Buku Beban TB - ISBN

614.
542
Ind
p
Panduan Penentuan
Beban dan Target Cakupan
Penemuan dan Pengobatan Tuberkulosis
di Indonesia Tahun 2019-2024
KEMENTERIAN KESEHATAN - 2020

TIM PENYUSUN 614.542
Ind
p
Pengarah : dr. Anung Sugihantono, M.Kes

dr. Wiendra Waworuntu, M.Kes
Penanggung jawab : dr. Imran Pambudi, MPHM
Editor : Nurjannah, SKM, M.Kes
dr. Sulistya Widada
Sulistyo, SKM, M.Epid
Kontributor :
1. M.Noor Farid, PhD
2. dr. Pandu Riono, PhD
3. dr. Indriyono Tantoro, MPH
4. Nurul Badriyah, SKM
5. Totok Haryanto, SKM
6. Helmi Suryani, SKM, M.Epid
7. Rizka Nur Fadila, SKM
8. Syarifah Khodijah, SKM
9. Shena Masyita Deviernur, SKM
10. Amelia Yuri Karlinda, SKM
11. Andini Ayu Lestari, SKM
12. Dewi Nuryana, SKM
13. Alfi Lailiyah, SKM
Panduan Penentuan
Beban dan Target Cakupan
Penemuan dan Pengobatan Tuberkulosis
di Indonesia Tahun 2019-2024

Cakupan Penemuan dan Pengobatan Tuberkulosis di Indonesia vi

ii
TIM PENYUSUN
KATA PENGANTAR

Estimasi insiden TB di dr.Indonesia yang dilakukan
Wiendra Waworuntu, M.Kestahun 2017 menunjukkan
angka 842.000
Penanggung kasus.: dr.
jawab Angka iniPambudi,
Imran berbeda MPHM
dengan estimasi insiden TB tahun
2016, yaitu sebesar 1.020.000. Perbedaan ini terjadi karena digunakan metode
yang berbeda antara tahun 2017 dengan 2016. Estimasi insiden tahun 2017
dr. Sulistya Widada
dianggap lebih tepat karena metode yang digunakan memiliki presisi yang lebih
baik.
Kontributor :
1. M.Noor
Pemerintah Farid, PhD
bertekad untuk mencapai Eliminasi TB tahun 2030 dengan target
2. dr. Pandu Rate
Case Detection Riono,(CDR)
PhD di tahun 2020 sebesar 70%. Karena adanya
perubahan
3. estimasi insiden
dr. Indriyono pada
Tantoro, MPHtahun 2017 dan agar target eliminasi TB tahun
2030 dapat
4. tercapai,
Nurul perlu
Badriyah, SKMada perubahan target cakupan penemuan TB.

Apresiasi saya sampaikan kepada Komli TB yang bersama jajaran Ditjen P2P
telah menyusun dan menerbitkan buku berjudul Panduan untuk Menentukan
Beban dan Target Cakupan Penemuan dan Pengobatan TB di Indonesia 2019 –
8. Syarifah Khodijah,
2024. Dengan SKM panduan ini maka insiden TB dan target
memanfaatkan
9. Shena
penemuan Masyita
kasus TB Deviernur,
yang harusSKMdicapai di tingkat Provinsi dan di tingkat
10. Amelia
Kabupaten/ Yuri
Kota Karlinda,
dapat SKM
ditentukan.
Buku ini dimaksudkan untuk digunakan oleh para pengelola program TB
tingkat Nasional, Provinsi, dan Kabupaten/kota. Dengan terbitnya buku ini
diharapkan seluruh jajaran kesehatan di Pusat dan Daerah dapat menghitung
beban TB, menentukan target penemuan kasus TB di wilayahnya, dan
melakukan upaya pencapaian target menuju Eliminasi TB tahun 2030.
Semoga buku ini bermanfaat bagi upaya mempercepat terwujudnya Indonesia

Bebas TB sebelum 2050.
Direktur Jenderal P2P
dr. Anung Sugihantono, M.Kes
Cakupan Penemuan dan Pengobatan Tuberkulosis di Indonesia iii

v
Cakupan Penemuan dan Pengobatan Tuberkulosis di Indonesia iii
iv
TIM PENYUSUN
TIM PENYUSUN

Pengarah : dr.
dr. Anung Sugihantono,
Wiendra Waworuntu,M.Kes
M.Kes
Penanggung jawab dr. Imran
: dr. Wiendra Waworuntu,
Pambudi, MPHMM.Kes
Penanggung
Editor jawab :: dr. Imran Pambudi,
Nurjannah, MPHM
SKM, M.Kes
dr. Sulistya Widada
dr. Sulistya
Sulistyo, Widada
SKM, M.Epid
Kontributor : Sulistyo, SKM, M.Epid
Kontributor
1. M.Noor Farid, :PhD
1.
2. M.Noor Farid,
dr. Pandu PhD
Riono, PhD
2.
3. dr. Pandu Riono, PhD MPH
dr. Indriyono Tantoro,
3.
4. dr. Indriyono
Nurul Tantoro,
Badriyah, SKM MPH
4.
Totok Haryanto, SKM
5.
6. Totok
Helmi Haryanto, SKM M.Epid
Suryani, SKM,
6.
7. Helmi Suryani,
Rizka Nur SKM,
Fadila, M.Epid
SKM
7.
8. Rizka Nur
Syarifah Fadila, SKM
Khodijah, SKM
8.
9. Syarifah Khodijah, SKM SKM
Shena Masyita Deviernur,
9.
10. Shena Masyita
Amelia Deviernur,
Yuri Karlinda, SKMSKM
10.
11. Amelia YuriLestari,
Andini Ayu Karlinda, SKM
SKM
11.
12. Andini Ayu Lestari,
Dewi Nuryana, SKMSKM
12.
13. Dewi Nuryana,
Alfi Lailiyah, SKM
SKM
Cakupan Penemuan dan Pengobatan Tuberkulosis di Indonesia v

Cakupan Penemuan dan Pengobatan Tuberkulosis di Indonesia v
vi
vi Panduan Penentuan Beban dan Target
DTAI F
MTP
AER NIYSU
I SUN
Pengarah
KATA PENGANTAR : dr.________________________________________________
Anung Sugihantono, M.Kes III
TIM PENYUSUN _____________________________________________________ V
DAFTAR ISI _______________________________________________________
Editor : Nurjannah, SKM, M.Kes VII
dr. Sulistya Widada
DAFTAR TABEL ____________________________________________________ IX
DAFTAR GAMBAR__________________________________________________ XI
Kontributor :
BAB
1. 1M.Noor Farid, PhD ______________________________________________ 1
PENDAHULUAN
2.
1.1 dr. Pandu
Latar Riono,________________________________________________________
belakang PhD 1
1.1.1 Insiden Tuberkulosis................................................................................... 1
1.1.2 Estimasi Insiden TB berdasarkan Hasil Survei Nasional Prevalensi .... 3
6. 1.1.3 Estimasi Insiden
Helmi Suryani, dengan Analisis Pemodelan Capture-Recapture ......... 3
SKM, M.Epid
7.
1.2 Rizka Nur
Tujuan Fadila, SKM
________________________________________________________________ 3
1.3 Ruang lingkup ________________________________________________________ 4
1.4
10. Dasar
Ameliahukum _________________________________________________________
Yuri Karlinda, SKM 4
11.
1.5 Andini Pencapaian
Upaya Ayu Lestari, Target
SKM _____________________________________________ 4
BAB 2 PERHITUNGAN INSIDEN TB DI TINGKAT NASIONAL ______ 5
2.1 Perhitungan insiden berdasarkan data SPTB 2013-2014_______________ 5
2.2 Perhitungan insiden berdasarkan data IVS 2017-2018 _______________ 11
BAB 3 PERHITUNGAN INSIDEN TB DI TINGKAT WILAYAH _______ 17
3.1 Data dan variabel ___________________________________________________ 18
3.2 Proses perhitungan _________________________________________________ 21
3.3 Workbook nasional __________________________________________________ 22
3.4 Tingkat kabupaten/kota_____________________________________________ 26
3.5 Tingkat provinsi ____________________________________________________ 35
BAB 4 Perhitungan Target Penemuan dan Pengobatan TB __________ 41
Cakupan Penemuan dan Pengobatan Tuberkulosis di Indonesia vii

v
Cakupan Penemuan dan Pengobatan Tuberkulosis di Indonesia vii
4.1 Perhitungan target di tingkat nasional ______________________________ 42
4.2 Perhitungan target di tingkat provinsi_______________________________ 44
4.3 Perhitungan target di tingkat kabupaten/kota _______________________ 52
4.4 Perhitungan target di tingkat kecamatan ____________________________ 55
4.4.1 Kecamatan di kabupaten yang tidak ada kotanya ............................... 56
4.4.2 Kecamatan di kabupaten yang ada kotanya ......................................... 57
BAB 5 SIMPULAN DAN PENUTUP _________________________________ 61
REFERENSI ___________________________________________________ 63
viii
viii Panduan Penentuan Beban dan Target
TIM PENYUSUN
DAFTAR TABEL

Tabel 1 Hasil penghitungan insiden Waworuntu,
dr. Wiendra TB dengan model
M.Kesdeterministik sederhana. 8
Tabel 2 Hasiljawab
Penanggung penghitungan
: dr. Imraninsiden TB dengan
Pambudi, MPHM Model 2 dan perbandingannya
dengan Metode 1 ......................................................................................................... 9
Tabel 3 Model Regresi Poisson yang digunakan .................................................... 13
dr. Sulistya Widada
Tabel 4 Hasil estimasi u, SE(u), 95%CI (u), dan AIC ............................................ 13
Tabel 5 Prevalensi, jumlah penduduk, dan beban kumulatif TB per kawasan ... 25
Kontributor :
Tabel 6 Insiden TB per kawasan ............................................................................. 26
Tabel 7 Nilai skor menurut kawasan ...................................................................... 29
Tabel 8 Hasil estimasi insiden TB, cakupan penemuan dan pengobatan TB, dan
3.
TB-HIVdr. Indriyono
menurut Tantoro,
provinsi tahun MPH 2017 .................................................................... 36
4.
Tabel 9Nurul Badriyah,
Perkiraan angkaSKM
insiden TB di Indonesia, 2017-2024 ............................. 43
5. Totok
Tabel 10 Haryanto,
Target cakupanSKM
penemuan dan pengobatan TB dan kasus TB yang
harus ditemukan, 2019-2024.................................................................................... 44
Tabel 11 Target angka cakupan penemuan dan pengobatan TB dan jumlah kasus
TB yang harus ditemukan dan diobati tahun 2019 ............................................... 46
TB yang
9. harusMasyita
Shena ditemukan dan diobati
Deviernur, SKMtahun 2020 ............................................... 47
Tabel 13
10. TargetYuri
Amelia angka cakupan
Karlinda, penemuan dan pengobatan TB dan jumlah kasus
SKM
Tabel 17 Jumlah temuan kasus, perkiraan insiden TB, target dan cakupan
penemuan dan pengobatan TB tahun 2019 ............................................................ 54
Tabel 18 Jumlah temuan kasus dan target penemuan dan pengobatan TB
menurut kecamatan di Kabupaten Luwu Timur, Provinsi Sulawesi Selatan
Tahun 2019 ................................................................................................................ 57
Tabel 19 Jumlah temuan kasus dan target penemuan dan pengobatan TB
menurut kecamatan di Kabupaten dan Kota Magelang, Provinsi Jawa Tengah
Tahun 2019 ................................................................................................................ 59
Cakupan Penemuan dan Pengobatan Tuberkulosis di Indonesia ix

v
Cakupan Penemuan dan Pengobatan Tuberkulosis di Indonesia ix
x
x Panduan Penentuan Beban dan Target
TIM PENYUSUN
DAFTAR GAMBAR

Gambar 1 Distribusi estimasi dr. Wiendrainsiden TB per 100.000/tahun
Waworuntu, M.Kes berdasarkan Metode
1, Metode 2, dan Esemble dari kedua metode tersebut ......................................... 10
Gambar 2 Hasil pemadanan data IVS dan NTP .................................................... 12
Gambar 3 Distribusi kasus TB menurut notifikasi dan diagnosis status ............ 15
dr. Sulistya Widada
Gambar 4 Tren estimasi insiden kasus TB per 100.000 penduduk dari kedua
metode (berdasarkan data Sulistyo,
SPTBSKM, (orange) M.Epid
dan IVS (biru) dan tren notifikasi
(hitam) ........................................................................................................................
Kontributor : 17
GambarM.Noor
1. 5 Distribusi
Farid,jumlah
PhD penduduk di setiap kabupaten/kota ....................... 19
Gambardr.
2. 6 Distribusi proporsi
Pandu Riono, PhD penduduk yang tinggal di daerah perkotaan/urban
di setiap kabupaten/kota .......................................................................................... 20
Gambar 7 Distribusi proporsi penduduk yang tinggal di rumah dengan luas per
4. Nurul Badriyah,
kapita kurang SKM
dari 8 meter persegi di setiap kabupaten/kota .............................. 20
5.
GambarTotok Haryanto,
8 Distribusi SKM penduduk dengan tingkat pendidikan SMP atau
proporsi
lebih
6. rendah
Helmi Suryani, SKM, M.Epid .................................................................... 20
di setiap kabupaten/kota
Gambar 9 Distribusi prevalensi HIV di setiap kabupaten/kota............................ 21
Gambar 10 Distribusi proporsi penduduk yang terpajan polusi udara di setiap
kabupaten/kota .......................................................................................................... 21
Gambar 11 Proses SUBSET untuk estimasi insiden dan penentuan target
10. Amelia
penemuan dan Yuri Karlinda,
pengobatan TBSKM tingkat wilayah..................................................... 22
GambarAndini
11. 12 Worksheet Method
Ayu Lestari, ................................................................................ 23
SKM
GambarDewi
12. 13 Worksheet
Nuryana, Input
SKM 1................................................................................. 24
GambarAlfi
13. 14 Lailiyah,
Worksheet Input 2................................................................................. 24
SKM
Gambar 15 Worksheet perhitungan skor variabel dan total skor per
kabupaten/kota .......................................................................................................... 27
Gambar 16 Worksheet perhitungan estimasi insiden TB dan cakupan penemuan
dan pengobatan TB per kabupate/kota ................................................................... 31
Gambar 17 Worksheet perhitungan estimasi insiden TB-HIV per kabupate/kota
.................................................................................................................................... 32
Gambar 18 Worksheet ringkasan estimasi per kabupate/kota ............................. 32
Gambar 19 Distribusi estimasi jumlah insiden TB di setiap kabupaten/kota ..... 33
Gambar 20 Distribusi estimasi insiden TB per 100.000 penduduk di setiap
kabupaten/kota .......................................................................................................... 33
Gambar 21 Distribusi estimasi cakupan penemuan dan pengobatan TB
berdasarkan fasyankes di setiap kabupaten/kota .................................................. 34
Gambar 22 Distribusi estimasi cakupan penemuan dan pengobatan TB
berdasarkan domisili di setiap kabupaten/kota ..................................................... 34
Cakupan Penemuan dan Pengobatan Tuberkulosis di Indonesia xi

