Sistem Informasi Kesehatan SATUSEHAT INA-CBGs Rekam Medis

Variabel & Metadata Kesehatan Nasional: Kamus Data, SATUSEHAT, INA-CBGs, dan Rekam Medis yang Wajib Kamu Kuasai!

Bayangkan 10.000 rumah sakit di seluruh Indonesia menyebut "tekanan darah" dengan format berbeda-beda — ada yang tulis "120/80", ada "120-80", ada "TD: 120". Chaos total, data tidak bisa dibandingkan, dan kebijakan kesehatan nasional jadi buta. Solusinya? Variabel dan metadata kesehatan nasional yang terstandarisasi. Inilah yang akan kita bedah habis-habisan hari ini!

34+

Provinsi Terhubung

FHIR R4

Standar SATUSEHAT

1.077+

Kelompok Tarif INA-CBGs

ICD-10/11

Standar Diagnosis

Halo, mahasiswa semester 4! Kamu sudah melewati dasar-dasar basis data — sekarang saatnya naik level ke dunia nyata. Di semester ini kamu mulai bersentuhan dengan sistem informasi kesehatan, dan ada dua kata kunci yang akan terus kamu temui: variabel dan metadata.

Dalam konteks variabel dan metadata kesehatan nasional, dua konsep ini bukan sekadar teori akademis. Mereka adalah tulang punggung dari ekosistem data kesehatan Indonesia — mulai dari platform SATUSEHAT milik Kemenkes, sistem pembiayaan INA-CBGs milik BPJS Kesehatan, hingga standar pencatatan rekam medis rawat inap dan rawat jalan di setiap fasilitas kesehatan.

Artikel ini akan membawa kamu memahami semua itu dengan cara yang masuk akal, disertai contoh nyata, tabel perbandingan, dan SQL schema yang bisa langsung kamu praktikkan. Siap? Let's go! 🚀

💡

FAKTA MENARIK — Mengapa Standarisasi Data Kesehatan Itu Darurat?

Menurut laporan WHO (2020) dalam dokumen Classification of Digital Health Interventions, lebih dari 70% data kesehatan di negara berkembang tidak dapat diintegrasikan antar sistem karena perbedaan format dan terminologi. Di Indonesia, sebelum era SATUSEHAT, seorang pasien yang berpindah dari Puskesmas ke RSUD bisa menjadi "orang baru" di sistem karena tidak ada standar identifikasi tunggal. SATUSEHAT hadir untuk memecahkan masalah fragmentasi data ini (Kemenkes RI, 2022).

Variabel & Metadata Kesehatan Nasional: Apa Bedanya dan Kenapa Harus Keduanya?

Sebelum masuk ke SATUSEHAT dan INA-CBGs, kita harus sepakat dulu soal dua konsep fondasi ini. Banyak mahasiswa yang mencampuradukkan keduanya — padahal mereka punya peran yang berbeda tapi saling melengkapi, seperti peta dan legenda peta.

📐 DEFINISI INTI — VARIABEL vs METADATA

Variabel Data

Elemen data yang merepresentasikan karakteristik yang dapat diukur atau diamati dari suatu entitas dalam sistem informasi. Dalam konteks kesehatan, variabel adalah apa yang dicatat — seperti tekanan darah, diagnosis, nama pasien, tanggal kunjungan.

CONTOH:

berat_badan, kode_diagnosis, tanggal_masuk

Metadata

"Data tentang data." Metadata mendeskripsikan karakteristik, konteks, dan aturan dari variabel data — tipe datanya apa, ukurannya berapa, siapa yang boleh akses, apa definisinya, dari mana sumbernya, dan kapan dibuat (NIEM, 2020).

CONTOH:

berat_badan → tipe: DECIMAL(5,2), satuan: kg, range: 0.5–500, sumber: pemeriksaan fisik

🎯 Analogi Santai: Kalau variabel adalah "kolom berat badan di tabel pasien", maka metadata adalah "label di laci arsip yang bilang: isi laci ini berupa angka desimal dalam satuan kilogram, diisi perawat saat admisi, tidak boleh kosong". Variabel menyimpan nilai; metadata menjelaskan maknanya.

