Evaluasi Pencatatan dan Pelaporan Sistem Informasi Kesehatan Ibu dan Anak (KIA) Berdasarkan Kematangan Digital Di Dinas Kesehatan
Bibliographic record
Abstract
Latar Belakang: Salah satu target Sustainable Development Goals yaitu penurunan Angka Kematian Ibu hingga kurang dari 70 per 100.000 kelahiran hidup pada tahun 2030. Tahun 2021 tercatat 42 kasus kematian ibu di Kabupaten Bantul, dan merupakan kasus tertinggi dalam lima tahun terakhir. Peraturan Bupati Bantul nomor 38 tahun 2021 Tentang Percepatan Penurunan Angka Kematian Ibu dan Bayi di Kabupaten Bantul, fasyankes berkewajiban melakukan pencatatan dan pelaporan pada sistem informasi kesehatan ibu dan anak, serta website kesehatan keluarga. Pemanfaatan sistem infromasi dapat mengantisipasi keterlambatan penanganan ibu hamil dan nifas. Salah model evaluasi sistem yaitu penilaian tingkat kematangan digital untuk mengidentifikasi gap serta menentukan rencana perbaikan menggunakan kerangka kerja Stages of Continuous Improvement (SOCI). Tujuan: Mengidentifikasi pencatatan dan pelaporan sistem informasi kesehatan ibu dan anak berdasarkan kematangan digital, kualitas data, serta pemanfaatan informasi guna pengambilan keputusan mendukung program penurunan Angka Kematian Ibu (AKI) di Dinas Kesehatan Kabupaten Bantul. Metode: Penelitian ini merupakan penelitian deskriptif, menggunakan rancangan studi kasus dengan metode analisa kualitatif. Subyek penelitian ditentukan dengan purposive sampling berjumlah 9 (sembilan) orang terdiri dari pemangku kepentingan, pengelola sistem informasi, pengelola sistem informasi kesehatan ibu dan anak, serta bidan puskesmas di lingkup Dinas Kesehatan Kabupaten Bantul. Hasil: Nilai rata-rata DMI di Dinas Kesehatan Bantul yaitu 2,36, sehingga masuk dalam rentang level 2 (repeatable). Komponen kepemimpinan dan tata kelola, regulasi masih sebatas melakukan pencatatan dan pelaporan, belum ada sanksi bagi faskyankes yang tidak melakukan input data. Komponen manajemen sumber daya, masih miminnya SDM dengan latar belakang IT serta keterbatasan anggaran pengembangan sistem. Komponen infrastruktur pendukung TIK, akses SIPIA yang seringkali mengalami kendala. Komponen standar dan interoperabilitas data, aplikasi SIPIA belum terintegrasi dengan sistem lainnya. ID unik, master data fasilitas pelayanan kesehatan dan registrasi tenaga kesehatan yang ditetapkan kemenkes belum diimplentasikan. Kualitas dan penggunaan data SIPIA masih belum bagus. Masih terdapat duplikasi data, kelengkapan pengisian modul yang kurang, serta adanya perbedaan data antara SIPIA dan webkesga. Pemanfaatan data oleh pemangku kebijakan diluar sektor kesehatan masih kurang. Aplikasi SIPIA dinilai relevan, dan dapat digunakan untuk pengambilan keputusan. Kesimpulan: Integrasi SIPIA dengan aplikasi lain dengan cara bridging menggunakan prinsip interoperabilitas, serta penguatan komitmen bagi tenaga kesehatan di faskes dan penangku kebijakan untuk mencapai ketersediaan data yang akurat, relevan, dan tepat waktu.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.004 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.008 | 0.004 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.027 | 0.004 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".