EFFICIENCY ANALYSIS OF BANKING SERVICES TO ENHANCE THE PERFORMANCE OF SERVICES USING DISCRETE SIMULATION APPROACH I Dewa Made Adi Baskara Joni1, Erma Suryani2 Magister Program, Major in Information System, Departement of Informatics Engineering, Faculty of Information Technology, Institut Teknologi Sepuluh Nopember Surabaya Jl. Arief Rahman Hakim, Surabaya 60111 email:
[email protected],
[email protected]
Abstract Pemenuhan kebutuhan nasabah akan adanya layanan perbankan yang prima dapat menghasilkan nasabah yang loyal dan meningkatkan kepuasan nasabah. Timbulnya tuntutan efisiensi waktu dalam menyelesaikan transaksi di bank sangat berkaitan dengan sistem antrian dimana tercakup di dalamnya kecepatan layanan transaksi oleh petugas layanan dan jumlah petugas yang beroperasi. Namun konsep layanan nasabah tidak hanya bertumpu pada layanan yang ada pada kantor-kantor kas atau kantor cabang dari bank bersangkutan yang dilakukan oleh petugas layanan melainkan merupakan kinerja layanan secara keseluruhan. Dalam penelitian ini dilakukan perancangan dan pembuatan suatu simulasi berbasis komputer yang outputnya dapat menggambarkan karakteristik dan perilaku sistem yang diamati. Simulasi yang dilakukan dalam hal ini bermanfaat dalam memberikan informasi dan pengetahuan mengenai sistem layanan nasabah yang ada dan selanjutnya dapat dibuat skenario yang dapat mencapai layanan yang efisien. Dari output hasil simulasi didapatkan bahwa pada layanan musim normal dengan skenario penambahan passbook updater, wait time rata-rata dapat diturunkan sebanyak 4.74 menit dan utilisasi rata-rata dari customer service dapat mencapai nilai efisien menjadi 68%. Pada layanan musim tinggi dengan skenario penambahan customer service wait time rata-rata dapat diturunkan sebanyak 10.97 menit dan utilisasi rata-rata dari customer service dapat mencapai nilai efisien menjadi 60%. Keywords: Sistem Layanan Nasabah, Efisiensi, Model Simulasi
1. Introduction Seiring dengan perkembangan dunia perbankan yang semakin pesat, maka dibutuhkan sistem layanan yang semakin bisa memenuhi kebutuhan para nasabahnya. Salah satu permasalahan yang sering timbul dalam sistem layanan nasabah perbankan adalah berupa terjadinya penumpukan nasabah setelah tiba di lajur layanan pada suatu waktu tertentu, yang menyebabkan nasabah harus menuggu terlalu lama untuk mendapatkan layanan. Pemenuhan kebutuhan nasabah akan adanya layanan perbankan yang prima dapat menghasilkan nasabah yang loyal dan meningkatkan kepuasan nasabah. Dewasa ini layanan terhadap nasabah bank dapat dilakukan di berbagai tempat yang merupakan cakupan layanan dari bank bersangkutan dengan adanya dukungan Teknologi Informasi (TI). TI cenderung memiliki dampak yang besar terhadap kemampuan bank untuk menjual produk ritel dan jasa. TI juga dapat menawarkan keunggulan kompetitif dengan menciptakan skala ekonomi melalui otomatisasi tugas-tugas rutin, atau dengan meningkatkan kecepatan dimana informasi manajemen dikomunikasikan. TI juga telah digunakan untuk mendorong pelanggan untuk mengurangi transaksi dengan petugas layanan bank, membebaskan staf perbankan untuk berkonsentrasi pada cross-selling yang berpengaruh terhadap profitabilitas dan pangsa pasar (Meepadung, 2009). Untuk meningkatkan daya saing melalui inovasi dan peningkatan efisiensi untuk dapat menyediakan jasa layanan yang berkualitas dan harga yang kompetitif, dalam penelitian ini dilakukan perancangan dan pembuatan suatu simulasi berbasis komputer yang outputnya dapat menggambarkan karakteristik dan perilaku sistem yang diamati. Simulasi yang dilakukan dalam hal ini bermanfaat dalam memberikan informasi dan pengetahuan mengenai sistem layanan nasabah.
