PAPER UKURAN DAN STANDARDISASI

Mata Kuliah Epidemiologi Manajemen Kesehatan

Penanggung Jawab Mata Ajar

Prof. Dr. dr. Sudarto Ronoatmodjo S.K.M., M.Sc.

Disusun Oleh:
Kelompok 1

Aldean Nadhyia L.S (1806204386)

Ika Rania Annisa (1806140584)
Mutia Nafisah Zahra (1806140685)
Saila Hadayna (1806204221)

FAKULTAS KESEHATAN MASYARAKAT

UNIVERSITAS INDONESIA
DEPOK
2021
1. Pendahuluan
Epidemiologi adalah suatu disiplin ilmu kuantitatif di mana frekuensi kejadian penyakit
diukur untuk membuat perbandingan antar populasi dengan karakteristik yang berbeda. Frekuensi
penyakit dan kematian dihitung menggunakan pengukuran epidemiologi. Memahami dan
menafsirkan dengan benar ukuran-ukuran ini penting untuk mengelola, merencanakan, dan
mengevaluasi layanan kesehatan. Jika penyakit dan kondisi kesehatan di masa depan dalam suatu
populasi dapat diprediksi, sistem dan layanan kesehatan dapat dirancang untuk memenuhi kebutuhan
populasi secara memadai. Oleh karena itu, penulis tertarik untuk membahas mengenai ukuran dan
standarisasi epidemiologi yang dapat digunakan dalam manajemen kesehatan.

2. Pembahasan
2.1. Guna data jumlah absolut dalam perencanaan upaya kesehatan
Data absolut biasa digunakan pada individu dengan penyakit atau kondisi dengan
karakteristik tertentu, untuk mengetahui jumlah kasus kesakitan atau kematian. Berdasarkan
data tersebut, maka bisa diketahui perkiraan jumlah orang yang sakit dan selanjutnya akan
mencari pengobatan. Selain itu, bisa diketahui populasi manakah yang memiliki jumlah
kasus terbanyak dan dapat dimasukkan sebagai prioritas dalam perencanaan upaya
kesehatan.
2.2. Pentingnya rate dalam perbandingan masalah beban kesehatan dan pentingnya rate
pada sub populasi pada perbandingan beban kesehatan
Rate dapat digunakan untuk mengukur terjadinya suatu penyakit dalam populasi tertentu
dan selama jangka waktu tertentu. Rate dapat digunakan untuk mengetahui perbedaan beban
masalah kesehatan baik antar populasi maupun antar sub populasi. Selain perbandingan
dalam bentuk rate, kombinasi antara data absolut dan rate juga dapat digunakan karena
seringkali terdapat perbedaan antara keduanya.
2.3. Penggunaan Data Insidens dan Prevalens dalam Perencanaan Layanan Kesehatan
Pengukuran morbiditas merupakan aspek yang sangat penting dalam perencanaan
perawatan kesehatan populasi. Morbiditas dapat menunjukkan populasi berisiko sakit yang
akan berdampak pada status kesehatan, pemanfaatan sumber daya, pembangunan ekonomi,
pencegahan penyakit, dan manajemen medis. Dalam epidemiologi, untuk mengevaluasi
jumlah dan dampak morbiditas di dalam dan di seluruh populasi digunakannya ukuran
incidence rate dan prevalence rate.
Tingkat insiden dan prevalensi adalah data yang berguna untuk manajemen dalam
mengukur dampak penyakit pada sistem perawatan kesehatan. Insiden berguna dalam
mempelajari faktor risiko dan etiologi penyakit serta mengidentifikasi risiko pengembangan
penyakit tertentu dalam suatu populasi yang mana memungkinkan kita untuk
memperkirakan tren penyakit di masa depan. Prevalensi menunjukkan ukuran beban
penyakit (besaran masalah) dalam suatu populasi. Informasi ini membantu dalam
menentukan alokasi sumber daya perawatan kesehatan yang tepat dan mengetahui layanan
apa yang diperlukan untuk menanggapi kebutuhan dalam populasi saat ini untuk pemberian
layanan perawatan kesehatan.
2.4. Sumber-Sumber Data Morbiditas dan Penggunaannya Terkait Manajemen Kesehatan
Di sebagian negara maju data kematian dikumpulkan secara rutin. Di Amerika Serikat data
ini dikumpulkan oleh departemen kesehatan negara bagian yang mana berasal dari sertifikat
kematian (data registrasi vital). Secara umum dokumen tersebut berisi informasi data diri
pribadi, informasi demografis seperti usia, ras, dan penyebab kematian. Dari dokumen
tersebut dapat diidentifikasi penyebab langsung dan penyerta dari kematian serta kondisi
penting lainnya. Terdapat beberapa ukuran kematian yang sering digunakan untuk mengukur
angka kematian:
1. Crude Death Rate (Angka Kematian Kasar)

