Optimalisasi Biaya Operasional Rumah Sakit: Panduan Praktis dengan SIMRS dan FHIR

Rumah sakit, sebagai entitas kompleks yang menyediakan layanan esensial, secara inheren menghadapi tekanan biaya operasional yang terus meningkat. Dari gaji tenaga medis, pengadaan obat-obatan dan alat kesehatan, hingga biaya utilitas dan pemeliharaan infrastruktur, setiap elemen membutuhkan alokasi sumber daya yang cermat. Tanpa pemahaman mendalam tentang struktur biaya dan strategi optimasi yang tepat, profitabilitas bisa terkikis, kualitas layanan terganggu, bahkan keberlanjutan operasional pun terancam. Sebagai Operations Manager dengan latar belakang kuat di SIMRS dan integrasi sistem seperti BPJS, SatuSehat, dan FHIR, saya menyadari betul bahwa data adalah kunci. Artikel ini akan memandu Anda melalui proses esensial dalam menghitung biaya operasional secara akurat, mengidentifikasi area-area pemborosan yang sering terlewatkan, dan menerapkan strategi optimasi berbasis teknologi. Kita akan mengeksplorasi bagaimana Sistem Informasi Manajemen Rumah Sakit (SIMRS) modern dan standar interoperabilitas seperti FHIR dapat menjadi tulang punggung dalam mencapai efisiensi berkelanjutan, memberikan contoh konkret, dan menyajikan solusi actionable yang relevan bagi para IT Manager, pemilik klinik, dan pengambil keputusan di sektor kesehatan.

Konsep Dasar Perhitungan Biaya Operasional Rumah Sakit

Memahami biaya operasional (Operating Expenses/OPEX) adalah langkah pertama menuju optimasi. Berbeda dengan Capital Expenditures (CAPEX) yang merupakan investasi jangka panjang seperti pembelian gedung atau alat medis besar, OPEX adalah biaya rutin yang dikeluarkan untuk menjalankan operasional sehari-hari. Komponen utama OPEX rumah sakit sangat beragam dan meliputi: biaya Sumber Daya Manusia (SDM) seperti gaji, tunjangan, dan lembur; biaya obat-obatan dan alat kesehatan (alkes) yang merupakan Harga Pokok Penjualan (HPP) utama; biaya utilitas (listrik, air, gas, internet); biaya pemeliharaan gedung dan peralatan; serta biaya administrasi dan umum (ATK, IT, pemasaran). Tanpa klasifikasi yang jelas, sulit untuk melacak dan mengelola pengeluaran ini secara efektif.

Metode perhitungan biaya yang sering digunakan adalah Full Costing dan Activity-Based Costing (ABC). Full Costing mengalokasikan semua biaya produksi (variabel dan tetap) ke produk atau layanan. Sementara itu, Activity-Based Costing (ABC) adalah pendekatan yang lebih granular, di mana biaya dialokasikan berdasarkan aktivitas yang mengonsumsi sumber daya. Misalnya, biaya operasi bukan hanya dihitung dari obat dan alkes yang dipakai, tetapi juga dari durasi penggunaan ruang operasi, jumlah staf yang terlibat, hingga biaya sterilisasi alat. Pendekatan ABC, meskipun lebih kompleks, memberikan gambaran yang jauh lebih akurat tentang biaya riil per layanan atau per pasien, memungkinkan identifikasi area pemborosan yang lebih presisi.

Sebagai contoh, sebuah rumah sakit mungkin memiliki biaya SDM sebesar 40% dari total OPEX, biaya obat dan alkes 30%, utilitas 10%, dan sisanya untuk pemeliharaan serta administrasi. Namun, angka agregat ini tidak cukup. Kita perlu mengetahui biaya per pasien rawat inap per hari, atau biaya per prosedur bedah tertentu. Misalnya, jika biaya rata-rata rawat inap per hari adalah Rp 1.500.000, bagaimana komposisinya? Berapa porsi untuk layanan perawat, dokter, obat-obatan, dan makanan? Dengan data ini, manajemen dapat membandingkan efisiensi antar departemen atau dengan standar industri.