2. Literature Review Industri perbankan telah mengalami perubahan besar dalam beberapa tahun terakhir. Industri ini menjadi lebih kompetitif karena deregulasi peraturan. Saat ini, bank memiliki fleksibilitas pada layanan yang mereka tawarkan, lokasi tempat mereka beroperasi, dan tarif yang mereka bayar untuk simpanan deposan. Fleksibilitas layanan tersebut dapat dilakukan karena saat ini teknologi informasi bukan hanya menjadi pendukung kinerja dari perbankan namun telah menjadi syarat utama dalam menjalankan industri ini. Kaitan dalam menjalankan jasa layanan perbankan dengan teknologi informasi adalah penggunaan teknologi Informasi diperlukan bank dalam rangka meningkatkan efektivitas dan efisiensi dalam kegiatan operasional bank. Selain itu perkembangan teknologi informasi memungkinkan bank untuk meningkatkan layanan kepada nasabah melalui produk-produk Electronic Banking (Bank Indonesia, 2007). Hasan (2008) mengatakan bahwa, penggunaan teknologi informasi di industri perbankan merupakan suatu keharusan.
Penggunaan teknologi tersebut seharusnya mampu memenuhi kebutuhan internal yakni kecepatan proses layanan nasabah, kecepatan informasi atau pelaporan untuk bahan pengambilan keputusan selanjutnya dan juga penghematan biaya karena berkurangnya tenaga pelaksana. Kebutuhan ekstemal yang seharusnya mampu dipenuhi berupa kelancaran pelaporan kepada pihak terkait misalnya Bank Indonesia, Departemen Keuangan RI serta tentunya yang paling penting adalah kepuasan dari konsumen, sehingga dampak akhir dari penggunaan teknologi yakni adanya perbaikan kinerja secara keseluruhan. Hays (2009), rasio efisiensi merupakan ukuran tingkat beban non-bunga yang diperlukan untuk mendukung setiap satu dolar dari pendapatan usaha, yang terdiri dari pendapatan baik pendapatan bunga dan non-bunga. Nilai rasio efisiensi dapat dipengaruhi oleh perubahan gaji dan tunjangan, produktivitas tenaga kerja, teknologi, pemanfaatan fasilitas fisik terutama pada kantor cabang bersama dengan faktor lain termasuk ekonomi. Casu (2009), efisiensi perusahaan dapat didefinisikan dan diukur sebagai jarak radial kinerja aktual dari sebuah perbatasan (frontier). Dalam konteks fungsi produksi, perbatasan ini didefinisikan sebagai tingkat kelayakan dari maksimum output yang diberikan tingkat input, atau alternatifnya sebagai tingkat minimum kelayakan dari input yang ditentukan dari tingkat output. Ketidak efisienan (inefficiency) perusahaan yang akan diukur sebagai masukan kontraksi radial atau radial ekspansi output diperlukan untuk mencapai perbatasan. Untuk produk jasa menurut penelitian Hudgins (1982) dalam Trisusilo (1994) mengenai efisiensi waktu layanan, dikatakan bahwa 65% dari waktu petugas digunakan untuk kontak dengan pelanggan (customer) dianggap sudah efisien. Dan menurut Lawlor (1988), apabila suatu sumberdaya dipergunakan pada suatu pekerjaan dapat dikatakan produktif secara efisiennya adalah 2/3 atau 66% waktunya dipakai untuk pekerjaan tersebut. Tujuan utama dari sistem jasa adalah memaksimalkan keuntungan dan memaksimalkan kepuasan pelanggan. Namun bagaimanapun juga ukuran adalah hal yang dipertimbangkan menjadi kriteria penampilan internal, karena ukuranukuran tersebut tidak ditentukan oleh beberapa aktifitas tunggal. Model simulasi dan analisis sangat membantu mengevaluasi ukuran-ukuran yang berhubungan dengan kriteria penampilan internal. Menurut Arifin (2009), ukuranukuran kinerja internal yang dapat di evaluasi menggunakan simulasi adalah waktu jasa, waktu tunggu, panjang antrian, pemanfaatan sumber daya, level jasa, dan tingkat ketertinggalan.