1
2. Cause Specific Mortality Rate (Angka Kematian Penyebab Spesifik)

Dengan adanya informasi hasil pengukuran ini dapat menjadi landasan untuk menelusuri
lebih lanjut faktor-faktor pemicu kejadian penyakit seperti keadaan lingkungan,
pelaksanaan kesehatan masyarakat, dan lain-lain.
3. Age Specific Mortality Rate (Angka Kematian Menurut Usia)

4. Case Fatality Rate

CFR berguna untuk memperoleh gambaran tentang distribusi penyakit dan tingkat
kematian penyakit tertentu. Dalam manajemen perawatan kesehatan CFR menjadi ukuran
penting yang berguna sebagai indikator kualitas perawatan. CMS tiap tahunnya
memberikan akreditasi rumah sakit berdasarkan CFR untuk penyakit tertentu dengan
kualitas layanan yang diberikan kepada pasien.
5. Infant Mortality Rate (Angka Kematian Bayi usia dibawah satu tahun)

6. Neonatal Mortality Rate (Angka Kematian Bayi usia dibawah 28 hari)

7. Postneonatal Mortality Rate (Angka Kematian Bayi usia 28 hari- 1 tahun)

2
 8. Maternal Mortality Rate ((Angka Kematian Ibu)

9. Fetal Death Rate (Angka Kematian Fetus)

10. Proportional Mortality Rate

Rasio kematian proporsional untuk menunjukkan proporsi kematian penyakit yang
diamati memiliki hasil yang lebih tinggi atau lebih rendah dari yang diharapkan. Ukuran
ini dapat digunakan apabila data populasi berisiko tidak tersedia.

Selain itu terdapat indikator alternatif dari angka mortalitas suatu populasi yaitu Potential
Years of Life Lost (PYLL). PYLL atau perkiraan usia kehidupan rata-rata seseorang jika
tidak meninggal di usia muda. Metode ini memberikan bobot lebih pada kematian orang
muda yang mana mempertimbangkan dari efek kecacatan dan kematian diri menggunakan
usia referensi. Pola perhitungannya yaitu setiap orang dihitung dengan mengurangi usia
orang saat meninggal dari usia referensi. Usia referensi di negara maju biasanya adalah 75
tahun.
2.5. Penggunaan Data Rasio dan Proporsi dalam Manajemen Kesehatan
Rasio adalah pengukuran yang menggambarkan hubungan antara dua kuantitas.
Pengukuran rasio sangat bermanfaat untuk membuat sebuah perbandingan dari dua kuantitas
seperti perbandingan antara kelompok dalam individu ataupun kategori suatu penyakit dan
kondisi lainnya. Contohnya yaitu rasio jenis kelamin yang membandingkan antara kesehatan
dengan penyakit yang diderita oleh laki-laki dan perempuan, ataupun dengan
membandingkan ras seperti whites, african americans, dan ras-ras lainnya. Dari data rasio
yang didapatkan kita dapat membandingkan dan menggambarkan hubungan antara kedua
kategori atau kelompok tersebut, misalnya data rasio kematian berdasarkan jenis kelamin di
tahun 2001 yang dibagi berdasarkan umur dan ras yang dimiliki oleh Mississippi State
Department of Health,Office of Health Informatics seperti contoh tabel di bawah ini.

