PERANCANGAN MODEL PENENTUAN STANDAR INDIKATOR KEBERHASILAN PELAYANAN RUMAH SAKIT KELAS C DI PROVINSI RIAU
TESIS Diajukan sebagai salah satu syarat untuk memperoleh gelar Magister Teknik
DENNY ASTRIE ANGGRAINI 0706174184
UNIVERSITAS INDONESIA FAKULTAS TEKNIK PROGRAM PASCA SARJANA TEKNIK INDUSTRI DEPOK JULI 2009
HALAMAN PERNYATAAN ORISINALITAS
Tesis ini adalah hasil karya sendiri, Dan semua sumber baik yang dikutip maupun dirujuk Telah saya nyatakan dengan benar.
Nama
: Denny Astrie Anggraini
NPM
: 0706174184
Tanda Tangan
:
Tanggal
: 28 Juni 2009
ii
Universitas Indonesia
HALAMAN PENGESAHAN
Tesis ini diajukan oleh Nama NPM Program Studi Judul Tesis
: : Denny Astrie Anggraini : 0706174184 : Teknik Industri : Perancangan Model Penentuan Standar Indikator Keberhasilan Pelayanan Rumah Sakit Kelas C Di Provinsi Riau
Telah berhasil dipertahankan di hadapan Dewan Penguji dan diterima sebagai bagian persyaratan yang diperlukan untuk memperoleh gelar Magister Teknik pada Program Studi Teknik Industri, Fakultas Teknik, Universitas Indonesia.
DEWAN PENGUJI Pembimbing : Dr. Ir. Teuku Yuri M. Zagloel, M.Eng,Sc (
)
Pembimbing : Ir. Fauzia Dianawati, M.Si
(
)
Penguji
: Ir. Boy Nurcahyo M, MSIE
(
)
Penguji
: Ir. Ahmad Hidayatno, MBT
(
)
Penguji
: Armand Oemar Moeis, M.Sc
(
)
Ditetapkan di : Depok Tanggal
: 16 Juli 2009
iii
Universitas Indonesia
KATA PENGANTAR/UCAPAN TERIMA KASIH
Puji syukur saya ucapkan kepada Allah SWT, karena atas berkat dan rahmat-Nya, saya dapat menyelesaikan tesis ini. Penulisan tesis ini dilakukan dalam rangka memenuhi salah satu syarat untuk mencapai gelar Magister Teknik Program Studi Teknik Industri pada Fakultas Teknik Universitas Indonesia. Saya menyadari bahwa tanpa bantuan dari berbagai pihak, dari masa perkuliahan sampai pada penyusunan tesis ini, sangatlah sulit bagi saya untuk menyelesaikan tesis ini. Oleh karena itu, saya mengucapkan terima kasih kepada : (1) Dr. Ir. Teuku Yuri M.Zagloel, M.Eng,Sc dan Ir. Fauzia Dianawati, M.Si, selaku dosen pembimbing yang telah menyediakan waktu, tenaga, dan pikiran untuk mengarahkan saya dalam penyusunan tesis ini, (2) Pihak Dinas Kesehatan Provinsi Riau, Rumah Sakit Awal Bros dan Rumah Sakit Islam Ibnu Sina yang telah banyak membantu dalam usaha memperoleh data yang saya perlukan, (3) Orang tua dan keluarga yang telah banyak memberikan bantuan dan dukungan baik material maupun moral, serta (4) Teman-teman seperjuangan, sahabat dan orang terdekat yang juga telah banyak membantu dalam penyelesaian tesis ini.
Akhir kata, saya berharap Allah, SWT berkenan membalas segala kebaikan semua pihak yang telah membantu. Dan semoga tesis ini juga memberikan manfaat bagi pengembangan ilmu.
Depok, 22 Juni 2009 Penulis,
Denny Astrie Anggraini
iv
Universitas Indonesia
HALAMAN PERNYATAAN PERSETUJUAN PUBLIKASI TUGAS AKHIR UNTUK KEPENTINGAN AKADEMIS
Sebagai sivitas akademik Universitas Indonesia, saya yang bertanda tangan di bawah ini : Nama
: Denny Astrie Anggraini
NPM
: 0706174184
Program Studi
: Teknik Industri
Departemen
: Teknik Industri
Fakultas
: Teknik
Jenis Karya
: Tesis
Demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada Universitas Indonesia Hak Bebas Royalti Noneksklusif (Non-axclusive Royalty Free Right) atas karya ilmiah saya yang berjudul : Perancangan Model Penentuan Standar Indikator Keberhasilan Pelayanan Rumah Sakit Kelas C Di Provinsi Riau beserta perangkat yang ada (jika diperlukan). Dengan Hak Bebas Royalti Noneksklusif ini Universitas Indonesia berhak menyimpan, mengalihmedia / formatkan, mengelola dalam bentuk pangkalan data (database), merawat, dan mempublikasikan tugas akhir saya selama tetap mencantumkan nama saya sebagai penulis/pencipta dan sebagai pemilik Hak Cipta.
Demikian pernyataan ini saya buat dengan sebenarnya.
Dibuat di : Depok Pada Tanggal : 22 Juni 2009 Yang Menyatakan,
(Denny Astrie Anggraini)
v
Universitas Indonesia
ABSTRAK Nama : Denny Astrie Anggraini Program Studi : Teknik Industri Judul : Perancangan Model Penentuan Standar Indikator Keberhasilan Pelayanan Rumah Sakit Kelas C Di Provinsi Riau Untuk menilai keberhasilan pelayanan rumah sakit digunakan beberapa indikator. Ada beberapa indikator yang mempunyai nilai standar yang ditetapkan oleh Departemen Kesehatan untuk seluruh rumah sakit di seluruh Indonesia tanpa memperhatikan variabel-variabel yang benar-benar signifikan mempengaruhi indikator tersebut. Oleh karena itu pada penelitian ini diidentifikasi variabelvariabel yang signifikan mempengaruhi masing-masing indikator dengan menggunakan metode analisis multivariat yaitu multipel regresi untuk selanjutnya diperoleh model persamaan regresi. Dengan diketahuinya variabel-variabel yang signifikan mempengaruhi masing-masing indikator tersebut, maka dapat dilakukan peramalan nilai indikator dengan menggunakan model yang dihasilkan untuk digunakan dalam menentukan nilai standar indikator pada tahun berikutnya. Kata Kunci : Standar indikator, analisis multipel regresi, model persamaan regresi.
ABSTRACT Name Major Tittle
: Denny Astrie Anggraini : Industrial Engineering : Model Design For Determining The Hospital Services Indicators Standard C Class In Province Riau
Several indicators can be used for assesing the success of hospital services. There are indicators that have standard values established by Departement of Healthy for all Indonesian hospitals without paying attention to variables that truly significant influencing that indicators. Therefore in this research will be identified the significant variables that influence each indicator with using multivariate analysis method, i.e multiple regression to get several regression equation model. Known of the significant variables that influence each indicator, so can predicted the value each indicator using a model to be used for determining indicators standard value in the next year. Key Words : Indicators Standard, Multiple Regression Analysis, Regression Equation Model
vi
Universitas Indonesia
DAFTAR ISI
HALAMAN JUDUL................................................................................... i HALAMAN PERNYATAAN ORISINALITAS........................................ ii HALAMAN PENGESAHAN..................................................................... iii KATA PENGANTAR ................................................................................ iv HALAMAN PERSETUJUAN PUBLIKASI TUGA AKHIR .................... v ABSTRAK .................................................................................................. vi DAFTAR ISI............................................................................................... vii DAFTAR TABEL....................................................................................... x DAFTAR GAMBAR .................................................................................. xvi DAFTAR LAMPIRAN............................................................................... xviii 1. PENDAHULUAN................................................................................ 1 1.1 Latar Belakang ................................................................................ 1 1.2 Diagram Keterkaitan Masalah......................................................... 3 1.3 Pokok Permasalahan ....................................................................... 4 1.4 Tujuan Penelitian ............................................................................ 4 1.5 Batasan Masalah ............................................................................. 4 1.6 Metodologi Penelitian ..................................................................... 4 1.7 Sistematika Penulisan ..................................................................... 7 2. TINJAUAN PUSTAKA ...................................................................... 9 2.1 Rumah Sakit .................................................................................... 9 2.1.1 Pengantar Rumah Sakit .......................................................... 9 2.1.2 Klasifikasi Dan Kelas Rumah Sakit....................................... 10 2.2 Indikator .......................................................................................... 14 2.2.1 Pengertian............................................................................... 14 2.2.2 Indikator Bagi Beberapa Rumah Sakit................................... 14 2.2.3 indikator Penilaian Pelayanan Rumah Sakit .......................... 15 2.3 Analisis Multivariat......................................................................... 18 2.3.1 Skala Pengukuran................................................................... 19 2.3.2 Tipe-Tipe Teknik Multivariat ................................................ 19 2.4 Asumsi-Asumsi Analisis Multivariat.............................................. 21 2.4.1 Normality ............................................................................... 21 2.4.2 Homoscedasticity ................................................................... 22 2.4.3 Linearity ................................................................................. 23 2.4.4 Absence Of Correlated Errors................................................ 23 2.5 Transformasi Data........................................................................... 24 2.6 Multiple Regression Analysis ......................................................... 26 2.6.1 Sasaran dari Multiple Regression........................................... 27 2.6.2 Rancangan Penelitian Multiple Regression Analysis ............ 28 2.6.3 Asumsi-Asumsi Dalam Multiple Regression......................... 29 2.6.4 Memperkirakan Model Regresi Dan Menaksir Keseluruhan Model ..................................................................................... 31 2.6.5 Interpretasi Variabel regresi................................................... 33 2.6.6 Validasi Hasil ......................................................................... 36 vii
Universitas Indonesia
3. METODE PENELITIAN ................................................................... 37 3.1 Pengumpulan Data .......................................................................... 37 3.1.1 Penentuan Rumah Sakit Yang Diteliti ................................... 37 3.1.2 Profil Rumah Sakit................................................................. 37 3.1.2.1 Rumah Sakit Awal Bros............................................. 37 3.1.2.2 Rumah Sakit Islam Ibnu Sina..................................... 38 3.1.3 Identifikasi Variabel............................................................... 39 3.1.4 Data Yang Diperlukan ........................................................... 41 3.2 Pengolahan Data.............................................................................. 41 3.2.1 Bed Occupancy Ratio (BOR)................................................. 41 3.2.1.1 Pemenuhan Asumsi Multiple Regresi........................ 41 3.2.1.2 Penentuan Model Persamaan Multipel Regresi ......... 50 3.2.2 Average Length Of Stay (Av-LOS) ....................................... 55 3.2.2.1 Pemenuhan Asumsi Multiple Regresi........................ 55 3.2.2.2 Penentuan Model Persamaan Multipel Regresi ......... 61 3.2.3 Bed Turn Over (BTO)............................................................ 63 3.2.3.1 Pemenuhan Asumsi Multiple Regresi........................ 63 3.2.3.2 Penentuan Model Persamaan Multipel Regresi ......... 70 3.2.4 Turn Over Interval (TOI) ....................................................... 73 3.2.4.1 Pemenuhan Asumsi Multiple Regresi........................ 73 3.2.4.2 Penentuan Model Persamaan Multipel Regresi ......... 81 3.2.5 Net Death Ratio (NDR).......................................................... 84 3.2.5.1 Pemenuhan Asumsi Multiple Regresi........................ 84 3.2.5.2 Penentuan Model Persamaan Multipel Regresi ......... 91 3.2.6 Gross Death Ratio (GDR) ...................................................... 93 3.2.6.1 Pemenuhan Asumsi Multiple Regresi........................ 93 3.2.6.2 Penentuan Model Persamaan Multipel Regresi ......... 100 3.3 Validasi Hasil .................................................................................. 102 3.3.1 Perbandingan Nilai Prediksi Dan Nilai Sebenarnya .............. 102 3.3.2 Peramalan Nilai Variabel Yang Signifikan Mempengaruhi Indikator Keberhasilan Pelayanan Rumah Sakit.................... 103 3.3.3 Validasi Model Persamaan Regresi Dan Penentuan Standar Dengan Sampel Baru ............................................................. 104 4. PEMBAHASAN .................................................................................. 106 4.1 Indikator Bed Occupancy Ratio (BOR) .......................................... 106 4.1.1 Asumsi Multiple Regresi ....................................................... 106 4.1.2 Model Persamaan Multipel Regresi ....................................... 108 4.2 Indikator Average Length Of Stay (Av-LOS) ................................ 111 4.2.1 Asumsi Multiple Regresi ....................................................... 111 4.2.2 Model Persamaan Multipel Regresi ....................................... 113 4.3 Indikator Bed Turn Over (BTO) ..................................................... 115 4.3.1 Asumsi Multiple Regresi ....................................................... 115 4.3.2 Model Persamaan Multipel Regresi ....................................... 117 4.4 Indikator Turn Over Interval (TOI)................................................. 120 4.4.1 Asumsi Multiple Regresi ....................................................... 120 4.4.2 Model Persamaan Multipel Regresi ....................................... 122 viii
Universitas Indonesia
4.5 Indikator Net Death Ratio (NDR) ................................................... 125 4.5.1 Asumsi Multiple Regresi ....................................................... 125 4.5.2 Model Persamaan Multipel Regresi ....................................... 127 4.6 Indikator Gross Death Ratio (GDR) ............................................... 130 4.6.1 Asumsi Multiple Regresi ....................................................... 130 4.6.2 Model Persamaan Multipel Regresi ....................................... 132 4.7 Validasi Hasil .................................................................................. 134 4.7.1 Hasil Prediksi Dengan Nilai Sebenarnya ............................... 134 4.7.2 Peramalan Nilai Variabel Yang Signifikan Mempengaruhi Indikator Keberhasilan Pelayanan Rumah Sakit ........................................................................... 135 4.7.3 Validasi Model Persamaan Regresi Dengan Sampel Baru Dan Analisa Standar Indikator Yang Ditemukan .............................................................................. 135 5. KESIMPULAN DAN SARAN ........................................................... 137 5.1 Kesimpulan ..................................................................................... 137 5.2 Saran................................................................................................ 138 DAFTAR REFERENSI ............................................................................ 139
ix
Universitas Indonesia
DAFTAR TABEL
Tabel 1.1 Data Rumah Sakit Di Provinsi Riau ........................................... 1 Tabel 1.2 Indikator Keberhasilan Pelayanan Rumah Sakit......................... 2 Tabel 3.1 Variabel Dependent Dan Independent ........................................ 39 Tabel 3.2 Tabel Hasil Pengujian Normality Pada Indikator BOR .............. 42 Tabel 3.3 Tabel Hasil Pengujian Normality Residual Pada Indikator BOR ............................................................................................ 44 Tabel 3.4 Tabel Anova Uji Linearity BOR (Y) Terhadap Jumlah Hari Perawatan RS (X1) ...................................................................... 45 Tabel 3.5 Tabel Anova Uji Linearity BOR (Y) Terhadap Kejadian Luar Biasa (X2).................................................................................... 45 Tabel 3.6 Tabel Anova Uji Linearity BOR (Y) Terhadap Jumlah Pasien Keluar (X3) ...................................................................... 46 Tabel 3.7 Tabel Anova Uji Linearity BOR (Y) Terhadap Keahlian Tenaga Medis Paramedis (X4) .................................................... 46 Tabel 3.8 Tabel Anova Uji Linearity BOR (Y) Terhadap Jumlah Pasien Masuk (X5) ...................................................................... 46 Tabel 3.9 Ringkasan Uji Linearity Garis Regresi Untuk Indikator BOR ... 46 Tabel 3.10 Koefisien Regresi Untuk Model Ln U2i = b0 + b1 X1 + b2 X2 + b4 X4 + b5 X5 Pada Indikator BOR............................................ 48 Tabel 3.11 Hasil Pengujian Durbin Watson Pada Indikator BOR .............. 49 Tabel 3.12 Collinearity Statistics Untuk Indikator BOR ............................ 52 Tabel 3.13 Coeffisien Correlation Lima Variabel Untuk Indikator BOR... 53 Tabel 3.14 Model Summary Regression Untuk Indikator BOR ................. 53 Tabel 3.15 Anova Regression Untuk Indikator BOR ................................. 53 Tabel 3.16 Coefficients Regression Untuk Indikator BOR ........................ 54 Tabel 3.17 Coefficients Korelasi Untuk Indikator BOR............................. 54 x
Universitas Indonesia
Tabel 3.18 Tabel Hasil Pengujian Normality Untuk Indikator Av-LOS .... 56 Tabel 3.19 Tabel Hasil Pengujian Normality Residual Untuk Indikator Av-LOS ..................................................................................... 57 Tabel 3.20 Tabel Anova Uji Linearity Av-LOS (Y) Terhadap Jumlah Pasien Keluar (X1) .................................................................... 58 Tabel 3.21 Tabel Anova Uji Linearity Av-LOS (Y) Terhadap Jumlah Hari Perawatan Pasien Keluar (X2)................................................... 58 Tabel 3.22 Tabel Anova Uji Linearity Av-LOS (Y) Terhadap Jenis Penyakit Yang Diderita (X3) ..................................................... 58 Tabel 3.23 Tabel Anova Uji Linearity Av-LOS terhadap Golongan Obat Paten Yang Diberikan (X4) ....................................................... 58 Tabel 3.24 Ringkasan Uji Linearity Garis Regresi Untuk Indikator Av-LOS ..................................................................................... 59 Tabel 3.25 Koefisien Regresi Untuk Model Ln U2i = b0 + b1 X1 + b2 X2 + b3 X3 + b4 X4 Pada Indikator Av-LOS ...................................... 60 Tabel 3.26 Hasil Pengujian Durbin Watson Pada Indikator Av-LOS ........ 60 Tabel 3.27 Model Summary Regression Untuk Indikator Av-LOS ........... 61 Tabel 3.28 Anova Regression Untuk Indikator Av-LOS............................ 61 Tabel 3.29 Coefficients Regression Untuk Indikator Av-LOS................... 62 Tabel 3.30 Coefficients Correlations Untuk Indikator Av-LOS................. 62 Tabel 3.31 Tabel Hasil Pengujian Normality Untuk Indikator BTO .......... 64 Tabel 3.32 Tabel Hasil Pengujian Normality Residual Untuk Indikator BTO........................................................................................... 65 Tabel 3.33 Tabel Anova Uji Linearity BTO (Y) Terhadap Jumlah Pasien Keluar (X1) ................................................................................ 66 Tabel 3.34 Tabel Anova Uji Linearity BTO (Y) Terhadap Jenis Penyakit Terbanyak Rawat Inap (X2) ...................................................... 66 Tabel 3.35 Tabel Anova Uji Linearity BTO (Y) Terhadap Kejadian Luar Biasa (X3) .................................................................................. 66
xi
Universitas Indonesia
Tabel 3.36 Tabel Anova Uji Linearity BTO (Y) Terhadap Jumlah Pasien Masuk (X4) ................................................................................ 66 Tabel 3.37 Ringkasan Uji Linearity Garis Regresi Untuk Indikator BTO . 67 Tabel 3.38 Tabel Anova Uji Linearity BTO (Y) Terhadap Log Jumlah Pasien Masuk (X4) .................................................................... 68 Tabel 3.39 Ringkasan Uji Linearity Garis Regresi Untuk Indikator BTO Setelah Transformasi................................................................. 68 Tabel 3.40 Koefisien Regresi Untuk Model Ln U2i = b0 + b1 X1 + b2 X2 + b3 X3 Pada Indikator BTO......................................................... 69 Tabel 3.41 Hasil Pengujian Durbin Watson Pada Indikator BTO .............. 69 Tabel 3.42 Collinearity Statistics Untuk Indikator BTO ............................ 70 Tabel 3.43 Coeffisien Correlation Empat Variabel Untuk Indikator BTO. 71 Tabel 3.44 Model Summary Regression Untuk Indikator BTO ................. 71 Tabel 3.45 Anova Regression Untuk Indikator BTO.................................. 71 Tabel 3.46 Coefficients Regression Untuk Indikator BTO......................... 72 Tabel 3.47 Coefficients Correlations Untuk Indikator BTO....................... 72 Tabel 3.48 Tabel Hasil Pengujian Normality Untuk Indikator TOI ........... 73 Tabel 3.49 Tabel Hasil Pengujian Normality Residual Untuk Indikator TOI ............................................................................................ 75 Tabel 3.50 Tabel Anova Uji Linearity TOI (Y) Terhadap Jumlah Pasien Keluar (X1) ................................................................................ 75 Tabel 3.51 Tabel Anova Uji Linearity TOI (Y) Terhadap Hari Perawatan Rumah Sakit (X2) ...................................................................... 76 Tabel 3.52 Tabel Anova Uji Linearity TOI (Y) Terhadap Kejadian Luar Biasa (X3) .................................................................................. 76 Tabel 3.53 Tabel Anova Uji Linearity TOI (Y) Terhadap Jumlah Pasien Masuk (X4) ................................................................................ 76 Tabel 3.54 Ringkasan Uji Linearity Garis Regresi Untuk Indikator TOI... 76
xii
Universitas Indonesia
Tabel 3.55 Tabel Anova Uji Linearity TOI (Y) Terhadap Log Jumlah Pasien Keluar (X1) .................................................................... 78 Tabel 3.56 Tabel Anova Uji Linearity TOI (Y) Terhadap Log Jumlah Pasien Masuk (X4) .................................................................... 78 Tabel 3.57 Tabel Anova Uji Linearity TOI (Y) Terhadap Inverse Jumlah Pasien Keluar (X1) .................................................................... 78 Tabel 3.58 Tabel Anova Uji Linearity TOI (Y) Terhadap Inverse Jumlah Pasien Masuk(X4) ..................................................................... 78 Tabel 3.59 Ringkasan Uji Linearity Garis Regresi Untuk Indikator TOI Setelah Transformasi................................................................. 79 Tabel 3.60 Koefisien Regresi Untuk Model Ln U2i = b0 + b1 (1/X1) + b2 X2 + b3 X3 Pada Indikator TOI ............................................. 80 Tabel 3.61 Hasil Pengujian Durbin Watson Pada Indikator TOI................ 80 Tabel 3.62 Collinearity Statistics Untuk Indikator TOI.............................. 81 Tabel 3.63 Coeffisien Correlation Empat Variabel Untuk Indikator TOI .. 82 Tabel 3.64 Model Summary Regression Untuk Indikator TOI................... 82 Tabel 3.65 Anova Regression Untuk Indikator TOI................................... 82 Tabel 3.66 Coefficients Regression Untuk Indikator TOI .......................... 83 Tabel 3.67 Coefficients Correlations Untuk Indikator TOI ........................ 83 Tabel 3.68 Tabel Hasil Pengujian Normality Untuk Indikator NDR.......... 84 Tabel 3.69 Tabel Hasil Pengujian Normality Residual Untuk Indikator NDR .......................................................................................... 86 Tabel 3.70 Tabel Anova Uji Linearity NDR (Y) Terhadap Jumlah Pasien Keluar (X1) ................................................................................ 86 Tabel 3.71 Tabel Anova Uji Linearity NDR (Y) Terhadap Jumlah Pasien Mati > 48 Jam Perawatan (X2) .................................................. 87 Tabel 3.72 Tabel Anova Uji Linearity NDR (Y) Terhadap Keahlian Tenaga Medis Paramedis (X3) .................................................. 87 Tabel 3.73 Tabel Anova Uji Linearity NDR (Y) Terhadap Jumlah Pasien Penderita Penyakit Penyebab Kematian (X4)............................ 87 xiii
Universitas Indonesia
Tabel 3.74 Ringkasan Uji Linearity Garis Regresi Untuk Indikator NDR . 87 Tabel 3.75 Tabel Anova Uji Linearity NDR (Y) Terhadap Log Jumlah Pasien Penderita Penyakit Penyebab Kematian (X4) ................ 88 Tabel 3.76 Ringkasan Uji Linearity Garis Regresi Untuk Indikator NDR Setelah Transformasi................................................................. 89 Tabel 3.77 Koefisien Regresi Untuk Model Ln U2i = b0 + b1 X1 + b2 X2 + b3 X3 + b4 LogX4 Pada Indikator NDR ..................................... 90 Tabel 3.78 Hasil Pengujian Durbin Watson Pada Indikator NDR.............. 90 Tabel 3.79 Model Summary Regression Untuk Indikator NDR................. 91 Tabel 3.80 Anova Regression Untuk Indikator NDR ................................. 91 Tabel 3.81 Coefficients Regression Untuk Indikator NDR ........................ 92 Tabel 3.82 Coefficients Correlations Untuk Indikator NDR ...................... 92 Tabel 3.83 Tabel Hasil Pengujian Normality Untuk Indikator GDR.......... 94 Tabel 3.84 Tabel Hasil Pengujian Normality Residual Untuk Indikator GDR .......................................................................................... 95 Tabel 3.85 Tabel Anova Uji Linearity GDR (Y) Terhadap Jumlah Pasien Keluar (X1) ................................................................................ 96 Tabel 3.86 Tabel Anova Uji Linearity GDR (Y) Terhadap Jumlah Pasien Mati (X2) ................................................................................... 96 Tabel 3.87 Tabel Anova Uji Linearity GDR (Y) Terhadap Keahlian Tenaga Medis Paramedis (X3) .................................................. 96 Tabel 3.88 Tabel Anova Uji Linearity GDR (Y) Terhadap Jumlah Pasien Penderita Penyakit Penyebab Kematian (X4)............................ 96 Tabel 3.89 Ringkasan Uji Linearity Garis Regresi Untuk Indikator GDR . 97 Tabel 3.90 Tabel Anova Uji Linearity GDR (Y) Terhadap Kuadrat Keahlian Tenaga Medis dan Paramedis (X3) ............................ 98 Tabel 3.91 Ringkasan Uji Linearity Garis Regresi Untuk Indikator GDR Setelah Transformasi................................................................. 98 Tabel 3.92 Koefisien Regresi Untuk Model Ln U2i = b0 + b1 X1 + b2 X2 + b3 (X3)2 + b4 X4 Pada Indikator NDR ....................................... 99 xiv
Universitas Indonesia
Tabel 3.93 Hasil Pengujian Durbin Watson Pada Indikator GDR.............. 99 Tabel 3.94 Model Summary Regression Untuk Indikator GDR................. 100 Tabel 3.95 Anova Regression Untuk Indikator GDR ................................. 100 Tabel 3.96 Coefficients Regression Untuk Indikator GDR ........................ 101 Tabel 3.97 Coefficients Correlations Untuk Indikator GDR ...................... 101 Tabel 3.98 Perbandingan Nilai Prediksi dan Nilai Sebenarnya Indikator BOR, Av-LOS dan BTO ........................................................... 102 Tabel 3.99 Perbandingan Nilai Prediksi dan Nilai Sebenarnya Indikator TOI, NDR dan GDR ................................................................. 103 Tabel 3.100 Data Variabel Yang Signifikan Mempengaruhi Indikator Keberhasilan Pelayanan RS ................................................... 104 Tabel 3.101 Data Variabel Yang Signifikan Mempengaruhi Indikator Keberhasilan Pelayanan RS Tahun 2008 ............................... 104 Tabel 3.102 Prediksi Nilai Indikator Keberhasilan Pelayanan Rumah Sakit Kelas C Di Provinsi Riau Tahun 2008.......................... 105 Tabel 3.103 Standar Indikator Keberhasilan Pelayanan Rumah Sakit Dengan Memperhatikan Variabel Yang Signifikan Mempengaruhinya.................................................................. 105
xv
Universitas Indonesia
DAFTAR GAMBAR
Gambar 1.1 Diagram Keterkaitan Masalah................................................. 3 Gambar 1.2 Flowchart Metodologi Penelitian ............................................ 7 Gambar 2.1 Normal Probability Plots and Corresponding Univariate Distribution .............................................................................. 22 Gambar 2.2 Pemilihan Transformasi Untuk Mencapai Linearity............... 25 Gambar 2.3 Graphical Analysis Of Residual.............................................. 30 Gambar 3.1 Katalog Dialog Uji Normalitas Menggunakan 1-sample K-S 41 Gambar 3.2 Katalog Dialog Uji Normalitas Menggunakan 1-sample K-S Setelah Test ............................................................................. 42 Gambar 3.3 Histogram Residual Model Persamaan Regresi Pada Indikator BOR......................................................................... 43 Gambar 3.4 Normal Probability Plot Pada Indikator BOR......................... 43 Gambar 3.5 Kotak Dialog Means Untuk Menguji Linearity Garis Regresi 45 Gambar 3.6 Scatterplot Nilai Prediksi BOR Dengan Residualnya............. 47 Gambar 3.7 Kotak Dialog Compute Variabel............................................. 48 Gambar 3.8 Kotak Dialog Linear Regression Setelah Pengisian Variabel. 50 Gambar 3.9 Kotak Dialog Linear Regression : Statistics ........................... 51 Gambar 3.10 Kotak Dialog Linear Regression : Plots................................ 51 Gambar 3.11 Kotak Dialog Linear Regression : Save ................................ 52 Gambar 3.12 Histogram Residual Model Persamaan Regresi Untuk Indikator Av-LOS ................................................................. 56 Gambar 3.13 Normal Probability Plot Untuk Indikator Av-LOS ............... 57 Gambar 3.14 Scatterplot Nilai Prediksi Av-LOS Dengan Residualnya ..... 59 Gambar 3.15 Histogram Residual Model Persamaan Regresi Untuk Indikator BTO ....................................................................... 64 xvi
Universitas Indonesia
Gambar 3.16 Normal Probability Plot Untuk Indikator BTO..................... 65 Gambar 3.17 Plot Untuk Indikator BTO Terhadap Jumlah Pasien Masuk (X4)......................................................................................... 67 Gambar 3.18 Scatterplot Nilai Prediksi BTO Dengan Residualnya ........... 68 Gambar 3.19 Histogram Residual Model Persamaan Regresi Untuk Indikator TOI ........................................................................ 74 Gambar 3.20 Normal Probability Plot Untuk Indikator TOI ...................... 74 Gambar 3.21 Plot Untuk Indikator TOI Terhadap Jumlah Pasien Keluar (X1)......................................................................................... 77 Gambar 3.22 Plot Untuk Indikator TOI Terhadap Jumlah Pasien Masuk (X4)......................................................................................... 77 Gambar 3.23 Scatterplot Nilai Prediksi TOI Dengan Residualnya ............ 79 Gambar 3.24 Histogram Residual Model Persamaan Regresi Untuk Indikator NDR....................................................................... 85 Gambar 3.25 Normal Probability Plot Untuk Indikator NDR .................... 85 Gambar 3.26 Plot Untuk Indikator NDR Terhadap Jumlah Pasien Keluar (X1)......................................................................................... 88 Gambar 3.27 Scatterplot Nilai Prediksi NDR Dengan Residualnya........... 89 Gambar 3.28 Histogram Residual Model Persamaan Regresi Untuk Indikator GDR....................................................................... 94 Gambar 3.29 Normal Probability Plot Untuk Indikator GDR .................... 95 Gambar 3.30 Plot Untuk Indikator GDR Terhadap Keahlian Tenaga Medis dan Paramedis (X3) ............................................................... 97 Gambar 3.31 Scatterplot Nilai Prediksi GDR Dengan Residualnya........... 98
xvii
Universitas Indonesia
DAFTAR LAMPIRAN
Lampiran 1. Kuesioner Identifikasi Variabel.............................................. 140 Lampiran 2. Data-Data Variabel X dan Y .................................................. 144 Lampiran 3. Nilai Prediksi dan Nilai Sebenarnya Indikator BOR, Av-LOS dan BTO ......................................................... 153 Lampiran 4. Nilai Prediksi dan Nilai Sebenarnya Indikator TOI, NDR dan GDR ............................................................... 155
xviii
Universitas Indonesia
1
BAB 1 PENDAHULUAN 1.1
Latar Belakang Industri rumah sakit diartikan sebagai penerapan manajemen industri
dalam manajemen rumah sakit demi pencapaian efisiensi dan efektivitas sebagai unit sosioekonomi. Rumah sakit sebagai suatu organisasi penyaji jasa kesehatan tidak terkecuali juga menghadapi globalisasi dan perubahan lingkungan, terutama lingkungan perawatan kesehatan, sehingga manajemen rumah sakit membutuhkan cara tertentu untuk menghadapinya. Perubahan lingkungan yang dimaksud antara lain terjadi pada ilmu dan teknologi medis yang makin maju dan terus berkembang. Di samping itu, juga terjadi perubahan paradigma di bidang kesehatan. Deregulasi dan swastanisasi sektor kesehatan dilakukan oleh pemerintah. Swasta diberi kemudahan oleh pemerintah untuk membangun rumah sakit, sehingga memungkinan akan terjadi “persaingan” di antara rumah sakit. (Ristrini, 2005). Begitu juga dengan perkembangan industri rumah sakit di Provinsi Riau. Saat ini di Riau khususnya di Pekanbaru, rumah sakit swasta jauh lebih banyak dibandingkan rumah sakit pemerintah, BUMN ataupun TNI/POLRI. Berikut disajikan data rumah sakit di Provinsi Riau berdasarkan kabupaten/kota tahun 2007 : Tabel 1.1 Data Rumah Sakit di Provinsi Riau No
Kab/Kota
Pemerintah
1
Pekanbaru Kampar Rokan Hulu Indragiri Hulu Kuantan Sengingi Pelalawan Indragiri Hilir Bengkalis Siak Dumai Rokan hilir Jumlah
2 1 1 1 1 1 1 3 1 1 1 14
2 3 4 5 6 7 8 9 10 11
Rumah Sakit Swasta BUMN
9 2 1 0 0 2 0 3 0 0 1 18
1 1 1 0 0 0 0 1 0 1 0 5
TNI/POLRI
3 0 0 0 0 0 0 0 0 1 1 5
Jumlah
Jumlah Tempat Tidur
15 4 3 1 1 3 1 7 1 3 3 42
1352 193 197 82 100 102 80 124 50 212 120 2612
Sumber : Profil Kesehatan Provinsi Riau, 2007 Universitas Indonesia
2
Penelitian-penelitian sebelumnya yang berkaitan dengan pelayanan rumah sakit selalu dilakukan untuk melihat kepuasan yang dirasakan oleh pasien terhadap proses pelayanan yang diberikan oleh pihak rumah sakit. Kaul, Gupta dan Jauhari (2008) menggunakan faktor-faktor yang dibagi menjadi tiga yaitu sebelum konsultasi dengan dokter, selama konsultasi dan pengobatan, serta setelah proses konsultasi berakhir untuk melihat faktor-faktor mana yang benarbenar mempengaruhi kepuasan pasien secara keseluruhan. Tetapi Ditjen Bina Pelayanan Medik Depkes RI,2005 menggunakan tingkat pemanfaatan sarana pelayanan, mutu pelayanan dan tingkat efisiensi pelayanan untuk mengetahui keberhasilan suatu Rumah Sakit dan tentang gambaran keadaan pelayanan di Rumah Sakit dengan menggunakan beberapa indikator seperti di bawah ini : Tabel 1.2 Indikator Keberhasilan Pelayanan Rumah Sakit No 1.
2. 3.
4.
5.
6.
Indikator
Nilai Ideal
Bed Occupancy Rate (BOR) Yaitu prosentase pemakaian tempat tidur pada 60-85% satu satuan waktu tertentu. Average Length of Stay (Av LOS) 6 - 9 hari Yaitu rata-rata lama rawatan seorang pasien. Bed Turn Over (BTO) Yaitu frekuensi pemakaian tempat tidur, 40-50 kali / tahun berapa kali dalam satu satuan waktu tertentu (biasanya 1 tahun) tempat tidur rumah sakit dipakai. Turn Over Interval (TOI) Yaitu rata-rata hari tempat tidur tidak 1 - 3 hari ditempati dari saat terisi ke saat terisi berikutnya. Net Death Rate (NDR) < 25 per 1000 penderita Yaitu angka kematian > 48 jam setelah keluar dirawat untuk tiap-tiap 1000 penderita keluar. Gross Death Rate (GDR) < 45 per 1000 penderita Yaitu angka kematian umum untuk tiap-tiap keluar 1000 penderita keluar. Sumber : Kegiatan Pelayanan Rumah Sakit, 2005
Selain itu juga menggunakan indikator rata-rata kunjungan poliklinik per hari, kegiatan klinik unit darurat, kegiatan kebidanan/persalinan, kegiatan pembedahan, Universitas Indonesia
3
kegiatan pemeriksaan laboratorium, kegiatan keluarga berencana rumah sakit, kegiatan rujukan serta cara pembayaran. Oleh karena itu rumah sakit dapat dikatakan berhasil dan mampu bersaing apabila berada pada standar ideal masing-masing indikator tersebut. Namun standar yang ada saat ini berlaku untuk keseluruhan rumah sakit di Indonesia tanpa memperhatikan kelas rumah sakit dan variabel-variabel lainnya, sehingga rentang standar yang diberikan tersebut masih cukup jauh. Untuk itu perlu diketahui variabel-variabel apa saja yang mempengaruhi masing-masing indikator tersebut, sehingga dapat membantu untuk menentukan standar rumah sakit di Provinsi Riau yang akhirnya berguna sebagai salah satu acuan untuk terus meningkatkan kualitas pelayanan rumah sakit yang ada di Provinsi Riau. Hasil dari penelitian ini adalah berupa suatu model yang dapat digunakan untuk penentuan standar masing-masing indikator pelayanan rumah sakit yang dapat disesuaikan dengan variabel-variabel yang signifikan mempengaruhinya.