📖 Kamus Data Nasional (National Data Dictionary)

Kamus data nasional adalah direktori terpusat yang mendokumentasikan seluruh variabel dan metadata yang digunakan dalam sistem informasi kesehatan suatu negara. Di Indonesia, Kemenkes RI mengembangkan kamus data ini sebagai bagian dari arsitektur Satu Data Kesehatan Indonesia yang diatur melalui Permenkes No. 24 Tahun 2022 tentang Rekam Medis Elektronik.

Setiap entri dalam kamus data nasional idealnya mencakup elemen-elemen berikut:

🗂️ Elemen Standar Kamus Data Kesehatan Nasional

Nama Variabel (Variable Name)

Identifikasi unik yang digunakan dalam sistem. Biasanya mengikuti konvensi snake_case. Contoh: tanggal_lahir_pasien

Definisi (Definition)

Penjelasan makna variabel secara operasional, tidak boleh ambigu. Contoh: "Tanggal lahir pasien sesuai dokumen identitas resmi yang berlaku"

Tipe Data & Format

Tipe data teknis dan format standar. Contoh: DATE, format ISO 8601 (YYYY-MM-DD)

Nilai yang Diizinkan (Allowed Values / Code List)

Daftar nilai valid atau range yang diperbolehkan. Contoh untuk jenis kelamin: "L" atau "P" mengikuti standar HL7 (administrative-gender)

Sumber Data & Wali Data (Data Steward)

Siapa yang bertanggung jawab atas akurasi variabel ini. Contoh: "Petugas admisi, diverifikasi dengan KTP/KK"

Standar Referensi (Reference Standard)

Terminologi atau kodifikasi internasional yang dipakai. Contoh: ICD-10-CM, SNOMED CT, LOINC, HL7 FHIR

Platform SATUSEHAT: Variabel & Standar Data Kesehatan Indonesia

SATUSEHAT (dulunya Indonesia Health Services / IHS) adalah platform integrasi data kesehatan nasional yang dikembangkan oleh Kementerian Kesehatan RI. Diluncurkan secara bertahap mulai 2022, SATUSEHAT bertujuan menjadi "rekam medis elektronik nasional" yang menghubungkan seluruh fasilitas kesehatan — dari Puskesmas terpencil hingga rumah sakit swasta di kota besar (Kemenkes RI, 2022).

Yang menarik buat kamu sebagai mahasiswa informatika: SATUSEHAT menggunakan standar internasional HL7 FHIR (Fast Healthcare Interoperability Resources) versi R4 sebagai fondasi arsitekturnya. Ini berarti setiap variabel data kesehatan harus didefinisikan sebagai FHIR Resource dengan metadata yang terstruktur dan terstandarisasi secara global.

🏗️ Arsitektur Data SATUSEHAT — Lapisan Demi Lapisan

🌐

LAPISAN STANDAR

HL7 FHIR R4, ICD-10, SNOMED CT, LOINC, ICD-9-CM Procedures

🔑

IDENTITAS UNIK

IHS Number (ID pasien nasional), NIK Dukcapil, kode faskes Kemenkes

📦

FHIR RESOURCES

Patient, Encounter, Observation, Condition, Medication, Procedure, AllergyIntolerance

🔗

API INTEGRASI

REST API, OAuth 2.0, JSON format, endpoint per resource FHIR

📋 Variabel Kunci SATUSEHAT — FHIR Resource: Patient & Encounter

Variabel FHIR	Nama Lokal	Tipe Data	Standar Nilai	Wajib (M/O)
Patient.identifier	IHS Number / NIK	string	IHS format / Dukcapil 16 digit	M
Patient.name	Nama Lengkap Pasien	HumanName	text (given + family)	M
Patient.birthDate	Tanggal Lahir	date	ISO 8601: YYYY-MM-DD	M
Patient.gender	Jenis Kelamin	code	male \| female \| other \| unknown	M
Patient.address	Alamat Pasien	Address	Termasuk kode wilayah Kemendagri	O
Encounter.status	Status Kunjungan	code	planned \| arrived \| in-progress \| finished \| cancelled	M
Encounter.class	Kelas Kunjungan	Coding	AMB (rawat jalan) \| IMP (rawat inap) \| EMER (UGD)	M
Encounter.diagnosis	Diagnosis Kunjungan	BackboneElement	Kode ICD-10 (WHO, 2019)	M

