Prediksi Nilai Bed Occupancy Rate Rumah Sakit XYZ Dengan Metode Prophet

Muhammad Zulfi Akmal, Nurul Riska Novita, Mochammad Romli Arief, Teguh Herlambang, Kresna Oktafianto, Andy Suryowinoto

Abstract

Bed Occupancy Rate (BOR) merupakan indikator penting dalam menilai efisiensi dan mutu pelayanan rumah sakit, khususnya pada layanan rawat inap. Fluktuasi BOR yang tidak terkelola dengan baik dapat berdampak pada pemborosan sumber daya maupun penurunan kualitas layanan kesehatan. Penelitian ini bertujuan untuk memprediksi nilai BOR di Rumah Sakit Haji Surabaya menggunakan metode Prophet berbasis deret waktu. Data yang digunakan berupa data BOR bulanan periode Januari 2021 hingga Juni 2025 sebanyak 54 observasi. Hasil analisis deskriptif menunjukkan rata-rata BOR sebesar 61% dengan variasi moderat. Model Prophet diterapkan dengan pembagian data latih sebanyak 48 observasi dan data uji sebanyak 6 observasi. Evaluasi model menunjukkan performa yang baik dengan nilai MAE sebesar 2,16% dan MAPE 3,72% pada data latih, serta MAE 3,82% dan MAPE 6,13% pada data uji. Hasil ini mengindikasikan bahwa metode Prophet mampu menangkap pola tren dan musiman BOR secara akurat, sehingga dapat digunakan sebagai alat pendukung pengambilan keputusan dalam perencanaan kapasitas rumah sakit.

Keywords

Bed Occupancy Rate, Rumah Sakit, Prophet, Peramalan, Time Series

Full Text:

PDF

References

I. Puspitasari, C. Candi, dan A. Bachtiar, “Pengaruh Perubahan Strategi Manajemen Terhadap Capaian Bed Occupancy Rate (BOR) dan Pendapatan Rawat Inap di Rumah Sakit LNG Badak,” Syntax Literate ; Jurnal Ilmiah Indonesia, vol. 9, no. 12, Des 2024, doi: 10.36418/syntax-literate.v9i12.17510.

Adinda, “BOR Rumah Sakit: Konsep, Manfaat, dan Tantangannya,” Bithealth. Diakses: 11 Januari 2026. [Daring]. Tersedia pada: https://bithealth.co.id/artikel/bor-rumah-sakit/

H. Seo dkk., “Forecasting Hospital Room and Ward Occupancy Using Static and Dynamic Information Concurrently: Retrospective Single-Center Cohort Study,” JMIR Med Inform, vol. 12, hlm. e53400, Mar 2024, doi: 10.2196/53400.

D. Borges dan M. C. V. Nascimento, “COVID-19 ICU demand forecasting: A two-stage Prophet-LSTM approach,” Appl Soft Comput, vol. 125, Agu 2022, doi: 10.1016/j.asoc.2022.109181.

A. Rudas, D. J. Weil, S. L. Jahnke, dan J. N. Chiang, “Forecasting patient census at a university hospital using the Prophet model,” 26 Juli 2023. doi: 10.21203/rs.3.rs-3186589/v1.

S. J. Taylor dan B. Letham, “Forecasting at scale,” 27 September 2017. doi: 10.7287/peerj.preprints.3190v2.

F. Lomio dan J. Kämäräinen, “FORECASTING EMERGENCY DEPARTMENT ARRIVALS WITH FACEBOOK PROPHET LIBRARY,” 2021.

M. R. Arief dkk., “Forecasting revenue rate of hotel V by gradient boost regression and K-nearest neighbors (KNN) methods,” 2025, hlm. 040019. doi: 10.1063/5.0299502.

M. Y. Anshori dkk., “Implementation of kalman filter method to forecast occupancy rate at hotel X,” 2025, hlm. 030026. doi: 10.1063/5.0299483.

M. Seyedan and F. Mafakheri, “Predictive Big Data Analytics for Supply Chain Demand Forecasting: Methods, Applications, and Research Opportunities,” Journal of Big Data, vol. 7, no. 1, Jul. 2020, doi: 10.1186/s40537-020-00329-2.

E. Simanjuntak dan C. Angelia S, “ANALISA INDIKATOR RAWAT INAP PERIODE TAHUN 2017-2018 DI RUMAH SAKIT SINAR HUSNI MEDAN,” Jurnal Ilmiah Perekam dan Informasi Kesehatan Imelda (JIPIKI), vol. 4, no. 2, hlm. 614–619, Des 2019, doi: 10.52943/jipiki.v4i2.84.

M. Y. Anshori, V. Asy’Ari, T. Herlambang, dan I. W. Farid, “Forecasting occupancy rate using neural network at Hotel R,” dalam 2023 International Conference on Advanced Mechatronics, Intelligent Manufacture and Industrial Automation (ICAMIMIA), IEEE, Nov 2023, hlm. 347–351. doi: 10.1109/ICAMIMIA60881.2023.10427752.

Y. Yuliana, T. Herlambang, I. Indasah, I. Kurniastuti, dan M. R. Arief, “Machine learning-based forecasting of organic contaminants in water quality index (WQI) to improve potable water quality standards with XGBoost modeling,” 2025, hlm. 040008. doi: 10.1063/5.0299500.

DOI: https://doi.org/10.31284/j.jreec.2025.v5i2.8613