3
 Berdasarkan data tersebut didapatkan informasi bahwa secara keseluruhan tidak terdapat
perbedaan yang jauh pada rasio perbandingan antara perempuan dan laki-laki berdasarkan
ras. Selain itu, dapat kita lihat juga bahwa paling banyak laki-laki yang mengalami kematian
dibandingkan dengan perempuan pada rentang umur 15 sampai 34 tahun. Kematian laki-laki
selalu lebih banyak dibandingkan dengan kematian wanita hingga rentang umur 74 tahun.

Sedangkan proporsi adalah bagian dari rasio yang juga menggambarkan hubungan antara
pengukuran dua kuantitas. Namun perbedaannya adalah pada penghitungan proporsi
numerator (pembilang) adalah bagian dari denominator (penyebut). Selain itu, juga terdapat
perbedaan pada hasil akhir dari proporsi yang selalu digambarkan dengan persentase.
2.6. Kaitan antara Kualitas Hidup dengan Kesehatan
Kualitas hidup atau biasanya disebut dengan Quality of Life (QoL) adalah sebuah konsep
yang mewakili kesejahteraan orang secara keseluruhan termasuk kemandirian dan kepuasan
seseorang terhadap kehidupannya. Kesehatan merupakan salah satu komponen dari kualitas
hidup seseorang, dan komponen-komponen lainnya seperti kebudayaan, pekerjaan,
lingkungan, dll. QoL merupakan konsep yang kompleks dan subjektif sehingga sulit untuk
dihitung dan dikuantifikasi karena setiap orang memiliki perbedaan dalam mengartikan
kualitas hidup. Hal inilah yang membuat tidak terdapat satuan pengukuran untuk
menghitung QoL atau kualitas hidup seseorang secara umum.
Berbeda dengan Kualitas Hidup yang berkaitan dengan Kesehatan atau biasa disebut
dengan Health-Related Quality of Life (HRQL) yang merupakan gagasan yang berupaya
menggabungkan semua aspek kualitas hidup yang mempengaruhi kesehatan secara
keseluruhan, baik fisik maupun mental. Pada tingkat individu, HRQL ini mewakili kondisi
fisik dan mental, resiko kesehatan, status fungsional, dan status ekonomi. Sedangkan pada
tingkat populasi mengukur kondisi dan sumberdaya yang dapat mempengaruhi kondisi
status kesehatan dan fungsional. HRQL memiliki konsep yang lebih luas terkait kesehatan
mencakup kebutuhan fisik dan mental pada sebuah populasi. HRQL juga menjadi
pengukuran populer dalam mengevaluasi kesehatan dan fungsi fisik dan mental yang
dirasakan dan dianggap sebagai ukuran yang tepat serta memadai akan kebutuhan intervensi
dan pelayanan kesehatan.
HRQL berkaitan dengan penyakit kronis yang dilaporkan secara individu dan faktor
risiko yang dimiliki terkait kondisi ini. Beban penyakit kronis dan hubungan antara faktor
resiko penyakit dengan terjadinya penyakit yang dapat dicegah juga dapat dihubungkan atau
dikaitkan dengan HRQL. Surveilans HRQL dapat memberikan informasi dan identifikasi
subkelompok pada populasi dengan kondisi kesehatan yang buruk yang nantinya dapat

