and error terhadap model-model yang akan digunakan dan model tersebut masing-masing dibandingkan melalui parameter-parameter penentuan model terbaik. Jadi, setelah dilakukan metode untuk menentukan model terbaik, terpilih beberapa model dari berbagai model umum yang dapat digunakan dalam melakukan proyeksi. model-model yang terpilih dari berbagai model umum untuk penelitian ini, yaitu ARIMA(1,0,0), ARIMA(0,0,1), ARIMA(1,0,1), ARIMA(2,0,0), ARIMA(0,0,2). Model tersebut kemudian kita bandingkan untuk menentukan model terbaik.

3. Pemilihan Model Terbaik

Setelah dilakukan uji diagnostik untuk kelima model tersebut, ternyata kelima model tersebut lolos untuk uji diagnostik sehingga langkah selanjutnya memilih model terbaik diantara kelima model tersebut.

Ada beberapa kriteria dalam memilih model terbaik :  Nilai Akaike Info Criterion (AIC) yang kecil  Nilai Schwarz Criterion yang kecil

 Sum Squared Residual (SSE) yang kecil  Adjusted R Squared yang besar

Maka, untuk menentukan model terbaik ialah dengan membandingkan kriteria diatas. Berikut tabel perbandingan kelima model tersebut.

Tabel 4.29 Perbandingan Pemilihan Model terbaik ARIMA

Model AIC SBC SSE Adj. R

Squared ARIMA(1,0,0) 9,370199 9,440624 37875,60 0,502284 ARIMA(2,0,0) 9,653640 9,724689 49377,01 0,349724 ARIMA(0,0,1) 9,647315 9,717126 50874,41 0,331746 ARIMA(0,0,2) 9,753098 9,822910 56551,04 0,257182 ARIMA(1,0,1) 9,371395 9,477032 36657,02 0,509696

Setelah dilihat hasilnya diperoleh bahwa ada 2 kemungkinan model terbaik yaitu ARIMA (1,0,0) dan ARIMA (1,0,1) karena memenuhi kriteria pemilihan model terbaik. Diantara kedua kemungkinan tersebut, kita bandingkan residual kedua model terpilih tersebut apakah sudah bersifat random. Setelah kita melakukan uji tersebut,maka diperoleh bahwa model ARIMA(1,0,1) merupakan model terbaik karena residual telah bersifat random.Dengan nilai ordo p (AR) = 0,831127, nilai ordo q (MA) = -0,584277 dan Konstanta (�′) = 60,71048. Sehingga digunakan model ARIMA (1,0,1) untuk proyeksi jumlah kunjungan pasien rawat jalan poliklinik endoscopy tahun 2016-2017, dengan persamaan :

Tabel 4.30 Proyeksi Kunjungan Pasien Rawat Jalan Poliklinik Endoscopy Tahun 2016-2017

Tahun 2016

Bulan Proyeksi Januari 61 Februari 61

Maret 61

April 61

Mei 61

Juni 61

Juli 61

Agustus 61

September 61

Oktober 61

November 61 Desember 61

Jumlah 732

Dari tabel diatas, kita peroleh bahwa proyeksi kunjungan pasien rawat jalan tahun 2016 dan 2017 pada poliklinik endoscopy cenderung tidak mengalami penurunan dan peningkatan. Dapat kita lihat dari jumlah kunjungan pasien rawat jalan yang selalu tetap berkisar 61 kunjungan pasien dari bulan januari 2016 sampai dengan bulan desember 2017.

Tahun 2017

Bulan Proyeksi Januari 61 Februari 61

Maret 61

April 61

Mei 61

Juni 61

Juli 61

Agustus 61

September 61

Oktober 61

November 61 Desember 61

4.2.11 Poliklinik Radiologi

Dari laporan bulanan Rumah Sakit Santa Elisabeth Medan dari tahun 2011-2015 diperoleh data jumlah kunjungan pasien rawat jalan yaitu:

Tabel 4.31 Data 5 Tahun Terakhir Kunjungan Pasien Rawat Jalan

Tahun Jumlah

2011 5.886

2012 6.167

2013 5.637

2014 10.543

2015 6.482

Total 34.715

1. Uji Stasioner

Berdasarkan analisis yang telah dilakukan terhadap uji kestasioneran data, diperoleh bahwa data jumlah kunjungan pasien rawat jalan poliklinik radiologi tahun 2011-2015 sudah stasioner pada level, diketahui dari nilai probabilitas 0,0356 < α = 0,05, sehingga dapat disimpulkan data sudah memenuhi syarat stasioneritas. Sehingga tidak perlu dilakukan differencing, dan kita dapat melakukan langkah selanjutnya.

