DESKRIPSI MODUL
Kabupaten Kolaka Utara mulai diimplementasikan, dr. Nindi menghadapi situasi yang tidak ia antisipasi: datanya kini lebih banyak dari sebelumnya, tetapi keputusannya tidak terasa lebih mudah.
Di depannya ada tiga dashboard yang menampilkan angka berbeda untuk pertanyaan yang sama: berapa ibu hamil risiko tinggi yang belum mendapat kunjungan rumah bulan ini? Dashboard e-Kohort menunjukkan 47. Laporan manual dari bidan koordinator menunjukkan 31. Sistem SATU SEHAT yang baru terhubung sebagian menunjukkan 38.
Pengalaman dr. Nindi menggambarkan tantangan terdalam dari analitik data kesehatan: bukan kekurangan data, tetapi kelebihan data yang tidak terstruktur, dikombinasikan dengan tekanan untuk menyederhanakan kompleksitas menjadi narasi yang dapat dikomunikasikan kepada pengambil keputusan non-teknis. Modul ini — modul penutup Sesi 1 — mengintegrasikan seluruh pembelajaran tentang data, surveilans, GIS, dan sistem digital ke dalam satu pertanyaan yang paling fundamental: bagaimana data kesehatan reproduksi ditransformasi menjadi keputusan yang lebih baik untuk ibu dan bayi?
Transformasi Data → Keputusan: Dari angka mentah → informasi kontekstual → pengetahuan analitis → kebijaksanaan strategis
Setiap tahap memerlukan pertanyaan, metode, dan komunikasi yang berbeda
CAPAIAN PEMBELAJARAN MODUL
Setelah menyelesaikan modul ini, peserta didik mampu:
- 1 Menjelaskan prinsip-prinsip analitik data kesehatan dan membedakan jenis analitik berdasarkan tujuan dan kompleksitasnya
- 2 Mengidentifikasi dan menerapkan indikator KIA yang paling sensitif untuk memantau kinerja sistem dan mengambil keputusan intervensi
- 3 Menganalisis teknik visualisasi data yang efektif untuk komunikasi kepada pemangku kepentingan yang berbeda
- 4 Mengevaluasi kualitas bukti dari berbagai sumber data kesehatan reproduksi dan mengintegrasikannya dalam pengambilan keputusan yang beralasan
- 5 Merancang siklus analitik data yang berkelanjutan sebagai bagian dari tata kelola program KIA di tingkat kabupaten
MATERI INTI
C.1. Tipologi Analitik Data Kesehatan
C.1.1. Empat Jenis Analitik dan Relevansinya untuk KIA
Analitik Deskriptif
"Apa yang terjadi?"Merangkum data yang ada menjadi gambaran situasi
• AKI kabupaten = 400/100.000
• Cakupan ANC K4 = 58%
• 67% kematian ibu terjadi di 4 kecamatan pegunungan
Tools: tabel frekuensi, rata-rata, proporsi, grafik batang, peta choropleth
Kapan digunakan: laporan rutin, profil situasi awal, monitoring indikator
Analitik Diagnostik
"Mengapa ini terjadi?"Menginvestigasi penyebab atau faktor yang berkontribusi pada pola yang teridentifikasi
• Mengapa AKI di kecamatan pegunungan 4× lebih tinggi?
• Faktor mana yang paling berkorelasi dengan rendahnya cakupan ANC K4?
Tools: korelasi, regresi logistik, analisis spasial, Fishbone/Ishikawa diagram
Kapan digunakan: investigasi masalah, perencanaan intervensi, AMP
Analitik Prediktif
"Apa yang mungkin terjadi?"Menggunakan data historis untuk memperkirakan kejadian atau risiko di masa depan
• Skor risiko ibu hamil berdasarkan parameter ANC untuk memprediksi komplikasi
• Prediksi desa dengan kemungkinan lonjakan kematian di musim hujan
Tools: regresi, machine learning, skor risiko tervalidasi (KSPR)
Kapan digunakan: targeting intervensi, alokasi sumber daya proaktif, peringatan dini
Analitik Preskriptif
"Apa yang harus dilakukan?"Merekomendasikan tindakan optimal berdasarkan analisis
• Optimasi penempatan bidan untuk memaksimalkan cakupan
• Rekomendasi alokasi anggaran BOK berdasarkan distribusi risiko spasial
Tools: decision analysis, optimasi, simulasi skenario
Kapan digunakan: perencanaan strategis, alokasi sumber daya, kebijakan program
Catatan Praktis
Sebagian besar sistem kesehatan kabupaten di Indonesia saat ini hanya melakukan analitik deskriptif secara konsisten. Analitik diagnostik dilakukan ad hoc (biasanya saat ada krisis). Analitik prediktif dan preskriptif masih sangat jarang di tingkat kabupaten.