v
Cakupan Penemuan dan Pengobatan Tuberkulosis di Indonesia xi
Gambar 23 Perbandingan estimasi cakupan penemuan dan pengobatan TB
berdasarkan fasyankes dan domisili di kabupaten/kota di DI Yogyakarta
dan beberapa kabupaten/kota di Jawa Tengah ...................................................... 34
Gambar 24 Worksheet untuk estimasi di tingkat provinsi .................................... 35
Gambar 25 Distribusi estimasi jumlah insiden kasus TB di setiap provinsi ....... 37
provinsi ....................................................................................................................... 37
Gambar 27 Distribusi estimasi cakupan penemuan dan pengobatan TB di
setiap provinsi ............................................................................................................ 37
Gambar 28 Perkiraan jumlah insiden TB per provinsi .......................................... 38
Gambar 29 Perkiraan jumlah insiden TB per 100.000 penduduk per
provinsi ....................................................................................................................... 39
Gambar 30 Perkiraan angka cakupan penemuan dan pengobatan TB per
provinsi ....................................................................................................................... 40
Gambar 31 Tren capaian temuan kasus TB baru dan kambuh ............................ 41
Gambar 32 Tren angka insiden TB per 100.000 penduduk pada tahun 2000-
2017 (GTB 2018) dan prediksi pada tahun 2018-2019 ........................................... 42
Gambar 33 Tren angka insiden TB pada tahun 2000-2017 (GTB 2018) dan
prediksi pada tahun 2018-2019 ................................................................................ 43
Gambar 34 Distribusi angka penemuan dan pengotaban TB per
kabupaten/kota di Provinsi Bali ............................................................................... 53
Gambar 35 Distribusi perkiraan angka insiden TB per kabupaten/kota di
Provinsi Bali tahun 2019 .......................................................................................... 53
Gambar 36 Peta kecamatan di Kabupaten Luwu Timur, Provinsi Sulawesi
Selatan........................................................................................................................ 56
Gambar 37 Kecamatan di Kabupaten dan Kota Magelang ................................... 58
xii
xii Panduan Penentuan Beban dan Target
TIM PENYUSUN
BAB 1
PENDAHULUAN
1.1 Latar jawab
Penanggung belakang
: dr. Imran Pambudi, MPHM
Beban masalah penyakit Tuberkulosis di dunia dan setiap wilayah
dr. Sulistya Widada
direpresentasikan dalam angka kejadian Insiden, Prevalensi, dan Kematian
Sulistyo,
akibat penyakit Tuberkulosis SKM,
(TB) M.Epid data yang dikumpulkan melalui
berdasarkan
Kontributor
sistem surveilans dan :berbagai studi atau survei yang relevan.
Sedangkan
2. angkaRiono,
dr. Pandu kematian
PhD dihitung berdasarkan Sampel Registrasi Survei
untuk penyebab Kematian, atau menghitung berdasarkan angka insisiden Case
Fatality Ratio.
5.
1.1.1 Totok
InsidenHaryanto, SKM
Tuberkulosis
Angka
7. insiden
Rizka NurTB tidakSKM
Fadila, pernah diukur melalui studi di populasi, karena
membutuhkan studi longitudinal pada subyek kohort yang sangat banyak, butuh
biaya yang sangat mahal dan butuh dukungan logistik yang kompleks.
10.
Sistem Amelia Yuri
notifikasi Karlinda,
kasus SKM dapat digunakan sebagai penduga insiden
tuberkulosis
11. AndinidiAyu
tuberkulosis Lestari,
suatu negaraSKM
dengan sistem surveilans yang baik, yaitu jumlah
12.
kasus Dewi
yang Nuryana, SKM
tak terlaporkan minimal, dan akses layanan kesehatan yang
13. Alfi Lailiyah,
berkualitas SKM
yang mendorong sedikit kasus yang tidak terdeteksi. Dibantu
dengan studi inventori dimungkinkan mengukur tingkat ketidaklaporan kasus
tuberkulosis yang sudah berobat di fasilitas layanan kesehatan. Selain itu hasil
studi inventory dimungkinkan untuk mengestimasi angka insiden bila kondisi
data memungkinkan.
Ada empat metode yang digunakan secara global untuk menghitung angka
insiden tuberkulosis di setiap negara:
1. Berdasarkan notifikasi kasus dengan kombinasi pendapat ekspert

tentang besar gap angka deteksi kasus.
2. Berdasarkan hasil Survei Prevalensi Tuberkulosis Nasional
Cakupan Penemuan dan Pengobatan Tuberkulosis di Indonesia 1

v
3. Berdasarkan data notifikasi kasus yang dilakukan pembobotan dengan
faktor standar yang memperhitungkan under-reporting dan under-
diagnosis.
4. Berdasarkan pemodelan analisis capture-recapture.
Diringkaskan tentang metode-metode tersebut dijelaskan secara singkat dengan

kelebiham dan kelemahannya. Metode pertama dengan memanfaatkan pendapat
para ahli dalam pertemuan konsesus untuk menduga besar tingkat kasus
tuberkulosis yang tidak terlaporkan dan belum terdeteksi dalam kurun tren
selama tiga tahun berdasarkan survei risiko infeksi atau interpolasi angka gap
deteksi selama tiga tahun.
Keterbatasan metode yang mendasari pendapat para ahli tentang masalah gap
pada pelaporan dan deteksi kasus sering dipertanyakan kesahihannya, sulit
dihindari konflik kepentingan, serta keterbatasan sarana layanan, kualitas
layanan diagnostik dan perilaku penduduk dalam mencari pengobatan
tuberkulosis. Kualitas layanan diagnostik, seringkali sulit mendapatkan data
orang dengan tuberkulosis yang sudah terkonfirmasi.
Pada metode kedua mendasari hasil Survei Nasional Prevalensi Tuberkulosis.

Insiden diestimasi berdasarkan Prevalensi yang didapat dari metode Survei dan
perkiraan durasi penyakit. Bila kondisi equilibrium, maka angka insiden bisa
diperoleh dengan membagi prevalensi dengan rata-rata durasi penyakit.
Kelemahan metode ini, besar ketidakpastian cukup besar, karena sulit

memperoleh angka durasi penyakit yang spesifik di wilayah tersebut. Walaupun
demikian, estimasi insiden dengan menggunakan metode ini jauh lebih baik
dibandingkan dengan konsesus pendapat ahli.
Metode ketiga ini dapat dilakukan bila sistem surveilans dapat diandalkan
seperti negara maju, dengan memprtimbangkan tingkat under-reporting dan
under-diagnosis. Biasanya data surveilans cukup konsisten dengan
memperhatikan rasion Kematian TB dan Notifikasi, bila terdapat fluktuasi
maka ada masalah dalam pelaporan,
Metode ke empat dengan melakukan analisis pemodelan Capture-recapture

untuk memperoleh angka insiden. Angka insiden Tuberkulosis sangat baik,
karena kecil ketidakpastiannya (estimasi intervalnya tidak lebar).
2
2 Panduan Penentuan Beban dan Target
1.1.2 T P
Estimasi Insiden TBIberdasarkan
M E N YHasil
U SSurvei
U N Nasional Prevalensi
Walaupun rancangan survei hanya digunakan mengukur prevalensi, bukan
untuk mengestimasi langsung insiden namun dengan menggunakan angka
prevalensi tersebut dimungkin untuk mengestimasi insiden.
Ada dua metode yang dr. Wiendra Waworuntu,

digunakan, pertama M.Kes
dengan menggunakan model
Penanggung
determistik jawab : dr.dan
sederhana Imran Pambudi,
rasio yang MPHM
tak diobati dan diobati. Kedua
Editor
mengestimasi insiden: Nurjannah, SKM, M.Kes
dari prevalensi dibagi dengan durasi penyakit.
dr. Sulistya
Kekurangannya pada variasi durasiWidada
penyakit yang sangat besar sehingga sulit
untuk mendapat angkaSulistyo,
yang lebih pasti.
SKM, M.Epid
Kontributor :
Dari hasil perhitungan menggunakan gabungan kedua metode tersebut,
didapatkan angka insiden tuberkulosis sekitar juta kasus tuberkulosis pada
semua usia dan semua jenis penykait (paru dan di luar paru) di tahun 2013
dengan variasi dari 0.7 juta sampai 1.4 juta kasus.
VariasiTotok
5. estimasi yang SKM
Haryanto, cukup lebar, disebabkan oleh variasi ketidakpastian
akibat Helmi
6. penyampelan
Suryani, (sampling) pada prevalensi tuberkulosis pada dewasa,
SKM, M.Epid
ketidakpastian
7. Rizka Nursaat mengestimasi
Fadila, SKM TB anak dan TB di ekstra-paru, serta
ketidakpastian
8. Syarifahtentang durasi
Khodijah, SKMpenyakit.
1.1.3 Estimasi Insiden dengan Analisis Pemodelan Capture-Recapture
Tujuan Andini
11. utamaAyu
Studi Inventori
Lestari, SKM adalah mengukur besar under-reporting. Ada
keuntungan
12. yang diperoleh
Dewi Nuryana, SKM dari hasil studi inventori, yaitu kita dapat
mengestimasi
13. besar kasus
Alfi Lailiyah, SKM yang belum terdeteksi oleh layanan kesehatan. Hasil
analisis pemodelan capture-recapture dapat diperoleh estimasi insiden dengan
lebih baik yaitu variasi estimasi (uncertainty) nya lebih kecil. Variasi estimasi
yang terjadi disebabkan hanya oleh sampling uncertainty dari studi inventori
dan uncertainty estimasi kasus yang belum terdetaksi.
1.2 Tujuan
Buku ini berisi penjelasan tentang teknik perhitungan estimasi insiden TB pada
tingkat nasional, provinsi, dan kabupaten/kota. Buku ini juga berisi tentang
penjelasan cara menentukan target penemuan kasus TB di tingkat nasional,
provinsi, kabupaten/kota, dan kecamatan. Target penemuan kasus TB di tingkat
nasional dan provinsi telah ditetapkan di dalam buku ini.

v
1.3 Ruang lingkup
Buku ini ditujukan untuk pengelola program TB baik ditingkat nasional,

provinsi, kabupaten/kota.
1.4 Dasar hukum
Dasar hukum dari penulisan buku ini adalah Peraturan Menteri Kesehatan
Nomor 67 Tahun 2016 tentang Program Penanggulangan Tuberkulosis.
1.5 Upaya Pencapaian Target
Untuk pencapaian target penemuan dan pengobatan kasus TB diperlukan

langkah perencanaan sumber daya dan penggerakan pelaksanaan di setiap
tingkat administrasi provinsi/kabupaten/kota. Penghitungan kebutuhan sumber
daya di setiap tingkat administrasi mengacu pada Peta Jalan Menuju Eliminasi
TB Tahun 2030 dan sesuai dengan kebijakan RPJMN Bidang Kesehatan 2020-
2024 dan Rencana Strategis Kementerian Kesehatan 2020-2024.
Upaya pencapaian target penemuan dan pengobatan kasus TB adalah sesuai

dengan amanat PP nomor 2 tahun 2018 tentang Standar Pelayanan Minimal.
Upaya pencapaian target sangat ditentukan oleh dukungan seluruh jajaran
lintas sektor dan peran serta seluruh lapisan masyarakat termasuk organisasi
kemasyarakatan, organisasi profesi, kalangan swasta, dan dunia usaha.
4
B A B 2 P E RT T UPNEGNAYNU S
HIIM IN SIDEN TB DI
UN
TINGKAT NASIONAL

Di dalam sub-bab ini akan dibahas tentang dua metode penghitungan estimasi
insiden TB di tingkat nasional yang disarankan oleh WHO berdasarkan
Editor : Nurjannah,
ketersediaan data di suatu negara. SKM, M.Kes
dr. Sulistya Widada
2.1 Perhitungan insiden berdasarkan data SPTB 2013-2014
Kontributor :
Pada
1. tahun
M.Noor Farid, PhDIndonesia telah melaksanakan Survei Prevalensi TB
2013-2014,
(SPTB) dr.
2. di populasi umum
Pandu Riono, secara nasional. Tujuan utama dari survei ini adalah
PhD
untuk mengetahui tingkat prevalensi TB paru pada penduduk dewasa (umur 15
tahun atau lebih) di Indonesia, baik di tingkat nasional maupun tingkat
kawasan, yaitu Sumatera, Jawa-Bali, dan Kawasan Timur Indonesia (KTI).
Jumlah penduduk dewasa yang berpartisipasi di dalam survei ini sebanyak
67.944 penduduk dewasa yang tersebar di 156 klaster yang terpilih dalam survei
ini.
Estimasi
9. prevalensi
Shena MasyitaTB paru yang
Deviernur, SKMterkonfirmasi secara bakteriologis (yang
selanjutnya
10. disebut
Amelia TB paru SKM
Yuri Karlinda, dalam tulisan ini) pada penduduk dewasa adalah
759,1 (95%
11. AndiniCIAyu589,7-960,8) kasus per 100.000 penduduk dewasa. Estimasi
Lestari, SKM
prevalensi di kawasan Sumatera sebesar 913,1 (696,7-1.176,7) kasus per 100.000
penduduk dewasa, di kawasan Jawa-Bali 593,1 (447,2-770,6) kasus per 100.000
penduduk dewasa, dan di kawasan KTI sebesar 842,1 (634,7-1.091,8) kasus per
100.000 penduduk dewasa.
Untuk mengestimasi insiden TB semua bentuk (termasuk TB ekstra paru) untuk

semua umur (termasuk anak) dari angka prevalensi, maka perlu diketahui juga
angka prevalensi TB semua bentuk untuk semua umur di Indonesia. Angka
estimasi prevalensi TB dari SPTB adalah angka estimasi prevalensi TB paru di
penduduk dewasa. Untuk itu perlu dilakukan ekstrapolasi angka prevalensi
tersebut. Ada dua fase ekstrapolasi yang dilakukan, yaitu
(1) ektrapolasi untuk mendapatkan estimasi angka prevalensi TB paru untuk

semua umur

v
(2) ektrapolasi untuk mendapatkan estimasi angka prevalensi TB semua bentuk
untuk semua umur
Untuk mendapatkan angka estimasi prevalensi TB paru untuk semua kelompok

umur maka perlu dilakukan estimasi angka prevalensi TB paru pada anak
dengan cara mengalikan prevalensi TB paru pada penduduk dewasa dengan
rasio notifikasi atau penemuan kasus TB paru pada anak terhadap kasus
dewasa,
�𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝;𝑝𝑝𝑝𝑝𝑎𝑎𝑎𝑎𝑝𝑝𝑝𝑝𝑎𝑎𝑎𝑎 = �
𝑝𝑝𝑝𝑝 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝;𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑝𝑝𝑝𝑝𝑑𝑑𝑑𝑑𝑝𝑝𝑝𝑝 × 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑎𝑎𝑎𝑎𝑝𝑝𝑝𝑝𝑎𝑎𝑎𝑎/𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑝𝑝𝑝𝑝𝑑𝑑𝑑𝑑𝑝𝑝𝑝𝑝
dengan:
• 𝑝𝑝𝑝𝑝̂𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 adalah estimasi prevalensi TB paru pada penduduk dewasa (hasil

SPTB 2013-2014), yaitu 759,1 (95% CI 589,7-960,8) per 100.000
penduduk dewasa
• 𝑝𝑝𝑝𝑝𝑑𝑑𝑑𝑑𝑎𝑎𝑎𝑎𝑑𝑑𝑑𝑑𝑎𝑎𝑎𝑎/𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 adalah rasio tingkat notifikasi kasus TB paru anak terhadap

dewasa (data notifikasi Program TB Nasional, 2008-2012), secara rerata
dari data 5 tahun tersebut adalah 0,3 dengan simpangan baku (SD) 0,056
• Asumsi yang digunakan adalah rasio tingkat notifikasi kasus TB paru

anak terhadap dewasa sama dengan rasio prevalensi TB paru anak
terhadap dewasa
Setelah estimasi angka prevalensi TB paru pada anak didapatkan, selanjutnya

dapat dihitung estimasi angka prevalensi TB paru untuk semua kelompok umur
dengan cara menghitung rata-rata tertimbang antara prevalensi TB paru pada
anak dan pada penduduk dewasa,
�𝑝𝑝𝑝𝑝𝑑𝑑𝑑𝑑𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 = �𝑝𝑝𝑝𝑝
𝑝𝑝𝑝𝑝 �𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝;𝑝𝑝𝑝𝑝𝑎𝑎𝑎𝑎𝑝𝑝𝑝𝑝𝑎𝑎𝑎𝑎 × c� + �𝑝𝑝𝑝𝑝
�𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝;𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑝𝑝𝑝𝑝𝑑𝑑𝑑𝑑𝑝𝑝𝑝𝑝 × (1 − c)�
dengan:
• c adalah proporsi anak terhadap total populasi, nilai ini diperkirakan

sebesar 0,297 (data BPS dan UNDP)
Selanjutnya dapat dihitung angka estimasi prevalensi TB semua bentuk pada