2. Identifikasi Model

Pada tahap ini memilih model yang tepat yang bisa mewakili deret pengamatan data jumlah kunjungan pasien rawat jalan. Penentuan AR (p) dan MA (q) dengan autokorelasi (ACF) dan autokorelasi parsial (PACF) sedangkan Integrated (d) ditentukan dari tingkat stasioneritasnya dengan melakukan differencing yang artinya menghitung perubahan atau selisih nilai observasi. Pada tahap ini, kita telah mengetahui bahwa data yang kita punya telah stasioner tanpa melakukan differencing, sehingga pada tahap

ini kita hanya menentukan nilai Koefisien AR(p) dan MA(q) dengan melakukan metode trial and error terhadap model-model yang akan digunakan dan model tersebut masing-masing dibandingkan melalui parameter-parameter penentuan model terbaik. Jadi, setelah dilakukan metode untuk menentukan model terbaik, terpilih beberapa model dari berbagai model umum yang dapat digunakan dalam melakukan proyeksi. model-model yang terpilih dari berbagai model umum untuk penelitian ini, yaitu ARIMA(1,0,0), ARIMA(0,0,1), ARIMA(1,0,1), ARIMA(2,0,0), ARIMA(0,0,2). Model tersebut kemudian kita bandingkan untuk menentukan model terbaik.

3. Pemilihan Model Terbaik

Setelah dilakukan uji diagnostik untuk kelima model tersebut, ternyata kelima model tersebut lolos untuk uji diagnostik sehingga langkah selanjutnya memilih model terbaik diantara kelima model tersebut.

Ada beberapa kriteria dalam memilih model terbaik :  Nilai Akaike Info Criterion (AIC) yang kecil  Nilai Schwarz Criterion yang kecil

 Sum Squared Residual (SSE) yang kecil  Adjusted R Squared yang besar

Maka, untuk menentukan model terbaik ialah dengan membandingkan kriteria diatas. Berikut tabel perbandingan kelima model tersebut.

Tabel 4.32 Perbandingan Pemilihan Model terbaik ARIMA

Model AIC SBC SSE Adj. R

Squared ARIMA(1,0,0) 13,23772 13,30815 1811354. 0,489405 ARIMA(2,0,0) 13,64685 13,71790 2677653. 0,243662 ARIMA(0,0,1) 13,47502 13,54483 2338030. 0,341772 ARIMA(0,0,1) 13,59673 13,66654 2640633. 0,256512 ARIMA(1,0,1) 13,27125 13,37689 1810691 0,480478 Setelah dilihat hasilnya diperoleh bahwa ada 2 kemungkinan model terbaik yaitu ARIMA (1,0,0) dan ARIMA (1,0,1) karena memenuhi kriteria pemilihan model terbaik. Diantara kedua kemungkinan tersebut, kita bandingkan residual kedua model terpilih tersebut apakah sudah bersifat random. Setelah kita melakukan uji tersebut,maka diperoleh bahwa model ARIMA (1,0,0) merupakan model terbaik karena residual telah bersifat random. Dengan nilai ordo p (AR) = 0,711156, dan Konstanta (�′) = 571,9723. Sehingga digunakan model ARIMA (1,0,0) untuk proyeksi jumlah kunjungan pasien rawat jalan poliklinik radiologi tahun 2016-2017, dengan persamaan :

Tabel 4.33 Proyeksi Kunjungan Pasien Rawat Jalan Poliklinik Radiologi Tahun 2016-2017

Tahun 2016

Bulan Proyeksi Januari 572 Februari 572

Maret 572

April 572

Mei 572

Juni 572

Juli 572

Agustus 572 September 572 Oktober 572 November 572 Desember 572 Jumlah 6.864

Dari tabel diatas, kita peroleh bahwa proyeksi kunjungan pasien rawat jalan tahun 2016 dan 2017 pada poliklinik radiologi cenderung tidak mengalami penurunan dan peningkatan. Dapat kita lihat dari jumlah kunjungan pasien rawat jalan yang selalu tetap berkisar 572 kunjungan pasien dari bulan januari 2016 sampai dengan bulan desember 2017.

Tahun 2017

Bulan Proyeksi Januari 572 Februari 572

Maret 572

April 572

Mei 572

Juni 572

Juli 572

Agustus 572 September 572 Oktober 572 November 572 Desember 572 Jumlah 6.864

4.2.12 Poliklinik Hemodialisa

Dari laporan bulanan Rumah Sakit Santa Elisabeth Medan dari tahun 2011-2015 diperoleh data jumlah kunjungan pasien rawat jalan yaitu:

Tabel 4.34 Data 5 Tahun Terakhir Kunjungan Pasien Rawat Jalan

Tahun Jumlah

2011 756

2012 808

2013 849

2014 644

2015 373

Total 3.430

1. Uji Stasioner

Berdasarkan analisis yang telah dilakukan terhadap uji kestasioneran data, diperoleh bahwa data jumlah kunjungan pasien rawat jalan poliklinik hemodialisa tahun 2011-2015 belum stasioner pada level, diketahui dari nilai probabilitas 0,1954> α = 0,05, sehingga dapat disimpulkan data belum memenuhi syarat stasioneritas. Sehingga dilakukan differencing agar data jumlah kunjungan pasien rawat jalan poliklinik hemodialisa tersebut stasioner. Setelah dilakukan differencing tingkatpertama,diperoleh bahwa data jumlah kunjungan pasien rawat jalan poliklinik hemodialisa tahun 2011-2015 sudah stasioner, diketahui dari nilai probabilitas 0,0000 <α =0,05, sehingga dapat disimpulkan bahwa data telah stasioner. Sehingga kita dapat melakukan langkah selanjutnya.

