Daftar Isi
Forecasting rumah sakit, yakni proses memperkirakan kebutuhan, permintaan, atau tren di masa depan, seperti jumlah pasien, kebutuhan obat, hingga alat kesehatan sangat penting untuk memastikan perencanaan pengelolaan fasilitas kesehatan yang tepat dalam jangka panjang. Tanpa forecasting yang akurat, rumah sakit berisiko gagal memenuhi standar pelayanan pasien.
Daftar Isi
Memasuki awal tahun 2026, industri kesehatan Indonesia menghadapi tantangan ganda berupa peningkatan volume pasien pasca-pandemi dan tekanan inflasi medis yang tinggi. Berdasarkan data OJK dan survei global WTW, inflasi medis diproyeksikan mencapai 13,6–19,4%, jauh di atas inflasi umum. Dalam kondisi ini, forecasting bukan lagi sekadar aktivitas administratif, melainkan alat strategis bagi manajemen dan jajaran direksi. Salah satu pendekatan yang efektif dalam forecasting rumah sakit adalah pemanfaatan data historis dan statistik pasien. Artikel ini mengulas pemanfaatan data historis dan pola kunjungan pasien untuk membangun model pendapatan rumah sakit yang lebih terukur dan berkelanjutan.
Merujuk pada filosofi Limelight mengenai Financial Planning & Analysis (FP&A), kunci utama dari manajemen keuangan yang sukses adalah kecepatan dalam merespon perubahan. Di rumah sakit, hal ini diwujudkan melalui pengintegrasian data operasional ke dalam model keuangan.
Data historis selama 3-5 tahun terakhir adalah aset terbesar rumah sakit. Berdasarkan laporan BPJS Kesehatan, total kunjungan layanan kesehatan nasional telah menembus angka 673,2 juta kunjungan setahun. Dengan menganalisis data ini, tim FP&A dapat melihat pola kenaikan jumlah pasien dari tahun ke tahun, yang secara umum berada pada kisaran 15–20%. Informasi tersebut membantu manajemen membuat perkiraan pertumbuhan yang lebih realistis dalam forecasting rumah sakit.
Ketika inflasi medis meningkat hingga 19,4%, biaya operasional rumah sakit, seperti obat, alat 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 kemampuan keuangan.
Karena itu, forecasting perlu membedakan antara pertumbuhan volume pasien yang datang dan pertumbuhan nilai (penyesuaian tarif atau efisiensi biaya). Dengan memahami perbedaan ini, rumah sakit dapat menyusun anggaran yang lebih realistis dan menjaga keberlanjutan operasionalnya.
Mengimplementasikan model yang dibahas oleh Factors.ai membutuhkan penyesuaian dengan karakteristik layanan medis. Berikut adalah empat model utama yang dapat diterapkan:
Metode ini berasumsi bahwa jika pendapatan tahun lalu tumbuh 10%, maka tahun depan akan tumbuh 10% lagi. Di rumah sakit, metode ini paling cocok digunakan untuk layanan dengan kontrak tetap, seperti layanan kesehatan kerja (Medical Check-Up) perusahaan atau layanan hemodialisa yang pasiennya cenderung tetap (captive market).
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" data yang fluktuatif. Contohnya, jika pada bulan Oktober terjadi lonjakan kunjungan karena siklus musiman penyakit, moving average membantu manajemen agar tidak terlalu reaktif dalam menambah staf secara permanen hanya berdasarkan satu bulan lonjakan.
Model ini mencari korelasi antara variabel tertentu dengan pendapatan. Dalam konteks rumah sakit, variabel independen ($X$) bisa berupa jumlah dokter spesialis baru atau jumlah rujukan, sedangkan variabel dependen ($Y$) adalah pendapatan.
$$Y = a + bX$$
Jika data historis menunjukkan setiap penambahan 1 dokter spesialis meningkatkan pendapatan poli sebesar Rp200 juta/bulan, maka forecasting rumah sakit untuk rencana ekspansi tahun depan menjadi sangat terukur.
Analisis ini berfokus pada pola musiman (seasonality). Data riil di berbagai RS tipe B dan C di Indonesia menunjukkan pola yang konsisten: kunjungan mencapai puncaknya pada bulan Oktober dan cenderung menurun pada Desember karena faktor hari libur. Dengan memasukkan variabel musiman ini, manajemen dapat mengatur arus kas untuk membayar bonus tahunan atau biaya pemeliharaan alat saat kunjungan sedang rendah.
Pendapatan rumah sakit tidak berdiri sendiri; ia sangat berkorelasi dengan indikator kinerja klinis (KPI) yang diakui secara akademis dan praktis.
Standar Kementerian Kesehatan menetapkan BOR ideal antara 60% hingga 85%. Dalam model forecasting rumah sakit, angka ini adalah batas efisiensi.
BOR < 60%: Pendapatan tidak mampu menutup biaya tetap (fixed costs) seperti gaji staf dan listrik.
