BAB IV HASIL DAN PEMBAHASAN

Transkripsi

1 BAB IV HASIL DAN PEMBAHASAN Dalam bab ini akan menjelaskan tentang hasil pengujian perhitungan secara matematis dengan membandingkan histogram data mentah dan distribusi probabilitias teoritis. Data mentah tersebut adalah hasil dari proses observasi yang dilakukan oleh penulis selama berada di Puskesmas Dr. Soetomo Surabaya. Data tersebut berupa data kehadiran pasien yang berobat pada poli umum. Penulis juga melakukan proses pencatatan waktu pelayananan secara manual dengan bantuan stopwatch sehingga data tersebut membantu proses perhitungan. Untuk menganalisa data tersebut, terdapat proses pengujian data seperti pengujian dengan menggunakan metode sturgess yang digunakan untuk melakukan pembagian kelas interval. 4.1 Hasil Pengujian Menggunakan Metode Sturgess Pada Waktu Pelayanan Langkah pertama yang dilakukan adalah melakukan perhitungan interval kelas dengan menggunakan metode strugess. Langkah ini dilakukan agar data yang disajikan akan tersusun dengan baik. Rumus yang digunakan untuk metode sturgess dapat dilihat pada Bab 2.5. untuk perhitungannya dapat dilihat di bawah ini: Jangakauan range = Nilai maksimal Nilai minimal = 15 6 = 9 Jumlah kelas = Log(n) = Log(15) = Interval kelas = Jangkauan range/jumlah kelas 27

2 28 Interval kelas= 9/ = Hasil Pengujian Menggunakan Distribusi Frekuensi Relatif Pada Waktu Pelayanan Langkah selanjutnya adalah melihat proporsi data yang ada pada suatu interval kelas. Tujuan dari pengujian ini adalah untuk mencari nilai tengah dan fruekensi relative. Nilai tengah akan digunakan untuk plot histogram atau grafik dan perhitungan nilai distribusi probabilitas. Rumus yang digunakan: frekuensi/total data Dokter Umum I Dalam proses ini akan dilakukan dua pencarian yaitu nilai tengah yang akan digunakan untuk plot histogram dan perhitungan distribusi probabilitas, serta frekuensi relatif yang digunakan dalam proses perhitungan frekuensi data mentah yang sudah dibagi dalam bentuk interval kelas menggunakan metode sturgess. Berikut adalah tabel sebelum menggunakan metode sturgess dan setelah menggunakan perhitungan metode Sturgess. Tabel data yang belum menggunakan metode sturgess ada di Tabel 4.1 dan tabel data yang sudah dilakukan perhitungan menggunakan metode Sturgess ada di Tabel 4.2

3 29 Tabel 4.1 Data dokter I Interval ke Interval Kelas Jumlah Paket TOTAL PAKET 80 Tabel 4.2 Hasil nilai tengah dan frekuensi relatif Dokter umum I Interval INTERVAL JUMLAH NILAI FREKUENSI ke KELAS PAKET TENGAH RELATIF TOTAL JUMLAH PAKET 80 = 1

4 30 Langkah selanjutnya adalah melakukan fitting dengan bantuan Software Matlab. Data perhitungan menggunakan metode Sturgess tersebut di import kedalam Matlab sehingga data tersebut nantinya dapat digunakan dalam proses fitting. Dari data tersebut dapat diperoleh estimasi parameter sebagai berikut: a. Distribusi normal σ = , µ= b. Distribusi lognormal σ = , µ= c. Distribusi gamma α= , β= d. Distribusi weibull α= , β= Gambar 4.1 Hasil Fitting Dokter I menggunakan Matlab Setelah melakukan proses fitting, maka langkah selanjutnya adalah mencari Mean Square Error (MSE). Setiap distribusi melakukan perhitungan sesuai dengan rumus MSE yang terdapat pada Bab 3.7.