1.2
Diagram Keterkaitan Masalah Meningkatkan persaingan dalam industri RS
Menunjukkan tingkat keberhasilan pelayanan RS
Pertimbangan dalam membuat kebijakan
Tersedianya model untuk menentukan standar indikator pelayanan RS tipe X di Provinsi Riau
Belum ada metode yang berdasarkan teori untuk menentukan nilai standar indikator keberhasilan pelayanan RS
Standar yang ada sekarang terlalu umum tidak memperhatikan variabel lainnya
Standar yang digunakan ditentukan oleh Depkes untuk seluruh RS di Indonesia
Adanya kelas RS yang berbeda-beda
Kebijakan Depkes
SDM RS perlu mengetahui posisi mereka
SDM RS dituntut untuk terus meningkatkan kualitas pelayanan mereka
Depkes menjadi satu-satunya institusi yang berhak menilai
Gambar 1.1 Diagram Keterkaitan Masalah Universitas Indonesia
4
1.3
Pokok Permasalahan Berdasarkan latar belakang permasalahan tersebut di atas, maka
permasalahan utama yang akan dibahas dalam penelitian ini adalah penentuan variabel-variabel yang mempengaruhi indikator-indikator keberhasilan pelayanan suatu rumah sakit untuk selanjutnya dirancang suatu model yang dapat digunakan untuk menentukan standar rumah sakit yang sesuai dengan variabel-variabel yang benar-benar
signifikan
mempengaruhinya
dengan
menggunakan
analisis
multivariate multiple regression analysis.
1.4
Tujuan Penelitian Tujuan dari penelitian ini adalah : a. Merancang suatu model yang dapat digunakan untuk menentukan standar masing-masing indikator pelayanan rumah sakit yang sesuai dengan variabel-variabel yang benar-benar signifikan mempengaruhinya.
1.5
Batasan Masalah Batasan masalah yang digunakan pada penelitian ini adalah : a. Penelitian dilakukan pada dua rumah sakit swasta Kelas C di Provinsi Riau yang sudah terakreditasi, b. Indikator yang diteliti adalah indikator-indikator yang mempunyai nilai standar saja, c. Data yang digunakan adalah data yang diperoleh selama melakukan penelitian.
1.6
Metodologi Penelitian Metodologi yang digunakan dalam penelitian ini terbagi menjadi beberapa
tahap, yaitu :
Tahap Studi Pendahuluan, meliputi : 1. Perumusan Masalah yang akan diteliti, 2. Tinjauan Pustaka dan Tinjauan Lapangan, 3. Perumusan Tujuan Penelitian.
Universitas Indonesia
5
Tahap Identifikasi, meliputi : 1. Pemilihan Metode yang akan digunakan, 2. Penentuan Tempat Penelitian, 3. Penentuan Data yang dibutuhkan.
Tahap Pengumpulan Data, meliputi : 1. Penentuan variabel-variabel yang mempengaruhi masing-masing indikator keberhasilan pelayanan rumah sakit, 2. Pengumpulan data dari beberapa rumah sakit dan Dinas Kesehatan Provinsi Riau.
Tahap Pengolahan dan Analisa data, meliputi : 1. Melakukan multiple regression analysis untuk mengidentifikasi faktor mana yang signifikan berpengaruh terhadap masing-masing indikator keberhasilan pelayanan rumah sakit, 2. Menemukan model untuk penentuan standar masing-masing indikator keberhasilan pelayanan RS, 3. Menganalisa hasil pengolahan.
Tahap Pengambilan Kesimpulan.
Universitas Indonesia
Tahap Pengumpulan Data
Tahap Identifikasi
Tahap Studi Pendahuluan
6
Mulai
Perumusan Masalah Tinjauan Pustaka dan Tinjauan Lapangan
Tujuan Penelitian
Pemilihan Metode
Penentuan Tempat Penelitian
Penentuan Data yang Dibutuhkan
Penentuan variabel-variabel yang mempengaruhi masing-masing indikator keberhasilan pelayanan rumah sakit
Pengumpulan data dari beberapa rumah sakit, BPS dan Dinas Kesehatan Provinsi Riau
A
Universitas Indonesia
7
Tahap Pengolahan dan Analisa
A
Penginputan Data ke SPSS Pengolahan dengan Multiple Regression Penemuan model penentuan nilai masing-masing indikator keberhasilan pelayanan RS
Analisis Hasil Pengolahan Data
Tahap Pengambilan Keputusan
Menarik Kesimpulan dari Hasil Penelitian
Memberikan saran
Selesai
Gambar 1.2 Flowchart Metodologi Penelitian
1.7
Sistematika Penulisan Untuk mempermudah penyusunan dan pemahaman dari laporan ini, maka
disusun sebuah sistematika penulisan sebagai berikut : BAB I
PENDAHULUAN Berisikan mengenai latar belakang, diagram keterkaitan masalah, pokok permasalahan,
tujuan
penelitian,
batasan
masalah,
metodologi
penelitian dan sistematika penulisan laporan. BAB II
TINJAUAN PUSTAKA Berisikan teori-teori utama dan pendukung yang sesuai dengan pembahasan. Universitas Indonesia
8
BAB III METODE PENELITIAN Berisikan mengenai data-data yang deperoleh dan variabel-variabel yang mempengaruhi indikator keberhasilan pelayanan suatu rumah sakit serta pengolahan dengan analisis multivariate yaitu multiple regression analysis. BAB IV PEMBAHASAN Berisikan analisis terhadap hasil pengolahan yang telah dilakukan sebelumnya. BAB V
KESIMPULAN DAN SARAN Berisikan kesimpulan dari hasil penelitian dan saran berkaitan dengan penelitian yang telah dilakukan.
Universitas Indonesia
9
BAB 2 TINJAUAN PUSTAKA 2.1
Rumah Sakit
2.1.1
Pengantar Rumah Sakit Menurut Direktorat Pelayanan Medik Departemen Kesehatan RI dalam
Rancangan Peraturan Pemerintah tentang Rumah Sakit (2004), Rumah Sakit adalah semua sarana kesehatan yang menyelenggarakan pelayanan rawat inap, rawat jalan, gawat darurat dan tindakan medik yang dilaksanakan selama 24 jam melalui upaya kesehatan perorangan. Rumah Sakit mempunyai tugas pokok menyelenggarakan upaya kesehatan perorangan yang paripurna (promotif, preventif, kuratif dan rehabilitasi) dengan mengutamakan upaya penyembuhan penyakit dan pemulihan kesehatan tanpa mengabaikan upaya pencegahan dan peningkatan. Fungsi Rumah Sakit adalah menyelenggarakan pelayanan medis, pelayanan keperawatan, pelayanan penunjang medis, pelayanan administrasi dan manajemen, pendidikan/pelatihan, serta penelitian dan pengembangan. Yang dimaksud dengan pelayanan medis adalah upaya kesehatan perorangan meliputi pelayanan promotif, prefentif, kuratif dan rehabilitatif yang diberikan kepada pasien oleh tenaga medis sesuai dengan standar pelayanan medis dengan memanfaatkan sumber daya dan fasilitas secara optimal. Pelayanan keperawatan adalah pelayanan kesehatan yang didasarkan pada ilmu dan kiat keperawatan, yang mencakup biopsikososiospiritual yang komprehensif. Sedangkan pelayanan penunjang medis adalah kegiatan pelayanan kesehatan yang menunjang pelayanan medik yang sesuai dengan standar yang berlaku, meliputi rekam medis yaitu rekaman tentang identitas pasien, pemeriksaan, pengobatan, tindakan dan pelayanan lain kepada pasien, dapur, laundry, sterilisasi, logistic, dan sebagainya. Dan pelayanan administrasi serta manajemen merupakan kegiatan pelayanan administrasi, dan manajemen untuk mendukung penyelenggaraan pelayanan rumah sakit sesuai dengan kebutuhan perkembangan.
Universitas Indonesia
10
2.1.2
Klasifikasi dan Kelas Rumah Sakit Rumah Sakit di Indonesia dapat dikategorikan menurut jenis dan
pengelolahnya (Departemen Kesehatan RI, 2005). Menurut jenisnya, Rumah Sakit dapat dikelompokkan menjadi : •
Rumah Sakit Umum (RSU). RSU adalah Rumah Sakit yang menyelenggarakan pelayanan kesehatan semua bidang dan jenis penyakit,
•
Rumah Sakit Jiwa (RSJ),
•
Rumah Sakit Khusus. Rumah Sakit Khusus adalah Rumah Sakit yang menyelenggarakan pelayanan utama pada satu atau dua bidang tertentu, berdasarkan disiplin ilmu, golongan umur, organ, jenis penyakit, atau kekhususan lainnya.
Sedangkan menurut pengelolahnya, Rumah Sakit dapat dikelompokkan menjadi : •
Rumah Sakit Vertikal yang dikelolah oleh Departemen Kesehatan RI,
•
Rumah Sakit Provinsi yang dikelolah oleh Pemerintah Daerah Tingkat I,
•
Rumah Sakit Kabupaten/Kotamadya yang dikelolah oleh Pemerintah Daerah Tingkat II,
•
Rumah Sakit ABRI,
•
Rumah Sakit Departemen Lain/BUMN,
•
Rumah Sakit Swasta.
Menurut Direktorat Pelayanan Medik Departemen Kesehatan RI dalam Pedoman Penyelenggaraan Rumah Sakit (2008), rumah sakit dikelompokkan menjadi berbagai jenis pelayanan sebagai berikut : I.
Pelayanan Umum a. Pelayanan Medik Umum, b. Pelayanan Medik Gigi Dasar, c. Pelayanan KIA/KB.
II.
Pelayanan Gawat Darurat
III.
Pelayanan Spesialis Dasar a. Pelayanan Penyakit Dalam, Universitas Indonesia
11 b. Pelayanan Kesehatan Anak, c. Pelayanan Bedah, d. Pelayanan Obstetri dan Ginekologi. IV.
Pelayanan Spesialistik Penunjang a. Pelayanan Anestesiologi, b. Pelayanan Radiologi, c. Pelayanan Rehabilitasi Medik, d. Pelayanan Patologi Klinik, e. Pelayanan Patologi Anatomi.
V.
Pelayanan Medik Spesialistik Lain a. Pelayanan Spesialis Telinga Hidung Tenggorokan, b. Pelayanan Spesialis Orthopaedi, c. Pelayanan Spesialis Kesehatan Jiwa, d. Pelayanan Spesialis Penyakit Saraf, e. Pelayanan Spesialis Penyakit Mata, f. Pelayanan Spesialis Penyakit Kulit dan Kelamin, g. Pelayanan Spesialis Jantung, h. Pelayanan Spesialis Paru, i. Pelayanan Spesialis Urologi, j. Pelayanan Spesialis Bedah Syaraf, k. Pelayanan Spesialis Lainnya.
VI.
Pelayanan Spesialistik Gigi Mulut a. Pelayanan Orthodonsi, b. Pelayanan Prosthodonsi, c. Pelayanan Konservasi/endodonsi.
VII.
Sub Spesialis a. Sub Spesialis Pelayanan Bedah, b. Sub Spesialis Pelayanan Penyakit Dalam, c. Sub Spesialis Pelayanan Kesehatan Anak, d. Sub Spesialis Pelayanan Kebidanan dan Penyakit kandungan, e. Sub Spesialis Pelayanan Mata, f. Sub Spesialis Pelayanan THT, Universitas Indonesia
12 g. Sub Spesialis Pelayanan Kulit dan Kelamin, h. Sub Spesialis Pelayanan Syaraf, i. Sub Spesialis Pelayanan Jiwa, j. Sub Spesialis Pelayanan Orthopedi, k. Sub Spesialis Pelayanan Jantung, l. Sub Spesialis Pelayanan Paru, m. Sub Spesialis Pelayanan Spesialis Gigi dan Mulut, n. Sub Spesialis Lainnya. VIII. Pelayanan Penunjang Klinik a. Perawatan Intensif, b. Pelayanan Darah, c. Pelayanan Gizi, d. Pelayanan Farmasi, e. Pelayanan Sterilisasi dan Instrumen, f. Rekam Medik. IX.
Pelayanan Penunjang Non Klinik a. Laundry/Linen, b. Pelayanan Jasa Boga/Dapur, c. Pelayanan Teknik dan Pemeliharaan Fasilitas, d. Pengelolaan Limbah, e. Gudang, f. Transportasi (Ambulance), g. Komunikasi, h. Pemulasaran Jenazah, i. Pemadam Kebakaran, j. Penampungan Air Bersih.
X.
Pelayanan Administrasi a. Informasi dan penerimaan pasien, b. Keuangan, c. Personalia, d. Keamanan, e. Sistem Informasi Rumah Sakit. Universitas Indonesia
13 Sesuai dengan beban kerja dan fungsinya maka rumah sakit umum dikategorikan menjadi empat kelas : o Rumah Sakit Kelas A, adalah Rumah Sakit Umum yang memiliki fasilitas dan kemampuan pelayanan umum (I), pelayanan gawat darurat (II), pelayanan spesialis dasar (III), pelayanan spesialistik penunjang (IV) pelayanan medik spesialistik lain (V), pelayanan penunjang klinik (VIII), pelayanan penunjang Non Klinik (IX), pelayanan administrasi (X) dan dapat ditambah dengan pelayanan spesialistik gigi dan mulut (VI), sub spesialis luas (VII), o Rumah Sakit Kelas B, adalah Rumah Sakit Umum yang memiliki fasilitas dan kemampuan pelayanan umum (I), pelayanan gawat darurat (II), pelayanan spesialis dasar (III), pelayanan spesialistik penunjang (IV), 7 pelayanan medik spesialistik lain (V), pelayanan penunjang klinik (VIII), pelayanan penunjang non klinik (IX), pelayanan administrasi (X) dan dapat ditambah dengan pelayanan spesialistik gigi dan mulut (VI), sub spesialis terbatas (VII), serta memiliki minimal 200 fasilitas tempat tidur, o Rumah Sakit Kelas C, adalah Rumah Sakit Umum yang memiliki fasilitas dan kemampuan pelayanan umum (I), pelayanan gawat darurat (II), pelayanan spesialis dasar (III), 4 pelayanan spesialistik penunjang (IV), pelayanan penunjang klinik (VIII), pelayanan penunjang non klinik (IX), pelayanan administrasi (X), serta memiliki minimal 100 fasilitas tempat tidur, o Rumah Sakit Kelas D, adalah Rumah Sakit Umum yang memiliki fasilitas dan kemampuan pelayanan umum (I), pelayanan gawat darurat (II), 2 jenis pelayanan spesialis dasar atau lebih (III), pelayanan penunjang klinik (VIII) kecuali perawatan intensif, pelayanan penunjang non klinik (IX), dan pelayanan administrasi (X), serta memiliki minimal 50 fasilitas tempat tidur.
Universitas Indonesia
14
2.2
Indikator
2.2.1
Pengertian Dalam Petunjuk Pelaksanaan Indikator Mutu Pelayanan Rumah Sakit yang
dikeluarkan oleh
World Health Organization Direktorat Jenderal Pelayanan
Medik Departemen Kesehatan RI, 2001, Indikator adalah suatu cara untuk menilai penampilan dari suatu kegiatan dengan menggunakan instrument. Indikator merupakan variable yang digunakan untuk menilai suatu perubahan. Menurut WHO, indicator adalah variable untuk mengukur perubahan. Indikator sering digunakan terutama bila perubahan tersebut tidak dapat diukur. Indikator yang ideal harus memiliki empat criteria, yaitu : o Sahih (valid), yaitu benar-benar dapat dipakai untuk mengukur aspek yang akan dinilai, o Dapat dipercaya (reliable), yaitu mampu menunjukkan hasil yang sama pada saat yang berulang kali, untuk waktu sekarang maupun yang akan datang, o Sensitif, yaitu cukup peka untuk mengukur, sehingga jumlahnya tidak perlu banyak, o Spesifik, yaitu memberikan gambaran perubahan ukuran yang jelas, tidak bertumpang tindih. Indikator-indikator dalam pelayanan rumah sakit ini akan mempunyai manfaat yang sangat banyak bagi pengelola rumah sakit, terutama untuk mengukur kinerja rumah sakit itu sendiri (self assessment). Manfaat tersebut antara lain sebagai alat yang digunakan untuk manajemen control dan alat untuk mendukung pengambilan keputusan dalam rangka perencanaan kegiatan untuk masa yang akan datang.
2.2.2
Indikator Bagi Rumah Sakit Menurut Donabedian, pengukuran mutu pelayanan kesehatan dapat diukur
dengan menggunakan tiga variable (Direktorat Jenderal Pelayanan Medik Departemen Kesehatan RI, 2005), yaitu :
Input (struktur), ialah segala sumber daya yang diperlukan untuk melakukan pelayanan kesehatan, seperti tenaga, dana, obat, fasilitas, Universitas Indonesia
15 peralatan, bahan, teknologi, organisasi, informasi, dan lain-lain. Pelayanan kesehatan yang bermutu memerlukan dukungan input yang bermutu pula. Hubungan struktur dengan mutu pelayanan kesehatan adalah dalam perencanaan dan penggerakan pelaksanaan pelayanan kesehatan.
Proses, ialah interaksi professional antara pemberi layanan dengan konsumen (pasien/masyarakat). Proses ini merupakan variable penilaian mutu yang paling penting.
Output (Outcome), ialaha hasil pelayanan kesehatan, merupakan perubahan yang terjadi pada konsumen (pasien/masyarakat), termasuk kepuasan dari konsumen tersebut. Rumah sakit tertentu yang berstatus kepemilikannya di bawah Departemen
Kesehatan, indicator yang digunakan adalah indicator mutu pelayanan rumah sakit. Proses penyusunannya dilaksanakan pada tahun 1996-1997, dan telah diuji pada 11 rumah sakit yang tersebar di Indonesia. Kegiatan penyusunan diawali dengan mencari indicator mana yang dapat dengan mudah dilaksanakan dan dilakukan inventarisasi data yang tersedia di rumah sakit yang dapat dimanfaatkan untuk diolah menjadi indicator mutu. Indikator untuk mengukur kinerja rumah sakit juga mengadop indicator mutu pelayanan rumah sakit. Indikator yang digunakan untuk mengukur kinerja rumah sakit maupun indicator mutu pelayanan rumah sakit tidak semuanya dapat diaplikasikan untuk semua rumah sakit pada umumnya.
2.2.3
Indikator Penilaian Pelayanan Rumah Sakit Direktorat Jenderal Bina Pelayanan Medik dalam Informasi Rumah Sakit
seri 1 tentang Pelayanan Rumah Sakit,2005, untuk menilai tingkat keberhasilan atau memberikan gambaran tentang keadaan pelayanan di rumah sakit biasanya dilihat dari berbagai segi, yaitu :
Tingkat pemanfaatan sarana pelayanan,
Mutu pelayanan,
Tingkat efisiensi pelayanan.
Universitas Indonesia
16 Untuk mengetahui tingkat pemanfaatan, mutu dan efisiensi pelayanan rumah sakit diperlukan beberapa indicator. Selain itu agar informasi yang ada dapat bermakna harus ada nilai parameter yang akan dipakai sebagai nilai banding antara fakta dengan standar yang diinginkan. Terdapat banyak sekali indicator yang dipakai untuk menilai suatu rumah sakit, yang paling sering dipergunakan diantaranya adalah : 1.
Bed Occupancy Rate (BOR) Yaitu prosentase pemakaian tempat tidur pada satu satuan waktu tertentu.
Indikator ini memberikan gambaran tinggi rendahnya tingkat pemanfaatan dari tempat tidur rumah sakit. Rumus :
x 100 %
(2.1)
Nilai parameter dari BOR ini idealnya antara 60-85% 2.
Average Length of Stay (Av LOS) Yaitu rata-rata lama rawatan seorang pasien. Indikator ini disamping
memberikan gambaran tingkat efisiensi juga dapat memberikan gambaran mutu pelayanan, apabila diterapkan pada diagnosis tertentu yang dijadikan tracer (yang perlu pengamatan lebih lanjut). Rumus :
(2.2)
Secara umum LOS yang ideal antara 6 - 9 hari. 3.
Bed Turn Over (BTO) Yaitu frekuensi pemakaian tempat tidur, berapa kali dalam satu satuan
waktu tertentu (biasanya 1 tahun) tempat tidur rumah sakit dipakai. Indikator ini memberikan gambaran tingkat efisiensi dari pada pemakaian tempat tidur. Rumus :
(2.3)
Idealnya selama satu tahun, 1 tempat tidur rata-rata dipakai 40-50 kali.
Universitas Indonesia
17 4.
Turn Over Interval (TOI) Yaitu rata-rata hari, tempat tidur tidak ditempati dari saat terisi ke saat
terisi berikutnya. Indikator ini juga memberikan gambaran tingkat efisiensi dari pada penggunaan tempat tidur. Rumus :
(2.4)
Idealnya tempat tidur kosong hanya dalam waktu 1 - 3 hari. 5.
Net Death Rate (NDR) Yaitu angka kematian > 48 jam setelah dirawat untuk tiap-tiap 1000
penderita keluar. Indikator ini dapat memberikan gambaran mutu pelayanan di rumah sakit. Rumus :
X1000%
(2.5)
Nilai NDR yang dianggap masih dapat ditolerir adalah < 25 per 1000 penderita keluar. 6.
Gross Death Rate (GDR) Yaitu angka kematian umum untuk tiap-tiap 1000 penderita keluar. Rumus :
X 1000%
(2.6)
Nilai GDR ideal < 45 per 1000 penderita keluar. 7.
Rata-rata Kunjungan Poliklinik per hari Indikator ini dipakai untuk menilai tingkat pemanfaatan poliklinik rumah
sakit. Angka rata-rata ini apabila dibandingkan dengan jumlah penduduk diwilayahnya akan memberikan gambaran cakupan pelayanan dari suatu rumah sakit. Rumus :
(2.7)
Universitas Indonesia
18 8.
Kegiatan Klinik Unit Darurat Angka kematian di Klinik Unit Darurat, dibandingkan dengan jumlah
pasien di Unit Darurat. Rumus :
9.
(2.8)
Kegiatan Kebidanan/Persalinan Jumlah lahir hidup dan lahir mati dibandingkan dengan total persalinan. Rumus :
10.
(2.9)
Kegiatan Pembedahan Prosentase pembedahan menurut golongan operasi
11.
Kegiatan Pemeriksaan Laboratorium Prosentase pemeriksaan laboratorium menurut masing-masing kategori.
12.
Kegiatan Keluarga Berencana Rumah Sakit Jumlah peserta KB baru di RS, keluhan/efek samping.
13.
Kegiatan Rujukan Jumlah pasien rujukan dan pasien dirujuk dengan total pasien.
14.
Cara Pembayaran Perbandingan antara pasien yang membayar, Asuransi, keringanan, gratis
dengan total pasien.
2.3
Analisis Multivariat Menurut Hair, Black, Babin, Anderson, Tathan, 2006, analisis data
multivariat adalah semua metode statsitik yang secara serempak menganalisis berbagai pengukuran pada masing-masing individu/objek yang diinvestigasi. Hal ini dilakukan antara lain untuk pengukuran, menjelaskan dan memprediksi, serta untuk pengujian hipotesis terhadap objek yang diinvestigasi. Universitas Indonesia
19
2.3.1
Skala Pengukuran Terdapat dua macam jenis data yaitu.
•
Skala Pengukuran Non Metrik Data non metrik adalah berupa atribut, karakteristik atau kategorikal yang mengidentifikasi atau menggambarkan sebuah subjek, bisa berupa nominal ataupun ordinal. Nominal dapat diartikan sebagai jumlah angka yang mengidentifikasi objek.
•
Skala pengukuran Metrik Data metrik didefinisikan dengan angka, bisa berupa rasio atau interval. Rasio merupakan pengukuran yang lebih presisi dari interval karena mereka mengelompokkan semua dalam skala terendah dan zero poin yang absolut. Interval menyajikan tingkatan level pada pengukuran presisi yang mendekati operasi atau perhitungan matematika.
2.3.2
Tipe-Tipe Teknik Multivariat Analisis multivariat merupakan seperangkat teknik pengembangan yang
pernah ada untuk menganalisis data. Teknik-teknik multivariat ini terbagi menjadi dua yaitu : 1.
Teknik Dependence Sebuah atau seperangkat variabel diidentifikasi sebagai variable dependent berdasarkan prediksi atau penjelasan dari variabel lainnya yang diketahui sebagai variabel independent. Yang termasuk dalam teknik ini adalah : a.
Multiple Regression, digunakan untuk menguji hubungan antara sedikitnya dua variabel independent dengan skala interval dan satu variabel dependent juga dengan skala interval.
b.
Multiple Discriminant Analysis, digunakan untuk memprediksi peluang objek yang terlibat dalam dua atau lebih kategori mutually exclusive (variabel dependent) berdasarkan pada beberapa variabel independent. Atau deengan kata lain variabel dependent non metrik/kategorikal diprediksi oleh beberapa variabel independent metrik.
Universitas Indonesia
20 c.
Logit atau Logistik Regression, apabila satu variabel dependent non metrik diprediksi oleh beberapa variabel independent metrik.
d.
Manova
dan
Covariance
merupakan
teknik
statistik
yang
menyediakan tes perbedaan rata-rata antara grup untuk dua atau lebih variabel dependent. Dimana beberapa variabel dependent metrik diprediksi
oleh
seperangkat
variabel
independent
non
metrik/kategotikal. e.
Conjoint Analysis, digunakan untuk mengerti pilihan responden terhadap produk dan jasa.
f.
Canonical Correlation. Apabila terdapat dua atau lebih kriteria variabel (variabel dependent) dengan banyak variabel prediktor (variabel independent). Ini merupakan perluasan dari multiple regresi.
g.
Structural Equations Modeling (SEM) merupakan berbagai perkiraan hubungan interrelated dependence berdasarkan pada dua komponen, yaitu struktur model dan model pengukuran.
2.
Teknik Interdependence Teknik ini melibatkan analisa bersama dari semua variabel, tanpa membedakan variabel dependent dan independent. Yang termasuk ke dalam teknik ini adalah : a.
Principal Component dan Common Factor Analysis, digunakan untuk menganalisis hubungan struktur antara sejumlah besar variabel untuk menentukan seperangkat dimensi umum faktor.
b.
Cluster Analysis, yaitu kelompok objek (responden, produk, dll) yang masing-masing objek sama dengan yang lainnya dalam satu kluster dan berbeda dari objek lain dalam kluster lainnya.
c.
Multidimensional Scalling (perceptual mapping), digunakan untuk mengidentifikasi
dimensi-dimensi
yang
tidak
dikenali
yang
mempengaruhi prilaku pembelian berdasarkan pada pertimbangan pelanggan (kesamaan atau pilihan) dan mentransformasiny ke jarak representasi sebagai peta persepsi.
Universitas Indonesia
21 d.
Correspondence Analysis, menggunakan data non metrik dan mengevaluasi hubungan linear dan non linear dalam usaha untuk mengembangkan peta perseptual yang merepresentasikan hubungan antara objek dan sebuah penjelasan karakteristik objek tersebut.
2.4
Asumsi-Asumsi Analisis Multivariat Banyak asumsi yang dibutuhkan dalam teknik multivariat, empat
diantaranya memberikan pengaruh yang sangat kuat dalam setiap teknik statistik univariate dan multivariat. 2.4.1
Normality Asumsi mendasar dalam analisis multivariate adalah normality, berkaitan
dengan bentuk distribusi data untuk sebuah variabel metrik dan hubungannya kepada distibusi normal. Jika variasi dari distribusi normal begitu besar, semua hasil tes statistik menjadi tidak benar, karena normality dibutuhkan untuk pengujian F dan t. Metode statistik univariate dan multivariate didasarkan pada asumsi univariate normality, dengan metode multivariate juga diasumsikan multivariate normality. Univariate normality untuk satu variabel sangat mudah untuk diuji, multivariate normality (kombinasi dari dua atau lebih variabel) berarti bahwa variabel individu bersifat normal dalam sudut pandang univariate dan kombinasinya juga normal. Penaksiran dari nonnormality adalah berdasarkan dua dimensi yaitu bentuk dari distribusi serta ukuran sampel. Bentuk distribusi bisa digambarkan dalam dua bentuk yaitu kurtosis dan skewness. Kurtosis berkaitan dengan puncak distribusi yang rendah (peakness) dan puncak distribusi yang terlalu tinggi (flattness) dibandingkan dengan distibusi normal. Skewness digunakan untuk menggambarkan keseimbangan distribusi, ini menjadi tidak seimbang jika bergeser ke satu sisi (kiri atau kanan). Positif skew apabila bergeser kiri, sedangkan negatif skew direfleksikan oleh pergeseran ke kanan. Ukuran sampel mempunyai pengaruh dalam meningkatkan kekuatan statistik dengan cara mengurangi sampling error. Jika ukuran sampel besar akan mengurangi dampak nonnormality. Dalam sampel pengamatan sebanyak 50 atau Universitas Indonesia
22 kurang, khususnya jika sampel kurang dari 30, ini akan memberikan dampak signifikan terhadap normality. Sejumlah transformasi data tersedia untuk mengakomodir distribusi yang tidak normal. Bagaimanapun, ketika menguji dengan menggunakan mtode multivariat, seperti multivariate regression atau multivariate analysis of variance, sebaiknya kita menggunakan multivariate normality (variabel dalam individu normal, begitu juga kombinasinya). Jika ketidaknormalan data telah terindikasi, ini juga akan berkontribusi terhadap pelanggaran asumsi lainnya.
Gambar 2.1 Normal Probability Plots and Corresponding Univariate Distribution Sumber : Hair, Black, Babin, Anderson, Tatham, 2006
2.4.2
Homoscedasticity Homoscedasticity berhubungan dengan asumsi bahwa variabel dependent
menunjukkan tingkat variansi yang sama terhadap rentang variabel-variabel prediktor. Homoscedasticity sangat diperlukan karena variansi dari variabel dependent akan dijelaskan dalam hubungan ketergantungan harus tidak terkonsentrasi hanya dalam rentang terbatas dari nilai independent. Dalam beberapa situasi, terdapat banyak perbedaan nilai dari variabel dependent pada Universitas Indonesia
23 masing-masing nilai variabel independent. Untuk hubungan ini harus benar-benar diperoleh, penyimpangan (variansi) dari nilai variabel independent harus benarbenar sama dengan masing-masing nilai variabel prediktor. Jika penyimpangan ini tidak sama, hubungan ini disebut heteroscedasticity. Variabel heteroscedatic bisa diatasi dengan transformasi data seperti distribusi yang tidak normal sebelumnya. Seperti yang dijelaskan sebelumnya, seringkali heteroskedasticity dihasilkan dari variabel-variabel yang tidak normal.
2.4.3 Linearity Sebuah asumsi implisit untuk semua teknik multivariat yang berdasarkan pada pengukuran korelasi, seperti multiple regression, logistic regression, factor analysis, dan structural equation modelling, adalah linearity. Karena korelasi hanya akan terlihat dengan hubungan linear dari variabel-variabel, pengaruh nonlinear tidak akan merepresentasikan nilai korelasi. Cara yang paling umum digunakan untuk melihat linearity adalah menguji scatterplot dari variabel-variabel. Jika terdeteksi ada hubungan nonlinear, pendekatan yang digunakan adalah secara langsung mentransform satu atau kedua variabel untuk mencapai linearity.
2.4.4
Absence of Correlated Errors Prediksi
dalam
beberapa
teknik
dependent
tidaklah
sempurna.
Bagaimanapun kita berusaha untuk memastikan bahwa kesalahan prediksi (eror) yang satu tidak saling berhubungan dengan yang lainnya. Salah satu penyebab pelanggaran asumsi ini adalah karena proses pengumpulan data. Faktor yang sama akan berpengaruh kuat pada satu kelompok tetapi mungkin tidak bagi kelompok lainnya. Jika kelompok dianalisa secara terpisah, pengaruhnya adalah tetap dalam masing-masing kelompok dan tidak berdampak pada hubungan perkiraan. Tetapi jika pengamatan dari kedua kelompok
dikombinasikan,
kemudian
perkiraan
hubungan
akhir
harus
dikompromikan antara dua hubungan aktual. Dampak dari kombinasi ini berperan penting terhadap hasil yang berat sebelah (biased) karena sebuah penyebab yang tak ditentukan berdampak pada hubungan perkiraan. Universitas Indonesia
24 Sumber correlated error lainnya adalah data time series. Data untuk setiap periode sangat berhubungan dengan data periode sebelumnya atau sesudahnya. Untuk mengatasi correlated error ini bisa dilakukan dengan memasukkan faktor penyebab mengabaikannya dengan menyatakan alasan-alasannya ke dalam analisis multivariat.
2.5
Transformasi Data Transformasi data menyediakan sebuah cara untuk memodifikasi variabel-
variabel untuk satu atau dua alasan berikut : (1) untuk memperbaiki pelanggaran dari asumsi-asumsi statistik dalam teknikk multivariat, atau (2) untuk meningkatkan hubungan (korelasi) di antara variabel-variabel. Transformasi data bisa didasari oleh alasan secara teoritikal (transformasi yang kepantasannya adalah berdasarkan pada sifat dari data) atau asal data (dimana transformasi sangat disarankan dengan sebuah pengujian data). a. Transformasi Untuk Mencapai Kenormalan dan Homoscedasticity Transformasi data menyediakan cara mendasar untuk memperbaiki ketidaknormalan dan heteroscedasticity. Dalam hal ini, pola dari variabel-variabel menentukan transformasi secara spesifik. Untuk distribusi yang tidak normal, dua pola yang biasa terjadi adalah flat distibution atau skewed distribution. Untuk flat distribution, transformasi yang bisa dilakukan adalah inverse (contoh : 1/Y atau 1/X). Skewed distibution bisa ditransformasi dengan hubungan akar pangkat dua, logaritma, kuadrat atau kubik (X2 atau X3) atau bahkan invers dari variabel. Biasanya, skewed distibution negatif sebaiknya ditransformasikan dengan menerapkan transformasi kuadrat atau kubik, dimana logaritma dan akar pangkat dua biasanya bekerja dengan baik pada positif skewess. Dalam beberapa hal, peneliti bisa menerapkan semua transformasi yang mungkin dan kemudian memilih variabel transformasi yang paling tepat. Heteroscedasticity adalah sebuah permasalahan yang berhubungan, dan dalam beberapa hal menghilangan masalah ini akan terselesaikan dengan menyelesaikan permasalahan normality secaa baik. Heteroscedasticity juga disebabkan oleh distribusi dari variabel-variabel. Ketika memeriksa scatterplot, pola yang biasa terjadi adalah distribusi berbentuk kerucut. Jika kerucut ny Universitas Indonesia
25 membuka ke kanan, lakukan invers; jika kerucutnya terbuka ke kiri, lakukan dengan akar pangkat dua. Beberapa trnasformasi bisa dihubungkan dengan tipe data tertentu. Contohnya, jumlah frekuensi disarankan dengan sebuah transformasi akar pangkat dua; proporsi sebaiknya dtransformasi dengan arcsin (Xnew = 2 arcsin
X old ); dan perubahan proporsi sebaiknya ditangani dengan
logaritma terhadap variabel. Dalam semua hal, sekali transformasi dilakukan, data yang telah ditransformasikan harus diuji untuk melihat apakah asumsi yang diinginkan telah dicapai. b. Transformasi Untuk Mencapai Linearity Sejumlah prosedur tersedia untuk mencapai linearity di antara dua variabel, tetapi dalam hubungan nonlinear sederhana bisa ditempatkan pada salah satu dari empat kategori seperti pada gambar 2.2. Y
Y
Y2
Log Y -1/Y
Y Log X -1/X
X2
X X
X
b.
a. Log Y -1/Y
Y
Y
Y2
Y Log X -1/X
2
X
X
c.
X
X
d.