2. Identifikasi Model

Pada tahap ini memilih model yang tepat yang bisa mewakili deret pengamatan data jumlah kunjungan pasien rawat jalan. Penentuan AR (p) dan MA (q) dengan autokorelasi (ACF) dan autokorelasi parsial (PACF) sedangkan Integrated (d) ditentukan dari tingkat stasioneritasnya dengan melakukan differencing yang artinya menghitung perubahan atau selisih nilai observasi. Pada tahap ini, kita telah mengetahui bahwa data yang kita punya telah melakukan differencing pada tingkat pertama (d = 1), sehingga pada tahap ini kita hanya menentukan nilai Koefisien AR(p) dan MA(q) dengan melakukan metode trial and error terhadap model-model yang akan digunakan dan model tersebut masing-masing dibandingkan melalui parameter-parameter penentuan model terbaik. Perlu diketahui, bahwa data yang kita gunakan pada penentuan nilai koefisien AR(p) dan MA(q) adalah data yang sudah stasioner atau dengan kata lain, data yang telah mengalami differencing tingkat pertama (d=1). Jadi, setelah dilakukan metode untuk menentukan model terbaik, terpilih beberapa model dari berbagai model umum yang dapat digunakan dalam melakukan proyeksi. model-model yang terpilih dari berbagai model umum untuk penelitian ini, yaitu ARIMA(1,1,1), ARIMA(2,1,1), ARIMA(1,1,2), ARIMA(2,1,2). Model tersebut kemudian kita bandingkan untuk menentukan model terbaik.

3. Pemilihan Model Terbaik

Setelah dilakukan uji diagnostik untuk keempat model tersebut, ternyata keempat model tersebut lolos untuk uji diagnostik sehingga langkah selanjutnya memilih model terbaik diantara keempat model tersebut. Ada beberapa kriteria dalam memilih model terbaik :

 Nilai Akaike Info Criterion (AIC) yang kecil  Nilai Schwarz Criterion yang kecil

 Sum Squared Residual (SSE) yang kecil  Adjusted R Squared yang besar

Maka, untuk menentukan model terbaik ialah dengan membandingkan kriteria diatas. Berikut tabel perbandingan keempat model tersebut.

Tabel 4.35 Perbandingan Pemilihan Model terbaik ARIMA

Model AIC SBC SSE Adj. R

Squared ARIMA(1,1,1) 7,687358 7,793932 6677,342 0,117545 ARIMA(1,1,2) 7,802668 7,909242 7493,456 0,011223 ARIMA(2,1,1) 7,813234 7,920763 7428,988 0,011223 ARIMA(2,1,2) 7,698746 7,806276 6625,344 0,11816 Setelah dilihat hasilnya diperoleh bahwa ada 2 kemungkinan model terbaik yaitu ARIMA (1,1,1) dan ARIMA (2,1,2) karena memenuhi kriteria pemilihan model terbaik. Diantara kedua kemungkinan tersebut, kita bandingkan residual kedua model terpilih tersebut apakah sudah bersifat random. Setelah kita melakukan uji tersebut,maka diperoleh bahwa model ARIMA (1,1,1) merupakan model terbaik karena residual

bersifat random.Dengan nilai ordo p (AR) = 0,706672, nilai ordo q (MA) = -0,966894 dan Konstanta (�′) =-0,906864.Sehingga digunakan model ARIMA (1,1,1) untuk proyeksi jumlah kunjungan pasien rawat jalan poliklinik hemodialisa tahun 2016-2017, dengan persamaan :

�� = + , ��− − , ��− − , + �− , �−

Tabel 4.36 Proyeksi Kunjungan Pasien Rawat Jalan Poliklinik Hemodialisa Tahun 2016-2017

Tahun 2016

Bulan Proyeksi Januari 25 Februari 25

Maret 24

April 23

Mei 22

Juni 21

Juli 20

Agustus 19 September 18 Oktober 17 November 16 Desember 15

Jumlah 245

Dari tabel diatas, kita peroleh bahwa proyeksi kunjungan pasien rawat jalan tahun 2016 dan 2017 pada poliklinik hemodialisa cenderung mengalami penurunan. Dapat kita lihat dari jumlah kunjungan pasien rawat jalan yang selalu menurun dari bulan januari 2016 sampai dengan bulan desember 2017.

