Pendahuluan

Pengadaan merupakan penghujung rantai pasok yang memegang peran penting. Pada proses inilah, material utama proses bisnis umumnya didapatkan dari penyedia. Oleh karena itu, proses pengadaan umumnya mencakup biaya paling besar dalam rantai pasok [1], [2]. Atas dasar kondisi ini, dalam pengadaan haruslah memiliki ketepatan dalam pemilihan sumber-sumber penyedia. Dengan memilih sumber penyedia yang tepat, risiko kegagalan operasi dapat dihindari [3], [4]. Oleh karena itu, performansi penyedian sebagai mitra utama dalam proses pengadaan menjadi critical sucess factor dalam menyokong keberlanjutan operasi.

Perkembangan kontemporer pada rantai pasok mengindikasikan sistem lingkungan yang semakin kompleks, dengan ketergantungan yang semakin berlapis. Kondisi ini berujung pada ketidakpastian lingkungan bisnis, sehingga disrupsi sangat sering ditemui sebagai effect-factor yang muncul. Disrupsi ini tidak selamanya muncul sebagai fenomena besar. Namun, seperti keterlambatan pengiriman, ketidaksesuain kuantitas yang diterima, serta durasi pengiriman yang tidak menentu merupakan bukti nyata disrupsi dalam operasional yang sering ditemui [5], [6], [7]. Oleh karena itu, pengaruh gangguan operasional tersebut akan menurunkan tingkat keandalan penyedia dalam mendukung layanan operasi organisasi, utamanya dalam organisasi yang rentan terhadap ketepatan waktu seperti fasilitas pelayanan kesehatan publik. Hal ini dikarenakan fungsi pelayanan kesehatan yang sangat dinamis dan operasi layanannya akan langsung berimplikasi pada keselamatan pasien [8], [9].

Atas permasalahan tersebut, pemasok yang andal menjadi kriteria yang penting dalam memitigasi dampak ketidakpastian. Pemasok yang andal didefinisikan sebagai performansi pengiriman produk atau jasa yang tetap dapat menjaga kuantitas dan kualitas serta dijalankan dalam lingkup waktu yang sesuai dengan sebisa mungkin menghindari disrupsi [5]. Untuk memastikan keandalan pemasok berjalan dengan baik, umumnya terdapat tiga macam metrik dasar yang menjadi evaluator pertama. Dalam [3], [10], [11] menggunakan on-time delivery sebagai pengukur keandalan pemasok dalam sisi ketepatan waktu. Ini akan menjadi indikator dasar dalam mengukur daya stabilitas operasional pemasok. Penurunan kriteria tersebut dilakukan oleh [10], [12], dengan melihat efek magnitude dari ketepatan waktu yang dikirimkan untuk menjadi tingkat quantity fullfillment, yakni juga dilihat dari sisi jumlahan kuantitas yang berhasil dikirimkan tepat waktu. Sementara itu pengukuran dari durasi lama waktu pengiriman didefinisikan sebagai lead time dalam [3], [5]. Kriteria ini akan mengukur rentang waktu antara pemesanan dengan penerimaan barang oleh pembeli.

Berbeda dengan evaluasi performansi kinerja yang hanya cenderung mengidentifikasi kinerja di satu titik, performa keandalan berupaya untuk menjamin pola konsistensi kinerja antar waktu. Jika evaluasi hanya dijalankan dalam analisis kondisi eksisting, akibatnya terdapat keterbatasan dalam memberikan indikasi terhadap perubahan kinerja pemasok [13]. Deteksi kinerja pemasok ini sangat penting dalam menyusun keputusan keberlanjutan operasional. Oleh karena itu, penelitian ini tidak hanya melakukan identifikasi kinerja keandalan pemasok dalam data historis, namun juga memproyeksikan kecenderungan perubahan kinerja kedepan. Proyeksi ini dilakukan dengan pendekatan exponential smoothing dan theta. Karakteristik data order pembeli yang umumnya ditemui sebagai kejadian diskrit yang jarang, mengartikan bahwa horizon aktivitas historis yang pendek. Pendekatan theta dan exponential smoothing dapat mengolah kondisi ini dengan baik karena kedua metode proyeksi tersebut menggunakan parameter yang lebih sederhana untuk diestimasi daripada metode proyeksi kompleks [14], [15], [16]. Bahkan untuk metode theta, dengan menggabungkan short-term variation (SES) dan long-trend secara simultan, akan memberikan gambaran komprehensif dalam proyeksi yang dilakukan [16].