5 31 a. Distribusi Normal bin Dari proses fitting menggunakan Matlab, maka didapatkan nilai MSE untuk distribusi normal adalah senilai dengan parameter σ = , µ= Detailnya dapat dilihat pada tabel 4.3. Frekuensi Relatif Tabel 4.3 Distribusi Normal Dokter I Distribusi Probabilitas Error Error b. Distribusi Lognormal Dari proses fitting menggunakan Matlab, maka didapatkan nilai MSE untuk distribusi lognormal adalah senilai dengan parameter σ = , µ= Detailnya dapat dilihat pada tabel 4.4.

6 32 Tabel 4.4 Distribusi Lognormal Dokter I bin Frekuensi Relatif Distribusi Probabilitas Error Error c. Distribusi Gamma Dari proses fitting menggunakan Matlab, maka didapatkan nilai MSE untuk distribusi gamma adalah senilai dengan parameter α= , β= Detailnya dapat dilihat pada tabel 4.5. Tabel 4.5 Distribusi Gamma Dokter I bin Frekuensi Relatif Distribusi Probabilitas Error Error

7 33 d. Distribusi Weibull Dari proses fitting menggunakan Matlab, maka didapatkan nilai MSE untuk distribusi gamma adalah senilai dengan parameter α= , β= Detailnya dapat dilihat pada tabel 4.6. Tabel 4.6 Distribusi Weibull Dokter I Bin Frekuensi Relatif Distribusi Probabilitas Error Error Interval Ke MSE NORMAL Tabel 4.7 Hasil MSE Dokter I MSE LOGNORMAL MSE GAMMA MSE WEIBULL Jumlah

8 34 Maka dapat diambil kesimpulan bahwa nilai MSE yang terkecil dari distribusi diatas adalah distribusi Weibull dengan MSE dengan parameter α= , β= Maka langkah selanjutnya adalah membangkitan bilangan random dengan menggunakan distribusi Weibull. Dalam membangkitkan bialngan random, masih menggunakan software Matlab sehingga hasil dapat langsung diketahui. Nilai yang digunakan dalam membangkitkan bilangan random adalah menggunakan parameter distribusi weibull yaitu α= , β= Contoh proses membangkitkan bilangan acak dengan distribusi weibull pada perangkat lunak Matlab adalah sebagai berikut : >> n1 = wblrnd( , , [1 70]) n1 = Columns 1 through Columns 13 through Columns 25 through Columns 37 through Columns 49 through 60

9 Columns 61 through \ Bilangan Acak di atas merupakan simulsi waktu pelayanan Dokter I yang dibangkitkan untuk 70 pasien Dokter Umum II Dalam proses ini akan dilakukan dua pencarian yaitu nilai tengah yang akan digunakan untuk plot histogram dan perhitungan distribusi probabilitas, serta frekuensi relatif yang digunakan dalam proses perhitungan frekuensi data mentah yang sudah dibagi dalam bentuk interval kelas menggunakan metode sturgess. Berikut adalah tabel sebelum menggunakan metode sturgess dan setelah menggunakan perhitungan metode Sturgess. Tabel data yang belum menggunakan metode sturgess ada di Tabel 4.8 dan tabel data yang sudah dilakukan perhitungan menggunakan metode Sturgess ada di Tabel 4.9

10 36 Tabel 4.8 Data Dokter II Interval ke Interval Kelas Jumlah Paket TOTAL PAKET 78 Tabel 4.9 Hasil nilai tengah dan frekuensi relatif Dokter umum II Interval ke Interval Kelas Jumlah Paket Nilai tengah Frekuensi Relatif TOTAL PAKET 78 1 Langkah selanjutnya adalah melakukan fitting dengan bantuan Software Matlab. Data perhitungan menggunakan metode Sturgess tersebut di import kedalam Matlab sehingga data tersebut nantinya dapat digunakan dalam proses fitting. Dari data tersebut dapat diperoleh estimasi parameter sebagai berikut: a. Distribusi normal σ = , µ= b. Distribusi lognormal σ = , µ= c. Distribusi gamma α= , β= d. Distribusi weibull α= , β=

11 37 Gambar 4.2 Hasil Fitting Dokter II menggunakan Matlab Setelah melakukan proses fitting, maka langkah selanjutnya adalah mencari Mean Square Error (MSE). Setiap distribusi melakukan perhitungan sesuai dengan rumus MSE yang terdapat pada Bab 3.7. a. Distribusi Normal Dari proses fitting menggunakan Matlab, maka didapatkan nilai MSE untuk distribusi normal adalah senilai dengan parameter σ = , µ= Detailnya dapat dilihat pada tabel 4.10.