Tahun 2017

Bulan Proyeksi Januari 15 Februari 14

Maret 13

April 12

Mei 11

Juni 10

Juli 9

Agustus 8

September 7

Oktober 6

November 5 Desember 5

4.2.13 Poliklinik UGD

Dari laporan bulanan Rumah Sakit Santa Elisabeth Medan dari tahun 2011-2015 diperoleh data jumlah kunjungan pasien rawat jalan yaitu:

Tabel 4.37 Data 5 Tahun Terakhir Kunjungan Pasien Rawat Jalan

Tahun Jumlah

2011 14.106

2012 14.120

2013 14.820

2014 14.238

2015 12.655

Total 69.939

1. Uji Stasioner

Berdasarkan analisis yang telah dilakukan terhadap uji kestasioneran data, diperoleh bahwa data jumlah kunjungan pasien rawat jalan poliklinik UGD tahun 2011-2015 sudah stasioner pada level, diketahui dari nilai probabilitas 0,0006 < α = 0,05, sehingga dapat disimpulkan data sudah memenuhi syarat stasioneritas. Sehingga tidak perlu dilakukan differencing, dan kita dapat melakukan langkah selanjutnya.

2. Identifikasi Model

Pada tahap ini memilih model yang tepat yang bisa mewakili deret pengamatan data jumlah kunjungan pasien rawat jalan. Penentuan AR (p) dan MA (q) dengan autokorelasi (ACF) dan autokorelasi parsial (PACF) sedangkan Integrated (d) ditentukan dari tingkat stasioneritasnya dengan melakukan differencing yang artinya menghitung perubahan atau selisih nilai observasi. Pada tahap ini, kita telah mengetahui bahwa data yang kita punya telah stasioner tanpa melakukan differencing, sehingga pada tahap

ini kita hanya menentukan nilai Koefisien AR(p) dan MA(q) dengan melakukan metode trial and error terhadap model-model yang akan digunakan dan model tersebut masing-masing dibandingkan melalui parameter-parameter penentuan model terbaik. Jadi, setelah dilakukan metode untuk menentukan model terbaik, terpilih beberapa model dari berbagai model umum yang dapat digunakan dalam melakukan proyeksi. model-model yang terpilih dari berbagai model umum untuk penelitian ini, yaitu ARIMA(1,0,0), ARIMA(0,0,1), ARIMA(1,0,1), ARIMA(2,0,1), ARIMA(1,0,2). Model tersebut kemudian kita bandingkan untuk menentukan model terbaik.

3. Pemilihan Model Terbaik

Setelah dilakukan uji diagnostik untuk kelima model tersebut, ternyata kelima model tersebut lolos untuk uji diagnostik sehingga langkah selanjutnya memilih model terbaik diantara kelima model tersebut.

Ada beberapa kriteria dalam memilih model terbaik :  Nilai Akaike Info Criterion (AIC) yang kecil  Nilai Schwarz Criterion yang kecil

 Sum Squared Residual (SSE) yang kecil  Adjusted R Squared yang besar

Maka, untuk menentukan model terbaik ialah dengan membandingkan kriteria diatas. Berikut tabel perbandingan kelima model tersebut.

Tabel 4.38 Perbandingan Pemilihan Model terbaik ARIMA

Model AIC SBC SSE Adj. R

Squared ARIMA(1,0,0) 12,44725 12,51768 821687,6 0,422440 ARIMA(0,0,1) 12,65597 12,72578 1030726. 0,288419 ARIMA(1,0,1) 12,47730 12,58294 818530,3 0,414385 ARIMA(1,0,2) 12,38928 12,49492 749561,2 0,463729 ARIMA(2,0,1) 12,44700 12,55357 779272,4 0,439730 Setelah dilihat hasilnya diperoleh bahwa model terbaik adalah ARIMA (1,0,2) karena memenuhi kriteria pemilihan model terbaik. Dengan nilai ordo p (AR) = 0,573570, nilai ordo q (MA) = 0,380784 dan Konstanta (�′) = 1173,202. Sehingga digunakan model ARIMA (1,0,2) untuk proyeksi jumlah kunjungan pasien rawat jalan poliklinik UGD tahun 2016-2017, dengan persamaan :

Tabel 4.39 Proyeksi Kunjungan Pasien Rawat Jalan Poliklinik UGD Tahun 2016-2017

Tahun 2016

Bulan Proyeksi Januari 1.173 Februari 1.173

Maret 1.173

April 1.173

Mei 1.173

Juni 1.173

Juli 1.173

Agustus 1.173 September 1.173 Oktober 1.173 November 1.173 Desember 1.173 Jumlah 14.076

Dari tabel diatas, kita peroleh bahwa proyeksi kunjungan pasien rawat jalan tahun 2016 dan 2017 pada poliklinik UGD cenderung tidak mengalami peningkatan dan penurunan. Dapat kita lihat dari jumlah kunjungan pasien rawat jalan yang selalu tetap berkisar 1173 pasien dari bulan januari 2016 sampai dengan bulan desember 2017.