SATUSEHAT API — Contoh FHIR Patient Resource (JSON)

HL7 FHIR R4

{
  "resourceType": "Patient",
  "id": "P00001-RSUD-BDJ",
  "identifier": [
    {
      "system": "https://fhir.kemkes.go.id/id/ihs-number",
      "value": "10000000009"   // IHS Number unik nasional
    },
    {
      "system": "https://fhir.kemkes.go.id/id/nik",
      "value": "6371081507990001"  // NIK 16 digit
    }
  ],
  "name": [{
    "use": "official",
    "text": "Siti Rahayu Wulandari"
  }],
  "gender": "female",                  // HL7 gender code
  "birthDate": "1990-07-15",           // ISO 8601
  "address": [{
    "use": "home",
    "city": "Banjarmasin",
    "postalCode": "70111",
    "country": "ID"
  }]
}

🎯

TIPS — Cara Akses Dokumentasi Resmi SATUSEHAT

Kamu bisa akses panduan lengkap variabel dan API SATUSEHAT di satusehat.kemkes.go.id/platform. Di sana tersedia: (1) FHIR Profile Indonesia — versi lokal standar FHIR yang disesuaikan Kemenkes; (2) Postman Collection siap pakai untuk mencoba API; (3) Sandbox environment untuk testing tanpa data asli. Ini harta karun gratis buat proyek akhir semester kamu! Daftarkan organisasi kampus untuk mendapat akses sandbox.

INA-CBGs: Sistem Tarif & Variabel Klaim yang Wajib Kamu Mengerti

INA-CBGs (Indonesia Case Based Groups) adalah sistem klasifikasi pasien dan penetapan tarif pelayanan kesehatan yang digunakan dalam program Jaminan Kesehatan Nasional (JKN) yang dikelola BPJS Kesehatan. Sistem ini diadopsi dari konsep Diagnosis-Related Groups (DRG) yang dikembangkan oleh AS sejak 1983 dan telah diimplementasikan di lebih dari 30 negara (Ching-Sheng et al., 2018).

Cara kerja INA-CBGs sangat bergantung pada kelengkapan dan ketepatan variabel klinis yang diinputkan ke dalam sistem. Inilah mengapa mahasiswa informatika dan sistem informasi kesehatan wajib paham variabel apa saja yang menjadi input INA-CBGs — karena satu variabel yang salah bisa mengakibatkan klaim ditolak BPJS atau rumah sakit merugi ratusan juta rupiah.

⚙️ MEKANISME PENENTUAN TARIF INA-CBGs

INPUT VARIABEL KLINIS

Diagnosis Utama (ICD-10) + Diagnosis Sekunder + Prosedur (ICD-9-CM) + Usia + Jenis Kelamin + Lama Rawat

→

↓

GROUPER SOFTWARE

Software INA-CBGs memproses variabel input → mengelompokkan ke salah satu dari 1.077+ kelompok CBG berdasarkan algoritma DRG

→

↓

OUTPUT: KODE CBG + TARIF

Kode CBG (misal: 6-02-10-I) → Tarif tetap per episode pelayanan sesuai kelas RS dan regionalisasi (I, II, III)

→

📊 Variabel Input Wajib dalam Sistem INA-CBGs

Variabel INA-CBGs	Standar Koding	Dampak Jika Salah	Contoh Nilai
Diagnosis Utama	ICD-10 (WHO)	Tarif beda, klaim bisa ditolak	J18.9 (Pneumonia)
Diagnosis Sekunder	ICD-10 (WHO)	Severity level berubah	E11.9 (DM Tipe 2)
Prosedur Tindakan	ICD-9-CM Vol.3	Kode CBG berbeda total	87.41 (Rontgen Dada)
Lama Hari Rawat (LOS)	Bilangan bulat (hari)	Menentukan trim point	5 hari
Usia Pasien	Tahun / Hari (neonatus)	Subgrup CBG berbeda	45 tahun
Jenis Kelamin	L / P	Kasus tertentu (kebidanan)	P
Kelas RS & Wilayah	Kelas A/B/C/D; Region I-III	Tarif berbeda signifikan	Kelas B, Region II

🔬

INSIGHT PENTING — Upcoding vs Undercoding di INA-CBGs

Ada dua fenomena berbahaya terkait variabel INA-CBGs: Upcoding (mengkode diagnosis lebih berat dari kondisi sebenarnya demi tarif lebih tinggi) dan Undercoding (mengkode terlalu sederhana sehingga RS merugi). Keduanya adalah masalah kualitas data yang ujungnya adalah masalah etika dan hukum. Studi Thabrany (2014) menunjukkan sekitar 15-20% klaim JKN memiliki inakurasi koding yang berpotensi merugikan negara. Sebagai calon pengembang sistem, tanggung jawab kamu adalah membangun validasi data yang mencegah hal ini terjadi.

Metadata Rekam Medis: Rawat Inap vs Rawat Jalan — Bedanya di Mana?

Rekam medis adalah "berkas yang berisikan catatan dan dokumen tentang identitas pasien, pemeriksaan, pengobatan, tindakan, dan pelayanan lain yang telah diberikan kepada pasien" (Permenkes No. 24 Tahun 2022). Secara teknis database, rekam medis adalah kumpulan variabel terstruktur yang didefinisikan oleh metadata yang ketat.

Ada perbedaan mendasar antara metadata rekam medis rawat jalan (outpatient) dan rawat inap (inpatient) — terutama dalam hal kompleksitas, jumlah variabel, dan lamanya periode dokumentasi.

🚶

Rawat Jalan

(Outpatient / Ambulatory)

IDENTITAS PASIEN

No. RM, NIK, Nama, TTL, Alamat, No. HP, Jenis Kelamin

DATA KUNJUNGAN

Tanggal & Jam Kunjungan, Poli Tujuan, Kode Dokter, Cara Bayar, No. SEP BPJS

KLINIS

Keluhan Utama, Anamnesis, Vital Signs (TD, Nadi, Suhu, RR, SpO2), Pemeriksaan Fisik, Diagnosis (ICD-10), Terapi

PENUNJANG

Hasil Lab, Rontgen, Resep Obat, Rujukan (bila ada)

❌ TIDAK ADA: Kamar/Kelas, Dokter DPJP, Resume Medis, Persetujuan Tindakan

🏥

Rawat Inap

(Inpatient / Hospitalization)

IDENTITAS + ADMISI

Semua data rawat jalan + Tanggal Masuk, Kelas Perawatan, Nomor Kamar/Bed, DPJP, Sumber Rujukan

MONITORING HARIAN

Catatan Perkembangan Pasien Terintegrasi (CPPT) per shift, Vital Signs Periodik, Balans Cairan, Grafik Suhu

TINDAKAN & OPERASI

Laporan Operasi, Informed Consent, Anestesi Record (ICD-9-CM Procedures)

DISCHARGE & RESUME

Tanggal Keluar, Kondisi Pulang (sembuh/meninggal/APS/dirujuk), LOS, Diagnosis Final, Resume Medis, Tagihan INA-CBGs

✅ TAMBAHAN: Data lengkap untuk klaim INA-CBGs rawat inap

MySQL — Tabel Metadata Kamus Data Rekam Medis (Data Dictionary)

