- 490 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
- 491 Contoh: a. Jumlah posyandu di Puskesmas B adalah 16, dan 6 diantaranya adalah Posyandu Pratama. Berarti proporsi Posyandu Pratama pada Puskesmas B adalah :
6 16
X 100 % = 37,5 %
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 masingmasing (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:
Rasio =
x
Xk
y 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)
- 492 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 (angka serangan).
- 493
Rate adalah suatu ukuran frekuensi suatu peristiwa/kejadian pada suatu populasi tertentu, baik pada suatu saat maupun selama periode waktu tertentu.
Rumus:
Rate =
x
Xk
y 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:
=
20 penderita baru campak berobat umur <15 tahun
X 1.000
1200 penduduk berumur <15 tahun
= 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
- 494 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: 20 penderita lama HIV + 4 penderita baru HIV umur >15 tahun
=
X 1.000
1200 penduduk berumur >15 tahun S = 20 penderita per 1000 penduduk > 15 tahun
Sedangkan incidence rate HIV di Kabupaten A pada tahun 2014 adalah:
=
4 penderita baru HIV umur >15 tahun
X 1.000
1200 penduduk berumur >15 tahun = 3 penderita per 1000 penduduk >15 tahun 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: 4 penderita HIV umur >15 tahun meninggal
=
X 1.000
24 penderita HIV berumur >15 tahun = 17 kematian per 100 penderita HIV 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.
- 495 -
Insiden kumulatif (angka serangan) =
162
= 0.043 = 4,3 %
3.800
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 pembersihan data 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
- 496
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 :
- 497
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%.
- 498 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. Contoh:
- 499 -
Kasusus Diare Bontonyaleng, 2014-2015
JUMLAH KASUS
500 400 300 200 100 0 1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 KASUS
MENINGGAL
2014 - BULAN - 2015
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 60
AS/100 pdd
50 40 30 20 10 0 Laki-laki
Perempuan Jenis Kelamin
Total
- 500 -
Angka Serangan Diare Menurut Golongan Umur. Puskesmas Bontonyaleng, Januari 2012 60
Rate per 100
50 40 30 20 10 0 <1 th
'1-4
'5-9
'10-14
'15-24
;25-29
Golongan Umur
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 80 Rate per 100
70 60 50 40 30 20 10 0 Blebah
Kranji
Solo
Rogo
DESA
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
- 501 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 100 Cakupan per Bulan
80
72
67
60
52
48
55
54
K1 61
60 48
47
30
52
49
48 40
37
40
60 42 35
37
K4 PN KN
20 0 Brebah
Kranji
Solo
Rogo
Puskesmas
DESA
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 120
Rate per 100
100 80 60 40 20 0 Blebah
Kranji
Solo DESA
Rogo
- 502 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
dilaksanakan,
kesimpulan
maka
ditetapkan
dari
proses
alternatif
analisis
yang
tindaklanjut.
telah
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.
- 503 CONTOH Contoh 1. Laporan KIA Tabel 1. Laporan Bulanan Puskesmas Bontonyaleng
Kode Puskesmas : Puskesmas : BONTONYELENG Kecamatan : GANTARANG Puskesmas Pembantu yang ada : 4 Kabupaten : BULUKUMBA Provinsi : SULAWESI SELATAN LAPORAN BULANAN GIZI KIA NO KEGIATAN I. 1 2 3 4 5 6 7 8 9 10 11 12
GIZI Jumlah Anak Balita dapat Vit. A dosis tinggi (200 000 IU) Jumlah Ibu nifas dapat Vit A dosis tinggi Jumlah Ibu hamil dapat tablet darah (Fe) 30 tablet (Fe1) Jumlah balita dapat sirup tambah darah (Fe) 90 tablet (Fe3) Jumlah balita dapat sirup tambah darah (Fe) botol I 150 cc (Fe botl) Jumlah balita dapat sirup tambah darah (Fe) botol II 300 cc (Fe botl) Jumlah bayi (< 1 bln) ditimbang Jumlah anak balita ( 1 - 4 thn ) ditimbang Jumlah Bayi dan Anak Balita dengan berat badan dibawah garis merah (BGM) Jumlah Bumil dan Buteki mendapat kapsul yodium Jumlah WUS mendapat kapsul yodium Jumlah WUS (Wanita Usia Subur) baru (15 - 45 thn ) yang diukur LILA (Lingkaran Lengan Atas) 13 Jumlah WUS baru dengan LILA < 23,5 cm II. 1 2 3 4 5 6 7 8 9 10 11 12 13 14
