| dc.description.abstract | Mahadata sering dianggap sebagai komoditas paling berharga dari era digital saat ini. Hal ini karena data yang besar dan beragam dapat memberikan pandangan yang jelas tentang konsumen, pasar, dan lingkungan bisnis. Namun demikian, data tersebut tidak bermanfaat jika tidak dapat diolah dan dianalisis dengan tepat. Hal inilah yang menjadikan analisis mahadata memiliki peran yang penting.
Analisis mahadata adalah proses mengekstrak informasi dan pengetahuan dari data yang besar, kompleks, dan beragam. Dalam bisnis, analisis mahadata digunakan untuk meningkatkan efisiensi operasional dan meningkatkan pendapatan. Dalam industri kesehatan, analisis mahadata digunakan untuk meningkatkan perawatan pasien dan meningkatkan efisiensi sistem kesehatan.
BPJS Kesehatan adalah badan yang memiliki tugas dalam menyelenggarakan jaminan kesehatan bagi seluruh rakyat Indonesia yang disebut sebagai Jaminan Kesehatan Nasional (JKN). Selama ini pelayanan kesehatan peserta JKN lebih banyak berupa pelayanan kuratif atau pelayanan kesehatan setelah sakit. Biaya untuk pelayanan kuratif apalagi jika dilakukan di rumah sakit tentu lebih besar sehingga perlu dikendalikan untuk mendukung keberlangsungan program JKN. Salah satu upaya yang bisa dilakukan adalah dengan mendorong pola hidup sehat di masyarakat melalui program promotif preventif dan meningkatkan kualitas pelayanan di fasilitas kesehatan (faskes) primer.
Laporan statistik JKN 2014-2018 yang dikeluarkan oleh Dewan Jaminan Sosial Nasional menyajikan kondisi menarik bahwa pada tahun 2018 Provinsi Jawa Barat menjadi wilayah dengan jumlah puskesmas paling banyak di Indonesia. Namun capaian tersebut berlawanan dengan angka rasio puskesmas per 100.000 peserta menjadi salah satu yang paling kecil di Indonesia. Nilai rasio tersebut menggambarkan ketersediaan pilihan faskes bagi peserta JKN dimana semakin kecil nilainya maka semakin terbatas pilihannya. Nilai tersebut dapat juga menjadi penanda bahwa suatu faskes sudah melebihi kapasitas atau tidak ideal. Penelitian yang dilakukan di wilayah Kota Depok menunjukkan bahwa sebagian besar puskesmas dengan rasio rujukan yang tinggi tidak memiliki kelengkapan sarana dan prasarana. Salah satu alasan dilakukan rujukan adalah karena beberapa obat-obatan tidak tersedia di puskesmas. Rasio rujukan adalah ukuran kecenderungan faskes primer melakukan rujukan ke faskes lain.
Salah satu upaya yang dapat dilakukan untuk mengoptimalkan pelayanan kesehatan primer dan pemerataan sarana dan prasarana pada cakupan daerah yang luas secara efisien adalah dengan profiling dan menggerombolkan daerah di Provinsi Jawa Barat hingga lingkup kecamatan yang memiliki kemiripan karakteristik kejadian penyakit. Kemudian dari kelompok yang terbentuk akan dilakukan analisis tren dan peramalan kejadian di masa mendatang.
Metode yang digunakan untuk mendapatkan penggerombolan terbaik adalah penggerombolan berhierarki dan cluster ensemble. Adapun data penelitan yang dikaji adalah data sampel pelayanan primer kapitasi BPJS Kesehatan periode 2017-2018. Beberapa peubah penting antara lain: data diagnosis penyakit primer (ICD-10) pasien di puskesmas, waktu pelayanan, jenis kunjungan, dan lokasi kecamatan pelayanan. Salah satu permasalahan statistika dalam pemrosesan dan analisis mahadata adalah kemungkinan ditemukannya nilai yang hilang (missing value). Untuk mengatasi permasalahan tersebut perlu dilakukan proses imputasi untuk mendapatkan data yang lengkap.
Penelitian ini menggunakan beberapa metrik evaluasi yaitu koefisien Silhouette, Dunn index, Davies-Bouldin index, dan C-index untuk menentukan jumlah gerombol optimal yang terbentuk. Selain itu analisis deskriptif dan visualisasi terhadap hasil penggerombolan juga digunakan sebagai pertimbangan dalam pemilihan gerombol optimal.
Hasil evaluasi diperoleh metode optimal adalah penggerombolan berhierarki dengan pautan average linkage. Metode tersebut menghasilkan tiga gerombol dengan rincian: gerombol 1 terdiri dari 5 kecamatan yang memiliki rataan nilai yang tinggi/dominan pada hampir semua kategori penyakit, gerombol 2 terdiri dari 24 kecamatan yang memiliki rataan nilai sedang, dan gerombol 3 terdiri dari 589 kecamatan yang memiliki rataan nilai rendah. Sebagian besar anggota gerombol 1 dan 2 adalah kecamatan yang berada di daerah kabupaten/kota penyangga ibu kota negara (DKI Jakarta) dan ibu kota provinsi (Bandung) sedangkan anggota gerombol 3 sebagian besar adalah kecamatan yang berada di kabupaten/kota pinggiran atau jauh dari pusat pemerintahan.