3. Base Model Development Pembuatan model simulasi ini menggunakan bantuan perangkat lunak Arena Versi 12 – CPR 9. Dalam model dasar terdapat dua model yaitu model musim normal dan model musim tinggi. Pemicu perbedaan antara kedua model tersebut adalah berdasarkan pada tingkat kedatangan nasabahnya. Untuk perbedaan mendasar dari kedua model dalam model dasar ini adalah pada beberapa hal seperti jumlah petugas layanan, nilai distribusi kedatangan nasabah, nilai persentase nasabah ke customer service atau ke teller dan nilai rata-rata waktu layanan oleh customer service dan teller. Pada model musim normal maupun model musim tinggi, proses dari layanannya adalah pada saat kedatangan nasabah akan disambut oleh satpam dan akan ditanyakan keperluan dari nasabah tersebut. Apabila nasabah ingin bertemu dengan customer service atau bertransaksi dengan teller akan diarahkan untuk mengambil nomer antrian dan dipersilahkan menunggu seperti yang terlihat pada gambar 1. Seperti yang dijelaskan sebelumnya, salah satu perbedaan antara kedua model ini adalah pada nilai distribusi kedatangan nasabahnya yaitu 10*BETA(0.486, 2.84) pada musim normal dan 8*BETA(0.715, 3.8) pada musim tinggi. Tipe dari distribusi tersebut adalah distribusi Beta dengan parameter pertama adalah Beta dan parameter kedua adalah Alpha. Untuk persentase nasabah ke customer service atau ke teller pada musim normal 25% nasabah menuju layanan customer service dan 75% sisanya menuju layanan teller, berbeda pada musim tinggi 22% nasabah menuju layanan customer service dan 78% sisanya menuju layanan teller.
Figure 1. Customer Arrival of Base Model
Figure 2. Service of Customer Service
Figure 3. Service of Teller
Untuk proses layanan yang diberikan oleh customer service dan teller dapat dilihat pada gambar 2 dan gambar 3. Ketika nomer antrian nasabah dipanggil nasabah dengan nomer antrian yang diawali dengan huruf “C” akan diarahkan ke salah satu dari 2 customer service yang diaktifkan, jika nasabah dengan nomer antrian yang diawali dengan huruf “A” akan diarahkan ke salah satu dari 3 teller yang diaktifkan pada musim normal namun pada musim tinggi akan terdapat 4 teller yang diaktifkan. Setelah nasabah sampai pada lajur layanan, petugas layanan akan menanyakan keperluan nasabah dan melayani keperluan nasabah bersangkutan. Nilai waktu layanan customer service dan teller pada musim normal adalah 62+WEIB(562, 1.36) untuk customer service dan 31+1.51e+003*BETA(1.72, 12.1) untuk teller. Berbeda pada musim tinggi nilai waktu layanannya adalah 95+2.01e+003*BETA(0.69, 1.96) untuk customer service dan 29+LOGN(229, 283) untuk teller. Distribusi WEIB atau disebut juga distribusi Weibull memiliki parameter yang sama dengan distribusi BETA. Parameter dari distribusi LOGN atau disebut juga distribusi Lognormal adalah Log Mean pada parameter pertama dan Log Standar Deviasi pada parameter kedua.
4. Model Validation Untuk proses validasi model, tipe validasi yang digunakan adalah Behavior Validity Tests yaitu fungsi yang mengecek apakah model yang dibangun mampu menghasilkan tingkah laku output yang dapat diterima (Barlas, 1989). Validasi model ini dilakukan terhadap variabel VA Time pada hasil atau output simulasi dan variabel waktu layanan pada data yang dikumpulkan. Variabel VA Time dan waktu layanan yang divalidasi adalah nilai dari varibel yang dimiliki oleh customer service. Nilai rata-rata data dan simulasi untuk perbandingan rata-rata dan nilai standar deviasi data dan simulasi untuk perbandingan variasi amplitude untuk model musim normal dideskripsikan pada tabel 1. Nilai rata-rata data dan simulasi untuk perbandingan rata-rata dan nilai standar deviasi data dan simulasi