SQL DDL

-- Tabel ini MENYIMPAN METADATA dari setiap variabel rekam medis
CREATE TABLE kamus_data_rekam_medis (
    id_variabel       INT UNSIGNED NOT NULL AUTO_INCREMENT,
    nama_variabel     VARCHAR(100) NOT NULL UNIQUE,   -- Nama teknis (snake_case)
    label_variabel    VARCHAR(150) NOT NULL,           -- Label tampilan untuk UI
    definisi          TEXT NOT NULL,                   -- Definisi operasional
    tipe_data         VARCHAR(30) NOT NULL,            -- INT, VARCHAR, DATE, DECIMAL, dll
    panjang_field     VARCHAR(20),                     -- Misal: 100, 10,2 (untuk DECIMAL)
    satuan            VARCHAR(30),                     -- kg, mmHg, celsius, dll
    nilai_default     VARCHAR(100),                    -- Nilai default bila kosong
    nilai_minimum     VARCHAR(50),                     -- Batas bawah yang valid
    nilai_maksimum    VARCHAR(50),                     -- Batas atas yang valid
    daftar_nilai      TEXT,                            -- JSON array nilai valid (enum)
    standar_referensi VARCHAR(100),                    -- ICD-10, FHIR R4, LOINC, dll
    wajib_diisi       TINYINT(1) DEFAULT 0,            -- Boolean: 1=mandatory, 0=optional
    jenis_rm          ENUM('rawat_jalan','rawat_inap','keduanya') DEFAULT 'keduanya',
    sumber_data       VARCHAR(150),                    -- Siapa/apa yang mengisi variabel ini
    wali_data         VARCHAR(100),                    -- PIC / data steward
    dasar_hukum       VARCHAR(200),                    -- Regulasi yang mewajibkan variabel ini
    satusehat_element VARCHAR(100),                    -- Mapping ke FHIR resource.element
    inacbgs_field     VARCHAR(100),                    -- Mapping ke field input INA-CBGs
    created_at        TIMESTAMP DEFAULT CURRENT_TIMESTAMP,
    updated_at        TIMESTAMP ON UPDATE CURRENT_TIMESTAMP,
    PRIMARY KEY (id_variabel)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='Kamus Data Rekam Medis — Data Dictionary Fasyankes';

Contoh INSERT Data ke Kamus Data

SQL DML

INSERT INTO kamus_data_rekam_medis
  (nama_variabel, label_variabel, definisi, tipe_data, panjang_field,
   satuan, nilai_minimum, nilai_maksimum, standar_referensi,
   wajib_diisi, jenis_rm, sumber_data, dasar_hukum,
   satusehat_element, inacbgs_field)
VALUES
-- Variabel 1: Tekanan Darah Sistolik
('tekanan_darah_sistolik', 'Tekanan Darah Sistolik',
 'Nilai tekanan darah sistolik dalam mmHg, diukur menggunakan tensimeter',
 'SMALLINT', '6', 'mmHg', '50', '300',
 'LOINC: 8480-6', 1, 'keduanya', 'Perawat / Bidan',
 'Permenkes 24/2022 Pasal 5',
 'Observation.component.valueQuantity (LOINC 8480-6)',
 'vital_sign_sistol'),

-- Variabel 2: Diagnosis Utama (INA-CBGs)
('kode_diagnosis_utama', 'Kode Diagnosis Utama (ICD-10)',
 'Kode ICD-10 penyakit/kondisi utama yang menjadi alasan utama rawat inap',
 'CHAR', '8', NULL, NULL, NULL,
 'ICD-10 WHO (2019)', 1, 'rawat_inap', 'Dokter DPJP',
 'Permenkes 76/2016 (INA-CBGs)',
 'Condition.code (ICD-10)',
 'diagnosis_utama');

⚠️

JEBAKAN UMUM MAHASISWA — Metadata Bukan Dekorasi!

Sering kali mahasiswa saat membuat proyek basis data hanya fokus pada isi tabel dan melupakan dokumentasi metadata-nya. Akibatnya: database jadi, tapi tidak ada yang bisa menjelaskan "kolom X ini maksudnya apa?", "nilai valid-nya apa?", "siapa yang isi?". Ini disebut "orphaned data" — data yang kehilangan konteksnya. Di dunia profesional, database tanpa kamus data yang baik adalah technical debt mahal yang akan meledak di kemudian hari. Biasakan dari sekarang: setiap kolom yang kamu buat, dokumentasikan metadata-nya!