Peningkatan bertahap: Deskriptif → Diagnostik adalah langkah terpenting yang dapat dilakukan dengan kapasitas yang sudah ada.
C.1.2. Siklus Analitik Data untuk Program KIA
Siklus Analitik yang Berkelanjutan
Pertanyaan
"Apa yang ingin kita ketahui?"
Pengumpulan Data
"Data apa yang tersedia dan berkualitas cukup?"
Pembersihan & Validasi
"Apakah data ini dapat dipercaya?"
Analisis
"Apa yang ditunjukkan data ini?"
Interpretasi
"Apa artinya dalam konteks lokal?"
Komunikasi
"Bagaimana menyampaikan kepada audiens yang berbeda?"
Keputusan & Tindakan
"Apa yang berubah?"
Evaluasi Dampak
"Apakah keputusan itu menghasilkan perubahan?"
Kegagalan yang Paling Umum
- Siklus berhenti di Langkah 4: Analisis dilakukan tetapi tidak dikomunikasikan secara efektif → tidak menghasilkan keputusan
- Siklus berhenti di Langkah 6: Komunikasi dilakukan tetapi tidak ada mekanisme untuk memastikan keputusan diambil dan ditindaklanjuti
- Langkah 8 tidak pernah terjadi: Tidak ada evaluasi apakah keputusan sebelumnya berhasil → tidak ada pembelajaran institusional
- Langkah 1 dilewati: Data dikumpulkan tanpa pertanyaan yang jelas → analisis tanpa arah, output tanpa tujuan
C.2. Indikator KIA: Memilih yang Paling Bermakna
C.2.1. Hierarki Indikator KIA
Indikator Input
Mengukur sumber daya yang tersedia
- Rasio bidan per penduduk
- Jumlah Puskesmas PONED yang fungsional
- Ketersediaan darah di bank darah RS
- Ketersediaan MgSO4 dan oksitosin di fasilitas
Indikator Proses
Mengukur kualitas dan cakupan layanan yang diberikan
- Cakupan ANC K1 (kontak pertama)
- Cakupan ANC K4/K6 (sesuai standar minimal)
- Cakupan persalinan di fasilitas
- Cakupan kunjungan nifas KF3
- Cakupan KB pascapersalinan
Indikator Outcome Antara
Mengukur perubahan status kesehatan yang merupakan hasil antara
- Proporsi ibu hamil dengan anemia yang mendapat terapi
- Deteksi dini PEB di ANC
- Cakupan persalinan oleh tenaga terlatih (SBA)
Indikator Outcome Akhir
Mengukur dampak paling fundamental
- Angka Kematian Ibu (AKI)
- Angka Kematian Neonatal (AKN)
- Angka Kematian Bayi (AKB)
- Angka Kematian Balita (AKBA)
Implikasi Praktis
AKI saja tidak cukup untuk memantau program KIA di tingkat kabupaten:
- Jumlah kematian terlalu kecil untuk mendeteksi perubahan program secara statistik
- Fluktuasi 1–2 kematian bisa mengubah AKI secara dramatis tanpa mencerminkan perubahan sistem yang nyata
Kombinasi yang lebih sensitif:
- AKI + cakupan ANC K4 + cakupan persalinan di fasilitas + Maternal Near-Miss Ratio + Mortality Index
- Bersama-sama memberikan gambaran lebih lengkap tentang kinerja sistem
C.2.2. Indikator Proses yang Paling Prediktif
Dari Bukti Global dan Indonesia, Indikator Proses yang Paling Prediktif terhadap Penurunan AKI
- Cakupan Persalinan di Fasilitas dengan Kemampuan BEMONC/CEMONC: Bukan sekadar "persalinan di fasilitas" — tetapi di fasilitas yang MAMPU menangani komplikasi. Perbedaan ini penting: persalinan di Pustu tanpa PONED tetap berisiko tinggi untuk komplikasi berat
- Cakupan ANC yang Berkualitas: Bukan hanya jumlah kunjungan tetapi konten: apakah tekanan darah diperiksa dan dicatat? Apakah anemia dideteksi dan ditangani? "ANC quality" lebih prediktif dari "ANC coverage"
- Waktu Respons Rujukan: Dari keputusan rujuk hingga tiba di PONEK. Lebih sulit diukur secara rutin tetapi sangat bermakna untuk intervensi Terlambat 2
- Near-Miss Ratio dan Mortality Index: Mencerminkan kemampuan sistem menyelamatkan perempuan yang sudah kritis. Dapat dipantau di fasilitas PONEK secara berkelanjutan
Indikator yang Sering Digunakan tetapi Menyesatkan
