BUKU SAKU PETUGAS (Untuk Analisis Data Surveilans Hipertensi)

BUKU SAKU Untuk Analisis Data Surveilans Hipertensi PETUGAS

Penyusun: Arifah Sarwenda, SKM Program Magister Epidemiologi, Fakultas Kesehatan Masyarakat Universitas Indonesia Prof. Dr. dr. Ratna Djuwita, MPH Dosen Fakultas Kesehatan Masyarakat, Universitas Indonesia Bai Kusnadi, SKM,MPH Kepala Bidang Pencegahan dan Pengendalian Penyakit Dinas Kesehatan Kota Bogor Kontributor : Dinas Kesehatan Kota Bogor Seksi PTM dan Keswa Desain : Arifah Sarwenda Korespondensi : [email protected] BUKU SAKU PETUGAS UNTUK ANALISIS DATA SURVEILANS HIPERTENSI

Puji syukur kehadirat Tuhan Yang Maha Esa atas limpahan rahmat dan karunianya sehingga Buku Saku Petugas Untuk Analisis Data Surveilans Hipertensi telah dapat diselesaikan. Buku saku ini dibuat sebagai pegangan dan pedoman praktis bagi petugas PTM di tingkat Puskesmas dalam melakukan analisis data hipertensi yang merupakan salah satu fungsi pokok dalam sistem surveilans. Kami menyadari bahwa buku saku ini belum sempurna dan memerlukan penyempurnaan sesuai dengan kondisi yang dibutuhkan. Untuk itu kritik dan saran yang membangun sangat kami harapkan. Semoga buku saku ini dapat memberi maanfaat bagi semua pihak yang terkait serta kami ucapkan terima kasih kepada semua pihak atas bantuan dan kerjasamanya sehingga dapat diterbitkannya buku saku ini. KATA PENGANTAR Bogor, November 2023 Penulis

D A F T A R ISI Definisi Surveilans Tujuan dan Manfaat Surveilans Pengumpulan Data Pengolahan Data Analisis dan Interpretasi Data Diseminasi Informasi Analisis Data Deskriptif Variabel Orang (Person) Variabel Orang (Person) Variabel Orang (Person) konsep Rasio, Proporsi, Rate Konsep Indeks Kesakitan dan Kematian Definisi, Tujuan, Fungsi Pivot Table Best Practice Pivot Table Elemen-elemen Dasar Pivot Chart BAB I SURVEILANS BAB II UKURAN DASAR EPIDEMIOLOGI BAB III ANALISIS DATA HIPERTENSI BAB IV PENGOLAHAN DATA DENGAN PIVOT TABLE 32 34 36 39 22 25 28 29 30 31 1 2 4 6 17 19

BAB I SURVEILANS A. Surveilans Kesehatan Surveilans kesehatan adalah kegiatan pengamatan yang sistematis dan terus menerus terhadap data dan informasi tentang kejadian penyakit/masalah kesehatan dan kondisi yang mempengaruhi terjadinya peningkatan dan penularan penyakit/masalah kesehatan untuk memperoleh dan memberikan informasi guna mengarahkan tindakan pengendalian dan penanggulangan secara efektif dan efisien. B. Surveilans Penyakit Tidak Menular (PTM) Surveilans PTM merupakan kegiatan analisis secara sistematis dan terus menerus terhadap PTM dan faktor risikonya yang mempengaruhi terjadinya peningkatan PTM dan agar dapat melakukan tindakan penanggulangan secara efektif dan efisien. C. Surveilans Hipertensi Surveilans hipertensi dilaksana secara terintegrasi dan terpadu dengan sistem surveilans penyakit tidak menular utama lainnya. 1

Tujuan Surveilans PTM Mendeteksi dan tindak lanjut dini PTM dan faktor risikonya Memonitor trend penyakit Perencanaan dan evaluasi program/intervensi Memonitor progres pencapaian tujuan kegiatan Memonitor kinerja program Memperkirakan dampak penyakit 1. 2. 3. 4. 5. 6. Di tingkat Puskesmas Dasar perencanaan agar lebih terarah dan terukur Evaluasi berdasarkan evidence based PTM dapat ditindak lanjut secara dini. 1. 2. 3. Di tingkat kab/ Kota, Propinsi dan Pusat Dasar perencanaan agar lebih terarah dan terukur Evaluasi berdasarkan evidence based Program pengendalian PTM jadi tepat 1. 2. 3. Manfaat Surveilans PTM 2