untuk perbandingan variasi amplitude untuk model musim tinggi dideskripsikan pada tabel 2. Baik nilai data maupun nilai simulasi adalah dalam satuan menit. Pada tabel 1 dari hasil perhitungan perbandingan rata-rata didapatkan nilai E1 adalah 2.7% dan dari hasil perhitungan perbandingan variasi amplitude didapatkan nilai E2 adalah 23.6%. Dari nilai tersebut dapat disimpulkan bahwa model musim normal ini adalah valid karena nilai E1 < 5% (2.7% < 5%) dan nilai E2 < 30% (23.6% < 30%). Sedangkan pada tabel 2 dapat dilihat dari hasil perhitungan perbandingan rata-rata didapatkan nilai E1 adalah 2.1% dan dari hasil perhitungan perbandingan variasi amplitude didapatkan nilai E2 adalah 18.4%. Sehingga dari nilai tersebut dapat disimpulkan bahwa model musim tinggi ini adalah valid karena nilai E1 < 5% (2.1% < 5%) dan nilai E2 < 30% (18.4% < 30%). Table 1. Validation of Normal Season Model Normal Season Model Means Comparison Entity
Data Value
Amplitude Variations Comparison
Simulation Value
Entity
9.42
CS 2 Service
9.26
Simulation Value
9.42
9.48 CS 1 Service
Data value
9.48 9.6301
CS 1 Service
9.26
9.47
9.47
9.45
9.45
9.44
9.44
9.49 9.7516 9.44
CS 2 Service
9.47
9.6301
9.49 9.7516 9.44 9.47
Average
9.4356
9.6909
Std. Dev
0.0695
0.0859
E1
0.0270571
2.7%
E2
0.23597122
23.6%
Table 2. Validation of High Season Model High Season Model Means Comparison Entity
Data Value
Amplitude Variations Comparison
Simulation Value
Entity
10.01 CS 1 Service
Simulation Value
10.01
10.07
10.2796
CS 1 Service
10.33
10.07
10.2796
10.33
10.15 CS 2 Service
Data value
10.15
10.06
10.4169
CS 2 Service
10.22
10.06
10.4169
10.22
Average
10.1400
10.3483
Std. Dev
0.1190
0.0971
E1
0.02054241
2.1%
E2
0.184033613
18.4%
Equation (1) dan (2) adalah persamaan yang digunakan untuk menghitung behavior validity test pada tabel 1 dan tabel 2 untuk perbandingan rata-rata (E1) dan perbandingan variasi amplitude (E2), persamaannya adalah sebagai berikut: E1
E2
S A A
(1)
Ss Sa Sa
(2)
Dimana: S = Nilai rata-rata hasil simulasi A = Nilai rata-rata data Ss = Standar deviasi hasil simulasi Sa = Standar deviasi data Model dianggap valid jika nilai dari E1 ≤ 5% dan nilai E2 ≤ 30% 5. Scenario Development Berikut dibawah ini disajikan model skenario dari sistem layanan nasabah. Jenis skenario yang diterapkan adalah skenario struktur, yaitu skenario yang dilakukan dengan jalan mengubah struktur dari model. Skenario jenis ini memerlukan pengetahuan yang cukup mengenai sistem agar struktur baru yang diusulkan dapat memperbaiki kinerja dari sistem. Dalam model skenario ini terdapat dua model yaitu satu model pada musim normal dan satu model pada musim tinggi . Perbedaan antara model musim normal dengan musim tinggi tersebut pada dasarnya sama seperti pada model dasar, namun pada model skenario ini strukturnya juga memiliki perbedaan. Perbedaan struktur pada model musim normal adalah dengan penambahan fasilitas passbook updater yaitu fasilitas dimana nasabah dapat mencetak sendiri (self service) transaksi yang ada ke buku tabungan yang dimilikinya. Dengan adanya fasilitas ini nasabah yang datang ke bank hanya untuk mengetahui transaksi yang terjadi dan mencetak pada buku tabungannya tidak perlu mengantri pada layanan customer service, namun nasabah dapat mencetak sendiri dengan kebijakan yang ditentukan oleh pihak bank. Untuk perubahan struktur pada model musim normal dapat dilihat pada gambar 4. Pada musim tinggi perubahan strukturnya adalah dengan penambahan satu customer service yang dapat membagi beban kerja sehingga dapat menurunkan waktu tunggu nasabah dan utilisasi dari customer Service . Untuk perubahan struktur pada model musim normal dapat dilihat pada gambar 5.