Pemerintah Indonesia melalui regulasi seperti Peraturan Menteri Kesehatan (PMK) No. 85 Tahun 2015 tentang Pola Tarif Nasional Rumah Sakit, memberikan panduan mengenai struktur dan komponen tarif layanan. Meskipun ini berfokus pada tarif, pemahaman terhadap komponen biaya yang mendasarinya sangat krusial. Dengan menganalisis biaya berdasarkan aktivitas dan komponennya, rumah sakit dapat menetapkan tarif yang kompetitif namun tetap menguntungkan, serta mengidentifikasi potensi efisiensi. Misalnya, jika biaya pengadaan obat generik lebih rendah tanpa mengurangi kualitas, ini adalah peluang optimasi yang jelas. Detail ini hanya bisa terungkap melalui sistem pencatatan biaya yang akurat dan terstruktur.

Implementasi Sistematis dengan SIMRS dan Teknologi Terkini

Dalam era digital ini, mustahil mengelola biaya operasional rumah sakit secara efektif tanpa Sistem Informasi Manajemen Rumah Sakit (SIMRS) yang terintegrasi. SIMRS modern, seperti SIMRS Khanza, Medifirst, atau solusi custom-built yang dikembangkan dengan framework seperti Laravel 11.x dan database PostgreSQL 16, berfungsi sebagai pusat data yang mengumpulkan informasi dari berbagai departemen secara real-time. Modul-modul kunci dalam SIMRS yang relevan untuk perhitungan dan optimasi biaya meliputi modul Akuntansi & Keuangan, Inventori Farmasi & Logistik, dan Sumber Daya Manusia (SDM).

Modul Akuntansi mencatat semua transaksi keuangan, dari penerimaan pasien hingga pembayaran vendor. Modul Inventori Farmasi & Logistik mengelola stok obat, alkes, dan barang habis pakai lainnya, mencatat setiap pembelian, penggunaan, dan pengeluaran. Integrasi antara modul-modul ini sangat krusial. Bayangkan skenario di mana data pembelian obat dari modul farmasi secara otomatis masuk ke buku besar akuntansi sebagai beban biaya, dan pada saat yang sama, penggunaan obat oleh pasien dicatat sebagai biaya layanan yang terkait dengan pasien tersebut. Ini menghilangkan entri data manual yang rawan kesalahan dan memberikan visibilitas biaya secara instan.

Penggunaan database yang robust seperti PostgreSQL 16 sangat direkomendasikan karena skalabilitasnya, integritas data yang kuat, dan kemampuan untuk menangani volume data yang besar, yang sangat penting bagi rumah sakit. Dengan PostgreSQL, kita dapat mendefinisikan skema database yang kompleks untuk menyimpan data transaksi, inventori, SDM, dan keuangan secara terstruktur, memungkinkan query yang cepat dan analisis yang mendalam. Misalnya, setiap pengeluaran dari gudang farmasi harus dihubungkan dengan pasien, departemen, atau aktivitas tertentu, sehingga biaya dapat dialokasikan dengan tepat.

Lebih jauh lagi, pentingnya standar interoperabilitas seperti FHIR R4 (Fast Healthcare Interoperability Resources Release 4) tidak bisa diabaikan. FHIR memungkinkan pertukaran data biaya antar sistem yang berbeda, baik di dalam rumah sakit maupun dengan pihak eksternal seperti vendor supply chain, sistem asuransi, atau platform SatuSehat. Dengan library seperti HAPI FHIR 6.8 (untuk lingkungan Java) atau fhir-client (untuk Python), kita dapat membangun integrasi yang mulus. Misalnya, data biaya pengadaan barang dari vendor dapat langsung dikirim ke SIMRS dalam format FHIR, atau data klaim biaya pasien dikirim ke BPJS atau perusahaan asuransi. Ini menciptakan ekosistem data yang terhubung, mempercepat proses, dan mengurangi potensi kesalahan, yang pada akhirnya berkontribusi pada efisiensi operasional secara keseluruhan.