Konsep Dasar Kegiatan Surveilans Konsep dasar kegiatan surveilans meliputi : pengumpulan data, pengolahan data, analisis data dan interpretasi data, umpan balik dan disseminasi yang baik serta respon yang cepat. Jenis Surveilans PTM Surveilans faktor risiko berbasis Posbindu PTM Surveilans kasus PTM di fasilitas kesehatan tingkat pertama (FKTP). 1. 2. Prinsip Umum Surveilans 3

1. PENGUMPULAN DATA Kualitas Pengumpulan Data Kelengkapan Data Ketepatan Waktu 3 komponen penting dalam pengumpulan data : Tahap ini merupakan tahap yang penting dalam peroses manajemen data, diharapkan dapat menghasilkan data yang berkualitas, yaitu relevan (sesuai dengan tujuan pengumpulan data), valid (terbebas dari kesalahan ekternal dan internal), reliabel (konsistensi hasil suatu alat menurut waktu dan orang), lengkap dan tepat waktu. Tingkat kelengkapan data yang sudah terkumpul harus jelas, karena menyangkut bobot terhadap informasi yang dihasilkan. Semakin lengkap data terkumpul akan semakin representatif untuk memberi gambaran sebenarnya, kelengkapan tersebut mencakup isi laporan (item pelaporan), semua jenis kegiatan, unit pelapor wilayah kerja. Semakin cepat data diperoleh maka akan semakin cepat pula kita dapat mengetahui atau mendeteksi permasalahan yang dihadapi. Biasanya untuk permasalahan yang sifatnya urgen dan memerlukan tindakan segera maka ketepatan waktu penerimaan data sifatnya mutlak; karena bila terlambat permaslahannya dikhawatirkan akan meluas dan mengancam banyak orang. 4

Formulir Pengumpulan Data Sumber Data Sebagian data diisi menggunakan formulir surveilans PTM di FKTP. Data berupa: data sosial, faktor risiko, jenis penyakit baik suspek maupun confirm menggunakan ICD-X, tatalaksana, data pemeriksaan penunjang, data rujukan, dan saran/tindak lanjut. Data diintegrasikan ke dalam SIPTM di FKTP. Form Registrasi dan e-form Posbindu PTM Form SIPTM Puskesmas Surveilans FR PTM => Survei (Riskesdas, SKRT, Susenas, Surkesda, dll), Posbindu PTM, pemeriksaan IVA & CBE, hasil wawancara dan pengukuran FR PTM di Puskesmas, dan Pemeriksaan laboratorium Surveilans Kasus PTM => SIKDA Generik, P-Care, dan Sistem surveilans Faktor Risiko PTM Berbasis Posbindu secara elektronik. 1. 2. 5

2. PENGOLAHAN DATA Pengolahan data merupakan landasan atau dasar dari tahapan kegiatan analisis berikutnya, sehingga dalam proses pengolahan data ini diperlukan ketekunan sekaligus kejujuran dalam mensikapi hasil yang diperoleh. Bila hasil pengolahan data menunjukkan adanya inkonsistensi, kita perlu melakukan pelacakan untuk mencari kejelasan atas terjadinya inkonsistensi tersebut, sekaligus berupaya mencari terapi untuk menjaga konsistensinya, misalnya melihat data dasarnya, melakukan klarifikasi pada sumbernya, dan sebagainya. Kompilasi/perekaman data Verifikasi data Transformasi/manipulasi data menjadi bentuk yang informatif Tujuan Pengolahan Data : 1. 2. 3. 6