semua umur dengan cara membagi prevalensi TB paru pada semua umur
dengan proporsi kasus TB paru pada semua umur yang ternotifikasi, atau satu
dikurang proporsi kasus TB ekstra paru pada semua umur yang ternotifikasi,
6
T I M𝑝𝑝𝑝𝑝̂𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇P=E N𝑝𝑝𝑝𝑝̂𝑝𝑝𝑝𝑝𝑑𝑑𝑑𝑑𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝
YUSUN
1 − Pr(𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸)
dengan:
Pengarah
• Pr(𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸) adalah: proporsi
dr. Anungkasus
Sugihantono,
baru TBM.Kes
ektra paru yang ternotifikasi
(data notifikasidr. WiendraTB
Program Waworuntu,
Nasional, M.Kes
2008-2012), secara rerata dari
Penanggung
data 5jawab : dr. Imran
tahun tersebut Pambudi,
adalah MPHM
0,09 dengan simpangan baku (SD) 0,007
• Asumsi yang digunakan dalam penghitungan ini adalah (1) proporsi
dr. Sulistya Widada
kasus TB ekstra paru terhadap TB semua bentuk yang ternotifikasi sama
dengan pada kasus TB di populasi dan (2) proporsi kasus TB ektra paru
Kontributor :
sama untuk semua kelompok umur
Hasil penghitungan
2. angka
dr. Pandu Riono, PhD estimasi prevalensi TB tersebut adalah sebagai
berikut:dr. Indriyono Tantoro, MPH
3.
• Estimasi prevalensi TB paru per 100.000 penduduk adalah 600 (95% CI:
466 – 734),
7. • Estimasi
Rizka Nurprevalensi TB semua bentuk per 100.000 penduduk adalah 659
Fadila, SKM
8. (95% CI: Khodijah,
Syarifah 512 – 806),SKM
dan
• Estimasi jumlah kasus prevalensi TB adalah 1.600.000 (95% CI:
1,200,000 – 1,900,000)
12. Dewi Nuryana,
Uncertainty estimates SKM
(dalam bentuk 95% CI) untuk setiap penghitungan
estimasiAlfi
13. prevalensi
Lailiyah,menggunakan
SKM metode propagation.
Selanjutnya, setelah menghitung angka estimasi prevalensi TB semua bentuk

untuk semua umur, maka dapat dihitung angka estimasi insidens TB semua
bentuk dengan dua metode, yaitu
• Metode 1: menggunakan model deterministik sederhana berdasarkan

rasio kasus yang tidak diobati terhadap kasus yang diobati, dengan
rumus insiden = prevalensi/durasi, dengan asumsi angka durasi sama
dengan angka di dunia yang didapat dari berbagai penelitian di beberapa
negara.
• Metode 2: menggunakan rumus insiden = prevalensi/durasi, dengan

angka durasi ini berbeda dengan yang digunakan dalam Metode 1. Kalau

v
di Metode 1 tanpa membedakan kelompok kasus sedangkan dalam
Metode 2, angka durasi ini dibedakan untuk 4 kelompok kasus yang
berbeda, yaitu (1) kasus TB yang telah ternotifikasi dengan status HIV
negatif, (2) kasus TB yang belum ternotifikasi dengan status HIV negatif,
(3) kasus TB yang telah ternotifikasi dengan status HIV positif, dan (4)
kasus TB yang belum ternotifikasi dengan status HIV positif.
Metode 1
Model deterministik yang digunakan dalam metode 1 adalah
di mana S adalah jumlah suspek TB, I adalah kasus baru TB (insiden) dari S
dengan proporsi yang menjadi kasus TB sebesar β. Selanjutnya dari kasus
insiden TB ini ada sebagian yang belum diobati (U) dan sebagian lagi diobati (T),
dengan proporsi yang diobati sebesar δ. Dari kasus insiden TB saat belum
diobati mempunyai tingkat kesembuhan sebesar (θU) dan tingkat kematian
sebesar (µU). Dari kasus insiden TB yang telah diobati mempunyai tingkat
kesembuhan sebesar (θT) dan tingkat kematian sebesar (µT).
Hasil penghitungan estimasi insiden di Indonesia dan di beberapa negara adalah

sebagai berikut:
Tabel 1 Hasil penghitungan insiden TB dengan model deterministik sederhana
Prevalensi Durasi Insidens

Negara U T
(per 1.000) (tahun) (per 1.000/ tahun)
Cambodia 2002 260 42 12 (10 – 15) 2,9 (1,9 – 4,0) 4,0 (2,5 – 5,8)
Cambodia 2011 205 80 8,3 (7,1 – 9,8) 1,2 (0,8 – 1,6) 6,7 (4,5 – 9,3)
Myanmar 2009 300 79 6,1 (5,0 – 7,5) 1,8 (1,1 – 1,6) 3,3 (2,0 – 4,8)
Thailand 2012 136 60 2,5 (1,9 – 3,5) 1,1 (0,5 – 1,6) 2,3 (1,0 – 3,5)
Indonesia 2013 407 122 6,6 (5,2 – 8,1) 1,6 (1,0 – 2,2) 4,1 (2.4 – 5.8)
8
T
Keterbatasan dalam metodeIini
Madalah
EN P
(1)Ybahwa
U S Uinformasi
N tentang kepositifan
kultur untuk kasus TB yang diobati (T) saat mulai pengobatan tidak tersedia
(hanya tersedia untuk sputum mikroskopis), T mungkin over-estimates dan
estimasi durasi dan insiden mungkin bias, dan (2) bahwa SPTB 2013-2014 tidak
didesain untuk mengestimasi
Pengarah U/TSugihantono,
: dr. Anung dengan presisi yang telah ditetapkan untuk
M.Kes
penentuan jumlah sampel.
Metode 2
dr.rumus
Metode 2 menggunakan Sulistya Widadaprevalensi dari insiden, sehingga jika
estimasi
prevalensi diketahui, angka insiden
Sulistyo, SKM,bisa diestimasi. Durasi penyakit dibedakan
M.Epid
menjadi 4 kategori dengan
Kontributor : durasi penyakit mengikuti distribusi Uniform, yaitu

• Ternotifikasi dengan status HIV negatif: ~U(0,2-2) tahun
3. • dr. Indriyono
Belum Tantoro,
ternotifikasi MPHstatus HIV negatif: ~U(1-4) tahun
dengan
• Ternotifikasi dengan status HIV positif: ~U(0,01-1) tahun
6. • Helmi
Belum Suryani, SKM,
ternotifikasi M.Epid
dengan status HIV positif: ~U(0,01-0,2) tahun
Keterbatasan
8. dalam
Syarifah metode
Khodijah, ini adalah bahwa informasi tentang durasi penyakit
SKM
untuk suatu waktu dan di suatu negara tidak diketahui sehingga akan
menyebabkan bias dalam melakukan estimasi insiden ketika angka durasi
penyakit yang dipakai tidak tepat untuk negara tersebut.
12. Tabel
Dewi Nuryana,
2 Hasil SKM insiden TB dengan Model 2 dan perbandingannya
penghitungan
dengan Metode 1
Prevalensi Insidens – Metode 1 Insidens – Metode 2

Negara
(per 1.000) (per 1.000/ tahun) (per 1.000/ tahun)
Cambodia 2002 12 (10 – 15) 4,0 (2,5 – 5,8) 2,2 (1,5 – 2,9)
Cambodia 2011 8,3 (7,1 – 9,8) 6,7 (4,5 – 9,3) 3,8 (2,2 – 5,8)
Myanmar 2009 6,1 (5,0 – 7,5) 3,3 (2,0 – 4,8) 3,4 (2,0 – 5,1)
Thailand 2012 2,5 (1,9 – 3,5) 2,3 (1,0 – 3,5) 1,1 (0,7 – 1,6)
Indonesia 2013 6,6 (5,2 – 8,1) 4,1 (2,4 – 5,8) 4,3 (2,2 – 7,2)
Angka estimasi insiden TB di Indonesia dari kedua metode tersebut sangat

kompatibel, hal ini dapat dilihat dari angka estimasi titik yang tidak berbeda

v
dan estimasi intervalnya proporsi overlapping-nya sangat tinggi (Lihat Tabel 2).
Distribusi estimasi insiden TB dari kedua metode tersebut dan gabungannya
seperti terlihat pada Gambar 1.
Ensemble
402 (276 – 552) per 100.000/tahun
Metode 1
410 (240 – 580) per 100.000/tahun
Method 2
430 (220 – 720) per 100.000/tahun
Gambar 1 Distribusi estimasi insiden TB per 100.000/tahun berdasarkan Metode 1,

Metode 2, dan Esemble dari kedua metode tersebut
Gabungan estimasi insiden TB dari kedua metode tersebut menghasilkan

estimasi insiden TB di tahun 2013 sebesar 402 (276 – 552) per 100.000/tahun
atau insiden TB absolut sebesar 1 juta (690 ribu – 1,4 juta). Beberapa
kemungkinan penyebab besarnya uncertainty dari estimasi insiden ini,
diindikasikan dari lebarnya estimasi interval, adalah
• SPTB 2013-2014 tidak didesain untuk mengestimasi angka insiden TB
• Sampling uncertainty untuk estimasi prevalensi TB paru terkonfirmasi

secara bakteriologis pada penduduk dewasa
• Uncertainty untuk estimasi proporsi TB ekstra-paru dari seluruh bentuk

TB dan estimasi prevalensi TB paru pada anak
• Uncertainty untuk durasi penyakit TB.
10
T I berdasarkan
2.2 Perhitungan insiden M PENYU SU
data N 2017-2018
IVS
Pada tahun 2017-2018, Indonesia melaksanakan Studi Inventori TB (selanjutnya

disebut IVS 2017-2018) yang tujuan utama dari studi ini adalah untuk
mengukur tingkat under-reporting kasus TB di dalam sistem pelaporan TB
nasional (SITT dan eTB manager).
Studi ini melaporkan
Penanggung total
jawab : dr. 21.320
Imran kasus MPHM
Pambudi, TB yang tersebar di 1.681 fasilitas
layanan kesehatan dan
Editor laboratorium,
: Nurjannah, SKM,baik milik pemerintah maupun swasta
M.Kes
yang berada di 23 kabupaten/kota
dr. Sulistyaterpilih
Widadadalam studi ini.
Pemilihan kabupaten/kota dilakukan secara probability proportional to
Kontributor :
population sampling, artinya peluang suatu kabupaten/kota untuk terpilih
1. M.Noor
sebanding Farid,
dengan PhDpopulasi di kabupaten/kota tersebut. Semakin besar
total
2. dr. di
populasi Pandu Riono,
suatu PhD
kabupaten/kota maka semakin besar juga peluang
3. dr. Indriyono
kabupaten/kota Tantoro,
tersebut MPH dalam studi ini. Pencatatan kasus TB
terpilih
4. Nurul
dilakukan Badriyah,
di seluruh SKM pelayanan kesehatan yang melakukan pengobatan
fasilitas
terhadap
5. pasien
Totok TB. Pencatatan
Haryanto, SKM dilakukan selama tiga bulan dari 1 Januari – 31
Maret 2017.
6. HelmiHasil kasus
Suryani, TBM.Epid
SKM, yang dicatat di studi ini selanjutnya dipadankan
denganRizka
7. data Nur
yangFadila,
tercatat
SKMdi sistem pencatatan kasus TB di Program TB
Nasional
8. (NTP) Khodijah,
Syarifah dengan menggunakan
SKM probabilistic record-linkage. Jumlah data
NTP yang
9. dipadankan
Shena dengan data
Masyita Deviernur, IVS adalah 13.211 kasus.
SKM
Dari hasil pemadanan (matching) data diketahui bahwa ada sebanyak 22.681
11. Andini
yang unik dariAyu Lestari,
kedua data SKM
tersebut. Ada sebanyak 9.470 (42%) kasus TB yang
12.
tercatatDewi Nuryana,
di data SKMtidak tercatat di data NTP. Sebaliknya ada sebanyak
IVS tetapi
13. Alfi Lailiyah,
1.361 (6%) kasus TBSKM
yang tercatat di NTP tetapi tidak tercatat di data IVS.
Sedangkan jumlah kasus TB yang tercatat di kedua sumber data tersebut adalah
11.850 (52%) kasus (Lihat Gambar 2).

v
Gambar 2 Hasil pemadanan data IVS dan NTP
Dari data hasil pemadanan tersebut selanjutnya digunakan untuk mengestimasi

jumlah kasus TB yang tidak tercatat (ter-capture) baik di data IVS (public atau
private) maupun di data NTP. Proporsi kasus TB yang di luar kedua data
tersebut akan digunakan untuk memperkirakan total kasus TB yang belum
terdiagnosis atau tidak ada di 3 data tersebut, yaitu NTP (A), IVS public (B), dan
IVS private (C). Metode yang digunakan untuk memperkirakan jumlah kasus TB
yang belum terdiagnosis adalah capture-recapture dengan menggunakan log-
linier model seperti regresi Poisson. Dengan menggunakan tiga sumber data A,
B, dan C, jumlah kasus TB dapat digambarkan dalam sebuah saturated log-
linear model, yaitu
ln 𝐸𝐸𝐸𝐸�𝑎𝑎𝑎𝑎𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑎𝑎𝑎𝑎 � = 𝑝𝑝𝑝𝑝 + 𝑝𝑝𝑝𝑝𝐴𝐴𝐴𝐴 𝐼𝐼𝐼𝐼(𝑖𝑖𝑖𝑖 = 1) + 𝑝𝑝𝑝𝑝𝑇𝑇𝑇𝑇 𝐼𝐼𝐼𝐼(𝑗𝑗𝑗𝑗 = 1) + 𝑝𝑝𝑝𝑝𝐶𝐶𝐶𝐶 𝐼𝐼𝐼𝐼(𝑎𝑎𝑎𝑎 = 1) + 𝑝𝑝𝑝𝑝𝐴𝐴𝐴𝐴𝑇𝑇𝑇𝑇 𝐼𝐼𝐼𝐼(𝑖𝑖𝑖𝑖 = 𝑗𝑗𝑗𝑗 = 1)
+ 𝑝𝑝𝑝𝑝𝐴𝐴𝐴𝐴𝐶𝐶𝐶𝐶 𝐼𝐼𝐼𝐼(𝑖𝑖𝑖𝑖 = 𝑎𝑎𝑎𝑎 = 1) + 𝑝𝑝𝑝𝑝𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇 𝐼𝐼𝐼𝐼(𝑗𝑗𝑗𝑗 = 𝑎𝑎𝑎𝑎 = 1) + 𝑝𝑝𝑝𝑝𝐴𝐴𝐴𝐴𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇 𝐼𝐼𝐼𝐼(𝑖𝑖𝑖𝑖 = 𝑗𝑗𝑗𝑗 = 𝑎𝑎𝑎𝑎 = 1)
dimana 𝑝𝑝𝑝𝑝𝐴𝐴𝐴𝐴𝑇𝑇𝑇𝑇 , 𝑝𝑝𝑝𝑝𝐴𝐴𝐴𝐴𝐶𝐶𝐶𝐶 , dan 𝑝𝑝𝑝𝑝𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇 adalah two-way interaction terms antara berbagai
sumber data, dan 𝑝𝑝𝑝𝑝𝐴𝐴𝐴𝐴𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇 adalah three-way interaction term.
Dari model tersebut dapat diperkirakan jumlah kasus TB yang belum

terdiagnosis, yaitu
ln 𝐸𝐸𝐸𝐸(𝑎𝑎𝑎𝑎000 ) = 𝑝𝑝𝑝𝑝
Pemilihan model terbaik biasanya dilakukan dengan menggunakan AIC (Akaike

Information Criterion). Model dengan nilai AIC terendah merupakan model
terbaik. Ada lima model Regresi Poisson yang digunakan (Lihat Tabel 3).
12
T
I MRegresi
Tabel 3 Model EN P Y U yang
Poisson SUN digunakan
NTP*
NTP* NTP* IVSpublic*
Model IVSpublic*
IVSpublic IVSprivate IVSprivate
IVSprivate
Pengarah
Model 1 Ya : dr. Anung Sugihantono,
Ya M.KesYa Ya
Model 2 Tidak dr. Wiendra Waworuntu, M.Kes