Sebagai wawasan kasus, Fasilitas Layanan Kesehatan Publik Pemerintah Provinsi Jawa Timur diambil sebagai objek studi. Fasilitas kesehatan ini merupakan salah satu tempat pelayanan kesehatan teramai, sehingga operasi layanan kesehatan harus selalu berjalan secara dinamis. Dengan demikian, studi ini melakukan evaluasi pemasok berbasis dinamika performa historis, sehingga memungkinkan identifikasi performa keandalan secara temporal. Pendekatan ini memperluas evaluasi pemasok yang selama ini cenderung dilakukan secara statis pada satu kondisi waktu, sehingga menambah wawasan bagaimana kecenderungan performansi pemasok untuk berubah.

Metode

Penelitian ini menggunakan pendekatan pengolahan data kuantitatif yang diekstrak dari fitur-fitur informasi yang didefinisikan dari sumber dokumen atas objek studi. Dokumen tersebut berkaitan dengan order kontrak yang dilakukan oleh pemasok dengan objek studi seperti ringkasan kontrak dan berita acara setiap kegiatan order. Ekstraksi fitur diantaranya seperti informasi terkait tanggal-tanggal penting order (tanggal kirim, tanggal terima, tanggal batas), komoditi yang dipesan (dalam lingkup obat-obatan dan alat kesehatan medik), serta harga tiap komoditi dan harga total. Kemudian untuk setiap pesanan di tiap pemasok akan diagregasi dalam satuan periode bulanan.

Dalam studi ini, membatasi pemasok dengan jumlah periode bulan aktif rendah (N < 4) untuk dieklusi dari pengolahan, untuk menjaga kualitas eksekusi proses peramalan. Perhitungan performansi keandalan dilakukan dengan fitur-fitur terktrasi. Hasil perhitungan tersebut diramalakan dengan pendekatan exponential smoothing dan pendekatan theta yang akan dievaluasi error dan stabilitasnya.

Figure 1. Alur Penelitian

1. Definisi Kriteria

Kriteria perhitungan performansi keandalan yang digunakan dalam studi ini adalah kriteria-kriteria dasar performansi pemasok yang memang merepresentasikan kelangsungan pengiriman pemasok itu sendiri. Definisi metrik ini termuat dalam Tabel 1, termasuk dengan sumber pemuatnya.

Table 1. Logika Pendefinisian Kriteria

2. Pemahaman Data

Data yang digunakan dalam studi ini didapat dari dokumen kontrak-order salah satu fasilitas kesehatan Pemerintah Provinsi Jawa Timur. Data memuat order selama Tahun 2023, dengan 138 kontrak yang berhasil di inklusi dari 13 pemasok yang tersedia dan memenuhi sayrat (N ≥ 4). Pemasok tersebut adalah pemasok sektor farmasi yang tanggung jawabnya menyediakan kebutuhan obat-obatan dan perbekalan medis.

Dokumen ringkasan kontrak akan diestrak menjadi fitur tanggal penting : tanggal pesan, tanggal kirim, dan tanggal batas akhir. Ini digunakan umumnya untuk ketiga metrik yang ada. Sementara untuk Berita Acara Order diekstrak menjadi fitur informasi jenis komoditi dan jumlahan kuantitasnya. Ini digunakan untuk menghitung metrik quantity fullfillment.

3. Pemrosesan Data

Data kontrak yang telah terhimpun dan telah diekstraksi menjadi sebuah fitur kemudian diolah penilaian 3 metrik keandalan dalam Tabel 1 : OTD (%), Quantity Fullfillment (%), dan Order Lead Time (hari). Setelahnya agregasi bulanan dilakukan berdasarkan tanggal pemesanan. Nilai hasil olahan akan di proyeksikan berbasis time-series forecasting menggunakan exponential smoothing dan Theta. Pemilihan kedua metode ini dilakukan karena sifat asli data yang hanya terdiri atas 12 bulan observasi historis serta pemasok yaang heterogen. Kondisi ini lebih cocok jika diproses oleh metode smoothing karena cenderung lebih stabil dan dapat diinterpretasikan dibandingkan dengan model parametrik yang lebih kompleks dan memerlukan jumlah data yang besar [14], [15]

Model exponential smoothing yang digunakan dimodelkan untuk dapat mengadopsi struktur level dan tren yang adaptif dengan menonaktifkan komponen musiman (additive trend, no seasonal). Komponen musiman dinonaktifkan karena pertimbangan horizon data yang sangat singkat, sehingga ini dilakukan untuk mencegah overfitting dalam proyeksi. Sebagai pembanding dan penguat, metode theta juga diterapkan. Metode ini akan mendekomposisi deret waktu dalam dua term utama : term 1 menilai tren jangka panjang dan term 2 menilai tren jangka pendek berbasis simple exponential smoothing (SES). Model ini direpresentasikan dalam persamaan (1).

Kedua metode forecast kemudian dievaluasi tingkat errornya menggunakan Mean Absolute Error (MAE), Root Square Mean Error (RSME), dan Tracking Signal (TS). Disisi lain, stabilitas hubungan antara indikator (kriteria) dievaluasi menggunakan korelasi aggregate yang dipahami sejauh mana perubahan indikator tertentu sejalan dengan indikator lainnya.

Hasil dan Pembahasan

Pada awalnya, setalah data kontrak berhasil diidentifikasi, pengolahan 3 metrik keandalan dengan logika yang dimuat dalam Tabel 1. Nilai hasil olahan pada data historis (12 bulan di tahun 2023) dimuat dalam Gambar 2. Berdasarkan data historis bulanan, performansi pemasok menunjukkan pola fluktuatif. Secara rata-rata nilai OTD berada di rentang 80,38±13,22%, serta Quantity Fullfillment berada di rentang 79,33±13,56%. Sementara itu dalam sisi durasi, secara umum 13 pemasok yang diidentifikasi memiliki rentang durasi pengirimaan 20±7 hari.

Secara lebih detail,OTD Rate dan Quantity Fullfillment memiliki rerata yang relatif rendah pada awal tahun, khususnya pada periode Januari-Maret (OTD : 57-60% & Quantity Fullfill = 55-57%). Namun nilai ini meningkat signifikan pada periode Februari, Mei, Agustus, dan November dengan rerata mencapai 90-94%, serta cenderung lebih stabil pada paruh semester kedua. Sementara itu, rerata Order Lead Time menunjukkan kecenderungan berbeda, dengan rerata meningkat pada pertengahan tahun (Mei-Juni : 25-31 hari) dan menurun tajam pada akhir tahun, khususnya November (±7,75 hari) dan Desember (±13,5 hari).

Figure 2. Hasil Identifikasi 3 Kriteria Performansi Keandalan (Historis)

Bukti kuantitatif ini menunjukkan adanya trade-off temporal, di mana capaian OTD dan Quantity Fullfillment yang tinggi pada periode tertentu masih disertai lead time yang relatif panjang, terutama pada pertengahan tahun, sebelum efisiensi waktu pengiriman membaik secara signifikan di akhir tahun. Secara keseluruhan, kombinasi tingginya rerata OTD dan Quantity Fullfillment dengan variabilitas lead time yang cukup besar menegaskan bahwa performansi pemasok tidak bersifat statis, melainkan dinamis dan bergantung waktu. Sementara itu, terdapat kecenderungaan tingginya OTD dan Quantity Fulfill searah dengan order lead time yang ikut membesar, seperti dalam Bulan April-Mei dan September-November. Ini mengindikasikan bahwa tidak selamanya untuk pengiriman yang tepat waktu dengan kuantitas yang terkirim sesuai, dilakukan dalam waktu yang singkat[17].

Table 2. Hasil Identifikasi Performansi Rata-rata Pemasok

Analisis juga dilakukan untuk tinjauan per pemasok memperlihatkan heterogenitas performansi yang secara langsung menjelaskan dinamika aggregat bulanan pada tiga metrik yang digunakan dalam Tabel 2. Pemasok dengan tingkat ketepatan sangat tinggi seperti SUP_J (OTD = 100%; Quantity Fullfill = 100%), SUP_A (OTD = 95,6%; Quantity Fullfill = 96,8%), serta SUP_AC (OTD = 93,8%; Quantity Fullfill = 92,4%) menjadi kontributor utama terhadap bulan-bulan dengan rata-rata aggregat dalam OTD dan Quantity Fullfill yang tinggi (seperti Februari, Mei, Agustus, dan November). Namun, performansi berbasis persentase tersebut tidak selalu sejalan dengan efisiensi waktu pengiriman. Sebagaimana terlihat pada SUP_AA, SUP_AP, dan SUP_AO, meskipun OTD dan Quantity Fullfill tercatat pada kisaran 62-78%, kondisi tersebut tetap memiliki lead time rata-rata yang panjang (35-48 hari). Sebaliknya, pemasok dengan lead time sangat rendah, seperti SUP_G (±7,1 hari) dan SUP_BG (±8,7 hari), berkontribusi pada penurunan rata-rata lead time aggregat di akhir tahun, meskipun pada beberapa kasus diikuti oleh tingkat kepatuhan yang lebih rendah secara persentase (misalnya SUP_BG dengan OTD dan Quantity Fulfill sebesar ±50%). Berdasarkan pembahasan wawasan Gambar 1 dan Tabel 2, didapatkan pemahaman bahwa ketika performansi operasional sangat tinggi (OTD dan Quantity Fulfill) tidak sejalan dengan lead time yang baik, kondisi sebaliknya bahwa lead time semakin panjang ketika operasional performansi sangat tinggi. Dan ini bisa terjadi utamanya untuk produk kompleks, karena perlu ada penyiapan waktu dan treatment khusus yang akhirnya memengaruhi lama pengiriman [1]. Utamanya untuk objek studi kasus, komoditi yang dipesan dalam fasilitas kesehatan memang saangat kompleks yang terdiri dari berbagai komponen dan material yang komposisinya juga perlu diperhatikan, khusunya untuk tujuan keselamatan pasien[18].

Kemudian, nilai yang didapat akan di-forecast menggunakan penedekatan exponential smoothing dan theta. Hasil rangkuman proyeksi secara aggregate ditampilkan dalam Gambar 3. Berdasarkan gambar tersebut, secara aggregat terjadi tren penurunan order lead time dan OTD dari Januari hingga November, sementara Quantity Fulfillment relatif stabil di kisaran 79-80%. Secara khusus, Desember menunjukkan lonjakan order lead time menjadi 11,0 hari dan peningkatan Quantity Fulfillment menjadi 80,07%. Namun OTD justru turun ke titik terendah 73,64%, mengindikasikan potensi tekanan operasional di akhir tahun.

Figure 3. Hasil Identifikasi 3 Kriteria Performansi Keandalan (Forecast)

Jika dilihat dari proses perubahan bulanan, tren transisi Januari hingga Desember Tahun 2024 menunjukkan bahwa Order Lead Time mengalami perbaikan yang dominan pada sebagian besar periode awal hingga menengah(Januari hingga Oktober : -2,4% hingga -7,7%) namun dengan volatilitas yang menjadi cukup tinggi (stdev : 10,17%). Namun setelah menurun, terdapat peningkatan yang cukup tajam, yakni pada akhir tahun (November-Desember : +29,24%), sedangkan Quantity Fulfill menunjukkan peningkatan yang sangat terbatas dan cenderung stagnan dengan nilai positif hanya muncul pada fase semester kedua Tahun 2024 (Agustus hingga Desember : +0,67% dengan stdev 0,51%). Sementara untuk OTD memperlihatkan pola serupa dengan perbaikan kecil pada periode akhir (sebesar +0,02%) setelah fase penurunan awal. Secara global, untuk semua metrik tren peningktan cenderung menurun, hal ini menjadi kabar baik untuk order lead time, yang mengindikasikan adanya perbaikaan performansi pemasok untuk bisa memenuhi pesanan dengan durasi yang lebih singkat daripada sebelumnya[19]. Sementara untuk OTD dan Quantity Fullfillment, kecenderungan penurunan mengindikasikan bahwa terjadi perubahan kemampuan pemasok untuk menjaga ketepatan waktu dan keberhasilan kuantitas dikirimkan secara tepat waktu.Dengan demikian, pengadaan di fasilitas kesehatan objek perlu mengantisipasi periode beban tinggi. Ini dapat dilakukan diantaranya dengan menguatkan sistem buffer persediaan, dengan mengamankan stok layanan klinis dari dampak langsung ketidakpastian [5]. Selain itu, penyesuaian strategi pemasok secara musiman dapat dilakukan objek fasilitas kesehatan untuk mengalokasikan volume, kontrak, atau peran pemasok secara adaptif sesuai periode beban. Dengan ini, ketergantungan pada pemasok performa yang menurun pada fase-fase tertentu dapat dikurangi keterlibatannya. Maka dari itu, kondisi tersebut akan memastikan proses pengadaan tetap kompetitif, andal, dan adaptif terhadap dinamika pasar yang terjadi [20].

Figure 4. Hasil Forecast Kedua Metode untuk Ketiga Metrik Keandalan

Pemetaan forecast di kedua metode ditampilkan dalam Gambar 4 untuk masing-masing ketiga kriteria dan masing-masing 13 penyedia. Secara visual, baik untuk OTD dan Quantity Fulfill maupun Order lead time, terlihat sangat fluktuatif dengan kecenderungan tren peningkatan masih lebih tinggi dalam metode exponential smoothing (ETS), sementara dalam metode Theta lebih cenderung agresif dalam tren penurunan. Hasil forecast secara aggregat di kedua metode ditampilkan secara detail dalam Tabel 3.

Table 3. Hasil Forecast Kedua Metode Per Pemasok

Secara global, hasil peramalan menunjukkan bahwa sebagian besar pemasok berada pada kondisi performa yang baik untuk metrik performansi keandalan, terutama pada OTD dan Quantity Fullfillment, walupun variasi antar pemasok dan perbedaan representasi antar metode masih terjadi. Pada kelompok pemasok yang stabil, performa tampak sangat tinggi dan konsisten. Seperti contoh di SUP_AV, SUP_J, dan SUP_N mempertahankan performa yang optimal (OTD = 100,00% & Qtyfulfill = 100,00%) baik di metode exponential smoothing (ETS) maupun Theta. Kondisi mengindikasikan deret historis yang homogen dan rendah ketidakpastian. Di luar kelompok ini, performa tinggi juga terlihat pada pemasok seperti SUP_A (ETS: OTD 95,56%, Qtyfullfill 96,79% & Theta: OTD 95,56%, Qtyfullfill 96,79%) dan SUP_AX (ETS: OTD 95,39%, Qtyfullfill 98,41% dan Theta: OTD 89,43%, Qtyfullfill 92,09%) yang tetap berada pada level keandalan kuat meskipun ada kecenderungan penurunan pada metode Theta. Namun, ketika fokus diarahkan pada lead time, kriteria ini menjadi yang paling sensitif terhadap model forecast. Contohnya SUP_A memiliki nilai rerata lead time dalam metode ETS 29,3 hari dan Theta 25,1 hari. Sementara itu SUP_N bergeser dari rerata lead time ETS 3,5 hari menjadi Theta 10,4 hari. Temuan ini menunjukkan bahwa estimasi lead time bersifat lebih sensitif terhadap asumsi peramalan dibandingkan indikator layanan lainnya (OTD dan Qtyfullfill), sehingga setiap metode merepresentasikan dimensi efisiensi waktu pengiriman yang berbeda meskipun tingkat layanan operasional tetap terjaga.

Pada pemasok dengan riwayat performa yang ekstrem atau sangat fluktuatif, exponential smoothing mempertahankan penalti kinerja yang tajam. Ini terjadi kaena bobot historis pada exponential smoothing (ETS) meluruh secara gradual, sehingga kegagalan masa lalu tetap menekan estimasi performa, sehingga penalti kinerja dipertahankan secara tajam [14], [21]. Hal ini terpresentasi pada Tabel 3, pemasok seperti SUP_AU (2,48%) dan SUP_AY (hampir 0%), ETS menghasilkan estimasi OTD dan Quantity Fullfillment yang sangat rendah. Sementara itu, Theta menghasilkan estimasi yang jauh lebih tinggi karena mekanisme trend smoothing. Proyeksi yang ditarik ke arah perilaku rata-rata jangka panjang, terlepas dari pola data teraakhir, mengakibatkan kegagalan ekstrem tidak sepenuhnya didominasi dalam ramalan [22].