Gambar 2.2 Pemilihan Transformasi Untuk Mencapai Linearity Sumber : Hair, Black, Babin, Anderson, Tatham, 2006
Dalam masing-masing kuadran, diberikan transformasi yang paling potensial untuk kedua variabel dependen maupun independen. Contohnya, jika hubungan terlihat seperti gambar 2.2 a, maka variabelnya bisa dikuadratkan untuk mencapai linearity.Ketika tersedia beberapa alternatif transformasi, mulai dari metode yang paling atas untuk masing-masing kuadran dan bergerak ke bawah sampai linearity Universitas Indonesia
26 dicapai. Sebuah pendekatan alternatif adalah dengan menggunakan variabel tambahan, yang disebut polynomial, untuk merepresentasikan komponen nonlinear. Terdapat beberapa poin yang perlu diingat ketika melakukan transformasi data, berikut beberapa aturan yang harus diikuti : •
Untuk menduga pengaruh potensial dari sebuah transformasi, hitung rasio mean dan standar deviasi variabel. Efeknya akan terlihat jika diperoleh rasio kurang dari empat. Jika transformasi bisa dilakukan pada kedua variabel, pilih variabel dengan rasio terkecil,
•
Transformasi harus diterapkan untuk variabel independen kecuali dalam kasus heteroscedasticity,
•
bisa
Heteroscedasticity
diselesaikan
hanya
dengan
mentransformasi variabel dependen dalam sebuah hubungan dependen, dan jika memungkinkan harus ditransformasi pada variabel dependen, •
Transformasi
bisa
merubah
interpretasi
terhadap
variabel,
contohnya variabel yang ditransformasi dengan menggunakan logaritma menterjemahkan hubungannya dalam sebuah pengukuran pada
perubahan
mengembangkan
proporsi
(elasticity);
sepenuhnya
selalu
kemungkinan
yakin
interpretasi
untuk dari
variabel-variabel yang ditransformasi, •
Menggunakan variabel dalam format asli (tanpa ditransformasi) ketika menginterpretasikan hasil.
2.6
Multiple Regression Analysis Multiple regression analysis digunakan untuk menguji hubungan antara
sedikitnya dua variabel independent dengan skala interval dan satu variabel dependent juga dengan skala interval. Contoh model regresi bisa dinyatakan sebagai berikut : Perkiraan jumlah Kartu kredit yang
= intercept + perubahan jumlah kartu x Ukuran keluarga kredit karena perubahan satu unit ukuran keluarga Universitas Indonesia
27 Atau Y = b0 + b1 V1 Interpretasi dari persamaan tersebut adalah : 1. Koefisien regresi. Perkiraan perubahan dari variabel dependen untuk setiap unit perubahan variabel independen. Jika variabel independen ditemukan secara signifikan berpengaruh (koefisien benar-benar signifikan berbeda dari nol), nilai dari koefisien regresi mengindikasikan seberapa besar hubungan variabel independent tersebut terhadap variabel dependennya. 2.
Intercept. Interpretasi intercept kadang-kadang berbeda. Intercept adalah hanya sebagai nilai explanatory dalam rentang nilai variabel-variabel independen. Lebih dari itu, interpretasinya berdasarkan pada karakteristik dari variabel independen : a. Dalam hubungan sederhana, intercept adalah hanya sebagai nilai interpretif jika variabel independen bernilai nol. Contoh, misalkan variabel independennya adalah biaya periklanan. Jika dalam kenyataan atau pada beberapa kondisi, tidak ada periklanan yang dilakukan, maka nilai intercept akan merepresentasikan nilai variabel dependen ketika biaya periklanan nol, b. Jika nilai independen merepresentasikan sebuah pengukuran yang tidak pernah bisa mempunyai nilai sebenarnya nol (seperti tingkah laku atau persepsi), intercept membantu dalam meningkatkan proses prediksi, tetapi tidak mempunyai nilai eksplanatory. Tahapan dalam multiple regression analysis :
2.6.1
Sasaran dari Multiple Regression Tahap awal dalam memulai multiple regression analysis adalah penentuan
permasalahan penelitian. Dalam memilih pengaplikasian multiple regresi, peneliti harus mempertimbangkan tiga isu utama, yaitu :
Ketepatan permasalahan penelitian, Aplikasi multiple regresi terbagi menjadi dua kelas berdasarkan permasalahan penelitian, yaitu prediksi dan penjelasan. Satu tujuan fundamental dari multiple regresi adalah untuk memprediksi variabel Universitas Indonesia
28 dependen dengan seperangkat variabel independen. Multiple regresi juga mempunyai tujuan penjelasan, yaitu meberikan arti dari derajat dan karakter hubungan antara variabel dependen dan independent dengan membentuk variate dari variabel independen dan kemudian menguji magnitude, tanda, dan signifikansi statistik dari koefisisen regresi untuk masing-masing variabel independen.
Spesifikasi sebuah hubungan statistik, Multiple regresi tepat jika peneliti tertarik dalam hubungan statistik, bukan hubungan fungsi. Karena dalam hubungan statistik pasti terdapat error dalam perkiraan kita.
Pemilihan dependent dan independent variabel. Karena multiple regresi adalah teknik dependen, peneliti harus menentukan variabel dependent dan indenpendent.
2.6.2
Rancangan Penelitian Multiple Regression Analysis Peneliti harus memperhatikan tiga fitur, yaitu
Ukuran Sampel, Ukuran sampel mempunyai pengaruh langsung terhadap ketepatan dan kekuatan statistik dari multiple regresi. Aturan umum tentang rasio pengamatan terhadap variabel independent tidak boleh kurang dari 5:1, artinya
lima
pengamatan
dibuat
untuk
masing-masing
variabel
independent dalam variate. Walaupun rasio minimumnya adalah 5:1, tetapi dibutuhkan 15 sampai 20 pengamatan untuk masing-masing variabel independent. Jika level ini tercapai, maka hasilnya akan mewakili secara keseluruhan karena sampel yang digunakan sudah representatif.
Elemen Unik dari Hubungan Dependence, Hubungan dasar yang digambarkan dalam multipel regresi adalah liner antara metric variabel dependent dan independent berdasarkan pada korelasi produk momen. Satu permasalahan yang dihadapi oleh peneliti adalah jika data yang dimiliki adalah non mentric. Selain itu, multiple regresi tidak bisa secara langsung memodelkan hubungan nonlienear.
Universitas Indonesia
29 Dalam situasi ini, harus dihasilkan satu variabel baru dengan transformasi atau mengubah data nonmetrik dengan variabel dummy.
Sifat dari Variabel Independent (tetap atau random).
2.6.3
Asumsi-asumsi dalam Multiple Regression Asumsi-asumsi yang harus diuji dalam multiple regression analysis yaitu
(1) linearity dari fenomena yang diukur, (2) Variansi yang konstan dari eror (homoscedasticity), (3) eror yang bebas atau tidak saling berhubungan (autokorelasi), (4) Normality dari distribusi eror. Jika semua asumsi terpenuhi, maka plot residualnya berbentuk null plot seperti gambar 2.3 (a). Linearity adalah hubungan antara variabel dependen dan independen merepresentasikan pada tingkat mana perubahan variabel dependen dihubungkan dengan variabel independen. Konsep korelasi adalah berdasarkan pada sebuah hubungan yang linear. Linearity dari beberapa hubungan bivariate secara mudah diuji melalui plot residunya. Gambar 2.3 (b) menunjukkan pola residual yang mengindikasikan hubungan nonlinear dalam model yang ada saat ini. Dalam multiple regresi dengan lebih dari satu variabel, sebuah pengujian residual hanya menunjukkan kombinasi dampak dari semua variabel independen, tetapi tidak bisa menguji variabel independen secara terpisah dalam sebuah plot residual. Untuk itu digunakan parsial regression plots yang akan menunjukkan hubungan satu variabel independen terhadap variabel dependen, mengontrol semua efek dari semua variabel-variabel independen. Oleh karena itu, parsial regression plots menggambarkan hubungan yang unik antara variabel dependen dan variabel independen. Adanya variansi yang tidak sama (heteroscedasticity) adalah salah satu pelanggaran asumsi yang biasa terjadi. Diagnosisnya dibuat dengan plot residu atau pengujian statistik sederhana. Plot residual (studentized) dengan nilai dependen perkiraan dan membandingkannya pada null plot. Gambar 2.3 (a) menunjukkan pola yang konsisten jika variansinya tidak konstan. Pola yang mungkin terjadi adalah bentuk triangel yang ditunjukkan secara langsung pada gambar 2.3 (c). Pola berbentuk berlian gambar 2.3 (d) bisa dikira-kira persentasi dimana lebih banyak variasi pada midrange daripada pada ujungnya. Beberapa Universitas Indonesia
30 kali, sebuah pelanggaran diperoleh secara bersamaan, seperti nonlinearity dan heteroscedasticity dalam gambar 2.3 (h).
Gambar 2.3 Graphical Analysis Of Residual Sumber : Hair, Black, Babin, Anderson, Tatham, 2006
Dalam regresi kita berasumsi bahwa masing-masing nilai perkiraan adalah independen, yang berarti bahwa nilai yang diperkirakan tidak berhubungan terhadap prediksi lainnya. Untuk mengidentifikasinya dapat dilakukan dengan plot residual terhadap beberapa variabel yang mungkin berurutan. Jika plot residual independen, pola kelihatan acak dan sama dengan residual nuul plot. Pelanggaran akan bisa diketahui dengan sebuah pola residual yang konsisten. Gambar 2.3 (e) menggambarkan sebuah plot residual yang menunjukkan hubungan antara residual dan waktu. Pola lainnya ditunjukkan dalam gambar 2.3 (f). Pola ini diperoleh jika kondisi model dasar berubah tetapi tidak dimasukkan ke dalam model. Misalnya penjualan pakaian renang diukur per bulan selama 12 bulan,
Universitas Indonesia
31 dengan dua musim dingin dan satu musim panas, tidak ada faktor cuaca yang diperkirakan. Pelanggaran asumsi yang mungkin paling sering terjadi adalah nonnormality dari variabel independen atau variabel dependen atau keduanya. Diagnosa yang paling sederhana adalah dengan menggunakan sebuah histogram dari residual, dengan pengujian visual untuk sebuah distribusi yang kurang lebih distribusi normal seperti ditunjukkan gambar 2.3 (g). Metode ini menjadi sulit diterapkan untuk smpel yang sedikit. Metode yang lebih baik digunakan adalah menggunakan normal probability plots. Ini berbeda dengan plot residual dalam standardized residual dibandingkan dengan distribusi normal. Distibusi normal membuat sebuah garis lurus diagonal, dan residual yang telah diplot dibandingkan dengan diagonal tersebut. Jika sebuah distribusi normal, maka garis residualnya mengikuti diagonal.
2.6.4
Memperkirakan Model Regresi dan Menaksir Keseluruhan Model Ada tiga tugas dasar yaitu :
a. Memilih metode untuk metode regresi spesifik yang akan diestimasi Ada tiga pendekatan yang dapat digunakan untuk menentukan model regresi. Pendekatan tersebut, (1) Confirmatory Specification, cara yang peling sederhana dan paling banyak diminati. Dimana peneliti menentukan secara tepat variabel-variabel independen yang akan dimasukan dalam model regresi. Dibandingkan dengan pendekatan sequential atau combinatorial
yang akan
didiskusikan di bawah, pendekatan ini memugkinkan peneliti untuk mengontrol secara penuh terhadap pemilihan variabel. (2) Sequential Search Methods, ada dua tipe dalam pendekatan ini, yaitu stepwise
estimation
(dimulai
dengan
model
regresi
sederhana
dengan
memasukkan variabel independen yang mempunyai korelasi paling tinggi Y = b0 + b1X1, kemudian dilihat porsi signifikan variabel yang paling tinggi untuk kemudian dimasukan kembali dalam persamaan regresi. Olah kembali persamaan regresi dengan dua variabel independen tersebut, jika tidak memberikan hasil yang signifikan, maka variabel tersebut dikeluarkan dari persamaan regresi. Jika memberikan nilai yang signifikan maka variabel tersebut dimasukkan dalam Universitas Indonesia
32 persamaan regresi yang mejadi Y = b0 + b1X1 + b2X2. Lakukan prosedur ini untuk semua variabel independen. Forward addition dan backward elimination, caranya hampir sama dengan stepwise estimation, tetapi forward addition dimulai dengan persamaan regresi dengan satu variabel independen sedangkan backward elimination dimulai dengan persamaan regresi dengan memasukkan seluruh variabel independen ke dalamnya, dan kemudian menghilangkan variabel independen yang tidak memberikan kontribusi yang signifikan. Perbedaan utama dari stepwise estimation dari forward addition dan backward elimination adalah kemampuan menambah atau menghapus variabel-variabel pada masing-masing tahap. Sekali variabel tersebut sudah ditambahkan atau dihapus dari persamaan, tidak boleh dilakukan lagi dalam tahap berikutnya. Bagi beberapa peneliti, sequential search methods kelihatannya merupakan solusi yang sempurna jika dihadapkan dengan pilihan pendekatan confirmatory untuk mencapai kekuatan prediksi maksimum dengan hanya variabel-variabel yang berkontribusi signifikan. Tetapi ada beberapa kekurangan dalam penggunaan sequential search methods ini, yaitu pertama, multicolinearity menjadi kurang dipertimbangkan dalam interpretasi model bukan hanya menguji persamaan regresi akhirnya saja, kedua, semua sequential search methods memberikan kontrol yang kurang bagi penelitinya. Metode ini menjadi sering digunakan karena efisiensinya dalam memilih seperangkat variabel dependen yang memaksimalkan keakuratan prediksi. Dengan kelebihan ini menjadi potensial untuk menyesatkan dalam penjelasan hasil, dimana hanya seperangkat variabel yang berkorelasi tinggi saja yang dimasukkan dalam persamaan dan menghilangkan kontrol terhadap menentukan model. (2) Combinatorial approach, menggunakan semua kombinasi variabel independent yang mungkin dalam pengujian dan seperangkat variabel yang paling tepat yang diidentifikasi. Contohnya, sebuah model dengan 10 variabel independen dengan 1024 kombinasi regresi yang mungkin. b. Menaksir nilai signifikan statistik dari seluruh model dalam memprediksi variabel dependent. Dengan variabel-variabel independen yang telah dipilih dan koefisien regresi yang telah diestimasi, peneliti sekarang harus menaksir model yang telah Universitas Indonesia
33 diperkirakan untuk menemukan asumsi-asumsi dalam multiple regresi. Pengujian yang perlu dilakukan yaitu pengujian signifikan dari keseluruhan model dengan menggunakan uji F dan juga uji t untuk pengujian signifikan terhadap koefisien model regresi. c. Menentukan apakah ada observasi yang memberi pengaruh pada hasil. Sekarang fokus pada indentifikasi pola umum dalam keseluruhan pengamatan. Disini kita menggeser perhatian kita pada pengamatan individu, dengan sasaran untuk menemukan pengamatan yang berada di luar pla umum data atau pengamatan yang memberikan pengaruh sangat kuat pada hasil regresi. Pengamatan ini tidak dibutuhkan dan harus dihapus. Dalam beberapa hal mereka merepresentasikan elemen tersenderi dari seperangkat data. Bagaimanapun kita harus mengidentifikasi dan menaksir dampaknya sebelum memprosesnya lebih lanjut.
2.6.5
Interpretasi Variabel Regresi Pada tahap ini dilakukan interpretasi variate regresi dengan mengevaluasi
koefisien regresi yang telah diestimasi untuk penjelasan terhadap variabel dependen. Selain itu peneliti tidak hanya harus mengevaluasi model regresi yang sudah diestimasi tetapi juga variabel independen potensial yang dihilangkan jika menggunakan pendekatan sequential ataupun combinatorial. Selain itu juga perlu diperhatikan multikolinearity yang terjadi. Koefisien regresi yang telah diestimasi, atau disimbolkan dengan b koefisien, merepresentasikan kedua tipe hubungan (positif atau negatif) dan kekuatan hubungan antara variabel dependen dan independen dalam variate regresi. Tanda pada koefisien menunjukkan apakah hubungannya positif atau negatif, sedangkan nilai koefisiennya mengindikasikan perubahan variabel dependen setiap kali variabel independen berubah satu unit. Dalam menggunakan koefisien regresi untuk tujuan explanatory, kita harus memastikan bahwa semua variabel independen berada pada skala yang bisa dibandingkan. Perbedaan variabilitas dari variabel ke variabel bisa berpengaruh kuat terhadap besarnya koefisien regresi. Untuk membuat semua variabel indepeden bisa dibandingkan dalam skala dan variabilitas, maka digunakan Universitas Indonesia
34 modifikasi koefisien regresi yang disebut beta koefisien. Keuntungan penggunaan beta koefisien ini adalah bisa mengurangi permasalahan karena perbedaan unit pengukuran. Contoh untuk melihat perbedaan antara koefisien regresi (b) dan beta (β). Dalam penggunaan kartu kredit, koefisien regresi (b) dan beta (β) untuk persamaan regresi dengan tiga variabel independen (V1, V2, V3) ditunjukkan sebagai berikut : Variabel
Koefisien Regresi (b)
Beta (β)
V1 Family size
.635
.566
V2 Familiy income
.200
.416
V3 Number of Autos
.272
.108
Interpretasi menggunakan koefisien regresi dan koefisien beta (β) benar-baner memberikan hasil yang berbeda. Koefisien regresi mengindikasikan V1 terlihat sekali sangat penting dibandingkan dengan V2 dan V3, yang secara kasar disamakan. Koefisien beta memberikan cerita yang berbeda. V1 adalah masih yang paling penting, tetapi V2 adalah yang lebih penting sedangkan V3 cukup penting. Walaupun koefisien beta merepresentasikan sebuah sasaran pengukuran kepentingan yang bisa diukur secara langsung dibandingkan, dua hal yang harus diperhatikan dalam penggunaannya, yaitu : 1. Koefisien beta digunakan sebagai panduan untuk kepentingan relatif dari variabel independen hanya jika terjadi sedikit collinearity. Karena collinearity bisa mengganggu kontribusi beberapa variabel independen jika koefisien beta yang digunakan, 2. Nilai beta bisa diartikan hanya dalam konteks variabel lainnya dalam persamaan. Contohnya, nilai beta untuk V1 family size menunjukkan kepentingannya hanya dalam hubungannya dengan V2 familiy income, tidak dalam pengertian absolut. Jika variabel independen lainnya ditambahkan dalam persamaan, koefisien beta untuk family size kemungkinan juga akan berubah, karena beberapa hubungan antara family size dan variabel baru yang mungkin terjadi. Universitas Indonesia
35 Kesimpulannya penggunaan koefisien beta hanya sebagai panduan untuk melihat kepentingan relatif dari variabel-variabel independen yang termasuk dalam persamaan, dan hanya pada variabel-variabel dengan multicolinearity minimal. Cara paling sederhana dan paling umum untuk mengidentifikasi colinearity adalah sebuah pengamatan terhadap matriks korelasi dari variabel independen. Adanya korelasi yang tinggi (umumnya 0.90 atau lebih) adalah indikasi pertama terhadap colinearity. Ketidakadaan korelasi yang tinggi, bagaimanapun juga tidak memastikan ketiadaan colinearity. Colinearity disebabkan karena dampak kombinasi dari dua atau lebih variabel independent (disebut multicolinearity). Untuk menaksir multicolinearity kita harus mengukur sampai tingkat mana variabel independen dijelaskan oleh variabel-variabel independen lainnya. Dua pengukuran yang paling biasa digunakan untuk menaksir multiple variabel collinearity adalah tolerance dan inversnya, variance inflation factor (VIF). Tolerance adalah jumlah variabilitas dari variabel independen yang tidak dijelaskan oleh variabel-variabel independen lainnya. VIF adalah 1/tolerance. Tingginya derajat multicolliearity direfleksikan dengan nilai tolerance yang kecil dan nilai VIF yang lebih tinggi. Nama VIF diambil dari fakta bahwa akar dari VIF ( VIF )
adalah
tingkat
dimana
standar
eror
akan
meningkat
karena
multicolinearity. Ambang batas dari nilai tolerance adalah 0.1 dan VIF 10. Bagaimanapun, untuk ukuran sampel yang kecil, peneliti bisa membatasi karena adanya peningkatan standar eror karena multicollinearity. Menurut Prof. Dr. H. Imam Ghozali, M.Com,Akt uji multikolinearitas dilakukan untuk membuktikan atau menguji ada tidaknya hubungan yang liner antara variabel bebas yang satu dengan variabel bebas lainnya. Dalam analisis multiple regresi, terdapat dua atau lebih variabel bebas atau variabel independen yang diduga akan mempengaruhi variabel tergantung atau dependennya. Pendugaan tersebut akan dapat dipertangungjawabkan apabila tidak terjadi hubungan yang linear antara variabel-variabel indenden. Adanya hubungan yang linear antar variabel independen akan menimbulkan kesulitan dalam memisahkan Universitas Indonesia
36 pengaruh masing-masing variabel independen terhadap variabel dependennya. Pelanggaran terhadap asumsi ini akan mengakibatkan : •
Tingkat ketelitian koefisien regresi sebagai penduga sangat rendah, dengan demikian menjadi kurang akurat,
•
Koefisien regresi serta ragamnya akan bersifat tidak stabil, sehingga adanya sedikit perubahan pada data mengakibatkan ragamnya berubah sangat berarti,
•
Tidak dapat memisahkan pengaruh tiap-tiap variabel independen secara individu terhadap variabel dependennya. Dalam Multivariate Analysis, apabila collinearity telah terindikasi, maka
peneliti dapat mengambil beberapa pilihan (Hair, Black, Babin, Anderson, Tatham, 2006) : (1) Menghilangkan atau mengabaikan variabel independen yang mempunyai
korelasi
tinggi
dengan
memberikan
alasan-alasan
dan
mengidentifikasi variabel-variabel independen lainnya untuk memprediksi, (2) Menggunakan model dengan variabel independen berkorelasi tinggi hanya untuk prediksi, (3) Menggunakan korelasi sederhana antara masing-masing variabel independen dan variabel dependen untuk mengerti hubungan vaiabel independen dan dependen, (4) Menggunakan metoda analisis yang terpercaya seperti bayesian regression (atau sebuah kasus tertentu – ridge regression) atau regresi pada komponen utama untuk memperoleh sebuah model yang lebih baik merefleksikan efek sederhana dari variabel-variabel independen.
2.6.6
Validasi Hasil Pendekatan empiris validasi yang paling tepat adalah pengujian model
regresi dengan sampel baru yang diambil dari populasi umum. Sampel baru itu akan memastikan kemampuan represetatif dan bisa digunakan dengan beberapa cara. Pertama, model original bisa memprediksi nilai dari sampel baru, dan perkiraan yang cocok bisa dihitung. Kedua, sebuah model tersendiri bisa diestimasi dari sampel yang baru kemudian membandingkannya dengan persamaan original pada karakteristik-karakteristik seperti signifikan variabel termasuk tanda, ukuran dan tingkat kepentingan relatif dari variabel, dan keakuratan prediksi. Universitas Indonesia
37
BAB 3 METODE PENELITIAN 3.1
Pengumpulan Data
3.1.1
Penentuan Rumah Sakit Yang Diteliti Di provinsi Riau terdapat 42 buah rumah sakit umum mulai dari rumah
sakit pemerintah, swasta, BUMN maupun TNI/POLRI. Rumah sakit yang terbanyak adalah rumah sakit yang dikelolah oleh pihak swasta yaitu berjumlah 18 buah. Dilihat dari jumlah tempat tidur serta pelayanan yang dimiliki oleh rumah sakit, rata-rata rumah sakit di provinsi Riau berada pada kelas D, kecuali rumah sakit umum Pekanbaru yang berada pada kelas B1 (rumah sakit pendidikan), serta tiga rumah sakit swasta yang berada pada kelas C. Namun dari tiga rumah sakit swasta ini, dua rumah sakit telah terakreditasi oleh Departemen Kesehatan RI. Dilihat dari segi industri, maka rumah sakit swastalah yang menjadi perhatian untuk diteliti lebih lanjut. Berdasarkan pertimbangan itulah maka penelitian dilakukan pada dua rumah sakit swasta tersebut. Rumah sakit-rumah sakit itu adalah Rumah Sakit Awal Bros dan Rumah Sakit Islam Ibnu Sina. Kedua rumah sakit ini merupakan rumah sakit umum yang menyelenggarakan pelayanan kesehatan semua bidang dan jenis penyakit.
3.1.2
Profil Rumah Sakit
3.1.2.1 Rumah Sakit Awal Bros Rumah Sakit Awal Bros adalah salah satu Rumah Sakit swasta di Pekanbaru. Berlokasi di jalan protocol, jalan Jenderal Sudirman No.117, dengan kapasitas 166 tempat tidur termasuk ruang perawatan bayi sehat. Ide didirikannya Rumah Sakit Awal Bros Pekanbaru, bermula dari keinginan mulia seorang tokoh masyarakat Riau yang juga dikenal sebagai pengusaha yang sukse, Alm. H. Awaloeddin. Beliau menginginkan agar di Pekanbaru berdiri sebuah rumah sakit yang lengkap dengan segala fasilitas kesehatannya dan didukung oleh sumber daya manusia yang professional sehingga masyarakat Pekanbaru khususnya dan Riau pada umumnya yang memerlukan pelayanan kesehatan sehingga tidak perlu
Universitas Indonesia
38 lagi harus ke luar negeri. Keinginan tersebut terwujud dan pada 29 Agustus 1998 RS Awal Bros diresmikan oleh gubernur Riau saat itu H. Soeripto. Dengan visi sebagai pusat pelayanan kesehatan yang professional dan terpercaya dalam segala bentuk pelayanan dan kebijakan mutu memberikan pelayanan kesehatan secara cepat, tepat, dan ramah oleh tenaga professional didukung fasilitas yang lengkap dan modern untuk terus-menerus memenuhi kepuasan pelanggan. Misi mereka adalah :
Memberikan pelayanan kesehatan secara professional berdasarkan etika profesi untuk kepuasan pelanggan,
Memiliki fasilitas pelayanan kesehatan yang lengkap dan modern,
Menjasi RS rujukan sebagai pilihan masyarakat,
Memberikan nilai tambah bagi pemegang saham dan karyawan untuk menumbuhkan kebanggan serta loyalitas tinggi bagi semua pihak.
Dengan motto “Kami Peduli Kesehatan Anda”.
3.1.2.2 Rumah Sakit Islam Ibnu Sina Sebuah cita-cita untuk mendirikan Rumah Sakit Islam (YARSI) Riau dimulai sejak tahun 1968. Rumah Sakit Islam Ibnu Sina merupakan suatu bangunan monumental kebanggaan umat Islam baik di Indonesia apalagi di bumi Lancang Kuning ini. YARSI Riau didirikan pada tanggal 7 Januari 1980 dengan Akta Pendirian No. 19/1980 dihadapan Notaris Syawal Sutan Diatas. Sejarah dimulainya kegiatan pembangunan YARSI Riau diawali dengan lembaran panjang sejarah sebuah gagasan. Pada mulanya, beberapa gagasan untuk pendirian sebuah rumah sakit yang bernuansa Islami muncul dari keadaan kebutuhan umat Islami akan pelayanan kesehatan. YARSI Riau yang telah berganti badan hukum menjadi PT. Syifa Utama dengan salah satu unit bisnisnya, mengelola sebuah rumah sakit dengan nama Rumah Sakit Islam (RSI) Ibnu Sina Pekanbaru telah berkembang & mendapat kemajuan yang pesat. Diawali dari sebuah klinik yang mengontrak sebuah bangunan dengan seorang dokter hingga kini telah berkembang manjadi sebuah rumah sakit swasta yang mandapat tempat dihati masyarakat dengan ciri
Universitas Indonesia
39 memberikan pelayanan secara Islami lengkap dengan dokter-dokter spesialis & peralatan menunjang medis yang dibutuhkan. Visi mereka adalah merwujudkan Rumah Sakit Islam Ibnu Sina Pekanbaru yang bermutu, islami dan dapat ditauladani. Dengan misi sebagai berikut :
Memberikan pelayanan kesehatan yang prima dan islami.
Melakukan manajemen peningkatan mutu terus-menerus.
Melaksanakan kerja sama dengan pihak terkait baik dalam maupun luar negeri.
Memotivasi kinerja karyawan melalui peningkatan profesionalisme dan penghasilan pegawai.
3.1.3 Identifikasi Variabel Terdapat enam indikator penilaian keberhasilan pelayanan rumah sakit yang akan diidentifikasi variabel-variabel yang mempengaruhinya. Identifikasi variabel-variabel ini dilakukan dengan menggunakan teknik penyebaran kuesioner dan wawancara langsung kepada pihak-pihak yang terkait dengan masalah ini seperti manajemen rumah sakit, kepala ruangan di rumah sakit, serta kepada pihak Dinas Kesehatan Provinsi Riau yang menangani bidang rumah sakit. Kuesioner yang disebar berupa kuesioner semi terbuka. Responden diberi kesempatan
menjawab
sesuai
dengan
yang
mereka
ketahui
untuk
mengidentifikasi variabel lain yang belum diduga sebelumnya. Kuesioner disebarkan sebanyak 45 buah yaitu 20 untuk masing-masing rumah sakit dan lima untuk Dinas Kesehatan Provinsi Riau. Dari penyebaran kuesioner tersebut dapat diidentifikasi variabel-variabel yang mempengaruhi masing-masing indikator penilaian keberhasilan pelayanan rumah sakit, sebagai berikut : Tabel 3.1 Variabel Dependent dan Independent No 1
Indikator / Variabel Dependent (Y) BOR (Bed Occupancy Ratio atau
persentase
pemakaian
Variabel Independent (X) Hari perawatan rumah sakit (Pasien) Adanya kejadian luar biasa (Orang) Universitas Indonesia
40
2
tempat tidur rumah sakit pada
Jumlah pasien keluar (Pasien)
satu satuan waktu), satuannya
Keahlian tenaga medis dan paramedic
persen.
(Tahun)
Jumlah pasien masuk (Pasien)
Av LOS (Average Length of
Jumlah pasien keluar (Pasien)
Stay
atau
rawatan
lama
rata-rata seorang
pasien).
Satuannya hari 3
Jumlah hari perawatan pasien keluar (hari)
Jenis penyakit yang diderita (Pasien)
Golongan obat paten yang diberikan (%)
BTO (Bed Turn Over atau Jumlah pasien keluar (Pasien) frekuensi pemakaian tempat Jenis penyakit yang diderita (Pasien) tidur
dalam
satuan Adanya kejadian luar biasa (Orang)
satu
waktu). Satuannya hari. 4
Jumlah pasien masuk (Pasien)
TOI (Turn Over Interval atau Jumlah pasien keluar (Pasien) rata-rata hari tempat tidur Hari perawatan rumah sakit (Pasien) tidak ditempati dari saat terisi Adanya kejadian luar biasa (Pasien) ke
terisi
berikutnya). Jumlah pasien masuk (Pasien)
Satuannya hari. 5
NDR (Net Death Rate atau
Jumlah pasien yang keluar (Pasien)
angka kematian > 48 jam
Jumlah pasien mati > 48 jam perawatan
setelah dirawat). Satuannya orang dari 1000 pasien.
(Pasien) Keahlian tenaga medis dan paramedic (Tahun) Jenis penyakit yang diderita (Penyebab kematian) (Pasien)
6
GDR (Gross Death Rate atau Jumlah pasien keluar (Pasien) angka
kematian
umum). Jumlah pasien mati (Pasien)
Satuannya orang dari 1000 Keahlian tenaga medis dan paramedic pasien.
(Tahun) Jenis penyakit yang diderita (Penyebab kematian) (Pasien) Sumber : Penyebaran Kuesioner, 2009
Universitas Indonesia
41
3.1.4
Data Yang Diperlukan Data-data yang diperlukan adalah berkaitan dengan variabel-variabel
yang mempengaruhi indikator penilaian keberhasilan pelayanan rumah sakit. Data-data ini diperoleh dari masing-masing rumah sakit yang dijadikan sampel penelitian dan sebagian data lagi diperoleh dari Dinas Kesehatan Provinsi Riau. Data diambil selama lima tahun terakhir dan berupa data bulanan yaitu sebanyak 60 bulan. Lebih lengkapnya data dapat dilihat pada lampiran.
3.2
Pengolahan Data
3.2.1 Bed Occupancy Ratio (BOR) Indikator BOR (Y) disini adalah variabel dependen yang tergantung kepada beberapa variabel independen seperti hari perawatan rumah sakit (X1), adanya kejadian luar biasa (X2), jumlah pasien keluar (X3), keahlian tenaga medis dan paramedic (X4), serta jumlah pasien masuk (X5). Input data-data tersebut ke program SPSS.
3.2.1.1 Pemenuhan Asumsi Dalam Multiple Regresi a.
Normality Pengujian normality ini dilakukan dengan menggunakan uji statistik
Kolmogorov Smirnov. Alat uji ini biasa disebut K-S yang tersedia dalam program
SPSS. Tahapan yang dilakukan untuk menguji normalitas dengan
menggunakan uji K-S adalah sbb : 1. Klik menu Analyze, pilih nonparametric tests, pilih dan klik 1-sample K-S. Maka akan tampil seperti gambar berikut :
Gambar 3.1 Katalog Dialog Uji Normalitas Menggunakan 1-sample K-S Universitas Indonesia
42 Informasi yang terdapat pada kotak sebelah kiri atas merupakan variabel yang datanya telah ddimasukkan sebelumnya. 2. Pada kotak variabel list isikan variabel-variabel yang akan diuji normalitasnya, terutama variabel independen (X1, X2, X3, X4, X5). Maka tampilan akan berubah menjadi :
Gambar 3.2 Katalog Dialog Uji Normalitas Menggunakan 1-sample K-S Setelah Test Variabel List Diisi 3. Dalam Test Distribution pilih normal, kemudian klik OK. Maka akan tampil hasil sebagai berikut :
Tabel 3.2 Tabel Hasil Pengujian Normality Pada Indikator BOR
Hipotesis yang digunakan untuk menguji normalitas data tersebut adalah sebagai berikut :
Universitas Indonesia
43 Ho
: Data tidak terdistribusi secara normal
Hi
: Data terdistribusi secara normal
Dengan α = 5 %, maka dibandingkan dengan nilai Asymp. Sig. (2 tailed). Jika nilai Asymp. Sig. (2-tailed) > α = 5 %, maka Ho ditolak. Dari nilai Asymp. Sig. (2-tailed) terlihat bahwa semua nilainya > α = 5 %, sehingga disimpulkan bahwa data terdistribusi normal. Uji normality untuk model persamaan regresi, yaitu pada nilai residualnya dilakukan setelah memenuhi semua asumsi dan persamaan regresi ditemukan. Berikut hasil dari pengolahan residual untuk melihat normality secara grafis melalui histogram dan normal probability plot.
Gambar 3.3 Histogram Residual Model Persamaan Regresi Pada Indikator BOR
Gambar 3.4 Normal Probability Plot Pada Indikator BOR Universitas Indonesia
44 Hasil pengujian normality terhadap residual dengan pengujian 1-sample K-S sebagai berikut : Tabel 3.3 Tabel Hasil Pengujian Normality Residual Pada Indikator BOR
Dengan hipotesis yang digunakan untuk menguji normalitas residual tersebut adalah sebagai berikut : Ho
: Residual tidak terdistribusi secara normal
Hi
: Residual terdistribusi secara normal
Dengan α = 5 %, maka dibandingkan dengan nilai Asymp. Sig. (2 tailed). Jika nilai Asymp. Sig. (2-tailed) > α = 5 %, maka Ho ditolak. Dari nilai Asymp. Sig. (2-tailed) terlihat bahwa nilainya 0.268 > α = 5 %, maka Ho ditolak sehingga disimpulkan bahwa residual terdistribusi secara normal. Hal ini konsisten dengan jika analisis grafis dari histogram dan normal probability plot sebelumnya.
b.
Linearity of the Phenomenon Measured Dalam penggunaan model multiple regresi, maka pengujian linearity
dilakukan pada variabel-variabel yang akan diukur. Pendekatan yang digunakan adalah analisis tabel anova. Tahapan yang dilakukan untuk pengolahan linearity dengan menggunakan program SPSS adalah sebagai berikut : 1. Pilih dan klik menu analyze, pilih compare means, kemudian pilih dan klik pada bagian means.