Tidak Ya Tidak
Penanggung
Model 3 jawabYa : dr. Imran Pambudi,
Tidak MPHM Tidak Tidak
Editor
Model 4 Tidak
: Nurjannah,Ya
SKM, M.Kes Tidak Tidak
dr. Sulistya Widada
Model 5 Tidak Tidak Tidak Tidak
Kontributor :
1. M.Noorkasus
Hasil jumlah Farid,TB
PhDyang belum terdiagnosis (u), SE(u), 95%CI dari u, dan
2. dr.dapat
nilai AIC Pandu Riono,pada
dilihat PhDTabel 4.
Tabel 4 Hasil estimasi u, SE(u), 95%CI (u), dan AIC
7.ModelRizka Nur Fadila,
u SKM SE(u) 95%CI (u) AIC
Model 1 5.113,7 478,3 4.257,2 – 6.142,6 79,2
Model 2 1.087,7 33,1 1.024,7 – 1.154,4 3.670,6
Model 3Andini Ayu
11. 31.096,6
Lestari, SKM 812,2 29.544,8 – 32.729,9 4.124,0
12.
Model 4Dewi Nuryana,
3.340,8SKM 71,0 3.204,6 – 3.482,8 12.732,3
13.
Model 5Alfi Lailiyah, SKM
4.927,1 88,0 4.757,5 – 5.102,7 14.211,3
Dari kelima model tersebut ditetapkan Model 1 menjadi terbaik karena

mempunyai nilai AIC terkecil dan digunakan untuk memperkirakan proporsi
kasus TB yang belum terdiagnosis. Proporsi kasus TB yang belum terdiagnosis
dihitung dengan menggunakan rumus
𝑝𝑝𝑝𝑝
Pr(𝑝𝑝𝑝𝑝) =
𝑝𝑝𝑝𝑝 + 𝑑𝑑𝑑𝑑
dengan:
• u adalah perkiraan jumlah kasus TB yang belum terdiagnosis di 23

kabupaten/kota sampel IVS

v
• d adalah jumlah kasus TB yang terdiagnosis di fasilitas pelayanan
kesehatan di 23 kabupaten/kota sampel IVS, yaitu 22.681 kasus
Jadi estimasi proporsi kasus TB yang belum terdiagnosis adalah 0,184.
Uncertainty dari estimasi proporsi tersebut dihitung dengan rumus
SE(𝑝𝑝𝑝𝑝) × Pr(𝑝𝑝𝑝𝑝)
SE(Pr(𝑝𝑝𝑝𝑝)) =
𝑝𝑝𝑝𝑝
dengan:
• SE(u) adalah standard error dari u, yaitu 478,3

• Pr(𝑝𝑝𝑝𝑝) adalah proporsi kasus TB yang belum terdiagnosis (undiagnosed
cases), Pr(𝑝𝑝𝑝𝑝) = 0,184
Jadi SE(Pr(u)) = 0,0172.
Setelah estimasi proporsi kasus TB yang belum terdiagnosis diketahui maka

estimasi insiden TB dapat dihitung dengan menggunakan rumus
𝑎𝑎𝑎𝑎⁄(1 − Pr(𝑝𝑝𝑝𝑝))
𝐼𝐼𝐼𝐼 =
(1 − Pr(𝑝𝑝𝑝𝑝))
dengan:
• n adalah jumlah kasus TB baru dan kambuh yang ternotifikasi di tahun

2017, n = 402.572 (di luar kasus TB yang dinotifikasi saat penyisiran di
beberapa rumah sakit)
• Pr(𝑝𝑝𝑝𝑝) adalah proporsi kasus TB yang tidak terlaporkan ke sistem
pencatatan Program TB Nasional (under-reporting), Pr(𝑝𝑝𝑝𝑝) = 0,413 dengan
SE = 0,0241
• Pr(𝑝𝑝𝑝𝑝) adalah proporsi kasus TB yang belum terdiagnosis (undiagnosed
cases), Pr(𝑝𝑝𝑝𝑝) = 0,184 dengan SE = 0,0172
Uncertainty estimasi insiden dihitung berdasarkan SE setiap parameter dengan

menggunakan metode propagation. Hasil penghitungan estimasi insiden di
tahun 2017 adalah 842.000 (767.000 – 919.000) kasus TB, dengan rate 319 (290 –
349) per 100.000 penduduk. Sumber uncertainty estimasi dapat disebabkan oleh:
14
• T
Sampling uncertaintyI M P
E N Y Uproporsi
untuk estimasi S U Nunder-reporting kasus TB
dari Studi Inventory TB
• Uncertainty untuk estimasi proporsi kasus TB yang tidak terdiagnosis
hasil analisis capture-recapture dengan regresi Poisson
Distribusi kasus
Penanggung TB menurut
jawab notifikasi
: dr. Imran Pambudi,danMPHM
diagnosis status dapat di lihat pada
Gambar 3.
dr. Sulistya Widada
Kontributor :
8. Gambar
Syarifah3 Khodijah,
Distribusi SKM
kasus TB menurut notifikasi dan diagnosis status


v
16
TIM PENYUSUN
BAB 3 PERHITUNGAN INSIDEN TB DI

TINGKAT WILAYAH
Editor : Nurjannah,
Pada sub-bab sebelumnya telah SKM, M.Kes
dihitung estimasi insiden TB dengan dua
metode dan data yang dr. Sulistya
berbeda, Widada
yaitu data SPTB 2013-2014 dan IVS 2017-2018.
Hasil estimasi insiden Sulistyo,
TB dengan menggunakan
SKM, M.Epid data IVS dianggap lebih baik
karena tingkat uncertainty
Kontributor : yang lebih rendah (estimasi interval yang lebih
sempit)M.Noor
1. dan datanya
Farid,lebih
PhD baru. Estimasi interval dari data IVS berada di dalam
estimasidr.interval
2. dari data
Pandu Riono, PhD SPTB. Perbandingan hasil estimasi dari kedua
metode dr.
3. tersebut setelah
Indriyono dimodelkan
Tantoro, MPH dari 2000-2017 lihat Gambar 4.
Gambar 4 Tren estimasi insiden kasus TB per 100.000 penduduk dari kedua metode
(berdasarkan data SPTB (orange) dan IVS (biru) dan tren notifikasi (hitam)
Setelah ditetapkan angka insiden TB pada tingkat nasional yaitu 842.000

(767.000 – 919.000) kasus TB yang merupakan beban pada tingkat nasional,
selanjutnya perlu dilakukan untuk menghitung estimasi beban pada tingkat
wilayah yaitu tingkat provinsi dan kabupaten/kota. Untuk melakukan hal
tersebut telah dikembangkan tool yang dapat digunakan oleh perencana
program di tingkat pusat maupun wilayah. Tool yang dapat digunakan untuk

v
menghitung Sub-national Estimate of TB Burden di Indonesia ini selanjutnya
disebut SUBSET.
Tujuan tool ini adalah untuk
1) Mengestimasi angka insiden TB di tingkat provinsi dan kabupaten/kota

2) Menentukan target penemuan kasus TB di tingkat provinsi dan
kabupaten/kota
Prinsip tool ini adalah
1) Berdasarkan data
2) Dibangun berdasarkan hasil prevalensi survei
3) Sederhana
4) Dapat digunakan dan didiseminasi oleh kabupaten/kota
3.1 Data dan variabel
Dalam melakukan estimasi, diperlukan alokator atau variabel untuk

mendistribusikan beban TB nasional ke seluruh kabupaten/kota. Variabel ini
harus berhubungan dengan TB, dan mempunyai konsep dan definisi yang jelas
dan sama untuk setiap kabupaten/kota. Variabel-variabel tersebut adalah
1) Jumlah Populasi (N)

2) Persentase penduduk yang tinggal di daerah urban
3) Persentase penduduk dengan luas tempat tinggal per kapita < 8m2
4) Persentase penduduk yang telah menyelesaikan pendidikan hanya
sampai tingkat SMP
5) Persentase penduduk yang terinfeksi HIV
6) Persentase penduduk yang terpapar polusi udara
Data yang diperlukan adalah
1) Tingkat kabupaten/kota
a. Jumlah populasi (Sumber: Proyeksi, BPS)
b. Angka notifikasi TB (sumber: Nasional TB Program (NTP))
c. Persentase Penduduk yang tinggal di daerah urban (sumber: BPS,
Susenas)
d. Persentase penduduk dengan luas tempat tinggal per kapita <8m2
(sumber: BPS, Susenas)
18
T
IM
e. Persentase penduduk P
Eyang
N Y Utelah
SUN menyelesaikan pendidikan
hanya sampai tingkat SMP (sumber: BPS, Susenas)
f. Persentase penduduk yang terinfeksi HIV (sumber: Subdit AIDS,
Kemenkes)
2) Tingkat kawasan (Sumatera, Jawa-Bali, dan KTI)
a. Risiko Relatif (RR) TB berdasarkan daerah urban/rural (Sumber:
NPS)
b. RR TB berdasarkan luas tempat tinggal perkapita < 8m2 (sumber:
dr. Sulistya Widada
NPS)
Sulistyo, SKM,
c. RR TB berdasarkan M.Epid
tingkat pendidikan (sumber: NPS)
Kontributord. RR TB: berdasarkan status HIV (sumber: Clinical Infectious
1. M.NoorDiseases,
Farid, PhD
Volume 50, Issue Supplement_3, 15 May 2010, Pages
S201–S207, https://doi.org/ 10.1086/651492)
3. dr. Indriyono Tantoro,
e. Prevalensi MPH
TB per 100.000 penduduk (source: NPS)
5. 3) Totok
Tingkat nasionalSKM
Haryanto,
6. a. Suryani,
Helmi EstimasiSKM,
insiden TB
M.Epid
7. b. Nur
Rizka Target cakupan
Fadila, SKM penemuan dan pengobatan TB
Sebaran data per kabupaten/kota yang dipakai dalam model ini adalah sebagai
berikut
Gambar 5 Distribusi jumlah penduduk di setiap kabupaten/kota

v
Gambar 6 Distribusi proporsi penduduk yang tinggal di daerah perkotaan/urban di
setiap kabupaten/kota
Gambar 7 Distribusi proporsi penduduk yang tinggal di rumah dengan luas per
kapita kurang dari 8 meter persegi di setiap kabupaten/kota
Gambar 8 Distribusi proporsi penduduk dengan tingkat pendidikan SMP atau lebih
rendah di setiap kabupaten/kota
20
TIM PENYUSUN

dr. Sulistya Widada
Gambar 9 Distribusi
Sulistyo,prevalensi HIV di setiap kabupaten/kota
SKM, M.Epid
Kontributor :
Gambar 10 Distribusi proporsi penduduk yang terpajan polusi udara di setiap
11. Andini Ayu Lestari, SKM kabupaten/kota
3.2 Proses perhitungan
Secara umum, proses ini menggunakan 2 workbook, yaitu “national workbook”

dan “provincial workbook”. Gambaran proses estimasi beban dan penentuan
target capaian penemuan dan pengobatan TB dapat dijelaskan pada gambar
berikut ini.

v
National workbook
Estimasi insiden
tingkat kabupaten/kota
Estimasi insiden
tingkat provinsi
Penentuan target cakupan

penemuan dan pengobatan Provincial workbooks
tingkat provinsi
Estimasi insiden tingkat

kabupaten/kota (Review)
Penentuan target cakupan

penemuan dan pengobatan
di tingkat kabupaten/kota
Gambar 11 Proses SUBSET untuk estimasi insiden dan penentuan target penemuan
dan pengobatan TB tingkat wilayah
3.3 Workbook nasional
Workbook di tingkat nasional atau Workbook Nasional ini digunakan untuk

mendapatkan angka estimasi insiden TB di provinsi berdasarkan estimasi pada
setiap kabupaten/kota dan menetapkan target penemuan kasus TB di tingkat
provinsi. Workbook ini terdiri dari 10 worksheet yaitu:
1. Method
Worksheet ini berisikan informasi awalan terkait data yang dipakai dalam
workbook nasional. Tampilan worksheet method seperti pada Gambar 12.
22
TIM PENYUSUN

Penanggung jawab : dr.Gambar
Imran Pambudi, MPHM
12 Worksheet Method
dr. Sulistya Widada
2. Input 1
Worksheet
Kontributor ini berisikan
: seluruh data yang dibutuhkan untuk melakukan
estimasi pada tingkat kabupaten/kota. Data yang diinput adalah sebagai
berikut:
3. 1) dr.
NamaIndriyono Tantoro,
dan kode MPH provinsi, dan kawasan (sesuai data BPS)
kabupaten,
4. 2) Nurul
JumlahBadriyah,
Populasi SKM
(Sumber: Hasil proyeksi, BPS)
5. 3) Totok
AngkaHaryanto,
NotifikasiSKM
TB (menurut fasyankes dan domisili) dan TB-HIV
6. (Sumber:
Helmi National
Suryani, TBM.Epid
SKM, Program (NTP))
7. 4) Rizka
Proporsi
Nurpenduduk yang tinggal di area urban, proporsi penduduk yang
Fadila, SKM
8. tinggal di
Syarifah <8m2 SKM
Khodijah, per orang, dan proporsi penduduk yang telah
9. menyelesaikan
Shena pendidikan
Masyita Deviernur, hanya sampai tingkat SMP (Sumber :
SKM
Susenas, BPS)
5) Jumlah penduduk yang terinfeksi HIV (Sumber: Estimasi, Subdit AIDS)
6) Proporsi penduduk yang terpapar polusi udara (Sumber: BMKG)

v
Gambar 13 Worksheet Input 1
3. Input 2
Worksheet ini berisikan informasi untuk input pada tingkat nasional yaitu
insiden TB dan target penemuan dan pengobatan TB dan pada tingkat kawasan
yaitu RR untuk setiap faktor risiko dan prevalensi TB.
Gambar 14 Worksheet Input 2
Pada worksheet ini dilakukan penginputan data Risk Ratio TB untuk setiap
variabel pada setiap kawasan. Data ini yang akan digunakan sebagai multiplier
atau pengali dalam pembuatan skor variabel di setiap kabupaten/kota. Data
yang diinput berasal dari hasil SPTB 2013-2014 untuk variabel status
urban/rural, luas lantai per kapita, dan tingkat pendidikan, namun untuk status
HIV berasal dari data Subdit AIDS, Kemenkes dan polusi udara dari data
Informasi Air Quality Index di Indonesia. Sedangkan untuk angka prevalensi
yang digunakan adalah angka prevalensi TB paru pada penduduk dewasa yang
didapatkan dari hasil SPTB 2013-2014.
Angka prevalensi per kawasan ini kemudian digunakan untuk mengalokasikan

angka insiden TB nasional ke angka insiden TB per kawasan. Angka insiden TB
per kawasan dihitung dengan mengalikan angka insiden TB nasional dengan
proporsi kasus prevalensi (beban kumulatif) TB pada kawasan tersebut.
24
Penentuan target penemuanI MT E Npada
kasus TB P
Y Utingkat
S U Nnasional didasarkan pada
persentase penemuan dan pengobatan TB yang ingin dicapai pada strategi
pengendalian TB nasional yang telah ditetapkan dan estimasi angka insiden TB
nasional. Perkiraan beban kumulatif kasus TB di suatu kawasan dihitung
dengan mengalikan angka
Pengarah prevalensi
: dr. Anung TB di kawasan
Sugihantono, M.Kes tersebut dengan jumlah
penduduk di kawasan tersebut, yaitu
𝐸𝐸𝐸𝐸𝑝𝑝𝑝𝑝 × 𝑁𝑁𝑁𝑁𝑝𝑝𝑝𝑝
Editor : Nurjannah, 𝐵𝐵𝐵𝐵𝑝𝑝𝑝𝑝SKM,
= M.Kes
100.000
dr. Sulistya Widada
dengan:
Kontributor :
• Br adalah perkiraan beban kumulatif TB di kawasan r
1. • M.Noor Farid,
Pr adalah PhD TB (per 100.000 penduduk) di kawasan r
prevalensi
2. • dr. Pandu Riono,
Nr adalah jumlahPhD
penduduk di kawasan r
Contoh Totok
5. perhitungan beban
Haryanto, SKM kumulatif kasus TB di tingkat kawasan adalah
sebagaiHelmi
6. berikut:
Suryani, SKM, M.Epid
7. Rizka
Diketahui Nur prevalensi
bahwa Fadila, SKMTB per 100.000 penduduk pada Kawasan Sumatera
8.
adalah Syarifah
913 danKhodijah, SKM
jumlah penduduk di Kawasan Sumatera adalah 56.742.000
orang, maka
9. Shenaperkiraan beban kumulatif
Masyita Deviernur, SKM kasus TB di kawasan Sumatera adalah
(913 x 56.742.000)/100.000
10. = 518.050
Amelia Yuri Karlinda, SKM (28% dari total beban kumulatif nasional).
Hasil penghitungan
11. beban SKM
Andini Ayu Lestari, kumulatif kasus TB di setiap kawasan terdapat di
Tabel 5.Dewi Nuryana, SKM
12.
Tabel 5 Prevalensi, jumlah penduduk, dan beban kumulatif TB per kawasan
Jumlah
Prevalensi Proporsi
penduduk Beban
Kawasan (per 100 ribu beban
(dalam kumulatif
penduduk) kumulatif
ribuan)
Sumatera 913 56.742 518.050 28%
Jawa-Bali 593 152.032 901.551 48%
KTI 842 52.317 440.509 24%
Kemudian angka proporsi beban kumulatif di kawasan tersebut dikalikan

dengan angka insiden nasional untuk memperkirakan angka insiden di suatu
kawasan dengan rumus

v
𝐵𝐵𝐵𝐵𝑝𝑝𝑝𝑝
𝐼𝐼𝐼𝐼𝑝𝑝𝑝𝑝 = × 𝐼𝐼𝐼𝐼
∑ 𝐵𝐵𝐵𝐵𝑝𝑝𝑝𝑝
dengan:
• ∑ 𝐵𝐵𝐵𝐵𝑝𝑝𝑝𝑝 adalah total beban kumulatif seluruh kawasan atau angka beban
kumulatif nasional
• I adalah angka insiden TB nasional
Sehingga untuk contoh di atas akan didapatkan perkiraan angka insiden TB di

Kawasan Sumatera sebesar 28% × 842.000 = 234.501 kasus. Hasil penghitungan
insiden TB di setiap kawasan terdapat di Tabel 6.
Tabel 6 Insiden TB per kawasan
Insiden TB
Kawasan Batas rendah Batas tinggi
(nilai tengah)
Sumatera 234.501 213.613 255.946
Jawa Bali 408.097 371.747 445.418
KTI 199.401 181.640 217.636
Perhitungan batas rendah dan tinggi insiden TB per kawasan menggunakan

cara yang sama. Selanjutnya angka insiden TB per kawasan yang didapat akan
dialokasikan untuk setiap kabupaten/kota.
3.4 Tingkat kabupaten/kota
Pada worksheet ini akan dilakukan perhitungan skor per variabel dan total skor
per kabupaten/kota (sebagai alokator) yang digunakan untuk memperkirakan
insiden TB di setiap kabupaten/kota. Estimasi insiden TB per provinsi dihitung
dengan menjumlahkan insiden TB per kabupaten/kota dalam suatu provinsi.
Estimasi insiden TB per provinsi ini akan digunakan sebagai salah satu faktor
dalam menentukan target penemuan dan pengobatan TB di setiap provinsi.
Langkah-langkah untuk mengestimasi insiden TB di setiap kabupaten/kota

adalah sebagai berikut :
1) Membuat skor untuk setiap variabel alokator
26
Skor adalah penjumlahan dua T
I Mskor, yaitu
ENY (1)Uskor
S Uuntuk P
N penduduk risiko tinggi
dan (2) skor untuk penduduk risiko rendah. Skor risiko tinggi adalah perkalian
antara proporsi penduduk yang berisiko lebih tinggi dengan faktor pengali risiko
tersebut. Skor risiko rendah adalah proporsi penduduk yang berisiko lebih
rendah.
Skor variabel tersebut dihitung dengan mengalikan proporsi penduduk yang
memenuhi kondisi suatu variabel dengan risk ratio atau faktor pengali risiko
untuk variabel tersebut ditambah dengan proporsi penduduk yang tidak
dr. Sulistya Widada
memenuhi kondisi variabel tersebut, yaitu
Kontributor : (𝑣𝑣𝑣𝑣)
𝑑𝑑𝑑𝑑𝑖𝑖𝑖𝑖
(𝑣𝑣𝑣𝑣)
= �𝑝𝑝𝑝𝑝𝑖𝑖𝑖𝑖
(𝑣𝑣𝑣𝑣)
× 𝑝𝑝𝑝𝑝 𝑅𝑅𝑅𝑅;𝑣𝑣𝑣𝑣 � + �1 − 𝑝𝑝𝑝𝑝𝑖𝑖𝑖𝑖 �
dengan
2. : Pandu Riono, PhD
dr.
3. dr. (𝑣𝑣𝑣𝑣)
Indriyono Tantoro, MPH
• 𝑝𝑝𝑝𝑝𝑖𝑖𝑖𝑖 adalah proporsi penduduk yang memenuhi kondisi variabel (𝑣𝑣𝑣𝑣) di
kabupaten/kota i
• 𝑝𝑝𝑝𝑝 𝑅𝑅𝑅𝑅;𝑣𝑣𝑣𝑣 adalah faktor pengali untuk variabel (𝑣𝑣𝑣𝑣) pada kawasan R
Gambar 15 Worksheet perhitungan skor variabel dan total skor per kabupaten/kota
Misal proporsi penduduk yang tinggal di daerah perkotaan/urban di kabupaten

Simeulue adalah 20% dan diketahui bahwa risiko TB di daerah perkotaan di
Sumatera 1.72 kali lebih tinggi dibanding di daerah pedesaan/rural maka skor
untuk variabel urban pada kabupaten Simeulue adalah

v
(𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑢𝑢𝑢𝑢𝑑𝑑𝑑𝑑𝑎𝑎𝑎𝑎)
𝑑𝑑𝑑𝑑1101 = (0,2 × 1,72) + (1 − 0,2) = 1,15
Nilai skor untuk variabel urban berkisar antara minimal 1 dan maksimal nilai
faktor pengali risiko di suatu kawasan. Misalnya pada setiap daerah yang
termasuk dalam Kawasan Sumatera dengan RR=1,72, maka skor akan bernilai 1
jika 100% penduduk tinggal di daerah pedesaan dan skor akan bernilai 1,72 jika
100% penduduk tinggal di daerah perkotaan.
Cara yang sama dilakukan untuk variabel lain di setiap kabupaten/kota yaitu
proporsi penduduk yang tinggal di rumah dengan luas rumah per kapita kurang
dari 8 m2, proporsi penduduk yang mempunyai tingkat pendidikan tertinggi
SMP atau lebih rendah, dan proporsi penduduk dengan status HIV positif.
2) Menghitung skor total untuk setiap kabupaten/kota
Setelah mendapatkan nilai skor dari masing masing variabel, langkah

selanjutnya adalah menghitung skor total untuk setiap kabupaten/kota. Skor
total dihitung dengan mengalikan seluruh skor variabel dan jumlah penduduk,
yaitu
(𝑣𝑣𝑣𝑣)
𝑑𝑑𝑑𝑑𝑖𝑖𝑖𝑖 = 𝑁𝑁𝑁𝑁𝑖𝑖𝑖𝑖 × � 𝑑𝑑𝑑𝑑𝑖𝑖𝑖𝑖
∀𝑣𝑣𝑣𝑣
(𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑝𝑝𝑝𝑝/𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑘𝑘𝑘𝑘𝑑𝑑𝑑𝑑<8𝑚𝑚𝑚𝑚2 ) (𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑢𝑢𝑢𝑢𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑) (𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑒𝑒𝑒𝑒𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑) (ℎ𝑖𝑖𝑖𝑖𝑣𝑣𝑣𝑣+) (𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 𝑝𝑝𝑝𝑝𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑝𝑝𝑝𝑝𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘)

𝑑𝑑𝑑𝑑𝑖𝑖𝑖𝑖 = 𝑁𝑁𝑁𝑁𝑖𝑖𝑖𝑖 × 𝑑𝑑𝑑𝑑𝑖𝑖𝑖𝑖 × 𝑑𝑑𝑑𝑑𝑖𝑖𝑖𝑖 × 𝑑𝑑𝑑𝑑𝑖𝑖𝑖𝑖 × 𝑑𝑑𝑑𝑑𝑖𝑖𝑖𝑖 × 𝑑𝑑𝑑𝑑𝑖𝑖𝑖𝑖
dengan:
• 𝑁𝑁𝑁𝑁𝑖𝑖𝑖𝑖 adalah jumlah populasi di kabupaten/kota i

(𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑝𝑝𝑝𝑝/𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑘𝑘𝑘𝑘𝑑𝑑𝑑𝑑<8𝑚𝑚𝑚𝑚2 )
• 𝑑𝑑𝑑𝑑𝑖𝑖𝑖𝑖 adalah skor variabel luas tempat tinggal per kapita <
8m2 di kabupaten/kota i
(𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑢𝑢𝑢𝑢𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑)
• 𝑑𝑑𝑑𝑑𝑖𝑖𝑖𝑖 adalah skor variabel urban di kabupaten/kota i
(𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑒𝑒𝑒𝑒𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑)
• 𝑑𝑑𝑑𝑑𝑖𝑖𝑖𝑖 adalah skor variabel tingkat pendidikan SMP atau lebih
rendah di kabupaten/kota i
(ℎ𝑖𝑖𝑖𝑖𝑣𝑣𝑣𝑣+)
• 𝑑𝑑𝑑𝑑𝑖𝑖𝑖𝑖 adalah skor variabel HIV positif di kabupaten/kota i
(𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 𝑝𝑝𝑝𝑝𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑝𝑝𝑝𝑝𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘)
• 𝑑𝑑𝑑𝑑𝑖𝑖𝑖𝑖 adalah skor variabel polusi udara di kabupaten/kota i
3) Menghitung skor total di setiap kawasan
28
I M dengan
Skor total per kawasan didapat ENYU T
SUN
menjumlahkan P
skor total seluruh
kabupaten/kota yang berada di suatu kawasan. Hasil perhitungan total skor di
setiap kawasan seperti pada Tabel 7.

dr. Wiendra
Tabel 7 Nilai Waworuntu,
skor menurutM.Kes
kawasan
Editor : Kawasan
Nurjannah, SKM, M.KesSkor
dr. Sulistya Widada
Sumatera 88.579
Jawa Bali 243.248
KTI 89.286
Kontributor :
4) Menghitung perkiraan insiden TB di setiap kabupaten/kota
Langkah selanjutnya adalah menghitung estimasi insiden TB di setiap
kabupaten/kota dengan cara mengalikan skor relatif kabupaten/kota dengan
angka insiden TB di kawasan. Skor relatif kabupaten/kota adalah skor
kabupaten/kota dibagi dengan skor kawasan. Rumus perhitungan insiden TB
7. Rizka Nur
kabupaten/kota Fadila,
adalah SKM berikut
sebagai
𝐼𝐼𝐼𝐼𝑖𝑖𝑖𝑖 = × 𝐼𝐼𝐼𝐼𝑝𝑝𝑝𝑝
𝑑𝑑𝑑𝑑𝑝𝑝𝑝𝑝
11.
dengan:Andini Ayu Lestari, SKM
• 𝐼𝐼𝐼𝐼𝑖𝑖𝑖𝑖 adalah estimasi insiden TB di kabupaten/kota i
• 𝑑𝑑𝑑𝑑𝑖𝑖𝑖𝑖 adalah skor kabupaten/kota i, 𝑑𝑑𝑑𝑑𝑝𝑝𝑝𝑝 adalah skor kawasan r
• adalah skor relatif kabupaten/kota i
𝑑𝑑𝑑𝑑𝑟𝑟𝑟𝑟
• 𝐼𝐼𝐼𝐼𝑝𝑝𝑝𝑝 adalah estimasi insiden TB di kawasan r
Contoh di Kabupaten Simeulue, Provinsi Aceh yang termasuk dalam Kawasan

Sumatera mempunyai skor 143 dan skor untuk Kawasan Sumatera adalah
88.578 (lihat Tabel 7), sehingga skor relatif kabupaten/kota i adalah
143/88.578 = 0,001614
Estimasi insiden TB di Kawasan Sumatera adalah 234.501 kasus, sehingga

estimasi insiden TB di Kabupaten Simeulue adalah

v
143
𝐼𝐼𝐼𝐼ℎ1101 = × 234501 = 378,6 ≈ 379
88578
Estimasi insiden TB (batas rendah dan batas tinggi) di suatu kabupaten/kota

dihitung dengan rumus seperti di atas dengan mengganti nilai estimasi insiden
TB di kawasan di mana kabupaten/kota tersebut berada dengan nilai estimasi
batas rendah dan batas tinggi insiden di kawasan tersebut.
5) Menghitung estimasi cakupan penemuan dan pengobatan di setiap

kabupaten/kota
Salah satu cara untuk memeriksa hasil perhitungan insiden TB di

kabupaten/kota adalah dengan menghitung nilai cakupan penemuan dan
pengobatan di kabupaten/kota tersebut. Angka cakupan penemuan dan
pengobatan dihitung dengan membagi angka kasus TB yang ditemukan dan
diobati saat ini di kabupaten/kota dengan estimasi insiden TB di kabupaten/kota
tersebut. Jika terdapat angka cakupan penemuan dan pengobatan sangat tinggi
(misalnya lebih dari 80%) atau sangat rendah (misalnya kurang dari 20%), maka
tinjau kembali perhitungan yang dilakukan, karena dianggap terlalu beda
dibandingkan dengan angka cakupan penemuan dan pengobatan di tingkat
nasional yaitu sekitar 50%. Perhitungan cakupan penemuan dan pengobatan
dibedakan antara cakupan penemuan dan pengobatan menurut kabupaten/kota
tempat fasyankes yang melaporkan kasus TB berada dan menurut
kabupaten/kota tempat domisili kasus TB.
30
TIM PENYUSUN

dr. Sulistya Widada
Kontributor :
4.
GambarNurul Badriyah,
16 Worksheet SKM
perhitungan estimasi insiden TB dan cakupan penemuan dan
5. pengobatan TB per kabupate/kota
Totok Haryanto, SKM
6. Helmi Suryani,
6) Menghitung SKM,
estimasi M.Epid
insiden TB-HIV di setiap kabupaten/kota
Worksheet ini digunakan untuk menghitung estimasi jumlah kasus TB-HIV
pada setiap kabupaten/kota berdasarkan angka estimasi insiden TB-HIV
9.
nasionalShena
yang Masyita Deviernur,
diperoleh SKM
dari Global TB Report. Angka nasional insiden TB-HIV
10. Amelia Yuri
ini selanjutnya Karlinda,
dikalikan SKM estimasi kasus HIV di suatu kabupaten/kota
proporsi
11. Andini
terhadap angkaAyunasional
Lestari, SKM
estimasi kasus HIV untuk mendapatkan angka
12.
estimasiDewi Nuryana,
insiden SKM
TB-HIV di setiap kabupaten/kota. Rumus perhitungan estimasi
kasus TB-HIV
13. di kabupaten/kota
Alfi Lailiyah, SKM i adalah
𝑇𝑇𝑇𝑇𝑖𝑖𝑖𝑖
𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑖𝑖𝑖𝑖 = 𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇 ×
𝑇𝑇𝑇𝑇
dengan:
• 𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑖𝑖𝑖𝑖 adalah angka estimasi insiden TB-HIV di kabupaten/kota i

• 𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇 adalah angka nasional estimasi insiden TB-HIV
• 𝑇𝑇𝑇𝑇𝑖𝑖𝑖𝑖 adalah estimasi kasus HIV di kabupaten/kota i
• 𝑇𝑇𝑇𝑇 adalah estimasi kasus HIV di Indonesia

v
Gambar 17 Worksheet perhitungan estimasi insiden TB-HIV per kabupate/kota
7) Menghitung ringkasan statistik di setiap kabupaten/kota
Worksheet ini berisikan ringkasan hasil perhitungan yang telah dilakukan pada
setiap kabupaten/kota. Worksheet ini untuk mempermudah dalam perhitungan
estimasi insiden di tingkat provinsi.
Gambar 18 Worksheet ringkasan estimasi per kabupate/kota
32
T
Sebaran hasil estimasi insiden P
I MTB (absolut
E N Ydan
U Srate
UN per 100.000 penduduk) dan
cakupan penemuan dan pengobatan TB per kabupaten/kota dapat dilihat di peta
berikut ini.