12 38 bin Frekuensi Relatif Tabel 4.10 Distribusi Normal Dokter II Distribusi Probabilitas Error Error b. Distribusi Lognormal bin Dari proses fitting menggunakan Matlab, maka didapatkan nilai MSE untuk distribusi lognormal adalah senilai dengan parameter σ = , µ= Detailnya dapat dilihat pada tabel Frekuensi Relatif Tabel 4.11 Distribusi Lognormal Dokter II Distribusi Probabilitas Error Error

13 39 c. Distribusi Gamma Dari proses fitting menggunakan Matlab, maka didapatkan nilai MSE untuk distribusi gamma adalah senilai dengan parameter α= , β= Detailnya dapat dilihat pada tabel Tabel 4.12 Distribusi Gamma Dokter II bin Frekuensi Relatif Distribusi Probabilitas Error Error d. Distribusi Weibull bin Dari proses fitting menggunakan Matlab, maka didapatkan nilai MSE untuk distribusi normal adalah senilai dengan parameter α= , β= Detailnya dapat dilihat pada tabel Frekuensi Relatif Tabel 4.13 Distribusi Weibull Dokter II Distribusi Probabilitas Error Error

14 40 Interval ke MSE NORMAL Tabel 4.14 Hasil MSE Dokter II MSE LOGNORMAL MSE GAMMA MSE WEIBULL JUMLAH Maka dapat diambil kesimpulan bahwa nilai MSE yang terkecil dari distribusi diatas adalah distribusi weibull dengan MSE dengan parameter α= , β= Maka langkah selanjutnya adalah membangkitan bilangan random dengan menggunakan distribusi Weibull. Dalam membangkitkan bialngan random, masih menggunakan software Matlab sehingga hasil dapat langsung diketahui. Nilai yang digunakan dalam membangkitkan bilangan random adalah menggunakan parameter distribusi weibull yaitu α= , β= Contoh proses membangkitkan bilangan acak dengan distribusi weibull pada perangkat lunak Matlab adalah sebagai berikut : >> n1 = wblrnd( , , [1 70]) n1 = Columns 1 through

15 41 Columns 13 through Columns 25 through Columns 37 through Columns 49 through Columns 61 through Bilangan Acak di atas merupakan simulsi waktu pelayanan Dokter II yang dibangkitkan untuk 70 pasien. 4.3 Hasil Pengujian Menggunakan Metode Sturgess Pada Waktu Antar Kedatangan. Langkah pertama yang dilakukan adalah melakukan perhitungan interval kelas dengan menggunakan metode strugess. Langkah ini dilakukan agar data yang disajikan akan tersusun dengan baik. Rumus yang digunakan untuk metode sturgess daoat dilihat pada Bab 2.5. untuk perhitungannya dapat dilihat dibawah ini:

16 42 Jangakauan range = Nilai maksimal Nilai minimal = 10 1 = 9 Jumlah kelas = Log(n) = Log(10) = Interval kelas = Jangkauan range/jumlah kelas = 9/ = Hasil Pengujian Menggunakan Distribusi Frekuensi Relatif Pada Waktu Antar Kedatangan. Langkah selanjutnya adalah melihat proporsi data yang ada pada suatu interval kelas. Tujuan dari pengujian ini adalah untuk mencari nilai tengah dan fruekensi relative. Nilai tengah akan digunakan untuk plot histogram atau grafik dan perhitungan nilai distribusi probabilitas dapat dilihat pada Tabel Tabel 4.15 Data Waktu antar kedatangan interval ke Interval Kelas Jumlah Paket Total Paket 158

