122
Setelah diperoleh nilai dari �
ℎ� �
, kemudian dilakukan perbandingan dengan mencari nilai dari
�
��
. Nilai �
��
ditentukan dengan menggunakan tabel Kolmogorov-Smirnov pada lampiran 9
dengan taraf signifikansi 5 dan N = 36, sehingga diperoleh:
�
��
= ,
√� =
, √
= , Berdasarkan tabel Kolmogorov-Smirnov diperoleh nilai
�
��
sebesar 0,2267. Hal ini menunjukkan bahwa diterima,
karena nilai �
ℎ� �
˂ �
��
yaitu 0,0545 ˂ 0,2267. Dalam
menentukan keputusan hipotesis tersebut bisa juga dengan menggunakan p-value. P-value dapat dilihat dari hasil output SPSS
pada gambar berikut:
Gambar 4.7 Output uji Kolmogorov-Smirnov laju kedatangan
Berdasarkan hasil output uji Kolmogorov-Smirnov pada Gambar 4.7 menunjukkan bahwa nilai asymp. Sig. 2-tailed atau p-
123
value sebesar 1,000. Dengan demikian dapat disimpulkan bahwa
data berdistribusi Poisson, karena p-value α yaitu 0,975 0,05.
2 Uji distribusi laju pelayanan pasien BPJS di Loket C
Setelah memperoleh data pelayanan pasien BPJS di Loket C, kemudian dilakukan uji distribusi Poisson menggunakan SPSS. Uji
yang digunakan yaitu uji Kolmogorov-Smirnov seperti yang dihasilkan berikut:
Gambar 4.8 Output uji Kolmogorov-Smirnov laju pelayanan
Berdasarkan hasil output uji Kolmogorov-Smirnov pada Gambar 4.8 dapat dilihat nilai asymp. Sig. 2-tailed atau p-value
sebesar 1,000. Dengan demikian dapat disimpulkan bahwa data berdistribusi Poisson, karena p-value
α yaitu 1,000 0,05.
124
3 Uji distribusi laju pelayanan pasien BPJS di Loket D
Setelah memperoleh data pelayanan pasien BPJS di Loket D, kemudian dilakukan uji distribusi Poisson menggunakan SPSS. Uji
yang digunakan yaitu uji Kolmogorov-Smirnov seperti yang dihasilkan berikut:
Gambar 4.9 Output uji Kolmogorov-Smirnov laju pelayanan
Berdasarkan hasil output uji Kolmogorov-Smirnov pada Gambar 4.9 dapat dilihat nilai asymp. Sig. 2-tailed atau p-value
sebesar 0,099. Dengan demikian dapat disimpulkan bahwa data berdistribusi Poisson, karena p-value
α yaitu 0,099 0,05.
B. Pembahasan
Bagian ini menjelaskan bagaimana menentukan model antrean yang sesuai dengan sistem antrean yang ada. Setelah memperoleh model antrean
yang sesuai pada tiap phase, langkah berikutnya yaitu mencari ukuran keefektifan dari kinerja sistem antrean. Apabila ukuran keefektifan belum
125
sesuai dengan standar pelayanan pendaftaran yang telah ditetapkan Rumah Sakit Mata Dr. Yap, maka dilakukan optimasi sistem antrean.
1. Menentukan Model Antrean
Sistem antrean pendaftaran di Loket C dan Loket D yang ada di Rumah Sakit Mata Dr. Yap memiliki model MM1:
GD∞∞. Hal ini berarti laju kedatangan dan laju pelayanan pada model MM1:
GD∞∞ berdistribusi Poisson dengan single server. Untuk disiplin antrean pada
model MM1: GD∞∞ memuat aturan General Discipline atau First
Come First Served FCFS dengan kapasitas sistem dan sumber
pemanggilan tak terbatas.
2. Menentukan Ukuran Keefektifan Kinerja Sistem Antrean
Ukuran keefektifan dari kinerja sistem antrean meliputi perhitungan �
�
, � ,
�
dan . Perhitungan tersebut dapat dilakukan apabila laju
kedatangan dan laju pelayanan tiap phase telah mencapai steady state. Kondisi steady state terjadi apabila laju kedatangan tidak melebihi laju
pelayanan. Selain itu, model antrean harus memenuhi asumsi bahwa proses kedatangan dengan pelaksanaan pelayanan independen. Hal ini berarti rata-
rata kedatangan tidak akan berubah-ubah dalam waktu tertentu dan tidak mempengaruhi satuan antrean pertama dalam penguraian pelayanan.
Apabila sistem antrean tidak memenuhi kondisi steady state, maka ukuran
keefektifan tidak
dapat dicari
mengggunakan rumus
126
MM1: GD∞∞. Solusi untuk mencari ukuran keefektifan sistem
antrean yang tidak steady state yaitu dengan melakukan simulasi Monte Carlo.
a. Ukuran Keefektifan pada Hari Rabu, 17 Februari 2016
Ukuran keefektifan di Loket C dan Loket D pada hari Rabu tidak dapat dihitung dengan model MM1:
GD∞∞. Hal ini disebabkan karena kondisi steady state tidak terpenuhi pada kedua Loket. Oleh
karena itu, untuk menghitung ukuran keefektifan sistem antrean dilakukan simulasi Monte Carlo.
1 Ukuran Keefektifan di Loket C
Ukuran keefektifan
�
dan �
�
di Loket C dicari dengan menggunakan simulasi Monte Carlo. Untuk mempermudah dan
mempercepat perhitungan maka digunakan fasilitas yang tersedia pada MS. Excel. Rumus-rumus Excel yang digunakan penulis dalam
simulasi Monte Carlo dijelaskan pada lampiran 11. Berdasarkan hasil perhitungan pada lampiran 11.C maka
rata-rata waktu menunggu dalam antrean
�
dan panjang antrean �
�
selalu berubah-ubah. Perubahan yang terus menerus ini disebabkan karena simulasi Monte Carlo menggunakan bilangan
acak. Oleh karena itu, penulis melakukan 10 kali ulangan pada
127
kedua ukuran keefektifan tersebut. Berikut merupakan tabel hasil ulangan
�
dan �
�
: Tabel 4.28 Ulangan ukuran keefektifan di Loket C
Ulangan Ukuran Keefektifan
Rata-rata waktu menunggu dalam
antrean
�
�
Rata-rata panjang antrean
�
1 28,22
13,22 2
38,1 16,61
3 19,65
10,2 4
31,23 13,93
5 26,7
13,5 6
23,26 12,67
7 27,55
11,82 8
23,04 11,04
9 21,93
11,7 10
36,41 16,08
Berdasarkan Tabel 4.28 kemudian dibuat grafik untuk mencari nilai tengah dari kedua ukuran keefektifan tersebut. Nilai
tengah dicari dengan menggunakan batas bawah dan batas atas. Pada Tabel 4.28 dapat dilihat bahwa nilai batas bawah
�
berada pada
ulangan ke-3 dan batas atas berada pada ulangan ke-2. Nilai batas
bawah �
�
terdapat pada ulangan ke-3 dan batas atas pada ulangan ke-2. Berikut merupakan grafik kedua ukuran keefektifan dari tabel
4.28: