LAMPIRAN III
PERATURAN MENTERI KESEHATAN REPUBLIK INDONESIA
NOMOR 46 TAHUN 2016
TENTANG SISTEM INFORMASI PUSKESMAS
PEMANFAATAN DATA
Data yang diperoleh dari kegiatan dan hasil kegiatan dalam Sistem Infformasi Puskesmas, dapat menjadi basis informasi yang diperlukan untuk perencanaan, pemantauan untuk deteksi wabah, pemantauan masalah kesehatan, penilaian dan evaluasi guna menunjang tugas dan fungsi Puskesmas.
Untuk dapat melaksanakan pemanfaatan data terlebih dahulu perlu memahami konsep ukuran statistik dan tahapan analisis.
UKURAN 1.
I. KONSEP UKURAN STATISTIK
1. Konsep dan Penggunaan Ukuran Frekuensi
Ukuran frekuensi menggambarkan karakteristik kejadian suatu penyakit atau masalah di dalam populasi. Ukuran frekuensi mengukur kejadian penyakit, cacat, ataupun kematian pada populasi.
2. Konsep dan Penggunaan Ukuran Proporsi
Disebut pula sebagai distribusi proporsional, yaitu persentase (proporsi) di antara jumlah keseluruhan peristiwa/kejadian dari suatu seri data yang muncul dalam suatu kategori seri data termaksud. Rumus:
Proporsi =
x = jumlah kejadian atau penderita dan lain-lain, yang timbul dalam suatu kategori atau subgrup tertentu dari suatu kelompok yang lebih besar
y = jumlah keseluruhan dari kejadian atau penduduk dan lain-lain muncul pada semua kategori dari suatu seri data tertentu k = selalu sama dengan 100
Contoh:
a. Jumlah posyandu di Puskesmas B adalah 16, dan 6 diantaranya adalah Posyandu Pratama. Berarti proporsi Posyandu Pratama pada Puskesmas B adalah :
6
X 100 % = 37,5 % 16
b.Jumlah sarana air bersih di Puskesmas M adalah 100, dengan rincian sumur gali (SG) 40; Penampungan Mata Air (PMA) 50; dan Sumur Pompa Tangan (SPT) 10. Dengan demikian, proporsi dari masing-masing (jenis) SAB adalah 40% SG, 50% PMA, dan 10% SPT.
3. Konsep dan Penggunaan Ukuran Rasio
Rasio adalah suatu ukuran frekuensi relatif terjadinya suatu peristiwa/kejadian dibandingkan dengan frekuensi peristiwa/kejadian yang lain (perbandingan antara suatu nilai dengan nilai yang lain)
Rasio dapat juga menunjukkan tingkat hubungan atau keterkaitan antara suatu variabel lainnya dan menunjukkan seuatu arti tertentu. Rumus:
x = jumlah kejadian, orang, dan lain-lain yang memiliki satu atau lebih ciri-ciri tertentu
y = jumlah kejadian, orang yang memiliki satu atau lebih ciri-ciri tertentu, namun ciri tersebut berbeda dengan ciri-ciri kelompok X
k = 1
Contoh:
a. Rasio tambal-cabut gigi (penambalan gigi tetap dan pencabutan gigi tetap)
Rasio = x X k y
Jumlah penambal gigi tetap adalah 100 gigi dan jumlah pencabutan gigi adalah 150 gigi, berarti rasio tambal-cabut gigi di Puskesmas adalah:
100 gigi : 200 gigi = ½ atau setiap penambalan 1 gigi tetap ada pencabutan 2 gigi tetap.
b.Seks rasio
Jumlah penduduk laki-laki dan perempuan di Kecamatan A adalah 875 orang dan 961 orang, berarti seks rasio di Kecamatan A adalah: 961: 875 = 1,1 atau setiap 10 orang laki-laki ada 11 orang perempuan.
4. Konsep dan Penggunaan Ukuran Rate, Angka Prevalensi, Angka Insiden, Angka Serangan
Dalam epidemiologi, ada dua ukuran penyakit yang harus dibedakan, yaitu : Insiden, yang menggambarkan jumlah kasus baru yang terjadi dalam satu periode tertentu, dan Prevalensi, yang menggambarkan jumlah kasus yang ada pada satu saat tertentu.
Untuk memudahkan pemahaman, setiap individu dalam populasi dianggap masuk dalam salah satu dari dua kategori ini: sakit, atau tidak sakit. Prevalensi menggambarkan proporsi populasi yang sakit pada satu saat tertentu, sedangkan insidens menggambarkan perpindahan dari kategori tidak sakit ke kategori sakit. Oleh karena itu, prevalens adalah sinonim dengan status suatu penyakit, sedangkan insiden adalah kejadian (event) penyakit atau perubahan dari status sehat ke status sakit.
Insiden merupakan probabilitas dari seorang yang tidak sakit untuk menjadi sakit selama periode waktu tertentu, dengan syarat orang tersebut tidak mati oleh karena penyebab lain. Risiko ini biasanya digunakan untuk mengukur serangan penyakit yang pertama pada orang sehat tersebut.
Dalam investigasi wabah penyakit menular, periode pengamatan yang dipakai biasanya adalah selama periode wabah berlangsung, atau periode waktu dimana kasus primer terjadi. Dalam kejadian yang demikian ini insiden kumulatif (risk) seringkali disebut attack rate
Rate adalah suatu ukuran frekuensi suatu peristiwa/kejadian pada suatu populasi tertentu, baik pada suatu saat maupun selama periode waktu tertentu.
Rumus:
x = jumlah orang di dalam suatu kelompok masyarakat tertentu (berdasarkan waktu, t empat, dan orang) yang mengalami suatu kejadian (kasus) selama periode tertentu.
y = jumlah orang dalam suatu kelompok masyarakat tertentu selama jangka waktu yang sama dengan munculnya kasus. Biasanya populasi ini diambil dari jumlah populasi pada pertengahan jangka waktu tertentu.
k = suatu angka konstanta yang biasanya dibuat sehingga rate yang terkecil yang dapat dipakai dalam perhitungan paling kurang satu desimal (4,2/1000 bukan 0,42/1000)
Contoh-1 (angka insiden):
Jumlah penderita baru campak umur <15 tahun yang berobat ke Puskesmas A tahun 2014 adalah 20 penderita. Jumlah penduduk berumur <15 pada wilayah Puskesmas A adalah 1200 orang.
Maka incidence rate(angka insiden) di wilayah Puskesmas A pada tahun 2014 adalah:
= 17 penderita per 1000 penduduk < 15 tahun
Contoh-2 (angka prevalensi):
Jumlah penderita HIV pada penduduk dewasa umur >15 tahun di Kabupaten A sampai bulan Desember 2013 adalah 20 penderita. Selama tahun 2014 ada penambahan 3 kasus baru HIV pada penduduk dewasa
Rate = x X k y
= 20 penderita baru campak berobat umur <15 tahun X 1.000 1200 penduduk berumur <15 tahun
umur >15 tahun. Jumlah penduduk berumur >15 di Kabupaten A adalah 1200 orang.
Maka prevalence rate(angka prevalensi) HIV di Kabupaten A pada tahun 2014 adalah:
S
Sedangkan incidence rate HIV di Kabupaten A pada tahun 2014 adalah:
Contoh-3 (angka kematian/kefatalan kasus):
Jumlah penderita HIV pada penduduk dewasa umur >15 tahun di Kabupaten A sampai bulan Desember 2013 adalah 20 penderita. Selama tahun 2014 ada penambahan 3 kasus baru HIV pada penduduk dewasa umur >15 tahun. Jumlah penduduk berumur >15 di Kabupaten A adalah 1200 orang. Selama tahun 2014 ada 4 penderita HIV yang meninggal.
Maka case fatality rateHIV di Kabupaten A pada tahun 2014 adalah:
Contoh-4 (angka serangan):
Selama tiga bulan terjadi wabah kolera di desa Warna Sari, Kecamatan Belimbing. Dari 3800 penghuni desa tersebut, 162 diantaranya terserang kolera.
=
20 penderita lama HIV + 4 penderita baru HIV
umur >15 tahun X 1.000 1200 penduduk berumur >15 tahun
= 20 penderita per 1000 penduduk > 15 tahun
= 4 penderita baru HIV umur >15 tahun X 1.000 1200 penduduk berumur >15 tahun
= 3 penderita per 1000 penduduk >15 tahun
=
4 penderita HIV umur >15 tahun
meninggal X 1.000
24 penderita HIV berumur >15 tahun = 17 kematian per 100 penderita HIV
II. TAHAPAN ANALISIS 1. PRA ANALISIS
Tahap pra analisis adalah tahap yang dilakukan sebelum melakukan analisis data untuk menentukan apakah data layak di analisis atau tidak.
Pada tahap pra analisis akan dilakukan pembersihan data. Metode pembersihandata dapat dilakukan ada 2 cara yaitu:
a. Cek Kesesuaian Data Dalam Satu Program (logical check)
Cek kesesuaian dalam satu program adalah metode untuk mengetahui kesesuaian suatu data melalui pengecekan hubungan antar data dan variabel lain yang terkait dalam satu program. Contoh data yang dapat dibandingkan adalah cakupan K1 dan K4; jumlah ibu hamil dan ibu bersalin; jumlah bayi diimunisasi DPT-HB1 dan BCG
Langkah langkah pelaksanaan :
1) Siapkan data yang akan di cek, kelengkapan data > 80%
2) Pilihlah beberapa indikator yang ada hubungan satu dengan lainnya pada periode waktu yang sama, kemudian data tersebut disandingkan
3) Bandingkan antar data indikator tersebut menurut urutan proses pelaksanaan kegiatan program
4) Kemudian dinilai apakah data tersebut “wajar”. Data disebut wajar bila tidak ada data yang memiliki kesenjangan yang menyolok 5) Bila data tidak wajar maka harus dilakukan verifikasi ke sumber
data, kemudian diperbaiki Contoh :
1) Kesehatan Anak
Laporan program kesehatan anak Puskesmas A : Jumlah ibu bersalin di Puskesmas A= 432 orang. Jumlah bayi = 582 bayi.
Jumlah KN1 = 583 Immunisasi HB0 = 964
Insiden kumulatif (angka serangan) = 162 = 0.043 = 4,3 % 3.800
Immunisasi BCG = 892
Data diatas menunjukkan:
a) Adanya kesenjangan antara jumlah ibu bersalin dengan jumlah kunjungan neonatus pertama kali (KN1), yaitu: 432 - 583 = - 151 neonatus.
Pertanyaannya adalah, „Mengapa terjadi perbedaan yang sangat besar?‟.
Kunjungan Neonatus pertama kali (KN1) dilaksanakan pada usia 6-48 jam setelah lahir. Oleh karena itu jumlah KN1 seharusnya sama dengan ibu bersalin.
b) Adanya kesenjangan antara jumlah bayi dengan jumlah bayi mendapat imunisasi HB0, yaitu 582 – 964 = - 382
Pertanyaannya adalah, „Mengapa terjadi perbedaan yang sangat besar?‟.
Immunisasi HB0 biasanya diberikan segera setelah bayi lahir, maka jumlah bayi yang mendapat imunisasi HB0 seharusnya sama dengan jumlah bayi.
Perbedaan data kunjungan neonatus dengan ibu bersalin dan jumlah bayi dengan jumlah bayi yang mendapat imunisasi HB0 tersebut bisa disebabkan : perpindahan antar wilayah, bayi kembar, kesalahan pencatatan, atau data tersebut benar. Untuk memastikan kesesuaian data tersebut, perlu dilakukan verifikasi pada sumber data
2) Gizi Balita
Berdasarkan laporan program Gizi di Provinsi Kepulauan Riau dapat diketahui bahwa :
Jumlah balita : 183.114 balita.
Jumlah balita ditimbang : 60.833 balita.
Jumlah balita yang tidak ditimbang : 122.281 balita.
Jumlah balita dengan gizi kurang yang dilaporkan : 347 balita Jumlah balita dengan gizi buruk yang dilaporkan : 22 balita. Sedangkan berdasrkan data Riskesdas 2013 dapat diketahui bahwa :
Jumlah balita gizi kurang di Provinsi Kepulauan Riau sebesar 11,6 %, artinya bahwa di Provinsi Kepulauan Riau terdapat 21.241 balita (0,116 x 183.114) gizi kurang.
Jumlah balita gizi buruk di Provinsi Kepulauan Riau sebesar 4%, artinya bahwa di Provinsi Kepulauan Riau terdapat 7.324 balita (0,04 x 183.114) gizi buruk.
Dari 2 kondisi di atas terlihat kesenjangan data status gizi yang sangat jauh antara yang dilaporkan dengan hasil riskesdas yang merupakan representasi dari populasinya, yaitu:
Gizi kurang : 21.241 - 347 = 20.894 balita. Gizi buruk : 7.324 - 22 = 7.302 balita.
Pertanyaannya: " berada dimana sebanyak 20.894 balita gizi kurang dan 7.302 gizi buruk itu? apakah terdapat diantara 122.281 balita yang tidak ditimbang?
b. Cek Kesesuaian Data Antar Program
1) Siapkan dan urutkan data berdasarkan proses, contohnya proses kehidupan (life cycle process).
2) Bandingkan data berdasarkan urutan prosesnya. Contoh:
Program kesehatan ibu (variabel persalinan oleh tenaga kesehatan) dibandingkan dengan program kesehatan anak (variabel kunjungan neonatus 1).
Jumlah kunjungan neonatus 1 (KN1) idealnya sama atau lebih rendah dibandingkan dengan jumlah ibu bersalin ditolong oleh tenaga kesehatan (linakes). Oleh karena itu apabila jumlah KN1 lebih tinggi dibandingkan dengan jumlah linakes, maka data tersebut dianggap tidak logis.
3) Jika hasil cek kesesuaiaan tersebut logis, maka data siap untuk dianalisis. Namun, jika hasil cek kesesuaiaan data tersebut tidak logis, maka harus dilakukan verifikasi lebih lanjut ke sumber data dan dilakukan perbaikan.
Dua data yang diperbandingkan dianggap masih sesuai/logis apabila besar perbedaanya tidak lebih dari ±15%.
2. TAHAP ANALISIS
Metode analisis ada 2 macam yaitu metode analisis kuantitatif dan metode analisis kualitatif. Analisis kuantitatif terdiri atas analisis statistik deskriptif dan analisis statistik inferensial
Pada umumnya di Puskesmas menerapkan metode analisis statistik deskriptif yang disesuaikan dengan keperluan bidang kesehatan. Analisis ini dimanfaatkan untuk perencanaan, pemantauan kejadian wabah, pemantauan masalah kesehatan, serta penilaian dan evaluasi. Analisis statistik deskriptif menurut waktu, orang, dan tempat.
Terdapat tiga jenis analisis statistik deskriptif yang dapat diterapkan di puskesmas, yaitu:
a. Analisis Deskriptif Menurut Waktu, Tempat dan Orang
Analisis ini menggambarkan kejadian kesehatan yang dikelompokkan berdasarkan waktu, tempat kejadian dan karakteristik orang
Analisis ini dapat disajikan dalam bentuk:
1) Analisis Menurut Waktu (kecenderungan berdasarkan hari, minggu, bulan, tahun)
Analisis menurut waktu dimanfaatkan untuk meramalkan kejadian pada masa yang akan datang, baik kecenderungan peningkatan atau kecenderungan penurunan suatu kejadian.
Kasusus Diare Bontonyaleng, 2014-2015 0 100 200 300 400 500 1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 2014 - BULAN - 2015 JUM LA H KA SUS KASUS MENINGGAL
2) Analisis Menurut Orang
Analisis menurut kelompok (jenis kelamin, umur, jenis pekerjaan, tingkat pendidikan) dapat dimanfaatkan untuk melihat perbandingan kejadian pada masing-masing kelompok, sehingga dapat diketahui kelompok mana yang lebih berisiko kesehatan.
Angka Serangan Diare Menurut Jenis Kelamin. Desa, Puskesmas Bontonyaleng, Januari 2012
0 10 20 30 40 50 60
Laki-laki Perempuan Total Jenis Kelamin AS /1 0 0 pd d
Angka Serangan Diare Menurut Golongan Umur. Puskesmas Bontonyaleng, Januari 2012
0 10 20 30 40 50 60 <1 th '1-4 '5-9 '10-14 '15-24 ;25-29 Golongan Umur R at e p er 10 0
3) Analisis Menurut Tempat
Analisis menurut tempat (area geografis, wilayah menurut batas administrasi) dapat dimanfaatkan untuk melihat perbandingan kejadian pada masing-masing jenis tempat, sehingga dapat diketahui tempat mana yang lebih berisiko kesehatan.
Contoh:
Angka Serangan Diare Menurut Desa. Puskesmas Bontonyaleng, Januari 2012
0 10 20 30 40 50 60 70 80
Blebah Kranji Solo Rogo
DESA R ate p e r 100
b. Analisis Deskriptif Komparatif
Analisis ini dimanfaatkan untuk membandingkan hasil kegiatan program dengan dengan target yang telah ditentukan sebelumnya, atau membandingkan data dari sumberdata yang berbeda.
Contoh:
Membandingkan cakupan imunisasi dengan target imunisasi Membandingkan data rutin dengan data survei
c. Analisis Deskriptif Hubungan Antar Program
Analisis hubungan antar program adalah analisis yang menjelaskan hubungan/keterkaitan variabel antar program yang secara logika memiliki hubungan misalnya cakupan K1, K4, PN dan KN
Gambar 5. Cakupan Pelayanan KIA di Puskesmas Raharja, Agustus 2016
67 54 72 48 60 48 47 61 40 49 37 48 35 37 52 55 60 42 52 30 0 20 40 60 80 100
Brebah Kranji Solo Rogo Puskesmas
DESA Cak u p an p e r B u lan K1 K4 PN KN
3. INTERPRETASI HASIL ANALISIS
Hasil analisis data tidak hanya dalam bentuk grafik, tabel atau peta akan juga hasil penarikan kesimpulan dari serangkaian data yang telah ditampilkan dalam tabel, grafik atau peta tersebut.
Contoh:
a. Dari grafik dibawah ini kita dapa menjelaskan sebagai berikut:
Angka Serangan Diare Menurut Desa dan Jenis kelamin, Puskesmas Bontonyaleng, 2012 0 20 40 60 80 100 120
Blebah Kranji Solo Rogo
DESA R ate p e r 10 0
Dari grafik ini dapat diketahui risiko menderita diare laki-laki lebih tinggi dari risiko menderita diare perempuan di semua dena yang ada. 4. TAHAP ALTERNATIF TINDAK LANJUT
Setelah diperoleh kesimpulan dari proses analisis yang telah dilaksanakan, maka ditetapkan alternatif tindaklanjut. Alternatif tindaklanjut dapat berupa alternatif pemecahan masalah atau tetap melanjutkan program sesuai dengan kegiatan yang telah direncanakan.
Contoh:
Bila diketahui di desa Anis, Sugih dan Carak jumlah penderita diare lebih banyak penderita laki laki dibanding perempuan dan sebaliknya terjadi di desa Gindi dimana penderita lebih banyak perempuan.
Alternatif tindak lanjutnya adalah dicari penyebab mengapa penderita diare di desa Anis, Sugih dan Carak lebih banyak laki laki, dan mengapa di desa Gindi lebih banyak perempuan.
CONTOH
Contoh 1. Laporan KIA
Tabel 1. Laporan Bulanan Puskesmas Bontonyaleng
Maret April Mei 2015 2015 2015
4 3 3
NO KEGIATAN JML JML JML
I. GIZI
1 Jumlah Anak Balita dapat Vit. A dosis tinggi (200 000 IU)
2 Jumlah Ibu nifas dapat Vit A dosis tinggi 29 22
3 Jumlah Ibu hamil dapat tablet darah (Fe) 30 tablet (Fe1) 16 31 22 4 Jumlah balita dapat sirup tambah darah (Fe) 90 tablet (Fe3) 17 48 21 5 Jumlah balita dapat sirup tambah darah (Fe) botol I 150 cc (Fe botl)
6 Jumlah balita dapat sirup tambah darah (Fe) botol II 300 cc (Fe botl)
7 Jumlah bayi (< 1 bln) ditimbang 347 352
8 Jumlah anak balita ( 1 - 4 thn ) ditimbang 1529 1494 9 Jumlah Bayi dan Anak Balita dengan berat badan dibawah garis merah (BGM) 12 13 10 Jumlah Bumil dan Buteki mendapat kapsul yodium
11 Jumlah WUS mendapat kapsul yodium
12 Jumlah WUS (Wanita Usia Subur) baru (15 - 45 thn ) yang diukur 86 LILA (Lingkaran Lengan Atas)
13 Jumlah WUS baru dengan LILA < 23,5 cm 1 5
II. KIA
1 Jumlah Kunjungan K1 Ibu Hamil 16 31 31
2 Jumlah Kunjungan K4 Ibu Hamil 17 40 24
3 Jumlah Kunjungan Ibu Hamil dengan faktorresiko (Umur < 20 thn atau 35 thn
Paritas > 4 Jarak Kehamilan < 2 Thn LILA < 23,5 cm dan TB < 145 cm) 6 15 9 4 Jumlah Bumil resiko tinggi (Pendarahan, infeksi, abrotus, keracunan kehamilan,
partus lama) yang di tangani 0
5 Jumlah Bumil resiko tinggi (Pendarahan, infeksi, abrotus, keracunan kehamilan,
partus lama) yang di rujuk ke rumah sakit 4 3
6 Jumlah Persalinan oleh tenaga kesehatan, termasuk didampingin tenaga kesehatan 10 29 45 7 Jumlah Bayi lahir hidup dengan BBLR (Berat Badan Bayi Lahir Rendah < 2500 gr) 0 1 2
8 Jumlah Lahir mati 0 1
9 Jumlah Kunjungan Neonatus 11 30 41
10 Jumlah Neonatus Resti (Aspiksia, trauma lahir, tetanus neonatorum), dirujuk ke RS 1 1
11 Jumlah Kematian neonatus dilaporkan (bayi usia dibawah 28 hari) 0 1 12 Jumlah Kematian maternal dilaporkan (ibu hamil/ melahirkan/ nifas) 0
13 Jumlah Balita dideteksi/ Stimulasi tumbuh kembang (kontak pertama) 0 14 Jumlah Anak prasekolah dideteksi/ Stimulasi tumbuh kembang (kontak pertama) 0
LAPORAN BULANAN GIZI KIA
Laporan Diterima Kode Puskesmas :
Puskesmas : BONTONYELENG Kecamatan : GANTARANG
Puskesmas Pembantu yang ada : 4 Kabupaten : BULUKUMBA
Tahap Pra Analisis
Dalam tahap Pra Analisis, kita mempersiapkan data agar siap untuk dianalisis. Dari contoh data laporan tersebut di atas, nampak data belum terisi lengkap atau masih banyak bolong-bolong. Apabila kita menjumpai data seperti ini, maka sebaiknya jangan dianalisis terlebih dahulu tetapi lakukanlah verifikasi dengan cara menghubungi sumber data untuk melengkapi data, kemudian dilakukan Logical Check.
Logical Check dimulai dengan memilih beberapa indikator menurut periode waktu yang sama untuk dijejerkan (disandingkan), kemudian nilailah kesesuaian data menurut sekuens indikator tersebut. Lihat contoh di bawah ini.
Tabel 2. Logical Check data KIA
Kode Puskesmas : Laporan Diterima
Puskesmas : BONTONYELENG Maret April Mei Kecamatan : GANTARANG 2015 2015 2015 Puskesmas Pembantu yang ada : 4 4 3 3 Kabupaten : BULUKUMBA
Provinsi : SULAWESI SELATAN LAPORAN BULANAN GIZI KIA
NO KEGIATAN JML JML JML
1 Jumlah Kunjungan K1 Ibu Hamil 16 31 31
2 Jumlah Kunjungan K4 Ibu Hamil 17 40 24
3 Jumlah Ibu hamil dapat tablet darah (Fe) 30 tablet (Fe1) 16 31 22 6 Jumlah Persalinan oleh tenaga kesehatan, termasuk didampingin tenaga kesehatan 10 29 45
9 Jumlah Kunjungan Neonatus 11 30 41
2 Jumlah Ibu nifas dapat Vit A dosis tinggi 29 22 Tabel di atas berisi data yang sudah disandingkan untuk keperluan Logical Check. Ada 6 indikator yang akan diuji kewajarannya, masing-masing 3 indikator dari Program Kesehatan Ibu.
Kita akan menilai kewajaran data jumlah kunjungan K1 dan K4 ibu hamil serta jumlah ibu hamil mendapat tablet penambah darah (Fe) pada bulan Maret sampai Mei 2015. Data ini tidak menunjukkan tren kenaikan, ada yang stagnan dan menurun. Bila kita melihat data Kunjungan K1 Ibu Hamil, pada bulan April terdapat kenaikan tetapi pada bulan Mei tidak ada kenaikan (tetap sama dengan data bulan April 2015) yaitu sebesar 31. Begitu juga data jumlah Kunjungan K4 Ibu Hamil tidak nampak kenaikan pada bulan Mei 2015,
malah turun. Oleh karena itu data ini kita anggap tidak logis sehingga perlu diverifikasi lebih lanjut ke sumber datanya yaitu menanyakan kepada petugas pengelola data KIA di Puskesmas Bontonyeleng.
Selanjutnya kita akan menilai kewajaran data jumlah persalinan oleh tenaga kesehatan, jumlah kunjungan neonatus, dan jumlah ibu nifas mendapat Vitamin A dosis tinggi. Bila kita melihat data ketiga indikator yang sudah disandingkan tersebut (nomor urut 4, 5, dan 6), nampak jumlah persalinan oleh tenaga kesehatan menunjukkan tren yang meningkat dari bulan Maret sampai Mei 2015. Demikian pula data jumlah kunjungan neonatus menunjukkan tren yang meningkat dari bulan Maret sampai Mei 2015. Namun terdapat “keanehan” pada data Jumlah Ibu Nifas mendapat Vitamin A Dosis Tinggi, yaitu pada bulan Maret tidak ada data, bulan April sebesar 29, Mei sebesar 22. Data Jumlah Ibu Nifas Mendapat Vitamin A Dosis Tinggi pada bulan Mei bukannya naik mengikuti besarnya jumlah persalinan oleh tenaga kesehatan, tetapi malah turun. Oleh karena itu data ini kita anggap tidak logis sehingga perlu diverifikasi lebih lanjut ke sumber datanya yaitu menanyakan kepada petugas pengelola data KIA di Puskesmas Bontonyeleng.
Apabila kita sandingkan data ketiga indikator tersebut, pada bulan April 2015 jumlah persalinan oleh tenaga kesehatan sebanyak 29, jumlah ibu nifas mendapat Vitamin A sebanyak 29, maka ini dapat dikatakan logis karena semua ibu nifas memang seharusnya diberikan Vitamin A dosis tinggi. Namun data jumlah persalinan oleh tenaga kesehatan dan jumlah ibu nifas mendapat Vitamin A pada bulan Mei 2015 masih perlu dipertanyakan. Bila kita melihat data bulan Mei 2015, nampak jumlah persalinan oleh tenaga kesehatan sebanyak 41, sedangkan jumlah ibu nifas mendapat Vitamin A sebanyak 22, maka data ini dapat dikatakan kurang logis sebab ibu nifas yang diberikan vitamin A hanya separuhnya atau terdapat perbedaan hampir 2 kali lipat. Oleh karena itu, data ini perlu diverifikasi ke sumber data untuk menanyakan kebenarannya sekaligus melengkapi data yang belum terisi (bolong) yaitu Data Jumlah Ibu Nifas Mendapat Vitamin A Dosis Tinggi pada bulan Maret.
Contoh data pada tabel 1 tidak perlu dianalisis karena tidak logis. Apabila kemudian data ini sudah diverifikasi dan kemudian diperbaiki maka data tersebut sudah bisa dianalisis.
Contoh 2: data Cakupan K1 dan K4 Ibu Hamil di Puskesmas Pulo Armyn Tahap Pra Analisis
Pada tahap Pra Analisis diperlukan untuk mempersiapkan data agar siap untuk dianalisis. Mari kita melihat contoh data di bawah ini, nampak data cakupan K1 dan K4 Puskesmas Pulo Armyn per bulan pada tahun 2014, sudah terisi semua atau kelengkapan data mencapai 100%. Selanjutnya lakukanlah logical check dengan cara menyandingkan dalam satu tabel cakupan K1 dan K4 dari masing-masing Desa atau rata-rata cakupan K1 dan K4 di tingkat Puskesmas.
Tabel 3
Target dan Capaian Pelayanan K1 Per Desa di Puskesmas Pulo Armyn, Tahun 2014 K1
Target
(2014) Jan Feb Mar Apr Mei Juni Kumulatif 8,25 16,5 24,75 33 41,25 49,5 Capaian Kumulatif Tajur 13,2 25,69 29,86 34,722 41,67 49,31 Sindangrasa 7,42 13,23 21,29 31,29 40,97 49,03 Sindangsari 5,86 11,71 22,07 32,883 40,54 48,2 Sukasari 5,65 12,1 22,18 33,065 41,53 49,19 TOTAL 8,03 15,68 23,85 32,99 41,18 48,93 K1 Target
(2014) Juli Agt Sep Okt Nop Des Kumulatif 57,75 66 74,25 82,5 90,75 99 Capaian Kumulatif Tajur 56,94 66,67 76,38 84,02 90,97 99,31 Sindangrasa 56,13 65,48 75,16 83,87 91,29 98,39 Sindangsari 55,86 65,77 76,12 84,23 91,44 99,55 Sukasari 56,45 65,73 75,40 83,87 90,32 98,39 TOTAL 56,35 65,91 75,77 84,00 91,01 98,91
Tabel 4
Target dan Capaian Pelayanan K4 Per Desa di Puskesmas Pulo Armyn, Tahun 2014
K4 Target (2014) Jan Feb Mar Apr Mei Juni Kumulatif 7,92 15,83 23,75 31,66 39,58 47,5 Capaian Kumulatif Tajur 11,8 24,31 28,47 34,02 40,97 47,92 Sindangrasa 6,77 11,94 20 30,64 40 47,74 Sindangsari 5,41 11,26 22,07 33,33 42,34 50,45 Sukasari 5,24 11,29 20,16 31,85 40,73 48,39 TOTAL 7,31 14,7 22,68 32,46 41,01 48,62
K4 Target (2014) Juli Agt Sep Okt Nop Des Kumulatif 55,42 63,33 71,25 79,16 87,08 95 Capaian Kumulatif Tajur 56,25 65,28 73,61 80,55 86,81 97,92 Sindangrasa 54,52 62,9 71,93 80,64 87,42 98,06 Sindangsari 56,31 63,51 72,07 80,18 86,49 97,75 Sukasari 56,05 64,92 73,79 81,45 87,1 97,98 TOTAL 55,78 64,15 72,85 80,70 86,95 97,93 Logical Check
Contoh tabel logical check dapat dilihat pada Tabel 5 dan 6 di bawah ini. Dalam logical check, kita menyandingkan data cakupan K1 dan K4 dari desa yang sama dalam sekuens waktu yang sama, misalnya cakupan K1 dan K4 di Desa Tajur (lihat tabel 5). Logical check data cakupan K1 dan K4 total di tingkat Puskesmas, seperti contoh pada tabel 6.
Tabel 5
Tabel logical check indikator capaian Pelayanan K1 dan K4 di Desa Tajur, Tahun 2014
Desa Indikator Jan Feb Mar Apr Mei Juni
Capaian Kumulatif
Tajur K1 13,2 25,69 29,86 34,72 41,67 49,31 Tajur K4 11,8 24,31 28,47 34,02 40,97 47,92
Desa Indikator Juli Agt Sep Okt Nop Des
Capaian Kumulatif
Tajur K1 56,94 66,67 76,39 84,03 90,97 99,31 Tajur K4 56,25 65,28 73,61 80,55 86,81 97,92
Tabel 5 menunjukkan data cakupan pelayanan K1 dan K4 di Desa Tajur dari bulan ke bulan pada tahun 2014 menunjukkan kelengkapan data mencapai 100% dengan tren yang meningkat secara gradual dalam batas-batas yang wajar. Secara logical check, data nampak logis karena tingkat konsistensi data K1/K4 tidak melebihi 15% atau dapat dikatakan data konsisten.
Tabel 6
Tabel logical check indikator capaian Pelayanan K1 dan K4 Per Desa di Puskesmas Pulo Armyn, Tahun 2014
Puskesmas Indikator Jan Feb Mar Apr Mei Juni
Capaian Kumulatif
Pulo Armyn K1 8,03 15,68 23,85 32,99 41,18 48,93 Pulo Armyn K4 7,31 14,70 22,68 32,47 41,01 48,62 Puskesmas Indikator Juli Agt Sep Okt Nop Des
Capaian Kumulatif
Pulo Armyn K1 56,35 65,91 75,77 84,00 91,01 98,91 Pulo Armyn K4 55,78 64,15 72,85 80,71 86,95 97,93
Tabel 6 menunjukkan rata-rata cakupan pelayanan K1 dan K4 di Puskesmas Pulo Armyn dari bulan ke bulan pada tahun 2014 menunjukkan kelengkapan data mencapai 100% dengan tren yang meningkat secara gradual dalam batas-batas yang wajar. Terdapat perbedaan kecil antara cakupan K1 dan cakupan K4, namun tingkat konsistensi data K1/K4 tidak melebihi 15% sehingga secara logical check, data nampak logis,
Untuk mempermudah analisis, tabel logical check dapat pula dibuatkan grafik seperti contoh Grafik 1 di bawah ini.
Grafik 1. Cakupan K1 dan K4
Puskesmas Pulo Armyn Per Bulan, Tahun 2014
0 20 40 60 80 100 120
Jan Feb Mar Apr Mei Juni Juli Ags Sep Okt Nop Des
BULAN C AK UP AN ( % ) K1 K4
Grafik 1 menunjukkan data cakupan pelayanan K1 dan K4 di Desa Tajur Puskesmas Pulo Armyn dari bulan ke bulan pada tahun 2014 menunjukkan kelengkapan data mencapai 100% dengan tren yang meningkat secara gradual dalam batas-batas yang wajar. Secara logical check, data nampak logis, terdapat perbedaan kecil antara cakupan K1 dan cakupan K4, namun tingkat konsistensi data K1/K4 tidak melebihi 15%. Konsistensi K1 dan K4 selalu lebih tinggi daripada cakupan K4.
Berdasarkan logical check, Contoh data pada tabel 3 dan 4 bisa dikatakan logis sehingga sudah bisa dianalisis lebih lanjut.
Tahap Analisis
Data yang telah dilakukan logical check, bila nampak logis, selanjutnya dianalisis. Data yang dianalisis adalah data pada tabel 3 dan 4. Dalam tahap analisis, kita kembali melihat data pada tabel 3.
Berdasarkan tabel 3, dapat dilihat capaian target pelayanan K1 per desa di Puskesmas Pulo Armyn. Dari 4 desa yang ada di wilayah Puskesmas Pulo Armyn, hanya Desa Tajur yang sudah melampaui target capaian yang telah ditetapkan, sedangkan ketiga desa lainnya (Desa Sindangrasa, Sindang sari, dan Sukasari) belum mencapai target sehingga berdampak pada capaian puskesmas. Pada akhir tahun 2014 capaian pelayanan Puskesmas Pulo Armyn belum mencapai target yang telah ditetapkan.
Selanjutnya kita menganalisis data Tabel 4 sebagai berikut:
Berdasarkan tabel 4, dapat dilihat capaian target pelayanan K4 per desa di Puskesmas Pulo Armyn. Dari 4 desa yang ada di wilayah Puskesmas Pulo Armyn, semua desa sudah melampaui target capaian yang telah ditetapkan
pada akhir tahun 2014. Namun pada bulan Januari, Februari, dan Maret 2014, tiga desa (Desa Sindangrasa, Sindang sari, dan Sukasari) belum mencapai target. Pada akhir tahun 2014 capaian rata-rata pelayanan K4 di Puskesmas Pulo Armyn sudah melebihi target yang telah ditetapkan.
Tahap Alternatif Tindak Lanjut
Sebelum didiseminasikan dan dibahas dalam rapat, hasil analisis data rutin seharusnya sudah dilihat dan disahkan oleh Kepala Puskesmas. Hasil analisis sebaiknya didiskusikan antara pimpinan puskesmas dan semua staf dalam pertemuan (rapat) atau lokmin agar dapat dibuatkan Rencana Tindak Lanjut (RTL).
Berdasarkan hasil analisis pada contoh data di atas, dibuat RTL untuk berbagai aspek kegiatan seperti aspek intervensi program, aspek pengelolaan data, dan aspek pembiayaan.
Contoh RTL untuk aspek intervensi program, dari sisi input seperti menambah jumlah SDM, meningkatkan kapasitas SDM, dan meningkatkan kuantitas dan kualitas sarana & pra sarana penunjang program kesehatan ibu. Dari sisi proses adalah pelaksanaan kegiatan yang bertujuan meningkatkan pelayanan program kesehatan ibu, seperti meningkatkan kuantitas dan kualitas kunjungan Ante Natal Care (ANC) ke rumah ibu hamil, mempercepat pengadaan vitamin dan zat besi untuk ibu hamil, membentuk kelas-kelas ibu hamil di desa-desa, dan pelaksanaan pertemuan dengan lintas sektor di tingkat kecamatan dan desa dalam rangka
Contoh RTL untuk aspek pengelolaan data, sama seperti RTL untuk aspek intervensi program.
Semua perencanaan dari aspek intervensi program dan pengelolaan data akan berimbas kepada aspek pembiayaan sehingga perlu dibuat pula RTL pembiayaan. Dari aspek pembiayaan, dibuat Rancangan Anggaran Belanja untuk masing-masing komponen di atas.