KIA Jumlah Kunjungan K1 Ibu Hamil Jumlah Kunjungan K4 Ibu Hamil 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) Jumlah Bumil resiko tinggi (Pendarahan, infeksi, abrotus, keracunan kehamilan, partus lama) yang di tangani Jumlah Bumil resiko tinggi (Pendarahan, infeksi, abrotus, keracunan kehamilan, partus lama) yang di rujuk ke rumah sakit Jumlah Persalinan oleh tenaga kesehatan, termasuk didampingin tenaga kesehatan Jumlah Bayi lahir hidup dengan BBLR (Berat Badan Bayi Lahir Rendah < 2500 gr) Jumlah Lahir mati Jumlah Kunjungan Neonatus Jumlah Neonatus Resti (Aspiksia, trauma lahir, tetanus neonatorum), dirujuk ke RS Jumlah Kematian neonatus dilaporkan (bayi usia dibawah 28 hari) Jumlah Kematian maternal dilaporkan (ibu hamil/ melahirkan/ nifas) Jumlah Balita dideteksi/ Stimulasi tumbuh kembang (kontak pertama) Jumlah Anak prasekolah dideteksi/ Stimulasi tumbuh kembang (kontak pertama)
Laporan Diterima Maret April Mei 2015 2015 2015 4 3 3
JML
JML
16 17
JML
29 31 48
22 22 21
347 1529 12
352 1494 13
86 1
5
16 17
31 40
31 24
6
15
9
0 4 10 0 0 11 1 0 0 0 0
29 1 30 1
3 45 2 1 41 1
- 504 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 : Puskesmas : BONTONYELENG Kecamatan : GANTARANG Puskesmas Pembantu yang ada : 4 Kabupaten : BULUKUMBA Provinsi : SULAWESI SELATAN LAPORAN BULANAN GIZI KIA NO KEGIATAN 1 Jumlah Kunjungan K1 Ibu Hamil 2 Jumlah Kunjungan K4 Ibu Hamil Jumlah Ibu hamil dapat tablet darah (Fe) 30 3 tablet (Fe1) Jumlah Persalinan oleh tenaga kesehatan, 6 termasuk didampingin tenaga kesehatan 9 Jumlah Kunjungan Neonatus 2 Jumlah Ibu nifas dapat Vit A dosis tinggi
Laporan Diterima Maret April Mei 2015 2015 2015 4 3 3
JML 16 17
JML 31 40
JML 31 24
16
31
22
10 11
29 30 29
45 41 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,
- 505 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.
- 506 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 Target K1 (2014) Kumulatif
Jan 8,25
Feb 16,5
Mar 24,75
Apr 33
Mei 41,25
Juni 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
22,18 33,065 41,53
49,19
TOTAL
8,03 15,68
23,85
48,93
12,1
32,99 41,18
Target K1 (2014) Kumulatif
Juli 57,75
Agt 66
Sep 74,25
Okt 82,5
Nop 90,75
Des 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
- 507 Tabel 4 Target dan Capaian Pelayanan K4 Per Desa di Puskesmas Pulo Armyn, Tahun 2014 K4 Target (2014) Jan Feb Mar Apr Mei Kumulatif
7,92
15,83 23,75 31,66 39,58
Juni 47,5
Capaian Kumulatif Tajur
11,8
24,31 28,47 34,02 40,97
47,92
Sindangrasa
6,77
11,94
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
K4 Target (2014) Kumulatif
14,7
20
30,64
40
22,68 32,46 41,01
48,62
Sep
Des
Juli
Agt
Okt
Nop
55,42
63,33 71,25 79,16 87,08
95
Capaian Kumulatif Tajur
56,25
Sindangrasa
54,52
Sindangsari
65,28 73,61 80,55 86,81 62,9
97,92
71,93 80,64 87,42
98,06
56,31
63,51 72,07 80,18 86,49
97,75
Sukasari
56,05
64,92 73,79 81,45
97,98
TOTAL
55,78
64,15 72,85 80,70 86,95
87,1
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
Tajur
K1
Capaian Kumulatif 13,2 25,69 29,86 34,72 41,67
Tajur
K4
11,8 24,31 28,47
34,02
40,97
Juni 49,31 47,92
- 508 Desa
Indikator
Juli
Agt
Sep
Okt
Nop
Des
Tajur
K1
Capaian Kumulatif 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
Pulo Armyn
K1
Capaian Kumulatif 8,03 15,68 23,85 32,99 41,18
Pulo Armyn
K4
7,31 14,70 22,68 32,47 41,01
Puskesmas
Indikator
Juli
Agt
Sep
Okt
Nop
Juni 48,93 48,62 Des
Pulo Armyn
K1
Capaian Kumulatif 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 batasbatas 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.
- 509 -
Grafik 1. Cakupan K1 dan K4 Puskesmas Pulo Armyn Per Bulan, Tahun 2014 120 CAKUPAN (%)
100 80 60
K1
40
K4
20 0 Jan
Feb
Mar
Apr
Mei
Juni
Juli
Ags
Sep
Okt
Nop
Des
BULAN
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
- 510 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.
- 511 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 imunisasi,
dengan analisis program KIA dan program gizi serta program 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.
- 512 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
Dst..
Jumlah balita kurus
Jumlah Balita ditimbang
Jumlah Balita
Desa bebas BABS
Jumlah sarana air minum berisiko tinggi dan amat tinggi
Jumlah sarana air minum
Jumlah kasus diare
Desa
Jumlah penduduk
tidak logis maka dicek ulang ke sumber data:
A B dst Contoh data tidak logis: Jumlah balita ditimbang lebih kecil dari pada jumlah balita kurus.
- 513 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.
- 514 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,
NILA FARID MOELOEK