4
 dijadikan sebagai panduan untuk menargetkan subpopulasi yang membutuhkan intervensi
kesehatan.
2.7. Sumber-Sumber Data Morbiditas dan Penggunaannya Terkait Manajemen Kesehatan
Sumber-sumber data morbiditas didapatkan dari sejumlah sumber yang berbeda. Di
Amerika Serikat, dokter dan laboran menyerahkan data ke departemen kesehatan terkait dan
dilanjutkan ke Pusat Pengendalian dan Pencegahan Penyakit (Centers for Disease Control
and Prevention). Penyakit khusus yang dapat diberitahukan kepada masyarakat sebaiknya
harus dilaporkan dalam waktu tertentu dan sejauh mana dapat mengancam kesehatan
masyarakat, CDC menerbitkan laporan rutin berbagai penyakit melalui publikasi mingguan
yaitu di Mortality and Morbidity Reports.
Selain itu, sumber data morbiditas yang lain adalah catatan klinis dari dokter dan RS,
tetapi rekam medis dapat menjadi bias karena orang yang mendapat perawatan belum tentu
mewakili populasi. Kemudian, klaim keuangan yang diperoleh dari pertemuan pasien
dengan dokter dapat menjadi sumber morbiditas karena setiap klaim ditandai dengan adanya
satu atau lebih diagnosis. Registrasi morbiditas menjadi sumber ketiga lain data morbiditas.
Di Amerika Serikat, National Cancer Institute mengelola program Surveilans Epidemiologi
sehingga dikumpulkan data register dari 25% populasi Amerika Serikat. Sumber data
morbiditas yang keempat adalah survei berkala yang dilakukan oleh pemerintah melalui
Badan Pusat Statistik Kesehatan Nasional. Survei berkala mengumpulkan berbagai
informasi yang didapat melalui survei.
Penggunaan data morbiditas merupakan aspek yang paling penting dalam melakukan
perencanaan perawatan kesehatan bagi penduduk, karena tingkat kesehatan penduduk akan
berkaitan dengan status kesehatan, pemanfaatan sumber daya, pembangunan ekonomi,
pencegahan penyakit, dan manajemen kesehatan. Data morbiditas meliputi dua macam rates
yaitu prevalens dan insidens.
a) Prevalence Rate
Prevalens terdapat dua macam yaitu point prevalence atau prevalensi titik dan
periode prevalence. Prevalensi titik adalah jumlah peristiwa yang terjadi dalam suatu
populasi pada suatu waktu, prevalensi periode adalah jumlah orang yang mengalami
kondisi atau penyakit tersebut selama periode tertentu. Prevalensi digunakan untuk
mencapai tujuan perencanaan perawatan kesehatan karena dari prevalensi dapat
diketahui jumlah orang dengan penyakit tertentu sehingga membantu dalam
memperkirakan sumber daya yang dibutuhkan di masa mendatang.
b) Insidens Rate
Insidens rate mengukur banyaknya kasus baru suatu penyakit tertentu yang terjadi
dalam populasi tertentu selama periode tertentu. Insidens rate digunakan dalam
perencanaan kesehatan, terutama dalam pemeriksaan etiologi penyakit. Terkadang
prevalence rate lebih bermanfaat dibandingkan insidens rate dalam perencanaan
perawatan kesehatan. Namun, peneliti lebih suka menggunakan insidens rate karena
cenderung mencerminkan sebab dari suatu penyakit.
Prevalens dan insidens memiliki keterkaitan dengan durasi karena peningkatan prevalensi
mungkin dapat disebabkan oleh insidens, durasi, ataupun keduanya sehingga dapat
digambarkan bahwa prevalensi = insidens x durasi. Jika insidens dan durasi penyakit
meningkat maka prevalensi juga mengalami kenaikan, begitu pula sebaliknya.
2.8. Variabel Perancu (Confounding) Dalam Epidemiologi
Confounding atau variabel perancu adalah variabel selain eksposur yang dapat
mempengaruhi kemungkinan berkembangnya penyakit yang sedang diteliti. Variabel
perancu dapat mempengaruhi kontrol dan dapat menyebabkan terjadinya bias antara
penyakit dengan agen atau faktor risiko. Confounding terjadi akibat adanya perbedaan risiko
terjadinya penyakit pada kelompok terpajan dengan kelompok tidak terpajan.

