Sabarinah

14 April 2016

1
1. Profil Kesehatan

2. Data agregat vs data individu

3. Kualitas data

4. Analisis sederhana memakai data Profil

Kesehatan

2
3
 Profil Kesehatan  menyajikan data untuk
pengambilan keputusan ~ kesehatan, baik di
tingkat kabupaten/kota, provinsi, atau
nasional

 Utilisasi Profil Kesehatan akan tinggi bila

data berkualitas baik

4
5
 Indikator  komprehensif

 Sumber data  multi

 Unit teknis di Kemenkes
 Institusi lain

 Berjenjang
6
7
Puskesmas Diare - prevalensi
1 40% Pelaporan
2
3
15%
20%
Puskesmas ke
4 25% Dinkes Kabupaten

Puskesmas Kasus Diare

1 1 diare
1 2 tidak
1 3 tidak Pencatatan
1 4 tidak
1 5 diare di Puskesmas

8
Puskesmas Diare - prevalensi Hasil survei
1 40%
2 15% di Kab.X menurut
3 20%
4 25% Tiap puskesmas

Puskesmas Kasus Diare

1 1 diare
1 2 tidak Survei
1 3 tidak
1 4 tidak
di masyarakat di
1 5 diare Area kerja Puskesmas

9
 DATA RUTIN:
Dari pencatatan dan
pelaporan rutin
SIK
 DATA AD HOC:
Dari hasil penelitian
sewaktu

10
 OUR DATA:
We use the most recent data from these
primary sources: WHO, World Bank,
UNESCO, CIA and individual country
databases for global health and causes of
death.
We use the CDC, NIH and individual state
and county databases for verification and
supplementation for USA data.
11
Sumber data rutin: Pertanyaan:
 Pencatatan – sesuai kasus yg Definisi kasus ?
Kualitas pencatatan &
terjadi pelaporan?
 Secara terus menerus Kasus datang ke
 Berbasis fasilitas (?) yg punya faskes atau dijangkau
area kerja oleh petugas?
Dsb..........
Sumber data ad hoc:
Pertanyaan:
 Pencatatan – sesuai kasus yg
Definisi kasus?
terjadi Point prevalence?
 Sewaktu Kasus di area kerja
 Berbasis masyarakat puskesmas?

12
13
 Data
agregat

Data
individu

14
Indonesia
Provinsi

Kabupaten
Data
agregat
Kecamatan

Fas-Kes

Pasien
Data
Rumga,
individu
Masyarakat

15
Puskesmas
1
Diare - prevalensi
40% Laporan
2
3
15%
20% Puskesmas Agregat
4 25%
Ke Dinkes
Kab/Kota
Puskesmas Pasien Diare
1 1 diare
1 2 tidak Catatan
1 3 tidak Individu
1
1
4
5
tidak
diare
puskesmas
16
17
 No health data is perfect…
 And there is no one definition
of data quality

18
Kegiatan/ Pengambil Memakai Ke-
Kejadian/ Catat Lapor keputusan utk ambil pu-
Kondisi menerima keputusan tus-
an
data informasi

Produsen
Pemakai/User

verifikasi
validasi
19
WHO – DQRC (Data Quality Report Card)
1. Dimensi : Sistem yg memproduksi data
a) Petugas pengumpul & pengelola data
b) Formulir & media elektronik
c) Prosedur
d) Definisi variabel yg dikumpulkan
e) Cara memeriksa kualitas data

2. Dimensi: Data aktual

a) Kelengkapan/completeness
b) Akurasi/accuracy
c) Konsistensi/consistency 20
IMF – DQAF (Data Quality Assurance Framework)
(2012):
1. Kualitas prasyarat: legal, institusi, relevans
2. Jaminan integritas: profesionalisme, transparansi,
standard etika
3. Metodologi: standard, pedoman, praktek tk
internasional
4. Akurasi & Reliabilitas: sumber data, teknik statistik,
keluaran statistik
5. Serviceability: periodisitas, tepat-waktu, konsisten,
kebijakan jelas
6. Akses: data & metadata tersedia
21
European Brackstone Strategic Simba &
Statistical (1999) Goals BTS Mwangu
System (2000) (Tanzania)
Relevance Relevance Relevance Completeness
Accuracy Accuracy Quality Accuracy
Timeliness & Timeliness Timeliness Timeliness
Punctuality
Comparability Accessibility Utility
Coherence Interpretability Completeness
Accessibility & Coherence Comparability
Clarity
22
23
 Validasi = proses memeriksa apakah data valid
 Valid = apa yg diukur sesuai dg apa yg ingin
diukur
 Lengkap & Logik

 Langkah Validasi:
 Data screening: deteksi data yg suspek error/ tak-
logik
 Data verification: case by case 
reject, retain, replace
24
 PMKDR (Penilaian Mandiri Kualitas Data Rutin)

 Telaah Laporan:

▪ Kelengkapan
▪ Akurasi
▪ Konsistensi: Internal & Eksternal

25
 Lengkap = ≥ 80%
jml unit melapor/jml unit seharusnya melapor

 Tepat waktu = ≥ 80%

jml laporan masuk sesuai baku tgl
(puskesmas tgl 5, kab/kota tgl 10, provinsi tgl
15) / jml laporan bulanan yg harus masuk

26
 Pencilan =

1. Proporsi data pencilan:

jml data pencilan/ jml data yg masuk dlm periode ttt.

