Rumah Sakit merupakan salah satu faktor yang penting dalam kehidupan masyarakat. Terutama untuk mendapatkan layanan kesehatan ketika sakit atau ketika membutuhkan pelayanan kesehatan. Rumah Sakit adalah sarana upaya kesehatan yang menyelenggarakan kegiatan pelayanan kesehatan serta dapat dimanfaatkan untuk pendidikan kesehatan dan penelitian (Permenkes RI, 1988).
Rumah Sakit sebagai institusi dalam pelayanan kesehatan harus memberikan pelayanan yang maksimal kepada pasien. Hal itu dapat terwujud apabila rumah sakit tersebut memiliki manajemen yang baik. Salah satu faktor yang mendukung baik tidaknya manajemen rumah sakit adalah dengan adanya perencanaan. Perencanaan merupakan salah satu fungsi manajemen yang terpenting. Berbagai fungsi manajemen lainnya baru berfungsi apabila fungsi perencanaan telah selesai dilaksanakan dan fungsi manajemen lainnya akan berjalan sempurna apabila selalu berpedoman pada perencanaan yang telah disusun sebelumnya. Karena perencanaan itu sebenarnya adalah kegiatan yang dikerjakan untuk setiap kebutuhan atau aktifitas pada masa-masa mendatang maka suatu prinsip yang tidak boleh dilupakan adalah keharusan bisa meramalkan mengenai apa sekiranya yang akan terjadi pada masa yang akan datang. Peramalan merupakan alat bantu yang terpenting dalam perencanaan efektif dan efisien.
Peramalan diperlukan untuk menentukan kapan suatu peristiwa akan terjadi atau timbul, sehingga tindakan yang tepat dapat dilakukan. Sering terdapat senjang waktu (lead time) antara kejadian sekarang dengan masa akan datang, jika waktu tenggang ini nol atau sangat kecil maka perencanaan tidak diperlukan tapi kalau waktu tenggang ini panjang dan hasil peristiwa akhir bergantung pada faktor-faktor yang dapat diketahui, maka perencanaan memegang peranan penting. Kemajuan ilmu pengetahuan telah meningkatkan pengertian mengenai berbagai aspek lingkungan dan akibatnya banyak peristiwa yang dapat diramalkan (Makridakis, dkk, 1999).
Peramalan cukup penting dalam perencanaan, untuk mengetahui terlebih dahulu kejadian yang akan datang. Sering terjadi lead time antara kejadian sekarang dengan masa yang akan datang. Lead time adalah selang waktu antara kejadian sekarang dengan di masa yang akan datang. Adanya lead time ini merupakan suatu alasan untuk perencanaan dan peramalan. Bila lead time ini besarnya nol atau sangat kecil, maka lead time tidak dibutuhkan untuk perencanaan. Tetapi bila lead time tersebut panjang dan hasil yang diperlukan memerlukan faktor-faktor yang menyatakan bahwa perencanaan dapat dibentuk memiliki peranan penting. Pada kasus dan situasi tersebut, peramalan terjadi atau dibutuhkan sehingga tindakan yang tepat dapat dilakukan. Sedangkan peramalan tersebut merupakan sebuah alat bantu yang penting pada perencanaan efektif dan efisien (Manurung, 1990).
Untuk melakukan suatu peramalan, diperlukan data yang dapat dipergunakan sebagai acuan dalam melakukan peramalan. Data yang dimaksud disini adalah data berkala (time series). Data berkala adalah data yang dikumpulkan dari waktu ke waktu untuk menggambarkan sesuatu kegiatan (perkembangan produksi, harga, hasil penjualan, jumlah personil, penduduk, jumlah kecelakaan, jumlah kejahatan, jumlah akseptor KB, dan lain sebagainya) (Supranto, 1993).
Seiring bertambahnya jumlah populasi manusia dan keadaan perekonomian yang semakin maju, maka kesadaran masyarakat terhadap kesehatan semakin meningkat. Hal ini dapat meningkatkan jumlah pengunjung suatu rumah sakit. Meningkatnya kunjungan pasien harus diiringi dengan kesiapan pihak rumah sakit dalam pemenuhan fasilitas dan alat penunjang pelayanan. Oleh karena itu, dalam melakukan kegiatan perencanaan yang matang salah satunya dengan melakukan kegiatan peramalan agar pelayanan tetap berjalan dengan baik.