Universitas Indonesia
45 2. Pada bagian kotak Dependent List isikan dengan variabel dependennya yaitu BOR,
dan
pada
bagian
Independent
List
isikan
variabel-variabel
independennya (X1, X2, X3, X4, X5). Maka kotak dialog akan seperti berikut :
Gambar 3.5 Kotak Dialog Means Untuk Menguji Linearity Garis Regresi 3. Pilih dan klik options, pilih dan klik pada Test of Linearity. Kemudian klik continue dan Ok. Tampilan hasil yang lebih terperinci dapat dilihat pada lampiran. Berikut disajikan tabel anova untuk masing-masing variabel independen X1, X2, X3, X4, X5 terhadap variabel dependen BOR (Y).
Tabel 3.4 Tabel Anova Uji Linearity BOR (Y) Terhadap Jumlah Hari Perawatan RS (X1)
Tabel 3.5 Tabel Anova Uji Linearity BOR (Y) Terhadap Kejadian Luar Biasa (X2)
Universitas Indonesia
46
Tabel 3.6 Tabel Anova Uji Linearity BOR (Y) Terhadap Jumlah Pasien Keluar (X3)
Tabel 3.7 Tabel Anova Uji Linearity BOR (Y) Terhadap Keahlian Tenaga Medis Paramedis (X4)
Tabel 3.8 Tabel Anova Uji Linearity BOR (Y) Terhadap Jumlah Pasien Masuk (X5)
Hipotesis yang digunakan adalah sebagai berikut : Ho
: Model regresi berbentuk non-linear
Hi
: Model regresi berbentuk linear
Dengan α = 5%, maka dibandingkan dengan nilai signifikansi dari Deviation of Linearity. Jika nilai signifikansi dari Deviation of Linearity > α = 5%, maka Ho ditolak, berarti model regresi berbentuk linear. Tabel 3.9 Ringkasan Uji Linearity Garis Regresi Untuk Indikator BOR Keterangan
Sig.
Alpha
Kondisi
Simpulan
Y * X1
0.910
0.05
S>α
Linear
Y * X2
0.054
0.05
S>α
Linear
Y * X3
0.178
0.05
S>α
Linear
Y * X4
0.080
0.05
S>α
Linear
Y * X5
0.423
0.05
S>α
Linear Universitas Indonesia
47
c.
Homoscedasticity (Constant Variance of the Error Terms) Untuk mengetahui terjadi atau tidaknya homoscedasticity dapat dilihat
dari scatterplot antara nilai prediksi variabel dependen BOR dengan nilai residualnya. Jika tidak ada pola tertentu pada grafik scatterplot SRESID dan ZPRED, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroscedastisitas. Jika scatterplot menunjukkan pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur (bergelombang, melebar
kemudian
menyempit),
maka
mengindikasikan
terjadinya
heteroskedastisitas. Berikut disajikan scatterplot antara nilai prediksi variabel dependen BOR dengan nilai residualnya yang diperoleh dari penentuan model persamaan regresi pada tahap selanjutnya.
Gambar 3.6 Scatterplot Nilai Prediksi BOR Dengan Residualnya Atau dapat dilakukan uji statistik Park untuk mendeteksi ada atau tidaknya heteroskedastisitas. Langkah-langkah untuk melakukan pengujian ini adalah sebagai berikut : 1. Pada saat melakukan penentuan persamaan regresi, telah didapatkan variabel residual (Ui) dengan memilih Save pada tampilan windows Linear Regression dan aktifkan unstandardized residual. Lihat gambar 3.7 sebelumnya. 2. Kuadratkan nilai residual (U2i) dengan memilih menu Transform, dan Compute Variable. Isikan pada kotak Target Variable Kuadrat_Res, kemudian pada Numeric Expression kudratkan Unstandardized Residual yang terdapat pada Type and Label dengan menggunakan fungsi-fungsi yang telah Universitas Indonesia
48 disediakan pada Function Group. Untuk lebih jelasnya dapat dilihat pada gambar sebagai berikut :
Gambar 3.7 Kotak Dialog Compute Variabel 3. Hitung nilai logaritma dari kuadrat residualnya (Ln U2i). Gunakan kembali menu Transform, dan Compute Variable. 4. Regresikan kembali variabel Ln U2i sebagai variabel dependen dan variabel independen adalah X1, X2, X4, X5. X3 tidak digunakan karena dihilangkan dari persamaan sebab menimbulkan multikolinearitas. (Penjelasannya dapat dilihat pada tahap penentuan persamaan regresi) Hasil dari pengolahan tersebut adalah sebagai berikut : Tabel 3.10 Koefisien Regresi Untuk Model Ln U2i = b0 + b1 X1 + b2 X2 + b4 X4 + b5 X5 Pada Indikator BOR
Universitas Indonesia
49 Dengan hipotesis yang digunakan adalah sebagai berikut : Ho
: Data bersifat heteroscedatisitas
Hi
: Data bersifat homoskedastisitas Apabila koefisien parameter beta dari persamaan regresi tersebut
signifikan secara statistik sig. < α =5%, hal ini menunjukkan bahwa dalam data model empiris yang diestimasi terdapat heteroskedastisitas, sebaliknya jika tidak ada yang signifikan secara statistik, maka asumsi homoscedastisitas pada data model tersebut diterima. Karena koefisien parameter beta dari persamaan regresi tersebut tidak ada yang signifikan secara statistik, sig. > α =5%, maka Ho ditolak, artinya Hi diterima dan data bersifat homoscedastisitas. Hal ini konsisten dengan hasil analisis scatterplot sebelumnya yang menunjukkan tidak ada pola yang jelas, yang berarti bahwa tidak terjadi heteroskedastisitas atau menunjukkan terjadinya homoskedastisitas.
d.
Autokorelasi (Independence of the Error Terms) Untuk mengetahui terjadi atau tidaknya autokorelasi dapat dilakukan
dengan uji Durbin Watson yang dapat dilakukan bersamaan dengan penentuan model persamaan regresi. Berikut hasil pengolahannya : Tabel 3.11 Hasil Pengujian Durbin Watson Pada Indikator BOR
Hipotesis yang akan diuji adalah sebagai berikut : Ho
: Ada autokorelasi (r ≠ 0)
Hi
: Tidak ada autokorelasi (r = 0) Keputusan ada atau tidaknya autokorelasi yaitu apabila du < d < 4 – du,
maka tidak terjadi autokorelasi positif ataupun negatif pada residual model persamaan regresi tersebut. Du diperoleh dari tabel Durbin Watson.
Universitas Indonesia
50 Dengan jumlah variabel independen pada persamaan regresi yang telah memenuhi asumsi (k) = 4, n = 60 dan α = 5%, maka nilai du = 1.727, d = 2.197, dan 4-du = 4-1.727 = 2.273. Maka du < d < 4-du terpenuhi, artinya Ho ditolak dan tidak terjadi autokorelasi pada residual model persamaan regresi tersebut.
3.2.1.2 Penentuan Model Persamaan Multipel Regresi Setelah masing-masing variabel independen diuji dan memenuhi asumsi normality dan linearity, maka dilakukan pengolahan dengan menggunakan program SPSS untuk menentukan model persamaan regresinya. Tahap pengolahannya adalah sebagai berikut : 1. Pilih menu Analyze klik regression, pilih linear. Pindahkan variabel BOR (Y) ke kotak Dependent. Dan variabel X1, X2, X3, X4, X5 ke kotak Independent. Maka tampilannya akan menjadi sebagai berikut :
Gambar 3.8 Kotak Dialog Linear Regression Setelah Pengisian Variabel 2. Kemudian klik Statistics dan klik pada regression coefficients, estimates dan model fit untuk mengeluarkan hasil koefisien regresi untuk model regresi. Juga tandai Collinearity Diagnostic untuk melihat hubungan linearitas antara masing-masing variabel independen. Serta pada Residuals tandai Durbin Watson untuk melihat autokorelasi pada residual atau Independent of The Error Terms (asumsi dalam multipel regresi), seperti gambar berikut ini. Kemudian klik continue.
Universitas Indonesia
51
Gambar 3.9 Kotak Dialog Linear Regression : Statistics 3. Kemudian klik Plotts dan pindahkan *SRESID sebagai Y yang telah diprediksi ke kotak Y dan *ZPRED
sebagai residual (Y prediksi – Y
sesungguhnya) ke kotak X untuk mendeteksi Heteroscedasticity (asumsi dalam multiple regresi). Pada Standardize Residual Plotts tandai Histogram dan Normal Probability Plot untuk melihat secara grafis normality dari residual (asumsi dalam multiple regresi). Lebih jelas dapat dilihat pada gambar sebagai berikut, kemudian klik continue.
Gambar 3.10 Kotak Dialog Linear Regression : Plots 4. Kemudian klik Save, dan pada tandai Unstandardize pada Residual dan Predicted Value seperti pada gambar berikut. Dan klik continue.
Universitas Indonesia
52
Gambar 3.11 Kotak Dialog Linear Regression : Save 5. Setelah selesai, klik pada OK. Maka diperoleh hasil sebagai berikut. Pada saat melakukan pengujian untuk persamaan multipel regresi, maka perlu dilihat satu lagi asumsi yaitu multikolinearitas pada tabel coefisien regresi berdasarkan nilai tollerance dan VIF nya. Dengan penggunaan lima variabel X1, X2, X3, X4 dan X5 diketahui bahwa ada nilai tollerance yang < 0.1 dan nilai VIF yang > 10. Hal ini dapat dilihat pada tabel berikut ini : Tabel 3.12 Collinearity Statistics Untuk Indikator BOR
Dilihat dari coeffisien colleration masing variabel independent terlihat bahwa antara variabel jumlah pasien keluar (X3) dan jumlah pasien masuk (X4) terdapat hubungan yang sangta kuat yaitu 90.5%, sehingga salah satu variabel ini harus dikeluarkan untuk mendapatkan model persamaan regresi yang baik.
Universitas Indonesia
53
Tabel 3.13 Coeffisien Correlation Lima Variabel Untuk Indikator BOR
Pengujian Signifikansi Untuk Persamaan Multiple Regresi Tabel 3.14 Model Summary Regression Untuk Indikator BOR
Tabel 3.15 Anova Regression Untuk Indikator BOR
Pengujian hipotesis untuk nilai F berdasarkan pada nilai signifikannya, sebagai berikut : Ho
: b1 = b2 = b4 = b5 = 0, tidak ada hubungan linear antara nilai BOR terhadap keempat variabel independen yang digunakan
Hi
: b1, b2, b4, b5 ≠ 0, ada hubungan linear antara nilai BOR terhadap keempat variabel independen yang digunakan.
Universitas Indonesia
54 Jika nilai sig. < α, maka Ho ditolak. Dengan α = 5%, degree of freedom (DF) numerator = 4 dan denominator = 55, atau dengan melihat nilai sig. < 5%, maka Ho ditolak artinya bahwa benar secara bersama-sama keempat variabel independen X1, X2, X4, X5 berpengaruh terhadap nilai BOR. Tabel 3.16 Coefficients Regression Untuk Indikator BOR
Multicolinearity Selain memenuhi empat asumsi dalam multipel regresi, persamaan regresi juga harus terhindar dari multicolinearity. Dikatakan memiliki multikolinearitas yang serius apabila nilai tolerance < 0.1 atau nilai VIF > 10. Dengan menggunakan lima variabel independen terlihat pada tabel 3.12 terjadi multikolinearitas yang cukup serius, sehingga untuk mengatasi ini dapat dilakukan dengan membuang salah satu variabel independen yang saling berhubungan, sehingga variabel jumlah
pasien keluar (X3) dikeluarkan dari
persamaan regresi. Setelah dilakukan pengolahan lanjutan maka berdasarkan tabel 3.16 di atas dapat dikatakan bahwa tidak ada multikolinearitas serius yang terjadi pada variabel-variabel independennya. Berikut dapat dilihat koefisien korelasi masing-masing variabel independen terhadap variabel independen lainnya. Tabel 3.17 Coefficients Korelasi Untuk Indikator BOR
Universitas Indonesia
55
Pengujian Signifikansi Untuk Koefisien Persamaan Multiple Regresi Pengujian hipotesis untuk nilai t berdasarkan pada nilai signifikannya, sebagai berikut : Ho
: bi = 0, tidak ada hubungan signifikan antara variabel independen (i) terhadap nilai BOR keseluruhan
Hi
: bi ≠ 0, ada hubungan signifikan antara variabel independen (i) terhadap nilai BOR keseluruhan
Dengan i adalah variabel independen 1, 2, 4, 5. Jika nilai sig. (i) < α, maka Ho ditolak. Berdasarkan tabel 3.16 diketahui bahwa variabel independen yang signifikan mempengaruhi nilai BOR secara keseluruhan adalah variabel hari perawatan rumah sakit (X1), adanya kejadian luar biasa (X2), keahlian tenaga medis dan paramedic (X4), serta jumlah pasien masuk (X5). Sehingga persamaan multipel regresi untuk variabel dependen BOR (Y) adalah sebagai berikut : Y = -5.071 + 0.018 X1 + 0.015 X2 + 1.256 X4 + 0.008 X5
3.2.2
(3.1)
Average Length of Stay (Av-LOS) Indikator Av-LOS (Y) disini adalah variabel dependen yang tergantung
kepada beberapa variabel independen seperti jumlah pasien keluar (X1), jumlah hari perawatan pasien keluar (X2), jenis penyakit yang diderita (X3), golongan obat paten yang diberikan (X4). Input data-data tersebut ke program SPSS seperti pada pengolahan sebelumnya.
3.2.2.1 Pemenuhan Asumsi Dalam Multiple Regresi a.
Normality Langkah yang sama seperti dilakukan pada pengolahan BOR sebelumnya.
Pengujian normality dengan menggunakan 1-sample K-S diperoleh hasil sebagai berikut :
Universitas Indonesia
56
Tabel 3.18 Tabel Hasil Pengujian Normality Untuk Indikator Av-LOS
Hipotesis yang digunakan untuk menguji normalitas data tersebut adalah sebagai berikut : Ho
: Data tidak terdistribusi secara normal
Hi
: Data terdistribusi secara normal
Dengan α = 5 %, maka dibandingkan dengan nilai Asymp. Sig. (2 tailed). Jika nilai Asymp. Sig. (2-tailed) > α = 5 %, maka Ho ditolak. Dari nilai Asymp. Sig. (2-tailed) terlihat bahwa semua nilainya > α = 5 %, sehingga disimpulkan bahwa data terdistribusi normal. Uji normality untuk model persamaan regresi, yaitu pada nilai residualnya dilakukan setelah memenuhi semua asumsi dan persamaan regresi ditemukan. Berikut hasil dari pengolahan residual untuk melihat normality secara grafis melalui histogram dan normal probability plot.
Gambar 3.12 Histogram Residual Model Persamaan Regresi Untuk Indikator Av-LOS
Universitas Indonesia
57
Gambar 3.13 Normal Probability Plot Untuk Indikator Av-LOS Hasil pengujian normality terhadap residual dengan pengujian 1-sample K-S sebagai berikut : Tabel 3.19 Tabel Hasil Pengujian Normality Residual Untuk Indikator Av-LOS
Dengan hipotesis yang digunakan untuk menguji normalitas residual tersebut adalah sebagai berikut : Ho
: Residual tidak terdistribusi secara normal
Hi
: Residual terdistribusi secara normal
Dengan α = 5 %, maka dibandingkan dengan nilai Asymp. Sig. (2 tailed). Jika nilai Asymp. Sig. (2-tailed) > α = 5 %, maka Ho ditolak. Dari nilai Asymp. Sig. (2-tailed) terlihat bahwa nilainya 0.794 > α = 5 %, maka Ho ditolak sehingga disimpulkan bahwa residual terdistribusi secara normal. Hal ini konsisten dengan jika analisis grafis dari histogram dan normal probability plot sebelumnya.
Universitas Indonesia
58
b.
Linearity of the Phenomenon Measured Tahapan
yang
dilakukan
untuk
pengolahan
linearity
dengan
menggunakan program SPSS sama seperti yang telah dilakukan pada indikator BOR sebelumnya. Hasilnya adalah sebagai berikut : Tabel 3.20 Tabel Anova Uji Linearity Av-LOS (Y) Terhadap Jumlah Pasien Keluar (X1)
Tabel 3.21 Tabel Anova Uji Linearity Av-LOS (Y) Terhadap Jumlah Hari Perawatan Pasien Keluar (X2)
Tabel 3.22 Tabel Anova Uji Linearity Av-LOS (Y) Terhadap Jenis Penyakit Yang Diderita (X3)
Tabel 3.23 Tabel Anova Uji Linearity Av-LOS terhadap Golongan Obat Paten Yang Diberikan (X4)
Sumber : Pengolahan Data, 2009
Hipotesis yang digunakan adalah sebagai berikut : Ho
: Model regresi berbentuk non-linear
Hi
: Model regresi berbentuk linear
Universitas Indonesia
59 Dengan α = 5%, maka dibandingkan dengan nilai signifikansi dari Deviation of Linearity. Jika nilai signifikansi dari Deviation of Linearity > α = 5%, maka Ho ditolak, berarti model regresi berbentuk linear. Tabel 3.24 Ringkasan Uji Linearity Garis Regresi Untuk Indikator Av-LOS
c.
Keterangan
Sig.
Alpha
Kondisi
Simpulan
Y * X1
0.118
0.05
S>α
Linear
Y * X2
0.053
0.05
S>α
Linear
Y * X3
0.102
0.05
S>α
Linear
Y * X4
0.536
0.05
S>α
Linear
Homoscedasticity (Constant Variance of the Error Terms) Sama seperti pengolahan yang dilakukan pada indikator BOR. Berikut
disajikan scatterplot antara nilai prediksi variabel dependen Av-LOS dengan nilai residualnya yang diperoleh dari penentuan model persamaan regresi pada tahap selanjutnya.
Gambar 3.14 Scatterplot Nilai Prediksi Av-LOS Dengan Residualnya Atau dapat dilakukan uji statistik Park untuk mendeteksi ada atau tidaknya heteroskedastisitas. Langkah-langkah untuk melakukan pengujian ini sama seperti yang dilakukan sebelumnya pada indikator BOR. Hasil dari pengolahan tersebut adalah sebagai berikut :
Universitas Indonesia
60 Tabel 3.25 Koefisien Regresi Untuk Model Ln U2i = b0 + b1 X1 + b2 X2 + b3 X3 + b4 X4 Pada Indikator Av-LOS
Dengan hipotesis yang digunakan adalah sebagai berikut : Ho
: Data bersifat heteroscedatisitas
Hi
: Data bersifat homoskedastisitas Karena koefisien parameter beta dari persamaan regresi tersebut tidak ada
yang signifikan secara statistik, sig. > α =5%, maka Ho ditolak, artinya Hi diterima dan data bersifat homoscedastisitas. Hal ini konsisten dengan hasil analisis scatterplot sebelumnya yang menunjukkan tidak ada pola yang jelas, yang berarti bahwa tidak terjadi heteroskedastisitas atau menunjukkan terjadinya homoskedastisitas.
d.
Autokorelasi (Independence of the Error Terms) Untuk mengetahui terjadi atau tidaknya autokorelasi dapat dilakukan
dengan uji Durbin Watson yang dapat dilakukan bersamaan dengan penentuan model persamaan regresi. Berikut hasil pengolahannya : Tabel 3.26 Hasil Pengujian Durbin Watson Pada Indikator Av-LOS
Universitas Indonesia
61 Hipotesis yang akan diuji adalah sebagai berikut : Ho
: Ada autokorelasi (r ≠ 0)
Hi
: Tidak ada autokorelasi (r = 0) Dengan jumlah variabel independen (k) = 4, n = 60 dan α = 5%, maka
nilai du = 1.727, d = 1.776, dan 4-du = 4-1.727 = 2.273. Maka du < d < 4-du terpenuhi, artinya Ho ditolak dan tidak terjadi autokorelasi pada residual model persamaan regresi tersebut.
3.2.2.2 Penentuan Model Persamaan Multipel Regresi Setelah masing-masing variabel independen diuji dan memenuhi asumsi normality dan linearity, maka dilakukan pengolahan dengan menggunakan program SPSS untuk menentukan model persamaan regresinya seperti yang dilakukan pada tahap di indikator BOR sebelumnya.
Pengujian Signifikansi Untuk Persamaan Multiple Regresi Tabel 3.27 Model Summary Regression Untuk Indikator Av-LOS
Tabel 3.28 Anova Regression Untuk Indikator Av-LOS
Universitas Indonesia
62 Pengujian hipotesis untuk nilai F berdasarkan pada nilai signifikannya, sebagai berikut : Ho
: b1 = b2 = b3 = b4 = 0, tidak ada hubungan linear antara nilai Av-LOS terhadap keempat variabel independen yang digunakan
Hi
: b1, b2, b3, b4 ≠ 0, ada hubungan linear antara nilai Av-LOS terhadap keempat variabel independen yang digunakan.
Jika nilai sig. < α, maka Ho ditolak. Dengan α = 5%, degree of freedom (DF) numerator = 4 dan denominator = 55, nilai sig. < 5%, maka Ho ditolak artinya bahwa benar secara bersama-sama keempat variabel independen berpengaruh terhadap nilai Av-LOS. Tabel 3.29 Coefficients Regression Untuk Indikator Av-LOS
Multicolinearity Selain memenuhi empat asumsi dalam multipel regresi, persamaan regresi juga harus terhindar dari multicolinearity. Dikatakan memiliki multikolinearitas yang serius apabila nilai tolerance < 0.1 atau nilai VIF > 10. Maka berdasarkan tabel 3.29 di atas dapat dikatakan bahwa tidak ada multikolinearitas serius yang terjadi pada variabel-variabel independennya. Berikut disajikan koefisien korelasi masing-masing variabel independen terhadap variabel independen lainnya. Tabel 3.30 Coefficients Correlations Untuk Indikator Av-LOS
Universitas Indonesia
63
Pengujian Signifikansi Untuk Koefisien Persamaan Multiple Regresi Pengujian hipotesis untuk nilai t berdasarkan pada nilai signifikannya, sebagai berikut : Ho
: bi = 0, tidak ada hubungan signifikan antara variabel independen (i) terhadap nilai Av-LOS keseluruhan
Hi
: bi ≠ 0, ada hubungan signifikan antara variabel independen (i) terhadap nilai Av-LOS keseluruhan
Dengan i adalah variabel independen 1, 2, 3, 4. Jika nilai sig. (i) < α, maka Ho ditolak. Berdasarkan tabel 3.26 diketahui bahwa variabel independen yang signifikan mempengaruhi nilai Av-LOS secara keseluruhan adalah variabel jumlah pasien keluar (X1), jumlah hari perawatan pasien keluar (X2) dan variabel golongan obat paten yang diberikan (X4). Sehingga persamaan multipel regresi untuk variabel dependen Av-LOS (Y) adalah sebagai berikut : Y = 4.142 - 0.003 X1 + 0.001 X2 - 0.036 X4
(3.2)
3.2.3 Bed Turn Over (BTO) Indikator BTO (Y) disini adalah variabel dependen yang tergantung kepada beberapa variabel independen seperti jumlah pasien keluar (X1), jenis penyakit yang diderita (X2), adanya kejadian luar biasa (X3) serta jumlah pasien masuk (X4). Input data-data tersebut ke program SPSS seperti pada pengolahan sebelumnya.
3.2.3.1 Pemenuhan Asumsi Dalam Multiple Regresi a.
Normality Langkah yang sama seperti dilakukan pada pengolahan BOR sebelumnya.
Pengujian normality dengan menggunakan 1-sample K-S diperoleh hasil sebagai berikut :
Universitas Indonesia
64
Tabel 3.31 Tabel Hasil Pengujian Normality Untuk Indikator BTO
Hipotesis yang digunakan untuk menguji normalitas data tersebut adalah sebagai berikut : Ho
: Data tidak terdistribusi secara normal
Hi
: Data terdistribusi secara normal
Dengan α = 5 %, maka dibandingkan dengan nilai Asymp. Sig. (2 tailed). Jika nilai Asymp. Sig. (2-tailed) > α = 5 %, maka Ho ditolak. Dari nilai Asymp. Sig. (2-tailed) terlihat bahwa semua nilainya > α = 5 %, sehingga disimpulkan bahwa data terdistribusi normal. Berikut hasil dari pengolahan residual untuk melihat normality secara grafis melalui histogram dan normal probability plot.
Gambar 3.15 Histogram Residual Model Persamaan Regresi Untuk Indikator BTO
Universitas Indonesia
65
Gambar 3.16 Normal Probability Plot Untuk Indikator BTO Hasil pengujian normality terhadap residual dengan pengujian 1-sample K-S sebagai berikut : Tabel 3.32 Tabel Hasil Pengujian Normality Residual Untuk Indikator BTO
Dengan hipotesis yang digunakan untuk menguji normalitas residual tersebut adalah sebagai berikut : Ho
: Residual tidak terdistribusi secara normal
Hi
: Residual terdistribusi secara normal
Dengan α = 5 %, maka dibandingkan dengan nilai Asymp. Sig. (2 tailed). Jika nilai Asymp. Sig. (2-tailed) > α = 5 %, maka Ho ditolak. Dari nilai Asymp. Sig. (2-tailed) terlihat bahwa nilainya 0.556 > α = 5 %, maka Ho ditolak sehingga disimpulkan bahwa residual terdistribusi secara normal. Hal ini konsisten dengan jika analisis grafis dari histogram dan normal probability plot sebelumnya.
Universitas Indonesia
66
b.
Linearity of the Phenomenon Measured Tahapan
yang
dilakukan
untuk
pengolahan
linearity
dengan
menggunakan program SPSS sama seperti yang telah dilakukan pada indikator BOR sebelumnya. Hasilnya adalah sebagai berikut : Tabel 3.33 Tabel Anova Uji Linearity BTO (Y) Terhadap Jumlah Pasien Keluar (X1)
Tabel 3.34 Tabel Anova Uji Linearity BTO (Y) Terhadap Jenis Penyakit Terbanyak Rawat Inap (X2)
Tabel 3.35 Tabel Anova Uji Linearity BTO (Y) Terhadap Kejadian Luar Biasa (X3)
Tabel 3.36 Tabel Anova Uji Linearity BTO (Y) Terhadap Jumlah Pasien Masuk (X4)
Hipotesis yang digunakan adalah sebagai berikut : Ho
: Model regresi berbentuk non-linear
Hi
: Model regresi berbentuk linear
Dengan α = 5%, maka dibandingkan dengan nilai signifikansi dari Deviation of Linearity. Jika nilai signifikansi dari Deviation of Linearity > α = 5%, maka Ho ditolak, berarti model regresi berbentuk linear. Universitas Indonesia
67
Tabel 3.37 Ringkasan Uji Linearity Garis Regresi Untuk Indikator BTO Keterangan
Sig.
Alpha
Kondisi
Simpulan
Y * X1
0.066
0.05
S>α
Linear
Y * X2
0.180
0.05
S>α
Linear
Y * X3
0.086
0.05
S>α
Linear
Y * X4
0.021
0.05
S< α
Tidak Linear
Karena uji linearity antara indikator BTO (Y) terhadap jumlah pasien masuk (X4) menunjukkan hubungan yang tidak linear, maka berdasarkan teori data tersebut dapat ditransformasi untuk mencapai kelinearitasannya. Jenis transformasi adalah berdasarkan pada bentuk plot datanya. Berikut disajikan plot data antara indikator BTO (Y) dengan jumlah pasien masuk (X4).
Gambar 3.17 Plot Untuk Indikator BTO Terhadap Jumlah Pasien Masuk (X4) Berdasarkan gambar 3.17, maka plot data ini lebih menyerupai gambar 2.2 (d). Sehingga transformasi yang mungkin dilakukan adalah Log X, -1/X dan √X. Tahapan transformasi sama seperti langkah-langkah yang dijelaskan pada gambar 3.7 sebelumnya. Maka transformasi yang dilakukan pertama kali adalah dengan melogaritmakan variabel jumlah pasien masuk (X4). Kemudian dilakukan lagi pengujian linearity antara variabel BTO (Y) terhadap log jumlah pasien masuk (X4). Maka diperoleh hasil sebagai berikut :
Universitas Indonesia
68
Tabel 3.38 Tabel Anova Uji Linearity BTO (Y) Terhadap Log Jumlah Pasien Masuk (X4)
Dengan α = 5%, maka dibandingkan dengan nilai signifikansi dari Deviation of Linearity. Jika nilai signifikansi dari Deviation of Linearity > α = 5%, maka Ho ditolak, berarti model regresi berbentuk linear. Sehingga hasil pengujian linearity ini dapat diringkas seperti pada tabel berikut ini : Tabel 3.39 Ringkasan Uji Linearity Garis Regresi Untuk Indikator BTO Setelah Transformasi Keterangan Sig. Alpha Kondisi Simpulan
c.
Y * X1
0.066
0.05
S>α
Linear
Y * X2
0.180
0.05
S>α
Linear
Y * X3
0.086
0.05
S>α
Linear
Y * Log X4
0.115
0.05
S>α
Linear
Homoscedasticity (Constant Variance of the Error Terms) Sama seperti pengolahan yang dilakukan pada indikator BOR. Berikut
disajikan scatterplot antara nilai prediksi variabel dependen BTO dengan nilai residualnya yang diperoleh dari penentuan model persamaan regresi pada tahap selanjutnya.
Gambar 3.18 Scatterplot Nilai Prediksi BTO Dengan Residualnya Universitas Indonesia
69 Atau dapat dilakukan uji statistik Park untuk mendeteksi ada atau tidaknya heteroskedastisitas. Langkah-langkah untuk melakukan pengujian ini sama seperti yang dilakukan sebelumnya pada indikator BOR. Hasil dari pengolahan tersebut adalah sebagai berikut : Tabel 3.40 Koefisien Regresi Untuk Model Ln U2i = b0 + b1 X1 + b2 X2 + b3 X3 Pada Indikator BTO
Dengan hipotesis yang digunakan adalah sebagai berikut : Ho
: Data bersifat heteroscedatisitas
Hi
: Data bersifat homoskedastisitas Karena koefisien parameter beta dari persamaan regresi tersebut tidak ada
yang signifikan secara statistik, sig. > α =5%, maka Ho ditolak, artinya Hi diterima dan data bersifat homoscedastisitas. Hal ini konsisten dengan hasil analisis scatterplot sebelumnya yang menunjukkan tidak ada pola yang jelas, yang berarti bahwa tidak terjadi heteroskedastisitas atau menunjukkan terjadinya homoskedastisitas.
d.
Autokorelasi (Independence of the Error Terms) Untuk mengetahui terjadi atau tidaknya autokorelasi dapat dilakukan
dengan uji Durbin Watson yang dapat dilakukan bersamaan dengan penentuan model persamaan regresi. Berikut hasil pengolahannya : Tabel 3.41 Hasil Pengujian Durbin Watson Pada Indikator BTO
Universitas Indonesia
70 Hipotesis yang akan diuji adalah sebagai berikut : Ho
: Ada autokorelasi (r ≠ 0)
Hi
: Tidak ada autokorelasi (r = 0) Dengan jumlah variabel independen (k) = 3 (berdasarkan penentuan
model persamaan regresi), n = 60 dan α = 5%, maka nilai du = 1.689, d = 1.781, dan 4-du = 4-1.689 = 2.311. Maka du < d < 4-du terpenuhi, artinya Ho ditolak dan tidak terjadi autokorelasi pada residual model persamaan regresi tersebut.
3.2.3.2 Penentuan Model Persamaan Multipel Regresi Setelah masing-masing variabel independen diuji dan memenuhi asumsi normality dan linearity, maka dilakukan pengolahan dengan menggunakan program SPSS untuk menentukan model persamaan regresinya seperti yang dilakukan pada tahap di indikator BOR sebelumnya. Pada saat melakukan pengujian untuk persamaan multipel regresi, maka perlu dilihat satu lagi asumsi yaitu multikolinearitas pada tabel coefisien regresi berdasarkan nilai tollerance dan VIF nya. Dengan penggunaan empat variabel X1, X2, X3, Log X4 diketahui bahwa ada nilai tollerance yang < 0.1 dan nilai VIF yang > 10. Hal ini dapat dilihat pada tabel berikut ini : Tabel 3.42 Collinearity Statistics Untuk Indikator BTO
Dilihat dari coeffisien colleration masing variabel independent terlihat bahwa antara variabel jumlah pasien keluar (X1) dan log jumlah pasien masuk (X4) terdapat hubungan yang sangat kuat yaitu 99.2%, sehingga salah satu variabel ini harus dikeluarkan untuk mendapatkan model persamaan regresi yang baik.
Universitas Indonesia
71
Tabel 3.43 Coeffisien Correlation Empat Variabel Untuk Indikator BTO
Pengujian Signifikansi Untuk Persamaan Multiple Regresi Tabel 3.44 Model Summary Regression Untuk Indikator BTO
Tabel 3.45 Anova Regression Untuk Indikator BTO
Pengujian hipotesis untuk nilai F berdasarkan pada nilai signifikannya, sebagai berikut : Ho
: b1 = b2 = b3 = 0, tidak ada hubungan linear antara nilai BTO terhadap ketiga variabel independen yang digunakan
Hi
: b1, b2, b3 ≠ 0, ada hubungan linear antara nilai BTO terhadap ketiga variabel independen yang digunakan.
Jika nilai sig. < α, maka Ho ditolak. Dengan α = 5%, degree of freedom (DF) numerator = 3 dan denominator = 56, nilai sig. < 5%, maka Ho ditolak artinya bahwa benar secara bersama-sama ketiga variabel independen berpengaruh terhadap nilai BTO. Universitas Indonesia
72
Tabel 3.46 Coefficients Regression Untuk Indikator BTO
Multicolinearity Selain memenuhi empat asumsi dalam multipel regresi, persamaan regresi juga harus terhindar dari multicolinearity. Dikatakan memiliki multikolinearitas yang serius apabila nilai tolerance < 0.1 atau nilai VIF > 10. Maka berdasarkan tabel 3.42 sebelumnya terlihat bahwa terjadi multikolinearitas yang serius, sehingga salah satu variabel independen tersebut harus dikeluarkan. Variabel independen yang dikeluarkan adalah jumlah pasien masuk (X4), sehingga dilakukan pengolahan untuk penentuan model persamaan regresi kembali dengan menggunakan tiga variabel independen. Dari tabel 3.46 di atas dapat dikatakan bahwa tidak ada multikolinearitas serius yang terjadi pada variabel-variabel independennya. Berikut dapat dilihat koefisien korelasi masing-masing variabel independen terhadap variabel independen lainnya. Tabel 3.47 Coefficients Correlations Untuk Indikator BTO
Pengujian Signifikansi Untuk Koefisien Persamaan Multiple Regresi Pengujian hipotesis untuk nilai t berdasarkan pada nilai signifikannya, sebagai berikut : Ho
: bi = 0, tidak ada hubungan signifikan antara variabel independen (i) terhadap nilai BTO keseluruhan
Hi
: bi ≠ 0, ada hubungan signifikan antara variabel independen (i) terhadap nilai BTO keseluruhan
Dengan i adalah variabel independen 1, 2, 3. Universitas Indonesia
73 Jika nilai sig. (i) < α, maka Ho ditolak. Berdasarkan tabel 3.38 diketahui bahwa variabel independen yang signifikan mempengaruhi nilai BTO secara keseluruhan adalah variabel jumlah pasien keluar (X1) dan variabel kejadian luar biasa (X3). Sehingga persamaan multipel regresi untuk variabel dependen BTO (Y) adalah sebagai berikut : (3.3)
Y = - 0.177 + 0.007X1 - 0.0004 X3 3.2.4
Turn Over Interval (TOI) Indikator TOI (Y) disini adalah variabel dependen yang tergantung
kepada beberapa variabel independen seperti jumlah pasien keluar (X1), hari perawatan rumah sakit (X2), adanya kejadian luar biasa (X3) dan jumlah pasien masuk (X4). Input data-data tersebut ke program SPSS seperti pada pengolahan sebelumnya.
3.2.4.1 Pemenuhan Asumsi Dalam Multiple Regresi a.
Normality Langkah yang sama seperti dilakukan pada pengolahan BOR sebelumnya.
Pengujian normality dengan menggunakan 1-sample K-S diperoleh hasil sebagai berikut : Tabel 3.48 Tabel Hasil Pengujian Normality Untuk Indikator TOI
Hipotesis yang digunakan untuk menguji normalitas data tersebut adalah sebagai berikut : Ho
: Data tidak terdistribusi secara normal
Hi
: Data terdistribusi secara normal Universitas Indonesia
74 Dengan α = 5 %, maka dibandingkan dengan nilai Asymp. Sig. (2 tailed). Jika nilai Asymp. Sig. (2-tailed) > α = 5 %, maka Ho ditolak. Dari nilai Asymp. Sig. (2-tailed) terlihat bahwa semua nilainya > α = 5 %, sehingga disimpulkan bahwa data terdistribusi normal. Berikut hasil dari pengolahan residual untuk melihat normality secara grafis melalui histogram dan normal probability plot.
