Peramalan Persediaan Darah pada Unit Transfusi Darah PMI Kota Yogyakarta

Peramalan Persediaan Darah pada Unit

Transfusi Darah PMI Kota Yogyakarta

1st _{Rineita Diah Iriani}

Mahasiswa Program Studi Magister Teknik Industri. Departemen Teknik Mesin dan Industri, Fakultas Teknik,

Universitas Gadjah mada

Yogyakarta, Indonesia rineitairiani07@gmail.com

2nd _{Muhammad Kusumawan H}

Program Studi Magister Teknik Industri. Departemen Teknik Mesin dan Industri, Fakultas Teknik,

Universitas Gadjah mada

Yogyakarta, Indonesia

Abstrak— Persediaan darah merupakan masalah yang terjadi dalam Unit Transfusi Darah. Darah merupakan produk yang komplek. Kebutuhan darah juga bersifat mendesak. Sifat darah sendiri adalah mempunyai batas masa penyimpanan dan mudah rusak. Untuk memperoleh darah juga tidak selalu mudah, karena tidak semua jenis darah manusia sama. Apabila tidak ada pasokan darah pada saat darah dibutuhkan, maka akan terjadi hal yang fatal seperti kematian. UTD PMI Kota Yogyakarta merupakan salah satu unit di PMI Kota Yogyakarta yang melakukan kegiatan persediaan darah. Data yang diteliti adalah jumlah permintaan darah dari tahun 2011 hingga 2017. Dari analisis terhadap data tersebut diperoleh metode peramalan yang paling baik untuk digunakan untuk tiap komponen darah adalah whole blood mempunyai nilai MAPE terkecil 21,7% dengan metode moving average per 5 bulan, packed red cell mempunyai nilai MAPE terkecil 12% dengan metode moving average per 12 bulan, trombosit mempunyai nilai MAPE terkecil 45% dengan metode moving average per 6 bulan, washed erythrocytes mempunyai nilai MAPE terkecil 37% dengan metode moving average per 12 bulan.

Keywords—persediaan darah, unit transfusi darah, peramalan, permintaan kebutuhan darah.

I. PENDAHULUAN

Persediaan darah menjadi salah satu masalah yang terjadi dalam Unit Transfusi Darah (UTD) Masalah terjadi karena faktor dari produk darah itu sendiri. Darah merupakan produk yang kompleks. Darah bersumber dari manusia dan juga dibutuhkan manusia. Darah merupakan komponen yang sangat penting bagi manusia karena darah merupakan alat transportasi di dalam tubuh manusia sebagai pembawa nutrisi dan oksigen ke seluruh tubuh. Jumlah darah dalam tubuh harus sesuai dengan kebutuhan. Apabila jumlah darah dalam tubuh tidak sesuai dengan kebutuhan, maka akan mempengaruhi proses aktivitas di dalam tubuh. Oleh karena itu, Unit Transfusi Darah harus selalu mempunyai persediaan darah karena permintaan jumlah kantung darah dan waktu yang tidak dapat dipastikan karena meyangkut dengan kehidupan manusia secara langsung.

Menurut Prastacos [1] (1984) dalam Ismoko, darah mempunyai masa penyimpanan terbatas, yaitu selama 21 hari sampai dengan 35 hari. Setelah melewati masa

penyimpanan, darah tidak dapat digunakan lagi karena dianggap rusak sehingga darah termasuk dalam produk perishable [2]. Faktor – faktor ini mempengaruhi pasokan persediaan darah karena pasokan darah harus selalu tersedia

Kebutuhan darah di setiap daerah di Indonesia berbeda – beda karena sesuai dengan jumlah penduduk. Berdasarkan Pusat Data dan Informasi Kementerian Kesehatan Republik Indonesia pada tahun 2017, pemenuhan akan jumlah minimal kebutuhan darah belum merata. Belum semua provinsi dapat memenuhi jumlah minimal kebutuhan darah. Jumlah minimal pasokan darah yang harus dimiliki oleh setiap negara adalah 2% dari jumlah penduduk sesuai dengan target dari Badan Kesehatan Dunia (WHO).