dr. Sulistya Widada
Kontributor :
Gambar 19 Distribusi estimasi jumlah insiden TB di setiap kabupaten/kota
kabupaten/kota

v
Gambar 21 Distribusi estimasi cakupan penemuan dan pengobatan TB berdasarkan
fasyankes di setiap kabupaten/kota
Gambar 22 Distribusi estimasi cakupan penemuan dan pengobatan TB berdasarkan

domisili di setiap kabupaten/kota
Gambar 23 Perbandingan estimasi cakupan penemuan dan pengobatan TB

berdasarkan fasyankes dan domisili di kabupaten/kota di DI Yogyakarta dan
beberapa kabupaten/kota di Jawa Tengah
Dari peta di atas menunjukkan angka cakupan penemuan dan pengobatan kasus
TB menurut kabupaten/kota di mana faskes melaporkan (A) dan menurut
kabupaten/kota di mana kasus TB berdomisili (B) di beberapa kabupaten/kota di
Provinsi Jawa Tengah dan DI Yogyakarta. Dari peta A diketahui bahwa di setiap
kota, yaitu Kota Salatiga, Kota Magelang, Kota Surakarta, dan Kota
Yogyakarta, mempunyai angka cakupan yang tinggi bahkan melebihi 100% jika
34
T
dibandingkan dengan perkiraan P
I M insiden
E NTB
Y UdiSkota-kota
U N tersebut. Namun jika
dilihat dari cakupan menurut domisili, semua menunjukkan angka cakupan
antara 20-60%. Hal ini disebabkan karena kasus TB yang bertempat tinggal di
kabupaten yang berada di dekat dengan kota, misal kabupaten Boyolali,
Karanganyar, dan Sukoharjo
Pengarah yang
: dr. Anung mengelilingi
Sugihantono, Kota Surakarta, atau Kota
M.Kes
Magelang yang berada dr. di tengahWaworuntu,
Wiendra KabupatenM.Kes
Magelang, sebagian mencari
pelayanan kesehatan
Penanggung jawab ke kota
: dr. yang
Imran mungkinMPHM
Pambudi, lebih mudah untuk dicapai daripada
ke ibukota kabupaten.: Nurjannah, SKM, M.Kes
Editor
dr. Sulistya Widada
3.5 Tingkat provinsi
Kontributor :
Langkah selanjutnya adalah melakukan estimasi insiden TB di tingkat provinsi
1.
denganM.Noor Farid, PhD
menjumlahkan angka estimasi insiden TB di setiap kabupaten/kota yang
2. dr. Pandu
sebelumnya telahRiono, PhD sesuai dengan provinsinya masing-masing. Pada
dihitung
3.
tingkatdr. Indriyono
provinsi jugaTantoro,
dihitungMPH
estimasi cakupan penemuan dan pengobatan TB
4. Nurul Badriyah,
baik berdasarkan SKM maupun domisili, dan juga dihitung estimasi
fasyankes
insidenTotok
5. TB-HIV seperti SKM
Haryanto, pada Tabel 8. Berikut adalag contoh worksheet untuk
menghitung
6. Helmiestimasi
Suryani,diSKM,
setiapM.Epid
provinsi.
Gambar 24 Worksheet untuk estimasi di tingkat provinsi

v
Tabel 8 Hasil estimasi insiden TB, cakupan penemuan dan pengobatan TB, dan TB-
HIV menurut provinsi tahun 2017
Cakupan
Provinsi Notifikasi Insiden TB Insiden TB-HIV
penemuan
Nilai Batas Batas Nilai Batas Batas
Fasilitas Domisili Fasilitas Domisili
tengah rendah tinggi tengah rendah tinggi
Aceh 7209 7229 20101 18311 21940 36% 36% 485 269 768
Sumut 26111 26151 62671 57088 68402 42% 42% 1307 726 2070
Sumbar 9297 9305 22917 20875 25012 41% 41% 747 415 1182
Riau 10185 10194 27569 25113 30090 37% 37% 856 476 1355
Jambi 3923 3932 13649 12433 14897 29% 29% 431 240 683
Sumsel 15100 15031 33693 30692 36774 45% 45% 475 264 751
Bengkulu 2465 2477 7741 7052 8449 32% 32% 260 145 412
Lampung 10153 10224 29438 26816 32130 34% 35% 320 178 506
Babel 2123 1920 5909 5383 6449 36% 32% 75 42 119
Kepri 4360 4017 10814 9851 11803 40% 37% 248 138 393
DKI Jakarta 37693 34935 47319 43104 51646 80% 74% 5319 2955 8422
Jabar 84799 84456 127754 116374 139437 66% 66% 3525 1958 5581
Jateng 51767 46643 82879 75497 90458 62% 56% 3708 2060 5872
DIY 3495 3375 9053 8247 9881 39% 37% 254 141 402
Jatim 54771 52401 95697 87173 104449 57% 55% 3567 1981 5647
Banten 17113 17761 33019 30078 36039 52% 54% 865 480 1369
Bali 3531 3495 12376 11274 13508 29% 28% 1626 904 2575
NTB 6769 6788 17694 16118 19312 38% 38% 410 228 650
NTT 7065 7089 18811 17135 20531 38% 38% 816 453 1292
Kalbar 5914 5928 17192 15661 18764 34% 34% 297 165 470
Kalteng 3384 3414 9358 8524 10214 36% 36% 234 130 370
Kalsel 7570 6702 15051 13711 16428 50% 45% 366 203 580
Kaltim 6144 6160 14425 13140 15744 43% 43% 731 406 1157
Kaltara 1704 1702 2765 2519 3018 62% 62% 167 93 264
Sulut 7098 6155 9510 8663 10380 75% 65% 476 265 754
Sulteng 5166 5175 10195 9287 11127 51% 51% 221 123 350
Sulsel 17163 17155 30948 28191 33778 55% 55% 879 488 1392
Sultra 3917 3927 8982 8182 9803 44% 44% 235 131 373
Gorontalo 1932 1933 4296 3913 4689 45% 45% 104 58 165
Sulbar 1988 1995 4434 4039 4840 45% 45% 73 40 115
Maluku 4571 4421 6571 5986 7172 70% 67% 361 201 572
Malut 2167 1913 4183 3810 4565 52% 46% 120 67 190
Papua Barat 2052 2066 6501 5922 7096 32% 32% 2031 1128 3216
Papua 11671 10433 18486 16839 20176 63% 56% 4409 2449 6981
Nasional 440370 426502 842000 767000 919000 52% 51% 36000 20000 57000
36
TIM PENYUSUN

dr. Sulistya Widada
Gambar 25 Distribusi estimasi
Sulistyo, jumlah
SKM, insiden kasus TB di setiap provinsi
M.Epid
Kontributor :
Gambar 26 Distribusi estimasi insiden TB per 100.000 penduduk di setiap provinsi
Gambar 27 Distribusi estimasi cakupan penemuan dan pengobatan TB di setiap

provinsi

v
Gambar 28 Perkiraan jumlah insiden TB per provinsi
38
TIM PENYUSUN

dr. Sulistya Widada
Kontributor :
Gambar 29 Perkiraan jumlah insiden TB per 100.000 penduduk per provinsi

v
Gambar 30 Perkiraan angka cakupan penemuan dan pengobatan TB per provinsi
40
B A B 4 PTEI M
R HPI E
TNUY
NUGSAUNNT A R G E T
PENEMUAN DAN PENGOBATAN TB

Pada sub-bab ini dijelaskan cara perhitungan target cakupan penemuan dan
pengobatan TB di tingkat provinsi, kabupaten/kota, dan kecamatan. Untuk
Editor
target penemuan kasus: Nurjannah, SKM,
TB di tingkat M.Kes dapat menggunakan worksheet
provinsi,
yang telah disediakan dr.
danSulistya Widada
nilai sudah ditetapkan sesuai dengan tren capaian
Sulistyo,
penemuan kasus TB baru dan SKM, M.Epid
kambuh di tingkat provinsi selama tiga tahun
Kontributor :
terakhir, yaitu 2015-2017.
Gambar 31 Tren capaian temuan kasus TB baru dan kambuh

v
Angka pada tahun 2018 dan 2019 merupakan angka prediksi dengan asumsi
tren linier dan usaha penemuan kasus TB baru dan kambuh pada tahun 2018
dan 2019 tidak terlalu berbeda dengan tahun sebelumnya. Model ini selanjutnya
akan digunakan untuk menentukan target jumlah kasus TB baru dan kambuh
yang harus ditemukan di tahun 2019-2024.
4.1 Perhitungan target di tingkat nasional
Untuk menghitung target penemuan dan pengobatan kasus TB pada tahun

2019-2014 dari angka cakupan penemuan dan pengobatan TB yang telah
ditetapkan maka perlu diperkirakan angka insiden TB di tahun-tahun tersebut.
Dari tren data insiden rate (per 100.000 penduduk) yang ada di Global TB
Report dapat diprediksi insiden rate pada tahun 2018-2024 dengan asumsi tren
eksponensial seperti pada grafik di bawah ini.
Gambar 32 Tren angka insiden TB per 100.000 penduduk pada tahun 2000-2017
(GTB 2018) dan prediksi pada tahun 2018-2019
42
Dari prediksi tren insiden I
TBT P
Mper 100.000
E N Y Upenduduk
S U N tersebut dan perkiraan
jumlah penduduk di tahun-tahun tersebut maka dapat ditentukan perkiraan
tren insiden TB di tahun 2018-2024 seperti pada gambar berikut ini.

dr. Sulistya Widada
Kontributor :
9.Gambar
Shena Masyita
33 Tren angkaDeviernur,
insiden TBSKM
pada tahun 2000-2017 (GTB 2018) dan prediksi
10. Amelia Yuri Karlinda, pada
SKMtahun 2018-2019
Perkiraan
13. Alfiangka insiden
Lailiyah, SKMTB di Indonesia tahun 2017 dan prediksi angka insiden
TB tahun 2018-2024 adalah seperti pada tabel berikut ini.
Tabel 9 Perkiraan angka insiden TB di Indonesia, 2017-2024
Insiden TB Insiden TB
Tahun
(dalam ribuan) (per 100.000 penduduk)
2017 842 (767 – 919) 319 (291 – 348)
2018 843 (768 – 919) 316 (288 – 344)
2019 843 (768 – 919) 313 (285 – 341)
2020 844 (768 – 919) 310 (282 – 337)
2021 844 (767 – 919) 307 (279 – 334)
2022 843 (766 – 916) 304 (276 – 330)
2023 842 (764 – 915) 301 (273 – 327)
2024 841 (762 – 913) 298 (270 – 323)

v
Dengan usaha penemuan kasus yang tidak berbeda dengan tahun sebelumnya
maka perkiraan kasus yang ditemukan pada tahun 2019 adalah sekitar 518 ribu
kasus TB baru dan kambuh. Dengan demikian perkiraan angka cakupan
penemuan dan pengobatan TB di tingkat nasional pada tahun 2019 adalah
sekitar 61%, naik sekitar 8-9% dibanding tahun 2017 dan berbeda cukup besar
dibandingkan target angka penemuan dan pengobatan TB di tahun 2019 yaitu
75%. Untuk mencapai angka cakupan penemuan dan pengobatan TB ini di
tahun 2019 maka diperlukan upaya yang strategis dan masif untuk menemukan
kasus TB di tahun depan.
Sebelum menghitung target penemuan kasus TB di tingkat provinsi, telah

ditetapkan angka cakupan penemuan dan pengobatan TB di Indonesia selama 6
tahun kedepan, yaitu tahun 2019-2024 sebagaimana tercantum dalam Stranas
TB. Target cakupan penemuan dan pengobatan TB dan perkiran jumlah kasus
TB yang harus ditemukan dan diobati dengan prediksi angka insiden TB seperti
pada Tabel 9 adalah seperti pada tabel di bawah ini.
Tabel 10 Target cakupan penemuan dan pengobatan TB dan kasus TB yang harus
ditemukan, 2019-2024
Angka cakupan penemuan Jumlah kasus yang

Tahun
dan pengobatan TB harus ditemukan
2019 75% 632.250
2020 80% 675.200
2021 85% 717.400
2022 90% 758.700
2023 90% 757.800
2024 90% 756.900
4.2 Perhitungan target di tingkat provinsi
Setelah target penemuan dan pengobatan kasus TB di tingkat nasional telah

ditetapkan maka selanjutnya perlu ditetapkan target penemuan dan pengobatan
TB di tingkat provinsi. Perhitungan target penemuan dan pengobatan TB per
provinsi di tahun 2019 dilakukan dengan mengalokasikan secara proporsional
target penemuan dan pengobatan di tingkat nasional yaitu sebesar 632.250
kasus TB berdasarkan perkiraan kasus TB yang ditemukan per provinsi di
tahun 2019 dengan asumsi tren linier seperti yang telah dijelaskan sebelumnya,
yang selanjutnya disebut dengan alokator provinsi. Alokator target provinsi ini
44
T
juga akan digunakan untukImenentukan
M ENY U S di
target P
U tingkat
N provinsi pada tahun
2020-2024.
Perhitungan target penemuan dan pengobatan TB di provinsi i pada tahun t

dihitung dengan mengalikan proporsi capaian penemuan dan pengobatan kasus
TB di provinsi tersebut terhadap capaian penemuan dan pengobatan kasus TB di
tingkat nasional dengan target penemuan dan pengobatan kasus TB di tingkat
nasional yang telah ditetapkan, yaitu:
dr. Sulistya Widada 𝐶𝐶𝐶𝐶
(𝑘𝑘𝑘𝑘)
(𝑘𝑘𝑘𝑘)
𝑇𝑇𝑇𝑇𝑖𝑖𝑖𝑖 = 𝑖𝑖𝑖𝑖(𝑘𝑘𝑘𝑘) × 𝑇𝑇𝑇𝑇 (𝑘𝑘𝑘𝑘)
Sulistyo, SKM, M.Epid 𝐶𝐶𝐶𝐶
Kontributor :
dengan:
2. • dr.
𝑇𝑇𝑇𝑇𝑖𝑖𝑖𝑖 Pandu
(𝑡𝑡𝑡𝑡)
adalahRiono,
targetPhD
kasus TB yang harus ditemukan dan diobati di provinsi
3. dr. Indriyono
i pada tahun tTantoro, MPH
4. • Nurul Badriyah,
𝑇𝑇𝑇𝑇 (𝑘𝑘𝑘𝑘) adalah SKM
target kasus TB yang harus ditemukan dan diobati di
5. Totok Haryanto,
Indonesia SKM t
pada tahun
6. • Helmi (𝑘𝑘𝑘𝑘)
Suryani,
𝐶𝐶𝐶𝐶𝑖𝑖𝑖𝑖 adalah SKM, M.Epid
perkiraan capaian kasus TB yang ditemukan dan diobati
7. Rizka
tanpa Nur Fadila,
adanya upayaSKM
lebih dalam menemukan kasus TB di provinsi i pada
8. tahun t dibandingkan
Syarifah tahun-tahun sebelumnya
Khodijah, SKM
9. • Shena Masyita
𝐶𝐶𝐶𝐶 (𝑘𝑘𝑘𝑘) adalah Deviernur,angka
penjumlahan SKM 𝐶𝐶𝐶𝐶𝑖𝑖𝑖𝑖(𝑘𝑘𝑘𝑘) untuk seluruh provinsi
10. Amelia(𝑡𝑡𝑡𝑡)
𝐶𝐶𝐶𝐶𝑖𝑖𝑖𝑖 Yuri Karlinda, SKM
• 𝐶𝐶𝐶𝐶 (𝑡𝑡𝑡𝑡)
adalah alokator target provinsi i pada tahun t
Jika target angka cakupan penemuan dan pengobatan TB di suatu provinsi lebih
besar dari 100% maka akan diubah secara manual menjadi maksimum 90%
untuk tahun 2019-2021 dan 95% untuk tahun 2022-2024. Hal ini bertujuan agar
gap angka target cakupan antar provinsi dapat diminimalkan. Untuk target
angka cakupan di provinsi lainnya diproporsionalkan terhadap angka perkiraan
insiden TB di tahun tersebut.
Target angka cakupan penemuan dan pengobatan TB dan jumlah kasus TB yang
harus ditemukan dan diobati di setiap provinsi pada tahun 2019-2024 dapat di
lihat di tabel-tabel berikut ini.