- "Cakupan ANC K1": K1 hanya berarti satu kunjungan pertama — tidak mencerminkan kualitas atau kontinuitas. Banyak program melaporkan K1 tinggi tetapi K4 rendah → drop-out yang besar di antara keduanya tidak terlihat
- "Jumlah Persalinan oleh Bidan": Tidak membedakan persalinan normal tanpa komplikasi dari persalinan dengan komplikasi yang ditangani dengan baik → tidak mencerminkan kualitas
- "Tidak Ada Kematian Ibu Bulan Ini": Di kabupaten kecil, tidak ada kematian dalam satu bulan bisa berarti sistem baik ATAU bisa berarti underreporting → selalu triangulasi dengan indikator proses
C.3. Visualisasi Data untuk Komunikasi yang Efektif
C.3.1. Prinsip Visualisasi Data Kesehatan
Satu Pertanyaan per Visualisasi
Sebelum membuat grafik, tanyakan: pertanyaan apa yang dijawab oleh visualisasi ini? Grafik yang mencoba menjelaskan terlalu banyak tidak menjelaskan apapun dengan baik
Pilih Jenis Grafik yang Tepat
Tren waktu → Line chart | Perbandingan → Bar chart | Proporsi → Pie chart (≤5 kategori) | Distribusi → Histogram/boxplot | Korelasi → Scatter plot | Geografis → Peta
Kurangi "Chart Junk"
Hapus gridlines yang tidak perlu, border dekoratif, 3D effects. Setiap elemen visual harus menambah informasi, bukan dekorasi
Label yang Jelas
Judul yang menjelaskan temuan utama (bukan hanya nama variabel). Sumber data dan tahun selalu dicantumkan. Contoh GOOD: "AKI Kab. Kolaka Utara Meningkat 28% dalam 5 Tahun Terakhir"
Warna yang Bermakna
Gunakan warna untuk menyampaikan informasi, bukan dekorasi. Merah = buruk/peringatan, Hijau = baik/target tercapai. Konsisten dalam satu dokumen. Pertimbangkan color blindness
C.3.2. Menyesuaikan Visualisasi dengan Audiens
Untuk Tenaga Kesehatan Lapangan
Sederhana, actionable
Fokus pada: siapa yang perlu dikunjungi, di mana, kapan
Format: daftar prioritas, peta sederhana, traffic light (merah/kuning/hijau)
Contoh: daftar 10 ibu hamil risiko tinggi yang belum kunjungan bulan ini, diurutkan berdasarkan tingkat risiko
Untuk Kepala Dinkes / Manajemen
Ringkas, tren, perbandingan
Fokus pada: apakah kita mencapai target? Di mana masalah terbesar?
Format: dashboard dengan indikator kunci, grafik tren, peta distribusi
Contoh: scorecard 5 indikator KIA dengan warna status dan perbandingan bulan lalu
Untuk Bupati / DPRD / BAPPEDA
Sangat ringkas, cerita yang kohesif, implikasi anggaran
Fokus pada: seberapa besar masalahnya, apa yang perlu diinvestasikan, apa dampaknya
Format: 3–5 slide, angka besar yang mudah diingat, infografis sederhana
Contoh: "Setiap tahun, estimasi 15–17 ibu di kabupaten ini meninggal. Intervensi X dapat mencegah 8 di antaranya dengan investasi Rp Y."
Untuk Komunitas / Masyarakat
Visual, tanpa jargon teknis, relevan dengan pengalaman sehari-hari
Fokus pada: apa yang dapat mereka lakukan, apa risiko yang relevan untuk mereka
Format: poster, infografis bergambar, media sosial
Contoh: "1 dari 250 ibu yang melahirkan di daerah ini berisiko meninggal — pastikan bidan hadir dan fasilitas sudah disiapkan"
Prinsip "One Number" untuk Presentasi kepada Pimpinan
Ketika dipaksa memilih satu angka (seperti yang dihadapi dr. Nindi):
- Pilih angka yang paling meyakinkan DAN paling akurat — bukan hanya yang paling menguntungkan secara politik
- Kontekstualisasikan: satu angka tanpa konteks dapat menyesatkan
- Berikan satu angka utama + satu kalimat konteks
Contoh: "AKI kita 400 — dua kali rata-rata nasional — tetapi 80% terjadi di 4 kecamatan yang dapat kita intervensi secara spesifik."
C.4. Kualitas Bukti dan Integrasi Sumber Data
C.4.1. Menilai Kualitas Data yang Tersedia
Seberapa dekat data dengan kenyataan?
