- 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
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
Rasio = 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 = 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:

x
Rate = 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 -

162
Insiden kumulatif (angka serangan) = = 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

500
400

JUMLAH KASUS
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
50
AS/100 pdd

40
30
20
10
0
Laki-laki Perempuan Total
Jenis Kelamin
 - 500 -

Angka Serangan Diare Menurut Golongan Umur.

Puskesmas Bontonyaleng, Januari 2012
60

50

Rate per 100

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
70
60
Rate per 100

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

80 72
K1
67
Cakupan per Bulan

61 60 60
60 52 54 55 52
K4
48 47 48 48 49
40 42 PN
37 35 37
40 30 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

100
Rate per 100

80

60

40

20

0
Blebah Kranji Solo Rogo
DESA
 - 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 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.
 - 503 -

CONTOH
Contoh 1. Laporan KIA

Tabel 1. Laporan Bulanan Puskesmas Bontonyaleng

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

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
 - 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 : 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
Jumlah Ibu hamil dapat tablet darah (Fe) 30
3 tablet (Fe1) 16 31 22
Jumlah Persalinan oleh tenaga kesehatan,
6 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,
 - 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) 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

Target
K1 (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
 - 507 -

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

 - 508 -

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.
 - 509 -

Grafik 1. Cakupan K1 dan K4

Puskesmas Pulo Armyn Per Bulan, Tahun 2014
120
100
CAKUPAN (%)

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 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.
 - 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
tidak logis maka dicek ulang ke sumber data:
minum berisiko tinggi

Jumlah balita kurus

Jumlah kasus diare
Jumlah penduduk

Jumlah sarana air

Jumlah sarana air

Desa bebas BABS

dan amat tinggi

Jumlah Balita

Jumlah Balita

Desa
ditimbang
minum

Dst..

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

%
sarana air
Desa % Balita
Insidens minum % Balita
Desa bebas kurus/ dst
diare berisiko ditimbang
BABS BGM
tinggi dan
amat tinggi
A

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