Model Autoregressive/Integrated/Moving Average (ARIMA) merupakan metode yang secara intensif dikembangkan oleh George Box dan Gwilyn Jenkins sehingga nama mereka sering disinonimkan dengan proses ARIMA yang diterapkan untuk analisis dan peramalan data deret berkala (time series). ARIMA sebenarnya adalah teknik untuk mencari pola yang paling cocok dari sekelompok data (curve-fitting). Dengan demikian metode ARIMA memanfaatkan sepenuhnya data masa lalu dan data sekarang untuk menghasilkan peramalan jangka pendek yang akurat. Model ARIMA berbeda dari metode peramalan lain karena model ini
tidak mensyaratkan suatu pola data tertentu supaya model dapat berkerja dengan baik. Dengan kata lain model ARIMA dapat dipakai untuk semua tipe pola data. Model ARIMA akan bekerja dengan baik apabila data runtut waktu yang digunakan bersifat dependen atau berhubungan satu sama lain secara statistik. (Sugiharto dan Harijono, 2000).
Model Autoregressive/Integrated/Moving Average (ARIMA) sebagai teknik peramalan berbeda dengan kebanyakan model peramalan yang ada. Di dalam model ini tidak ada asumsi khusus tentang data historis dari time series (runtut waktu), tetapi menggunakan metode iteratif untuk menentukan model yang terbaik. Model yang terpilih kemudian akan dicek ulang dengan data historis apakah telah menggambarkan data dengan tepat. Model terbaik akan diperoleh jika residual antara model peramalan dan data historis kecil, didistribusikan secara random dan independen.
Penelitian yang telah dilakukan untuk mengetahui karakteristik data harga saham harian PT. Telkom dengan menggunakan model ARIMA dan melakukan prediksi harga saham bulan Mei s/d Juni 2011. Data yang digunakan adalah data sekunder dari perusahaan PT. Telkom sejak Januari 2010 s/d Maret 2011 untuk memprediksi harga saham bulan Mei s/d Juni 2011. Hasil penelitian yang telah dilakukan bahwa model untuk harga saham maksimum adalah ARIMA (3,1,3) dengan persamaan Yt = 0,9648Yt-1 + 0,0133Yt-2 + 0,4662Yt-3 – 0,4443Yt-4 –
0,006 + 0,1294ɛt-1 – 0,0441ɛt-2 – 0,5751ɛt-3. Sedangkan model harga saham minimum adalah ARIMA (3,1,1) dengan persamaan Yt = 1,7504Yt-1 + 0,7347Yt-2 + 0,092Yt-3 – 0,1077Yt-4 – 0,051 + 0,7275ɛt-1. Jadi prediksi harga saham
maksimum dan minimum PT Telkom pada bulan Mei s/d Juni saham berkisar antara Rp. 7.099 s/d Rp. 7.282 (Hatidja, 2011).
Peramalan saham Jakarta Islamic Index menggunakan Model ARIMA
(Box-Jenkins) tujuan dari penelitian ini adalah untuk mengetahui laju
perkembangan Jakarta Islamic Index bulan Mei s/d Juli 2010 dan prediksi Jakarta Islamic Index di bursa efek Indonesia bulan Agustus tahun 2010. Metode yang digunakan adalah peramalan time series dengan model Box-Jenkins dan didalam penelitian ini tidak ada asumsi khusus tentang data historis runtun waktu, tetapi menggunakan metode iteratif untuk menentukan model yang terbaik. Model ARIMA terbaik yang diperoleh adalah ARIMA (1,0,0) dimana Jakarta Islamic Index hari ini dipengaruhi oleh Jakarta Islamic Index satu hari perdangan yang lalu. Prediksi nilai Jakarta Islamic Index di bursa efek Indonesia selama 10 periode ke depan di bulan Agustus mengalami penurunan disebabkan kondisi bursa efek Indonesia yang belum efisien karena komposisi kepemilikan saham yang masih didominasi oleh investor asing (Anityaloka, 2013).