Pertanyaan evaluasi: Bagaimana data dikumpulkan? Siapa yang mengumpulkan? Apakah definisi konsisten? Apakah ada proses validasi?
Seberapa lengkap data mencakup populasi?
Pertanyaan evaluasi: Berapa persen fasilitas yang melapor? Berapa persen kematian yang mungkin tidak tercatat? Apakah ada kelompok populasi yang sistematis tidak tercakup?
Seberapa terkini data yang tersedia?
Pertanyaan evaluasi: Berapa lama delay antara kejadian dan data tersedia untuk analisis? Apakah delay ini cukup pendek untuk keputusan yang diperlukan?
Apakah data konsisten dari waktu ke waktu?
Pertanyaan evaluasi: Apakah ada lonjakan/penurunan tiba-tiba yang mencerminkan perubahan cara pelaporan? Apakah angka dari sumber berbeda konsisten?
TINGGI
- Data survei populasi (SDKI, SUPAS) dengan metodologi ketat
- Data registrasi kematian yang diverifikasi
- Data klinis dari rekam medis yang teraudit
SEDANG
- Laporan rutin Puskesmas yang dikonfirmasi oleh lebih dari satu sumber
- Data e-Kohort yang diisi secara konsisten
RENDAH
- Laporan dari fasilitas dengan adopsi sistem rendah
- Data yang dikumpulkan di bawah tekanan kinerja tanpa mekanisme verifikasi
- Data yang tidak konsisten dengan sumber lain tanpa penjelasan
C.4.2. Triangulasi: Mengintegrasikan Sumber Data yang Berbeda
Contoh Triangulasi untuk Estimasi AKI Sesungguhnya
Sumber 1: Laporan Fasilitas
12 kematian ibu → AKI = 400/100.000
Sumber 2: Data Catatan Sipil
Cek akte kematian perempuan usia reproduksi — temukan 3 tambahan yang tidak masuk laporan fasilitas
Sumber 3: Laporan Kader/Bidan Desa
Kader melaporkan 2 kematian perempuan hamil/nifas yang tidak masuk laporan resmi
Triangulasi
Estimasi kematian sesungguhnya: 12 + 3 + 2 = 17 → AKI estimasi: 567/100.000. Ketidakpastian: masih mungkin ada yang belum terdeteksi di wilayah paling terpencil
Mengelola Ketidakkonsistenan: Ketika Tiga Dashboard Menunjukkan Angka Berbeda
LANGKAH 1: Pahami definisi — Apakah "ibu hamil risiko tinggi" didefinisikan sama di ketiga sistem?
LANGKAH 2: Pahami cakupan — Apakah ketiga sistem mencakup wilayah yang sama?
LANGKAH 3: Pilih untuk tujuan yang berbeda — Untuk tindakan segera: gunakan angka tertinggi (47). Untuk laporan kinerja: gunakan angka yang memiliki verifikasi terbaik (31).
LANGKAH 4: Dokumentasikan ketidakkonsistenan — Ini adalah informasi penting: menunjukkan bahwa sistem tidak terintegrasi dengan baik. Jadikan ini agenda perbaikan.
C.5. Konsultan Obginsos sebagai Arsitek Keputusan Berbasis Data
C.5.1. Dari Analis Data ke Pemimpin yang Menginformasi Keputusan
Peran 1 — Menetapkan Pertanyaan yang Tepat
- Bukan: "data apa yang kita miliki?"
- Tetapi: "keputusan apa yang perlu diambil, dan data apa yang dibutuhkan untuk membuat keputusan itu dengan lebih baik?"
- Pertanyaan yang tepat mengarahkan pengumpulan dan analisis data yang relevan — bukan data yang sekedar tersedia
Peran 2 — Memastikan Kualitas Data Sebelum Analisis
- Tidak semua data yang tersedia layak untuk dianalisis dan digunakan untuk keputusan
- Kewajiban etis: tidak menggunakan data yang diketahui berkualitas rendah untuk menghasilkan kesimpulan yang menyesatkan
- Standar minimal kualitas data harus ditetapkan sebelum analisis dimulai
Peran 3 — Menginterpretasikan dalam Konteks Lokal
- Angka nasional dan global adalah referensi, bukan standar mutlak
- AKI 400/100.000 di kabupaten terpencil dengan 60% wilayah hanya dicapai dengan perahu tidak dapat diinterpretasikan sama dengan AKI 400/100.000 di kota dengan RS tipe A
- Konsultan Obginsos yang memahami konteks lokal adalah penerjemah yang tidak tergantikan antara data dan keputusan
Peran 4 — Mengkomunikasikan Ketidakpastian dengan Jujur
- Data kesehatan selalu memiliki ketidakpastian — dari underreporting, variabilitas sampling, hingga confounders yang tidak terukur
- Menyembunyikan ketidakpastian untuk "meyakinkan" pengambil keputusan adalah pelanggaran integritas profesional
- Cara mengkomunikasikan: "angka terbaik yang kita miliki adalah X, tetapi kita memperkirakan angka sesungguhnya antara Y dan Z, karena..."