Pencilan Moderate: nilai data di antara + 2 SD & + 3 SD

Pencilan Ekstrim: nilai data di luar + 3 SD

2. Control Chart  grafik tebaran titik data menurut

waktu (mis bulan) atau tempat (mis puskesmas),
dengan garis mean, + 2 SD dan + 3 SD

3. Box-plot  di luar PL atau antara PL dan PD.

27
Pencilan Moderate: nilai titik data di antara + 2 SD dan + 3 SD
Pencilan Ekstrim: nilai titik data di luar + 3 SD

28
Kesimpulan  tidak ada pencilan distrik selama 12 bl

29
Kesimpulan  ada pencilan waktu di 10 distrik

30
Pencilan

31
 PMKDR (Penilaian Mandiri Kualitas Data Rutin)

 Verifikasi Data  Proses

▪ Akurasi

 Sistem Monitoring & Evaluasi

▪ 6 komponen

32
33
 Tujuan analisis data

 Data vs Variabel

 Unit analisis: individu vs agregat

 Sumber data

 Teknik analisis data

34
 DATA:
Keterangan berbentuk angka atau huruf
 ANALISIS
Memilah bahan/materi sampai ke bagian
terkecil yang akan dipelajari

 PEMANTAUAN: bandingkan dg rencana kerja

 EVALUASI: bandingkan dg tujuan program
35
 CONTOH:
 Variabel:
Karakteristik yang GENDER
diteliti atau diamati Laki
Perempuan
yang nilainya
bervariasi

 Data: 1. Laki
Nilai dari variabel yang 2. Laki
3. Perempuan
diteliti hasil dari 4. Laki
pengukuran atau 5. Perempuan
6. ......
pengamatan 7. Dst
36
Puskesmas Diare - prevalensi
1 40%
2 15% Fasilitas
3 20%
4 25%

Puskesmas Kasus Diare

1 1 diare
1 2 tidak
1 3 tidak
1 4 tidak Individu Pasien
1 5 diare

37
General Overview

38
Sebelum analisis data  Data CLEAN?
Edit:
 Skip check
 Range check – periksa kisaran nilai
 Logical check – periksa konsistensi
secara logik

39
Berdasarkan Skala variabel
 Untuk membedakan individu satu dg yg lain

 NOMINAL beda
 ORDINAL beda, urut
 INTERVAL beda, urut, besar-beda
 RASIO beda, urut, besar-beda,
kelipatan
40
SKALA UKUR CONTOH
NOMINAL Beda Gender:
laki, perempuan
ORDINAL Beda, Urutan Tingkat Pendidikan:
SD, SMP, SMA
INTERVAL Beda, Urutan, Suhu:
Besar beda derajat Celsius
RASIO Beda, Urutan, Berat-badan bayi
Besar beda, dalam gram
Kelipatan

41
 Skala variabel: Numerik dan Kategorik
 Analisis satu variabel
SKALA UKURAN PUSAT UKURAN VARIASI
Numerik Mean, median, Simpang-baku,
modus kisaran (min-maks),
P25-P75 (IQR)
Kategorik Proporsi/% Kisaran nilai kategori

42
 Analisis dua variabel
SKALA Numerik Kategorik
Numerik Koef. Korelasi K=2
Persamaan Regresi Uji T (parametrik)
Linier sederhana K>2
Uji Oneway-Anova

Kategorik Uji Chi-kuadrat

43
Perlukah spesifik untuk data agregat ?

44
 Individu vs Agregat  Interpretasi

 Puskesmas Kasus Diare

1 1 diare
1 2 tidak
1 3 tidak
1 4 tidak
1 5 diare

 Di Puskesmas-1, ada 2/5 kasus diare

40% Diare
45
 Individu vs Agregat  Interpretasi

 Puskesmas Jml kasus Jml diare Prev diare

1 5 2 40%
2 20 3 15%
3 10 2 20%
4 16 4 25%
51 11
Di 4 puskesmas, % diare pada kunjungan pasien =
(jumlah kasus diare/ total kasus)
= (11/51) = 21,6%
46
 Individu vs Agregat  Interpretasi