17 43 Tabel 4.16 Hasil nilai tengah dan frekuensi relatif waktu antar kedatangan. interval ke Interval Kelas Jumlah Paket Nilai Tengah Jumlah Paket total paket Langkah selanjutnya adalah melakukan fitting dengan bantuan Software Matlab. Data perhitungan menggunakan metode Sturgess tersebut di import kedalam Matlab sehingga data tersebut nantinya dapat digunakan dalam proses fitting. Dari data tersebut dapat diperoleh estimasi parameter sebagai berikut: a. Distribusi normal σ = , µ= b. Distribusi lognormal σ = , µ= c. Distribusi gamma α= , β= d. Distribusi weibull α= , β=

18 44 Gambar 4.3 Hasil Fitting waktu antar kedatangan menggunakan Matlab Setelah melakukan proses fitting, maka langkah selanjutnya adalah mencari Mean Square Error (MSE). Setiap distribusi melakukan perhitungan sesuai dengan rumus MSE yang terdapat pada Bab 3.7. a. Distribusi Normal Dari proses fitting menggunakan Matlab, maka didapatkan nilai MSE untuk distribusi normal adalah senilai dengan parameter σ = , µ= Detailnya dapat dilihat pada tabel 4.17.

19 45 Tabel 4.17 Distribusi Normal Waktu Antar Kedatangan bin Frekuensi Relatif Distribusi Probabilitas Error Error b. Distribusi Lognormal Dari proses fitting menggunakan Matlab, maka didapatkan nilai MSE untuk distribusi normal adalah senilai dengan parameter σ = , µ= Detailnya dapat dilihat pada tabel bin Tabel 4.18 Distribusi Lognormal Waktu Antar Kedatangan Frekuensi Relatif Distribusi Probabilitas Error Error

20 46 c. Distribusi Gamma Dari proses fitting menggunakan Matlab, maka didapatkan nilai MSE untuk distribusi normal adalah senilai dengan parameter α= , β= Detailnya dapat dilihat pada tabel Tabel 4.19 Distribusi Gamma Waktu Antar Kedatangan bin Frekuensi Relatif Distribusi Probabilitas Error Error d. Distribusi Weibull Dari proses fitting menggunakan Matlab, maka didapatkan nilai MSE untuk distribusi normal adalah senilai dengan parameter α= , β= Detailnya dapat dilihat pada tabel Tabel 4.20 Distribusi Weibull Waktu Antar Kedatangan bin Frekuensi Relatif Distribusi Probabilitas Error Error

21 47 bin Frekuensi Relatif Distribusi Probabilitas Error Error Tabel 4.21 Hasil MSE waktu antar kedatangan Interval ke MSE NORMAL MSE LOGNORMAL MSE GAMMA MSE WEIBULL JUMLAH Maka dapat diambil kesimpulan bahwa nilai MSE yang terkecil dari distribusi diatas adalah distribusi normal dengan MSE dengan parameter σ = , µ= Maka langkah selanjutnya adalah membangkitan bilangan random dengan menggunakan distribusi normal. Dalam membangkitkan bialngan random, masih menggunakan software Matlab sehingga hasil dapat langsung diketahui. Nilai yang digunakan dalam membangkitkan bilangan random adalah menggunakan parameter distribusi normal yaitu Distribusi normal σ = , µ=

22 Hasil Pengujian Menggunakan Metode Sturgess PadaWaktu Tunggu Pelayanan. Langkah pertama yang dilakukan adalah melakukan perhitungan interval kelas dengan menggunakan metode strugess. Langkah ini dilakukan agar data yang disajikan akan tersusun dengan baik. Rumus yang digunakan untuk metode sturgess daoat dilihat pada Bab 2.5. untuk perhitungannya dapat dilihat dibawah ini: Jangakauan range = Nilai maksimal Nilai minimal = 19 6 = 13 Jumlah kelas = Log(n) = Log(19) = Interval kelas = Jangkauan range/jumlah kelas = 13/ = Hasil Pengujian Menggunakan Distribusi Frekuensi Relatif Pada Waktu Tunggu Pelayanan. Langkah selanjutnya adalah melihat proporsi data yang ada pada suatu interval kelas. Tujuan dari pengujian ini adalah untuk mencari nilai tengah dan fruekensi relative. Nilai tengah akan digunakan untuk plot histogram atau grafik dan perhitungan nilai distribusi probabilitas. Rumus yang digunakan: frekuensi/total data. Tabel 4.22 Data waktu tunggu pelayanan interval ke Interval Kelas Jumlah Paket

