KARS

PENGUMPULAN
DAN ANALYSIS
DATA

dr Luwiharsih, MSc

1 Oktober 2021
dr. Luwiharsih, MSc
• JABATAN :
• Ka. Divisi Diklat KARS, sejak 2011 - sekarang
• Surveior akreditasi, sejak 1995 - sekarang
• Pembimbing akreditasi, sejak 1995 - sekarang
• Dewan Penilai, sejak 2015 - sekarang
• PENDIDIKAN
• S-I Fakultas Kedokteran Unair
• S-II Pasca Sarjana UI, Manajemen RS
• PENGALAMAN KERJA

• Direktur RSK Sitanala Tangerang ( 2007 – 2010 )

• Ka Sub Dit RS Pendidikan, Kemkes ( 2005 – 2007 )

• Ka Sub Dit RS Swasta, Kemkes ( 2001 – 2005 )

• Ka Sub Dit Akreditasi RS, Kemkes (1995 – 2001)

1 Oktober 2021
 INDIKATOR MUTU
WRITE YOUR SUBTITLE HERE

03
VALIDASI DATA

01
PEMILIHAN INDIKATOR MUTU
(PMKP 5, 6, TKRS 5 & 10

04
ANALISIS

02
PENGUMPULAN
DATA MUTU
 PENGUMPULAN DATA (PMKP 7, TKRS 11 EP 3)
Pengumpulan data indikator mutu adalah. proses mengumpulkan data mutu RS dari sumber data yang tersedia
dng cara yang telah ditetapkan didalam profil indikator mutu

Tujuan dari pengumpulan data untuk memperoleh informasi yang dibutuhkan dalam rangka mencapai tujuan dari
pengukuran indikator.

Pengumpulan data dilakukan oleh unit kerja yang bertanggung jawab terhadap indikator mutu. (PMKP 6 ep 4,
TKRS 11 EP 3)

Petugas pengumpul data harus dilatih (PMKP 1 EP 3)

Ka unit kerja melakukan supervisi pengumpulan data (PMKP 6 EP 5)

Pengumpulan data dikoordinasi & di supervisi oleh komite PMKP (PMKP 7 EP 2; PMKP 4 EP 3)
1 Oktober 2021
 TAHAPAN PENGUMPULAN DATA
a) mengidentifikasi sumber data (data primer atau data sekunder)
b) menetapkan rencana sampling (Teknik sampling dan besar sampel) Lihat di
c) menetapkan elemen data yang akan dikumpulkan (numerator & profil
denumerator)
d) mengembangkan instrumen pengumpulan data (formulir observasi &
indikator
formulir pengumpulan data, dan lain sebaginya)
e) menetapkan frekuensi pengumpulan data (sesuai yang ada di profil
indikator)
f) membuat rencana distribusi data (internal atau eksternal, internal
kemana saja) Regulasi untuk
g) Menetapkan penanggung jawab (PIC=person in charge) pengumpul setiap indikator
data di unit

1 Oktober 2021
m. Kepatuhan Penggunaan Alat Pelindung Diri (APD)
Judul Indikator Kepatuhan Penggunaan Alat Pelindung Diri (APD)
Dasar Pemikiran 1. Permenkes No.11 Tahun 2017 tentang
Keselamatan Pasien pada pasal 5 ayat 5
mengamanatkan bahwa setiap fasyankes
harus mengurangi resiko infeksi akibat
perawatan kesehatan
2. Permenkes No.27 tahun 2017 tentang
Pencegahan dan pengendalian infeksi di
Fasyankes, pasal 3 ayat 1 setiap Fasyankes
harus melaksanakan program Pencegahan
dan Pengendalian Infeksi (PPI).
3. Keputusan Menteri Kesehatan Republik
Indonesia No. HK.01.07/Menkes/413/2020
Tentang Pedoman Pencegahan Dan
Pengendalian Coronavirus Disease 2019
(Covid-19)
4. Petunjuk Teknis Alat Pelindung Diri (APD)
dalam menghadapi wabah Covid 19 (Dirjen
Yankes tahun 2020)
5. Rumah Sakit harus memperhatikan
kepatuhan pemberi pelayanan dalam
menggunakan APD sesuai dengan prosedur.
Dimensi Mutu Keselamatan, Efektif
Tujuan 1. Mengukur kepatuhan petugas Rumah Sakit
dalam 1menggunakan
Oktober 2021 APD
 2. Menjamin keselamatan petugas dan
pengguna layanan dengan cara mengurangi
risiko infeksi.
Definisi 1. Alat pelindung diri (APD) adalah perangkat
Operasional alat yang dirancang sebagai penghalang
terhadap penetrasi zat, partikel padat, cair,
atau udara untuk melindungi pemakainya
dari cedera atau penyebaran infeksi atau
penyakit.
2. APD digunakan sesuai dengan standar dan
indikasi
3. Indikasi penggunaan APD adalah jika
melakukan tindakan yang memungkinkan
tubuh atau membran mukosa terkena atau
terpercik darah atau cairan tubuh atau
kemungkinan pasien terkontaminasi dari
petugas.
4. Kepatuhan penggunaan APD adalah
kepatuhan petugas kesehatan dalam
menggunakan APD sesuai standar dan
indikasi.
5. Penilaian kepatuhan penggunaan APD
adalah penilaian yang dilakukan terhadap
petugas kesehatan dalam menggunakan APD
saat melakukan tindakan atau prosedur
pelayanan kesehatan
Jenis Indikator Proses
Satuan Persentase
Pengukuran
1 Oktober 2021
Numerator Jumlah petugas kesehatan yang menggunakan
(pembilang) APD sesuai indikasi dan standar dalam periode
pengamatan
Denominator Jumlah petugas kesehatan diamati
(penyebut)
Target 100%
Pencapaian
Kriteria: Kriteria Inklusi:
Semua petugas yang terindikasi harus
menggunakan APD

Kriteria Eksklusi:
Tidak ada
Formula

Desain Concurrent (Survei harian)

Pengumpulan
Data
Sumber Data Sumber data primer yaitu melalui observasi
Instrumen Formulir observasi
Pengambilan
Data
Besar Sampel Sampel dihitung sesuai dengan kaidah statistik
Frekuensi Harian
Pengumpulan
Data
Periode Bulanan
Pelaporan Data
1 Oktober 2021
Periode Analisis Triwulan
Data
Penyajian Data Tabel
Control chart Run chart
Penanggung Penanggung jawab mutu
Jawab

1 Oktober 2021
DATA SULIT DIKUMPULKAN?

DIPAKSA TERPAKSA BIASA BUDAYA

1 Oktober 2021
SAMPEL

TEKNIK PENGAMBILAN
SAMPEL

BESARAN SAMPEL

1 Oktober 2021
1 Oktober 2021
TEKNIK SAMPEL
1) Sampling probabilitas (Probability sampling)

Dalam teknik sampling ini, setiap subjek dalam populasi mempunyai kesempatan yang sama
untuk dipilih sebagai sampel. Beberapa teknik sampling probabilitas antara lain:

a) Sampel acak sederhana (simple random sampling)

Dalam teknik ini, subjek dipilih secara acak dari daftar subjek dengan menggunakan undian
atau menggunakan tabel angka random. Apabila jumlah anggota populasi dapat diketahui,
maka tiap anggota populasi tersebut diberi nomor urut dan dipilih sebagian dari mereka
sebagai sampel dengan menggunakan tabel angka random. Contoh: memilih 200 sampel
dalam 1000 anggota populasi.

1 Oktober 2021
TEKNIK SAMPEL
b) Sampel acak sistematik (systematic random sampling) Teknik ini memilih sampel dari
populasi secara acak dengan menggunakan interval yang sama.

c) Stratified Random Sampling

Stratified random sampling digunakan apabila populasi bersifat heterogen, yang terdiri
atas beberapa subpopulasi yang bersifat homogen. Dalam hal ini perbedaan adalah
dalam jumlah anggota subpopulasi. Besarnya subpopulasi dinyatakan dalam persentase
terhadap populasi total. Pada masing-masing subpopulasi dilakukan pengambilan
sampel secara acak sejumlah persentase dari total sampel yang diperlukan.