Figure 4. Scenario Model of Normal Season
Figure 5. Scenario Model of High Season
6. Comparison of Simulation Results Untuk menunjukkan peningkatan kinerja yang didapatkan dengan melakukan perubahan struktur pada model dasar, dapat dilihat perbedaan nilai variabel-variabel hasil simulasi pada masing-masing model yang dapat dilihat pada tabel 3. Pada model dasar terdapat dua model simulasi yaitu model musim normal dan model musim tinggi. Pada model skenario terdapat dua model simulasi yaitu model musim normal dengan penambahan fasilitas passbook updater dan model musim tinggi dengan penambahan satu customer service. Untuk perbedaan nilai pada variabel VA Time dan NVA time pada empat model tidak menunjukkan perbedaan nilai yang signifikan, karena nilai tersebut merupakan hasil dari distribusi pada masing-masing proses yang memiliki perbedaan hanya pada masing-masing musim layanan saja (musim normal atau musim tinggi). Untuk variabel Wait Time memiliki perbedaan hasil simulasi yang cukup signifikan. Pada model dasar musim normal nilai Wait Time rata-rata adalah 10.8197 menit, cukup kecil jika dibandingkan dengan nilai Wait Time pada model dasar musim tinggi yaitu 20.9607 menit. Perbedaan nilai tersebut terjadi karena beberapa hal seperti perbedaan jumlah petugas layanan, nilai distribusi kedatangan nasabah, nilai persentase nasabah ke customer Service atau teller dan nilai rata-rata waktu layanan oleh customer service dan teller. Perbedaan Wait Time dari model dasar musim normal dengan model skenario musim normal yang terjadi penambahan fasilitas passbook updater cukup signifikan yaitu 10.8197 menit dengan 6.0797 menit. Perbedaan tersebut menunjukkan penurunan Wait Time rata-rata sebanyak 4.74 menit ketika ditambahkan fasilitas passbook updater sebagai bagian dari layanan bank. Perbedaan yang lebih signifikan terjadi pada model dasar musim tinggi dengan model skenario musim tinggi yaitu 20.9607 menit pada model dasar dan 9.9906 menit pada model skenario. Perbedaan tersebut menunjukkan penurunan Wait Time rata-rata sebanyak 10.9701 menit ketika ditambahkan satu customer service sebagai sumber daya tambahan untuk dapat melayani kebutuhan nasabah. Untuk perbedaan nilai utilisasi petugas layanan yang ada dapat dijabarkan sebagai berikut. Nilai utilisasi customer service pada model dasar musim normal dan musim tinggi tidak memiliki perbedaan yang terlalu tinggi yaitu 0.8076 dan 0.8209 pada model dasar musim normal, kemudian 0.8803 dan 0.8974 pada model dasar musim tinggi. Utilisasi dari customer service terbukti menurun pada model skenario musim normal menjadi 0.6809 dan 0.6696 karena salah satu fungsi layanan dari customer service digantikan oleh passbook updater. Penurunan nilai utilisasi kembali berubah signifikan pada model skenario musim tinggi kedua karena terjadi penambahan customer service yang mengakibatkan beban kerja dari customer service menurun menjadi 0.5943, 0.5827 dan 0.6104. Nilai utilisasi dari Customer Service 3 pada model skenario musim tinggi yang memiliki nilai 0.6104 (61.04%) dapat membuktikan bahwa, dengan penambahan satu customer service dapat menurunkan utilisasi dari petugas layanan secara keseluruhan dan nilai utilisasi dari sumber daya yang baru tetap pada rentang nilai yang efisien. Dari kedua model pada model skenario menunjukkan bahwa utilisasi dari petugas layanan customer service dapat mencapai rentang nilai yang efisien yaitu antara 50%-70% tidak seperti pada model dasar yang utilisasinya mencapai diatas 80%. Hal tersebut menunjukkan bahwa model skenario yang ada dapat meningkatkan efisiensi petugas layanan yang ada. Table 3. Comparison of Simulation Results Base Model
Scenario Model
Variables Normal
High
Normal
High
VA Time
5.1451
5.612
4.8092
5.6372
NVA Time
6.626
6.5403
6.3499
6.5451
Wait Time
10.8197
20.9607
6.0797
9.9906
0.8076
0.8803
0.6809
0.5943
Utilization Value a. Customer Service 1
b. Customer Service 2
0.8209
0.8974
0.6696
0.5827
c. Customer Service 3
-
-
-
0.6104