Tahun 2017

Bulan Proyeksi Januari 1.173 Februari 1.173

Maret 1.173

April 1.173

Mei 1.173

Juni 1.173

Juli 1.173

Agustus 1.173 September 1.173 Oktober 1.173 November 1.173 Desember 1.173 Jumlah 14.076

BAB V PEMBAHASAN

Berdasarkan hasil penelitian yang dilakukan diketahui hasil proyeksi dengan menggunakan model ARIMA untuk proyeksi jangka pendek, maka diketahui kunjungan pasien rawat jalan cenderung menurun dari tahun ke tahun tetapi ada juga kunjungan pasien rawat jalan yang mengalami peningkatan.

Hasil analisis deret berkala yang dilakukan dengan model ARIMA diketahui kecendrungan kunjungan pasien di Rumah Sakit Santa Elisabeth Medan, ada yang mengalami peningkatan dan ada yang mengalami penurunan untuk masing-masing poliklinik. Proyeksi yang dilakukan untuk setiap poliklinik menggunakan metode ARIMA dengan model ARIMA yang terbaik untuk setiap poliklinik.

Kunjungan pasien rawat jalan poliklinik umum dari data tahun 2015 tercatat 3.598 kunjungan. Hasil proyeksi menunjukkan jumlah kunjungan pasien rawat jalan pada tahun 2016 dan 2017 terjadi penurunan kunjungan tiap bulannya yaitu berkisar 3 kunjungan pasien.

Kunjungan pasien rawat jalan poliklinik gigi dari data tahun 2015 tercatat 2.777 kunjungan. Hasil proyeksi menunjukkan jumlah kunjungan pasien rawat jalan pada tahun 2016 dan 2017 tidak terjadi peningkatan ataupun penurunan jumlah kunjungan pasien tiap bulannya, hasil proyeksi menunjukkan bahwa jumlah kunjungan pasien rawat jalan poliklinik gigi berkisar 248 kunjungan pasien tiap bulannya.

Kunjungan pasien rawat jalan poliklinik BKIA dari data tahun 2015 tercatat 1.514 kunjungan. Hasil proyeksi menunjukkan jumlah kunjungan pasien rawat jalan pada tahun 2016 dan 2017 terjadi penurunan kunjungan pasien tiap bulannya yaitu berkisar 1 kunjungan pasien.

Kunjungan pasien rawat jalan poliklinik penyakit dalam dari data tahun 2015 tercatat 9.632 kunjungan. Hasil proyeksi menunjukkan jumlah kunjungan pasien rawat jalan pada tahun 2016 dan 2017 terjadi peningkatan kunjungan pasien tiap bulannya yaitu berkisar 12 kunjungan pasien.

Kunjungan pasien rawat jalan poliklinik mata dari data tahun 2015 tercatat 237 kunjungan. Hasil proyeksi menunjukkan jumlah kunjungan pasien rawat jalan pada tahun 2016 dan 2017 terjadi penurunan kunjungan pasien tiap dua bulannya yaitu berkisar 1 kunjungan pasien.

Kunjungan pasien rawat jalan poliklinik bedah dari data tahun 2015 tercatat 6.480 kunjungan. Hasil proyeksi menunjukkan jumlah kunjungan pasien rawat jalan pada tahun 2016 dan 2017 terjadi peningkatan kunjungan pasien tiap bulannya berkisar 9 kunjungan pasien.

Kunjungan pasien rawat jalan poliklinik medical check-up dari data tahun 2015 tercatat 321 kunjungan. Hasil proyeksi menunjukkan jumlah kunjungan pasien rawat jalan pada tahun 2016 dan 2017 tidak terjadi peningkatan ataupun penurunan jumlah kunjungan pasien tiap bulannya, hasil proyeksi menunjukkan bahwa jumlah kunjungan pasien rawat jalan poliklinik medical check-up berkisar 34 kunjungan pasien tiap bulannya.

Kunjungan pasien rawat jalan poliklinik praktek dari data tahun 2015 tercatat 19.020 kunjungan. Hasil proyeksi menunjukkan jumlah kunjungan pasien rawat jalan pada tahun 2016 dan 2017 terjadi penurunan kunjungan pasien tiap bulannya berkisar 30 kunjungan pasien.

Kunjungan pasien rawat jalan poliklinik fisioterapi dari data tahun 2015 tercatat 5.817 kunjungan. Hasil proyeksi menunjukkan jumlah kunjungan pasien rawat jalan pada tahun 2016 dan 2017 tidak terjadi peningkatan ataupun penurunan jumlah kunjungan pasien tiap bulannya, hasil proyeksi menunjukkan bahwa jumlah kunjungan pasien rawat jalan poliklinik fisioterapi berkisar 477 kunjungan pasien tiap bulannya.

Kunjungan pasien rawat jalan poliklinik endoscopy dari data tahun 2015 tercatat 649 kunjungan. Hasil proyeksi menunjukkan jumlah kunjungan pasien rawat jalan pada tahun 2016 dan 2017 tidak terjadi peningkatan ataupun penurunan jumlah kunjungan pasien tiap bulannya, hasil proyeksi menunjukkan bahwa jumlah kunjungan pasien rawat jalan poliklinik endoscopy berkisar 61 kunjungan pasien tiap bulannya.