BOR > 85%: Pendapatan per pasien cenderung menurun karena meningkatnya risiko kelelahan staf dan biaya lembur, serta risiko infeksi yang memperpanjang masa rawat tanpa tambahan klaim (pada sistem paket).
Forecasting yang akurat harus mampu memprediksi kapan RS akan menyentuh angka 85% sehingga investasi penambahan ruang (CapEx) dapat direncanakan jauh-jauh hari.
Bagi RS yang melayani pasien JKN, pendapatan ditentukan oleh tarif INA-CBGs. Di sini, korelasi antara data medis dan finansial sangat erat. Rumah sakit harus memantau CMI (tingkat kerumitan kasus). Jika data historis menunjukkan tren kenaikan kasus bedah kompleks, maka proyeksi pendapatan harus mencerminkan kenaikan klaim per pasien, namun juga harus diikuti dengan proyeksi biaya bahan medis habis pakai (BMHP) yang lebih tinggi.
BACA JUGA: Case Mix dalam Sorotan: Antara Data, Klaim, dan Mutu Pelayanan
Berapa lama tempat tidur kosong sebelum diisi pasien baru? Data historis TOI membantu dalam memproyeksikan "pendapatan yang hilang" (opportunity loss). Jika TOI rata-rata adalah 2 hari, dan melalui perbaikan sistem pendaftaran bisa ditekan menjadi 1 hari, maka akan ada potensi tambahan pendapatan yang signifikan yang dapat diproyeksikan dalam forecasting tahun depan.
Untuk menghasilkan forecasting rumah sakit yang dapat dipertanggungjawabkan, tim manajemen harus mengikuti protokol berikut:
Langkah 1: Integrasi SIMRS dan Data Keuangan
Hambatan terbesar adalah "Silo Data". Data kunjungan di SIMRS harus dapat ditarik secara real-time ke sistem keuangan. Tanpa integrasi ini, proyeksi hanya akan menjadi tebakan (guesswork).
BACA JUGA: Hal-Hal Yang Perlu Diketahui Tentang Aplikasi Keuangan Faskes
Langkah 2: Menetapkan Driver Pendapatan (Revenue Drivers)
Identifikasi 20% layanan yang menghasilkan 80% pendapatan (Hukum Pareto). Apakah itu prosedur kardiologi? Atau persalinan? Fokuskan akurasi forecasting pada layanan-layanan utama ini.
Langkah 3: Analisis Skenario Berbasis Risiko
Mengingat sektor kesehatan sangat sensitif terhadap kebijakan, buatlah tiga skenario:
Langkah 4: Rolling Forecast sebagai Standar Baru
Jangan terpaku pada anggaran tahunan yang statis. Gunakan rolling forecast di mana setiap bulan Anda memperbarui proyeksi untuk 12 bulan ke depan. Jika di bulan Maret realisasi kunjungan naik 20% karena wabah flu, maka proyeksi bulan April-Desember harus segera disesuaikan untuk memastikan ketersediaan obat dan alat medis.
Salah satu faktor yang sering merusak akurasi forecasting rumah sakit di Indonesia adalah ketidaksesuaian antara tindakan medis dan koding klaim. Jika dokter tidak menulis diagnosa dengan lengkap, klaim yang cair akan lebih rendah dari biaya yang dikeluarkan. Oleh karena itu, forecasting harus menyertakan variabel "Claim Gap", yakni selisih antara nilai tagihan dan nilai yang dibayarkan oleh penjamin. Mengurangi claim gap ini sebesar 2-3% dapat berdampak langsung pada bottom line perusahaan tanpa harus menambah pasien.
Selain itu, dinamika regulasi seperti perubahan kebijakan KRIS (Kelas Rawat Inap Standar) akan memengaruhi kapasitas tempat tidur. Forecasting tahun 2026 harus sudah memasukkan variabel pengurangan tempat tidur jika rumah sakit perlu melakukan renovasi untuk memenuhi standar KRIS tersebut.
Memproyeksikan pendapatan rumah sakit di tengah inflasi medis yang mencapai 19% dan pertumbuhan kunjungan nasional sebesar 20% membutuhkan pendekatan yang jauh lebih canggih daripada sekadar melihat angka tahun lalu. Dengan mengintegrasikan model regresi linear untuk pertumbuhan, analisis musiman untuk pola kunjungan, dan menjaga BOR pada batas ideal 60-85%, rumah sakit dapat membangun ketahanan finansial.
Data historis adalah fondasi, namun kemampuan untuk mengolah data tersebut menjadi informasi prediktif adalah kunci keberlanjutan. Rumah sakit yang menguasai forecasting rumah sakit tidak hanya akan bertahan dari gejolak ekonomi, tetapi juga akan memiliki sumber daya yang cukup untuk terus berinovasi dalam memberikan layanan terbaik bagi pasien. Di era digital ini, kecerdasan finansial dan kualitas layanan medis adalah dua sisi dari koin yang sama: kesuksesan institusi kesehatan.