Setiap daerah harus mempunyai pasokan darah dikarenakan apabila suatu rumah sakit tidak dapat memenuhi kebutuhan permintaan darah maka akan menyebabkan kejadian yang sangat fatal bisa berujung dengan kematian. Salah satu contoh permasalahan adalah Angka Kematian Ibu melahirkan (AKI). Berdasarkan Pusat Data dan Informasi Kementerian Republik Indonesia (Pusdatin), salah satu kebutuhan darah adalah untuk proses melahirkan. Dikutip dari Pusdatin (2017) angka kematian ibu di Indonesia masih tinggi. Berdasarkan survei tahun 2015, angka kematian ibu Indonesia adalah sebesar 305 dari per 100.000 kelahiran. Kematian ibu didominasi oleh pendarahan. Banyaknya darah yang digunakan dalam proses melahirkan mengakibatkan perlu adanya pemenuhan kebutuhan darah dengan pasokan darah dari luar tubuh [3].

Permasalahan bukan hanya dalam memenuhi kebutuhan pasokan darah saja tetapi juga dalam proses penyimpanan pasokan darah juga. Salah satu contohnya adalah di PMI Kabupaten Garut yaitu terjadi kelebihan persediaan darah. Ratusan kantong darah terbuang. Hal ini membuat PMI Kabupaten Garut merugi puluhan juta. Kepala UTD PMI Kabupaten Garut mengatakan penyebabnya adalah RSUD Garut juga bekerja sama dengan PMI Bandung dalam pasokan darah RSUD Garut. Kerugian puluhan juta ini dialami oleh PMI Kabupaten Garut dikarenakan oleh biaya pembuangan, pengolahan, dan penyimpann persediaan darah. Permasalahan tersebut terjadi karena pasokan yang

tersedia lebih banyak dibandingkan dengan jumlah permintaan [4].

Berdasarkan Undang – Undang Nomor 36 Tahun 2009, pelayanan darah berupa penyelenggaraan dan pengolahan darah dan dilakukan oleh Unit Transfusi Darah. Dalam hal ini dilakukan oleh pemerintah, dan/atau organisasi kepalangmerahan. Pelayanan darah dilakukan dengan bersifat kemanusiaan dan darah diperoleh dengan cara sukarela. Meski demikian, dalam pelayanan transfusi darah harus dilakukan dengan menjaga keselamatan dan kesehatan penerima darah dan tenaga kesehatan dari masalah tranfusi darah. Pelayanan transfusi darah itu sendiri meliputi perencanaan, pengerahan, pendonor darah, penyediaan, pendistribusian darah, dan tindakan medis pemberian darah kepada pasien untuk tujuan penyembuhan penyakit dan pemulihan kesehatan [5].

Fig. 10. Input dan Output Instansi Pelayanan Darah [6] (Suwardie,2014)

Gambar 1 menunjukkan tentang proses input dan output darah. UTD PMI memperoleh darah langsung dari pendonor lalu dapat disalurkan ke BDRS (Bank Darah Rumah Sakit), UTD PMI lain, UTD Rumah Sakit, dan Rumah Sakit Non BDRS. UTD Rumah sakit dapat memperoleh darah dari pendonor langsung ataupun UTD PMI. UTD Rumah Sakit dapat menyalurkan kantong darah ke BDRS, Non BDRS, dan pasien. BDRS memperoleh kantong darah dari UTD PMI ataupun UTD Rumah Sakit dan disalurkan ke pasien.

Penelitian mengenai persediaan darah sudah banyak dilakukan. Metode yang dilakukan juga beraneka ragam Penelitian dengan menggunakan metode simulasi digunakan untuk mengukur peformansi UPTD