 Puskesmas Diare - %
1 40% Rata-rata % diare =
(40% + 15% + 20% + 25%)/4
2 15% = 25%
3 20%
4 25%

 Rata-rata % diare di Kab. X

(dg 4 puskesmas) adalah 25% per puskesmas 25%
47
48
49
Parameter =
Statistik + Koef. pd tk kepercayaan * SE
(Kepercayaan 95%)

m = mean + (1,96)*(s/√n)

p = proportion + (1,96)*(√pq/n)

50
51
52
 p = proportion + (1,96)*(√pq/n)

Contoh:
Proporsi Berat lahir ditimbang di Prov. Aceh =
90,13%
95%CI of proportion = 89,94% - 90,33%

Bandingkan dg hasil dari sumber lain.

53
Berat lahir ditimbang = 89,94% - 90,33%

54
BBLR di Prov. Aceh = 1,368%
95%CI = 1,288% - 1,447%

55
Bandingkan dengan hasil SDKI 2012

56
57
58
59
 Ukuran posisi:
 Minimum, Maximum
 Kuartil-1 = Persen-25
 Kuartil-3 = Persen-75

Min.......P25........ Median...........P75...........Max

60
61
62
63
64
Ukuran pusat .

Ukuran Variasi ....?

Posisi ....... untuk monev ?
Kesenjangan antara kelompok?
65
Ukuran Pusat.

Ukuran Variasi ....?

Posisi ....... untuk monev ?
66
67
68
69
Profil Kesehatan menyajikan data agregat
 Status kesehatan
 Status program

 Ditabulasi silang menurut:

 Provinsi
 Kabupaten/kota
 Umur
 Gender
 Sosio-ekonomi (kuintil)
 Pendidikan
70
71
Trend Menurut Waktu

72
Juknis Profil Kabupaten 2013 73
Prov. Umur Pendidikan

<10 10-19 20-29 Tak SD SMP SMA+

dst sekl
AAA 20% 15% 74
75
76
77
Trend menurut waktu
di tiap kab/kota

78
79
80
 Menggambarkan hubungan 2 variabel
numerik

 Dapat dihitung koefisien korelasi linier r

(r Pearson) = kekuatan hubungan =
antara 0 sampai 1
 Kuadrat r = R-kuadrat = R2 =
Koefisien Determinan
menjelaskan besarnya variasi variabel Y
yang dijelaskan oleh variabel X

81
Grafik 38. Diagram tebar hubungan drop-out imunisasi
dengan % desa UCI

R2=
15%
82
R2=
70%
83
R2=
44%
84
 Membuat persamaan garis linier
 Y=a+bX

 Y = a + b1 X1 + b2 X2 + ..... + bp Xp

 Melihat efek X secara bersama terhadap Y

 Melihat efek X1 terhadap Y dengan sudah
mengendalikan X yang lain (dalam model)

85
 Coefficientsa

Uns tandardized Standardized

Coeff icients Coeff icients
Model B Std. Error Beta t Sig.
1 (Constant) -13,408 13,528 -,991 ,333
K1 ,868 ,176 ,685 4,921 ,000
K4 ,249 ,134 ,260 1,864 ,077
a. Dependent Variable: Linnakes

Linnakes% = -13,4 + 0,87 K1 + 0,25 K4

Efek K1 terhadap Linnakes % = baca koef. B  0,87
Peningkatan Cakupan K1 sebesar 1 % akan meningkatkan
Persen Linnakes sebesar 0,87%, setelah K4 dikendalikan.

Peningkatan cakupan K1 sebesar 10% akan meningkatkan

cakupan Linnakes sebesar 8,7%
 Coefficientsa

Uns tandardized Standardized

Coeff icients Coeff icients
Model B Std. Error Beta t Sig.
1 (Constant) -13,408 13,528 -,991 ,333
K1 ,868 ,176 ,685 4,921 ,000
K4 ,249 ,134 ,260 1,864 ,077
a. Dependent Variable: Linnakes

Linnakes% = -13,41 + 0,87 K1 + 0,25 K4

Efek K4 terhadap Linnakes % = 0,25.
Peningkatan Cakupan K4 sebesar 1 % akan meningkatkan
Persen Linnakes sebesar 0,25%, setelah K1 dikendalikan.

Peningkatan cakupan K4 sebesar 10% akan meningkatkan

cakupan Linnakes sebesar 2,5%
 Model Summary

Adjust ed Std. Error of

Model R R Square R Square the Estimate
1 ,863a ,745 ,720 4, 54916
a. Predic tors : (Const ant), K4, K1

Y = a + b1K1 + b2 K4
Koefisien Determinasi = 0,745 = hampir 75%
89
Continuous Quality Improvement relies on team work and
scientific approach

Quality is dynamic, and can be improved

90