Peran 5 — Memastikan Keputusan Diambil dan Dievaluasi
- Analisis yang tidak menghasilkan keputusan adalah pemborosan kapasitas dan waktu
- Konsultan Obginsos harus aktif mendorong siklus analitik sampai selesai: bukan hanya menyiapkan laporan tetapi memastikan ada tindak lanjut yang terdokumentasi
- Evaluasi dampak keputusan menutup siklus dan membangun institutional memory untuk keputusan berikutnya
C.5.2. Navigasi Tekanan Politik dalam Penggunaan Data
Tekanan Nyata yang Dihadapi
- Tekanan untuk menampilkan angka yang "baik": Kepala Dinas ingin laporan yang menunjukkan kemajuan menjelang pemilihan kepala daerah; Bupati ingin angka yang terlihat baik di laporan nasional
- Tekanan untuk menyederhanakan berlebihan: "Cukup satu angka" — kompleksitas yang hilang dalam penyederhanaan sering adalah justru nuans yang paling penting untuk keputusan
Strategi Navigasi yang Etis
- Pisahkan: Angka vs Interpretasi: Angka adalah fakta yang tidak dapat diubah. Interpretasi memiliki ruang untuk framing yang konstruktif tanpa mengubah fakta
- Berikan konteks yang menjelaskan: Angka yang buruk sering mencerminkan kondisi struktural yang bukan "kesalahan" program
- Dokumentasikan posisi Anda: Jika diminta menyampaikan angka yang Anda tahu tidak akurat — catat keberatan Anda secara tertulis. Integritas data publik adalah tanggung jawab bersama
Prinsip Akhir yang Mengintegrasikan Seluruh Sesi 1
Data kesehatan reproduksi bukan hanya angka di laporan — ia adalah representasi dari perempuan yang selamat atau tidak selamat, bayi yang lahir sehat atau tidak, keluarga yang utuh atau berduka.
Konsultan Obginsos yang memimpin sistem informasi dan surveilans memikul tanggung jawab untuk memastikan bahwa representasi ini seakurat mungkin, dianalisis seserius mungkin, dikomunikasikan sejujur mungkin, dan digunakan seefektif mungkin untuk keputusan yang menyelamatkan nyawa.
Ini adalah kompetensi teknis sekaligus komitmen etis.
PERTANYAAN DISKUSI
RANGKUMAN
- Empat jenis analitik data — deskriptif, diagnostik, prediktif, dan preskriptif — mewakili tingkatan yang berbeda dalam transformasi data menjadi keputusan; sebagian besar sistem kabupaten di Indonesia saat ini hanya melakukan analitik deskriptif secara konsisten, dan peningkatan bertahap dari deskriptif ke diagnostik adalah langkah terpenting yang dapat dilakukan dengan kapasitas yang sudah ada
- Pemilihan indikator KIA yang tepat memerlukan keseimbangan antara sensitivitas terhadap perubahan program, feasibilitas pengukuran, dan relevansi untuk keputusan — AKI saja tidak cukup di tingkat kabupaten karena jumlah kematian yang kecil membuat fluktuasi acak mendominasi perubahan nyata; kombinasi near-miss ratio, mortality index, dan indikator proses kualitas memberikan gambaran sistem yang jauh lebih berguna
- Visualisasi data yang efektif bukan tentang estetika tetapi tentang memastikan pesan yang tepat sampai kepada audiens yang tepat dengan cara yang mendorong keputusan yang benar — prinsip satu pertanyaan per visualisasi, pemilihan jenis grafik yang sesuai, dan penyesuaian dengan audiens adalah kompetensi yang sama pentingnya dengan kemampuan analisis teknis
- Kualitas data harus dinilai secara eksplisit sebelum digunakan untuk keputusan — kerangka empat dimensi (akurasi, completeness, timeliness, consistency) memberikan struktur untuk evaluasi ini, dan triangulasi dari sumber independen adalah cara terpraktis untuk meningkatkan kepercayaan kesimpulan ketika tidak ada satu sumber pun yang sempurna
- Konsultan Obginsos sebagai arsitek keputusan berbasis data memikul lima peran komplementer yang tidak dapat dipisahkan: menetapkan pertanyaan yang tepat, memastikan kualitas data sebelum analisis, menginterpretasikan dalam konteks lokal, mengkomunikasikan ketidakpastian dengan jujur, dan memastikan siklus analitik berjalan sampai pada keputusan dan evaluasi dampak — kelima peran ini adalah kompetensi teknis sekaligus komitmen etis yang mendefinisikan kontribusi subspesialis dalam sistem informasi kesehatan reproduksi
| Cakupan Materi | Modul 1–5 |
|---|---|
| Jumlah Soal | 10 soal pilihan ganda |
| Waktu Pengerjaan | 30 menit |
| Sistem Penilaian | Benar: +1 / Tidak menjawab: 0 / Salah: 0 |
| Sifat | Closed book — individual |
| Platform | LMS — dikerjakan online |
Baca setiap soal dengan cermat. Pilih satu jawaban yang paling tepat.