dalam mengelola jumlah darah yang kadaluwarsa dan untuk mengatur kebutuhan darah yang dibutuhkan dalam sebuah rumah sakit. Metode peramalan digunakan dalam beberapa penelitian untuk menentukan jumlah persediaan darah yang optimal. Metode peramalan juga pernah dilakukan dalam penelitian tentang persediaan darah. Nadandi [7](2010) melakukan penelitian persediaan dengan meramalkan permintaan untuk 3 bulan mendatang dengan beberapa metode peramalan Times Series yaitu Naive, Simple Average, Moving Average, Exponential Smoothing, Holt’s Double Exponential Smoothing, dan Box Jenkie (ARIMA). Produk yang diteliti adalah komponen dalam darah yaitu komponen darah lengkap, sel darah merah pekat, sel darah merah cuci, plasma cair, plasma segar beku, dan trombosit Sama halnya dengan Nadandi, Purnimasari [8] (2012) melakukan penelitian permintaan darah dengan metode peramalan Time Series. Yang berbeda adalah metode peramalan dan objek produk yang diramalkan. Purnimasari menggunakan metode peramalan Winter’s Method dengan objek golongan darah A, B, O, dan AB di sebuah PMI di Yogyakarta untuk meramalkan permintaan 12 bulan mendatang. Haryadi [9] (2016) juga melakukan penelitian persediaan darah dengan dengan menggunakan metode peramalan Time Series. Haryadi melakukan peramalan permintaan darah dengan memilih beberapa metode peramalan kemudian metode yang terbaik dipilih untuk meramalkan permintaan mendatang. Metode peramalan yang terpilih dapat dilihat dari nilai MAPE terkecil. Nilai MAPE atau Mean Absolute Percentage Error adalah nilai yang digunakan untuk mememilih metode peramalan yang akan digunakan untuk meramalkan permintaan periode mendatang karena mempunyai nilai kesalahan terkecil. Metode peramalan terpilih adalah metode peramalan kombinasi Ordinary Least Square. Kemudian setelah melakukan jumlah permintan, menentukan safety stock dan reorder point jumlah kantong darah. Safety stock untuk golongan darah A dan B masing – masing 4 kantong, golongan darah O adalah 5 kantong, dan golongan darah B 2 kantong. Untuk reorder point, 16 kantong untuk golongan darah A, 19 kantong untuk golongan darah B, 23 kantong untuk golongan darah O, dan 8 kantong untuk golongan darah AB.

II. METODE PENELITIAN

Untuk melakukan metode peramalan time series ada beberapa langkah yang dilakukan. Langkah pertama adalah uji normalitas data. Pada penelitian ini mengunakan Kolmogorov-Smirnov. Langkah yang kedua adalah menentukan pola data. Pola data ini diperlukan untuk menentukan metode peramalan apa yang akan digunakan. Menurut Hanken dan Wichern [10](2005), terdapat empat jenis pola data, yaitu:

a. Horizontal

Pola ini akan terjadi bila nilai berfluktuasi disekitar nilai rata –ratanya. Titik persebaran data dari waktu ke waktu hanya berkisar. Di

satu area yang sama atau range persebaran kecil. Biasanya data kontestan karena tidak mengalami perubahan dalam jangka yang besar. b. Musiman atau Seasonal (S)

Pola data musiman ditandai dengan pola secara tahunan, bulanan, mingguan, atau harian. Pola ini akan terjadi ketika data membentuk suatu pola dimana suatu periode akan mencapai angka yang sangat tinggi. Kemudian akan turun perlahan dan berulang – ulang.

c. Siklis (C)

Pola data siklis merupakan fluktuasi dari data untuk waktu yang lebih dari satu tahun. d. Trend (T)

Pola trend merupakan kecenderungan arah data dalam waktu jangka panjang dapat berupa kenaikan maupun penurunan.

Untuk mengetahui pola yang terbentuk pada data time series dapat digunakan analisis autokorelasi, yaitu analisis korelasi antar sebuah variabel dengan variabel itu sendiri dengan lag periode atau lebih dengan tujuan untuk mengidentifikasi pola data time series.

Fig. 11. Alur Penelitian Dengan Metode Peramalan

III. HASIL DAN PEMBAHASAN

Penelitian dilakukan dengan meramalkan permintaan kantong di UTD PMI Kota Yogyakarta untuk 3 bulan mendatang. Data yang dikumpulkan adalah permintaan jumlah kantong darah dari tahun 2011 hingga 2017. Komponen darah yang diteliti adalah whole blood, packed red cell, trombosit, dan washed erythrocytes.

1. Uji Normalitas Data.

Diawali dengan menguji uji normalitas data. Uji normalitas untuk data pada penelitian ini adalah dengan uji normalitas Kolmogorv Smirnov. Data permintaan dari keempat komponen masing – masing diuji normalitas. Nilai p value > 0,05 adalah acuan apakah data sudah normal atau belum. Apabila data yang ada memiliki nilai p-value > 0,05 maka data berdistribusi normal. Begitu juga sebaliknya, apabila data yang diolah memiliki nilai p-value < 0,05, maka data berdistribusi tidak normal. Pada uji normalitas untuk menentukan p-value dengan bantuan tool minitab.