5
 Thompson (1994) membuat empat poin yang berkaitan dengan variabel perancu, yaitu:
a) Ukuran bias di odds ratio bergantung kepada tingkat variabel perancu yang memiliki
hubungan dengan pajanan dan penyakit
b) Variabel perancu mungkin secara kausa terkait dengan penyakit atau pajanan sebagai
perantara untuk penyebab yang tidak dapat diukur
c) Jika sebuah eksposur memiliki efek kausal pada variabel lain, variabel tersebut adalah
variabel yang bersifat menjelaskan daripada sebuah perancu
d) Efek agregat dari beberapa perancu mungkin bersifat substansial meskipun efek dari
masing-masing perancu kecil
2.9. Konsep Standarisasi Untuk Menghilangkan Efek Variabel Perancu
Standarisasi dapat menghilangkan efek variabel perancu dengan cara memperhitungkan
perbedaan populasi. Standarisasi digunakan sebagai ukuran ringkasan fiktif dari tingkat
penyakit untuk membandingkan atau mengevaluasi dua atau lebih populasi. Terdapat dua
macam standarisasi yang dapat digunakan, yaitu standarisasi metode langsung dan
standarisasi metode tidak langsung.
2.10. Standarisasi Langsung
Standarisasi langsung dilakukan dengan cara menetapkan angka kasar atau ukuran
spesifik populasi yang dibandingkan dengan populasi standar untuk mengetahui estimasi
jumlah kejadian dengan memperhitungkan ukuran yang telah distandarisasi sebelumnya.
Apabila dalam suatu distribusi populasi penelitian tidak merata, maka populasi tersebut
perlu dilakukan pemerataan dengan cara menerapkan distribusi variabel yang berpotensi
menjadi variabel perancu dalam populasi standar.
Standarisasi langsung dilakukan dengan cara memilih populasi standar yang sesuai
dengan variabel yang diinginkan seperti umur, kemudian kalikan dengan data tingkat
kematian umur spesifik (ASFR) dari kelompok pembanding dengan distribusi umur yang
sama dengan populasi standar. Kemudian memperhitungkan jumlah kematian yang
diperkirakan dalam populasi standar, lalu menjumlahkan semua kematian yang diperkirakan
lalu dibagi dengan jumlah populasi standar. Kemudian didapatkan bahwa jumlah kematian
yang diperkirakan sama dengan tingkat kematian spesifik umur (ASFR) dari kelompok
pembanding dikali dengan distribusi spesifik umur dalam populasi standar, sehingga
didapatkan bahwa tingkat kematian yang distandarisasi berdasarkan umur:

Standarisasi langsung dapat dilihat dari dua perspektif yaitu metode langsung dapat
dianggap sebagai proses membuat populasi penelitian menunjukkan distribusi yang sama
dari variabel berpotensi perancu dan metode langsung dianggap sebagai proses menetapkan
angka kasar populasi studi ke populasi standar.
2.11. Standarisasi Tidak Langsung
Standarisasi tidak langsung adalah standarisasi yang dapat digunakan untuk melakukan
perbandingan tidak langsung antara angka kasar (crude rates) dari dua populasi studi atau

6
 lebih. Standarisasi tidak langsung digunakan ketika ukuran relatif populasi studi secara
signifikan berbeda atau ketika tingkat karakteristik-spesifik populasi tidak diketahui atau
memang dikompromikan karena variabilitas jumlah populasi yang kecil. Standarisasi tidak
langsung dihitung dengan menggunakan angka tingkat karakteristik-spesifik kasar populasi
untuk mencapai standardisasi. Selanjutnya jumlah peristiwa studi yang diperkirakan dihitung
pada masing-masing studi populasi menggunakan angka tingkat karakteristik-spesifik kasar
populasi. Efek confounding dihilangkan secara tidak langsung dengan menyamakan
distribusi variabel confounding menggunakan angka tingkat karakteristik-spesifik kasar pada
masing-masing populasi studi. Dikarenakan angka kasar pada populasi studi tidak digunakan
dalam proses penentuan kejadian studi yang diperkirakan, penyesuaian angka kasar studi
populasi bukanlah bagian dari standarisasi tidak langsung. Sebaliknya, standarisasi rasio
dapat dihitung. Rasio ini disebut dengan Standarisasi morbiditas atau mortalitas rasio
(SMR). Jika morbiditas adalah kejadian yang ingin dihitung, maka SMR dapat dihitung
dengan cara membagi angka kasus observasi pada populasi studi dengan angka kasus yang
diperkirakan pada populasi studi menggunakan angka kasar dari standar populasi sebagai
berikut:

Dan jika ingin menghitung mortalitas pada kejadian studi, maka standarisasi mortalitas rasio
dapat diukur dengan cara membagi angka observasi kematian pada populasi studi dengan
angka perkiraan kematian pada populasi studi menggunakan angka kasar dari standar
populasi sebagai berikut:
2.12. Rasio Morbiditas Terstandarisasi

Standardisasi dapat didefinisikan sebagai pengembangan ukuran ringkasan tingkat penyakit

atau kondisi untuk tujuan perbandingan ketika mengevaluasi dua populasi atau lebih.
Perbedaan dalam populasi distandarisasi berdasarkan komposisi mereka sesuai dengan usia,
jenis kelamin, ras, dan karakteristik lainnya. Rasio Morbiditas Terstandarisasi adalah
pengukuran rasio morbiditas yang dihitung sebagai penyesuaian angka kasar studi populasi
yangt dapat dihitung dengan cara membagi angka kasus observasi pada populasi studi
dengan angka kasus yang diperkirakan pada populasi studi menggunakan angka kasar dari
standar populasi atau sebagai berikut:

7
 2.13. Rasio Mortalitas Terstandarisasi
Standardisasi adalah mekanisme yang memungkinkan perbandingan di antara kelompok
yang berbeda. Contoh paling umum adalah standarisasi usia, tetapi atribut lain, seperti jenis
kelamin atau ras, mungkin menjadi sumber standarisasi. Hal ini dilakukan karena angka
kematian kasar belum bisa menggambarkan kondisi dan perbandingan yang sebenarnya dari
populasi yang berbeda. Dua prinsip standarisasi yang digunakan untuk menyesuaikan angka
kematian berdasar usia adalah standarisasi langsung dan tidak langsung.
2.14. Interpretasi Rate Kasar dengan Rate Terstandarisasi pada Mortalitas
Rasio kematian standar (SMR) merupakan rasio aktual terhadap kematian yang diharapkan
dalam dua populasi pembanding dikalikan 100. Jika rasio lebih dari 100, berarti kematian
yang sebenarnya melebihi kematian yang diharapkan, jika kurang dari 100 menyiratkan
bahwa kelompok pembanding memiliki lebih sedikit kematian dari yang diharapkan, atau
bahwa angkanya kurang dari kelompok populasi standar.
2.15. Risk Adjustment
Risk adjustment atau penyesuaian risiko sebagai alat yang memperhitungkan faktor individu
yang dapat mempengaruhi tingkat kesehatan seseorang dalam populasi. Konsep penyesuaian
risiko dalam kematian mengubah pandangan mengenai penyebab kematian yang tidak hanya
berdasarkan pada usia untuk membandingkan tren namun dapat dilihat dari banyak faktor
(faktor risiko) yang berpengaruh selain usia. Menurut Iezzoni (1997) penyesuaian risiko
dapat digunakan untuk aljabar efektivitas, dimana outcomes pasien salah satunya kematian
adalah fungsi dari atribut klinis (faktor risiko), faktor acak, kualitas, dan efektivitas. Tingkat
risiko digunakan oleh dokter dan peneliti layanan kesehatan untuk mendeteksi perbedaan
yang signifikan yang kemungkinan terkait dengan kualitas atau efektivitas perawatan
kesehatan.
Risk adjustment bertujuan untuk memprediksi pengeluaran biaya perawatan kesehatan
individu di masa depan berdasarkan hasil diagnosis dan karakter demografi. Penyesuaian
risiko dilakukan dengan mengukur risiko dari data medis jangka pendek pasien yang dirawat
di rumah sakit dan kemudian dilakukan penyesuaian tarif berdasarkan risiko tersebut.
Terdapat beberapa langkah dalam proses penyesuaian risiko yaitu, langkah pertama adalah
mempelajari hasil data medis dan identifikasi faktor risiko pasien. Identifikasi faktor risiko
pasien dilakukan secara statistika analitis dengan melihat faktor mana yang hasilnya
signifikan berpengaruh. Langkah kedua, faktor tersebut akan dikembangkan dalam model
statistika yang hasilnya dapat mengontrol faktor risiko tersebut. Penyesuaian risiko memiliki
dua fokus yaitu klinis dan manajerial. Fokus klinis untuk menghilangkan efek perancu dari
tingkat keparahan penyakit yang terlihat dari hasil data klinis pasien. Penyesuaian risiko
menjadi implikasi penting untuk penyedia asuransi kesehatan karena tingkat keparahan
penyakit yang berkaitan dengan lama rawat inap.
2.16. Proses Stratifikasi dan Kegunaannya
Stratifikasi adalah proses pengelompokkan data menjadi beberapa kategori (strata) yang
dipengaruhi oleh faktor perancu tertentu sehingga terdapat pemerataan efek potensial faktor
perancu di setiap strata secara merata. Faktor perancu merupakan faktor risiko yang pasti
dari kejadian atau penyakit tersebut dan komposisinya tidak merata di seluruh populasi.
Adanya stratifikasi dapat meminimalkan potensi perancu pada kelompok yang dibandingkan
sehingga memiliki karakteristik yang serupa dan dapat menghasilkan analisis yang tidak bias
(akurat). Penggunaan stratifikasi berdasarkan faktor perancu dapat mengidentifikasi risiko
kejadian penyakit di seluruh kelompok pajanan di setiap strata dan menjelaskan efek
potensial dari faktor perancu pada risiko kejadian penyakit yang dapat menggambarkan
bagaimana hubungan pajanan dengan terjadinya penyakit.