v
Tabel 11 Target angka cakupan penemuan dan pengobatan TB dan jumlah kasus TB
yang harus ditemukan dan diobati tahun 2019
Jumlah kasus
Target cakupan
yang harus
Provinsi Estimasi insiden penemuan dan
ditemukan dan
pengobatan
diobati
Aceh 20125 54% 10881
Sumut 62745 60% 37643
Sumbar 22944 65% 14922
Riau 27601 67% 18419
Jambi 13665 36% 4917
Sumsel 33733 79% 26528
Bengkulu 7750 50% 3869
Lampung 29473 53% 15559
Babel 5916 49% 2884
Kepri 10827 64% 6891
DKI Jakarta 47375 90% 42638
Jabar 127906 90% 115115
Jateng 82978 86% 71315
DIY 9064 63% 5674
Jatim 95811 84% 80037
Banten 33058 80% 26369
Bali 12391 44% 5470
NTB 17715 54% 9623
NTT 18833 59% 11053
Kalbar 17212 51% 8792
Kalteng 9369 60% 5631
Kalsel 15069 72% 10863
Kaltim 14442 74% 10718
Kaltara 2768 90% 2492
Sulut 9521 88% 8410
Sulteng 10207 80% 8171
Sulsel 30985 88% 27196
Sultra 8992 63% 5689
Gorontalo 4301 74% 3195
Sulbar 4440 72% 3209
Maluku 6579 90% 5921
Malut 4188 66% 2754
Papua Barat 6509 42% 2745
Papua 18508 90% 16657
Nasional 843000 75% 632250
46
T
IM
Tabel 12 Target angka cakupan P
E Ndan
penemuan YU S U N TB dan jumlah kasus TB
pengobatan
Jumlah kasus
Target cakupan
yang harus
ditemukan dan
Pengarah pengobatan
: dr. Anung Sugihantono, M.Kes diobati
Aceh dr.20149
Wiendra Waworuntu,
60%M.Kes 12094
Sumut
Penanggung jawab : dr.62819 65%
Imran Pambudi, MPHM 40948
Sumbar 22971 74% 16964
Riau 27634 80% 22028
Jambi dr.13681
Sulistya Widada 37% 5079
Sumsel Sulistyo,
33773 SKM, M.Epid 90% 30396
Bengkulu
Kontributor : 7760 57% 4399
Lampung 29508 58% 17190
Babel 5923 54% 3225
Kepri 10840 73% 7882
DKI Jakarta 47431MPH 90% 42688
4.
Jabar Nurul Badriyah, 128057
SKM 90% 115252
Jateng Totok Haryanto, SKM
5. 83076 90% 74768
DIY 9074 71% 6426
Jatim 95925 90% 86332
7.
Banten Rizka Nur Fadila,33098
SKM 90% 29788
8.
Bali Syarifah Khodijah, SKM
12406 49% 6099
NTB
9. 17736
Shena Masyita Deviernur, SKM 59% 10414
NTT 18856 65% 12337
Kalbar 17233 56% 9680
Kalteng 9380 69% 6431
12.
Kalsel Dewi Nuryana, SKM
15087 81% 12293
13.
Kaltim Alfi Lailiyah, SKM
14459 86% 12461
Kaltara 2772 90% 2495
Sulut 9532 90% 8579
Sulteng 10219 90% 9197
Sulsel 31022 90% 27919
Sultra 9003 68% 6119
Gorontalo 4306 85% 3641
Sulbar 4445 82% 3639
Maluku 6587 90% 5928
Malut 4193 71% 2978
Papua 18530 90% 16677
Nasional 844000 80% 675200

v
Jumlah kasus
Target cakupan
yang harus
ditemukan dan
pengobatan
diobati
Aceh 20149 74% 14840
Sumut 62819 78% 49297
Sumbar 22971 90% 20674
Riau 27634 90% 24871
Jambi 13681 43% 5821
Sumsel 33773 90% 30396
Bengkulu 7760 71% 5501
Lampung 29508 71% 20982
Babel 5923 67% 3977
Kepri 10840 90% 9756
DKI Jakarta 47431 90% 42688
Jabar 128057 90% 115252
Jateng 83076 90% 74768
DIY 9074 88% 8011
Jatim 95925 90% 86332
Banten 33098 90% 29788
Bali 12406 60% 7503
NTB 17736 70% 12478
NTT 18856 81% 15192
Kalbar 17233 68% 11779
Kalteng 9380 86% 8072
Kalsel 15087 90% 13578
Kaltim 14459 90% 13013
Kaltara 2772 90% 2495
Sulut 9532 90% 8579
Sulteng 10219 90% 9197
Sulsel 31022 90% 27919
Sultra 9003 81% 7292
Gorontalo 4306 90% 3876
Sulbar 4445 90% 4000
Maluku 6587 90% 5928
Malut 4193 85% 3566
Papua 18530 90% 16677
Nasional 844000 85% 717400
48
T
IM
E Ndan
pengobatan
Jumlah kasus
Target cakupan
yang harus
ditemukan dan
Pengarah pengobatan
Aceh dr.20125
Wiendra Waworuntu,
81%M.Kes 16246
Sumut
Sumbar 22944 90% 20650
Riau 27601 95% 26221
Jambi dr.13665
Sumsel Sulistyo,
33733 SKM, M.Epid 95% 32046
Bengkulu
Lampung 29473 78% 22865
Babel 5916 74% 4373
Kepri 10827 90% 9745
4.
SKM 95% 121510
5. 82978 95% 78829
DIY 9064 90% 8157
Jatim 95811 95% 91020
7.
SKM 95% 31405
8.
12391 66% 8233
NTB
9. 17715
NTT 18833 89% 16684
Kalbar 17212 74% 12800
Kalteng 9369 90% 8432
12.
15069 95% 14316
13.
14442 95% 13720
Kaltara 2768 95% 2630
Sulut 9521 95% 9045
Sulteng 10207 95% 9697
Sulsel 30985 95% 29436
Sultra 8992 86% 7776
Gorontalo 4301 95% 4086
Sulbar 4440 95% 4218
Maluku 6579 95% 6250
Malut 4188 90% 3769
Papua 18508 95% 17582
Nasional 843000 90% 758700

v
Jumlah kasus
Target cakupan
yang harus
ditemukan dan
pengobatan
diobati
Aceh 20101 82% 16396
Sumut 62671 84% 52744
Sumbar 22917 90% 20625
Riau 27569 95% 26190
Jambi 13649 42% 5685
Sumsel 33693 95% 32008
Bengkulu 7741 81% 6267
Lampung 29438 78% 22982
Babel 5909 75% 4431
Kepri 10814 90% 9733
DKI Jakarta 47319 95% 44953
Jabar 127754 95% 121366
Jateng 82879 95% 78735
DIY 9053 90% 8148
Jatim 95697 95% 90912
Banten 33019 95% 31368
Bali 12376 67% 8326
NTB 17694 75% 13242
NTT 18811 90% 16885
Kalbar 17192 75% 12834
Kalteng 9358 90% 8422
Kalsel 15051 95% 14299
Kaltim 14425 95% 13704
Kaltara 2765 95% 2627
Sulut 9510 95% 9034
Sulteng 10195 95% 9685
Sulsel 30948 95% 29401
Sultra 8982 85% 7664
Gorontalo 4296 95% 4081
Sulbar 4434 95% 4213
Maluku 6571 95% 6243
Malut 4183 90% 3765
Papua 18486 95% 17561
Nasional 842000 90% 757800
50
T
IM
E Ndan
pengobatan
Jumlah kasus
Target cakupan
yang harus
ditemukan dan
Pengarah pengobatan
Aceh dr.20077
Wiendra Waworuntu,
82%M.Kes 16547
Sumut
Sumbar 22889 90% 20601
Riau 27536 95% 26159
Jambi dr.13633
Sumsel Sulistyo,
33653 SKM, M.Epid 95% 31970
Bengkulu
Lampung 29403 79% 23110
Babel 5902 76% 4487
Kepri 10802 90% 9721
4.
SKM 95% 121222
5. 82781 95% 78642
DIY 9042 90% 8138
Jatim 95584 95% 90804
7.
SKM 95% 31331
8.
12362 68% 8419
NTB
9. 17673
NTT 18789 90% 16910
Kalbar 17172 75% 12877
Kalteng 9347 90% 8412
12.
15033 95% 14282
13.
14408 95% 13687
Kaltara 2762 95% 2624
Sulut 9499 95% 9024
Sulteng 10183 95% 9674
Sulsel 30911 95% 29366
Sultra 8971 84% 7569
Gorontalo 4291 95% 4076
Sulbar 4429 95% 4208
Maluku 6563 95% 6235
Malut 4178 90% 3746
Papua 18464 95% 17541
Nasional 841000 90% 756900

v
4.3 Perhitungan target di tingkat kabupaten/kota
Berdasarkan target penemuan dan pengobatan TB di tingkat provinsi yang telah

ditetapkan Ditjen P2P bersama Dinas Kesehatan Provinsi, maka Dinas
Kesehatan Provinsi selanjutnya menetapkan target penemuan dan pengobatan
TB di kabupaten/kota yang ada di wilayahnya. Target penemuan kasus di
tingkat kabupaten /kota ini ditetapkan bersama-sama oleh Dinas Kesehatan
Provinsi dan Dinas Kesehatan Kabupaten/Kota di provinsi tersebut.
Penghitungan target penemuan di Kabupaten/ Kota adalah sebagai berikut :
Angka target penemuan dan pengobatan kasus TB per kabupaten/kota dihitung

dengan mengalikan proporsi penemuan dan pengobatan kasus TB di
kabupaten/kota tersebut terhadap penemuan dan pengobatan kasus TB di
tingkat provinsi pada tahun sebelumnya dengan target penemuan di tingkat
provinsi yang telah ditetapkan, yaitu
(𝑘𝑘𝑘𝑘−1)
(𝑘𝑘𝑘𝑘)
𝑁𝑁𝑁𝑁𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 (𝑘𝑘𝑘𝑘)
𝑇𝑇𝑇𝑇𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 = (𝑘𝑘𝑘𝑘−1)
× 𝑇𝑇𝑇𝑇𝑖𝑖𝑖𝑖
𝑁𝑁𝑁𝑁𝑖𝑖𝑖𝑖
di mana:
(𝑡𝑡𝑡𝑡)
• 𝑇𝑇𝑇𝑇𝑖𝑖𝑖𝑖𝑗𝑗𝑗𝑗 adalah target kasus TB yang harus ditemukan dan diobati di
kabupaten/kota j provinsi i pada tahun t
(𝑡𝑡𝑡𝑡)
• 𝑇𝑇𝑇𝑇𝑖𝑖𝑖𝑖 adalah target kasus TB yang harus ditemukan dan diobati di provinsi
i pada tahun t
• 𝑁𝑁𝑁𝑁𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 adalah jumlah kasus TB yang ditemukan dan diobati di
kabupaten/kota j provinsi i pada tahun t-1
• 𝑁𝑁𝑁𝑁𝑖𝑖𝑖𝑖 adalah jumlah kasus TB yang ditemukan dan diobati di provinsi i
pada tahun t-1
Angka penemuan kasus ini menggunakan data rata-rata penemuan kasus 3

tahun terakhir. Untuk kabupaten/kota yang hanya mempunyai data satu tahun
terakhir, menggunakan data satu tahun terakhir. Jika oleh suatu hal tidak
tersedia data sama sekali maka penetapan angka penemuan kasus di
kabupaten/kota tersebut dilakukan bersama Dinas Kesehatan Provinsi yang
bersangkutan.
52
IMT
Contoh: Dari hasil angka penemuan P
Ekasus
N Yper
U Skabupaten/kota
UN di Provinsi Bali
tahun 2017 didapat distribusi temuan per kabupaten/kota seperti pada Gambar
34.

dr. Sulistya Widada
Kontributor :
Gambar 34 Distribusi angka penemuan dan pengotaban TB per kabupaten/kota di
6. Helmi Suryani, SKM, M.Epid Provinsi Bali
9. Shena Masyita
Dan distribusi Deviernur,
perkiraan SKM TB tahun 2019 di setiap kabupaten/kota
angka insiden
10. Amelia
di Provinsi BaliYuri Karlinda,
adalah sepertiSKM
pada Gambar 35.
Gambar 35 Distribusi perkiraan angka insiden TB per kabupaten/kota di Provinsi

Bali tahun 2019

v
Diketahui bahwa pada tahun 2017, jumlah kasus TB yang ditemukan di Provinsi
Bali ada sebanyak 3.531 kasus dan target penemuan dan pengobatan TB di
Provinsi Bali adalah 5.470 kasus TB (cakupan di tingkat provinsi adalah 44%).
Jika target penemuan dan pengobatan TB per kabupaten/kota di Provinsi Bali
dialokasikan secara proporsional terhadap jumlah kasus TB yang ditemukan
tahun 2017 per kabupaten/kota maka target dan cakupan penemuan dan
pengobatan TB per kabupaten/kota adalah seperti Tabel 17.
Contoh penghitungan target penemuan dan pengobatan kasus TB di Kabupaten

Jembrana pada tahun 2019 adalah
(2019) 202
𝑇𝑇𝑇𝑇𝐽𝐽𝐽𝐽𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 = × 5470 = 312,9 ≈ 313
3531
dengan angka cakupan penemuan dan pengobatan kasus TB adalah
(2019) 313
𝐶𝐶𝐶𝐶𝐽𝐽𝐽𝐽𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 = × 100% = 44,6% ≈ 45%
702
Tabel 17 Jumlah temuan kasus, perkiraan insiden TB, target dan cakupan
penemuan dan pengobatan TB tahun 2019
Temuan Estimasi Target Cakupan

Kabupaten/kota
2017 insiden
Jembrana 202 702 313 45%
Tabanan 228 991 353 36%
Badung 460 1.729 713 41%
Gianyar 239 1.652 370 22%
Klungkung 114 521 177 34%
Bangli 63 532 98 18%
Karang Asem 245 950 380 40%
Buleleng 701 1.652 1.086 66%
Kota Denpasar 1.279 3.632 1.981 55%
Provinsi Bali 3.531 12.361 5.470 44%
Dari tabel di atas diketahui bahwa jika target penemuan dan pengobatan TB
dialokasikan secara proporsional terhadap jumlah temuan kasus TB di
kabupaten/kota maka angka cakupan penemuan dan pengobatan TB per
kabupaten/kota adalah cukup bervariasi. Angka cakupan terendah ada di
Kabupaten Bangli (18%) sedangkan tertinggi di Kabupaten Buleleng (66%).
54
T IdiMtingkat
4.4 Perhitungan target P E Nkecamatan
YUSUN
Perhitungan target penemuan kasus TB di tingkat kecamatan dapat dilakukan
dengan memperhatikan apakah kabupaten yang akan melakukan perhitungan
target TB di tingkat kecamatan mempunyai wilayah kota didalamnya atau
tidak. Prinsip perhitungan target penemuan kasus di tingkat kecamatan sama
dengan di tingkat kabupaten/kota yang dengan mengalokasikan target temuan
Penanggung jawabkabupaten/kota
kasus di tingkat : dr. Imran Pambudi, MPHM
secara proporsional terhadap angka temuan
Editor : Nurjannah,
kasus di fasyankes yang SKM, M.KesAngka temuan yang digunakan
ada di kecamatan.
dr. Sulistya
dapat berupa data histori/tren Widada
selama beberapa tahun terakhir, misalnya 3
Sulistyo,
tahun terakhir, tergantung SKM, M.Epid
ketersediaan data.
Kontributor :
Angka target penemuan dan pengobatan kasus TB per kecamatan dihitung
dengan mengalikan proporsi penemuan dan pengobatan kasus TB di semua
fasyankes yang berada di kecamatan tersebut terhadap penemuan dan
pengobatan kasus TB di tingkat kabupaten/kota pada tahun sebelumnya dengan
target penemuan di tingkat kabupaten/kota yang telah ditetapkan, yaitu
6. Helmi Suryani, SKM, M.Epid (𝑘𝑘𝑘𝑘)
𝑁𝑁𝑁𝑁𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑎𝑎𝑎𝑎 (𝑘𝑘𝑘𝑘)
𝑇𝑇𝑇𝑇𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑎𝑎𝑎𝑎 = (𝑘𝑘𝑘𝑘−1) × 𝑇𝑇𝑇𝑇𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖
7. Rizka Nur Fadila, SKM 𝑁𝑁𝑁𝑁𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖
dengan:
10. Amelia
(𝑡𝑡𝑡𝑡) Yuri Karlinda, SKM
• 𝑇𝑇𝑇𝑇𝑖𝑖𝑖𝑖𝑗𝑗𝑗𝑗𝑗𝑗𝑗𝑗 adalah target kasus TB yang harus ditemukan dan diobati di
kecamatan k kabupaten/kota j provinsi i pada tahun t
12. Dewi(𝑡𝑡𝑡𝑡)
Nuryana, SKM
• 𝑇𝑇𝑇𝑇𝑖𝑖𝑖𝑖𝑗𝑗𝑗𝑗 adalah target kasus TB yang harus ditemukan dan diobati di
kabupaten/kota i provinsi i pada tahun t
• 𝑁𝑁𝑁𝑁𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑎𝑎𝑎𝑎 adalah jumlah kasus TB yang ditemukan dan diobati di kecamatan
k kabupaten/kota j provinsi i pada tahun t-1, atau rata-rata dari beberapa
tahun sebelumnya
• 𝑁𝑁𝑁𝑁𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 adalah jumlah kasus TB yang ditemukan dan diobati di
kabupaten/kota j provinsi i pada tahun t-1, atau rata-rata dari beberapa
tahun sebelumnya

v
4.4.1 Kecamatan di kabupaten yang tidak ada kotanya
Untuk kabupaten yang tidak ada kota didalamnya maka target penemuan dan
pengobatan TB dilakukan secara independen hanya untuk kabupaten tersebut.
Contoh: penentuan target penemuan dan pengobatan TB di setiap kecamatan di
Kabupaten Luwu Timur, Provinsi Sulawesi Selatan.
Gambar 36 Peta kecamatan di Kabupaten Luwu Timur, Provinsi Sulawesi Selatan
Diketahui bahwa angka penemuan kasus TB di kabupaten tersebut dari tahun