d. Teller 1
0.6294
0.6629
0.623
0.6611
e. Teller 2
0.6207
0.6541
0.6177
0.6691
f. Teller 3
0.6167
0.6592
0.6075
0.6645
g. Teller 4
-
0.6611
-
0.6577
h. Passbook Updater
-
-
0.0458
-
a. Number of CS served
1131
1166
933
1165
b. Number of Teller served
3420
4117
3396
4111
Counter Variables
Untuk perbedaan nilai pada variabel hitung dapat dilihat pada jumlah dilayani customer servie dan jumlah dilayani teller. Pada model dasar musim normal jumlah dilayani customer service adalah 1131 dan jumlah dilayani teller adalah 3420. Berbeda pada model dasar musim tinggi jumlah dilayani customer service adalah 1166 dan jumlah dilayani teller adalah 4117, jumlah dilayani teller lebih tinggi karena perbedaan laju kedatangan nasabah yang pada musim tinggi dan perbedaan persentase dari nasabah ke customer service atau ke teller. Jumlah dilayani customer service pada model skenario musim normal mengalami penurunan menjadi 933 karena terjadi penambahan passbook updater yang menggantikan salah satu fungsi layanan customer service. Pada model skenario musim tinggi kembali mengalami kenaikan nilai menjadi 1165 karena terjadi penambahan customer service yang mengakibatkan peningkatan jumlah nasabah yang dapat dilayani petugas customer service. Untuk variabel jumlah dilayani teller tidak mengalami perubahan yang signifikan karena tidak ada perubahan struktur pada model skenario. 7. Conclusion Berikut ini adalah kesimpulan-kesimpulan yang dapat diambil berdasarkan penelitian yang telah dilakukan. Dalam penelitian ini dikembangkan dua model berdasarkan kondisi dasar yaitu model musim normal dan model musim tinggi. Setelah dua model tersebut valid, selanjutnya dilakukan skenarioisasi pada kedua model yaitu dengan penambahan passbook updater pada musim normal dan penambahan customer service pada musim tinggi. Dari perbandingan hasil simulasi, didapatkan untuk model skenario musim tinggi (penambahan customer service) memiliki penurunan nilai rata-rata Wait Time yang terbanyak yaitu 10.9701 menit jika dibandingkan dengan model dasarnya. Hal ini dikarenakan adanya penambahaan satu customer service yang dapat menangani laju kedatangan nasabah yang tinggi, sehingga waktu tunggu dari nasabah untuk mendapatkan layanan dapat berkurang. Pada model musim normal dengan skenario penambahan passbook updater, Wait Time rata-rata dapat duturunkan sebanyak 4.74 menit. Utilisasi dari customer service dengan nilai utilisasi rata-rata 81% dapat diturunkan pada rentang nilai efisien yaitu menjadi rata-rata 68%. Pada model musim tinggi dengan skenario penambahan customer service, Wait Time rata-rata dapat diturunkan sebanyak 10.97 menit. Utilisasi dari customer service pada model dasar dengan nilai rata-rata 89% dapat diturunkan pada rentang nilai efisien yaitu menjadi rata-rata 60%. References Arifin, Miftahol (2009), Simulasi Sistem Industri, Graha Ilmu, Yogyakarta. Bank Indonesia (2007), Surat Edaran: Penerapan Manajemen Risiko dalam Penggunaan Teknologi Informasi oleh Bank Umum, No. 9/30/DPNP, BI, Jakarta. Barlas, Yaman (1989), “Multiple tests for validation of system dynamics type of simulation models”, European Journal of Operational Research, 42, hal. 59-87. Casu, Barbara., Girardone, Claudia (2009), “Integration and Efficiency Convergence in EU Banking Markets”, Omega. Hasan, Alizar (2008), “Pengaruh Kemampuan Teknologi Informasi Terhadap Kinerja Bank Umum di Sumatera Barat”, Jurnal Ilmiah Teknik Industri, Vol. 8 No. 1, hal. 32-37. Hays, Fred H. ., Lurgio, Stephen A. De., Gilbert Jr, Arthur H. (2009), “Efficiency Ratios and Community Bank Performance”, Journal of Finance and Accountancy. Meepadung, Napapan., Tang, John C.S., Khang, Do Ba (2009), “IT-based banking services: Evaluating operating and profit efficiency at bank branches”, Journal of High Technology Management Research, 20, hal. 145-152. Trisusilo, Annie Y. K. (1994), Esfisiensi Waktu Pelayanan di Poliklinik Anak R.S.U.D Pasar Rebo Jakarta, Tesis Magister, Universitas Indonesia, Jakarta.