Penyajian/Visualisasi Data CONTOH : Total kasus difteri yang diketemukan dan ditangani pada periode Januari-Desember 2017 di Puskesmas X, Kabupaten Y yaitu sebanyak 25 kasus, tidak ada kasus kematian pada saat kasus di rawat di rumah sakit ataupun 10 hari paska kepulangan (CFR = 0 %). Upaya penanggulangan yang telah dilakukan yaitu: penanganan kasus (pengobatan dan perawatan, isolasi kasus), penyelidikan epidemiologi, pemberian profilaksis kontak kasus, pengambilan dan pemeriksaan spesimen kasus kontak, edukasi kasus, keluarga dan masyarakat, penguatan cakupan imunisasi DPT, Td, DT, serta melakukan kajian untuk pelaksanaan ORI difteri. a. Teks Penyajian data menggunakan teks atau textular dilakukan dengan menjelaskan/mendeskripsikan data yang berupa angka baik data kategorikal, maupun data yang bersifat numerik menggunakan teks. Visualisasi data adalah proses menampilkan data yang telah melalui proses pengolahan ke dalam bentuk visual sehingga mudah dibaca dan dipahami. 7

b. Tabel Berupa informasi yang disajikan kedalam bentuk baris dan kolom, dan sebaiknya digunakan jika ingin meringkas informasi sehingga informasi tersebut menjadi nilai yang spesifik dan dapat dipahami dengan cepat dan mudah (Brown dan Saunders, 2008). Jenis dan contoh penyajian data menggunakan tabel : Tabel Induk Tabel Distribusi Frekuensi Tabel Silang 8

c. Grafik/Diagram/Chart Grafik atau graph sering dikenal dengan sebutan diagram maupun chart. Grafik atau diagram merupakan penyajian data kategorikal maupun numerik melalui sebuah gambar. Pembuatan grafik maupun diagram perlu memperhatikan persyaratanpersyaratan yang seharusnya dipenuhi agar data yang disajikan dapat dengan mudah dipahami dan menarik untuk disimak oleh yang membutuhkannya. Pemilihan jenis diagram atau grafik sangat penting dilakukan agar grafik yang dipilih tersebut tepat sesuai dengan data dan tujuan penyajiannya. Jenis penyajian grafik atau diagram: Bar Chart, pie chart, line diagram/chart, multiple line chart/diagram, scatter diagram, histogram, frequency polygon, grafik ogive, radar chart, box plot, stem and leaf plot, diagram lambing/pitogram, diagram peta. 9

Bar Chart/Diagram Batang Pie Chart/Diagram Lingkaran Menunjukkan frekuensi kejadian, dan kecenderungan trend satu variable dari waktu kewaktu (umumnya frekuensi disajikan secara vertikal dan periode waktu secara horisontal Menekankan kategori tertinggi dan terendah pd suatu variable (umumnya frekuensi disajikan secaravertikal dan kategori secara horizontal) Menunjukkan proporsi variable setiap kategori Apabila seluruh segmen persentasenya dijumlahkan akan mendapatkan 100% Sebaiknya segmen yang ada dalam pie chart tidak lebih dari delapan segmen. Sangat mudah untuk membandingkan segmen; semakin kecil proporsi dari segmen, maka warnanya dibuat semakin gelap. 10

Line Diagram/Chart Multiple Line Chart/Diagram Menunjukkan kejadian dari waktu kewaktu, dan kecenderungan yang digambarkan dalam sebuah garis; horizontal axis mempresentasikan waktu, sedangkan vertical axis menunjukkan frekuensi dan data values untuk periode waktunya menyatu pada sebuah garis. Penyajian data dengan multiple line chart hampir sama dengan line chart Namun perbedaannya adalah pada multiple line chart, membandingkan trend dua atau lebih variabel dari waktu ke waktu. 11

Scatter Diagram/Scatter Plot Histogram Menunjukkan hubungan dari dua variable. Satu variable dijadikan sebagai X – axis dan satu variable lagi digunakan sebagai Y – axis. Diagram ini digunakan pada statistik inferensial terutama correlation dan linier regression. Digunakan bila kita bermaksud menekankan nilai tertinggi dan terendah atau distribusi nilai untuk satu variable. Pada umumnya frekuensi normalnya disajikan secara vertical dan kategori disajikan secara horizontal. Menggunakan data yang skalanya bersifat kontinu (misalnya: data pengukuran berat badan, tinggi badan, kadar Hb, dll) 12

Frequency Poligon Grafik Ogive/Grafik Frekuensi Meningkat Penyajian data menggunakan frequency polygon hamper mirip dengan histogram. Pemilihan dimaksud untuk membandingkan perbedaan distribusi frekuensi, lebih mudah bila menggunakan frequency polygon dibandingkan dengan histogram. Memberikan sebuah perkiraan atau estimasi kasar dari bentuk distribusi. Grafik yang dibuat dari data tabel distribusi frekuensi kumulatif akan terbentuk grafik ogive dari perpotongan ogive kurang dari dan besar dari, akan didapatkan nilai yang tepat untuk letak dan besarnya nilai modus. 13

Radar/Spider/Start/Web Chart Box Plot Penyajian data statistik dari sebuah grup yang terdiri dari empat sampai enam variable kuantitatif selanjutnya dikomparasi terhadap data variable grup lainnya. Namun ada juga yang menyampaikan bahwa radar chart ini juga dapat digunakan untuk menyajikan tiga atau lebih variable kuantitatif. Digunakan untuk menunjukkan sebaran atau distribusi data penelitian. Box plot menyajikan nilai minimum, 1st quartile, median, 3 quartile, dan nilai maksimum. Dan juga dapat melihat distribusi data yang ekstrim (outlier). 14

Stem and Leaf Plot Diagram Lambang/Pictogram Digunakan untuk mengetahui frekuensi data yang dilengkapi dengan stem (batang) dan leaf (daun). Bagian pertama adalah nilai frekuensinya (f) yang diletakkan diletakkan paling kiri, selanjutnya diikuti dengan stem (ditengah) dan terakhir leaf (dibagian kanan). Sering digunakan untuk mendapatkan gambaran kasar sesuatu hal dan sebagai alat visual bagi orang awam yang digambarkan sesuai dengan objeknya. Misalnya untuk data mengenai jiwa, penduduk dan pegawai dibuat gambar orang. 15

Diagram Peta/Kartogram Peta adalah suatu gambaran dari unsur-unsur. Seperti unsur alam dan atau buatan manusia, yang berada di atas maupun di bawah permukaan bumi yang digambarkan pada suatu bidang datar dengan skala tertentu. Digunakan peta geografi tempat data terjadi. Dengan melukiskan keadaan dihubungkan dengan tempat kejadian. 16

3. ANALISIS DAN INTERPRETASI DATA Analisi Data Analisis data adalah proses mencari data, menyusun secara sistematis data yang diperoleh dari hasil wawancara, catatan lapangan, dan dokumentasi, dengan mengorganisasikan data kedalam kategori, menjabarkan kedalam unitunit, melakukan sintesis, menyusun kedalam pola, memilih mana yang penting atau yang akan dipelajari, dan membuat kesimpulan sehingga mudah dipahami oleh diri sendiri maupun orang lain (Sugiyono, 2018) . Interpretasi Data Interpretasi data adalah proses menguraikan pengumpulan data yang telah diolah. Data sebelumnya yang telah divisualisasikan berupa grafik, tabel, dan sejenisnya akan dijelaskan melalui proses yang dinamai interpretasi data. Makadari itu, interpretasi data dilakukan setelah peneliti melakukan analisis data (Sugiyono, 2018). Interpretasi data tidak dapat dipisahkan dari analisis data sehingga interpretasi juga merupakan hal yang saling terkait. 17

Pentingnya Analisis Data Analisis data merupakan bagian yang amat penting dalam metode ilmiah, karena dengan melakukan analisis, maka data yang sudah dikumpulkan dan diolah dapat diinterpretasikan, sehingga berguna dalam memecahkan masalah kesehatan / surveilans. Data surveilans kesehatan yang diperoleh kemudian dikelompok–kelompokkan, dikategorikan, dan dimanipulasi serta diolah sedemikian rupa sehingga mempunyai makna untuk menjawab masalah kesehatan /surveilans ataupun menguji hipotesis. Jenis analisis data : Analisis Deskriptif : untuk melihat deskripsi nilai – nilai suatu variable data berdasarkan orang, tempat, waktu. Analisis Analitik : untuk melihat hubungan antara variable terikat dengan variable bebas Langkah Analisis Data 18

4. DISEMINASI DAN UMPAN BALIK Hasil analisis dan interpretasi dibuat dalam bentuk laporan dan atau presentasi. Dikirimkan oleh unit penanggungjawab kepada jenjang struktural yang lebih tinggi, dari Puskesmas ke Dinkes kab/kota, dari Dinkes kab/kota ke Dinkes prov dan Kemenkes. Informasi dapat didiseminasikan dalam bentuk laporan tertulis maupun elektronik. Informasi dapat didiseminasikan kepada seluruh stakeholder yang terkait, seperti jajaran kesehatan, LSM, profesi, perguruan tinggi dan masyarakat pada umumnya. Memberikan umpan balik kepada sumber data dalam rangka perbaikan kualitas data. 1. 2. 3. 4. 5. 19

BAB II UKURAN DASAR EPIDEMIOLOGI Ada dua tipe pengukuran dalam epidemiologi : 1.Tipe Kuantitas Matematis 2.Tipe Kuantitas Epidemiologis 20

Ukuran Frekuensi Kesehatan 21

Konsep Rasio, Proporsi, dan Rate 1.Rasio Rasio merupakan angka perbandingan atau dapat diterjemahkan sebagai “dibanding dengan”. Jadi rasio adalah perbandingan suatu peristiwa (event) sebagai numerator (x) dan peristiwa lainnya yang tidak berhubungan sebagai denominator (y). Ratio juga digunakan untuk menyatakan besarnya kejadian. Rumus rasio sebagai berikut : Contoh Sex ratio penduduk pria terhadap wanita, misalnya: Jumlah Penduduk Laki-laki = 120.000 orang Jumlah Penduduk wanita = 125.000 orang Berarti rasionya adalah: 120.000 / 125.000 = 0,96 (artinyarasio penduduk laki – laki dengan penduduk perempuan hampir seimbang (mendekati angka 1). x = banyaknya kejadian/orang dengan kategori tertentu y = banyaknya kejadian/orang yang bukan anggota x. k = konstanta (1) 22

1.Proporsi Proporsi adalah bagian dari suatu peristiwa atau ukuran yang membandingkan suatu peristiwa sebagai numerator (x) dan peristiwa lainnya sebagai denominator (y) yang mengandung peristiwa numerator (x+y). Proporsi digunakan untuk melihat komposisi suatu variabel dalam populasi. Rumus proporsi sebagai berikut : Contoh Diketahui : Jumlah kasus hipertensi wanita = 60 Jumlah kasus hipertensi laki-laki = 40 Ditanya hitunglah proporsi kasus hipertensi pada wanita? Jawaban: Proporsi kasus hipertensi wanitanya adalah (60/100)x100%= 60% x = banyaknya kejadian/orang dengan kategori tertentu x+y = banyaknya kejadian/orang yang terjadi pada semua kategori kelompok data. k = konstanta (100) 23

1.Rate Rate adalah perbandingan antara jumlah suatu kejadian terhadap jumlah penduduk yang mempunyai risiko terhadap kejadian tersebut menyangkut interval waktu. Nilai rate mengukur kemungkinan kejadian dalam populasi terhadap beberapa peristiwa tertentu, misalnya kasus atau kematian karena penyakit infeksi. Rumus rate sebagai berikut : x/ [ x+y) x (waktu)]. Contoh Pada tahun 2004, ada 100 kasus demam berdarah di suatu kota A yg berpenduduk 1.250.000 orang. Berapa rate kasus demam berdarah di kota A ? Jawaban: 24