Pada pemasok dengan deret waktu yang stabil dan konsisten, perbedaan antar metode akan mengecil, karena baik exponential smoothing (ETS) maupun Theta bekerja dalam area tren yang sama dengan noise struktural yang minimum. Hal ini terjadi karena pada kondisi data yang konsisten, metode Theta klasik sering kali dianggap secara fungsional setara Simple Exponential Smoothing (SES) dengan drift [22]. Hal ini tervalidasi secara empiris, dilihat dari Tabel 3, pada pemasok seperti SUP_AV, SUP_J, dan SUP_N, yang menunjukkan nilai performa hampir identik dikedua metode (Nilai OTD dan QtyFullfill = 100%, sementara nilai lead time berkisar di 0-10 hari. Sementara itu, pada pemasok kelas menengah dengan variasi moderat, Theta dapat menggeser estimasi ke dua kondisi : optimis atau pesimis, bergantung pada struktur tren jangka panjangnya. Sementara itu, ETS tetap mencerminkan kondisi lokal terbaru. Pola ini menjelaskan mengapa beberapa pemasok mengalami peningkatan performa pada Theta (misalnya SUP_AC : rerata +36,3%), sementara yang lain justru mengalami penurunan (misalnya SUP_BG : rerata -60%).

Figure 5. Hasil Evaluasi Error Forecasting.

Berdasarkan Gambar 5, OTD dan Quantity Fulfill menunjukkan MAE sebesar ±24-26% dan RMSE ±31-33%, yang berarti prediksi dapat menyimpang hampir seperempat hingga sepertiga dari skala penuh (100%). Sementara itu untuk kriteria Order Lead Time memiliki MAE ±7-8 hari dan RMSE ±9-10 hari. Walaupun terjadi perbedaan rentang error dalam metrik, ketika dibandingkan kedua error di kedua metrik menunjukkan kondisi marjinal. Selisih MAE dan RMSE antara ETS dan Theta pada OTD dan Quantity Fulfill tetap kecil (±0,05-1,8%). Berdasarkan perbandingan ini, lead time cenderung menunjukkan kondisi yang stabil, terepresentasi secara visual dalam Gambar 4. Sementara itu, OTD dan Quantity Fullfill cenderung terlihat naik-turun. Stabilitas lebih terlihat dalam Order Lead Time dibandingkan dengan OTD dan Quantity Fulfill disebabkan oleh perbedaan konstruksi kriteria lead time yang bersifat kontinyu (hari), sedangkan kriteria layanan merupakan agregasi indikator biner (0/1) yang sangat sensitif terhadap perubahan jumlah kejadian. Disisi lain, tracking signal untuk kedua metode memberikan nilai yang cenderung kecil dan dekat dengan nol (terletak diantara orde 10⁻⁷ hingga 10⁻⁶). Ini mengindikasikan bahwa forecast yang dilakukan oleh kedua metode cukup stabil, karena tidak ada nilai yang cenderung melebihi +4 (under-forecasting) atau kurang dari -4 (over-forecasting). Nilai ±4 menjadi batasan bias, ketika terdapat nilai lebih dari rentang tersebut, maka indikasi pengecekan forecast dapat dilakukan [21].

Figure 6. Hasil Korelasi Aggregate Tiap Kriteria

Hasil uji korelasi aggregat bulanan menunjukkan bahwa secara rerata OTD dan Quantity Fulfill bergerak searah dengan sangat konsisten (r = 0,98). Sementara itu keduanya memiliki korelasi lemah dan negatif terhadap Order Lead Time (OTD–LT: r = −0,16; Qtyfullfill–LT: r = −0,04). Kondisi ini menegaskan bahwa metrik layanan (OTD & Qtyfullfill) membentuk satu dimensi perilaku yang saling terkait, sedangkan lead time merupakan dimensi operasional yang relatif independen. Dengan demikian dapat dipahami bahwa perubahan lead time tidak selamanya akan secara konsisten diikuti oleh perubahan OTD dan Quantity Fullfillment.