23 49 interval ke Interval Kelas Jumlah Paket TOTAL 70 Tabel 4.23 Hasil nilai tengah dan frekuensi relatif waktu antar pelayanan. interval ke Interval Kelas Jumlah Paket Nilai Tengah Jumlah Paket TOTAL 70 1 Langkah selanjutnya adalah melakukan fitting dengan bantuan Software Matlab. Data perhitungan menggunakan metode Sturgess tersebut di import kedalam Matlab sehingga data tersebut nantinya dapat digunakan dalam proses fitting.

24 50 Dari data tersebut dapat diperoleh estimasi parameter sebagai berikut: a. Distribusi normal σ = , µ= b. Distribusi lognormal σ = , µ= c. Distribusi gamma α= , β= d. Distribusi weibull α= , β= Gambar 4.4 Hasil fitting waktu antar pelayanan menggunakan Matlab a. Distribusi Normal Dari proses fitting menggunakan Matlab, maka didapatkan nilai MSE untuk distribusi normal adalah senilai dengan param eter σ = , µ= Detailnya dapat dilihat pada tabel 4.24.

25 51 Tabel 4.24 Distribusi Normal waktu tunggu pelayanan bin Frekuensi Relatif Distribusi Probabilitas Error Error b. Distribusi Lognormal Dari proses fitting menggunakan Matlab, maka didapatkan nilai MSE untuk distribusi normal adalah senilai dengan parameter σ = , µ= Detailnya dapat dilihat pada tabel Tabel 4.25 Distribusi Lognormal waktu tunggu pelayanan bin Frekuensi Relatif Distribusi Probabilitas Error Error

26 52 c. Distribusi Gamma Dari proses fitting menggunakan Matlab, maka didapatkan nilai MSE untuk distribusi normal adalah senilai dengan parameter α= , β= Detailnya dapat dilihat pada tabel Tabel 4.26 Distribusi Gamma waktu tunggu pelayanan bin Frekuensi Relatif Distribusi Probabilitas Error Error d. Distribusi Weibull Dari proses fitting menggunakan Matlab, maka didapatkan nilai MSE untuk distribusi normal adalah senilai dengan parameter α= , β= Detailnya dapat dilihat pada tabel Tabel 4.27 Distribusi Weibull waktu tunggu pelayanan bin Frekuensi Relatif Distribusi Probabilitas Error Error

27 53 bin Frekuensi Relatif Distribusi Probabilitas Error Error Tabel 4.28 Hasil MSE waktu tunggu pelayanan Interval ke MSE NORMAL MSE LOGNORMA L MSE GAMMA MSE WEIBULL

28 54 Interval ke JUMLA H MSE NORMAL MSE LOGNORMA L MSE GAMMA MSE WEIBULL Maka dapat diambil kesimpulan bahwa nilai MSE yang terkecil dari distribusi diatas adalah distribusi normal dengan MSE dengan parameter σ = , µ= Maka langkah selanjutnya adalah membangkitan bilangan random dengan menggunakan distribusi Weibull. Dalam membangkitkan bialngan random, masih menggunakan software Matlab sehingga hasil dapat langsung diketahui. Nilai yang digunakan dalam membangkitkan bilangan random adalah menggunakan parameter distribusi weibull yaitu σ = , µ= Contoh proses membangkitkan bilangan acak dengan distribusi weibull pada perangkat lunak Matlab adalah sebagai berikut: >> n1 = normrnd( , ,1,70) n1 = Columns 1 through Columns 13 through Columns 25 through