📚

REFERENSI & SUMBER VALID

Kementerian Kesehatan RI. (2022). Peraturan Menteri Kesehatan No. 24 Tahun 2022 tentang Rekam Medis Elektronik. Jakarta: Kemenkes RI.
Kementerian Kesehatan RI. (2022). Panduan Teknis Integrasi SATUSEHAT Platform. satusehat.kemkes.go.id
Kementerian Kesehatan RI. (2016). Permenkes No. 76 Tahun 2016 tentang Pedoman Indonesian Case Base Groups (INA-CBG) dalam Pelaksanaan JKN.
HL7 International. (2023). HL7 FHIR R4 Specification — Release 4. https://hl7.org/fhir/R4/
WHO. (2019). International Statistical Classification of Diseases and Related Health Problems (ICD-10) — 10th Revision. Geneva: World Health Organization.
WHO. (2020). Classification of Digital Health Interventions v1.0. Geneva: WHO.
Thabrany, H. (2014). Jaminan Kesehatan Nasional. Jakarta: Rajawali Press.
Ching-Sheng et al. (2018). "Implementation of Case-Based Payment Systems in Asia." Health Policy and Planning, 33(5), 595–603.
National Information Exchange Model (NIEM). (2020). NIEM Data Dictionary Specification v4.0. niem.gov

Kesimpulan: Variabel & Metadata Adalah DNA dari Sistem Informasi Kesehatan Nasional

Kamu sudah menyelesaikan perjalanan panjang — dari konsep dasar variabel dan metadata, sampai ke ekosistem nyata sistem informasi kesehatan nasional Indonesia. Selamat! 🎉 Ini bukan konten yang bisa diselesaikan dalam 5 menit scroll, dan kamu sudah melakukannya.

✦

Variabel adalah apa yang dicatat; metadata adalah aturan dan konteks tentang apa yang dicatat. Keduanya tidak bisa dipisahkan dalam sistem informasi yang serius.

✦

SATUSEHAT menggunakan standar HL7 FHIR R4 dengan identitas unik IHS Number untuk mengintegrasikan data kesehatan seluruh Indonesia — ini adalah masa depan yang sedang dibangun sekarang.

✦

INA-CBGs adalah bukti nyata bahwa variabel klinis yang tepat (diagnosis ICD-10, prosedur ICD-9-CM, LOS) berdampak langsung pada finansial rumah sakit dan keberlanjutan program JKN.

✦

Rekam medis rawat inap jauh lebih kompleks dari rawat jalan — ada dimensi waktu (LOS), monitoring periodik, tindakan invasif, dan resume akhir yang semuanya berperan dalam penentuan tarif INA-CBGs.

✦

Kamus data (data dictionary) adalah fondasi dari setiap sistem informasi yang maintainable — bukan formalitas akademik, tapi kebutuhan profesional nyata.

🚀 Aksi Nyata untuk Minggu Ini

1. Daftar akun di satusehat.kemkes.go.id — eksplorasi FHIR profile Indonesia yang tersedia secara gratis.
2. Buat tabel kamus_data seperti contoh SQL di atas dan isi minimal 10 variabel untuk sistem rekam medis yang sedang kamu pelajari.
3. Coba Postman — hit endpoint sandbox SATUSEHAT untuk melihat response FHIR JSON secara langsung. Ini pengalaman yang tidak akan kamu dapat dari buku teks manapun!

💬 Diskusi, Tanya, & Share Yuk!

Ada pertanyaan soal SATUSEHAT API, INA-CBGs, atau bingung mapping variabel ke FHIR? Tulis di kolom komentar — kita diskusi bareng! Kalau artikel ini membuka wawasan baru, share ke teman sekelas atau grup akademik kamu. Satu share bisa bantu banyak teman yang lagi bingung topik ini. 🙌

💬 Tulis Komentar 📤 Share Artikel 🔔 Subscribe Blog

#SATUSEHAT #INACBGs #MetadataKesehatan #RekamMedis #FHIRIndonesia #BasisData #SistemInformasiKesehatan #KamusData #JKN #KuliahInformatika

META DESCRIPTION (155 karakter)

Pelajari variabel & metadata kesehatan nasional: kamus data, SATUSEHAT FHIR, INA-CBGs, dan metadata rekam medis rawat inap & rawat jalan lengkap dengan SQL schema.