Prioritas strategi peningkatan kualitas pelayanan kesehatan dapat difokuskan pada kecamatan yang masuk ke dalam gerombol 1 dan 2. Hal ini dikarenakan gerombol 1 dan 2 memiliki pola kejadian penyakit dengan nilai rataan sedang sampai tinggi. Selain itu pada lingkup yang lebih sempit upaya peningkatan pelayanan kesehatan dapat ditujukan pada daerah-daerah industri dan perkotaan karena kategori penyakit dominan (penyakit pada sistem pernapasan) sangat tinggi sebagaimana ditunjukkan pada karakteristik gerombol 1. Beberapa hal yang dapat dilakukan yaitu dengan perbaikan kapasitas sumber daya baik sarana prasarana maupun tenaga medis pada tiap fasilitas kesehatan yang sudah ada. Selain itu jika memungkinkan dapat dilakukan penambahan fasilitas kesehatan yang berkualitas agar kapasitas tiap fasilitas kesehatan dapat lebih merata dan tidak menumpuk pada tempat tertentu.
Tren kejadian pada tiga kategori penyakit yang diteliti dalam satu tahun cenderung konstan. Salah satu kemiripan pola yang terlihat adalah penurunan kejadian saat bulan Ramadhan dan Hari Raya Idul Fitri kemudian setelahnya naik secara ekstrem. Peramalan angka kejadian penyakit yang dilakukan dengan metode ELM dan NNAR menghasilkan prediksi yang baik dengan nilai MAPE dibawah 10%. Metode NNAR menghasilkan performa peramalan yang lebih baik dibanding ELM dan konsisten pada semua dataset dan metrik yang diukur (MAPE, RMSE). | id |
| dc.description.abstract | Big data is often considered the most valuable commodity of today's digital era. This is because large and diverse data can provide a clear view of consumers, markets and the business environment. However, the data is useless if it cannot be processed and analyzed properly. This is what makes big data analysis have an important role.
Big data analysis is the process of extracting information and knowledge from large, complex and diverse data. In business, big data analysis is used to improve operational efficiency and increase revenue. In the healthcare industry, big data analysis is used to improve patient care and increase the efficiency of healthcare systems.
BPJS Kesehatan is an agency in charge of administering health insurance for all Indonesian, known as Jaminan Kesehatan Nasional (JKN). So far, health services for JKN participants are mostly in the form of curative services or health services after illness. The costs for curative services, especially if they are carried out in hospitals, are certainly higher, so this needs to be controlled to support the sustainability of the JKN program. One of the efforts is to encourage healthy lifestyles in the community and improve the quality of services in primary health facilities.
The 2014-2018 JKN statistical report issued by the National Social Security Council presents an interesting condition that in 2018 West Java Province became the region with the largest number of puskesmas in Indonesia but the ratio of puskesmas per 100,000 participants was one of the smallest in Indonesia. The value of this ratio describes the availability of health facilities for JKN participants, the smaller the value, the more limited the choices. This value can also be a sign that a health facility has exceeded its capacity or is not ideal. Research conducted in the Depok City area shows that most of the puskesmas with a high referral ratio do not have complete facilities and infrastructure. One of the reasons for referrals is because some medicines are not available at the puskesmas. Referral ratio is a measure of the tendency of primary health facilities to make referrals to other health facilities.
One of the efforts that can be done to optimize health services and the distribution of facilities and infrastructure efficiently in a wide scope is by profiling and clustering areas in the West Java Province to the scope of sub-districts that have similar characteristics of disease category. Then from the clusters formed, trend analysis and forecasting of future events will be carried out.
The methods that will be compared to get the best clustering are hierarchical clustering and ensemble clustering. The data used as the object of research is the BPJS Kesehatan capitation primary service sample data for the 2017-2018 period. Some of the important variables used include: primary disease diagnosis data (ICD-10) of patients at the puskesmas, service time, type of visit, and location of service sub-district. One of the statistical problems in processing and analyzing big data is the possibility of finding missing values. To overcome this problem, it is necessary to carry out the imputation process to obtain complete data.
This study uses several evaluation metrics Silhouette coefficient, Dunn index, Davies-Bouldin index, and C-index to determine the optimal number of clusters formed. In addition, descriptive analysis and visualization of the clustering results are also used as considerations in selecting the optimal cluster.
The evaluation results obtained that the optimal method is hierarchical clustering with average linkage. This method produces three clusters: cluster 1 consists of 5 sub-districts that have a high/dominant mean value in almost all disease categories, cluster 2 consists of 26 sub-districts that have a medium mean value, and cluster 3 consists of 589 sub-districts that have a low mean value. Most of the members of clusters 1 and 2 are sub-districts located in the districts/cities around the national capital (DKI Jakarta) and the provincial capital (Bandung) while the members of cluster 3 are mostly sub-districts located in suburban districts/cities or far from the central government.
Strategic priorities for improving the quality of health services can be focused on sub-districts that fall into clusters 1 and 2. This is because clusters 1 and 2 have a pattern of disease incidence with moderate to high average values. In addition, in a narrower scope, efforts to improve health services can be aimed at industrial and urban areas because the dominant disease category (diseases of the respiratory system) is very high, as shown in the characteristics of cluster 1. Several things that can be done are by improving human resource capacity both infrastructure and medical personnel at each existing health facility. In addition, if possible, additional quality health facilities can be added so that the capacity of each health facility can be more evenly distributed and does not accumulate in certain places.
Trends in the incidence of the three disease categories studied in one year tend to be constant. One of the similar patterns that can be seen is the decrease in incidents during the month of Ramadan and Eid Al-Fitr, and then thereafter it increased dramatically. Forecasting the incidence of disease using the ELM and NNAR methods produces good predictions with MAPE values below 10%. The NNAR method produces better forecasting performance than ELM and is consistent across all measured datasets and metrics (MAPE, RMSE). | id |