Soal 1
Dalam kerangka DIKW (Data–Information–Knowledge–Wisdom), dr. Faiz memiliki angka ANC K4 = 71% dari laporan Puskesmas Kabupaten Halmahera Selatan. Ia kemudian membandingkan angka ini dengan rata-rata nasional 79% dan mengidentifikasi bahwa kesenjangan terbesar berada di tiga kecamatan kepulauan. Transformasi yang terjadi dari langkah pertama (71%) ke langkah kedua (identifikasi kecamatan) adalah:
Soal 2
Sistem surveilans kematian ibu di Kabupaten Sumbawa Barat menunjukkan AKI = 281/100.000 dari laporan fasilitas resmi. Dr. Nindi mengidentifikasi 3 kematian tambahan yang tidak masuk laporan: 2 di rumah dan 1 dalam perjalanan. Pernyataan yang paling akurat tentang fenomena ini adalah:
Soal 3
Dalam analisis spasial layanan KIA, sebuah kabupaten melakukan buffer analysis radius 10 km dari setiap Puskesmas dan menemukan bahwa 82% penduduk berada dalam jangkauan. Studi dengan network analysis kemudian menemukan hanya 54% yang dapat mencapai Puskesmas dalam 60 menit. Penjelasan yang paling tepat untuk kesenjangan ini adalah:
Soal 4
Seorang bidan di Puskesmas terpencil mengirimkan foto USG pasien ibu hamil melalui WhatsApp pribadi kepada SpOG di RS Provinsi untuk konsultasi darurat tentang presentasi janin. Pernyataan yang paling komprehensif dan akurat tentang tindakan ini adalah:
Soal 5
Mortality Index (MI) dihitung sebagai: kematian ibu / (near-miss + kematian ibu) × 100%. RS A memiliki MI = 8%, sedangkan RS B memiliki MI = 23%. Interpretasi yang paling tepat adalah:
Soal 6
Dalam konteks UU Perlindungan Data Pribadi No. 27/2022, data ibu hamil yang paling memerlukan perlindungan berlapis (akses terbatas, tidak masuk laporan agregat yang dapat diidentifikasi, tidak dicatat dalam buku KIA yang dibawa pulang pasien) adalah:
Soal 7
Dr. Nindi menyiapkan presentasi kepada Bupati tentang situasi KIA di Kabupaten Kolaka Utara. Ia memiliki data yang menunjukkan AKI = 400/100.000, jauh di atas rata-rata nasional, dengan 67% kematian terkonsentrasi di 4 kecamatan pegunungan. Kepala Seksi Perencanaan menyarankan agar data AKI yang tinggi "dikemas dengan positif" dalam presentasi. Respons yang paling tepat secara etis dan strategis dari dr. Nindi adalah:
Soal 8
Dalam siklus analitik data untuk program KIA, langkah yang paling sering terlewat dan paling berdampak negatif pada perbaikan sistem adalah:
Soal 9
Sebuah kabupaten memiliki tiga sumber data untuk cakupan persalinan di fasilitas: (1) laporan rutin Puskesmas: 74%; (2) data P-Care BPJS: 61%; (3) hasil mini-survei bidan koordinator: 67%. Pendekatan yang paling tepat untuk menggunakan data ini dalam perencanaan adalah:
Soal 10
Prinsip desain "offline-first" untuk sistem informasi KIA di daerah terpencil berarti:
KUNCI JAWABAN DAN PEMBAHASAN
UNTUK DOSEN — TIDAK DIBAGIKAN KEPADA PESERTA DIDIK
Soal 1 — Kunci: B
Transformasi dari angka 71% (yang sudah merupakan information — angka yang sudah dihitung dan memiliki makna dasar) menjadi identifikasi pola spasial dan perbandingan kontekstual adalah Information → Knowledge. Knowledge adalah informasi yang diintegrasikan dengan pemahaman tentang pola, relasi, dan konteks. Opsi A salah karena 71% sudah merupakan information bukan data mentah. Opsi C salah karena kemampuan membuat keputusan intervensi adalah Wisdom, bukan Knowledge. Opsi D salah karena transformasi DIKW bersifat hierarkis dan tidak melewati tahapan. Modul 1, C.1.1.