TABEL I HASIL UJI NORMALITAS

p- value

Komponen Darah

WB PRC Washed

Red Cell Trombosit

0,107 0,844 0,150 0.200

2. Analisis Pola Data

Tahap selanjutnya adalah menetukan pola data yang ada dengan autokorelasi. Autokorelasi adalah korelasi diantara sebuah lag variabel dengan priode dari lag itu sendiri. Autokorelasi diperlukan untuk menentukan pola data yang terbentuk. Pola data ini digunakan untuk menentukan metode time series mana yang akan digunakan. Pola data dalam time series ada 4 yaitu pola tren, musiman, stasioner, dan siklus. Menentukan pola data dengan autokorelasi dengan melihat nilai rk atau nilai ACF (autocorrelation coefficient) dengan bantuan tools minitab 15. Apabila nila rk secara bertahap sampai dengan lag tertentu menjauhi atau mendekati nilai 0, maka pola data adalah random. Setelah memperoleh nilai rk, langkah selanjutnya adalah menghitung nilai SE (standard error) dari nilai rk. Nilai SE dihitung untuk memproleh nilai limit rk Apabila nila rk secara bertahap sampai dengan lag tertentu menjauhi atau mendekati nilai 0, maka pola data adalah random. Setelah nilai SE diperoleh, kemudian mencari nilai limit dari setiap lag. Apabila nilai SE lebih besar dibandingkan dengan nilai limit, maka keputusannya adalah reject H0. Apabila nilai SE Mulai Selesai Memilih Metode Peramalan yang paling tepat dengan Menghitung Nila MAPE Melakukan Peramalan Metode Peramala Analisis Pola Data Uji Normalitad Data dengan Kolmogorov Smirnov Mengumpulkan Data Historis

Ŷ = lebih kecil dibandingkan dengan nilai limit, maka

keputusannya adalah fail to reject. Menentukan pola datanya adalah apabila nilai rk meningkat atau menurun pada lag tertentu dan mendekati nilai 0 secara bertahap, maka pola data adalah tren. Nilai rk menurun secara tiba – tiba mendekati nilai 0, maka pola data adalah stasioner.

Untuk mengetahui pola yang terbentuk pada data time series dapat digunakan analisis autokorelasi, yaitu analisis korelasi antar sebuah variabel dengan variabel itu sendiri dengan lag periode atau lebih dengan tujuan untuk mengidentifikasi pola data time series.

∑𝑁−𝑘(𝑌𝑡− 𝑌 )(𝑌𝑡−𝑘− 𝑌 𝑡)

moving average, dan exponential smoothing. Untuk metode moving average jumlah bulan yang digunakan adalah untuk rataan bulan 1 sampai dengan bulan 12.

a. Metode Naive

Metode Naive akan menggunakan nilai aktual periode sebelumnya sebagai perkiraan untuk periode saat ini, dan begitu seterusnya. Formulasi dari metode Naive adalah sebagai berikut:

Ŷ = 𝑌𝑡−1 (2)

dimana,

Ŷ = peramalan waktu ke-t

𝑟𝑘 = 𝑡=2 _∑𝑁 (𝑌𝑡− 𝑌 )2 (1) 𝑌𝑡−1 = Data aktual t-1

dimana,

𝑡−2

b. Simple Moving Average 𝑟𝑘 = koefisien autokerlasi

𝑌𝑡 = data pada saat

𝑌 𝑡 = rata – rata data sejumlah N

Merupakan metode peramalan rata – rata dari data historis pada periode tertentu. Formulasi umum dari metode ini adalah: 𝑌𝑡−𝑘 = nilai data pada saat periode ke-(t-

k)

k = time lag

𝑌_𝑡+𝑌_𝑡−1+⋯+𝑌_{𝑡−𝑘+1}

𝑡+1 (3)

TABEL II. PENENTUAN POLA DATA Komponen Darah Whole Blood Packed Red Cell Washed

Red Cell Trombosit

Pola Data Tren Tren Stasioner Tren

Pada komponen darah whole blood, packed red cell, dan trombosit, mempunyai nilai rk semakin menurun mendekati 0. Maka pola data permintaan dari whole blood, packed red cell, dan

dimana,

Ŷ𝑡+1 = peramalan waktu ke t+1

𝑌𝑡 = aktual data t-1

𝑘 = waktu peramalan moving average c. Metode Holt’s Exponential Smoothing

Metode ini mengakomodasi fleksibiltas pada rate yang dipilih, dimana terdapat level dan trend. Formulasi metode Holt’s yaitu:

 Current level estimate atau exponentially smoothed series

𝐿 = 𝛼𝑌 + (1 − 𝛼 )(𝐿 + 𝑇 ) (4)

trombosit adalah tren. Pada komponen darah 𝑡 𝑡 𝑡−1 𝑡−1

washed erythrocytes mempunyai 16 lag dengan nilai rk semakin menurun mendekati 0 secara tiba – tiba, maka pola data permintaa dari washed erythrocytes adalah stasioner. Pemilihan metode peramalan time series untuk setiap komponen darah yang sesuai berdasarkan dengan pola data yang telah ditentukan.