1 Oktober 2021
TEKNIK SAMPEL
d) Multistage random sampling
Multistage random sampling dipilih apabila populasi bersifat heterogen dan dijumpai kluster/strata
yang sifatnya heterogen kemudian dilakukan pemilihan secara acak kluster/strata yang akan
digunakan sebagai sumber data. Sampel yang terpilih merupakan representasi dari masing-
masing kluster/strata.

e) Cluster random sampling

Cluster random sampling digunakan apabila populasi yang bersifat one stage dan terdiri atas
kluster-kluster yang bersifat heterogen. Kluster akan dipilih secara acak, kluster yang terpilih
mewakili karakteristik populas

1 Oktober 2021
TEKNIK SAMPEL
2) Sampling non probabilitas (Non-probability sampling)
Teknik ini lebih praktis dan lebih mudah dilakukan sehingga lebih sering digunakan. Jenis sampling
non probabilitas antara lain :

a) Consecutive Sampling

Teknik ini memilih calon subjek/sampel berdasarkan kedatangan di tempat penelitian. Calon
subjek/sampel yang memenuhi kriteria inklusi dan tidak ada kriteria eksklusi akan digunakan
sebagai sampel. Pengambilan sampel dihentikan apabila jumlah sampel terpenuhi.

1 Oktober 2021
TEKNIK SAMPEL
b) Sampling berdasarkan ketersediaan (Convenience sampling).

Dalam teknik ini, subjek diambil tanpa sistimatika tertentu, pemilihan berdasarkan ketersediaan yang
ada

pada saat dilakukan pengukuran. Subjek diambil/terpilih sebagai sampel karena sampel tersebut ada
pada tempat dan waktu yang tepat. Teknik ini paling mudah namun validitasnya rendah.

c) Sampling berdasarkan pertimbangan (Judgmental sampling atau purposive sampling /Trigger

sampling). Teknik ini memilih sampel berdasarkan adanya pertimbangan atau trigger tertentu yang
telah ditetapkan sebelumnya.

d) Total sampling
Apabila anggota populasi jumlahnya sedikit sesuai dengan kriteria yang digunakan maka seluruh
anggota populasi digunakan sebagai sampel.
Misalnya jumlah anggota populasi ≤ 30 maka seluruhnya digunakan sebagai sampel.
1 Oktober 2021
SAMPLE SIZE

1. Tabel

2. Menghitung dengan rumus

3. Internet → Raosoft, calculation.net

1 Oktober 2021
1 Oktober 2021
 TABEL JUMLAH SAMPEL
BERDASARKAN JUMLAH POPULASI

Populasi (N) Sampel (n) Populasi (N) Sampel (n) Populasi (N) Sampel (n)
10 10 220 140 1200 291
15 14 230 144 1300 297
20 19 240 148 1400 302
25 24 250 152 1500 306
30 28 260 155 1600 310
35 32 270 159 1700 313
40 36 280 162 1800 317
45 40 290 165 1900 320
50 44 300 169 2000 322
 TABEL JUMLAH SAMPEL
BERDASARKAN JUMLAH POPULASI

Populasi (N) Sampel (n) Populasi (N) Sampel (n) Populasi (N) Sampel (n)
55 48 320 175 2200 327
60 52 340 181 2400 331
65 56 360 186 2600 335
70 59 380 191 2800 338
75 63 400 196 3000 341
80 66 420 201 3500 346
85 70 440 205 4000 351
90 73 460 210 4500 354
95 76 480 214 5000 357
Populasi (N) Sampel (n) Populasi (N) Sampel (n) Populasi (N) Sampel (n)

100 80 500 217 6000 361

110 86 550 226 7000 364
120 92 600 234 8000 367
130 97 650 242 9000 368
140 103 700 248 10000 370
150 108 750 254 15000 375
160 113 800 260 20000 377
170 118 850 265 30000 379
180 123 900 269 40000 380
190 127 950 274 50000 381
200 132 1000 278 75000 382
210 136 1100 285 1000000 384

Morgan & Krecjie, dalam Uma Sekaran, 2003

1 Oktober 2021
 REKOMENDASI MINIMUM SAMPLE SIZE
UNTUK TOOLS atau STATISTIK
Tools atau statistik Minimum Sample Size
Rata-rata 5 sampai 10
Standar deviasi 25 sampai 30
Proportion defective 100 - 300
Histogram atau pareto chart 50 sampai 100
Run chart 10 sampai 100
Control Chart 20 sampai 30
Scatter diagaram 25
The Joint Commission1 Oktober
Big Book2021 of Performance Improvement Tools and
Templates
Pengumpulan data DATA HARUS DI VALIDASI:
1. Indikator baru diimplementasikan
PMKP 7 2. Data akan dipublikasikan
3. Terdapat perubahan sistem pengumpulan data
indikator. Seperti perubahan instrumen pengumpulan
data, atau petugas yang mengumpulkan data
bertukar;
Validasi data 4. Capaian data berubah tanpa dapat dijelaskan
penyebabnya;
PMKP 8 5. Sumber data berubah, seperti ketika sebagian data
diambil secara manual kemudian diubah menjadi
format elektronik;
6. Subjek pengumpulan data berubah, seperti
Analisis data PMKP 7.1; perubahan rata-rata umur pasien, komorbiditas,
PMKP 7.2) perubahan protokol penelitian, implementasi
panduan praktik terbaru, atau pengenalan teknologi
dan metodologi perawatan terbaru.
Visualisasi data dng
grafik 1 Oktober 2021
 MENGAPA PERLU VALIDASI DATA?

• Definisi operasional mungkin salah atau tidak lengkap.

• Instrumen pengukuran mungkin cacat. Misalnya, jika mengukur waktu dengan jam yang baterai lemah, waktu
yang direkam mungkin tidak akurat.

• Instrumen pengukuran yang berbeda dapat digunakan. Misalnya, satu pengumpul data mungkin
menggunakan jam tangan analog, sementara pengumpul data lainnya menggunakan jam tangan digital.

• Faktor manusia dapat mempengaruhi pengukuran data. Misalnya, pelatihan mungkin tidak lengkap atau staf
mungkin salah membaca jam.

• Faktor lingkungan seperti suhu atau kebisingan dapat mempengaruhi pengukuran data.

1 Oktober 2021
 • Analisis sistem pengukuran adalah proses
mengevaluasi sistem pengukuran untuk
mengidentifikasi variasi dalam pengukuran yang
VALIDASI DATA mungkin disebabkan oleh instrumen, staf yang
mengumpulkan data, atau faktor lainnya. Dilakukan
→MEASUREMENT segera setelah pengumpulan data awal

• Evaluasi ini memastikan bahwa data yang

SYSTEM dikumpulkan dan dilaporkan benar-benar mewakili
apa yang dimaksudkan untuk diukur.
ANALYSIS • Jika variasi disebabkan oleh sistem pengukuran itu
(PMKP 8) sendiri, proses tersebut harus ditingkatkan untuk
memastikan kualitas dan integritas data.

1 Oktober 2021
 MEASUREMENT SYSTEM ANALYSIS
• Validitas, juga dikenal sebagai akurasi, berarti pengukuran secara akurat mencerminkan nilai
sebenarnya. Ukuran yang valid tidak memiliki bias. Validitas diukur dengan membandingkan hasil
dari pengumpul data dengan "nilai sebenarnya" atau standar yang diterima/disepakati.

• Keandalan (Reabilitas), juga dikenal sebagai presisi, mencerminkan ukuran yang konsisten dan
stabil. Mengukur keandalan mencakup dua aspek:

• Repeatability (atau reliabilitas intra-penilai): Orang yg sama mendapatkan hasil yg sama secara
konsisten saat mengulang pengumpulan data menggunakan sistem pengukuran yg sama.

• Reproduksibilitas (atau reliabilitas antar penilai): Dua pengumpul data yang berbeda mendapatkan
hasil yang sama dari set pengukuran yang sama. Dengan kata lain, pengumpul data kedua
melaporkan hasil yang sama seperti pengumpul data pertama.
1 Oktober 2021
 CARA MENGGUNAKAN TOOL INI
1. Kumpulkan data awal. Setidaknya dua orang harus mengumpulkan sampel kecil data
dengan sistem pengukuran yang sama (indikator mutu yang sama)

2. Bandingkan hasil data:

• Bandingkan hasil antara setiap pengumpul data dan ukuran standar (atau nilai yg
benar) untuk tentukan validitas.

• Minta pengumpul data mengulangi pengukuran dan membandingkan hasil antara

uji coba ini untuk menentukan validitas.

• Bandingkan hasil pengumpul data pertama dengan pengumpul data kedua untuk
menentukan reproduktifitas.
1 Oktober 2021
 CARA MENGGUNAKAN TOOL INI
3. Kalkulasi persen kesepakatan untuk masing-masing perbandingan.

a. Validitas: Jika pengumpul data pertama melaporkan hasil yang sama dengan nilai
sebenarnya pada 9 dari 10 sampel, persentase validitas untuk pengumpul pertama
adalah 90%.

b. Reliabilitas: Jika pengumpul data pertama memiliki hasil yang sama antara dua uji
pengukuran terpisah untuk 8 dari 10 sampel, persentase persetujuan untuk reliabilitas
adalah 80%.

c. Reproduksibilitas: Jika pengumpul data pertama dan kedua memiliki hasil yang sama
untuk 5 dari 10 sampel yang diukur, persentase kesepakatan untuk reproduktifitas
adalah 50%.

1 Oktober 2021
Analisis Kesepakatan Atribut: Panduan Interpretasi
untuk Tes Validitas dan Reliabilitas

Persen Kesepakatan Implikasi untuk Sistem Pengukuran

> 90 % Dapat diterima: Sistem pengukuran

menghasilkan hasil yang valid dan andal.

70 % sampai 90 % Perhatian: Sistem pengukuran mungkin

tidak valid atau dapat diandalkan.

< 70 % Tidak dapat diterima: Sistem pengukuran

harus diperbaiki.

The Joint Commission Big Book of Performance Improvement Tools and

Templates
1 Oktober 2021
Analisis data adalah :
(PMKP 7.1; PMKP 7.2, MIRM 5)

upaya atau cara untuk

mengolah data menjadi informasi
sehingga karakteristik data tersebut bisa
dipahami dan bermanfaat untuk solusi
permasalahan, tertutama masalah yang
berkaitan dengan pengukuran mutu

1 Oktober 2021
ANALISIS DATA DIBANDINGKAN (PMKP
•
•
Run chart
Control chart
• Indikator mutu 7.1 EP 4) • Pareto
• Didlm RS/tren • Bar diagram
Kemenkes • Dng rs lain/data
• Indikator mutu based external
prioritas RS • Dng standar Metode statistik PMKP 7.1 EP 3
• Indikator mutu unit • Dng praktik terbaik

Pengumpulan Analisis data Laporan (TKRS

data (PMKP 7, 7.1) (PMKP 7.1; 7.2) 4.1, PMKP 7.1 EP 6)

Validasi data
Untuk IAK baru/ada
perubahan (PMKP 8) Dir RS &
PEMILIK RS

1 Oktober 2021
 PENYAJIAN DATA
• Narasi
• Ciri dari penyajian secara tulisan adalah:
• Dibuat dalam bentuk narasi mulai dari pengambilan
data hingga kesimpulan.
• Kelemahan: kurang menggambarkan bentuk statistik
bila terlalu banyak datanya.

• Tabel
Penyajian data dalam bentuk angka yang disusun dalam
kolom dan baris dengan tujuan untuk menunjukkan
frekuensi kejadian dalam kategori yang berbeda.

• Grafik/ Diagram
Untuk melakukan analisis RS dapat memilih jenis grafik
yang tepat sesuai dengan sifat data

1 Oktober 2021
 GRAFIK GARIS ATAU RUN CHART

• Run chart sangat bermanfaat tergantung berapa banyak data yang dikumpulkan,
sangat sederhana dan mudah diinterpretasikan
• Dapat membantu RS memahami kinerja baseline dan mengidentifikasi peluang
untuk peningkatan
• Dapat membantu RS menentukan apakah suatu perubahan adalah peningkatan
• Setelah RS melakukan peningkatan, RS dapat menggunakan run chart untuk
tentukan apakah RS mempertahankan hasil yang telah RS hasilkan
• Run chart dapat digunakan untuk melihat semua jenis ukuran dari waktu ke
waktu. contoh: biaya, LOS (lama menginap), jumlah, dan persentase

1 Oktober 2021
 GRAFIK GARIS ATAU RUN CHART

Grafik garis dapat mendeteksi:

• Pergeseran atau Shifts adalah jika 6-8 titik atau lebih berturut-turut jatuh pada
satu sisi dari garis tengah. Titik pada garis rata-rata tidak masuk hitungan.

• Tren atau Trend adalah jika 6 titik atau lebih berturut-turut bergerak ke arah yang
sama. Titik garis datar tidak termasuk dalam hitungan.

• Zigzag adalah jika 14 titik atau lebih turun naik.

1 Oktober 2021
 Rule 1
– a shift

Rule 2
– a trend
The 4 rules Rule 3
– terlalu sedikit atau terlalu banyak titik data

Rule 4
– an astronomical point (titik astronomi)

1 Oktober 2021
Rule One – A Shift

Grafik garis dapat mendeteksi:

• Pergeseran atau Shifts adalah jika

6-8 titik atau lebih berturut-turut
jatuh pada satu sisi dari garis
tengah. Titik pada garis rata-rata
tidak masuk hitungan.