Kunjungan pasien rawat jalan poliklinik radiologi dari data tahun 2015 tercatat 6.482 kunjungan. Hasil proyeksi menunjukkan jumlah kunjungan pasien rawat jalan pada tahun 2016 dan 2017 tidak terjadi peningkatan ataupun penurunan jumlah kunjungan pasien tiap bulannya, hasil proyeksi menunjukkan bahwa jumlah kunjungan pasien rawat jalan poliklinik radiologi berkisar 572 kunjungan pasien tiap bulannya.

Kunjungan pasien rawat jalan poliklinik hemodialisa dari data tahun 2015 tercatat 373 kunjungan. Hasil proyeksi menunjukkan jumlah kunjungan pasien rawat jalan pada tahun 2016 dan 2017 terjadi penurunan kunjungan pasien tiap bulannya berkisar 1 kunjungan pasien.

Kunjungan pasien rawat jalan poliklinik UGD dari data tahun 2015 tercatat 12.655 kunjungan. Hasil proyeksi menunjukkan jumlah kunjungan pasien rawat jalan pada tahun 2016 dan 2017 tidak terjadi peningkatan ataupun penurunan jumlah kunjungan pasien tiap bulannya, hasil proyeksi menunjukkan bahwa jumlah kunjungan pasien poliklinik UGD berkisar 1173 kunjungan pasien tiap bulannya.

BAB VI

KESIMPULAN DAN SARAN 6.1 Kesimpulan

Dari hasil analisis deret berkala (time series) dengan menggunakan model ARIMA kunjungan pasien rawat jalan di Rumah Sakit Santa Elisabeth Medan maka dapat disimpulkan:

1. Berdasarkan hasil proyeksi jumlah kunjungan pasien rawat jalan dengan menggunakan model ARIMA (p,d,q) terbaik untuk setiap poliklinik, maka diperoleh bahwa kunjungan pasien rawat jalan pada poliklinik umum, poliklinik BKIA, poliklinik mata, poliklinik praktek, poliklinik hemodialisa cenderung mengalami penurunan kunjungan pasien tiap bulannya.

2. Berdasarkan hasil proyeksi jumlah kunjungan pasien rawat jalan dengan menggunakan model ARIMA (p,d,q) terbaik untuk setiap poliklinik, maka diperoleh bahwa kunjungan pasien rawat jalan pada poliklinik gigi, poliklinik medical check-up, poliklinik fisioterapi, poliklinik endoscopy, poliklinik radiologi, poliklinik UGD tidak mengalami penurunan maupun peningkatan kunjungan pasien tiap bulannya.

3. Berdasarkan hasil proyeksi jumlah kunjungan pasien rawat jalan dengan menggunakan model ARIMA (p,d,q) terbaik untuk setiap poliklinik, maka diperoleh bahwa kunjungan pasien rawat jalan pada poliklinik penyakit dalam, dan poliklinik bedah mengalami peningkatan kunjungan pasien tiap bulannya.

6.2 Saran

1. Diharapkan data ini dapat digunakan oleh RS Santa Elisabeth Medan untuk meningkatkan kualitas mutu pelayanan rumah sakit, baik dari segi fasilitas sarana dan prasarana rumah sakit serta kualitas pelayanan sumber daya manusia karena dari hasil proyeksi jumlah kunjungan pasien rawat jalan di RS Santa Elisabeth Medan cenderung menurun dan tetap.

2. Diharapkan RS Santa Elisabeth Medan mampu segera meningkatkan pelayanan rawat jalan berdasarkan aspek–aspek pelayanan yang masih kurang memuaskan di setiap poliklinik yang mengalami penurunan kunjungan pasien.

3. Diharapkan RS Santa Elisabeth Medan dapat terus mempertahankan aspek–aspek pelayanan rawat jalan yang sudah memuaskan di setiap poliklinik yang mengalami peningkatan kunjungan pasien dan tetap. Sehingga kedepannya RS Santa Elisabeth Medan dapat menjadi rumah sakit pilihan yang pelayanannya dibutuhkan dan diinginkan oleh masyarakat.

BAB II

TINJAUAN PUSTAKA

2.1 Rumah Sakit

2.1.1 Pengertian Rumah Sakit

Menurut Undang-Undang RI Nomor 44 tahun 2009 pasal 1, rumah sakit adalah institusi pelayanan kesehatan yang menyelenggarakan pelayanan kesehatan perorangan secara paripurna yang menyediakan pelayanan rawat inap, rawat jalan, dan gawat darurat.