Gambar 3.19 Histogram Residual Model Persamaan Regresi Untuk Indikator TOI
Gambar 3.20 Normal Probability Plot Untuk Indikator TOI
Universitas Indonesia
75 Hasil pengujian normality terhadap residual dengan pengujian 1-sample K-S sebagai berikut : Tabel 3.49 Tabel Hasil Pengujian Normality Residual Untuk Indikator TOI
Dengan hipotesis yang digunakan untuk menguji normalitas residual tersebut adalah sebagai berikut : Ho
: Residual tidak terdistribusi secara normal
Hi
: Residual terdistribusi secara normal
Dengan α = 5 %, maka dibandingkan dengan nilai Asymp. Sig. (2 tailed). Jika nilai Asymp. Sig. (2-tailed) > α = 5 %, maka Ho ditolak. Dari nilai Asymp. Sig. (2-tailed) terlihat bahwa nilainya 0.437 > α = 5 %, maka Ho ditolak sehingga disimpulkan bahwa residual terdistribusi secara normal. Hal ini konsisten dengan jika analisis grafis dari histogram dan normal probability plot sebelumnya.
b.
Linearity of the Phenomenon Measured Tahapan
yang
dilakukan
untuk
pengolahan
linearity
dengan
menggunakan program SPSS sama seperti yang telah dilakukan pada indikator BOR sebelumnya. Hasilnya adalah sebagai berikut : Tabel 3.50 Tabel Anova Uji Linearity TOI (Y) Terhadap Jumlah Pasien Keluar (X1)
Universitas Indonesia
76
Tabel 3.51 Tabel Anova Uji Linearity TOI (Y) Terhadap Hari Perawatan Rumah Sakit (X2)
Tabel 3.52 Tabel Anova Uji Linearity TOI (Y) Terhadap Kejadian Luar Biasa (X3)
Tabel 3.53 Tabel Anova Uji Linearity TOI (Y) Terhadap Jumlah Pasien Masuk (X4)
Hipotesis yang digunakan adalah sebagai berikut : Ho
: Model regresi berbentuk non-linear
Hi
: Model regresi berbentuk linear
Dengan α = 5%, maka dibandingkan dengan nilai signifikansi dari Deviation of Linearity. Jika nilai signifikansi dari Deviation of Linearity > α = 5%, maka Ho ditolak, berarti model regresi berbentuk linear. Tabel 3.54 Ringkasan Uji Linearity Garis Regresi Untuk Indikator TOI Keterangan
Sig.
Alpha
Kondisi
Simpulan
Y * X1
0.019
0.05
S<α
Tidak Linear
Y * X2
0.056
0.05
S>α
Linear
Y * X3
0.113
0.05
S>α
Linear
Y * X4
0.014
0.05
S<α
Tidak Linear
Universitas Indonesia
77 Karena uji linearity antara indikator TOI (Y) terhadap jumlah pasien keluar (X1) dan terhadap jumlah pasien masuk (X4) menunjukkan hubungan yang tidak linear, maka berdasarkan teori data tersebut dapat ditransformasi untuk mencapai kelinearitasannya. Jenis transformasi adalah berdasarkan pada bentuk plot datanya. Berikut disajikan plot data :
Gambar 3.21 Plot Untuk Indikator TOI Terhadap Jumlah Pasien Keluar (X1)
Gambar 3.22 Plot Untuk Indikator TOI Terhadap Jumlah Pasien Masuk (X4) Berdasarkan gambar 3.21 dan 3.22, maka plot data ini lebih menyerupai gambar 2.2 (b). Sehingga transformasi yang mungkin dilakukan adalah Log X, 1/X dan √X. Tahapan transformasi sama seperti langkah-langkah yang dijelaskan pada gambar 3.7 sebelumnya. Maka transformasi yang dilakukan pertama kali adalah dengan melogaritmakan variabel jumlah pasien keluar (X1) dan variabel Universitas Indonesia
78 jumlah pasien masuk (X4). Kemudian dilakukan lagi pengujian linearity antara variabel TOI (Y) terhadap log jumlah pasien keluar (X1) dan log jumlah pasien masuk (X4). Maka diperoleh hasil sebagai berikut : Tabel 3.55 Tabel Anova Uji Linearity TOI (Y) Terhadap Log Jumlah Pasien Keluar (X1)
Tabel 3.56 Tabel Anova Uji Linearity TOI (Y) Terhadap Log Jumlah Pasien Masuk (X4)
Karena signifikansi dari Deviation of Linearity = α = 5%, maka Ho diterima, berarti model regresi berbentuk tidak linear. Artinya transformasi yang dilakukan sebelumnya belum mencapai asumsi linearity, sehingga perlu dilakukan transformasi bentuk kedua, yaitu bentuk -1/X. Dan kembali dilakukan pengujian linearity TOI (Y) terhadap inverse jumlah pasien keluar (X1) dan inverse jumlah pasien masuk (X4). Hasil pengujian linearity tersebut adalah sebagai berikut : Tabel 3.57 Tabel Anova Uji Linearity TOI (Y) Terhadap Inverse Jumlah Pasien Keluar (X1)
Tabel 3.58 Tabel Anova Uji Linearity TOI (Y) Terhadap Inverse Jumlah Pasien Masuk(X4)
Universitas Indonesia
79 Dengan α = 5%, maka dibandingkan dengan nilai signifikansi dari Deviation of Linearity. Jika nilai signifikansi dari Deviation of Linearity > α = 5%, maka Ho ditolak, berarti model regresi berbentuk linear. Sehingga hasil pengujian linearity ini dapat diringkas seperti pada tabel berikut ini : Tabel 3.59 Ringkasan Uji Linearity Garis Regresi Untuk Indikator TOI Setelah Transformasi Keterangan Sig. Alpha Kondisi Simpulan
c.
Y * 1/X1
0.080
0.05
S>α
Linear
Y * X2
0.056
0.05
S>α
Linear
Y * X3
0.113
0.05
S>α
Linear
Y * 1/X4
0.093
0.05
S>α
Linear
Homoscedasticity (Constant Variance of the Error Terms) Sama seperti pengolahan yang dilakukan pada indikator BOR. Berikut
disajikan scatterplot antara nilai prediksi variabel dependen TOI dengan nilai residualnya yang diperoleh dari penentuan model persamaan regresi pada tahap selanjutnya.
Gambar 3.23 Scatterplot Nilai Prediksi TOI Dengan Residualnya Atau dapat dilakukan uji statistik Park untuk mendeteksi ada atau tidaknya heteroskedastisitas. Langkah-langkah untuk melakukan pengujian ini sama seperti yang dilakukan sebelumnya pada indikator BOR. Variabel yang digunakan disini hanya tiga variabel independen, karena berdasarkan penentuan Universitas Indonesia
80 model persamaan regresi mengharuskan variabel jumlah pasien keluar (X4) harus dikeluarkan. Hasil dari pengolahan tersebut adalah sebagai berikut : Tabel 3.60 Koefisien Regresi Untuk Model Ln U2i = b0 + b1 (1/X1) + b2 X2 + b3 X3 Pada Indikator TOI
Dengan hipotesis yang digunakan adalah sebagai berikut : Ho
: Data bersifat heteroscedatisitas
Hi
: Data bersifat homoskedastisitas Karena koefisien parameter beta dari persamaan regresi tersebut tidak ada
yang signifikan secara statistik, sig. > α =5%, maka Ho ditolak, artinya Hi diterima dan data bersifat homoscedastisitas. Hal ini konsisten dengan hasil analisis scatterplot sebelumnya yang menunjukkan tidak ada pola yang jelas, yang berarti bahwa tidak terjadi heteroskedastisitas atau menunjukkan terjadinya homoskedastisitas.
d.
Autokorelasi (Independence of the Error Terms) Untuk mengetahui terjadi atau tidaknya autokorelasi dapat dilakukan
dengan uji Durbin Watson yang dapat dilakukan bersamaan dengan penentuan model persamaan regresi. Berikut hasil pengolahannya : Tabel 3.61 Hasil Pengujian Durbin Watson Pada Indikator TOI
Universitas Indonesia
81 Hipotesis yang akan diuji adalah sebagai berikut : Ho
: Ada autokorelasi (r ≠ 0)
Hi
: Tidak ada autokorelasi (r = 0) Dengan pengurangan variabel jumlah pasien masuk maka jumlah variabel
independen (k) = 3, n = 60 dan α = 5%, sehingga nilai du = 1.689, d =2.235, dan 4-du = 4-1.689 = 2.311. Maka du < d < 4-du terpenuhi, artinya Ho ditolak dan tidak terjadi autokorelasi pada residual model persamaan regresi tersebut.
3.2.4.2 Penentuan Model Persamaan Multipel Regresi Setelah masing-masing variabel independen diuji dan memenuhi asumsi normality dan linearity, maka dilakukan pengolahan dengan menggunakan program SPSS untuk menentukan model persamaan regresinya seperti yang dilakukan pada tahap di indikator BOR sebelumnya. Pada saat melakukan pengujian untuk persamaan multipel regresi, maka perlu dilihat satu lagi asumsi yaitu multikolinearitas pada tabel coefisien regresi berdasarkan nilai tollerance dan VIF nya. Dengan penggunaan empat variabel 1/X1, X2, X3, 1/X4 diketahui bahwa ada nilai tollerance yang < 0.1 dan nilai VIF yang > 10. Hal ini dapat dilihat pada tabel berikut ini : Tabel 3.62 Collinearity Statistics Untuk Indikator TOI
Dilihat dari coeffisien colleration masing variabel independent terlihat bahwa antara variabel jumlah pasien keluar (X1) dan log jumlah pasien masuk (X4) terdapat hubungan yang sangat kuat yaitu 89.3%, sehingga salah satu variabel ini harus dikeluarkan untuk mendapatkan model persamaan regresi yang baik.
Universitas Indonesia
82
Tabel 3.63 Coeffisien Correlation Empat Variabel Untuk Indikator TOI
Pengujian Signifikansi Untuk Persamaan Multiple Regresi Tabel 3.64 Model Summary Regression Untuk Indikator TOI
Tabel 3.65 Anova Regression Untuk Indikator TOI
Pengujian hipotesis untuk nilai F berdasarkan pada nilai signifikannya, sebagai berikut : Ho
: b1 = b2 = b3 = 0, tidak ada hubungan linear antara nilai TOI terhadap ketiga variabel independen yang digunakan
Hi
: b1, b2, b3 ≠ 0, ada hubungan linear antara nilai TOI terhadap ketiga variabel independen yang digunakan.
Jika nilai sig. < α, maka Ho ditolak. Dengan α = 5%, degree of freedom (DF) numerator = 3 dan denominator = 56, nilai sig. < 5%, maka Ho ditolak artinya bahwa benar secara bersama-sama ketiga variabel independen berpengaruh terhadap nilai TOI.
Universitas Indonesia
83
Tabel 3.66 Coefficients Regression Untuk Indikator TOI
Multicolinearity Selain memenuhi empat asumsi dalam multipel regresi, persamaan regresi juga harus terhindar dari multicolinearity. Dikatakan memiliki multikolinearitas yang serius apabila nilai tolerance < 0.1 atau nilai VIF > 10. Maka berdasarkan tabel 3.62 sebelumnya terlihat bahwa terjadi multikolinearitas serius sehingga perlu dihilangkan salah satu variabel independen yang berhubungan sangat kuat itu yaitu jumlah pasien kelaur (X4). Selanjutnya penentuan model persamaan regresi dilakukan dengna tiga variabel independen dan hasilnya dapat dilihat pada tabel 3.66, dapat dikatakan bahwa tidak ada multikolinearitas serius yang terjadi pada variabel-variabel independennya. Berikut dapat dilihat koefisien korelasi masing-masing variabel independen terhadap variabel independen lainnya. Tabel 3.67 Coefficients Correlations Untuk Indikator TOI
Pengujian Signifikansi Untuk Koefisien Persamaan Multiple Regresi Pengujian hipotesis untuk nilai t berdasarkan pada nilai signifikannya, sebagai berikut : Ho
: bi = 0, tidak ada hubungan signifikan antara variabel independen (i) terhadap nilai TOI keseluruhan
Hi
: bi ≠ 0, ada hubungan signifikan antara variabel independen (i) terhadap nilai TOI keseluruhan
Dengan i adalah variabel independen 1, 2, 3.
Universitas Indonesia
84 Jika nilai sig. (i) < α, maka Ho ditolak. Berdasarkan tabel 3.66 diketahui bahwa variabel independen yang digunakan seluruhnya memberikan pengaruh signifikan terhadap nilai TOI secara keseluruhan. Variabel-variabel independen itu adalah variabel inverse jumlah pasien keluar (1/X1), variabel hari perawatan RS (X2) dan variabel kejadian luar biasa (X3). Sehingga persamaan multipel regresi untuk variabel dependen TOI (Y) adalah sebagai berikut : Y = 3.413 – 2577.936 (1/X1) - 0.002 X2 + 0.002 X3
3.2.5
(3.4)
Net Death Rate (NDR) Indikator NDR (Y) disini adalah variabel dependen yang tergantung
kepada beberapa variabel independen seperti jumlah pasien yang keluar (X1), jumlah pasien mati > 48 jam perawatan (X2), keahlian tenaga medis dan paramedic (X3), jenis penyakit yang diderita (Penyebab kematian) (X4). Input data-data tersebut ke program SPSS seperti pada pengolahan sebelumnya.
3.2.5.1 Pemenuhan Asumsi Dalam Multiple Regresi a.
Normality Langkah yang sama seperti dilakukan pada pengolahan BOR sebelumnya.
Pengujian normality dengan menggunakan 1-sample K-S diperoleh hasil sebagai berikut : Tabel 3.68 Tabel Hasil Pengujian Normality Untuk Indikator NDR
Hipotesis yang digunakan untuk menguji normalitas data tersebut adalah sebagai berikut : Ho
: Data tidak terdistribusi secara normal
Hi
: Data terdistribusi secara normal
Universitas Indonesia
85 Dengan α = 5 %, maka dibandingkan dengan nilai Asymp. Sig. (2 tailed). Jika nilai Asymp. Sig. (2-tailed) > α = 5 %, maka Ho ditolak. Dari nilai Asymp. Sig. (2-tailed) terlihat bahwa semua nilainya > α = 5 %, sehingga disimpulkan bahwa data terdistribusi normal. Berikut hasil dari pengolahan residual untuk melihat normality secara grafis melalui histogram dan normal probability plot.
Gambar 3.24 Histogram Residual Model Persamaan Regresi Untuk Indikator NDR
Gambar 3.25 Normal Probability Plot Untuk Indikator NDR Hasil pengujian normality terhadap residual dengan pengujian 1-sample K-S sebagai berikut :
Universitas Indonesia
86
Tabel 3.69 Tabel Hasil Pengujian Normality Residual Untuk Indikator NDR
Dengan hipotesis yang digunakan untuk menguji normalitas residual tersebut adalah sebagai berikut : Ho
: Residual tidak terdistribusi secara normal
Hi
: Residual terdistribusi secara normal
Dengan α = 5 %, maka dibandingkan dengan nilai Asymp. Sig. (2 tailed). Jika nilai Asymp. Sig. (2-tailed) > α = 5 %, maka Ho ditolak. Dari nilai Asymp. Sig. (2-tailed) terlihat bahwa nilainya 0.969 > α = 5 %, maka Ho ditolak sehingga disimpulkan bahwa residual terdistribusi secara normal. Hal ini konsisten dengan jika analisis grafis dari histogram dan normal probability plot sebelumnya.
b.
Linearity of the Phenomenon Measured Tahapan
yang
dilakukan
untuk
pengolahan
linearity
dengan
menggunakan program SPSS sama seperti yang telah dilakukan pada indikator BOR sebelumnya. Hasilnya adalah sebagai berikut : Tabel 3.70 Tabel Anova Uji Linearity NDR (Y) Terhadap Jumlah Pasien Keluar (X1)
Universitas Indonesia
87
Tabel 3.71 Tabel Anova Uji Linearity NDR (Y) Terhadap Jumlah Pasien Mati > 48 Jam Perawatan (X2)
Tabel 3.72 Tabel Anova Uji Linearity NDR (Y) Terhadap Keahlian Tenaga Medis Paramedis (X3)
Tabel 3.73 Tabel Anova Uji Linearity NDR (Y) Terhadap Jumlah Pasien Penderita Penyakit Penyebab Kematian (X4)
Hipotesis yang digunakan adalah sebagai berikut : Ho
: Model regresi berbentuk non-linear
Hi
: Model regresi berbentuk linear
Dengan α = 5%, maka dibandingkan dengan nilai signifikansi dari Deviation of Linearity. Jika nilai signifikansi dari Deviation of Linearity > α = 5%, maka Ho ditolak, berarti model regresi berbentuk linear. Tabel 3.74 Ringkasan Uji Linearity Garis Regresi Untuk Indikator NDR Keterangan
Sig.
Alpha
Kondisi
Simpulan
Y * X1
0.375
0.05
S>α
Linear
Y * X2
0.052
0.05
S>α
Linear
Y * X3
0.222
0.05
S>α
Linear
Y * X4
0.005
0.05
S<α
Tidak Linear
Universitas Indonesia
88 Karena uji linearity antara indikator NDR (Y) terhadap jumlah pasien penderita penyakit penyebab kematian (X4) menunjukkan hubungan yang tidak linear, maka berdasarkan teori data tersebut dapat ditransformasi untuk mencapai kelinearitasannya. Jenis transformasi adalah berdasarkan pada bentuk plot datanya. Berikut disajikan plot data antara indikator NDR (Y) dengan jumlah pasien penderita penyakit penyebab kematian (X4).
Gambar 3.26 Plot Untuk Indikator NDR Terhadap Jumlah Pasien Penderita Penyebab kematian (X4) Berdasarkan gambar 3.26, maka plot data ini lebih menyerupai gambar 2.2 (d). Sehingga transformasi yang mungkin dilakukan adalah Log X, -1/X dan √X. Tahapan transformasi sama seperti langkah-langkah yang dijelaskan pada gambar 3.7 sebelumnya. Maka transformasi yang dilakukan pertama kali adalah dengan melogaritmakan variabel jumlah pasien penderita penyakit penyebab kematian (X4). Kemudian dilakukan lagi pengujian linearity antara variabel NDR (Y) terhadap log jumlah pasien penderita peyakit penyebab kematian (X4). Maka diperoleh hasil sebagai berikut : Tabel 3.75 Tabel Anova Uji Linearity NDR (Y) Terhadap Log Jumlah Pasien Penderita Penyakit Penyebab Kematian (X4)
Universitas Indonesia
89 Dengan α = 5%, maka dibandingkan dengan nilai signifikansi dari Deviation of Linearity. Jika nilai signifikansi dari Deviation of Linearity > α = 5%, maka Ho ditolak, berarti model regresi berbentuk linear. Sehingga hasil pengujian linearity ini dapat diringkas seperti pada tabel berikut ini : Tabel 3.76 Ringkasan Uji Linearity Garis Regresi Untuk Indikator NDR Setelah Transformasi Keterangan Sig. Alpha Kondisi Simpulan Y * X1
0.375
0.05
S>α
Linear
Y * X2
0.052
0.05
S>α
Linear
Y * X3
0.222
0.05
S>α
Linear
Y * Log X4
0.206
0.05
S>α
Linear
c. Homoscedasticity (Constant Variance of the Error Terms) Sama seperti pengolahan yang dilakukan pada indikator BOR. Berikut disajikan scatterplot antara nilai prediksi variabel dependen NDR dengan nilai residualnya yang diperoleh dari penentuan model persamaan regresi pada tahap selanjutnya.
Gambar 3.27 Scatterplot Nilai Prediksi NDR Dengan Residualnya Atau dapat dilakukan uji statistik Park untuk mendeteksi ada atau tidaknya heteroskedastisitas. Langkah-langkah untuk melakukan pengujian ini sama seperti yang dilakukan sebelumnya pada indikator BOR.
Universitas Indonesia
90 Hasil dari pengolahan tersebut adalah sebagai berikut : Tabel 3.77 Koefisien Regresi Untuk Model Ln U2i = b0 + b1 X1 + b2 X2 + b3 X3 + b4 LogX4 Pada Indikator NDR
Dengan hipotesis yang digunakan adalah sebagai berikut : Ho
: Data bersifat heteroscedatisitas
Hi
: Data bersifat homoskedastisitas Karena koefisien parameter beta dari persamaan regresi tersebut tidak ada
yang signifikan secara statistik, sig. > α =5%, maka Ho ditolak, artinya Hi diterima dan data bersifat homoscedastisitas. Hal ini konsisten dengan hasil analisis scatterplot sebelumnya yang menunjukkan tidak ada pola yang jelas, yang berarti bahwa tidak terjadi heteroskedastisitas atau menunjukkan terjadinya homoskedastisitas.
d. Autokorelasi (Independence of the Error Terms) Untuk mengetahui terjadi atau tidaknya autokorelasi dapat dilakukan dengan uji Durbin Watson yang dapat dilakukan bersamaan dengan penentuan model persamaan regresi. Berikut hasil pengolahannya : Tabel 3.78 Hasil Pengujian Durbin Watson Pada Indikator NDR
Universitas Indonesia
91 Hipotesis yang akan diuji adalah sebagai berikut : Ho
: Ada autokorelasi (r ≠ 0)
Hi
: Tidak ada autokorelasi (r = 0) Dengan jumlah variabel independen (k) =4, n = 60 dan α = 5%, maka
nilai du = 1.727, d = 1.799, dan 4-du = 4-1.727 = 2.273. Maka du < d < 4-du terpenuhi, artinya Ho ditolak dan tidak terjadi autokorelasi pada residual model persamaan regresi tersebut.
3.2.5.2 Penentuan Model Persamaan Multipel Regresi Setelah masing-masing variabel independen diuji dan memenuhi asumsi normality dan linearity, maka dilakukan pengolahan dengan menggunakan program SPSS untuk menentukan model persamaan regresinya seperti yang dilakukan pada tahap di indikator BOR sebelumnya. Pengujian Signifikansi Untuk Persamaan Multiple Regresi Tabel 3.79 Model Summary Regression Untuk Indikator NDR
Tabel 3.80 Anova Regression Untuk Indikator NDR
Universitas Indonesia
92 Pengujian hipotesis untuk nilai F berdasarkan pada nilai signifikannya, sebagai berikut : Ho
: b1 = b2 = b3 = b4 = 0, tidak ada hubungan linear antara nilai NDR terhadap keempat variabel independen yang digunakan
Hi
: b1, b2, b3, b4 ≠ 0, ada hubungan linear antara nilai NDR terhadap keempat variabel independen yang digunakan.
Jika nilai sig. < α, maka Ho ditolak. Dengan α = 5%, degree of freedom (DF) numerator = 4 dan denominator = 55, nilai sig. < 5%, maka Ho ditolak artinya bahwa benar secara bersama-sama keempat variabel independen berpengaruh terhadap nilai NDR. Tabel 3.81 Coefficients Regression Untuk Indikator NDR
Multicolinearity Selain memenuhi empat asumsi dalam multipel regresi, persamaan regresi juga harus terhindar dari multicolinearity. Dikatakan memiliki multikolinearitas yang serius apabila nilai tolerance < 0.1 atau nilai VIF > 10. Maka berdasarkan tabel 3.81 dapat dikatakan bahwa tidak ada multikolinearitas serius yang terjadi pada variabel-variabel independennya. Berikut dapat dilihat koefisien korelasi masing-masing variabel independen terhadap variabel independen lainnya. Tabel 3.82 Coefficients Correlations Untuk Indikator NDR
Universitas Indonesia
93
Pengujian Signifikansi Untuk Koefisien Persamaan Multiple Regresi Pengujian hipotesis untuk nilai t berdasarkan pada nilai signifikannya, sebagai berikut : Ho
: bi = 0, tidak ada hubungan signifikan antara variabel independen (i) terhadap nilai NDR keseluruhan
Hi
: bi ≠ 0, ada hubungan signifikan antara variabel independen (i) terhadap nilai NDR keseluruhan
Dengan i adalah variabel independen 1, 2, 3, 4. Jika nilai sig. (i) < α, maka Ho ditolak. Berdasarkan tabel 3.81 diketahui bahwa seluruh
variabel
independen
yang
digunakan
benar-benar
signifikan
mempengaruhi nilai NDR secara keseluruhan. Variabel-variabel independen itu adalah variabel jumlah pasien keluar (X1), jumlah pasien mati > 48 jam perawatan (X2), keahlian tenaga medis dan paramedis (X3), serta variabel log jumlah pasien penderita penyakit penyebab kematian (LogX4). Sehingga persamaan multipel regresi untuk variabel dependen NDR (Y) adalah sebagai berikut : Y = 4.123 - 0.006 X1 + 1.068 X2 - 0.231 X3 + 3.092 Log X4 3.2.6
(3.5)
Gross Death Rate (GDR) Indikator GDR (Y) disini adalah variabel dependen yang tergantung
kepada beberapa variabel independen seperti jumlah pasien yang keluar (X1), jumlah pasien mati (X2), keahlian tenaga medis dan paramedic (X3), jenis penyakit yang diderita (Penyebab kematian) (X4). Input data-data tersebut ke program SPSS seperti pada pengolahan sebelumnya.
3.2.6.1 Pemenuhan Asumsi Dalam Multiple Regresi a.
Normality Langkah yang sama seperti dilakukan pada pengolahan BOR sebelumnya.
Pengujian normality dengan menggunakan 1-sample K-S diperoleh hasil sebagai berikut :
Universitas Indonesia
94
Tabel 3.83 Tabel Hasil Pengujian Normality Untuk Indikator GDR
Hipotesis yang digunakan untuk menguji normalitas data tersebut adalah sebagai berikut : Ho
: Data tidak terdistribusi secara normal
Hi
: Data terdistribusi secara normal
Dengan α = 5 %, maka dibandingkan dengan nilai Asymp. Sig. (2 tailed). Jika nilai Asymp. Sig. (2-tailed) > α = 5 %, maka Ho ditolak. Dari nilai Asymp. Sig. (2-tailed) terlihat bahwa semua nilainya > α = 5 %, sehingga disimpulkan bahwa data terdistribusi normal. Uji normality untuk model persamaan regresi, yaitu pada nilai residualnya dilakukan setelah memenuhi semua asumsi dan persamaan regresi ditemukan. Berikut hasil dari pengolahan residual untuk melihat normality secara grafis melalui histogram dan normal probability plot.
Gambar 3.28 Histogram Residual Model Persamaan Regresi Untuk Indikator GDR Universitas Indonesia
95
Gambar 3.29 Normal Probability Plot Untuk Indikator GDR Hasil pengujian normality terhadap residual dengan pengujian 1-sample K-S sebagai berikut : Tabel 3.84 Tabel Hasil Pengujian Normality Residual Untuk Indikator GDR
Dengan hipotesis yang digunakan untuk menguji normalitas residual tersebut adalah sebagai berikut : Ho
: Residual tidak terdistribusi secara normal
Hi
: Residual terdistribusi secara normal
Dengan α = 5 %, maka dibandingkan dengan nilai Asymp. Sig. (2 tailed). Jika nilai Asymp. Sig. (2-tailed) > α = 5 %, maka Ho ditolak. Dari nilai Asymp. Sig. (2-tailed) terlihat bahwa nilainya 0.487 > α = 5 %, maka Ho ditolak sehingga disimpulkan bahwa residual terdistribusi secara normal. Hal ini konsisten dengan jika analisis grafis dari histogram dan normal probability plot sebelumnya.
Universitas Indonesia
96
b.
Linearity of the Phenomenon Measured Tahapan
yang
dilakukan
untuk
pengolahan
linearity
dengan
menggunakan program SPSS sama seperti yang telah dilakukan pada indikator BOR sebelumnya. Hasilnya adalah sebagai berikut : Tabel 3.85 Tabel Anova Uji Linearity GDR (Y) Terhadap Jumlah Pasien Keluar (X1)
Tabel 3.86 Tabel Anova Uji Linearity GDR (Y) Terhadap Jumlah Pasien Mati (X2)
Tabel 3.87 Tabel Anova Uji Linearity GDR (Y) Terhadap Keahlian Tenaga Medis Paramedis (X3)
Tabel 3.88 Tabel Anova Uji Linearity GDR (Y) Terhadap Jumlah Pasien Penderita Penyakit Penyebab Kematian (X4)
Hipotesis yang digunakan adalah sebagai berikut : Ho
: Model regresi berbentuk non-linear
Hi
: Model regresi berbentuk linear
Dengan α = 5%, maka dibandingkan dengan nilai signifikansi dari Deviation of Linearity. Jika nilai signifikansi dari Deviation of Linearity > α = 5%, maka Ho ditolak, berarti model regresi berbentuk linear. Universitas Indonesia
97
Tabel 3.89 Ringkasan Uji Linearity Garis Regresi Untuk Indikator GDR Keterangan
Sig.
Alpha
Kondisi
Simpulan
Y * X1
0.365
0.05
S>α
Linear
Y * X2
0.085
0.05
S>α
Linear
Y * X3
0.048
0.05
S<α
Tidak Linear
Y * X4
0.721
0.05
S>α
Linear
Karena uji linearity antara indikator GDR (Y) terhadap keahlian tenaga medis dan paramedis (X3) menunjukkan hubungan yang berdasarkan
teori
data
tersebut
dapat
tidak linear, maka
ditransformasi
untuk
mencapai
kelinearitasannya. Jenis transformasi adalah berdasarkan pada bentuk plot datanya. Berikut disajikan plot data antara indikator GDR (Y) dengan keahlian tenaga medis dan paramedis (X3).
Gambar 3.30 Plot Untuk Indikator GDR Terhadap Keahlian Tenaga Medis dan Paramedis (X3) Berdasarkan gambar 3.30, maka plot data ini lebih menyerupai gambar 2.2 (c). Sehingga transformasi yang mungkin dilakukan adalah X2. Tahapan transformasi sama seperti langkah-langkah yang dijelaskan pada gambar 3.7 sebelumnya. Kemudian dilakukan lagi pengujian linearity antara variabel GDR (Y) terhadap kuadrat keahlian tenaga medis dan paramedis (X3). Maka diperoleh hasil sebagai berikut :
Universitas Indonesia
98
Tabel 3.90 Tabel Anova Uji Linearity GDR (Y) Terhadap Kuadrat Keahlian Tenaga Medis dan Paramedis (X3)
Dengan α = 5%, maka dibandingkan dengan nilai signifikansi dari Deviation of Linearity. Jika nilai signifikansi dari Deviation of Linearity > α = 5%, maka Ho ditolak, berarti model regresi berbentuk linear. Sehingga hasil pengujian linearity ini dapat diringkas seperti pada tabel berikut ini : Tabel 3.91 Ringkasan Uji Linearity Garis Regresi Untuk Indikator GDR Setelah Transformasi Keterangan Sig. Alpha Kondisi Simpulan Y * X1 Y * X2 Y * (X3) Y * X4
2
0.365
0.05
S>α
Linear
0.085
0.05
S>α
Linear
0.051
0.05
S>α
Linear
0.721
0.05
S>α
Linear
c. Homoscedasticity (Constant Variance of the Error Terms) Sama seperti pengolahan yang dilakukan pada indikator BOR. Berikut disajikan scatterplot antara nilai prediksi variabel dependen GDR dengan nilai residualnya yang diperoleh dari penentuan model persamaan regresi pada tahap selanjutnya.
Gambar 3.31 Scatterplot Nilai Prediksi GDR Dengan Residualnya
Universitas Indonesia
99 Atau dapat dilakukan uji statistik Park untuk mendeteksi ada atau tidaknya heteroskedastisitas. Langkah-langkah untuk melakukan pengujian ini sama seperti yang dilakukan sebelumnya pada indikator BOR. Hasil dari pengolahan tersebut adalah sebagai berikut : Tabel 3.92 Koefisien Regresi Untuk Model Ln U2i = b0 + b1 X1 + b2 X2 + b3 (X3)2 + b4 X4 Pada Indikator NDR
Dengan hipotesis yang digunakan adalah sebagai berikut : Ho
: Data bersifat heteroscedatisitas
Hi
: Data bersifat homoskedastisitas Karena koefisien parameter beta dari persamaan regresi tersebut tidak ada
yang signifikan secara statistik, sig. > α =5%, maka Ho ditolak, artinya Hi diterima dan data bersifat homoscedastisitas. Hal ini konsisten dengan hasil analisis scatterplot sebelumnya yang menunjukkan tidak ada pola yang jelas, yang berarti bahwa tidak terjadi heteroskedastisitas atau menunjukkan terjadinya homoskedastisitas.
d. Autokorelasi (Independence of the Error Terms) Untuk mengetahui terjadi atau tidaknya autokorelasi dapat dilakukan dengan uji Durbin Watson yang dapat dilakukan bersamaan dengan penentuan model persamaan regresi. Berikut hasil pengolahannya : Tabel 3.93 Hasil Pengujian Durbin Watson Pada Indikator GDR
Hipotesis yang akan diuji adalah sebagai berikut : Ho
: Ada autokorelasi (r ≠ 0)
Hi
: Tidak ada autokorelasi (r = 0) Universitas Indonesia
100 Dengan jumlah variabel independen (k) =4, n = 60 dan α = 5%, maka nilai du = 1.727, d = 1.792, dan 4-du = 4-1.727 = 2.273. Maka du < d < 4-du terpenuhi, artinya Ho ditolak dan tidak terjadi autokorelasi pada residual model persamaan regresi tersebut.
3.2.6.2 Penentuan Model Persamaan Multipel Regresi Setelah masing-masing variabel independen diuji dan memenuhi asumsi normality dan linearity, maka dilakukan pengolahan dengan menggunakan program SPSS untuk menentukan model persamaan regresinya seperti yang dilakukan pada tahap di indikator BOR sebelumnya. Pengujian Signifikansi Untuk Persamaan Multiple Regresi Tabel 3.94 Model Summary Regression Untuk Indikator GDR
Tabel 3.95 Anova Regression Untuk Indikator GDR
Pengujian hipotesis untuk nilai F berdasarkan pada nilai signifikannya, sebagai berikut : Ho
: b1 = b2 = b3 = b4 = 0, tidak ada hubungan linear antara nilai GDR terhadap keempat variabel independen yang digunakan
Hi
: b1, b2, b3, b4 ≠ 0, ada hubungan linear antara nilai GDR terhadap keempat variabel independen yang digunakan.