1.Indeks Kesakitan Digunakan untuk menggambarkan kejadian penyakit di populasi atau peluang (risiko) terjadinya penyakit. Indeks kesakitan terdiri dari insidensi dan prevalensi, namun pada penyakit kronis tidak dapat mengukur nilai insidensi. PREVALENSI Yaitu gambaran tentang frekuensi penderita lama dan baru yang ditemukan pada jangka waktu tertentu di sekelompok masyarakat tertentu. a. Angka prevalensi periode (Period Prevalence Rate) b, Angka Prevalensi poin (Point prevalence rate) Konsep Indeks Kesakitan dan Kematian Pada Penyakit Hipertensi 25

1.Indeks Kematian Angka kematianatau yang biasa disebut dengan 'Mortalitas' jumlah kematian yang terjadi dalam suatu populasi. Mortalitas merupakan istilah epidemiologi dan data statistik vital untuk kematian. Berikut ini jenis pengukuran mortalitas yang biasa digunakan pada penyakit hipertensi yaitu : CASE FATALITY RATE (CFR) Yaitu jumlah seluruh kematian karena satu penyebab penyakit tertentu dalam 1 tahun dengan jumlah penderita penyakit tersebut pada tahun yg sama. Untuk mengetahui penyakit-penyakit dg tingkat kematian yang tinggi. Contoh : Jumlah kematian akibat kanker payudara di RS A yang dirawat dengan penyakit yang sama sebanyak 112 orang. Berapa Case Fatality Rate penyakit tersebut? Jawaban : CFR = (56/112)X 100%= 50% 26

BAB III ANALISIS DATA PTM secara manual dan/atau dengan bantuan software Sistem Informasi Surveilans PTM faktor risiko dan kasus PTM dengan memperhitungkan jumlah penduduk dan estimasi kasus PTM di suatu wilayah pengukuran atau proporsi dari hasil pemeriksaan faktor risiko, kasus, dan cakupan kasus narasi, tabel, grafik, spotmaps, area map. analisis deskriptif: Orang (umur, JK, pendidikan, dll), tempat, dan waktu. Berdasarkan Petunjuk Teknis Surveilans Penyakit Tidak Menular (2015) Teknik Data Produk Penyajian Metode 27

ANALISIS DATA DESKRIPTIF Evaluasi tren kesehatan dan penyakit Dasar untuk membuat perencanaan, penyediaan, dan evaluasi pelayanan kesehatan. mengidentifikasi masalah yang akan dipelajari dengan metode analitik, dan menyarankan wilayah yang paling prioritas untuk dilakukan intervensi. Definisi Analisis deskriptif adalah salah satu analisis yang berkaitan dengan karakteristik jumlah dan distribusi kesehatan dan penyakit dalam populasi. Analisis deskriptif memberikan informasi berharga untuk pencegahan penyakit, perancangan intervensi, dan tnindakan tambahan. Manfaat 1. 2. 3. Tujuan Analisis deskriptif mengklasifikasikan adanya penyakit sesuai dengan variable orang (siapa yang terkena), tempat (dimana kondisinya terjadi), dan waktu (kapan dan selama periode berapa kondisi telah terjadi) 28

Variabel Orang (Person) 29

Variabel Tempat (Place) 30

Variabel Waktu (Time) 31

BAB IV PENGOLAHAN DATA DENGAN PIVOT TABLE Menyederhanakan data yang kompleks menjadi ringkasan yang lebih mudah dicerna. Memungkinkan pengguna untuk melakukan analisis cepat terhadap data besar dengan memilih, mengurutkan, dan merangkum informasi secara fleksibel. Merangkum data: Pivot Table memungkinkan pengguna untuk merangkum data dengan melakukan agregasi (seperti sum, count, average, etc.) berdasarkan kriteria yang ditentukan. Mempermudah analisis: Dengan Pivot Table, pengguna dapat dengan cepat menemukan pola, tren, atau perbedaan dalam data yang kompleks. Definisi Pivot Table Pivot table adalah suatu cara menganalisis data yang kompleks menjadi sederhana. Pivot Table merupakan alat analisis dalam spreadsheet yang memungkinkan pengguna untuk merangkum, menganalisis, dan menyajikan data dengan cara yang terstruktur dan mudah dipahami. Tujuan Pivot Table Fungsi Utama Pivot Table 32