3. Melakukan Peramalan

Melakukan peramalan data dengan metode peramalan time series terpilih. Penentuan metode berdasarkan pola data yang terpilih. Untuk komponen darah whole blood, packed red cell, dan trombosit, memiliki pola data tren. Ketiga komponen menggunakan metode peramalan naive, moving average, holt’s exponential smoothing, trend linier. Untuk komponen darah washed erythrocytes memiliki pola data stasioner sehingga metode yang digunakan adalah naive,

 Estimasi trend

𝑇𝑡 = 𝛽(𝐿𝑡 − 𝐿𝑡−1) + (1 − 𝛽)𝑇𝑡−1) (5)

 Peramalan untuk periode p ke depan

Ŷ𝑡+𝑝 = 𝐿𝑡 + p𝑇𝑡 (6)

dimana,

𝐿𝑡 = smoothed forecast saat ini

𝛼 = smoothing factor pada level (0 < α < 1)

𝑌𝑡 = nilai aktual periode ke t

Ŷ𝑡+𝑝 = peramalan periode p ke depan

𝑇𝑡 = estimasi

𝛽 = smoothing factor pada trend (0 < α < 1)

p = periode p ke depaan 𝑘

d. Linier Tren Model

Menurut Heizer dan Render [11] (2014) metode linier trend model menyesuaikan garis kecenderungan dengan rangkaian poin data historis dan kemudian memproyeksikan kemiringan garis ke dalam peramalan masa mendatang atau dalam jangka menengah hingga jangka mendatang. Persamaan yang digunakan dalam peramalan ini mengikuti regresi untuk menemukan nilai a dan b sebagai berikut:

𝑦 = 𝑎 + 𝑏𝑥 (7)

𝑎 = perpotongan sumbu ŷ 𝑏 = kemiringan garis regresi 𝑥 = variabel independen (waktu) Untuk mencari nilai a dan b dapat digunakan persamaan berikut:

𝑏 = ∑ 𝑥𝑦−𝑛ẍŷ (8)

∑ 𝑥2_−𝑛ẍ2

𝑎 = ŷ − 𝑏ẍ (9)

TABEL 4. PERHITUNGAN NILAI MAPE

dimana,

ẍ = nilai rata – rata x ŷ = nilai rata – rata y

e. MAPE (Mean Absolute Percentage Error) MAPE dihitung sebagai rata diferensiasi absolut antara nilai yang diramalkan dan aktual. MAPE dinyatakan sebagai presentasi nilai aktual.

TABEL 4. PERHITUNGAN NILAI MAPE

𝑀𝐴𝑃𝐸 =

1

∑

𝑛 _{|𝑌𝑡−Ŷ𝑡|}

(10)

dimana,

𝑛 𝑡=1 𝑌𝑡

Mengukur kesalahan dengan menghitung MAPE tiap metode untuk memperoleh metode peramalan yang paling baik digunakan untuk setiap komponen

𝑌

𝑡 = nilai permintaan aktual

Ŷ

𝑡 = nilai hasil peramalan n = jumlah data

TABEL 4. PERHITUNGAN NILAI MAPE

darah dapat dilihat pada Tabel 4. Metode peramalan terpilih untuk keempat komponen darah adalah metode peramalan moving average. Nilai masing mempunyai nilai MAPE terkecil. Pemilihan metode terpilih untuk dengan perhitungan MAPE dapat dilihat pada Tabel 5.