29 55 Columns 37 through Columns 49 though Columns 61 through Simulasi Bagian akhir dari penyelesaian masalah di atas adalah melakukan proses simulasi. Proses simulasi ini akan menggunakan software Arena. Proses simulasi akan dilakukan selama 6 jam sesuai dengan waktu pelayanan yang terjadi pada Puskesmas Dr. Soetomo Surabaya dan akan dilakukan selama 30 hari. Langkah pertama adalah membuat sebuah alur antrian yang terjadi di Puskesmas dengan memasukkan inputan berupa hasil MSE dari setiap parameter. Untuk inputan yang pertama adalah menggunakan hasil akhir MSE distribusi normal sebagai waktu antar kedatangan. Langkah selanjutnya adalah memasukan parameter waktu pelayanan oleh dokter satu dan dua yaitu dengan menggunakan nilai MSE distribusi weibull. Maka keluaran simulasi ini berupa utilisasi pelayanan pasien, kinerja dokter selama satu hari dan waktu tunggu antar pasien, sehingga nanti akan digunakan sebagai informasi tambahan kepada kepala Puskesmas Penentuan Parameter Pasien Dalam proses simulasi yang pertama kali dilakukan adalah mengatur jumlah inputan, sesuai dengan studi lapangan yang telah dijelaskan pada bab III maka di

30 56 dalam permasalahan puskesmas tersebut menggunakan jumlah pasien sebanyak 70 orang, dengan jarak kedatangan sebanyak 1 pasien. Distribusi yang digunakan dalam waktu kedatangan adalah Distribusi normal dengan parameter yaitu normal σ = , µ= Gambar 4.5 Inputan waktu kedatangan pasien Proses Simulasi Pelayanan Dokter I Langkah pertama adalah memasukkan inputan awal berupa nilai akhir MSE pada waktu kedatangan, nilai MSE menggunakan distribusi normal dengan σ = , µ= , lalu untuk bagian proses adalah menggunakan distribusi weibull dengan α= , β= Untuk lamanya proses simulasi, akan dilakukan selama 6 jam/hari dalam 30 hari, sehingga nanti akan muncul laporan hasil akhir simulasi Gambar 4.6 Proses Simulasi Dokter 1.

31 57 Gambar 4.7 Pengaturan proses Simulasi Dokter Proses Simulasi Pelayanan Dokter II Langkah pertama adalah memasukkan inputan awal berupa nilai akhir MSE pada waktu kedatangan, nilai MSE menggunakan distribusi normal dengan σ = , µ= , dan untuk bagian proses adalah menggunakan distribusi weibull dengan α= , β= Untuk lamanya proses simulasi, akan dilakukan selama 6 jam/hari dalam 30 hari, sehingga nanti akan muncul laporan hasil akhir simulasi Gambar 4.8 Proses Simulasi Dokter 2

32 58 Gambar 4.9 Pengaturan proses simulasi dokter Hasil Akhir Proses Simulasi Dalam proses simulasi, akan dilakukan oleh dua dokter dan tiga dokter dalam kurun waktu 5 jam, 6 jam, 7 jam dan 8 jam selama 30 hari. Keluaran yang dihasilkan berupa utilisasi pelayanan dokter sehingga dapat memberikan informasi berupa kinerja dokter di poli umum selama 30 hari. 1. Simulasi 5 jam dengan 2 dokter. Selama 5 jam dengan memakai 2 dokter, maka pasien yang dapat diperiksa sejumlah 62 orang dengan prosentasi utilisasi mencapai 0.99.