2.1.2 Fungsi Rumah Sakit

Menurut Undang-Undang Nomor 44 tahun 2009 pasal 4, fungsi rumah sakit adalah

a. Penyelenggaraan pelayanan pengobatan dan pemulihan kesehatan sesuai dengan standar pelayanan rumah sakit.

b. Pemeliharaan dan peningkatan kesehatan perorangan melalui pelayanan kesehatan yang paripurna tingkat kedua dan ketiga sesuai kebutuhan medis c. Penyelenggaraan pendidikan dan pelatihan sumber daya manusia dalam

rangka peningkatan kemampuan dalam pemberian pelayanan kesehatan. d. Penyelenggaraan penelitian dan pengembangan serta penapisan teknologi

ix DAFTAR ISI

Halaman

HALAMAN PERSETUJUAN... i

ABSTRAK……… ii

ABSTRACT……… iii

DAFTAR RIWAYAT HIDUP………. iv

KATA PENGANTAR………. v

DAFTAR ISI... ix

DAFTAR TABEL………. xi

DAFTAR GAMBAR... xiii

DAFTAR LAMPIRAN………..………..…… xiv BAB I PENDAHULUAN... 1

1.1 Latar Belakang... 1

1.2 Permasalahan…………... 8

1.3 Tujuan…………... 8

1.3.1 Tujuan Umum…………... 8

1.3.2 Tujuan Khusus…………... 8

1.4 Manfaat…………... 10

BAB II TINJAUAN PUSTAKA... 11

2.1 Rumah Sakit…………... 11

2.1.1 Pengertian Rumah Sakit…………... 11

2.1.2 Fungsi Rumah Sakit…………... 11

2.2 Peramalan…………... 12

2.2.1 Pengertian Peramalan... 12

2.2.2 Jenis-jenis Peramalan…………... 12

2.2.3 Langkah-langkah peramalan…………... 13

2.3 Analisa Deret Berkala…………... 15

2.4 Metode Analisis Deret Berkala…………... 18

2.4.1 Pemulusan (Smoothing) …………... 18

2.4.2 Dekomposisi (decomposition) …………... 20

2.4.3 Model ARIMA (Autoregressive Intergrated Moving Average)………. 23

2.5 Kerangka Penelitian……… 29

BAB III METODE PENELITIAN... 30

3.1 Jenis Penelitian... 30

3.2 Lokasi dan Waktu Penelitian... 30

3.2.1 Lokasi Penelitian... 30

3.2.2 Waktu Penelitian... 30

3.3 Metode Pengumpulan Data... 30

3.3 Populasi………... 31

3.5 Definisi Operasional... 31

3.6 Teknik Pengolahan dan Analisis Data... 31

3.6.1 Teknik Pengolahan Data... 31

3.6.2 Analisis Data... 32

BAB IV HASIL PENELITIAN... 33

4.1 Deskripsi Lokasi Penelitian……… 33

4.1.1 Gambaran Rumah Sakit Santa Elisabeth Medan………. 33

4.1.2 Visi dan Misi……… 33

4.1.3 Struktur Organisasi………. 34

4.1.4 Jenis dan Fasilitas Pelayanan……….. 35

4.2 Proyeksi Kunjungan Pasien Menggunakan Model ARIMA……….. 36

4.2.1 Poliklinik Umum………. 36

4.2.2 Poliklinik Gigi………. 40

4.2.3 Poliklinik BKIA……….. 44

4.2.4 Poliklinik Penyakit Dalam……….. 48

4.2.5 Poliklinik Mata……… 52

4.2.6 Poliklinik Bedah……….. 56

4.2.7 Poliklinik Medical Check-Up……….. 60

4.2.8 Poliklinik Praktek……… 64

4.2.9 Poliklinik Fisioterapi……… 68

4.2.10 Poliklinik Endoscopy………. 72

4.2.11 Poliklinik Radiologi………... 77

4.2.12 Poliklinik Hemodialisa……….. 81

4.2.13 Poliklinik UGD……….. 85

BAB V PEMBAHASAN……… 89

BAB VI KESIMPULAN DAN SARAN………...…... 93

6.1 Kesimpulan……….. 93

6.2 Saran……….... 94 DAFTAR PUSTAKA

xi

DAFTAR TABEL

Halaman Tabel 4.1 Jumlah Kunjungan Pasien Rawat Jalan Poliklinik Umum Tahun

2011-2015……….. 36 Tabel 4.2 Perbandingan Pemilihan Model terbaik ARIMA………. 38 Tabel 4.3 Proyeksi Kunjungan Pasien Rawat Jalan Poliklinik Umum Tahun

2016-2017………. 39

Tabel 4.4 Jumlah Kunjungan Pasien Rawat Jalan Poliklinik Gigi Tahun

2011-2015………. 40

Tabel 4.5 Perbandingan Pemilihan Model terbaik ARIMA……… 42 Tabel 4.6 Proyeksi Kunjungan Pasien Rawat Jalan Poliklinik Gigi Tahun