Jika nilai sig. < α, maka Ho ditolak. Dengan α = 5%, degree of freedom (DF) numerator = 4 dan denominator = 55, nilai sig. < 5%, maka Ho ditolak artinya bahwa benar secara bersama-sama keempat variabel independen berpengaruh terhadap nilai GDR. Universitas Indonesia
101
Tabel 3.96 Coefficients Regression Untuk Indikator GDR
Multicolinearity Selain memenuhi empat asumsi dalam multipel regresi, persamaan regresi juga harus terhindar dari multicolinearity. Dikatakan memiliki multikolinearitas yang serius apabila nilai tolerance < 0.1 atau nilai VIF > 10. Maka berdasarkan tabel 3.96 di atas dapat dikatakan bahwa tidak ada multikolinearitas serius yang terjadi pada variabel-variabel independennya. Berikut dapat dilihat koefisien korelasi masing-masing variabel independen terhadap variabel independen lainnya. Tabel 3.97 Coefficients Correlations Untuk Indikator GDR
Pengujian Signifikansi Untuk Koefisien Persamaan Multiple Regresi Pengujian hipotesis untuk nilai t berdasarkan pada nilai signifikannya, sebagai berikut : Ho
: bi = 0, tidak ada hubungan signifikan antara variabel independen (i) terhadap nilai GDR keseluruhan
Hi
: bi ≠ 0, ada hubungan signifikan antara variabel independen (i) terhadap nilai GDR keseluruhan
Dengan i adalah variabel independen 1, 2, 3, 4. Jika nilai sig. (i) < α, maka Ho ditolak. Berdasarkan tabel 3.96 diketahui bahwa yang signifikan mempengaruhi nilai GDR secara keseluruhan adalah jumlah
Universitas Indonesia
102 pasien keluar (X1), jumlah pasien mati (X2), serta jumlah pasien penderita penyakit penyebab kematian (X4). Sehingga persamaan multipel regresi untuk variabel dependen GDR (Y) adalah sebagai berikut : (3.6)
Y = 19.3 - 0.024 X1 + 1.229 X2 + 0.06 X4
3.3
Validasi Hasil
3.3.1
Perbandingan Nilai Prediksi dan Nilai Sebenarnya
Tabel 3.98 Perbandingan Nilai Prediksi dan Nilai Sebenarnya Indikator BOR, Av-LOS dan BTO Av- Pred AvPred Pred Periode BOR Eror Eror BTO BTO Eror LOS BOR LOS 1 69.55 70.96 -1.41 3.50 3.56 -0.06 6.40 6.45 -0.05 2 69.20 64.16 5.04 3.75 3.72 0.03 5.75 5.78 -0.03 3 62.65 63.95 -1.30 3.75 3.79 -0.04 5.75 5.79 -0.04 4 60.80 59.96 0.84 3.70 3.74 -0.04 5.25 5.25 0.00 5 62.65 64.07 -1.42 3.55 3.65 -0.10 5.75 5.80 -0.05 6 64.15 63.55 0.60 3.90 3.86 0.04 5.25 5.25 0.00 7 61.45 62.80 -1.35 3.80 3.70 0.10 5.25 5.28 -0.03 8 60.45 60.70 -0.25 3.90 3.85 0.05 5.20 5.23 -0.03 9 63.65 62.44 1.21 4.00 3.94 0.06 5.40 5.42 -0.02 10 55.70 57.07 -1.37 3.85 3.72 0.13 5.00 4.99 0.01 11 63.45 63.30 0.15 3.85 3.74 0.11 5.45 5.48 -0.03 12 60.60 62.07 -1.47 4.05 3.85 0.20 5.40 5.41 -0.01 13 61.15 60.41 0.74 3.50 3.48 0.02 5.25 5.09 0.16 14 60.15 55.64 4.51 3.55 3.51 0.04 4.60 4.47 0.13 15 58.60 60.16 -1.56 3.35 3.46 -0.11 5.15 5.07 0.08 16 59.20 57.23 1.97 3.40 3.43 -0.03 5.00 4.94 0.06 17 60.85 61.50 -0.65 3.60 3.52 0.08 5.40 5.38 0.02 18 64.05 62.67 1.38 3.20 3.24 -0.04 5.65 5.63 0.02 19 60.60 61.49 -0.89 3.85 3.65 0.20 5.25 5.21 0.04 20 61.10 61.50 -0.40 3.45 3.53 -0.08 5.35 5.33 0.02 21 55.65 55.11 0.54 3.15 2.91 0.24 5.40 5.39 0.01 22 49.10 51.05 -1.95 3.15 3.29 -0.14 4.80 4.77 0.03 23 63.50 63.38 0.12 3.30 3.54 -0.24 5.50 5.45 0.05 24 65.75 66.98 -1.23 3.20 3.29 -0.09 6.25 6.29 -0.04 25 72.15 72.89 -0.74 2.90 2.99 -0.09 6.95 6.92 0.03 26 73.20 67.68 5.52 2.90 3.05 -0.15 6.50 6.47 0.03 27 66.10 66.35 -0.25 2.95 3.00 -0.05 6.40 6.44 -0.04 28 67.60 67.00 0.60 3.10 2.90 0.20 6.20 6.21 -0.01 29 66.50 67.51 -1.01 2.95 2.99 -0.04 6.35 6.35 0.00 30 70.70 70.06 0.64 3.05 3.09 -0.04 6.55 6.52 0.03 Universitas Indonesia
103
Tabel 3.99 Perbandingan Nilai Prediksi dan Nilai Sebenarnya Indikator TOI, NDR dan GDR Periode
TOI
Pred TOI
Eror NDR
Pred NDR
Eror
GDR
Pred GDR
Eror
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
1.55 1.55 2.10 2.30 2.00 2.10 2.25 2.40 2.05 2.80 2.00 2.30 2.45 2.55 2.60 2.60 2.40 1.95 2.60 2.40 2.60 3.50 2.25 1.85 1.30 1.40 1.65 1.60 1.65 1.40
1.16 1.96 1.93 2.48 1.91 2.28 2.29 2.37 2.19 2.87 2.17 2.26 2.59 3.51 2.69 2.89 2.38 2.16 2.49 2.38 2.84 3.58 2.31 1.61 0.96 1.55 1.54 1.68 1.54 1.35
0.39 -0.41 0.17 -0.18 0.09 -0.18 -0.04 0.03 -0.14 -0.07 -0.17 0.04 -0.14 -0.96 -0.09 -0.29 0.02 -0.21 0.11 0.02 -0.24 -0.08 -0.06 0.24 0.34 -0.15 0.11 -0.08 0.11 0.05
18.81 12.33 10.19 9.85 11.68 13.19 16.62 15.46 16.29 11.34 9.98 17.17 19.35 9.32 12.68 16.07 12.25 10.80 13.28 14.76 12.35 11.73 12.91 14.29 6.54 10.68 12.00 10.79 13.60 12.10
-1.66 0.32 -0.69 -0.45 -0.03 0.96 1.28 0.14 0.76 0.66 -0.08 1.33 0.30 -0.22 -0.23 0.58 -1.05 -0.05 -0.13 -0.66 -0.85 0.17 -0.76 -1.44 0.26 -0.18 -0.70 0.61 -0.40 0.80
28.21 24.42 22.07 23.02 23.20 26.82 30.69 29.49 29.70 25.50 22.06 31.06 34.08 25.26 26.35 31.12 24.88 22.59 26.96 27.57 24.88 26.65 25.80 24.60 16.50 20.70 21.90 21.57 24.29 22.63
30.03 24.71 22.24 23.02 23.63 26.76 30.63 29.27 29.81 25.28 22.50 31.06 33.63 24.38 26.40 30.35 25.03 22.82 26.80 27.81 25.08 26.05 25.91 25.39 15.45 20.79 22.23 21.73 24.81 22.94
-1.81 -0.29 -0.18 -0.01 -0.43 0.06 0.06 0.22 -0.11 0.22 -0.44 0.00 0.45 0.88 -0.05 0.77 -0.15 -0.23 0.15 -0.24 -0.20 0.60 -0.11 -0.79 1.06 -0.09 -0.33 -0.15 -0.52 -0.31
3.3.2
17.15 12.65 9.50 9.40 11.65 14.15 17.90 15.60 17.05 12.00 9.90 18.50 19.65 9.10 12.45 16.65 11.20 10.75 13.15 14.10 11.50 11.90 12.15 12.85 6.80 10.50 11.30 11.40 13.20 12.90
Peramalan Nilai Variabel Yang Signifikan Mempengaruhi Indikator Keberhasilan Pelayanan Rumah Sakit Tahun 2008 Untuk tahun 2008, data diperoleh dengan melakukan peramalan dari data
tahun
2007.
Berikut
disajikan
data
variabel-variabel
yang
signifikan
mempengaruhi indikator keberhasilan pelayanan rumah sakit tahun 2007 yang digunakan untuk peramalan :
Universitas Indonesia
104
Tabel 3.100 Data Variabel Yang Signifikan Mempengaruhi Indikator Keberhasilan Pelayanan RS Hari
Rata2
Jmlh Pasien
Jumlah Pasien
Jmlh Hari Prwtn
% Pemakaian
Jmlh Penderita
Jmlh Pasien
Pasien Pykt
Jmlh Pasien
Prwtan RS
Lama Kerja
Keluar
Masuk
Pasien Keluar
Obat Paten
Kej LB
Mati >48 jam
Tbyk Pyb Kmatian
Mati
3200 2883 2888 2715 2894 2868 2840 2792 2847 2570 2840 2797
7.83 7.92 7.92 7.67 7.75 7.83 8.17 7.33 7.67 7.92 8.33 8.17
957 860 861 782 862 783 782 780 808 745 816 805
1067 905 900 844 932 883 837 822 832 778 857 848
3315 3208 3190 2893 3089 3052 2985 3047 3147 2809 3089 3185
74 71 54 43 53 67 45 40 57 35 55 42
17 11 9 8 10 11 14 13 14 9 8 15
19 12 12 14 16 16 20 16 16 17 20 15
27 21 19 18 20 21 24 23 24 19 18 25
Periode
1 2 3 4 5 6 7 8 9 10 11 12
Data
variabel-varibel
yang
19.10 19.35 17.50 17.85 19.00 17.95 18.40 18.75 16.30 19.55 19.85 20.00
signifikan
mempengaruhi
indikator
keberhasilan pelayanan rumah sakit tahun 2008 yang telah diperoleh dari hasil peramalan dengan metode moving average adalah sebagai berikut : Tabel 3.101 Data Variabel Yang Signifikan Mempengaruhi Indikator Keberhasilan Pelayanan RS Tahun 2008 Hari
Rata2
Jmlh Pasien
Jmlh Pasien
Jmlh Hari Prwtn
% Pemakaian
Jmlh Penderita
Jmlh Pasien
Pasien Pykt
Jmlh Pasien
Prwtan RS
Lama Kerja
Keluar
Masuk
Pasien Keluar
Obt Paten
Kej LB
Mati >48 jam
Tbyk Pyb Kmatian
Mati
2735.667
8.140
788.667
827.667
3027.667
19.800
44.000
10.667
17.333
20.667
2790.889
8.213
803.222
844.222
3100.556
19.883
47.000
11.222
17.444
21.222
2774.519
8.174
798.963
839.963
3104.407
19.894
44.333
12.296
16.593
22.296
2767.025
8.176
796.951
837.284
3077.543
19.859
45.111
11.395
17.123
21.395
2777.477
8.188
799.712
840.490
3094.169
19.879
45.481
11.638
17.053
21.638
2773.007
8.179
798.542
839.246
3092.040
19.878
44.975
11.776
16.923
21.776
2772.503
8.181
798.401
839.006
3087.917
19.872
45.189
11.603
17.033
21.603
2774.329
8.183
798.885
839.581
3091.375
19.876
45.215
11.672
17.003
21.672
2773.280
8.181
798.609
839.277
3090.444
19.875
45.127
11.684
16.987
21.684
2773.371
8.182
798.632
839.288
3089.912
19.874
45.177
11.653
17.008
21.653
2773.660
8.182
798.709
839.382
3090.577
19.875
45.173
11.670
16.999
21.670
2773.437
8.182
798.650
839.316
3090.311
19.875
45.159
11.669
16.998
21.669
Periode
1 2 3 4 5 6 7 8 9 10 11 12
3.3.3
Validasi Model Persamaan Regresi Dan Penentuan Standar Dengan Sampel Data Baru Berikut disajikan prediksi nilai masing-masing indikator keberhasilan
pelayanan rumah sakit untuk tahun 2008, dengan menggunakan model persamaan regresi yang telah ditemukan dengan memperhatikan variabel-variabel yang signifikan mempengaruhi indikator keberhasilan pelayanan rumah sakit.
Universitas Indonesia
105
Tabel 3.102 Prediksi Nilai Indikator Keberhasilan Pelayanan Rumah Sakit Kelas C Di Provinsi Riau Tahun 2008 Periode
1 2 3 4 5 6 7 8 9 10 11 12
BOR (Y1)
Av-LOS (Y2)
BTO (Y3)
TOI(Y4)
NDR(Y5)
GDR(Y6)
(%)
(Hari)
(Kali)
(Hari)
(Orang)
(Orang)
61.68 62.94 62.52 62.38 62.61 62.51 62.50 62.54 62.51 62.52 62.52 62.52
4.09 4.12 4.13 4.11 4.12 4.12 4.12 4.12 4.12 4.12 4.12 4.12
5.33 5.43 5.40 5.38 5.40 5.39 5.39 5.40 5.40 5.40 5.40 5.40
5.53 5.69 5.65 5.62 5.65 5.64 5.64 5.64 5.64 5.64 5.64 5.64
12.73 13.23 14.35 13.44 13.67 13.82 13.64 13.71 13.72 13.69 13.71 13.71
26.81 27.15 28.52 27.50 27.72 27.91 27.71 27.78 27.80 27.77 27.78 27.78
Sumber : Pengolahan Data, 2009
Tabel 3.103 Standar Indikator Keberhasilan Pelayanan Rumah Sakit Dengan Memperhatikan Variabel Yang Signifikan Mempengaruhinya Usulan Standar Standar Dari Depkes RI No Indikator Tahun 2008
1.
BOR
60-85%
61 – 63 %
2.
Av LOS
6 - 9 hari
4 – 5 hari
3.
BTO
4.
TOI
40-50 kali / tahun atau 3 – 5 kali / bulan 1 - 3 hari
5. 6.
NDR GDR
< 25 orang < 45 orang
5 – 6 kali/bulan
5 – 6 hari < 15 orang < 29 orang
Universitas Indonesia
106
BAB 4 PEMBAHASAN 4.1
Indikator Bed Occupancy Ratio (BOR)
4.1.1
Asumsi Dalam Multipel Regresi Untuk membuat model persamaan regresi yang baik, maka sebuah
persamaan regresi harus dapat memenuhi keempat asumsi ini. a.
Normality Normality merupakan asumsi mendasar dalam analisis multivariat
khususnya analisis multipel regresi. Normality harus dicapai, baik untuk data pada masing-masing variabel yang digunakan maupun pada residualnya (perbedaan antara nilai prediksi dengan nilai sesungguhnya). Data atau residual dikatakan berdistribusi normal apabila penyebarannya terdistribusi secara simetri disekitar nilai means sama dengan nol. Berdasarkan tabel 3.2 dapat dilihat bahwa nilai assymp. signifikan masingmasing variabel independen yang digunakan semua > 5%, hal ini menunjukkan bahwa seluruh variabel independen yang digunakan sudah berdistribusi normal. Uji normality untuk model persamaan regresi, yaitu pada nilai residualnya dilakukan setelah memenuhi semua asumsi dan persamaan regresi ditemukan. Analisa grafis dari nilai residualnya dapat dilihat pada gambar 3.3 bahwa histogram dan kurva normalnya membentuk sebuah lonceng yang simetri dan mengindikasikan bahwa penyebaran residual dari model regresi telah terdistribusi secara normal. Begitu juga dengan melihat normal probability plotnya pada gambar 3.4, seluruh residual sudah menyebar mengikuti garis diagonal 450. Tetapi analisa grafis saja kurang begitu meyakinkan sehingga perlu dilakukan uji statistik kolmogorov smirnov untuk melihat apakah nilai residualnya juga terdistibusi secara normal. Berdasarkan pada tabel 3.3 dapat dilihat bahwa nilai assymp. signifikannya > 0.05 (nilai alpha), maka dapat dikatakan residual dari persamaan garis regresi ini juga telah terdistribusi secara normal.
b.
Linearity of the Phenomenon Measured Pemenuhan terhadap asumsi linearity juga sangat diperlukan dalam
analisis multipel regresi, karena korelasi hanya akan terlihat dengan hubungan Universitas Indonesia
107 linear dari variabel-variabel, pengaruh nonlinear tidak akan merepresentasikan nilai korelasi. Untuk itu asumsi ini sangat perlu untuk dipenuhi. Berdasarkan pada uji linearity dari variabel dependen BOR terhadap masing-masing variabel independennya, ditunjukkan bahwa ada hubungan yang linear antara variabel dependen BOR terhadap kelima variabel independen yang digunakan. Hal ini menunjukkan bahwa ada korelasi linear antara nilai BOR terhadap masing-masing variabel independennya. Kelinearan ini ditunjukkan oleh nilai devation from linearity > 0.05 (nilai alpha), yang membuat Ho ditolak sehingga dikatakan bahwa seluruh variabel independen mempunyai hubungan linear terhadap variabel dependen BOR. (diringkas pada tabel 3.9)
c.
Homoscedasticity (Constant Variance of the Error Terms) Homoscedasticity berhubungan dengan asumsi bahwa variabel dependen
BOR menunjukkan tingkat variansi yang sama terhadap rentang variabel-variabel independen
yang
digunakan
untuk
memprediksi
nilai
BOR
tersebut.
Homoscedasticity sangat diperlukan karena variansi dari variabel dependen BOR akan dijelaskan dalam hubungan ketergantungan harus tidak terkonsentrasi hanya dalam rentang terbatas dari nilai independen. Hal inilah yang menjadi dasar bahwa untuk mendeteksi tidak adanya heteroskedasticity dapat dilihat dari pola penyebaran nilai prediksi dan residualnya harus tidak terkonsentrasi pada satu pola tertentu. Maka dilihat dari gambar 3.6 scatterplot nilai prediksi dan residualnya terlihat jelas bahwa tidak terjadi heteroscedasticity, karena penyebarannya tidak menunjukkan satu pola yang jelas. Atau dari hasil uji statistik Park juga dapat dideteksi terjadinya heteroscedasticity. Uji park ini dilakukan dengan meregresikan variabel Ln kuadrat residualnya dengan variabel-variabel independen. Park melihat bahwa variansi (S2) merupakan fungsi dari variabel-variabel independen X1, X2, X4, dan X5, (X3 tidak digunakan karena telah dikeluarkan akibat adanya multikolinearitas) dan fungsi itu dilinearkan dengan bentuk persamaan logaritma Ln σ2i = b0 + b1 X1 + b2 X2 + b4 X4 + b5 X5. Karena S2i umumnya tidak diketahui maka dapat ditaksir dengan menggunakan residual Ui. Pada tabel 3.10 Terlihat bahwa tidak ada nilai Universitas Indonesia
108 yang
signifikan,
sehingga
dapat
disimpulkan
bahwa
tidak
terjadi
heteroscedasticity pada residual dari persamaan regresi.
d.
Autokorelasi (Independence of the Error Terms) Uji autokorelasi ini dilakukan untuk memastikan bahwa residual
(kesalahan prediksi) yang satu tidak saling berhubungan dengan yang lainnya. Untuk mengetahui ada atau tidaknya autokorelasi dapat dilakukan dengan pengujian Durbin Watson. Dari pengujian Durbin Watson yang telah dilakukan diperoleh nilai d = 2.197 (tabel 3.11). Dengan jumlah variabel independen (setelah memenuhi asumsi) (k) = 4, n = 60 dan α = 5%, maka nilai du (dilihat dari tabel durbin watson) = 1.727. Autokorelasi terjadi apabila tidak memenuhi syarat du < d < 4-du. Dengan nilai du dan d yang telah dihitung, maka 1.727 < 2.197 < 2.273. Dari sini dapat diketahui bahwa tidak terjadi autokorelasi pada nilai residualnya. Hanya saja nilai Durbin Watson yang diperoleh hampir mendekati batas yang tersedia. Hal ini terjadi karena memang data yang digunakan adalah data time series (periode bulanan) yang memungkinkan data satu periode mempengaruhi data periode berikutnya atau sebelumnya.
4.1.2
Model Persamaan Regresi Selain empat asumsi multipel regresi yang telah dianalisa sebelumnya,
maka terdapat sebuah asumsi lagi yang harus dipenuhi untuk mendapatkan persamaan regresi yang baik, yaitu multikolinearitas. Multikolinearitas adalah hubungan antara variabel independen yang satu dengan variabel independen lainnya. Terjadi multikolinearitas apabila nilai tolerance < 0,1 atau nilai VIF > 10. Berdasarkan nilai pada tabel 3.12, dengan penggunaan lima variabel X1, X2, X3, X4 dan X5 diketahui bahwa ada nilai tollerance yang < 0.1 dan nilai VIF yang > 10 yaitu X1, X2, dan X5. Dilihat dari coeffisien colleration masing variabel independent pada tabel 3.13 terlihat bahwa antara variabel jumlah pasien keluar (X3) dan jumlah pasien masuk (X4) terdapat hubungan yang sangat kuat yaitu 90.5%, sehingga salah satu variabel ini harus dikeluarkan atau dibuang. Dilihat dari nilai tollerance yang terkecil dan tingkat kepentingan variabel jumlah pasien
Universitas Indonesia
109 masuk terhadap nilai BOR, maka yang dibuang adalah variabel jumlah pasien keluar (X3). Sehingga dilakukan penentuan model persamaan regresi dengan menggunakan empat variabel independen. Dari tabel 3.16 dapat dilihat bahwa tidak terjadi multikolinearitas yang serius lagi setelah dikeluarkannya variabel jumlah pasien keluar (X3). Nilai tolerance X1 adalah sebesar 0.133, artinya hanya 13.3% variasi variabel X1 yang tidak dijelaskan oleh variasi variable independen lainnya (X2, X4, dan X5). Tetapi nilai ini masih dapat ditolerir karena masih > 0.1. Sedangkan nilai VIF adalah inverse dari nilai tolerance. Akar dari VIF ini menunjukkan
perubahan
standar
deviasi
dari
variabel
karena
multikolinearitas. Nilai VIF dari variabel X1 = 7.519, dengan
adanya
7.519 = 2.74
menunjukkan bahwa standar deviasi meningkat menjadi 2.74 kali karena multikolinearitas ini. Nilai korelasi dari masing-masing variabel independen dengan variabel independen lainnya dapat dilihat pada tabel 3.17. Korelasi yang tertinggi adalah sebesar 82.8% antara variabel jumlah hari perawatan RS dengan jumlah pasien yang masuk. Sedangkan korelasi terkecil adalah sebesar 41.7% antara variabel jumlah pasien masuk dengan keahlian tenaga medis dan paramedis. Dari tabel 3.14 terlihat bahwa koefisien korelasinya (r) bernilai 0.991, yang berarti besar dari nol, dengan demikian dapat dapat dinyatakan ada hubungan yang bersifat pengaruh antara variabel hari perawatan rumah sakit (X1), adanya kejadian luar biasa (X2), keahlian tenaga medis dan paramedic (X4), serta jumlah pasien masuk (X5) terhadap nilai BOR. Nilai R square adalah sebesar 0.982, artinya bahwa variasi dari variabel-variabel independen X1, X2, X4, dan X5 telah mampu menjelaskan variasi nilai BOR sebesar 98,2 %. R square ini diperoleh dari Explained Sum of Square 8107.203 dibandingkan dengan Total Sum of Square 8255.942. Tetapi tidak cukup hanya dengan hanya melihat R square saja, karena nilai R square akan terus bertambah dengan penambahan variabel independen lainnya, walaupun variabel independen yang ditambahkan tersebut tidak signifikan mempengaruhi variasi nilai BOR. Sehingga nilai yang sebaiknya dilihat adalah nilai adjusted R square sebesar 0.981, yang menunjukkan variasi nilai BOR telah dapat dijelaskan oleh variasi variabel X1, X2, X4, dan X5 Universitas Indonesia
110 sebesar 98.1%. Sedangkan sisanya 1.9% dijelaskan oleh sebab-sebab yang lain di luar model. Dengan nilai adjusted R square yang cukup besar ini, maka dapat dikatakan
bahwa model yang dihasilkan sudah cukup baik karena dapat
menjelaskan variasi BOR sebesar 98%. Standar error dari prediksi yang dilakukan dengan menggunakan persamaan regresi ini adalah sebesar 1.68155. Pengujian hipotesis dengan uji F ditujukan untuk melihat pengaruh keempat variabel independen ini secara bersamaan terhadap nilai variabel dependen BOR. Berdasarkan tabel 3.15 Dengan α = 5%, degree of freedom (DF) numerator = 4 dan denominator = 55, nilai sig. < 5%, maka Ho yang menyatakan koefisien dalam sebuah persamaan regresi ini bernilai nol secara serentak ditolak artinya bahwa artinya bahwa benar secara bersama-sama keempat variabel independen X1, X2, X4, X5 berpengaruh terhadap nilai BOR. Uji t digunakan untuk menguji hipotesis koefisien-koefisien regresi secara individual. Berdasarkan nilai signifikan pada tabel 3.16 terlihat bahwa variabel independen yang signifikan mempengaruhi nilai BOR secara keseluruhan adalah variabel hari perawatan rumah sakit (X1), adanya kejadian luar biasa (X2), keahlian tenaga medis dan paramedic (X4), serta jumlah pasien masuk (X5). Sehingga persamaan multipel regresi untuk variabel dependen BOR (Y) adalah sebagai berikut : Y = -5.071 + 0.018 X1 + 0.015 X2 + 1.256 X4 + 0.008 X5 Interpretasi dari persamaan regresi tersebut adalah : •
Konstanta atau intercept -5.071 menyatakan bahwa jika variabel independen dianggap konstan (0), maka rata-rata nilai BOR adalah sebesar -5.071%. Karena X1, X2, X4 dan X5 tidak mungkin bernilai nol, maka konstanta atau intercept itu membantu dalam meningkatkan proses prediksi nilai BOR, tetapi tidak mempunyai nilai eksplanatori.
•
Koefisien regresi hari perawatan RS (X1) sebesar 0.018 menyatakan bahwa setiap penambahan satu hari perawatan RS akan meningkatkan nilai BOR (persentase pemakaian tempat tidur) sebesar 0.018 %.
•
Koefisien regresi adanya kejadian luar biasa (X2) sebesar 0.015 menyatakan bahwa setiap penambahan satu pasien penderita kejadian luar biasa akan meningkatkan nilai BOR sebesar 0.015 %. Universitas Indonesia
111 •
Koefisien regresi keahlian tenaga medis dan paramedis (X4) sebesar1.256 menyatakan bahwa setiap penambahan satu tahun lama kerja tenaga medis dan paramedis akan meningkatkan nilai BOR sebesar 1.256 %. Dari koefisien regresi ini juga dapat disimpulkan bahwa variabel keahlian tenaga medis dan paramedis (X4) memberikan pengaruh yang sangat besar terhadap nilai BOR.
•
Koefisien regresi jumlah pasien masuk (X5) sebesar 0.008 menyatakan bahwa setiap penambahan satu pasien penderita kejadian luar biasa akan meningkatkan nilai BOR sebesar 0.008 %.
4.2
Indikator Average Length of Stay (Av-LOS)
4.2.1
Asumsi Dalam Multipel Regresi Untuk membuat model persamaan regresi yang baik, maka sebuah
persamaan regresi harus dapat memenuhi keempat asumsi ini. a.
Normality Berdasarkan tabel 3.18 dapat dilihat bahwa nilai assymp. signifikan
masing-masing variabel independen yang digunakan semua > 5%, hal ini menunjukkan bahwa seluruh variabel independen yang digunakan sudah berdistribusi normal. Analisa grafis dari nilai residualnya (setelah model persamaan regresi diperoleh) dapat dilihat pada gambar 3.12 bahwa histogram dan kurva normalnya membentuk sebuah lonceng yang simetri dan mengindikasikan bahwa penyebaran residual dari model regresi telah terdistribusi secara normal. Begitu juga dengan melihat gambar 3.13 normal probability plotnya, seluruh residual sudah menyebar mengikuti garis diagonal 450. Tetapi analisa grafis saja kurang begitu meyakinkan sehingga perlu dilakukan uji statistik kolmogorov smirnov untuk melihat apakah nilai residualnya juga terdistibusi secara normal. Berdasarkan pada tabel 3.19 dapat dilihat bahwa nilai assymp. signifikannya > 0.05 (nilai alpha), dapat dikatakan residual dari persamaan garis regresi ini juga telah terdistribusi secara normal sama seperti analisa grafis.
Universitas Indonesia
112
b.
Linearity of the Phenomenon Measured Berdasarkan pada uji linearity dari variabel dependen Av-LOS terhadap
masing-masing variabel independennya, ditunjukkan bahwa ada hubungan yang linear antara variabel dependen Av-LOS terhadap keempat variabel independen yang digunakan. Hal ini menunjukkan bahwa ada korelasi linear antara nilai AvLOS terhadap masing-masing variabel dependennya. Kelinearan ini ditunjukkan oleh nilai devation from linearity > 0.05 (nilai alpha), yang membuat Ho ditolak sehingga dikatakan bahwa seluruh variabel independen mempunyai hubungan linear terhadap variabel dependen Av-LOS. (diringkas dalam tabel 3.24)
c.
Homoscedasticity (Constant Variance of the Error Terms) Homoscedasticity berhubungan dengan asumsi bahwa variabel dependen
Av-LOS menunjukkan tingkat variansi yang sama terhadap rentang variabelvariabel independen yang digunakan untuk memprediksi nilai Av-LOS tersebut. Homoscedasticity sangat diperlukan karena variansi dari variabel dependen AvLOS akan dijelaskan dalam hubungan ketergantungan harus tidak terkonsentrasi hanya dalam rentang terbatas dari nilai independen. Hal inilah yang menjadi dasar bahwa untuk mendeteksi tidak adanya heteroskedasticity dapat dilihat dari pola penyebaran nilai prediksi dan residualnya harus tidak terkonsentrasi pada satu pola tertentu. Maka dilihat dari gambar 3.14 scatterplot nilai prediksi dan residualnya terlihat jelas bahwa tidak terjadi heteroscedasticity, karena penyebarannya tidak menunjukkan satu pola yang jelas. Uji park ini dilakukan dengan meregresikan variabel Ln kuadrat residualnya dengan variabel-variabel independen. Park melihat bahwa variansi (S2) merupakan fungsi dari variabel-variabel independen X1, X2, X3, dan X4, dan fungsi itu dilinearkan dengan bentuk persamaan logaritma Ln σ2i = b0 + b1 X1 + b2 X2 + b3 X3 + b4 X4. Karena S2i umumnya tidak diketahui maka dapat ditaksir dengan menggunakan residual Ui. Pada tabel 3.22 terlihat bahwa tidak ada nilai yang
signifikan,
sehingga
dapat
disimpulkan
bahwa
tidak
terjadi
heteroscedasticity pada residual dari persamaan regresi.
Universitas Indonesia
113
d.
Autokorelasi (Independence of the Error Terms) Dari pengujian Durbin Watson yang telah dilakukan diperoleh nilai d
=1.776 (tabel 3.26). Dengan jumlah variabel independen (k) = 4, n = 60 dan α = 5%, maka nilai du (dilihat dari tabel durbin watson) = 1.727. Autokorelasi terjadi apabila tidak memenuhi syarat du < d < 4-du. Dengan nilai du dan d yang telah dihitung, maka 1.727 < 1.776 < 2.273. Dari sini dapat diketahui bahwa tidak terjadi autokorelasi pada nilai residualnya. Hanya saja nilai Durbin Watson yang diperoleh hampir mendekati batas yang tersedia. Hal ini terjadi karena memang data yang digunakan adalah data time series (periode bulanan) yang memungkinkan data satu periode mempengaruhi data periode berikutnya atau sebelumnya.
4.2.2 Model Persamaan Regresi Dari tabel 3.27 terlihat bahwa koefisien korelasinya (r) bernilai 0.929, yang berarti besar dari nol dan mendekati nilai 1, dengan demikian dapat dapat dinyatakan ada hubungan yang bersifat pengaruh antara variabel jumlah pasien keluar (X1), jumlah hari perawatan pasien keluar (X2), jenis penyakit yang diderita (X3), dan golongan obat paten yang diberikan (X4) terhadap nilai Av-LOS. Nilai R square adalah sebesar 0.863, artinya bahwa variasi dari variabel-variabel independen X1, X2, X3, dan X4 telah mampu menjelaskan variasi nilai Av-LOS sebesar 86.3%. R square ini diperoleh dari Explained Sum of Square 7.471dibandingkan dengan Total Sum of Square 8.662. Tetapi tidak cukup hanya dengan hanya melihat R square saja, karena nilai R square akan terus bertambah dengan penambahan variabel independen lainnya, walaupun variabel independen yang ditambahkan tersebut tidak signifikan mempengaruhi variasi nilaiAv-LOS. Sehingga nilai yang sebaiknya dilihat adalah nilai adjusted R square sebesar 0.853, yang menunjukkan variasi nilai Av-LOS telah dapat dijelaskan oleh variasi variabel X1, X2, X3, dan X4 sebesar 85.3 %. Sedangkan sisanya 14.7 % dijelaskan oleh sebab-sebab yang lain di luar model. Dengan nilai adjusted R square yang cukup besar ini, maka dapat dikatakan bahwa model yang dihasilkan sudah cukup baik karena dapat menjelaskan variasi Av-LOS sebesar 85.3 %. Standar error dari
Universitas Indonesia
114 prediksi yang dilakukan dengan menggunakan persamaan regresi ini adalah sebesar 0.14715. Pengujian hipotesis dengan uji F ditujukan untuk melihat pengaruh keempat variabel independen ini secara bersamaan terhadap nilai variabel dependen Av-LOS. Berdasarkan tabel 3.28 dengan α = 5%, degree of freedom (DF) numerator = 4 dan denominator = 55, nilai sig. < 5%, maka Ho yang menyatakan koefisien dalam sebuah persamaan regresi ini bernilai nol secara serentak ditolak artinya bahwa artinya bahwa benar secara bersama-sama keempat variabel independen X1, X2, X3, X4 berpengaruh terhadap nilai Av-LOS. Berdasarkan nilai pada tabel 3.29 dapat dilihat bahwa tidak terjadi multikolinearitas yang serius. Nilai tolerance terkecil ada pada variabel X2 adalah sebesar 0.144, artinya hanya 14.4 % variasi variabel X2 yang tidak dijelaskan oleh variasi variable independen lainnya (X1, X3, dan X4). Tetapi nilai ini masih dapat ditolerir karena masih > 0.1. Sedangkan nilai VIF adalah inverse dari nilai tolerance. Akar dari VIF ini menunjukkan perubahan standar deviasi dari variabel karena adanya multikolinearitas. Nilai VIF dari variabel X2 = 6.940, dengan 6.940 = 2.63 menunjukkan bahwa standar deviasi meningkat menjadi 2.63 kali karena multikolinearitas ini. Nilai korelasi dari masing-masing variabel independen dengan variabel independen lainnya dapat dilihat pada tabel 3.30. Korelasi yang tertinggi adalah sebesar 75.0 % antara variabel jumlah hari perawatan pasien keluar dengan golongan obat paten yang diberikan. Sedangkan korelasi terkecil adalah sebesar 24.1% antara variabel jumlah pasien keluar dengan jenis penyakit yang diderita. Uji t digunakan untuk menguji hipotesis koefisien-koefisien regresi secara individual. Berdasarkan nilai signifikan pada tabel 3.29 terlihat bahwa variabel independen yang signifikan mempengaruhi nilai Av-LOS secara keseluruhan adalah variabel jumlah pasien keluar (X1), jumlah hari perawatan pasien keluar (X2) dan variabel golongan obat paten yang diberikan (X4). Sehingga persamaan multipel regresi untuk variabel dependen Av-LOS (Y) adalah sebagai berikut : Y = 4.142 - 0.003 X1 + 0.001 X2 - 0.036 X4
Universitas Indonesia
115 Interpretasi dari persamaan regresi tersebut adalah : •
Konstanta atau intercept 4.142 menyatakan bahwa jika variabel independen dianggap konstan (0), maka rata-rata nilai Av-LOS adalah sebesar 4.142 hari. Karena X1, X2 dan X4 tidak mungkin bernilai nol, maka konstanta atau intercept membantu dalam meningkatkan proses prediksi nilai Av-LOS, tetapi tidak mempunyai nilai eksplanatori.
•
Koefisien regresi jumlah pasien keluar (X1) sebesar 0.003 menyatakan bahwa setiap penambahan satu orang pasien keluar akan menurunkan nilai Av-LOS (rata-rata lama rawatan pasien) sebesar 0.003 hari.
•
Koefisien regresi jumlah hari perawatan pasien keluar (X2) sebesar 0.001 menyatakan bahwa setiap penambahan satu hari perawatan pasien keluar akan meningkatkan nilai Av-LOS sebesar 0.001 hari.
•
Koefisien regresi golongan obat paten yang diberikan (X4) sebesar 0.036 menyatakan bahwa setiap penambahan satu persen pemberian obat paten akan menurunkan nilai Av-LOS sebesar 0.036 hari. Dari koefisien regresi ini juga dapat disimpulkan bahwa variabel golongan obat paten yang diberikan (X4) memberikan pengaruh yang sangat besar terhadap nilai AvLOS.
4.3
Indikator Bed Turn Over (BTO)
4.3.1 Asumsi Dalam Multipel Regresi Untuk membuat model persamaan regresi yang baik, maka sebuah persamaan regresi harus dapat memenuhi keempat asumsi ini. a.
Normality Berdasarkan tabel 3.31 dapat dilihat bahwa nilai assymp. signifikan
masing-masing variabel independen yang digunakan semua > 5%, hal ini menunjukkan bahwa seluruh variabel independen yang digunakan sudah berdistribusi normal. Analisa grafis dari nilai residualnya (setelah model persamaan regresi diperoleh) dapat dilihat pada gambar 3.15 bahwa histogram dan kurva normalnya membentuk sebuah lonceng yang simetri dan mengindikasikan bahwa penyebaran residual dari model regresi telah terdistribusi secara normal. Begitu juga dengan Universitas Indonesia
116 melihat normal probability plotnya pada gambar 3.16, seluruh residual sudah menyebar mengikuti garis diagonal 450. Tetapi analisa grafis saja kurang begitu meyakinkan sehingga perlu dilakukan uji statistik kolmogorov smirnov untuk melihat apakah nilai residualnya juga terdistribusi secara normal. Berdasarkan pada tabel 3.32 dapat dilihat bahwa nilai assymp. signifikannya > 0.05 (nilai alpha), maka dapat dikatakan residual dari persamaan garis regresi untuk memprediksi nilai BTO ini juga telah terdistribusi secara normal.
b.