No _Peramalan Metode Nilai MAPE Whole Blood PR C Tromb osit Washed Erythrocytes 1 Naive 73% 14 % 53% 84% 2 Moving Average (2) 27,60% 13 % 54% 74% 3 Moving Average (3) 27,20% 12 % 52% 76% No _Peramalan Metode Nilai MAPE Whole Blood PR C Tromb osit Washed Erythrocytes 4 Moving Average (4) 48,90% 12 % 52% 79% 5 Moving Average (5) 21,70% 12 % 55% 59% 6 Moving Average (6) 27,20% 11 % 57% 70% 7 Moving Average (7) 23,80% 11 % 52% 59% 8 Moving Average (8) 28,20% 11 % 50% 67% 9 Moving Average (9) 29,40% 11 % 49% 67% No Metode Peramalan Nilai MAPE Whole Blood P R C Trom bosit Washed Erythrocyte s 10 Moving Average (10) 29,70 % 10 % 49% 66% 11 Moving Average (11) 30,10 % 10 % 49% 79% 12 Moving Average (12) 27,70 % 9 % 45% 37% 13 Holt’s Exponential Smoothing 46% 13 % 55% - No _Peramalan Metode Nilai MAPE Whole Blood P R C Trom bosit Washed Erythrocyte s 14 Trend Linier 22,60 _% 11 _% 61% - 15 Single Exponential Smoothing - - - 47%

TABEL 5. METODE PERAMALAN TERPILIH No Komponen Darah Metode Peramalan Terpilih Nilai MAPE 1 Whole Blood Moving Average per 5 bulan 21,7% 2 Packed Red Cell Moving Average per 12 bulan. 12% 3 Trombosit Moving Average

per 6 bulan 45% 4 Washed Erythrocytes Moving Average per 12 bulan. 37% IV. KESIMPULAN

Metode peramalan time series yang paling baik digunakan untuk meramalkan jumlah permintaan komponen darah berbeda – beda. Metode moving average per 5 bulan untuk komponen darah whole blood. Peramalan jumlah permintaan untuk packed red cell lebih baik menggunakan metode moving average per 12 bulan, trombosit paling baik menggunakan metode moving average per 6 bulan, washed red cell menggunakan metode moving average per 12 bulan. Tabel 5 menunjukkan tentang jumlah kantong darah yang perlu disediakan untuk tiga bulan mendatang untuk tiap komponen darah.

TABEL 6. PERAMALAN PERAMALAN UNTUK TIGA BULAN

MENDATANG

DAFTAR PUSTAKA

[1] T. Ismoko, “Analisis model peramalan permintaan pada palang merah indonesia unit transfusi darah kota yogyakarta”,

(references)

[2] A. L. Simbolon, “Analisis sistem persediaan produk darah di unit transfusi darah (UTD) RSUP Dr. Sardjito Yogyakarta”, unpublished

[3] Pelayanan Darah di Indonesia 2017, Pusat Data dan Informasi Kementerian Kesehatan Republik Indonesia, viewed 29 March 2018,

<www.pusdatin.kemkes.go.id/resourcer/download.pusdatin/p elayanan-darah-di-indonesia.2017.pdf>.

[4] Supriadin, J 2017. ‘ratusan kantong darah terbuang, pmi garut rugi puluhan juta’, Liputan 6, 26 October viewed 26 March 2018 <http: //regional. liputan6.com/read /3141109/ratusan- kantong-darah-terbuang-pmi-garut-rugi-puluhan-juta>.

(references)

[5] Undang – undang republik indonesia tentang kesehatan tahun 2009: penyelenggaran transfusi darah nomor 36 pasal 87 Departemen Kesehatan Republik Indonesia, viewed 29 March 2018

<http://www.depkes.go.id/resources/download/general/UU%2 0Nomor%2036%20Tahun2%20009%20tentang%20Kesehata n.pdf>

[6] A. W. Suwardie, “Pengembangan model simulasi untuk meningkatkan performansi rantai pasok darah”, unpublished [7] M. R. Nadandi, “Analisis peramalan persediaan terhadap

permintaan produk darah di palang merah indonesia unit donor darah kota yogyakarta”, unpublished

[8] D. Purnamisari, “Analisis sistem pengendalian persediaan darah di palang merah indonesia kota yogyakarta”, unpublished

[9] Y. M. Haryadi, “Perencanaan dan pengendalian persediaan darah di palang merah indonesia kabupaten sleman”, unpublished

[10] Hanke, JE & Winchern, DW 2005, Bussiness Forecasting, 8th edn, Prentice Hall, New York. (references)

[11] Heizer, J & Render, B 2004 Operation Management, 7th edn. Upper Saddle River, N.J : Perason Prentince Hall, New York.

(references) Perio- de Whole Blood Packed Red Cell Trom- bosit Washed Erythrocytes Jun- 18 38 965 180 13 Jul-18 36 985 172 13 Agu- 18 32 1028 170 14