Soal 2 — Kunci: C
Definisi WHO tentang kematian ibu mencakup kematian dalam 42 hari setelah kehamilan berakhir, terlepas dari lokasi — termasuk di rumah dan dalam perjalanan. Underreporting adalah fenomena yang terdokumentasi secara global dengan estimasi 30–40% kematian tidak tercatat dalam sistem resmi, dengan gap lebih besar di daerah terpencil. Opsi A salah karena definisi WHO tidak membatasi lokasi kematian. Opsi B salah karena underreporting adalah sistematis, bukan anomali. Opsi D salah karena surveilans pasif tetap memiliki nilai sebagai fondasi. Modul 2, C.3.1.
Soal 3 — Kunci: C
Buffer analysis (euclidean/crow-fly) mengukur jarak lurus dan mengasumsikan orang dapat bergerak langsung ke fasilitas — tidak mempertimbangkan jalan yang berliku, kondisi jalan, kecepatan tempuh, atau hambatan topografi. Network analysis menggunakan jaringan jalan nyata dan kecepatan tempuh yang realistis, sehingga memberikan estimasi waktu tempuh yang jauh lebih akurat di daerah dengan topografi berat. Kesenjangan 28 persen poin adalah besaran yang realistis di daerah pegunungan Indonesia. Opsi A salah karena buffer analysis memiliki kegunaan sebagai perkiraan awal yang cepat. Opsi B salah karena perbedaan ini bukan tentang konservatisme algoritma tetapi akurasi metodologi. Modul 3, C.2.1.
Soal 4 — Kunci: B
Jawaban yang paling komprehensif harus mengakui dua hal secara bersamaan: (1) ada pelanggaran regulasi yang nyata — kerahasiaan data, Permenkes 20/2019 yang mengharuskan telemedicine antar fasilitas melalui sistem resmi, dan UU PDP; DAN (2) pelanggaran ini mencerminkan kegagalan sistemik yang lebih besar — tidak tersedianya sistem formal yang accessible. Opsi A terlalu absolut dalam membenarkan. Opsi C salah karena pelanggaran tetap ada meskipun foto tidak menyertakan nama — data klinis pasien tetap bersifat rahasia. Opsi D tidak realistis dan dapat merugikan pasien yang membutuhkan konsultasi segera. Modul 4, C.2.2.
Soal 5 — Kunci: C
Mortality Index yang rendah (8%) berarti dari seluruh kasus kritis (near-miss + kematian) yang ditangani RS A, hanya 8% yang meninggal — artinya 92% berhasil diselamatkan. MI RS B (23%) berarti 23% dari kasus kritis meninggal. Ini mengindikasikan kemampuan yang lebih baik di RS A dalam menangani komplikasi kritis. Namun, jawaban C dengan benar menyertakan kaveat penting: harus mempertimbangkan case mix (RS B mungkin menerima kasus yang lebih berat) dan kelengkapan pelaporan near-miss (RS B mungkin underreport near-miss sehingga MI tampak lebih tinggi). Opsi A dan B tidak berkaitan dengan definisi MI. Opsi D mengambil kesimpulan tindakan yang terlalu jauh dari satu indikator. Modul 2, C.3.3.
Soal 6 — Kunci: B
Riwayat kekerasan dalam rumah tangga termasuk kategori data sensitif yang memerlukan perlindungan berlapis karena: (1) dapat menyebabkan bahaya langsung jika diketahui pelaku kekerasan, (2) berkaitan dengan kondisi yang sangat personal dan berpotensi distigmatisasi, (3) dapat menjadi bukti hukum yang perlu dilindungi. Ketiga pilihan lain (tekanan darah, paritas, hemoglobin) adalah data klinis rutin yang penting tetapi tidak memiliki implikasi keamanan dan privasi yang sama seriusnya. Modul 4, C.3.2.
