Cara Forecasting Rumah Sakit Menggunakan Data Historis

Forecasting rumah sakit, ialah proses memperkirakan kebutuhan, permintaan, alias tren di masa depan, seperti jumlah pasien, kebutuhan obat, hingga perangkat kesehatan sangat krusial untuk memastikan perencanaan pengelolaan akomodasi kesehatan nan tepat dalam jangka panjang. Tanpa forecasting nan akurat, rumah sakit berisiko kandas memenuhi standar pelayanan pasien. 

Memasuki awal tahun 2026, industri kesehatan Indonesia menghadapi tantangan dobel berupa peningkatan volume pasien pasca-pandemi dan tekanan inflasi medis nan tinggi. Berdasarkan info OJK dan survei dunia WTW, inflasi medis diproyeksikan mencapai 13,6–19,4%, jauh di atas inflasi umum. Dalam kondisi ini, forecasting bukan lagi sekadar aktivitas administratif, melainkan perangkat strategis bagi manajemen dan jejeran direksi. Salah satu pendekatan nan efektif dalam forecasting rumah sakit adalah pemanfaatan info historis dan statistik pasien. Artikel ini mengulas pemanfaatan info historis dan pola kunjungan pasien untuk membangun model pendapatan rumah sakit nan lebih terukur dan berkelanjutan.

• Fondasi FP&A Modern dalam Manajemen Rumah Sakit

Merujuk pada filosofi Limelight mengenai Financial Planning & Analysis (FP&A), kunci utama dari manajemen finansial nan sukses adalah kecepatan dalam merespon perubahan. Di rumah sakit, perihal ini diwujudkan melalui pengintegrasian info operasional ke dalam model keuangan.

1. Memahami Data Historis sebagai Dasar Prediksi Kebutuhan Rumah Sakit

Data historis selama 3-5 tahun terakhir adalah aset terbesar rumah sakit. Berdasarkan laporan BPJS Kesehatan, total kunjungan jasa kesehatan nasional telah menembus nomor 673,2 juta kunjungan setahun. Dengan menganalisis info ini, tim FP&A dapat memandang pola kenaikan jumlah pasien dari tahun ke tahun, nan secara umum berada pada kisaran 15–20%. Informasi tersebut membantu manajemen membikin perkiraan pertumbuhan nan lebih realistis dalam forecasting rumah sakit.

2. Tantangan Inflasi dalam Anggaran

Ketika inflasi medis meningkat hingga 19,4%, biaya operasional rumah sakit, seperti obat, perangkat kesehatan, dan logistik ikut naik. Artinya, meskipun jumlah pasien bertambah dan pendapatan terlihat meningkat, pengeluaran rumah sakit bisa naik lebih cepat. Misalnya, jika pendapatan diperkirakan naik 15%, tetapi biaya operasional (OPEX) naik 19%, secara riil rumah sakit justru mengalami penurunan keahlian keuangan.

Karena itu, forecasting perlu membedakan antara pertumbuhan volume pasien nan datang dan pertumbuhan nilai (penyesuaian tarif alias efisiensi biaya). Dengan memahami perbedaan ini, rumah sakit dapat menyusun anggaran nan lebih realistis dan menjaga keberlanjutan operasionalnya.

• Model Proyeksi Pendapatan Rumah Sakit Berbasis Data Historis (Adaptasi Factors.ai)

Mengimplementasikan model nan dibahas oleh Factors.ai memerlukan penyesuaian dengan karakter jasa medis. Berikut adalah empat model utama nan dapat diterapkan:

1. Straight-Line Method (Metode Garis Lurus)

Metode ini berasumsi bahwa jika pendapatan tahun lampau tumbuh 10%, maka tahun depan bakal tumbuh 10% lagi. Di rumah sakit, metode ini paling cocok digunakan untuk jasa dengan perjanjian tetap, seperti jasa kesehatan kerja (Medical Check-Up) perusahaan alias jasa hemodialisa nan pasiennya condong tetap (captive market).