1 Oktober 2021
 Rule Two - Trend
• Tren pada run chart adalah
enam atau lebih titik berturut-
turut semua naik atau turun
semua. Jika nilai dua atau lebih
titik berturut-turut sama,
abaikan salah satu titik saat
menghitung. Nilai tersebut tidak
membuat atau merusak tren.
1 Oktober 2021
 • Rule Three - Runs
Rule Three - Runs
• Run adalah serangkaian poin berturut-turut di satu
sisi median. Pola atau sinyal perubahan non-acak
ditunjukkan oleh terlalu sedikit atau terlalu banyak
lintasan atau persimpangan garis median. Untuk
menentukan jumlah lintasan di atas dan di bawah
median, hitung berapa kali garis data melintasi
median dan tambahkan satu. Perubahan
signifikan secara statistik ditandai oleh terlalu
sedikit atau terlalu banyak gerakan, sekali lagi
dihitung menggunakan probabilitas statistik.

• Tabel ini digunakan bersama dengan aturan ini

untuk mengidentifikasi batas bawah dan atas
untuk jumlah proses tergantung pada jumlah titik
data yang Anda miliki:
1 Oktober 2021
 Rule Four – Astronomical Point

• Aturan ini membantu dlm mendeteksi angka

besar atau kecil yang tidak biasa. Mereka
dicirikan oleh poin data yg jelas, atau bahkan
sangat berbeda dari semua atau sebagian
besar nilai lainnya, & siapa pun yg
mempelajari grafik akan setuju bahwa itu
tidak biasa. Perhatikan bahwa setiap
kumpulan data akan memiliki titik data
tertinggi dan terendah, namun ini tidak berarti
bahwa tinggi dan rendah adalah astronomi.

1 Oktober 2021
 FIGURE 6-7a Site 1: % Beta-Blocker Use in Patients with CH F,
Run Chart, M edian = 65%
FIGURE 6-7a Site 1: % Beta-Blocker Use in Patients with CH F,
Run Chart, M edian = 65%

Run charts of the percentage of beta-blocker use by patients with congestive heart failure (CHF) by site from 2015 through 2016.

TABLE 6-4 Summary Interpretation of Run Charts from Sites 1–3

FIGURE 6-7 b Site 2: % Beta-Blocker Use in Patients with CH F,

Run Chart, M edian = 61% Site # Runs Shift? Trend? Interpretation Action
FIGURE 6-7b Site 2: % Beta-Blocker Use in Patients with CH F,
Run Chart, M edian = 61%
1 9 No No Common-cause Will need to examine
variation fundamental process of
beta-blocker prescribing.

2 6 No Yes Two special-cause Investigate the trend to

signals determine why the decrease
in performance occurred at
that time.

100 FUNDAMENTALS OF HEALTH CARE IMPROVEMENT THIRD EDITION 3 2 Yes Yes Three special- Investigate all three signals to
100
FIGURE 6-7c Site 3: % BeFUNDAMENTALS
ta-Blocker Use in Patients with CH F,
OF HEALTH CARE IMPROVEMENT THIRD EDITION
cause signals determine why the site has
Run Chart, M edian = 66% leveled o in performance.

This table summarizes the improvement team’s analysis of the data from Sites 1–3 (Figures 6-7a–6-7c). From Table 6-3 (page 95),
the FUNDAMENTALS OF
expected number of runs is between HEALTH
8 and 17. CARE IMPROVEMENT THIRD EDITION

FUNDAMENTALS OF HEALTH CARE IMPROVEMENT THIRD EDITION 101

1 Oktober 2021
Run charts of the percentage of beta-blocker use by patients with congestive hear t failure (CHF) by site from 2015 through 2016.
 • Adalah grafik yg menggambarkan data dari
Max: 6 hours
6 waktu ke waktu, control chrat lebih spesifik
daripada Run Chart karena dapat menilai
Hours

3
apakah proses berada dalam kontrol/tidak;
0
Time from Blood Draw Min: N/A garis kontrol atas (UCL) dan garis control
to Lab Result
bawah (LCL)

• Control chart mirip run chart, namun lebih

memiliki daya statistik untuk mendeteksi
Max: 6 hours perubahan
6
• Control chart digunakan untuk QI, dan juga
Hours

3
untuk monitoring perbaikan (contoh :
0
Min: N/A
dashboard atau scorecard)
Time from Blood Draw
to Lab Result 1 Oktober 2021
Example: Control Chart • Data bisa dipresentasikan dalam beberapa
bentuk :

▪ Persentase

▪ Rates

▪ Counts

▪ Individual values

• Banyak model control charts diperlukan

sesuai jenis data yg berbeda – namun
semua control chart mirip dan
dinterpretasikan dng cara yg sama
1 Oktober 2021
• Data ditampilkan dalam
grafik.
• Mudah utk melihat trend
• Easy to “eye-ball”
• Tidak ideal untuk analisis
statistik.