Soal 7 — Kunci: C
Integritas data mengharuskan angka AKI yang sesungguhnya disajikan — ini tidak dapat dikompromikan. Namun, framing yang konstruktif bukan manipulasi data: mengidentifikasi bahwa 67% kematian terkonsentrasi di 4 kecamatan yang dapat diintervensi secara spesifik mengubah narasi dari "kabupaten gagal" menjadi "kabupaten memiliki masalah yang sudah terpetakan dan dapat diatasi dengan investasi yang tertarget." Ini adalah komunikasi yang jujur sekaligus strategis. Opsi A mengkompromikan integritas. Opsi B tidak produktif karena presentasi kepada Bupati adalah bagian penting dari advokasi. Opsi D menyembunyikan informasi kritis. Modul 5, C.5.2.
Soal 8 — Kunci: C
Evaluasi dampak keputusan adalah langkah yang paling sering dilewati dalam siklus analitik di sistem kesehatan kabupaten Indonesia. Tanpa evaluasi ini: (1) tidak ada pembelajaran tentang intervensi mana yang berhasil; (2) alokasi anggaran berikutnya tidak didasarkan pada bukti efektivitas; (3) institutional memory tidak terbentuk — setiap pemimpin baru memulai dari nol. Opsi A salah karena pengumpulan data umumnya berjalan (meskipun berkualitas rendah). Opsi B salah karena analisis deskriptif minimal sudah dilakukan di sebagian besar kabupaten. Opsi D berkontribusi pada masalah tetapi bukan yang paling berdampak. Modul 5, C.1.2.
Soal 9 — Kunci: C
Triangulasi yang tepat bukan memilih satu angka secara arbitrer atau merata-ratakan tanpa dasar. Pendekatan yang benar adalah: evaluasi kualitas metodologi masing-masing sumber (definisi yang digunakan, cakupan fasilitas, kemungkinan insentif untuk inflasi/deflasi angka), gunakan sumber yang berbeda untuk tujuan berbeda (P-Care untuk klaim BPJS, laporan rutin untuk monitoring program), dokumentasikan ketidakkonsistenan sebagai agenda perbaikan sistem, dan gunakan rentang 61–74% sebagai representasi ketidakpastian yang jujur dalam perencanaan. Opsi D tidak realistis dan menunda keputusan yang diperlukan. Modul 5, C.4.2.
Soal 10 — Kunci: B
"Offline-first" adalah prinsip desain sistem yang mengutamakan fungsionalitas tanpa koneksi internet sebagai kondisi normal — bukan kondisi darurat atau fallback. Data disimpan secara lokal di perangkat dan disinkronisasi ke server ketika koneksi tersedia. Ini berbeda dari: sistem yang hanya offline tanpa sinkronisasi (A), penggunaan koneksi lambat (C), atau prioritas kertas (D). Prinsip ini sangat relevan untuk daerah dengan konektivitas tidak konsisten seperti mayoritas kabupaten di Indonesia Timur. Modul 4, C.4.1.
REFERENSI
- Gartner Inc. The Four Types of Analytics. Stamford: Gartner; 2020. https://www.gartner.com/en/information-technology/glossary/analytics
- Tuti T, Agweyu A, Mwaniki P, et al. An exploration of mortality risk factors in non-severe malaria in African children using a data-driven approach. Malaria Journal. 2016;15:309. https://doi.org/10.1186/s12936-016-1350-5
- AbouZahr C, Boerma T. Health information systems: the foundations of public health. Bulletin of the World Health Organization. 2005;83(8):578–583. https://www.who.int/bulletin/volumes/83/8/578.pdf
- Tufte ER. The Visual Display of Quantitative Information. 2nd ed. Cheshire CT: Graphics Press; 2001.
- Nutley T, Reynolds HW. Improving the use of health data for health system strengthening. Global Health Action. 2013;6:20001. https://doi.org/10.3402/gha.v6i0.20001
- Braa J, Heywood A, Sahay S. Developing health information systems in developing countries: the flexible standards strategy. MIS Quarterly. 2012;36(2):381–402. https://doi.org/10.2307/41703461
- Souza JP, Tunçalp Ö, Vogel JP, et al. Obstetric transition: the pathway towards ending preventable maternal deaths. BJOG. 2014;121(Suppl 1):1–4. https://doi.org/10.1111/1471-0528.12735
- Victora CG, Habicht JP, Bryce J. Evidence-based public health: moving beyond randomized trials. American Journal of Public Health. 2004;94(3):400–405. https://doi.org/10.2105/AJPH.94.3.400
- Kementerian Kesehatan RI. Indikator Program Kesehatan Ibu dan Anak: Definisi Operasional dan Cara Perhitungan. Jakarta: Kemenkes RI; 2021. https://kesga.kemkes.go.id
- World Health Organization. Health Data Collaborative: Strengthening Country Health Information Systems. Geneva: WHO; 2022. https://www.healthdatacollaborative.org