Contoh 3 Analisis Lintas Program
Merupakan analisis yang terintegrasi antara satu program dengan program lainnya, termasuk dengan lintas sektor terkait. Analisis dimaksudkan untuk mengetahui lebih rinci latar belakang/penyebab masalah kesehatan, mengetahui intervensi spesifik yang perlu dilakukan, dan mengetahui kesiapan dalam menangani masalah kesehatan.
Misalnya, analisis data morbiditas dan mortalitas pada anak Balita dilakukan terintegrasi dengan analisis program KIA dan program gizi serta program imunisasi, sehingga didapatkan informasi yang komprehensif tentang kesehatan anak yang berhubungan dengan kesehatan ibu, gizi, dan imunisasi. Analisis dapat dilakukan secara deskriptif dan analitik pada setiap indikator/variabel program kesehatan, juga dapat dilakukan pada setiap tingkat atau jenjang pelayanan, baik di tingkat puskesmas, kabupaten, kota, provinsi dan tingkat pusat.
Contoh:
Kepala Puskesmas Harum Wangi ingin menurunkan kejadian diare yang 5 tahun terakhir cenderung meningkat dan merupakan 3 penyakit terbanyak di Puskesmas-nya. Angka insiden diare di Puskesmas Harum Wangi selalu tertinggi dibandingkan puskesmas lain menurut hasil pertemuan Kepala Puskesmas di Dinas Kesehatan Kabupaten. Maka dilakukan analisis mengenai kejadian diare selama 5 tahun terakhir.
1. Analisis angka insiden diare menurut desa. a. Pra analisis:
1)Disiapkan data kasus diare dan jumlah penduduk menurut desa selama 5 tahun terakhir.
2)Cek kelengkapan data, didapatkan data angka kejadian diare per desa 5 tahun terakhir kelengkapan >80%. Logical check tidak ada angka yang tidak logis.
b. Analisis angka insiden diare menurut desa:
Dibuat grafik angka insiden diare menurut desa selama 5 tahun c. Interpretasi:
Didapatkan angka insiden diare tertinggi selama 4 tahun adalah di desa Puja Air dengan perbedaan yang besar dibandingkan desa-desa lain.
2. Dilakukan analisis antar program untuk variabel terkait diare a. Pra analisis:
1) Disiapkan data per desa mengenai: a) Kesehatan lingkungan:
(1)Jumlah sarana air minum berisiko tinggi dan amat tinggi.
(2)Desa/kelurahan bebas dari buang air besar sembarangan (open defecation free/ODF)
b) Gizi balita: (1)jumlah balita
(2) jumlah balita ditimbang (3)jumlah balita kurus dan BGM
c) Sarana dan tenaga pelayanan kesehatan: (1)Jaringan puskesmas
(2)Swasta
d) Kegiatan promosi kesehatan:
(1)Jumlah kegiatan Promosi Kesehatan didalam dan diluar gedung di Puskesmas dan Puskesmas Pembantu topik diare.
(2)Jumlah klien/pasien/perseorangan mendapat konseling kesehatan lingkungan di rumahnya
e) Ketersediaan obat: oralit, zinc
2) Cek kelengkapan masing-masing data
3) Logical check, semua variabel dijejerkan, dilihat jika ada data yang tidak logis maka dicek ulang ke sumber data:
Desa
Jumlah penduduk Jumlah kasu
s diare
Jumlah sarana air minum Jumlah sarana air minum berisiko tinggi dan amat tinggi Desa bebas BABS Jumlah Balita Jumlah Balita ditimbang Jumlah balita kurus Dst.. A
B dst
Contoh data tidak logis: Jumlah balita ditimbang lebih kecil dari pada jumlah balita kurus.
b. Analisis:
1) Untuk analisis, dibuat dalam proporsi atau rasio agar dapat dibandingkan
Desa Insidens diare
% sarana air minum berisiko tinggi dan amat tinggi Desa bebas BABS % Balita ditimbang % Balita kurus/ BGM dst A B dst
2) Masing-masing variabel dibuat grafik menurut desa. Misalnya: Insidens diare menurut desa, % sarana air minum berisiko tinggi dan amat tinggi, dst.
a) Interpretasi:
(1) Dari tabel dan grafik yang dibuat, akan terlihat faktor risiko diare yang ada di masing-masing desa untuk menjadi perhatian bagi masing-masing desa dan puskesmas secara keseluruhan.
(2) Mengingat Desa Puja Air insidens diare paling tinggi maka dilakukan pengamatan khusus kondisi Desa Puja Air dalam 5 tahun terakhir:
(a) % sarana air minum 50% berisiko tinggi dan amat tinggi karena mengandalkan air sungai, dan masih ada penduduk yang BABS
(b)Tidak ada balita gizi buruk namun % balita yang ditimbang hanya 20%.
(c) Terdapat Poskesdes, namun 2 tahun terakhir bidan desa tidak ada.
(d)Kegiatan promkes penyuluhan masyarakat dengan topik diare terakhir dilaksanakan 3 tahun yang lalu.
3. Alternatif Tindak Lanjut
a. Mengingat Desa Puja Air dengan insidens tertinggi diare, dengan menurunkan insidens diare di Desa Puja Air akan lebih bermakna untuk menurunkan insidens diare puskesmas. Maka dapat diupayakan intervensi terhadap faktor risiko diare yang ada di Desa Puja Air, misalnya:
1) Meningkatkan kegiatan promosi kesahatan 2) Mengajukan usulan tenaga kesehatan 3) Meningkatkan penjaringan balita.
b. Hasil analisis faktor risiko masing-masing desa menjadi acuan dalam melakukan peningkatan upaya pencegahan diare yang lebih fokus bagi masing-masing desa.
MENTERI KESEHATAN REPUBLIK INDONESIA,