Mengubah data mentah menjadi informasi yang berarti, Memungkinkan pengambilan keputusan yang lebih baik dalam analisis data. Dengan pemahaman yang kuat tentang Pivot Table, pengguna dapat: Kemampuan untuk mengubah tampilan data dengan cepat: Pengguna dapat dengan mudah memutar (pivot) baris dan kolom untuk melihat data dari berbagai sudut pandang. Kesederhanaan penggunaan: Meskipun dapat menangani data yang besar, Pivot Table memiliki antarmuka pengguna yang intuitif sehingga pengguna dari berbagai tingkat keahlian dapat menggunakannya. Keunggulan Pivot Table 33

Merupakan komponen utama dalam Pivot Table. Terdiri dari data yang ingin dianalisis dan diurutkan sesuai kebutuhan. Terdapat empat jenis field utama: Value Field (nilai), Row Field (baris), dan Column Berisi data yang ingin dihitung atau dirangkum (seperti rata-rata tekanan diastole /systole, ratarata usia pasien, dll.). Dapat berupa angka yang bisa dihitung menggunakan fungsi matematika seperti SUM, COUNT, AVERAGE, dll. Fields (Kolom) Value Field (Nilai) Elemen-elemen Struktur Dasar Pivot Table 34

Merepresentasikan dimensi atau atribut yang digunakan untuk mengelompokkan data. Row Field menentukan bagaimana data disusun secara vertikal, sedangkan Column Field menentukan susunan horizontal. Digunakan untuk menyaring atau memfilter data berdasarkan kriteria tertentu. Memungkinkan pengguna untuk melihat subset data yang relevan dalam Pivot Table. Row Field (Baris) dan Column Field (Kolom) Value Field (Nilai) 35

Periksa dan bersihkan data dari entri yang duplikat, nilai-nilai kosong (missing values), atau format yang tidak konsisten sebelum menggunakannya dalam Pivot Table. Pastikan bahwa data telah disusun dalam format tabel (Ctrl-T) yang rapi dan mudah dipahami. Pastikan setiap kolom memiliki judul yang jelas dan deskriptif agar memudahkan penggunaan dalam Pivot Table. Pastikan setiap baris data terdiri dari entri yang lengkap dan tidak ada kolom yang kosong. Pastikan tidak ada cell yang di merge. Pastikan setiap kolom memiliki judul yang jelas dan deskriptif agar memudahkan penggunaan dalam Pivot Table. Pastikan setiap baris data terdiri dari entri yang lengkap dan tidak ada kolom yang kosong. Pastikan tidak ada cell yang di merge. 1. Bersihkan Data 2. Buat Struktur Tabel yang Tepat 3. Normalisasi Data (Jika Diperlukan) Best Practice Penyiapan Data 36

Identifikasi data yang benar-benar relevan dan diperlukan untuk analisis yang akan dilakukan dengan Pivot Table. Terlalu banyak data dapat membuat analisis menjadi rumit dan kurang fokus. Pastikan bahwa data tanggal disimpan dalam format yang dapat diakses dengan mudah oleh Pivot Table. Hal yang sama berlaku untuk data numerik atau angka. Gunakan format yang konsisten untuk memastikan hasil perhitungan Pivot Table akurat. Kolom yang digabung atau sel kosong dapat menyulitkan Pivot Table untuk mengenali struktur data dengan benar. Pastikan setiap kolom dan baris memiliki data yang konsisten dan tidak terpisah oleh sel kosong. 4. Pilih Data yang Relavan 5. Gunakan Format Tanggal dan Angka yang Tepat 6. Hindari Kolom Gabungan (Merged Cells) dan Sel Kosong 37