2016-2017………..………..……… 43

Tabel 4.7 Jumlah Kunjungan Pasien Rawat Jalan Poliklinik BKIA Tahun 2011-2015. ………..………..……….. 44 Tabel 4.8 Perbandingan Pemilihan Model terbaik ARIMA……… 46 Tabel 4.9 Proyeksi Kunjungan Pasien Rawat Jalan Poliklinik BKIA Tahun

2016-2017………..………..……….. 47

Tabel 4.10 Jumlah Kunjungan Pasien Rawat Jalan Poliklinik Penyakit Dalam

Tahun 2011-2015………..………. 48

Tabel 4.11 Perbandingan Pemilihan Model terbaik ARIMA……….. 50 Tabel 4.12 Proyeksi Kunjungan Pasien Rawat Jalan Poliklinik Penyakit Dalam

Tahun 2016-2017………..……….. 51

Tabel 4.13 Jumlah Kunjungan Pasien Rawat Jalan Poliklinik Mata Tahun 2011-2015. ………..………..……….. 52 Tabel 4.14 Perbandingan Pemilihan Model terbaik ARIMA……….. 54 Tabel 4.15 Proyeksi Kunjungan Pasien Rawat Jalan Poliklinik Mata Tahun

2016-2017………..……… 55

Tabel 4.16 Jumlah Kunjungan Pasien Poliklinik Bedah Tahun 2011-2015…… 56 Tabel 4.17 Perbandingan Pemilihan Model terbaik ARIMA……….. 58 Tabel 4.18 Proyeksi Kunjungan Pasien Rawat Jalan Poliklinik Bedah Tahun

2016-2017………..………. 59

Tabel 4.19 Jumlah Kunjungan Pasien Rawat Jalan Poliklinik Medical Check-Up

Tahun 2011-2015………..………. 60

Tabel 4.20 Perbandingan Pemilihan Model terbaik ARIMA……….. 62 Tabel 4.21 Proyeksi Kunjungan Pasien Rawat Jalan Poliklinik Medical Check-Up

Tahun 2016-2017………..……….. 63

Tabel 4.22 Jumlah Kunjungan Pasien Poliklinik Praktek Tahun 2011-2015….. 64 Tabel 4.23 Perbandingan Pemilihan Model terbaik ARIMA……… 66 Tabel 4.24 Proyeksi Kunjungan Pasien Rawat Jalan Poliklinik Praktek Tahun

2016-2017………..………..……….. 67

Tabel 4.25 Jumlah Kunjungan Pasien Rawat Jalan Poliklinik Fisioterapi Tahun

2011-2015………..………..……… 68

Tabel 4.26 Perbandingan Pemilihan Model terbaik ARIMA……….. 70 Tabel 4.27 Proyeksi Kunjungan Pasien Rawat Jalan Poliklinik Fisioterapi Tahun

2016-2017………..………..………. 71

Tabel 4.28 Jumlah Kunjungan Pasien Rawat Jalan Poliklinik Endoscopy Tahun 2011-2015. ………..………..……….. 72 Tabel 4.29 Perbandingan Pemilihan Model terbaik ARIMA……….. 75 Tabel 4.30 Proyeksi Kunjungan Pasien Rawat Jalan Poliklinik Endoscopy Tahun

2016-2017………..………..……… 76 Tabel 4.31 Jumlah Kunjungan Pasien Rawat Jalan Poliklinik Radiologi Tahun

2011-2015. ………..………..……….. 77

Tabel 4.32 Perbandingan Pemilihan Model terbaik ARIMA……… 79 Tabel 4.33 Proyeksi Kunjungan Pasien Rawat Jalan Poliklinik Radiologi Tahun

2016-2017………..………..……….. 80

Tabel 4.34 Jumlah Kunjungan Pasien Rawat Jalan Poliklinik Hemodialisa Tahun 2011-2015. ………..………..……….. 81 Tabel 4.35 Perbandingan Pemilihan Model terbaik ARIMA……….. 83 Tabel 4.36 Proyeksi Kunjungan Pasien Rawat Jalan Poliklinik Hemodialisa Tahun 2016-2017………..………..……….. 84 Tabel 4.37 Jumlah Kunjungan Pasien Rawat Jalan Poliklinik UGD Tahun

2011-2015………..………..……….. 85

Tabel 4.38 Perbandingan Pemilihan Model terbaik ARIMA……….. 87 Tabel 4.39 Proyeksi Kunjungan Pasien Rawat Jalan Poliklinik UGD Tahun

xiii

DAFTAR GAMBAR

Halaman Gambar 2.1 Skema Pendekatan Model ARIMA... 27 Gambar 2.2 Kerangka Penelitian Jumlah Kunjungan Pasien Rawat Jalan Tahun 2016 s/d 2017 di Rumah Sakit Santa Elisabeth Medan……….... 30

DAFTAR LAMPIRAN

Lampiran 1. Data jumlah kunjungan pasien perpoliklinik di Rumah Sakit Santa Elisabeth Medan

Lampiran 2. Hasil Output Eviews 7 Lampiran 3. Surat Izin Penelitian