2. Moving Average Forecasting

Metode ini menghitung rata-rata dari beberapa periode terakhir (misal: rata-rata kunjungan 6 bulan terakhir) untuk memprediksi bulan depan. Model ini sangat efektif untuk "menghaluskan" info nan fluktuatif. Contohnya, jika pada bulan Oktober terjadi lonjakan kunjungan lantaran siklus musiman penyakit, moving average membantu manajemen agar tidak terlalu reaktif dalam menambah staf secara permanen hanya berasas satu bulan lonjakan.

3. Model Regresi Linear (Linear Regression)

Model ini mencari hubungan antara variabel tertentu dengan pendapatan. Dalam konteks rumah sakit, variabel independen ($X$) bisa berupa jumlah master ahli baru alias jumlah rujukan, sedangkan variabel terbatas ($Y$) adalah pendapatan.

$$Y = a + bX$$

Jika info historis menunjukkan setiap penambahan 1 master ahli meningkatkan pendapatan poli sebesar Rp200 juta/bulan, maka forecasting rumah sakit untuk rencana ekspansi tahun depan menjadi sangat terukur.

4. Time-Series Analysis (Analisis Deret Waktu)

Analisis ini berfokus pada pola musiman (seasonality). Data riil di beragam RS jenis B dan C di Indonesia menunjukkan pola nan konsisten: kunjungan mencapai puncaknya pada bulan Oktober dan condong menurun pada Desember lantaran aspek hari libur. Dengan memasukkan variabel musiman ini, manajemen dapat mengatur arus kas untuk bayar bingkisan tahunan alias biaya pemeliharaan perangkat saat kunjungan sedang rendah.

• Hubungan Pola Kunjungan Pasien dan Efisiensi Keuangan Rumah Sakit

Pendapatan rumah sakit tidak berdiri sendiri; dia sangat berkorelasi dengan parameter keahlian klinis (KPI) nan diakui secara akademis dan praktis.

1. Bed Occupancy Ratio (BOR) dan Titik Jenuh Pendapatan

Standar Kementerian Kesehatan menetapkan BOR ideal antara 60% hingga 85%. Dalam model forecasting rumah sakit, nomor ini adalah pemisah efisiensi.

BOR < 60%: Pendapatan tidak bisa menutup biaya tetap (fixed costs) seperti penghasilan staf dan listrik.

BOR > 85%: Pendapatan per pasien condong menurun lantaran meningkatnya akibat kelelahan staf dan biaya lembur, serta akibat jangkitan nan memperpanjang masa rawat tanpa tambahan klaim (pada sistem paket).

Forecasting nan jeli kudu bisa memprediksi kapan RS bakal menyentuh nomor 85% sehingga investasi penambahan ruang (CapEx) dapat direncanakan jauh-jauh hari.

2. Case Mix Index (CMI) dan Strategi Pendapatan

Bagi RS nan melayani pasien JKN, pendapatan ditentukan oleh tarif INA-CBGs. Di sini, hubungan antara info medis dan finansial sangat erat. Rumah sakit kudu memantau CMI (tingkat kerumitan kasus). Jika info historis menunjukkan tren kenaikan kasus bedah kompleks, maka proyeksi pendapatan kudu mencerminkan kenaikan klaim per pasien, namun juga kudu diikuti dengan proyeksi biaya bahan medis lenyap pakai (BMHP) nan lebih tinggi.

BACA JUGA: Case Mix dalam Sorotan: Antara Data, Klaim, dan Mutu Pelayanan

3. Turn Over Interval (TOI)

Berapa lama tempat tidur kosong sebelum diisi pasien baru? Data historis TOI membantu dalam memproyeksikan "pendapatan nan hilang" (opportunity loss). Jika TOI rata-rata adalah 2 hari, dan melalui perbaikan sistem pendaftaran bisa ditekan menjadi 1 hari, maka bakal ada potensi tambahan pendapatan nan signifikan nan dapat diproyeksikan dalam forecasting tahun depan.