Nama kolom yang singkat namun deskriptif akan mempermudah saat memilih kolom untuk dimasukkan ke dalam Pivot Table. Jika mungkin, bagi tabel data menjadi bagian yang lebih kecil atau buat subset data untuk fokus pada analisis tertentu. Data yang diambil untuk Pivot Table sebaiknya diperbarui secara berkala agar hasil analisis tetap relevan dengan keadaan terkini. 7. Buat Nama Kolom yang Singkat Namun Deskriptif 8. Hindari Tabel yang Terlalu Luas atau Terlalu Panjang 9. Perbarui Data Secara Berkala Bila kamu bingung memulai Pivot Table, mulailah dari value field dahulu. Fields yang terbaik untuk value fields adalah yang memuat angka. Fields lainnya (Bulan, Pasien, Lokasi) yang tidak memuat angka bukan yang terbaik untuk value field. 38

Pivot Chart merupakan alat yang digunakan untuk memvisualisasikan data yang sudah dirangkum dengan Pivot Table. Memungkinkan pengguna untuk dengan cepat memahami pola, tren, dan hubungan antar data dengan melihat grafik yang dihasilkan dari Pivot Table yang terkait. Dapat menciptakan visualisasi data yang dinamis dan terhubung dengan analisis Pivot Table yang Anda lakukan. PIVOT CHART Pivot Chart dapat digunakan untuk embuat Beragam Laporan dari Satu Tabel Pivot 39

Langkah Membuat Pivot Chart Pakai fitur “Show Report Filter Pages” Menyegarkan Data Laporan Ketika ada tambahan data, apakah perlu membuat ulang Tabel Analisis dan Pivot Chart nya? TIDAK, cukup dengan REFRESH data. Buat Filter Ke Menu PivotTable Analyze Pilih panah ke bawah di tombol Options 40

Sumber Data dan Laporan Analisis Dalam banyak kasus, menggunakan fitur Get Data juga memungkinkan penambahan sumber data baru atau pembaruan data dengan lebih mudah dan terorganisir. Menghindari Perubahan Tak Disengaja pada Sumber Data Kejelasan dan Keamanan Data Konsistensi dan Replikabilitas Fleksibilitas dalam Pengolahan dan Pemrosesan Data Ada Power Query Editor untuk Transformasi Data Kinerja dan Optimalisasi Mengurangi kolom yang tidak diperlukan 41 Memisahkan antara sumber data dan laporan analisis dengan menggunakan fitur Get Data adalah praktik yang sangat direkomendasikan. Ini disebut sebagai prinsip Extract-Transform-Load (ETL) dalam pengolahan data. Keuntungan Memisahkan Sumber Data dan Laporan Analisis :

Buka File Baru Klik “Data” di menu utama Klik “Get Data” Pilih “From File” Excel Extract-Transform-Load Fitur Get Data Fitur Power Query Editor 42

Load ke “Data Model” 43 Nama Kolom Baru: Kategori Usia dari kolom Usia Usia 45-54 tahun Usia 55-64 tahun Usia 65-74 tahun Buat Kolom Data Baru dg Power Query Nama Kolom Baru: Tanggal Perekaman dari kolom Bulan Untuk Timeline Slicer

44 Tambahkan Data di File Sumber Data Buka File Laporan Klik Data Klik Refresh All. CARA: 1. 2. 3. 4. Refresh/Penyegaran Data Yaitu bahasa ekspresi Rumus atau Formula Paling Populer adalah Rumus “Calculate” Fungsi CALCULATE digunakan untuk mengevaluasi ekspresi dalam konteks filter yang dimodifikasi. Ekspresi yang akan dievaluasi diberikan sebagai parameter pertama. Filter yang digunakan untuk memodifikasi konteks filter diberikan sebagai parameter kedua dan seterusnya. Filter dapat berupa ekspresi boolean atau ekspresi tabel yang menentukan filter, atau fungsi pengubah filter. DAX (Data Analysis Expression) DAMPAK: Penyegaran data, berdampak pada semua table pivot dan pivot chart.

45 CALCULATE(<expression> [, <filter1> [, <filter2> [, …]]]) # Pasien Hipertensi = CALCULATE(COUNTROWS(DataKesehatan), DataKesehatan[Hipertensi]=“Ya”) Membuat Measure: “Pasien Hipertensi”

46 # Hipertensi = CALCULATE(COUNTROWS(DataKesehatan), DataKesehatan[Hipertensi]="Ya") Membuat Measure: “Pasien Hipertensi”