33 59 Gambar 4.10 Hasil simulasi 2 dokter selama 5 jam 2. Simulasi 6 jam dengan 2 dokter Selama 6 jam dengan memakai 2 dokter, maka pasien yang dapat diperiksa sejumlah 70 orang dengan prosentasi utilisasi mencapai Gambar 4.11 Hasil simulasi 2 dokter selama 6 jam

34 60 3. Selama 7 jam dengan memakai 2 dokter, maka pasien yang dapat diperiksa sejumlah 70 orang dengan prosentasi utilisasi mencapai Gambar 4.11 Hasil simulasi 2 dokter selama 7 jam 4. Selama 8 jam dengan memakai 2 dokter, maka pasien yang dapat diperiksa sejumlah 70 orang dengan prosentasi utilisasi mencapai Gambar 4.13 Hasil simulasi 2 dokter selama 8 jam

35 61 5. Selama 5 jam dengan memakai 3 dokter, maka pasien yang dapat diperiksa sejumlah 70 orang dengan prosentasi utilisasi mencapai 0.86 Gambar 4.14 Hasil simulasi 3 dokter selama 5 jam 6. Selama 6 jam dengan memakai 3 dokter, maka pasien yang dapat diperiksa sejumlah 70 orang dengan prosentasi utilisasi mencapai 0.70 Gambar 4.14 Hasil simulasi 3 dokter selama 6 jam

36 62 7. Selama 7 jam dengan memakai 3 dokter, maka pasien yang dapat diperiksa sejumlah 70 orang dengan prosentasi utilisasi mencapai Gambar 4.15 Hasil simulasi 3 dokter selama 7 jam 8. Selama 8 jam dengan memakai 3 dokter, maka pasien yang dapat diperiksa sejumlah 70 orang dengan prosentasi utilisasi mencapai 0.55 Gambar 4.16 Hasil simulasi 3 dokter selama 8 jam

37 63 Dari hasil grafik diatas, Jumlah pasien yang terlayani dalam sehari dapat dilihat pada tabel 4.29 dibawah ini : Tabel 4.29 Jumlah pasien yang dilayani Waktu Pelayanan Jumlah Dokter 2 Dokter 3 Dokter 5 jam 62 pasien 70 pasien 6 Jam 70 pasien 70 pasien 7 Jam 70 pasien 70 pasien 8 Jam 70 pasien 70 pasien Untuk waktu tunggu yang terjadi disetiap antrian, didapatkan hasil waktu tunggu antar pasien seperti pada tabel 4.30 dibawah ini : Tabel 4.30 Hasil waktu tunggu antar pasien Waktu Jumlah dokter Pelayanan 2 dokter 3 dokter 5 jam 5 menit - 18 menit 4 menit - 14 menit 6 jam 4 menit -15 menit 3 menit - 13 menit 7 jam 3 menit - 13 menit 3 menit - 10 menit 8 jam 3 menit - 11 menit 2 menit - 9 menit Dan untuk hasil utilisasi diatas dapat dikelompokkan seperti pada tabel 4.31 dibawah ini:

38 64 Tabel 4.31 Hasil Utilisasi pelayanan pasien Waktu Pelayanan Jumlah Dokter 2 Dokter 3 Dokter 5 jam Jam Jam Jam Sehingga dapat diambil kesimpulan bahwa dengan pelayanan menggunakan dua dokter lebih efektif daripada tiga dokter namun dengan catatan bahwa jam operasional harus ditambahkan. Yang paling cocok untuk diterapkan dalam pelayanan pasien di Puskesmas Dr. Soetomo Surabaya adalah menggunakan tenaga 2 dokter selama 7 jam. Dari hasil simulasi diatas menunjukkan bahwa kinerja 2 dokter dengan waktu layanan selama 7 jam didapatkan utilisasi sebesar 0.79 atau 79%. Hal ini berarti sebanyak 79% waktu layanan per hari digunakan untuk melayani pasien. Waktu layanan 7 jam tersebut digunakan untuk melayani pasien hingga 70 pasien per hari, lihat tabel Dengan menentukan waktu layanan selama 7 jam tersebut keuntungan lain yang didapatkan adalah waktu antrian di ruang tunggu tidak terlalu panjang yaitu antara 3-13 menit, lihat tabel 4.30 sehingga secara keseluruhan proses pelayanan Puskesmas Dr. Soetomo Surabaya dapat berlangsung dengan baik.