Linearity of the Phenomenon Measured Berdasarkan pada uji linearity dari variabel dependen BTO terhadap
masing-masing variabel independennya, ditunjukkan bahwa ada hubungan yang tidak linear antara variabel dependen BTO terhadap jumlah pasien masuk (X4) sehingga perlu dilakukan transformasi untuk merubah bentuk penyebaran datanya. Berdasarkan bentuk plot (gambar 3.17) maka transformasi yang mungkin dilakukan adalah Log X, -1/X dan √X. Maka dilakukan transformasi pertama kali adalah dengan melogaritmakan variabel jumlah pasien masuk (X4), untuk merubah plot data jumlah pasien masuk agar menunjukkan hubungan yang linear terhadap nilai BTO. Kelinearan ini ditunjukkan oleh nilai devation from linearity > 0.05 (nilai alpha), diringkas pada tabel yang membuat Ho ditolak sehingga dikatakan bahwa seluruh variabel independen mempunyai hubungan linear terhadap variabel dependen BTO. (diringkas dalam tabel 3.39)
c.
Homoscedasticity (Constant Variance of the Error Terms) Homoscedasticity berhubungan dengan asumsi bahwa variabel dependen
BTO menunjukkan tingkat variansi yang sama terhadap rentang variabel-variabel independen
yang
digunakan
untuk
memprediksi
nilai
BTO
tersebut.
Homoscedasticity sangat diperlukan karena variansi dari variabel dependen BTO akan dijelaskan dalam hubungan ketergantungan harus tidak terkonsentrasi hanya dalam rentang terbatas dari nilai independen. Hal inilah yang menjadi dasar bahwa untuk mendeteksi tidak adanya heteroskedasticity dapat dilihat dari pola penyebaran nilai prediksi dan residualnya harus tidak terkonsentrasi pada satu Universitas Indonesia
117 pola tertentu. Maka dilihat dari gambar 3.18 scatterplot nilai prediksi dan residualnya terlihat jelas bahwa tidak terjadi heteroscedasticity, karena penyebarannya tidak menunjukkan satu pola yang jelas. Atau dari hasil uji statistik Park juga dapat dideteksi terjadinya heteroscedasticity. Uji park ini dilakukan dengan meregresikan variabel Ln kuadrat residualnya dengan variabel-variabel independen. Park melihat bahwa variansi (S2) merupakan fungsi dari variabel-variabel independen X1, X2, dan X3, dan fungsi itu dilinearkan dengan bentuk persamaan logaritma Ln σ2i = b0 + b1 X1 + b2 X2 + b3 X3. Karena S2i umumnya tidak diketahui maka dapat ditaksir dengan menggunakan residual Ui. Pada tabel 3.40 Terlihat bahwa tidak ada nilai yang signifikan, sehingga dapat disimpulkan bahwa tidak terjadi heteroscedasticity pada residual dari persamaan regresi.
d.
Autokorelasi (Independence of the Error Terms) Dari pengujian Durbin Watson yang telah dilakukan diperoleh nilai d
=1.781 (pada tabel 3.41). Dengan jumlah variabel independen (k) =3, n = 60 dan α = 5%, maka nilai du (dilihat dari tabel durbin watson) = 1.689. Autokorelasi terjadi apabila tidak memenuhi syarat du < d < 4-du. Dengan nilai du dan d yang telah dihitung, maka 1.689 < 1.781 < 2.311. Dari sini dapat diketahui bahwa tidak terjadi autokorelasi pada nilai residualnya. Hanya saja nilai Durbin Watson yang diperoleh hampir mendekati batas bawah yang tersedia. Hal ini terjadi karena memang data yang digunakan adalah data time series (periode bulanan) yang memungkinkan data satu periode mempengaruhi data periode berikutnya atau sebelumnya.
4.3.2
Model Persamaan Regresi Terjadi multikolinearitas apabila nilai tolerance < 0,1 atau nilai VIF > 10.
Berdasarkan nilai pada tabel 3.42, dengan penggunaan empat variabel X1, X2, X3, dan Log X4 diketahui bahwa ada nilai tollerance yang < 0.1 dan nilai VIF yang > 10 yaitu X1, dan Log X4. Dilihat dari coeffisien colleration masing variabel independent pada tabel 3.43 terlihat bahwa antara variabel jumlah pasien keluar (X3) dan log jumlah pasien masuk (Log X4) terdapat hubungan yang sangat kuat Universitas Indonesia
118 yaitu 99.2%, sehingga salah satu variabel ini harus dikeluarkan atau dibuang. Jadi berdasarkan pada rumus BTO maka variabel jumlah pasien keluar (X1) yang dimasukkan kedalam model dan membuang variabel jumlah pasien masuk (X4). Dengan menggunakan tiga variabel independen, maka dilakukan kembali pengolahan untuk penentuan model persamaan regresi. Sehingga berdasarkan nilai pada tabel 3.46 dapat dilihat bahwa tidak terjadi multikolinearitas. Nilai tolerance semua variabel cukup besar, misalnya tolerance X2 adalah sebesar 0.990, artinya hanya 99.0% variasi variabel X2 yang tidak dijelaskan oleh variasi variable independen lainnya (X1 dan X3). Sedangkan nilai VIF adalah inverse dari nilai tolerance. Akar dari VIF ini menunjukkan perubahan standar deviasi dari variabel karena adanya multikolinearitas. Nilai VIF dari variabel X2 = 1.010, dengan 1.010 = 1.00 menunjukkan bahwa standar deviasi meningkat menjadi 1 kali karena multikolinearitas ini. Nilai korelasi dari masing-masing variabel independen dengan variabel independen lainnya dapat dilihat pada tabel 3.47. Korelasi yang tertinggi adalah sebesar 27.8% antara variabel jumlah pasien keluar dengan kejadian luar biasa. Sedangkan korelasi terkecil adalah sebesar 5.3% antara variabel kejadian luar biasa dengan jenis penyakit terbanyak rawat inap. Dari tabel 3.44 terlihat bahwa koefisien korelasinya (r) bernilai 0.999, yang berarti besar dari nol dan mendekati nilai 1, dengan demikian dapat dapat dinyatakan ada hubungan yang bersifat pengaruh antara variabel jumlah pasien keluar (X1), jenis penyakit yang diderita (X2), adanya kejadian luar biasa (X3) terhadap nilai BTO. Nilai R square adalah sebesar 0.998, artinya bahwa variasi dari variabel-variabel independen X1, X2, dan X3 telah mampu menjelaskan variasi nilai BTO sebesar 99,8 %. R square ini diperoleh dari Explained Sum of Square 66.304 dibandingkan dengan Total Sum of Square 66.413. Tetapi tidak cukup hanya dengan hanya melihat R square saja, karena nilai R square akan terus bertambah dengan penambahan variabel independen lainnya, walaupun variabel independen yang ditambahkan tersebut tidak signifikan mempengaruhi variasi nilai BTO. Sehingga nilai yang sebaiknya dilihat adalah nilai adjusted R square sebesar 0.998, yang menunjukkan variasi nilai BTO telah dapat dijelaskan oleh variasi variabel X1, X2, dan X3 sebesar 99.8%. Sedangkan sisanya 0.2% dijelaskan Universitas Indonesia
119 oleh sebab-sebab yang lain di luar model. Dengan nilai adjusted R square yang cukup besar ini, maka dapat dikatakan bahwa model yang dihasilkan sudah cukup baik karena dapat menjelaskan variasi BTO sebesar 99.8%. Standar error dari prediksi yang dilakukan dengan menggunakan persamaan regresi ini adalah sebesar 0.0446. Pengujian hipotesis dengan uji F ditujukan untuk melihat pengaruh ketiga variabel independen ini secara bersamaan terhadap nilai variabel dependen BTO. Berdasarkan tabel 3.45 dengan α = 5%, degree of freedom (DF) numerator = 3 dan denominator = 56, nilai sig. < 5%, maka Ho yang menyatakan koefisien dalam sebuah persamaan regresi ini bernilai nol secara serentak ditolak artinya bahwa artinya bahwa benar secara bersama-sama ketiga variabel independen X1, X2, X3 berpengaruh terhadap nilai BTO. Uji t digunakan untuk menguji hipotesis koefisien-koefisien regresi secara individual. Berdasarkan nilai signifikan pada tabel 3.46 terlihat bahwa variabel independen yang signifikan mempengaruhi nilai BTO secara keseluruhan adalah variabel jumlah pasien keluar (X1) dan variabel kejadian luar biasa (X3). Sehingga persamaan multipel regresi untuk variabel dependen BTO (Y) adalah sebagai berikut : Y = - 0.177 + 0.007X1 - 0.0004 X3 Interpretasi dari persamaan regresi tersebut adalah : •
Konstanta atau intercept -0.177 menyatakan bahwa jika variabel independen dianggap konstan (0), maka rata-rata nilai BTO (frekuensi pemakaian tempat tidur) adalah sebesar -0.177 kali. Selain itu konstanta atau intercept membantu dalam meningkatkan proses prediksi nilai BTO, tetapi tidak mempunyai nilai eksplanatori.
•
Koefisien regresi jumlah pasien keluar (X1) sebesar 0.007 menyatakan bahwa setiap penambahan satu pasien keluar akan meningkatkan nilai BTO sebesar 0.007 kali. Dari koefisien regresi ini juga dapat disimpulkan bahwa variabel jumlah pasien keluar (X1) memberikan pengaruh yang paling besar terhadap nilai BTO.
•
Koefisien regresi kejadian luar biasa (X3) sebesar 0.0004 menyatakan bahwa setiap penambahan satu pasien penderita kejadian luar biasa akan Universitas Indonesia
120 menurunkan nilai BTO (frekuensi pemakaian tempat tidur) sebesar 0.0004 kali. Hal ini dapat terjadi dengan anggapan bahwa penderita kejadian luar biasa dirawat lebih lama di rumah sakit ini menyebabkan jumlah pasien keluar berkurang dan jumlah pasien yang bisa masuk ke rumah sakit menjadi berkurang sehingga frekuensi pemakaian tempat tidur juga akan berkurang.
4.4
Indikator Turn Over Interval (TOI)
4.4.1 Asumsi Dalam Multipel Regresi Untuk membuat model persamaan regresi yang baik, maka sebuah persamaan regresi harus dapat memenuhi keempat asumsi ini. a.
Normality Berdasarkan tabel 3.48 dapat dilihat bahwa nilai assymp. signifikan
masing-masing variabel independen yang digunakan semua > 5%, hal ini menunjukkan bahwa seluruh variabel independen yang digunakan sudah berdistribusi normal. Analisa grafis dari nilai residualnya (setelah model persamaan regresi memenuhi asumsi) dapat dilihat pada gambar 3.19 bahwa histogram dan kurva normalnya membentuk sebuah lonceng yang simetri dan mengindikasikan bahwa penyebaran residual dari model regresi telah terdistribusi secara normal. Begitu juga dengan melihat normal probability plotnya pada gambar 3.20, seluruh residual sudah menyebar mengikuti garis diagonal 450. Tetapi analisa grafis saja kurang begitu meyakinkan sehingga perlu dilakukan uji statistik kolmogorov smirnov untuk melihat apakah nilai residualnya juga terdistibusi secara normal. Berdasarkan pada tabel 3.49 dapat dilihat bahwa nilai assymp. signifikannya > 0.05 (nilai alpha), maka dapat dikatakan residual dari persamaan garis regresi untuk memprediksi nilai TOI ini juga telah terdistribusi secara normal.
b.
Linearity of the Phenomenon Measured Berdasarkan pada uji linearity dari variabel dependen TOI terhadap
masing-masing variabel independennya, ditunjukkan bahwa ada hubungan yang tidak linear antara variabel dependen TOI dengan jumlah pasien keluar (X1) dan Universitas Indonesia
121 jumlah pasien masuk (X4), sehingga perlu dilakukan transformasi untuk merubah bentuk penyebaran datanya. Berdasarkan bentuk plot TOI pada gambar 3.21 dan gambar 3.22 maka transformasi yang mungkin dilakukan adalah Log X, -1/X dan √X. Maka dilakukan transformasi pertama kali adalah dengan melogaritmakan variabel jumlah pasien keluar (X1) dan jumlah pasien masuk (X4), tetapi setelah diuji linearitas lagi terlihat bahwa nilai deviation of linearitynya masih <= 0.05, sehingga dilakukan transfromasi kembali dengan menginverse variabel jumlah pasien keluar (X1) dan jumlah pasien masuk (X4), untuk merubah plot data jumlah pasien keluar dan jumlah pasien masuk agar menunjukkan hubungan yang linear terhadap nilai TOI. Kelinearan ini ditunjukkan oleh nilai devation from linearity > 0.05 (nilai alpha), yang membuat Ho ditolak sehingga dikatakan bahwa seluruh variabel independen 1/X1, X2, X3 dan 1/X4 mempunyai hubungan linear terhadap variabel dependen TOI. (diringkas dalam tabel 3.59)
c.
Homoscedasticity (Constant Variance of the Error Terms) Homoscedasticity berhubungan dengan asumsi bahwa variabel dependen
TOI menunjukkan tingkat variansi yang sama terhadap rentang variabel-variabel independen
yang
digunakan
untuk
memprediksi
nilai
TOI
tersebut.
Homoscedasticity sangat diperlukan karena variansi dari variabel dependen TOI akan dijelaskan dalam hubungan ketergantungan harus tidak terkonsentrasi hanya dalam rentang terbatas dari nilai independen. Hal inilah yang menjadi dasar bahwa untuk mendeteksi tidak adanya heteroskedasticity dapat dilihat dari pola penyebaran nilai prediksi dan residualnya harus tidak terkonsentrasi pada satu pola tertentu. Maka dilihat dari gambar 3.23 scatterplot nilai prediksi dan residualnya terlihat jelas bahwa tidak terjadi heteroscedasticity, karena penyebarannya tidak menunjukkan satu pola yang jelas. Atau dari hasil uji statistik Park juga dapat dideteksi terjadinya heteroscedasticity. Uji park ini dilakukan dengan meregresikan variabel Ln kuadrat residualnya dengan variabel-variabel independen. Park melihat bahwa variansi (S2) merupakan fungsi dari variabel-variabel independen 1/X1, X2, dan X3, dan fungsi itu dilinearkan dengan bentuk persamaan logaritma Ln σ2i = b0 + Universitas Indonesia
122 b1 1/X1 + b2 X2 + b3 X3. Karena S2i umumnya tidak diketahui maka dapat ditaksir dengan menggunakan residual Ui. Pada tabel 3.60 terlihat bahwa tidak ada nilai yang
signifikan,
sehingga
dapat
disimpulkan
bahwa
tidak
terjadi
heteroscedasticity pada residual dari persamaan regresi.
d.
Autokorelasi (Independence of the Error Terms) Dari pengujian Durbin Watson yang telah dilakukan diperoleh nilai d
=2.235 (pada tabel 3.61). Dengan jumlah variabel independen setelah pemenuhan asumsi (k) =3, n = 60 dan α = 5%, maka nilai du (dilihat dari tabel durbin watson) = 1.689. Autokorelasi terjadi apabila tidak memenuhi syarat du < d < 4-du. Dengan nilai du dan d yang telah dihitung, maka 1.689 < 2.235 < 2.311. Dari sini dapat diketahui bahwa tidak terjadi autokorelasi pada nilai residualnya. Hanya saja nilai Durbin Watson yang diperoleh hampir mendekati batas atas yang tersedia. Hal ini terjadi karena memang data yang digunakan adalah data time series (periode bulanan) yang memungkinkan data satu periode mempengaruhi data periode berikutnya atau sebelumnya.
4.4.2
Model Persamaan Regresi Terjadi multikolinearitas apabila nilai tolerance < 0,1 atau nilai VIF > 10.
Berdasarkan nilai pada tabel 3.62, dengan penggunaan empat variabel 1/X1, X2, X3, dan 1/X4 diketahui bahwa ada nilai tollerance yang < 0.1 dan nilai VIF yang > 10 yaitu 1/X1, dan 1/X4. Dilihat dari coeffisien colleration masing variabel independent pada tabel 3.63 terlihat bahwa antara variabel inverse jumlah pasien keluar (1/X1) dan inverse jumlah pasien masuk (1/X4) terdapat hubungan yang sangat kuat yaitu 99.2%, sehingga salah satu variabel ini harus dikeluarkan atau dibuang. Jadi berdasarkan pada nilai tollerance terkecil dan berdasarkan pada rumus TOI maka variabel inverse jumlah pasien keluar (1/X1) yang dimasukkan kedalam model dan membuang variabel inverse jumlah pasien masuk (1/X4). Dengan menggunakan tiga variabel independen, maka dilakukan kembali pengolahan untuk penentuan model persamaan regresi. Sehingga berdasarkan nilai pada tabel 3.66 dapat dilihat bahwa tidak terjadi multikolinearitas yang serius. Nilai tolerance terkecil adalah hari perawatan RS (X2) sebesar 0.119, artinya Universitas Indonesia
123 hanya 11.9% variasi variabel X2 yang tidak dijelaskan oleh variasi variable independen lainnya (1/X1 dan X3). Tetapi nilai tolerance ini masih berada diatas batas multikolineariti yang ditentukan. Sedangkan nilai VIF adalah inverse dari nilai tolerance. Akar dari VIF ini menunjukkan perubahan standar deviasi dari variabel karena adanya multikolinearitas. Nilai VIF dari variabel X2 = 8.412, dengan
8.412 = 2.90 menunjukkan bahwa standar deviasi meningkat menjadi
2.9 kali karena multikolinearitas ini. Nilai korelasi dari masing-masing variabel independen dengan variabel independen lainnya dapat dilihat pada tabel 3.67. Korelasi yang tertinggi adalah sebesar 93.1% antara variabel inverse jumlah pasien keluar dengan hari perawatan RS, tetapi korelasi ini masih berada dibawah batas korelasi yang kuat 95%. Sedangkan korelasi terkecil adalah sebesar 1.6% antara variabel kejadian luar biasa dengan inverse jumlah pasien keluar. Dari tabel 3.64 terlihat bahwa koefisien korelasinya (r) bernilai 0.988, yang berarti besar dari nol dan mendekati nilai 1, dengan demikian dapat dapat dinyatakan ada hubungan yang bersifat pengaruh antara variabel variabel inverse jumlah pasien keluar (1/X1), variabel hari perawatan RS (X2) dan variabel kejadian luar biasa (X3) terhadap nilai TOI. Nilai R square adalah sebesar 0.976, artinya bahwa variasi dari variabel-variabel independen 1/X1, X2, dan X3 telah mampu menjelaskan variasi nilai TOI sebesar 97.6 %. R square ini diperoleh dari Explained Sum of Square 147.075 dibandingkan dengan Total Sum of Square150.727. Tetapi tidak cukup hanya dengan hanya melihat R square saja, karena nilai R square akan terus bertambah dengan penambahan variabel independen lainnya, walaupun variabel independen yang ditambahkan tersebut tidak signifikan mempengaruhi variasi nilai TOI. Sehingga nilai yang sebaiknya dilihat adalah nilai adjusted R square sebesar 0.974, yang menunjukkan variasi nilai TOI telah dapat dijelaskan oleh variasi variabel 1/X1, X2, dan X3 sebesar 97.4%. Sedangkan sisanya 2.6 % dijelaskan oleh sebab-sebab yang lain di luar model. Dengan nilai adjusted R square yang cukup besar ini, maka dapat dikatakan
bahwa model yang dihasilkan sudah cukup baik karena dapat
menjelaskan variasi TOI sebesar 97.4%. Standar error dari prediksi yang dilakukan dengan menggunakan persamaan regresi ini adalah sebesar 0.25537. Universitas Indonesia
124 Pengujian hipotesis dengan uji F ditujukan untuk melihat pengaruh ketiga variabel independen ini secara bersamaan terhadap nilai variabel dependen TOI. Berdasarkan tabel 3.65 dengan α = 5%, degree of freedom (DF) numerator = 3 dan denominator = 56, nilai sig. < 5%, maka Ho yang menyatakan koefisien dalam sebuah persamaan regresi ini bernilai nol secara serentak ditolak artinya bahwa benar secara bersama-sama ketiga variabel independen 1/X1, X2, X3 berpengaruh terhadap nilai TOI. Uji t digunakan untuk menguji hipotesis koefisien-koefisien regresi secara individual. Berdasarkan nilai signifikan pada tabel 3.66 terlihat bahwa seluruh variabel independen signifikan mempengaruhi nilai TOI. Variabel independen itu adalah variabel inverse jumlah pasien keluar (1/X1), variabel hari perawatan RS (X2) dan variabel kejadian luar biasa (X3). Sehingga persamaan multipel regresi untuk variabel dependen TOI (Y) adalah sebagai berikut : Y = 3.413 – 2577.936 (1/X1) - 0.002 X2 + 0.002 X3 Interpretasi dari persamaan regresi tersebut adalah : •
Konstanta atau intercept 3.413 menyatakan bahwa jika variabel independen dianggap konstan (0), maka rata-rata nilai TOI adalah sebesar 3.413 hari. Selain itu konstanta atau intercept membantu dalam meningkatkan proses prediksi nilai TOI (rata-rata hari tempat tidur tidak ditempati dari saat terisi ke terisi berikutnya), tetapi tidak mempunyai nilai eksplanatori.
•
Koefisien regresi inverse jumlah pasien keluar (1/X1) sebesar 2577.936 menyatakan bahwa setiap penambahan satu pasien keluar akan menurunkan nilai TOI sebesar 2577.936 hari. Dari koefisien regresi ini juga dapat disimpulkan bahwa variabel inverse jumlah pasien keluar (1/X1) memberikan pengaruh yang paling besar terhadap nilai TOI.
•
Koefisien regresi hari perawatan RS (X2) sebesar 0.002 menyatakan bahwa setiap penambahan satu hari perawatan RS akan menurunkan nilai TOI sebesar 0.002 hari.
•
Koefisien regresi kejadian luar biasa (X3) sebesar 0.002 menyatakan bahwa setiap penambahan satu penderita kejadian luar biasa akan Universitas Indonesia
125 meningkatkan nilai TOI (rata-rata hari tempat tidur tidak ditempati dari saat terisi ke terisi berikutnya) sebesar 0.002 hari. Hal ini dapat terjadi dengan anggapan bahwa jika penderita kejadian luar biasa dirawat lebih lama di rumah sakit ini menyebabkan jumlah pasien keluar berkurang dan jumlah pasien yang bisa masuk ke rumah sakit menjadi berkurang hingga menyebabkan meningkatkan nilai TOI karena berkurangnya jumlah pasien yang masuk membuat tempat tidur hanya bisa diisi oleh pasien penderita kejadian luar biasa yang dirawat lebih lama itu.
4.5
Indikator Net Death Rate (NDR)
4.5.1
Asumsi Dalam Multipel Regresi Untuk membuat model persamaan regresi yang baik, maka sebuah
persamaan regresi harus dapat memenuhi keempat asumsi ini. a.
Normality Berdasarkan tabel 3.68 dapat dilihat bahwa nilai assymp. signifikan
masing-masing variabel independen yang digunakan semua > 5%, hal ini menunjukkan bahwa seluruh variabel independen yang digunakan sudah berdistribusi normal. Analisa grafis dari nilai residualnya dapat dilihat pada gambar 3.24 bahwa histogram dan kurva normalnya membentuk sebuah lonceng yang simetri dan mengindikasikan bahwa penyebaran residual dari model regresi telah terdistribusi secara normal. Begitu juga dengan melihat normal probability plotnya pada gambar 3.25, seluruh residual sudah menyebar mengikuti garis diagonal 450. Tetapi analisa grafis saja kurang begitu meyakinkan sehingga perlu dilakukan uji statistik kolmogorov smirnov untuk melihat apakah nilai residualnya juga terdistibusi secara normal. Berdasarkan pada tabel 3.69 dapat dilihat bahwa nilai assymp. signifikannya > 0.05 (nilai alpha), maka dapat dikatakan residual dari persamaan garis regresi untuk memprediksi nilai NDR ini juga telah terdistribusi secara normal.
Universitas Indonesia
126
b.
Linearity of the Phenomenon Measured Berdasarkan pada uji linearity dari variabel dependen NDR terhadap
masing-masing variabel independennya, ditunjukkan bahwa ada hubungan yang tidak linear antara variabel dependen NDR dengan jumlah pasien penderita penyakit penyebab kematian (X4), sehingga perlu dilakukan transformasi untuk merubah bentuk penyebaran datanya. Berdasarkan bentuk plot NDR dengan jumlah pasien penderita penyakit penyebab kematian (X4) pada gambar 3.26 maka transformasi yang mungkin dilakukan adalah Log X, -1/X dan √X. Maka dilakukan transformasi dengan melogaritmakan variabel jumlah pasien penderita penyakit penyebab kematian (X4), untuk merubah plot data variabel jumlah pasien penderita penyakit penyebab kematian (X4) agar menunjukkan hubungan yang linear terhadap nilai NDR. Kelinearan ini ditunjukkan oleh nilai devation from linearity > 0.05 (nilai alpha), yang membuat Ho ditolak sehingga dikatakan bahwa seluruh variabel independen X1, X2, X3 dan Log X4 mempunyai hubungan linear terhadap variabel dependen NDR. (diringkas dalam tabel 3.76)
c.
Homoscedasticity (Constant Variance of the Error Terms) Homoscedasticity berhubungan dengan asumsi bahwa variabel dependen
NDR menunjukkan tingkat variansi yang sama terhadap rentang variabel-variabel independen
yang
digunakan
untuk
memprediksi
nilai
NDR
tersebut.
Homoscedasticity sangat diperlukan karena variansi dari variabel dependen NDR akan dijelaskan dalam hubungan ketergantungan harus tidak terkonsentrasi hanya dalam rentang terbatas dari nilai independen. Hal inilah yang menjadi dasar bahwa untuk mendeteksi tidak adanya heteroskedasticity dapat dilihat dari pola penyebaran nilai prediksi dan residualnya harus tidak terkonsentrasi pada satu pola tertentu. Maka dilihat dari gambar 3.27 scatterplot nilai prediksi dan residualnya terlihat jelas bahwa tidak terjadi heteroscedasticity, karena penyebarannya tidak menunjukkan satu pola yang jelas. Atau dari hasil uji statistik Park juga dapat dideteksi terjadinya heteroscedasticity. Uji park ini dilakukan dengan meregresikan variabel Ln kuadrat residualnya dengan variabel-variabel independen. Park melihat bahwa Universitas Indonesia
127 variansi (S2) merupakan fungsi dari variabel-variabel independen X1, X2, X3 dan X4, dan fungsi itu dilinearkan dengan bentuk persamaan logaritma Ln σ2i = b0 + b1 X1 + b2 X2 + b3 X3 + b4 LogX4. Karena S2i umumnya tidak diketahui maka dapat ditaksir dengan menggunakan residual Ui. Pada tabel 3.77 terlihat bahwa tidak ada nilai yang signifikan, sehingga dapat disimpulkan bahwa tidak terjadi heteroscedasticity pada residual dari persamaan regresi.
d.
Autokorelasi (Independence of the Error Terms) Dari pengujian Durbin Watson yang telah dilakukan diperoleh nilai d
=1.799 (pada tabel 3.78). Dengan jumlah variabel independen (k) = 4, n = 60 dan α = 5%, maka nilai du (dilihat dari tabel durbin watson) =1.727. Autokorelasi terjadi apabila tidak memenuhi syarat du < d < 4-du. Dengan nilai du dan d yang telah dihitung, maka 1.727 < 1.799 < 2.273. Dari sini dapat diketahui bahwa tidak terjadi autokorelasi pada nilai residualnya. Hanya saja nilai Durbin Watson yang diperoleh hampir mendekati batas bawah yang tersedia. Hal ini terjadi karena memang data yang digunakan adalah data time series (periode bulanan) yang memungkinkan data satu periode mempengaruhi data periode berikutnya atau sebelumnya.
4.5.2
Model Persamaan Regresi Dari tabel 3.79 terlihat bahwa koefisien korelasinya (r) bernilai 0.992,
yang berarti besar dari nol dan mendekati nilai 1, dengan demikian dapat dapat dinyatakan ada hubungan yang bersifat pengaruh antara variabel jumlah pasien keluar (X1), jumlah pasien mati > 48 jam perawatan (X2), keahlian tenaga medis dan paramedis (X3), serta variabel log jumlah pasien penderita penyakit penyebab kematian (LogX4) terhadap nilai NDR. Nilai R square adalah sebesar 0.984, artinya bahwa variasi dari variabel-variabel independen X1, X2, X3 dan LogX4 telah mampu menjelaskan variasi nilai NDR sebesar 98.4%. R square ini diperoleh dari Explained Sum of Square 1690.707 dibandingkan dengan Total Sum of Square 1719.004. Tetapi tidak cukup hanya dengan hanya melihat R square saja, karena nilai R square akan terus bertambah dengan penambahan variabel independen lainnya, walaupun variabel independen yang ditambahkan Universitas Indonesia
128 tersebut tidak signifikan mempengaruhi variasi nilai NDR. Sehingga nilai yang sebaiknya dilihat adalah nilai adjusted R square sebesar 0.982, yang menunjukkan variasi nilai NDR telah dapat dijelaskan oleh variasi variabel X1, X2, X3 dan LogX4 sebesar 98.2%. Sedangkan sisanya 1.8% dijelaskan oleh sebab-sebab yang lain di luar model. Dengan nilai adjusted R square yang cukup besar ini, maka dapat dikatakan bahwa model yang dihasilkan sudah cukup baik karena dapat menjelaskan variasi NDR sebesar 98.2%. Standar error dari prediksi yang dilakukan dengan menggunakan persamaan regresi ini adalah sebesar 0.71729. Pengujian hipotesis dengan uji F ditujukan untuk melihat pengaruh keempat variabel independen ini secara bersamaan terhadap nilai variabel dependen NDR. Berdasarkan tabel 3.80 dengan α = 5%, degree of freedom (DF) numerator = 4 dan denominator = 55, nilai sig. < 5%, maka Ho yang menyatakan koefisien dalam sebuah persamaan regresi ini bernilai nol secara serentak ditolak artinya bahwa benar secara bersama-sama keempat variabel independen X1, X2, X3 dan Log X4 berpengaruh terhadap nilai NDR. Berdasarkan nilai pada tabel 3.81 dapat dilihat bahwa tidak terjadi multikolinearitas yang serius. Nilai tolerance terkecil adalah jumlah pasien mati<48 jam perawatan (X2) sebesar 0.178, artinya hanya 17.8% variasi variabel X2 yang tidak dijelaskan oleh variasi variable independen lainnya (X1, X3 dan LogX4). Tetapi nilai tolerance ini masih berada diatas batas multikolinearitas yang ditentukan. Sedangkan nilai VIF adalah inverse dari nilai tolerance. Akar dari VIF ini menunjukkan perubahan standar deviasi dari variabel karena adanya multikolinearitas. Nilai VIF dari variabel X2 = 5.617, dengan
5.617 = 2.37
menunjukkan bahwa standar deviasi meningkat menjadi 2.37 kali karena multikolinearitas ini. Nilai korelasi dari masing-masing variabel independen dengan variabel independen lainnya dapat dilihat pada tabel 3.82. Korelasi yang tertinggi adalah sebesar 63.2% antara variabel jumlah pasien mati > 48 jam perawatan dengan Log jumlah pasien penderita penyakit penyebab kematian. Sedangkan korelasi terkecil adalah sebesar 8.9% antara variabel keahlian tenaga medis dan paramedis dengan Log jumlah pasien penderita peyakit penyebab kematian.
Universitas Indonesia
129 Uji t digunakan untuk menguji hipotesis koefisien-koefisien regresi secara individual. Berdasarkan nilai signifikan pada tabel 3.81 terlihat bahwa seluruh variabel independen signifikan mempengaruhi nilai NDR. Variabel independen itu adalah variabel jumlah pasien keluar (X1), jumlah pasien mati > 48 jam perawatan (X2), keahlian tenaga medis dan paramedis (X3), serta variabel log jumlah pasien penderita penyakit penyebab kematian (LogX4). Sehingga persamaan multipel regresi untuk variabel dependen NDR (Y) adalah sebagai berikut : Y = 4.123 - 0.006 X1 + 1.068 X2 - 0.231 X3 + 3.092 Log X4 Interpretasi dari persamaan regresi tersebut adalah : •
Konstanta atau intercept 4.123 menyatakan bahwa jika variabel independen dianggap konstan (0), maka rata-rata nilai NDR (angka kematian > 48 jam setelah dirawat dari 1000 pasien) adalah sebesar 4.123 orang. Selain itu konstanta atau intercept membantu dalam meningkatkan proses prediksi nilai NDR, tetapi tidak mempunyai nilai eksplanatori.
•
Koefisien regresi jumlah pasien keluar (X1) sebesar 0.006 menyatakan bahwa setiap penambahan satu pasien keluar akan menurunkan nilai NDR sebesar 0.006 orang.
•
Koefisien regresi jumlah pasien mati > 48 jam perawatan (X2) sebesar 1.068 menyatakan bahwa setiap penambahan satu orang pasien mati>48 jam perawatan akan meningkatkan nilai NDR sebesar 1.068 orang.
•
Koefisien regresi keahlian tenaga medis dan paramedis (X3) sebesar 0.231 menyatakan bahwa setiap penambahan satu tahun lama kerja tenaga medis dan paramedis akan menurunkan nilai NDR sebesar 0.231 orang.
•
Koefisien regresi log jumlah pasien penderita penyakit penyebab kematian (LogX4) sebesar 3.092 menyatakan bahwa setiap penambahan satu pasien penderita penyakit penyebab kematian akan meningkatkan nilai NDR sebesar 3.092 orang. Dari koefisien regresi ini juga dapat disimpulkan bahwa variabel log jumlah pasien penderita penyakit penyebab kematian (LogX4) memberikan pengaruh yang paling besar terhadap nilai NDR.
Universitas Indonesia
130
4.6
Indikator Gross Death Rate (GDR)
4.6.1
Asumsi Dalam Multipel Regresi Untuk membuat model persamaan regresi yang baik, maka sebuah
persamaan regresi harus dapat memenuhi keempat asumsi ini. a.
Normality Berdasarkan tabel 3.83 dapat dilihat bahwa nilai assymp. signifikan
masing-masing variabel independen yang digunakan semua > 5%, hal ini menunjukkan bahwa seluruh variabel independen yang digunakan sudah berdistribusi normal. Analisa grafis dari nilai residualnya dapat dilihat pada gambar 3.28 bahwa histogram dan kurva normalnya membentuk sebuah lonceng yang simetri dan mengindikasikan bahwa penyebaran residual dari model regresi telah terdistribusi secara normal. Begitu juga dengan melihat normal probability plotnya pada gambar 3.29, seluruh residual sudah menyebar mengikuti garis diagonal 450. Tetapi analisa grafis saja kurang begitu meyakinkan sehingga perlu dilakukan uji statistik kolmogorov smirnov untuk melihat apakah nilai residualnya juga terdistibusi secara normal. Berdasarkan pada tabel 3.84 dapat dilihat bahwa nilai assymp. signifikannya > 0.05 (nilai alpha), maka dapat dikatakan residual dari persamaan garis regresi untuk memprediksi nilai GDR ini juga telah terdistribusi secara normal.
b.
Linearity of the Phenomenon Measured Berdasarkan pada uji linearity dari variabel dependen GDR terhadap
masing-masing variabel independennya, ditunjukkan bahwa ada hubungan yang tidak linear antara variabel dependen GDR dengan keahlian tenaga medis paramedis (X3), sehingga perlu dilakukan transformasi untuk merubah bentuk penyebaran datanya. Berdasarkan bentuk plot GDR dengan keahlian tenaga medis paramedis (X3) pada gambar 3.30 maka transformasi yang mungkin dilakukan adalah X2. Maka dilakukan transformasi dengan mengkuadratkan keahlian tenaga medis paramedis (X3), untuk merubah plot datanya agar menunjukkan hubungan yang linear terhadap nilai GDR. Kelinearan ini ditunjukkan oleh nilai devation from linearity > 0.05 (nilai alpha), yang membuat Ho ditolak sehingga dikatakan Universitas Indonesia
131 bahwa seluruh variabel independen X1, X2, (X3)2 dan X4 mempunyai hubungan linear terhadap variabel dependen GDR. (diringkas dalam tabel 3.91)
c.
