PENGUKURAN

KUALITAS DATA
DAN INFORMASI
Jurusan RMIK
2020
 KARAKTERISTIK KUALITAS DATA YANG DITERBITKAN OLEH
THE AMERICAN HEALTH INFORMATION MANAGEMENT ASSOCIATION
(AHIMA)
 Application – Tempat dimana data berasal
untuk disimpan.
 Collection –  Proses-proses dimana elemen-
elemen data diakumulasikan.
 Warehousing – Proses-proses dan sistem-sistem
yang digunakan untuk mengarsip data dan
jurnal data.
 Analysis – Proses translasi data menjadi
informasi yang digunakan untuk suatu aplikasi.
KARAKTERISTIK KUALITAS DATA
DARI AHIMA
 Data accuracy. Data harus benar, nilai
valid adalah nilai yang akurat. Kesalahan
penulisan (typografi) nama adalah contoh
ketidakakuratan data.
 Data accessibility. Data yang tidak
tersedia saat pengambil keputusan
membutuhkannya adalah tak berguna.
 Data consistency. Data berkualitas harus
konsisten. Penggunaan singkatan yang memiliki 2
arti berbeda merupakan contoh yang tepat akan
kurangnya konsistensi dapat menimbulkan masalah.
Contoh, perawat yang mungkin menggunakan
singkatan CPR untuk cardiopulmonary Resuscitation
pada satu waktu dan menggunakan CPR untuk
computer-based patient record di lain waktu, akan
membingungkan.
 Data comprehensiveness. Semua data yang
dibutuhkan untuk keperluan tertentu harus
ada dan tersedia bagi pengguna. Data tak
akan berguna bila tak lengkap.
 Data currency. Banyak tipe data kesehatan
menjadi kadaluwarsa setelah periode waktu
tertentu. Hasil pengakuan diagnosis pasien
sering tidak sama dengan pencatatan
diagnosis saat pemulangan.  Saat eksekutif
rumah sakit  membutuhkan laporan diagnosis
selama kurun waktu tertentu, catatan
diagnosis mana yang harus diberikan?
 Data definition. Definisi elemen data yang
jelas harus disediakan sehingga baik
pengguna data saat ini dan nanti akan
mengetahui apa arti data tersebut. 1 cara
untuk menyediakan definisi data yang jelas
adalah menggunakan data dictionaries.
 Data granularity. Data granularity biasa
disebut sebagai data atomicity. Tiap elemen
data adalah “atomic” karena mereka tidak
dapat dipecah lagi menjadi elemen yang lebih
kecil.  Contoh, nama pasien seharusnya
disimpan dalam 3 elemen data, nama akhir,
nama awal, nama tengah. Granularity
direlasikan dengan tujuan dari data disimpan.
Walaupun tanggal lahir pasien memungkinkan
untuk dipecah menjadi tanggal, bulan, dan
tahun lahir, tapi hal ini tak diperlukan. Tanggal
lahir adalah tingkat terendah dari granularity
saat digunakan sebagai pengidentifikasi pasien.
Nilai data harus didefinisikan pada tingkat yang
tepat sesuai dengan kegunaannya.
 Data precision. Presisi sering berelasi dengan
data numerik. Presisi menunjukkan seberapa
dekat ke ukuran sebenarnya, berat atau
standar pengukuran tertentu. Beberapa data
kesehatan harus sangat presisi. Contoh, dosis
obat tak boleh dibulatkan ke gram terdekat
saat obat didosiskan dalam milligram.
 Data relevancy. Data harus relevan dengan
tujuan mereka disimpan. Kita bisa menyimpan
dengan sangat akurat, data tentang warna
kesukaan dan jenis rambut dapat diisikan
dengan tepat waktu, tapi apakah data ini
sesuai dengan kebutuhan untuk perawatan
pasien?
 Data timeliness. Ketepatan waktu adalah
dimensi penting dalam kualitas berbagai jenis
data kesehatan. Contoh, nilai lab untuk
pemeriksaan kritis harus tersedia untuk
penyedia layanan kesehatan dengan tepat
waktu. Hasil akurat yang terlambat disediakan
dari tenggat waktu yang seharusnya atau
bahkan tersedia setelah kepulangan pasien
akan mengecilkan atau meniadakan nilai
gunanya bagi perawatan pasien.
TERIMAKASIH