Simpulan

Penelitian ini berhasil mengidentifikasi performa penyedia dalam studi objek fasilitas kesehatan menggunakaan tiga metrik utama yang dapat merepresentasikan keandalan pemasok : On-time delivery (OTD), Quantity Fullfillment, dan Order lead time. Studi ini memberikan pemahaman baru atas evaluasi pemasok yang seringnya ditemui dengan pemahaman performa statis, menuju identifikasi keandalan dinamis. Hal ini dilakukan dengan memanfaatkan peramalan sebagai instrumen dalam mendeteksi konsistensi performansi pemasok. Peramalan ini dilakukan dengan metode exponential smoothing dan theta, karena kedua metode tardisional ini lebih baik dalam mengidentifikasi kondisi data historis yang pendek dan terbatas. Berdasarkan hasil yang didapatkan untuk kriteria OTD dan Qtyfullfill, hasil proyeksi metode theta masih memiliki kecenderungan nilai proyeksi yang lebih tinggi. Sementara itu, untuk metode exponential smoothing lebih memiliki nilai proyeksi kriteria yang lebih kecil dari kondisi historis. Hal ini terjadi atas karakteristik natural, bahwa metode theta lebih melihat kondisi secara tren jangka panjang. Sementara itu, untuk metrik order lead time, dalam kedua metode sepakat bahwa terdapat kecenderungan penurunan durasi pengiriman. Kondisi ini mengimplikasikan bahwa perbaikan kinerja pada satu metrik tidak selalu merepresentasikan performa keandalan yang konsisten ketika dievaluasi di bawah asumsi peramalan yang berbeda. Oleh karena itu, pemasok dengan kecenderungan performa yang konsisten meningkat di kedua penedekatan peramalan dapat diprioritaskan sebagai rujukan yang perlu dipertahankan. Dengan demikian, evaluasi keandalan yang bersifat multimetrik dan dinamis tersebut dapat berfungsi sebagai bekal dalam memitigasi risiko operasional fasilitas kesehatan yang beroperasi dalam lingkungan tidak pasti dan memebutuhkan mutu pelayanan tinggi karena pelayanan yang langsung berdampak pada keselamatan pasien.

Meskipun metode peramalan Exponential Smoothing dan Theta terbukti mampu menangkap kecenderungan umum kinerja pemasok, kedua metode ini pada dasarnya beroperasi dalam kerangka peramalan yang bersifat relatif linier dan berbasis tren. Oleh karena itu, keterbatasannya terlihat ketika dihadapkan pada pola data yang fluktuatif dan dipengaruhi oleh perubahan perilaku operasional yanag memeiliki pola tertentu dalam sub-sub periodenya.Sebagaimana pola data ayang dimuaat dalam studi ini, kecenderungan fluktuatif ditemui, sehingga pendekatan ini berpotensi mereduksi kompleksitas temporal menjadi representasi tren rata-rata. Sementara itu, pemanfaatan model berbasis deep learning seperti Long Short-Term Memory (LSTM) menjadi relevan sebagai arah pengembangan penelitian selanjutnya. Ini didasarkan atas kemampuannya dalam memodelkan dependensi non-linier, menangkap pola musiman secara baik, serta merespons dinamika jangka pendek dan jangka panjang secara simultan. Walaupun begitu, keberhasilan pendekatan LSTM sangat bergantung pada kualitas dan kontinuitas data historis. Prose imputasi dapat membantu sebagai pendekatan pengisian data hilang, dengan catatan bahwa proeses imputasi tidak dapat diperlakukan sebagai pengisian nilai semata, melainkan harus mempertimbangkan tingkat aktivitas data pemasok sebagai bentuk pengaman atas pertimbangan distribusi data.

Ucapan Terima Kasih

Peneliti mengucapkan terima kasih kepada studi objek amatan (Fasilitas Kesehatan Pemerintah Provinsi Jawa Timur yanag tidak dapat disebutkan institusinya secara eksplisit karena beberapa alasan) yang telah bersedia untuk melakukan penelitian dalam area lingkungan kerjanya.