Homoscedasticity (Constant Variance of the Error Terms) Homoscedasticity berhubungan dengan asumsi bahwa variabel dependen
GDR menunjukkan tingkat variansi yang sama terhadap rentang variabel-variabel independen
yang
digunakan
untuk
memprediksi
nilai
GDR
tersebut.
Homoscedasticity sangat diperlukan karena variansi dari variabel dependen GDR akan dijelaskan dalam hubungan ketergantungan harus tidak terkonsentrasi hanya dalam rentang terbatas dari nilai independen. Hal inilah yang menjadi dasar bahwa untuk mendeteksi tidak adanya heteroskedasticity dapat dilihat dari pola penyebaran nilai prediksi dan residualnya harus tidak terkonsentrasi pada satu pola tertentu. Maka dilihat dari gambar 3.31 scatterplot nilai prediksi dan residualnya terlihat jelas bahwa tidak terjadi heteroscedasticity, karena penyebarannya tidak menunjukkan satu pola yang jelas. Atau dari hasil uji statistik Park juga dapat dideteksi terjadinya heteroscedasticity. Uji park ini dilakukan dengan meregresikan variabel Ln kuadrat residualnya dengan variabel-variabel independen. Park melihat bahwa variansi (S2) merupakan fungsi dari variabel-variabel independen X1, X2, (X3)2 dan X4, dan fungsi itu dilinearkan dengan bentuk persamaan logaritma Ln σ2i = b0 + b1 X1 + b2 X2 + b3 (X3)2 + b4 X4. Karena S2i umumnya tidak diketahui maka dapat ditaksir dengan menggunakan residual Ui. Pada tabel 3.92 terlihat bahwa tidak ada nilai yang signifikan, sehingga dapat disimpulkan bahwa tidak terjadi heteroscedasticity pada residual dari persamaan regresi.
d.
Autokorelasi (Independence of the Error Terms) Dari pengujian Durbin Watson yang telah dilakukan diperoleh nilai d
=1.792 (pada tabel 3.93). Dengan jumlah variabel independen (k) = 4, n = 60 dan α = 5%, maka nilai du (dilihat dari tabel durbin watson) =1.727. Autokorelasi terjadi apabila tidak memenuhi syarat du < d < 4-du. Dengan nilai du dan d yang telah dihitung, maka 1.727 < 1.792 < 2.273. Dari sini dapat diketahui bahwa tidak terjadi autokorelasi pada nilai residualnya. Hanya saja nilai Durbin Watson yang Universitas Indonesia
132 diperoleh hampir mendekati batas bawah yang tersedia. Hal ini terjadi karena memang data yang digunakan adalah data time series (periode bulanan) yang memungkinkan data satu periode mempengaruhi data periode berikutnya atau sebelumnya.
4.6.2 Model Persamaan Regresi Dari tabel 3.94 terlihat bahwa koefisien korelasinya (r) bernilai 0.992, yang berarti besar dari nol dan mendekati nilai 1, dengan demikian dapat dapat dinyatakan ada hubungan yang bersifat pengaruh antara seperti jumlah pasien yang keluar (X1), jumlah pasien mati (X2), kuadrat keahlian tenaga medis dan paramedic ((X3)2), jenis penyakit yang diderita (Penyebab kematian) (X4) terhadap nilai GDR. Nilai R square adalah sebesar 0.984, artinya bahwa variasi dari variabel-variabel independen X1, X2, (X3)2 dan X4 telah mampu menjelaskan variasi nilai GDR sebesar 98.4%. R square ini diperoleh dari Explained Sum of Square 1164.983 dibandingkan dengan Total Sum of Square1184.524. Tetapi tidak cukup hanya dengan hanya melihat R square saja, karena nilai R square akan terus bertambah dengan penambahan variabel independen lainnya, walaupun variabel independen yang ditambahkan tersebut tidak signifikan mempengaruhi variasi nilai GDR. Sehingga nilai yang sebaiknya dilihat adalah nilai adjusted R square sebesar 0.982, yang menunjukkan variasi nilai GDR telah dapat dijelaskan oleh variasi variabel X1, X2, (X3)2 dan X4 sebesar 98.2%. Sedangkan sisanya 1.8% dijelaskan oleh sebab-sebab yang lain di luar model. Dengan nilai adjusted R square yang cukup besar ini, maka dapat dikatakan bahwa model yang dihasilkan sudah cukup baik karena dapat menjelaskan variasi GDR sebesar 98.2%. Standar error dari prediksi yang dilakukan dengan menggunakan persamaan regresi ini adalah sebesar 0.59606. Pengujian hipotesis dengan uji F ditujukan untuk melihat pengaruh keempat variabel independen ini secara bersamaan terhadap nilai variabel dependen GDR. Berdasarkan tabel 3.95 dengan α = 5%, degree of freedom (DF) numerator = 4 dan denominator = 55, nilai sig. < 5%, maka Ho yang menyatakan koefisien dalam sebuah persamaan regresi ini bernilai nol secara serentak ditolak
Universitas Indonesia
133 artinya bahwa benar secara bersama-sama keempat variabel independen X1, X2, (X3)2 dan X4 berpengaruh terhadap nilai GDR. Berdasarkan nilai pada tabel 3.96 dapat dilihat bahwa tidak terjadi multikolinearitas yang serius. Nilai tolerance terkecil adalah jumlah pasien mati (X2) sebesar 0.149, artinya hanya 14.9% variasi variabel X2 yang tidak dijelaskan oleh variasi variable independen lainnya (X1, (X3)2 dan X4). Tetapi nilai tolerance ini masih berada diatas batas multikolineariti yang ditentukan. Sedangkan nilai VIF adalah inverse dari nilai tolerance. Akar dari VIF ini menunjukkan perubahan standar deviasi dari variabel karena adanya multikolinearitas. Nilai VIF dari variabel X2 = 6.709, dengan
6.709 = 2.59 menunjukkan bahwa standar deviasi
meningkat menjadi 2.59 kali karena multikolinearitas ini. Nilai korelasi dari masing-masing variabel independen dengan variabel independen lainnya dapat dilihat pada tabel 3.97. Korelasi yang tertinggi adalah sebesar 73% antara variabel jumlah pasien keluar dengan jumlah pasien mati. Sedangkan korelasi terkecil adalah sebesar 2.1% antara variabel kuadrat keahlian tenaga medis dan paramedis dengan jumlah pasien keluar. Uji t digunakan untuk menguji hipotesis koefisien-koefisien regresi secara individual. Berdasarkan nilai signifikan pada tabel 3.96 terlihat bahwa variabel independen yang signifikan mempengaruhi nilai GDR adalah variabel jumlah pasien keluar (X1), jumlah pasien mati (X2), serta variabel jumlah pasien penderita penyakit penyebab kematian (X4). Sehingga persamaan multipel regresi untuk variabel dependen GDR (Y) adalah sebagai berikut : Y = 19.3 - 0.024 X1 + 1.229 X2 + 0.06 X4 Interpretasi dari persamaan regresi tersebut adalah : •
Konstanta atau intercept 19.3 menyatakan bahwa jika variabel independen dianggap konstan (0), maka rata-rata nilai GDR (angka kematian umum dari 1000 pasien) adalah sebesar 19.3 orang. Selain itu konstanta atau intercept membantu dalam meningkatkan proses prediksi nilai GDR, tetapi tidak mempunyai nilai eksplanatory.
Universitas Indonesia
134 •
Koefisien regresi jumlah pasien keluar (X1) sebesar 0.024 menyatakan bahwa setiap penambahan satu pasien keluar akan menurunkan nilai GDR sebesar 0.024 orang.
•
Koefisien regresi jumlah pasien mati (X2) sebesar 1.229 menyatakan bahwa setiap penambahan satu orang pasien mati akan meningkatkan nilai GDR sebesar 1.229 orang. Dari koefisien regresi ini juga dapat disimpulkan bahwa variabel jumlah pasien mati (X2) memberikan pengaruh yang paling besar terhadap nilai GDR.
•
Koefisien regresi jumlah pasien penderita penyakit penyebab kematian (X4) sebesar 0.06 menyatakan bahwa setiap penambahan satu pasien penderita penyakit penyebab kematian akan meningkatkan nilai GDR sebesar 0.06 orang.
4.7
Validasi Hasil
4.7.1
Hasil Prediksi Dengan Nilai Sebenarnya Pada tabel 3.98 dan 3.99 ditampilkan 30 periode pengamatan untuk
melihat model yang dibangun berdasarkan kesalahan/residual (selisih antara nilai sebenarnya masing-masing indikator terhadap nilai prediksi yang diperoleh dari persamaan regresi). Disitu terlihat bahwa kesalahan prediksi yang terjadi tidaklah begitu besar, bahkan pada beberapa model, hasil prediksi sangat mendekati nilai yang sebenarnya. Hal ini terjadi karena semua model persamaan regresi telah memenuhi asumsi-asumsi dalam multipel regresi. Dari sini dapat diketahui bahwa model yang dibangun sudah cukup baik untuk memprediksi nilai masing-masing indikator keberhasilan pelayanan rumah sakit kelas C di Provinsi Riau, yang pada akhirnya nanti dapat digunakan sebagai nilai standar yang sesuai dengan kondisi rumah sakit. Kesalahan prediksi yang agak besar terjadi pada model persamaan regresi BOR walaupun telah memenuhi semua asumsi, hal ini mungkin disebabkan karena nilai tollerance yang menunjukkan multikolinearitas dari variabel-variabel independen yang mendekati ambang batasnya. Seluruh nilai tollerance dari variabel independen ini hanya sedikit lebih besar dari 0.1, sehingga mengurangi ketelitian koefisien regresi untuk memprediksi nilai variabel dependen. Universitas Indonesia
135
4.7.2 Peramalan Nilai Variabel Yang Signifikan Mempengaruhi Indikator Keberhasilan Pelayanan Rumah Sakit Tahun 2008 Peramalan dilakukan dengan menggunakan metode yang sangat sederhana yaitu moving average. Metode ini dipilih karena peramalan disini hanya dilakukan untuk memprediksi nilai masing-masing variabel untuk validasi model regresi yang telah ditemukan dan selanjutnya digunakan sebagai standar indikator keberhasilan pelayanan rumah sakit. Data tahun 2008 diperoleh dari hasil peramalan data tahun sebelumnya yaitu tahun 2007. Hasil peramalan dapat dilihat pada tabel 3.101. Karena metode peramalan yang digunakan adalah metode yang sangat sederhana, maka pada akhir-akhir periode peramalan, hasil peramalan yang diperoleh cenderung konstan hanya berbeda pada angka di belakang komanya saja.
4.7.3
Validasi Model Persamaan Regresi Dengan Sampel Data Baru Dan Analisa Standar Indikator Yang Ditemukan Validasi model persamaan regresi dapat dilakukan dengan beberapa cara.
Pertama, model original bisa memprediksi nilai dari sampel baru, dan perkiraan yang cocok bisa dihitung. Kedua, sebuah model tersendiri bisa diestimasi dari sampel yang baru kemudian membandingkannya dengan persamaan original pada karakteristik-karakteristik seperti signifikan variabel termasuk tanda, ukuran dan tingkat kepentingan relatif dari variabel, dan keakuratan prediksi. Cara yang kedua tidak mungkin dilakukan karena keterbatasanketerbatasan data. Sehingga yang mungkin dilakukan adalah cara yang pertama. Dengan data tahun 2008 yang diperoleh dari hasil peramalan, maka dapat diprediksi nilai masing-masing indikator keberhasilan pelayanan rumah sakit dengan menggunakan sampel yang baru sehingga dapat dihitung perkiraan yang cocok. Maka prediksi nilai yang cocok dengan menggunakan model persamaan regresi untuk masing-masing indikator berdasarkan variabel-variabel yang signifikan mempengaruhinya dapat dilihat pada tabel 3.102. Prediksi nilai indikator keberhasilan pelayanan rumah sakit kelas C di provinsi Riau tahun 2008 ini bervariasi setiap bulannya. Sehingga nilai minimal dan maksimalnya dijadikan sebagai nilai standar untuk masing-masing indikator keberhasilan pelayanan rumah sakit untuk tahun 2008. Begitu juga untuk Universitas Indonesia
136 mendapatkan nilai standar indikator pada tahun 2009 atau 2010 dan seterusnya, digunakan data prediksi nilai indikator keberhasilan pelayanan rumah sakit berdasarkan pada model persamaan regresi dengan memperhatikan variabelvariabel yang mempengaruhi masing-masing indikator tersebut.
Universitas Indonesia
137
BAB 5 KESIMPULAN DAN SARAN 5.1
Kesimpulan Model yang didapat dari penelitian ini dibuat berdasarkan variabel-
variabel
yang
signifikan
mempengaruhi
indikator-indikator
keberhasilan
pelayanan rumah sakit. Model ini dapat digunakan untuk menentukan standar masing-masing indikator. Model tersebut adalah : a. Model penentuan standar BOR (Bed Occupancy Ratio) yaitu persentase pemakaian tempat tidur adalah : BOR = -5.071 + 0.018 X1 + 0.015 X2 + 1.256 X4 + 0.008 X5 X1 adalah hari perawatan pasien keluar, X2 adalah jumlah penderita karena kejadian luar biasa, X4 adalah lama kerja tenaga medis dan paramedic, serta X5 adalah jumlah pasien masuk per periode. Untuk menaikkan nilai BOR, maka rumah sakit dapat meningkatkan keahlian tenaga medis dan paramedis dilihat dari lama kerja karena memberikan kontribusi terbesar terhadap nilai BOR. b. Model penentuan standar Av-LOS (Average Length of Stay) yaitu rata-rata lama rawatan pasien adalah : Av-LOS = 4.142 - 0.003 X1 + 0.001 X2 - 0.036 X4 Dengan variabel X1 adalah jumlah pasien keluar, X2 adalah jumlah hari perawatan pasien keluar dan variabel X4 golongan obat paten yang diberikan. Untuk menurunkan nilai Av-LOS, maka rumah sakit dapat meningkatkan pemakaian obat paten karena memberikan kontribusi terbesar terhadap nilai Av-LOS. c. Model penentuan standar BTO (Bed Turn Over) yaitu frekuensi pemakaian tempat tidur adalah : BTO = -0.177 + 0.007X1 - 0.0004 X3 Dengan variabel X1 adalah jumlah pasien keluar dan variabel X3 kejadian luar biasa. Untuk menaikkan nilai BTO, maka rumah sakit dapat meningkatkan jumlah pasien keluar karena memberikan kontribusi terbesar terhadap nilai BTO. Universitas Indonesia
138
d. Model penentuan standar TOI (Turn Over Interval) yaitu rata-rata hari tempat tidur tidak ditempati dari saat terisi ke terisi berikutnya adalah : TOI = 3.413 – 2577.936 (1/X1) - 0.002 X2 + 0.002 X3 Dengan variabel 1/X1 adalah inverse jumlah pasien keluar, variabel X2 adalah hari perawatan RS dan variabel X3 kejadian luar biasa. Untuk menurunkan nilai TOI, maka rumah sakit dapat mengurangi jumlah pasien keluar karena memberikan kontribusi terbesar terhadap nilai TOI. e. Model penentuan standar NDR (Net Death Rate) yaitu angka kematian > 48 jam setelah dirawat dari 1000 pasien adalah : NDR = 4.123 - 0.006 X1 + 1.068 X2 - 0.231 X3 + 3.092 Log X4 Dengan variabel X1 adalah jumlah pasien keluar, X2 adalah jumlah pasien mati > 48 jam perawatan, X3 adalah keahlian tenaga medis dan paramedis serta variabel (LogX4) adalah log jumlah pasien penderita penyakit penyebab kematian. Untuk menurunkan nilai NDR, maka rumah sakit dapat mengurangi jumlah pasien penderita penyakit penyebab kematian karena memberikan kontribusi terbesar terhadap nilai NDR. f. Model penentuan standar GDR (Gross Death Rate) yaitu angka kematian umum dari 1000 pasien adalah : GDR = 19.3 - 0.024 X1 + 1.229 X2 + 0.06 X4 Dengan variabel X1 adalah jumlah pasien keluar, X2 adalah jumlah pasien mati serta variabel X4 adalah jumlah pasien penderita penyakit penyebab kematian. Untuk menurunkan nilai GDR, maka rumah sakit dapat mengurangi jumlah pasien penderita penyakit penyebab kematian karena memberikan kontribusi terbesar terhadap nilai GDR.
5.2
Saran a. Untuk penelitian selanjutnya : •
Dapat dilakukan penambahan variabel-variabel lain yang mungkin mempengaruhi indikator-indikator keberhasilan pelayanan rumah sakit pada model yang sudah didapat.
•
Ada beberapa data yang tidak bisa digunakan dalam penelitian karena secara statistik tidak memungkinkan untuk diolah lebih lanjut. Dalam Universitas Indonesia
139
penelitian selanjutnya hal ini dapat diteliti ulang dengan memperoleh data baru. •
Untuk penentuan standar indikator pada satu periode dapat digunakan metode peramalan yang lebih baik.
b. Untuk Departemen Kesehatan Republik Indonesia : • Sebaiknya dapat menggunakan model persamaan regresi ini untuk menentukan nilai standar indikator keberhasilan pelayanan rumah sakit sesuai dengan kelas dan keadaan masing-masing rumah sakit, karena model ini mempertimbangkan variabel-variabel yang signifikan mempengaruhi nilai masing-masing nilai indikator.
Universitas Indonesia
DAFTAR REFERENSI
Ditjen Bina Pelayanan Medik Depkes RI. Statistik RS di Indonesia-Kegiatan Pelayanan. Jakarta : Departemen Kesehatan RI, 2005 Ditjen Pelayanan Medik Depkes RI. Indikator Kinerja Rumah Sakit. Jakarta : Departemen Kesehatan RI, 2005 Ditjen Pelayanan Medik Depkes RI. Pedoman Penyelenggaraan Pelayanan RS. Jakarta : Departemen Kesehatan RI, 2008 Ghozali, Imam. Aplikasi Analisis Multivariate Dengan Program SPSS. Semarang : Badan Penerbit Universitas Diponegoro, 2006 Hair, Balck, et al., ed. Multivariate Data Analysis. New Jersey : Pearson International Edition, 2006 Hikmatin, I, Djasri, H, dan Utarini, A. “Studi Kasus Deskriptif Efektifitas Pelaksanaan Regulasi Perizinan Rumah Sakit Umum”. JMPK Vol.09, 2006 J. Grady, J.B. Ohlin. “Equal access to hospitality services for guests with mobility impairments under the Americans with Disabilities Act: Implications for the hospitality industry”. International Journal of Hospitality Management 28, 2009 Kaul, H, Gupta,S, dan Jauhari,V. “An Insight Into Service Processes In Public And Private Hospitals In India”. Journal of Services Research, 2008 Ristrini. “Perubahan Paradigma Jasa Pelayanan Kesehatan Rumah Sakit dan Rekomendasi Kebijakan Strategis Bagi Pimpinan”. JMPK Vol.08, 2005 Schenelle,J.F, Osterweil.D, and Simon, F.S. “Improving The Quality of Nursing Home Care and Medical Record Accuracy With Direct Observational Technologies”. The Gerontologist, 2005 Sudarmanto, R.Gunawan. Analisis Regresi Linear Ganda Dengan SPSS. Yogyakarta : Graha Ilmu, 2005
WHO Ditjen Pelayanan Medik Depkes RI. Petunjuk Pelaksanaan Indikator Mutu Pelayanan RS. Jakarta : Departemen Kesehatan RI, 2001
139
Universitas Indonesia
140
Lampiran 1. Kuesioner Indentifikasi Variabel Yth Bapak/Ibu/Saudara/i Dengan hormat, Dalam rangka penyelesaian tesis dengan judul Perancangan Model Penentuan Standar Indikator Keberhasilan Pelayanan Rumah Sakit Kelas X di Provinsi Riau, saya Mahasiswa Program Pasca Sarjana Jurusan Teknik Industri Universitas Indonesia memohon kesediaan Bapak, Ibu dan Saudara/i untuk dapat meluangkan sedikit waktunya untuk mengisi kuesioner ini. Adapun tujuan pembuatan kuesioner ini adalah hanya untuk keperluan akademik semata yaitu untuk mengetahui faktor-faktor yang mempengaruhi indikator keberhasilan pelayanan Rumah Sakit. Dalam pengisian kuesioner ini disarankan terlebih dahulu untuk membaca petunjuk umum yang terdapat pada awal bagian pertanyaan sesuai pendapat Bapak, Ibu dan Saudara/i. Saya mengucapkan terima kasih atas waktu dan kesediaannya dalam mengisi kuesioner ini dengan lengkap.
Hormat Saya,
Denny Astrie.A 0706174184
Universitas Indonesia
141
Lampiran 1. Kuesioner Indentifikasi Variabel (Lanjutan) A. DATA UMUM RESPONDEN Nama
: ............................................
Jenis Kelamin
:L/P
Jabatan/Divisi
: ............................................
B. PETUNJUK PENGISIAN a. Semua pernyataan dalam angket dijawab pada kolom jawaban yang
tersedia.
b. Lengkapi faktor-faktor lain yang menurut Bapak, Ibu, Saudara/i juga mempengaruhi. Isikan pada tempat yang tersedia sebanyak mungkin. c. Berilah nomor sesuai urutan prioritas menurut Bapak, Ibu, Saudara/i. Contoh : 1. Faktor-faktor yang mempengaruhi BOR (Bed Occupancy Rate atau persentasi pemakaian tempat tidur) : ( 2 ) Faktor a ( 5 ) Faktor b ( 1 ) Faktor c ( 3 ) ....Faktor d..... ( 4 ) ....Faktor f...... ( 6 ) ....Faktor g..... Catatan : Yang tulisan miring dan dihitamkan diisi oleh Bapak, Ibu, Saudara/i C. PERTANYAAN 1.
Faktor-faktor yang mempengaruhi BOR (Bed Occupancy Rate atau persentasi pemakaian tempat tidur Rumah Sakit pada satu satuan waktu) : (......) Jumlah Tempat Tidur di Rumah Sakit (......) Lama Hari Perawatan Rumah Sakit (......) Jumlah Hari dalam Satu Satuan Waktu Universitas Indonesia
142
Lampiran 1. Kuesioner Indentifikasi Variabel (Lanjutan) (......) Fasilitas Rumah Sakit yang Tersedia (......) Tingkat Pendapatan Masyarakat (......) Tingkat Pendidikan Masyarakat (......) Jumlah Rumah Sakit yang Tersedia (......) Jarak Rumah Sakit (......) Tarif Rumah Sakit (......) ................................................................. (......) ................................................................. (......) .................................................................
2.
Faktor-faktor yang mempengaruhi Av LOS (Average Length of Stay atau rata-rata lama rawatan seorang pasien) : (......) Jumlah Pasien yang Keluar (......) Jumlah Hari Perawatan Pasien Keluar (......) Jenis Penyakit yang Diderita (......) Tarif Rumah Sakit (......) Tingkat Pendapatan Masyarakat (......) ................................................................. (......) ................................................................. (......) ................................................................. (......) ................................................................. (......) ................................................................. (......) .................................................................
3.
Faktor-faktor yang mempengaruhi BTO (Bed Turn Over atau frekuensi pemakaian tempat tidur dalam satu satuan waktu) : (......) Jumlah Pasien yang Keluar (......) Jumlah Tempat Tidur (......) ................................................................. (......) ................................................................. (......) ................................................................. Universitas Indonesia
143
Lampiran 1. Kuesioner Indentifikasi Variabel (Lanjutan) 4.
Faktor-faktor yang mempengaruhi TOI (Turn Over Interval atau rata-rata hari tempat tidur tidak ditempati dari saat terisi ke terisi berikutnya) : (......) Jumlah Pasien yang Keluar (......) Jumlah Tempat Tidur (......) Hari Perawatan Rumah Sakit (......) ................................................................. (......) ................................................................. (......) .................................................................
5.
Faktor-faktor yang mempengaruhi NDR (Net Death Rate atau angka kematian <48 jam setelah dirawat) : (......) Jumlah Pasien yang Keluar (......) Jumlah Pasien mati < 48 jam (......) Fasilitas Rumah Sakit yang Tersedia (......) Jumlah Tenaga Medis. (......) ................................................................. (......) ................................................................. (......) ................................................................. (......) .................................................................
6.
Faktor-faktor yang mempengaruhi GDR (Gross Death Rate atau angka kematian umum) : (......) Jumlah Pasien yang Keluar (......) Jumlah Pasien Mati (......) Fasilitas Rumah Sakit yang Tersedia (......) Jumlah Tenaga Medis. (......) ................................................................. (......) ................................................................. (......) .................................................................
-Terima KasihUniversitas Indonesia
144
Lampiran 3. Nilai Prediksi dan Nilai Sebenarnya Indikator BOR, Av-LOS dan BTO
Periode
BOR
Pred BOR
Eror
AvLOS
Pred AvLOS
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
69.55 69.20 62.65 60.80 62.65 64.15 61.45 60.45 63.65 55.70 63.45 60.60 61.15 60.15 58.60 59.20 60.85 64.05 60.60 61.10 55.65 49.10 63.50 65.75 72.15 73.20 66.10 67.60 66.50 70.70
70.96 64.16 63.95 59.96 64.07 63.55 62.80 60.70 62.44 57.07 63.30 62.07 60.41 55.64 60.16 57.23 61.50 62.67 61.49 61.50 55.11 51.05 63.38 66.98 72.89 67.68 66.35 67.00 67.51 70.06
-1.41 5.04 -1.30 0.84 -1.42 0.60 -1.35 -0.25 1.21 -1.37 0.15 -1.47 0.74 4.51 -1.56 1.97 -0.65 1.38 -0.89 -0.40 0.54 -1.95 0.12 -1.23 -0.74 5.52 -0.25 0.60 -1.01 0.64
3.50 3.75 3.75 3.70 3.55 3.90 3.80 3.90 4.00 3.85 3.85 4.05 3.50 3.55 3.35 3.40 3.60 3.20 3.85 3.45 3.15 3.15 3.30 3.20 2.90 2.90 2.95 3.10 2.95 3.05
3.56 3.72 3.79 3.74 3.65 3.86 3.70 3.85 3.94 3.72 3.74 3.85 3.48 3.51 3.46 3.43 3.52 3.24 3.65 3.53 2.91 3.29 3.54 3.29 2.99 3.05 3.00 2.90 2.99 3.09
Eror BTO
Pred BTO
Eror
-0.06 0.03 -0.04 -0.04 -0.10 0.04 0.10 0.05 0.06 0.13 0.11 0.20 0.02 0.04 -0.11 -0.03 0.08 -0.04 0.20 -0.08 0.24 -0.14 -0.24 -0.09 -0.09 -0.15 -0.05 0.20 -0.04 -0.04
6.45 5.78 5.79 5.25 5.80 5.25 5.28 5.23 5.42 4.99 5.48 5.41 5.09 4.47 5.07 4.94 5.38 5.63 5.21 5.33 5.39 4.77 5.45 6.29 6.92 6.47 6.44 6.21 6.35 6.52
-0.05 -0.03 -0.04 0.00 -0.05 0.00 -0.03 -0.03 -0.02 0.01 -0.03 -0.01 0.16 0.13 0.08 0.06 0.02 0.02 0.04 0.02 0.01 0.03 0.05 -0.04 0.03 0.03 -0.04 -0.01 0.00 0.03
6.40 5.75 5.75 5.25 5.75 5.25 5.25 5.20 5.40 5.00 5.45 5.40 5.25 4.60 5.15 5.00 5.40 5.65 5.25 5.35 5.40 4.80 5.50 6.25 6.95 6.50 6.40 6.20 6.35 6.55
Universitas Indonesia
145
Lampiran 3. Nilai Prediksi dan Nilai Sebenarnya Indikator BOR, Av-LOS dan BTO (Lanjutan) Periode
BOR
Pred BOR
Eror
31 32 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
71.35 73.15 70.70 66.25 66.70 73.10 52.00 56.80 61.60 61.15 57.05 56.25 58.35 64.10 54.15 50.35 64.30 55.90 35.80 37.30 36.45 37.95 37.70 36.80 33.75 36.15 36.50 32.45 37.55 39.05
71.43 74.18 69.34 67.43 66.88 74.20 52.70 54.55 62.01 60.24 58.54 55.88 59.36 65.20 55.14 51.77 63.14 57.56 35.34 34.46 36.71 36.78 38.29 36.22 34.28 37.21 36.79 34.53 37.52 39.62
-0.08 -1.03 1.36 -1.18 -0.18 -1.10 -0.70 2.25 -0.41 0.91 -1.49 0.37 -1.01 -1.10 -0.99 -1.42 1.16 -1.66 0.46 2.84 -0.26 1.17 -0.59 0.58 -0.53 -1.06 -0.29 -2.08 0.03 -0.57
AvLOS 3.10 3.00 3.05 3.35 3.10 3.20 2.75 2.90 3.00 3.00 2.95 3.00 3.20 3.05 2.55 2.60 3.05 3.00 2.90 2.75 2.85 3.30 3.20 3.05 3.40 3.30 2.70 2.65 2.85 2.75
Pred AvLOS
3.17 3.13 3.10 3.30 3.13 3.34 2.77 2.65 2.89 2.87 2.90 2.81 2.92 3.00 2.57 2.66 3.00 2.88 2.86 2.87 2.98 3.13 3.10 3.06 3.29 3.28 2.92 3.24 2.97 2.91
Eror BTO
Pred BTO
Eror
-0.07 -0.13 -0.05 0.05 -0.03 -0.14 -0.02 0.25 0.11 0.13 0.05 0.19 0.28 0.05 -0.02 -0.06 0.05 0.12 0.04 -0.12 -0.13 0.17 0.10 -0.01 0.11 0.02 -0.22 -0.59 -0.12 -0.16
6.42 6.95 6.62 6.37 6.63 6.53 4.73 5.28 4.66 4.99 5.04 5.00 4.79 4.90 5.50 5.41 4.96 5.55 3.36 3.50 3.29 3.04 3.36 3.25 3.22 3.16 3.55 3.71 3.75 4.13
0.03 0.00 0.03 0.03 -0.03 0.02 -0.03 0.02 -0.01 0.01 -0.04 0.00 0.01 0.00 -0.05 -0.06 -0.01 -0.05 -0.01 0.00 0.01 0.01 -0.01 0.00 0.03 0.04 -0.05 -0.06 -0.05 -0.08
6.45 6.95 6.65 6.40 6.60 6.55 4.70 5.30 4.65 5.00 5.00 5.00 4.80 4.90 5.45 5.35 4.95 5.50 3.35 3.50 3.30 3.05 3.35 3.25 3.25 3.20 3.50 3.65 3.70 4.05
Universitas Indonesia
146
Lampiran 4. Nilai Prediksi dan Nilai Sebenarnya Indikator TOI, NDR dan GDR Periode
TOI
Pred TOI
Eror
NDR
Pred NDR
Eror
GDR
Pred GDR
Eror
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
1.55 1.55 2.10 2.30 2.00 2.10 2.25 2.40 2.05 2.80 2.00 2.30 2.45 2.55 2.60 2.60 2.40 1.95 2.60 2.40 2.60 3.50 2.25 1.85 1.30 1.40 1.65 1.60 1.65 1.40
1.16 1.96 1.93 2.48 1.91 2.28 2.29 2.37 2.19 2.87 2.17 2.26 2.59 3.51 2.69 2.89 2.38 2.16 2.49 2.38 2.84 3.58 2.31 1.61 0.96 1.55 1.54 1.68 1.54 1.35
0.39 -0.41 0.17 -0.18 0.09 -0.18 -0.04 0.03 -0.14 -0.07 -0.17 0.04 -0.14 -0.96 -0.09 -0.29 0.02 -0.21 0.11 0.02 -0.24 -0.08 -0.06 0.24 0.34 -0.15 0.11 -0.08 0.11 0.05
17.15 12.65 9.50 9.40 11.65 14.15 17.90 15.60 17.05 12.00 9.90 18.50 19.65 9.10 12.45 16.65 11.20 10.75 13.15 14.10 11.50 11.90 12.15 12.85 6.80 10.50 11.30 11.40 13.20 12.90
18.81 12.33 10.19 9.85 11.68 13.19 16.62 15.46 16.29 11.34 9.98 17.17 19.35 9.32 12.68 16.07 12.25 10.80 13.28 14.76 12.35 11.73 12.91 14.29 6.54 10.68 12.00 10.79 13.60 12.10
-1.66 0.32 -0.69 -0.45 -0.03 0.96 1.28 0.14 0.76 0.66 -0.08 1.33 0.30 -0.22 -0.23 0.58 -1.05 -0.05 -0.13 -0.66 -0.85 0.17 -0.76 -1.44 0.26 -0.18 -0.70 0.61 -0.40 0.80
28.21 24.42 22.07 23.02 23.20 26.82 30.69 29.49 29.70 25.50 22.06 31.06 34.08 25.26 26.35 31.12 24.88 22.59 26.96 27.57 24.88 26.65 25.80 24.60 16.50 20.70 21.90 21.57 24.29 22.63
30.03 24.71 22.24 23.02 23.63 26.76 30.63 29.27 29.81 25.28 22.50 31.06 33.63 24.38 26.40 30.35 25.03 22.82 26.80 27.81 25.08 26.05 25.91 25.39 15.45 20.79 22.23 21.73 24.81 22.94
-1.82 -0.29 -0.17 0.00 -0.43 0.06 0.06 0.22 -0.11 0.22 -0.44 0.00 0.45 0.88 -0.05 0.77 -0.15 -0.23 0.16 -0.24 -0.20 0.60 -0.11 -0.79 1.05 -0.09 -0.33 -0.16 -0.52 -0.31
Universitas Indonesia
147
Lampiran 4. Nilai Prediksi dan Nilai Sebenarnya Indikator TOI, NDR dan GDR (Lanjutan) Periode
TOI
Pred TOI
Eror
NDR
Pred NDR
Eror
GDR
Pred GDR
Eror
31 32 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
1.40 1.20 1.30 1.65 1.50 1.30 3.40 2.95 2.85 2.75 2.85 3.00 3.15 2.60 2.80 3.25 2.55 2.85 6.15 5.25 6.35 6.15 5.90 5.95 6.40 6.40 5.75 6.30 5.25 5.25
1.18 0.88 1.30 1.53 1.56 1.03 3.47 3.06 2.89 2.83 2.93 3.14 3.02 2.56 3.03 3.13 2.66 2.69 5.88 5.86 5.95 6.33 5.76 6.07 6.25 6.18 5.69 5.68 5.37 4.78
0.22 0.32 0.00 0.12 -0.06 0.27 -0.07 -0.11 -0.04 -0.08 -0.08 -0.14 0.13 0.04 -0.23 0.12 -0.11 0.16 0.27 -0.61 0.40 -0.18 0.14 -0.12 0.15 0.22 0.06 0.62 -0.12 0.47
9.90 10.25 5.25 9.65 6.39 9.75 9.35 7.05 8.75 9.90 8.05 8.60 6.85 10.55 12.35 10.55 7.05 9.35 0.00 0.00 0.85 0.00 0.00 1.10 0.00 0.00 0.00 0.00 0.00 0.00
10.95 10.78 4.93 9.11 5.61 10.31 10.01 6.74 7.88 9.02 8.23 9.28 7.16 10.04 12.06 8.97 6.74 8.82 0.19 -0.04 2.15 0.34 -0.02 1.21 0.16 1.01 -0.23 -0.42 -0.33 -0.57
-1.05 -0.53 0.32 0.54 0.78 -0.56 -0.66 0.31 0.87 0.88 -0.18 -0.68 -0.31 0.51 0.29 1.58 0.31 0.53 -0.19 0.04 -1.30 -0.34 0.02 -0.11 -0.16 -1.01 0.23 0.42 0.33 0.57
20.86 20.27 15.20 20.00 16.21 20.49 23.74 18.80 22.54 22.43 20.94 22.46 20.60 24.13 24.10 20.94 19.89 20.33 19.57 16.92 21.91 19.31 15.63 22.18 18.37 16.56 16.67 16.04 15.85 12.84
21.01 20.18 14.09 19.81 15.26 20.50 23.39 18.74 21.98 22.14 20.92 22.26 20.47 23.65 24.16 20.94 19.75 20.36 19.16 17.44 20.65 19.03 16.70 20.74 18.45 17.45 17.25 16.74 16.57 14.03
-0.15 0.09 1.11 0.19 0.95 -0.01 0.35 0.06 0.56 0.29 0.02 0.20 0.13 0.48 -0.06 0.00 0.14 -0.03 0.41 -0.52 1.26 0.28 -1.07 1.44 -0.08 -0.89 -0.58 -0.70 -0.72 -1.19
Universitas Indonesia