Penelitian yang telah dilakukan untuk mengetahui proyeksi jumlah penduduk dengan menggunakan Model ARIMA di Kabupaten Nias Utara tahun 2014. Metode yang digunakan adalah teknik peramalan time series dengan model ARIMA yaitu penelitian terhadap variabel dependen dengan menggunakan nilai-nilai masa lampau. Metode pengumpulan data menggunakan data sekunder yaitu jumlah penduduk di Kabupaten Nias Utara dari Januari 2010 sampai dengan Desember 2014. Hasil penelitian menunjukkan model ARIMA yang digunakan adalah ARIMA (1,1,1) yang mempunyai bentuk umum
�� = + � ��− − � ��− + �′ + �− � �− dengan parameter AR 1 (ϕ1) =
0,7537 dan MA 1 (θ1) = 0,1311. Sehingga dapat diketahui peramalan jumlah penduduk untuk 2 tahun ke depan yaitu pada forecast periode 67 pada tahun 2015 jumlah penduduk di kabupaten Nias Utara 177.501 jiwa dan jumlah penduduk pada tahun 2016 pada forecast periode 79 sebanyak 186.493 jiwa (Zega, 2015).
Setiap pasien yang berobat ke rumah sakit akan mendapatkan dokumen rekam medis untuk mendokumentasikan riwayat penyakitnya. Pewarnaan dokumen rekam medis dapat diterapkan untuk mempermudah identifikasi. BLUD RSU Kota Banjar Provinsi Jawa Barat menerapkan empat varian warna yang berdasarkan jenis penyakit. Penyediaan dokumen kadangkala tidak sesuai dengan jumlah kunjungannya sehingga sering dilakukan pergantian warna dokumen dengan warna yang lain. Tujuan dari penelitian ini adalah mengetahui hasil prediksi kunjungan pasien baru perbangsal rawat inap tahun 2015 dengan metode
Autoregressive Integrated Moving Average (ARIMA). Penelitian ini bersifat
deskriptif kuantitatif, dilakukan terhadap satu variabel yakni prediksi kunjungan pasien baru perbangsal rawat inap tahun 2015 di 14 bangsal. Sampel berjumlah lima tahun data kunjungan pasien baru berdasarkan total sampling. Pengumpulan data berupa observasi dokumentasi, dan analisis data secara komputerisasi dengan bantuan aplikasi MINITAB. Hasil prediksi kunjungan berdasarkan metode ARIMA menunjukkan terdapat kenaikan, penurunan, dan fluktuatif di beberapa bangsal. Hasil prediksi dari jumlah kunjungan pasien baru dari bulan januari 2009 sampai dengan Maret 2014 didapatkan hasil kunjungan adalah 23395 pasien baru. Jumlah tersebut cenderung turun dari tahun 2013 dan naik dari hasil prediksi
tahun 2014. Berkaitan dengan perencanaan penyediaan dokumen rekam medis, maka jumlah penyediaan sama dengan jumlah kunjungan pasien baru yaitu sebesar 23415 buah. Simpulan dari penelitian ini adalah plot data historis kunjungan pada semua bangsal menunjukkan keadaan fluktuatif, sehingga metode ARIMA cocok digunakan dengan hasil Prediksi menurun dari tahun 2013 dan naik dari tahun 2014 (Iqbal, 2015).
Hasil dari suatu peramalan akurat dapat diharapkan mampu memberikan gambaran tentang masa depan suatu program. Atas dasar gambaran yang diperoleh suatu program akan semakin dimaksimalkan untuk kepentingan kinerjanya melalui perencanaan yang baik dalam kaitannya dengan persiapan kebutuhan yang penting seperti pengadaan sarana dan prasarana di masa yang akan datang.
Rumah Sakit Santa Elisabeth Medan sebagai salah satu rumah sakit yang memberikan pelayanan kesehatan membutuhkan penyusunan suatu program oleh karena banyaknya jumlah kunjungan pasien di rumah sakit tersebut. Pada tahun 2011 total jumlah pasien rawat jalan di Rumah Sakit Santa Elisabeth Medan sebanyak 76.759 pasien, tahun 2012 sebanyak 78.796 pasien, tahun 2013 sebanyak 80.486 pasien, tahun 2014 sebanyak 82.221 pasien, dan tahun 2015 sebanyak 69.555 pasien. Sebelum program disusun, terlebih dahulu perlu dibuat sebuah perencanaan, perencanaan dibuat setelah mengetahui proyeksi jumlah kunjungan pasien pada masa yang akan datang. Berdasarkan uraian diatas, maka perlu dilakukan penelitian mengenai analisa kecenderungan kunjungan pasien
rawat jalan tahun 2011-2015 untuk proyeksi kunjungan pasien tahun 2016-2017 di Rumah Sakit Santa Elisabeth Medan.