M Tu W Th F

44
1 Oktober 2021
 Sasaran dari analisis data adalah agar dapat
dilakukan PERBANDINGAN bagi rumah sakit melalui
empat cara :
1. Dengan melihat tren didalam RS dalam
waktu tertentu, seperti dari bulan ke bulan
atau satu tahun ke tahun berikutnya.
2. Dengan rumah sakit lain yang sama seperti
menggunakan data base referensi
ANALISIS 3. Dengan standar, seperti ditetapkan oleh
DATA badan akreditasi, ikatan profesional atau
menggunakan ketentuan yang ditetapkan
dalam undang-undang atau peraturan.
4. Dengan praktIk-praktIk yang diakui di
kepustakaan sebagai pedoman praktek
yang lebih baik atau paling baik

1 Oktober 2021
 ANALISIS DATA

• Analisis Perbandingan ini membantu rumah sakit memahami sumber dan sifat
perubahan yang tidak dikehendaki serta membantu fokus pada upaya perbaikan.
• Regulasi analisis perbandingan untuk setiap indikator ada di profil indikator
• Setiap indikator mutu boleh melakukan analisis perbandingan hanya salah satu saja
atau semuanya → merupakan pilihan dari Komite PMKP. Tapi keempat analisis
perbandingan tersebut harus dilaksanakan di RS. Sebagai contoh : IAK 1 dengan
analisis perbadingan No. 1, IAK 2 dengan No. 2, dst
• Untuk melihat tren → tidak cukup hanya 3 titik, tetapi minimal 6 titik. Karena itu bila
data hanya 3 bulan dan analisa data setiap bulan, sehingga pada waktu survei
hanya ada 3 titik/data → maka analisa tren dianggap belum dilakukan

1 Oktober 2021
 Analisa data dengan menggunakan alat statistik →
Run chart, control chart, pareto, histogram →
merupakan pilihan untuk setiap indicator

Analisis data dengan membandingkan → didalam

YANG PERLU RS (tren), dng RS lain/data based eksternal,
dengan standar dan dengan praktik terbaik
DIPERHATIKAN!
Analisis data BUKAN DENGAN PDSA

PDSA → Untuk rencana perbaikan yang

memerlukan uji coba (PMKP 11)
 CONTOH: MEMBANDINGKAN DENGAN STANDAR

No INDIKATOR STANDAR CAPAIAN RTL

1. Asesmen medis 100 % 80 % 1) ....
2) .......
2. Tidak adanya kesalahan pemberian hasil 100 % 98 % Risk grading → RCA/
pemeriksaan laboratorium* investigasi
3. Tidak ada kesalahan pemberian label* 100 % 100 % -
4. Tidak adanya kejadian operasi salah sisi* 100 % 100 % -
5. Operasi elektif tidak menggunakan 100 % 60 % Lakukan
antibiotika profilaksis RCA,/Diagaram fish
bone shg diketahui
akar penyebab ke tdk
patuh an
* PCI (Patient Safety Indicator) → Dimensi mutunya keselamatan

1 Oktober 2021
 CONTOH: MEMBANDINGKAN DENGAN STANDAR
No INDIKATOR STANDAR CAPAIAN RTL
6. Tidak adanya kejadian kesalahan 100 % 90 % Risk grading →
pemberian obat* RCA/ investigasi

7. Komplikasi anestesi* ≤6% 4% Risk grading →

RCA/ investigasi

8. Kejadian reaksi transfusi* ≤ 0,01 % 0,02 % Risk grading →

RCA/ investigasi

9. Kelengkapan pengisian inform 100 i% 80 % Edukasi

consent ditingkatkan
10. Kejadian infeksi paska operasi* ≤ 1,5 % 0,5 % Risk grading →
RCA/ investigasi

11. Ethical clereance 100 %

1 Oktober 2021 100 %
 Identifikasi indikator mutu (imut) yg sebetulnya merupakan Indikator
keselamatan pasien (misalnya: angka pasien jatuh) → lakukan analisis
grading → RCA/investigasi sederhana berdasarkan hasil grading →
ANALISIS TERINTEGRASI (PMKP 9 EP 3)