2015-2017 adalah 223, 262, dan 320 yang mana angka cakupan penemuan ini
sekitar 33%. Diketahui dari hasil estimasi insiden TB di kabupaten tersebut
pada tahun 2019 adalah 959 dan pada tahun 2019 angka cakupan ditargetkan
naik 2 kalinya atau sekitar 66% sehingga pada tahun 2019 di kabupaten
tersebut harus ditemukan kasus TB baru termasuk kambuh dan bukan dalam
pengobatan dari tahun sebelumnya sebanyak 633 kasus. Target angka temuan
kasus TB tahun 2019 di setiap kecamatan adalah seperti pada Tabel 18.
Contoh perhitungan target penemuan dan pengobatan TB di Kecamatan Burau,

Kabupaten Luwu Timur, Provinsi Sulawesi Selatan pada tahun 2019 adalah
(2019) 21
𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇 = × 633 = 49
268
56
I Mdan target
Tabel 18 Jumlah temuan kasus T
E Npenemuan
Y U S U dan P
N pengobatan TB menurut
kecamatan di Kabupaten Luwu Timur, Provinsi Sulawesi Selatan Tahun 2019
Jml Temuan Temuan Temuan Rata- Target

Kecamatan
PKM/RS 2015 2016 2017 rata
Burau 1 18 24 20 21 49
Wotu 1 16 17 15 16 38
Tomoni 1 16 20 15 17 40
Penanggung
Tomoni Timurjawab : dr.
1 Imran Pambudi,
7 MPHM
3 7 6 13
Editor
Angkona : Nurjannah,
1 SKM,
9 M.Kes 18 13 13 32
Malili 3 Sulistya Widada
dr. 43 54 40 46 108
Towuti 4 36 30 27 31 73
Nuha 1 20 25 29 25 58
Kontributor
Wasuponda :2 15 16 13 15 35
Mangkutana 1 23 16 16 18 43
Kalaenadr. Pandu Riono,1 PhD
2. 5 14 12 10 24
Lainnya (RS) 2 15 25 113 51 121
Kab. Luwu
4. 223 262 320 268 633
Timur Nurul Badriyah, SKM
Di samping puskesmas, ada dua rumahsakit di Kabupaten Luwu juga
melakukan pengobatan TB dengan angka rata-rata temuan kasus TB selama 3
tahun adalah 51 kasus TB per tahun, sehingga target penemuan dan pengobatan
kasus TB untuk kedua rumahsakit tersebut adalah
11. Andini Ayu Lestari, (2019) SKM 51
𝑇𝑇𝑇𝑇𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅 𝑑𝑑𝑑𝑑𝑖𝑖𝑖𝑖 𝐿𝐿𝐿𝐿𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑇𝑇𝑇𝑇𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 = × 633 = 121
12. Dewi Nuryana, SKM 268
13.
Untuk Alfi Lailiyah, SKM
kecamatan yang mempunyai lebih dari satu puskesmas, seperti
Kecamatan Malili, Towuti, dan Wasuponda, pembagian target penemuan dan
pengobatan TB di setiap puskesmas diserahkan kepada Dinas Kabupaten Luwu
Timur dan puskesmas terkait.
4.4.2 Kecamatan di kabupaten yang ada kotanya
Untuk kabupaten yang ada kota didalamnya maka target penemuan dan
pengobatan TB dilakukan untuk kabupaten dan kota tersebut secara bersama.
Misal Kabupaten dan Kota Magelang di Provinsi Jawa Tengah.

v
Gambar 37 Kecamatan di Kabupaten dan Kota Magelang
Pada contoh ini, target penemuan dan pengobatan kasus TB digabung antara
kabupaten dan kota. Misal dari hasil estimasi insiden TB tahun 2019 di
Kabupaten dan Kota Magelang adalah 2.876 dan 631, atau secara total adalah
3.507 kasus TB. Misalkan pada tahun 2019 ingin dicapai cakupan penemuan
dan pengobatan TB sebesar 75% atau sebanyak 2.630 kasus maka perhitungan
target penemuan dan pengobatan TB di setiap kecamatan adalah seperti pada
Tabel 19.
Contoh perhitungan target untuk Kecamatan Salaman, Kabupaten Magelang

adalah
(2019) 18
𝑇𝑇𝑇𝑇𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅 = × 2630 = 34
1407
dan untuk Kecamatan Magelang Selatan, Kota Magelang adalah
(2019) 6
𝑇𝑇𝑇𝑇𝑀𝑀𝑀𝑀𝑑𝑑𝑑𝑑𝑀𝑀𝑀𝑀𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑀𝑀𝑀𝑀 𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅 = × 2630 = 11
1407
58
T
Tabel 19 Jumlah temuan kasus P
I Mdan target
E Npenemuan
Y U S U dan
N pengobatan TB menurut
kecamatan di Kabupaten dan Kota Magelang, Provinsi Jawa Tengah Tahun 2019
Jml Temuan Temuan Temuan Rata- Target

Kecamatan
PKM/RS 2015 2016 2017 rata
Kab. Magelang
SALAMAN 2 17 9 29 18 34
BOROBUDUR 1 13 5 35 18 34
Penanggung
NGLUWAR jawab : dr.
1 Imran Pambudi,
7 MPHM
4 9 7 13
Editor
SALAM : Nurjannah,
1 SKM,
20 M.Kes 13 16 16 30
SRUMBUNG 1 Sulistya Widada
dr. 9 8 15 11 21
DUKUN 1 4 4 7 5 9
MUNTILAN 2 23 21 28 24 45
Kontributor
MUNGKID :2 11 16 28 18 34
SAWANGAN 2 7 9 9 8 15
dr. Pandu Riono,1 PhD
CANDIMULYO
2. 10 3 8 7 13
MERTOYUDAN 2 4 14 21 13 24
TEMPURAN 1 13 7 18 13 24
KAJORAN 2 19 22 27 23 43
5. Totok Haryanto,1SKM
KALIANGKRIK 5 8 23 12 22
6. Helmi Suryani, SKM,
BANDONGAN 1 M.Epid 34 21 34 30 56
WINDUSARI
7. 1 SKM
Rizka Nur Fadila, 14 16 13 14 26
SECANG 2 21 11 45 26 49
TEGALREJO 1 32 17 31 27 50
9.
PAKIS
Shena Masyita Deviernur,
1 SKM
3 0 0 1 2
10.
GRABAGAmelia Yuri Karlinda,
2 SKM 11 15 42 23 43
NGABLAK
11. 1 SKM
Andini Ayu Lestari, 4 1 4 3 6
Lainnya (RS) 2 109 101 105 105 196
Kota Magelang
MGL. SELATAN 2 5 6 7 6 11
MGL. TENGAH 2 16 4 16 12 22
MGL. UTARA 1 8 18 12 13 24
Lainnya (RS) 4 987 844 1031 954 1784
TOTAL 1406 1197 1613 1407 2630

v
60
TIM B
PA BY5U S U N
EN
SIMPULAN DAN PENUTUP

Dari penjelasan yang telah dijabarkan dalam panduan ini maka dapat
disimpulkan bahwa:
1) Penetapan angka kejadian tuberkulosis
dr. Sulistya Widada di Indonesia yang dapat diandalkan,
merupakan langkahSulistyo,
pentingSKM,
dalam upaya kita untuk mengakhiri masalah
M.Epid
tuberkulosis di tahun 2030 atau lebih cepat.
Kontributor :
2) Hasil Studi Inventori 2017-18 dimanfaatkan secara optimal untuk
2. memperbaiki
dr. Pandu Riono,
angka PhD
indisen tuberkulosis di Indonesia dengan ‘uncertainty’
3. jauhdr.lebih
Indriyono
kecil Tantoro, MPH estimasi insiden tuberkulosis berdasarkan
dibandingkan
4. hasil
Nurul Badriyah,
Survei NasionalSKM
Prevalensi TB di tahun 2013-14.
3) Berbasis estimasi insiden tuberkulosis yang baru, dilakukan penetapan
angka insiden per wilayah provinsi dan kabupaten/kota dengan metode yang
disebut ‘SUBSET’. Metode SUBSET tersebut juga disempurnakan dengan
memperhatikan faktor-faktor risiko wilayah dan karakeristik penduduk di
wilayah tersebut.
4) BagiAndini
11. Pengelola programSKM
Ayu Lestari, TB di setiap wilayah diberikan pedoman dan contoh
12. agarDewi
dapat melakukan
Nuryana, SKM penetapan jumlah target penemuan kasus
13. tuberkulosis.
Alfi Lailiyah, SKM
5) Pedoman ini diharapkan dapat membantu pemahaman kita tentang situasi

beban tuberkulosis secara nasional dan sub-nasional, sehingga membantu
dalam prencanaan program eliminasi tuberkulosis secara lebih baik.

v
62
TIM PENYUSUN
REFERENSI

1) The End TB Strategy: Global
dr. Wiendra strategyM.Kes
Waworuntu, and targets for tuberculosis
prevention,
Penanggung jawab care and
: dr. control
Imran after 2015.
Pambudi, MPHMWorld Health Organization. 2014

2) Global Tuberculosis Report. World Health Organization. 2018
dr. Sulistya Widada
3) Methods used by WHO SKM,
Sulistyo, to estimate
M.Epidthe Global burden of TB disease.
Glaziou P, Sismanidis
Kontributor : C, Pretorius C, Floyd K. Global TB Programme,
1. World
M.NoorHealth
Farid,Organization,
PhD Geneva, Switzerland

4) Current WHO methods used for the estimation of TB incidence: strengths
3. dr. Indriyono
and Tantoro,
limitations. MPH
Anderson L, Floyd K, Glaziou P, Sismanidis B. Global TB
4. Nurul Badriyah,
Programme, SKM
World Health Organization, Geneva, Switzerland
6. 5) Outdoor Air Pollution
Helmi Suryani, Affects Tuberculosis Development Based on
SKM, M.Epid
Geographical Information System Modeling. Rajaei E, et al. Biomedical
and Biotechnology Research Journal. 2018
9. 6) Is
Shena Masyita
ambient Deviernur,
air pollution SKM risk factor of tuberculosis. Kim J. Korean
another
10. Amelia Yuri
Journal Karlinda,Medicine.
International SKM 2014
7) Ambient air pollution exposures and newly diagnosed pulmonary
tuberculosis in Jinan, China: a time series study. Liu Y, et al. Scientific
Reports, Nature. 2018
8) HIV Infection—Associated Tuberculosis: The Epidemiology and the

Response. Getahun H, et al. Clinical Infectious Diseases, Volume 50,
Issue Supplement_3, 15 May 2010, Pages S201–S207

v
64

Buku Beban TB - ISBN

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Buku Beban TB - ISBN

Diunggah oleh

Hak Cipta:

Format Tersedia

614.

KEMENTERIAN KESEHATAN - 2020

Pengarah : dr. Anung Sugihantono, M.Kes

KEMENTERIAN KESEHATAN - 2020

Cakupan Penemuan dan Pengobatan Tuberkulosis di Indonesia vi

Pengarah : dr. Anung Sugihantono, M.Kes

5. Totok Haryanto, SKM

Semoga buku ini bermanfaat bagi upaya mempercepat terwujudnya Indonesia

Direktur Jenderal P2P

dr. Anung Sugihantono, M.Kes

Cakupan Penemuan dan Pengobatan Tuberkulosis di Indonesia iii

Pengarah : dr. Anung Sugihantono, M.Kes

Cakupan Penemuan dan Pengobatan Tuberkulosis di Indonesia v

2.2 Perhitungan insiden berdasarkan data IVS 2017-2018 _______________ 11

BAB 3 PERHITUNGAN INSIDEN TB DI TINGKAT WILAYAH _______ 17

3.1 Data dan variabel ___________________________________________________ 18

3.2 Proses perhitungan _________________________________________________ 21

3.3 Workbook nasional __________________________________________________ 22

3.4 Tingkat kabupaten/kota_____________________________________________ 26

3.5 Tingkat provinsi ____________________________________________________ 35

BAB 4 Perhitungan Target Penemuan dan Pengobatan TB __________ 41

Cakupan Penemuan dan Pengobatan Tuberkulosis di Indonesia vii

4.2 Perhitungan target di tingkat provinsi_______________________________ 44

4.3 Perhitungan target di tingkat kabupaten/kota _______________________ 52

4.4 Perhitungan target di tingkat kecamatan ____________________________ 55

4.4.1 Kecamatan di kabupaten yang tidak ada kotanya ............................... 56

4.4.2 Kecamatan di kabupaten yang ada kotanya ......................................... 57

BAB 5 SIMPULAN DAN PENUTUP _________________________________ 61

Pengarah : dr. Anung Sugihantono, M.Kes

Cakupan Penemuan dan Pengobatan Tuberkulosis di Indonesia ix

Pengarah : dr. Anung Sugihantono, M.Kes

Cakupan Penemuan dan Pengobatan Tuberkulosis di Indonesia xi

1. Berdasarkan notifikasi kasus dengan kombinasi pendapat ekspert

2. Berdasarkan hasil Survei Prevalensi Tuberkulosis Nasional

Cakupan Penemuan dan Pengobatan Tuberkulosis di Indonesia 1

4. Berdasarkan pemodelan analisis capture-recapture.

Diringkaskan tentang metode-metode tersebut dijelaskan secara singkat dengan

Pada metode kedua mendasari hasil Survei Nasional Prevalensi Tuberkulosis.

Kelemahan metode ini, besar ketidakpastian cukup besar, karena sulit

Metode ke empat dengan melakukan analisis pemodelan Capture-recapture

Ada dua metode yang dr. Wiendra Waworuntu,

Cakupan Penemuan dan Pengobatan Tuberkulosis di Indonesia 3

Buku ini ditujukan untuk pengelola program TB baik ditingkat nasional,

1.4 Dasar hukum

1.5 Upaya Pencapaian Target

Untuk pencapaian target penemuan dan pengobatan kasus TB diperlukan

Upaya pencapaian target penemuan dan pengobatan kasus TB adalah sesuai

Pengarah : dr. Anung Sugihantono, M.Kes

Untuk mengestimasi insiden TB semua bentuk (termasuk TB ekstra paru) untuk

(1) ektrapolasi untuk mendapatkan estimasi angka prevalensi TB paru untuk

Cakupan Penemuan dan Pengobatan Tuberkulosis di Indonesia 5

Untuk mendapatkan angka estimasi prevalensi TB paru untuk semua kelompok

• 𝑝𝑝𝑝𝑝̂𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 adalah estimasi prevalensi TB paru pada penduduk dewasa (hasil

• 𝑝𝑝𝑝𝑝𝑑𝑑𝑑𝑑𝑎𝑎𝑎𝑎𝑑𝑑𝑑𝑑𝑎𝑎𝑎𝑎/𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 adalah rasio tingkat notifikasi kasus TB paru anak terhadap

• Asumsi yang digunakan adalah rasio tingkat notifikasi kasus TB paru

Setelah estimasi angka prevalensi TB paru pada anak didapatkan, selanjutnya

• c adalah proporsi anak terhadap total populasi, nilai ini diperkirakan

Selanjutnya dapat dihitung angka estimasi prevalensi TB semua bentuk pada

Selanjutnya, setelah menghitung angka estimasi prevalensi TB semua bentuk

• Metode 1: menggunakan model deterministik sederhana berdasarkan

• Metode 2: menggunakan rumus insiden = prevalensi/durasi, dengan

Cakupan Penemuan dan Pengobatan Tuberkulosis di Indonesia 7

Model deterministik yang digunakan dalam metode 1 adalah

Hasil penghitungan estimasi insiden di Indonesia dan di beberapa negara adalah