• Implementasi Praktis Forecasting Rumah Sakit: Langkah demi Langkah

Untuk menghasilkan forecasting rumah sakit nan dapat dipertanggungjawabkan, tim manajemen kudu mengikuti protokol berikut:

Langkah 1: Integrasi SIMRS dan Data Keuangan

Hambatan terbesar adalah "Silo Data". Data kunjungan di SIMRS kudu dapat ditarik secara real-time ke sistem keuangan. Tanpa integrasi ini, proyeksi hanya bakal menjadi tebakan (guesswork).

BACA JUGA: Hal-Hal nan Perlu Diketahui Tentang Aplikasi Keuangan Faskes

Langkah 2: Menetapkan Driver Pendapatan (Revenue Drivers)

Identifikasi 20% jasa nan menghasilkan 80% pendapatan (Hukum Pareto). Apakah itu prosedur kardiologi? Atau persalinan? Fokuskan kecermatan forecasting pada layanan-layanan utama ini.

Langkah 3: Analisis Skenario Berbasis Risiko

Mengingat sektor kesehatan sangat sensitif terhadap kebijakan, buatlah tiga skenario:

• Skenario Dasar (Base Case): Pertumbuhan volume 15% (sesuai tren nasional) dengan inflasi medis 13,6%.
• Skenario Optimis: Penambahan jasa unggulan baru nan meningkatkan margin sebesar 5-10%.
• Skenario Pesimis: Penurunan tarif klaim alias munculnya pesaing baru di radius 5 km nan bisa menggerus kunjungan hingga 20%.

Langkah 4: Rolling Forecast sebagai Standar Baru

Jangan terpaku pada anggaran tahunan nan statis. Gunakan rolling forecast di mana setiap bulan Anda memperbarui proyeksi untuk 12 bulan ke depan. Jika di bulan Maret realisasi kunjungan naik 20% lantaran pandemi flu, maka proyeksi bulan April-Desember kudu segera disesuaikan untuk memastikan kesiapan obat dan perangkat medis.

• Tantangan Forecasting Rumah Sakit: Akurasi Koding dan Perubahan Regulasi

Salah satu aspek nan sering merusak kecermatan forecasting rumah sakit di Indonesia adalah ketidaksesuaian antara tindakan medis dan koding klaim. Jika master tidak menulis diagnosa dengan lengkap, klaim nan cair bakal lebih rendah dari biaya nan dikeluarkan. Oleh lantaran itu, forecasting kudu menyertakan variabel "Claim Gap", ialah selisih antara nilai tagihan dan nilai nan dibayarkan oleh penjamin. Mengurangi claim gap ini sebesar 2-3% dapat berakibat langsung pada bottom line perusahaan tanpa kudu menambah pasien.

Selain itu, dinamika izin seperti perubahan kebijakan KRIS (Kelas Rawat Inap Standar) bakal memengaruhi kapabilitas tempat tidur. Forecasting tahun 2026 kudu sudah memasukkan variabel pengurangan tempat tidur jika rumah sakit perlu melakukan pembaharuan untuk memenuhi standar KRIS tersebut.

Memproyeksikan pendapatan rumah sakit di tengah inflasi medis nan mencapai 19% dan pertumbuhan kunjungan nasional sebesar 20% memerlukan pendekatan nan jauh lebih canggih daripada sekadar memandang nomor tahun lalu. Dengan mengintegrasikan model regresi linear untuk pertumbuhan, kajian musiman untuk pola kunjungan, dan menjaga BOR pada pemisah ideal 60-85%, rumah sakit dapat membangun ketahanan finansial.

Data historis adalah fondasi, namun keahlian untuk mengolah info tersebut menjadi info prediktif adalah kunci keberlanjutan. Rumah sakit nan menguasai forecasting rumah sakit tidak hanya bakal memperkuat dari gejolak ekonomi, tetapi juga bakal mempunyai sumber daya nan cukup untuk terus berinovasi dalam memberikan jasa terbaik bagi pasien. Di era digital ini, kepintaran finansial dan kualitas jasa medis adalah dua sisi dari koin nan sama: kesuksesan lembaga kesehatan.