1 Oktober 2021
 CONTOH: MEMBANDING DNG PRAKTIK TERBAIK

No INDIKATOR STANDAR CAPAIAN RTL

1. Aspirin on arrival pd pasien AMI 100 % 100 %
5. Aspirin at discharge pd pasien AMI 100 % 90 % Lakukan audit
medis atau
peer review

1 Oktober 2021
Dapat melalui sismadak → Data Nasional
& propinsi

Data yang dibandingkan : Indikator mutu

nasional → Kontribusi data based external
(PMKP 7, MIRM 4)

Syarat membandingkan data melalui

sismadak → PROFIL INDIKATOR TIDAK
DIRUBAH

1 Oktober 2021
 Bila membandingkan data dengan RS
tidak melalui sismadak harus :

❑ Melakukan pertemuan dng RS

pembanding

❑ Menyamakan profil indikator

❑ Melakukan training bersama

PJ/PIC pengumpul data dari RS &
RS Pembanding

1 Oktober 2021
 • Indikator mutu DAPAT diganti bila secara berturut-turut
minimal selama 1 (satu) tahun sudah tercapai targetnya

APAKAH • Indikator mutu nasional, data tetap dikumpulkan walaupun

INDIKATOR pencapaian targetnya sudah tercapai terus menerus selama

satu tahun
MUTU • Indikator mutu yang sudah diganti, dapat dijadikan indikator
DAPAT mutu kembali

DIGANTI? • Misalnya: Imut pasien AMI diberi aspirin, selama satu tahun
sudah tercapai terus menerus. RS mempunyai dokter
jantung baru, imut dapat digunakan lagi.

1 Oktober 2021
Analisis data

Ditemukan Gap/ masalah

Fase
Perbaikan/ peningkatan

1 Oktober 2021
Fase
Peningkatan:
Pilih solusi
terbaik

1 Oktober 2021
This Photo by Unknown Author is licensed under CC BY-SA
 KONSEP DAN TOOL SOLUSI PERBAIKAN
1. Build on Lean strategies
• Modifying the Workflow
• 5 S (Select, Set in order, Shine, Standardize,
Sustain) Tool (alat) peningkatan
• Mistake Proofing
2. Select the Best Solution
mutu tidak harus
• Design FMEA dipergunakan semua,
• Priority/Payoff Matrix.
tetapi RS agar memilih
3. Test the Solution → PDSA
4. Chart the Results → Run Chart sesuai kebutuhan dan
5. Additional Analyses . yang dikuasai
6. Change Management: Launch Phase
• Communication Plan
• Operational Assessment 1 Oktober 2021
 MONITORING
LANJUT

HASIL EVALUASI KONSISTENSI

DIPERTAHANKAN CAPAIAN
TERCAPAI

MONITORING
SELESAI/BISA GANTI
DATA ANALISIS INDIKATOR BARU

Lean, Kaizen, Six

Sigma, GKM or Perbaikan
BELUM RENCANA metode sudah
TERCAPAI PERBAIKAN peningkatan dilaksanakan
mutu lainnya
PMKP 11 PERLU UJI PDSA
COBA
1 Oktober 2021
PENUTUP
• Metoda pengumpulan data tetapkan dng jelas di profil
Imut, latih petugas pengumpul datanya
• Teknik pengambilan sample dan besaran sample banyak
teorinya, pilih yg dikuasai dan jelas referensinya.
• Metode validasi ber-macam2 tdk hanya yg saya
presentasikan, pilih metode yg sudah dikuasai, latih
petugas. INGAT: validasi data hanya utk data tertentu
• Analisis data menggunakan Teknik statistic dan
divisualisasikan berbentuk grafik dan buat narasi
interpretasi datanya. INGAT ANALISIS DATA TIDAK
DENGAN PDCA
• Banyak teori konsep peningkatan mutu, pilih yg sesuai
dan lakukan monev pada pelaksanaan kegiatan

1 Oktober 2021
This Photo by Unknown Author is licensed under CC BY-SA
KARS

Quality is a Journey,
not a destination.
Rightly said.
Start your journey and learn

1 Oktober 2021
TERIMA
KASIH

WA : 0811 151 142

Email : luwiharsih@kars.or.id

This Photo by Unknown Author is licensed under CC BY-NC-ND