Analisis Biaya dan Identifikasi Pemborosan dengan Kode

Setelah data biaya terkumpul secara sistematis dalam SIMRS, langkah selanjutnya adalah menganalisis data tersebut untuk mengidentifikasi tren, anomali, dan area pemborosan. Analisis ini dapat dilakukan menggunakan query SQL langsung ke database atau dengan script Python yang memanfaatkan library analisis data seperti Pandas. Tujuannya adalah untuk mengubah data mentah menjadi wawasan yang actionable, misalnya untuk menemukan item obat dengan biaya tertinggi, departemen dengan pengeluaran utilitas yang tidak proporsional, atau pola lembur SDM yang tidak efisien.

Identifikasi pemborosan sering kali tersembunyi dalam detail. Stok obat yang menumpuk dan mendekati tanggal kedaluwarsa, penggunaan energi yang tinggi di luar jam operasional puncak, atau biaya lembur SDM yang konsisten di departemen tertentu, adalah contoh-contoh pemborosan yang bisa diungkap melalui analisis data. Dengan alat yang tepat, kita bisa melihat lebih dari sekadar angka total dan memahami akar masalahnya. Berikut adalah dua contoh kode yang dapat digunakan untuk analisis ini.

Pertama, kita akan menggunakan SQL (khususnya untuk PostgreSQL 16) untuk mengidentifikasi 10 item obat dengan total biaya pembelian tertinggi dalam kuartal terakhir. Query ini menargetkan tabel-tabel transaksi pembelian dan item obat dalam skema SIMRS.

SELECTio.nama_item_obat,SUM(dt.jumlah * dt.harga_satuan) AS total_biaya_pembelian,AVG(dt.harga_satuan) AS rata_rata_harga_unitFROMdetail_transaksi_pembelian dtJOINitem_obat io ON dt.id_item_obat = io.id_item_obatJOINtransaksi_pembelian tp ON dt.id_transaksi_pembelian = tp.id_transaksi_pembelianWHEREtp.tanggal_transaksi BETWEEN '2023-10-01' AND '2023-12-31' -- Contoh kuartal terakhirGROUP BYio.nama_item_obatORDER BYtotal_biaya_pembelian DESCLIMIT 10;

Penjelasan: Query SQL ini menggabungkan data dari tabel detail_transaksi_pembelian, item_obat, dan transaksi_pembelian. Ini menghitung total biaya pembelian untuk setiap item obat dalam periode tertentu (misalnya, kuartal terakhir) dan juga rata-rata harga unit. Hasilnya diurutkan dari yang termahal dan dibatasi hingga 10 item teratas. Informasi ini sangat berharga untuk negosiasi ulang dengan pemasok, mencari alternatif obat generik, atau meninjau kebijakan penggunaan obat di rumah sakit Anda.

Kedua, kita akan menggunakan script Python (versi 3.9+) dengan library Pandas untuk menganalisis data biaya utilitas, khususnya listrik, dan mendeteksi anomali. Data ini bisa diekspor dari SIMRS atau sistem monitoring gedung.

import pandas as pdfrom datetime import datetime# Contoh data biaya utilitas (misal dari export SIMRS atau sistem monitoring gedung)data_utilitas = {    'tanggal': [        '2023-10-01', '2023-10-02', '2023-10-03', '2023-10-04', '2023-10-05',        '2023-11-01', '2023-11-02', '2023-11-03', '2023-11-04', '2023-11-05',        '2023-12-01', '2023-12-02', '2023-12-03', '2023-12-04', '2023-12-05'    ],    'biaya_listrik_rp': [        1200000, 1150000, 1300000, 1250000, 1400000, # Okt        1300000, 1280000, 1350000, 1400000, 1500000, # Nov        1500000, 1450000, 1600000, 1800000, 2500000  # Des (anomali di 2500000)    ]}df = pd.DataFrame(data_utilitas)df['tanggal'] = pd.to_datetime(df['tanggal'])df['bulan'] = df['tanggal'].dt.to_period('M')# Hitung rata-rata biaya listrik bulananrata_rata_bulanan = df.groupby('bulan')['biaya_listrik_rp'].mean()print(