3. Penutup

8
 Pengukuran epidemiologi merupakan aspek yang sangat penting dalam perencanaan perawatan
kesehatan populasi. Morbiditas dan mortalitas dapat menunjukkan populasi berisiko sakit dan
frekuensi penyakit yang akan berdampak pada status kesehatan, pemanfaatan sumber daya,
pembangunan ekonomi, pencegahan penyakit, dan manajemen medis. Tingkat insiden dan
prevalensi adalah data yang berguna untuk manajemen dalam mengukur dampak penyakit pada
sistem perawatan kesehatan. Informasi ini membantu dalam menentukan alokasi sumber daya
perawatan kesehatan yang tepat dan mengetahui layanan apa yang diperlukan untuk menanggapi
kebutuhan dalam populasi saat ini untuk pemberian layanan perawatan kesehatan. Dalam ukuran
mortalitas terdapat Case Fatality Rate (CFR) sebagai indikator dalam menentukan kualitas
perawatan instansi layanan kesehatan. Untuk menghasilkan ukuran epidemiologi yang akurat harus
melakukan stratifikasi pada faktor penyakit yang diteliti untuk mencegah pengaruh dari faktor
perancu serta perlu dilakukannya standarisasi dan penyesuaian risiko dalam meramalkan upaya
pemberian layanan perawatan kesehatan dan biaya yang digunakan.

Daftar Pustaka
Fos, Peter J., and David J. Fine (2005). Managerial Epidemiology for Health Care Organizations. Second
edition. Published by Jossey-Bass, A Wiley Imprint, San Francisco, CA.
Fleming, Steven T. (2008). Managerial Epidemiology. Concepts and Cases. Association of University
Programs in Health Administration, Health Administration Press, Chicago.