JPKM
Jurnal Profesi Kesehatan Masyarakat https://jurnal.
stikes-bhm.
id/index.
php/jpkm Corresponding Author.
email address : syarifrhasibuan@upnvj.
Received : 8 Agustus 2025 Revised : 4 Maret 2026 Accepted : 20 April 2026 Narrative Review: Big Data BPJS Kesehatan untuk Penelitian dan Kebijakan Kesehatan Indonesia Syarif Rahman Hasibuan, 2Mahar Santoso, 3Ede Surya Darmawan Fakultas Kedokteran.
Universitas Pembangunan Nasional Veteran Jakarta.
Indonesia Pusat Sistem dan Strategi Kesehatan.
Kementerian Kesehatan.
Indonesia Departemen Administrasi dan Kebijakan Kesehatan.
Fakultas Kesehatan Masyarakat.
Universitas Indonesia.
Indonesia
ABSTRAK
Artikel ini menjelaskan struktur data, metodologi pembentukan sampel, dan cakupan variabel yang Selain itu, dijabarkan potensi penggunaannya untuk analisis utilisasi layanan kesehatan, tren penyakit, prediksi risiko, evaluasi kebijakan, serta estimasi beban kerja tenaga kesehatan.
Data sampel ini juga memiliki peluang besar untuk dikaji dalam konteks kepesertaan ganda dan pengembangan skema coordination of benefits (CoB), terutama dalam integrasi pembiayaan JKN dan asuransi kesehatan swasta di Indonesia.
Meskipun telah tersedia sejak 2019, pemanfaatannya dalam publikasi ilmiah masih terbatas dan belum terdokumentasi secara baku.
Artikel ini mengidentifikasi tantangan utama dalam pemanfaatan data dan memberikan rekomendasi untuk mendorong penggunaannya melalui pelatihan teknis, penguatan tata kelola data, dan kolaborasi riset lintas sektor.
Data ini memiliki potensi besar untuk menjadi sumber utama dalam penguatan sistem kesehatan nasional berbasis data di masa depan.
Kata kunci: BPJS Kesehatan.
Data Sampel.
JKN.
Big Data.
Kebijakan Kesehatan Berbasis Bukti
Narrative Review: Big Data from BPJS Kesehatan for Health Research and Policy in Indonesia
ABSTRACT
This article describes the datasetAos structure, sampling methodology, and the scope of available variables.
It also outlines its potential applications for analyzing healthcare service utilization, disease trends, risk prediction, policy evaluation, and estimating the healthcare workforce burden.
Furthermore, the dataset offers significant opportunities for research on dual coverage and the development of a coordination of benefit (CoB) scheme, particularly for integrating JKN and private health insurance financing in Indonesia.
Although available since 2019, its use in scientific publications remains limited and lacks standardized This article identifies key challenges in data utilization and provides recommendations to enhance its adoption through technical training, strengthened data governance, and cross-sector research The dataset holds considerable potential to become a cornerstone for strengthening IndonesiaAos data-driven national health system in the future.
Keywords: BPJS Health.
Sample Data.
JKN.
Big Data.
Evidence-Based Health Policy.
DOI : 10.
47575/jpkm.
773 | VOL.
7 NO.
1 APRIL 2026 | ISSN (Onlin.
: 2774-8502 | Page : 35-48 This Journal is licensed under a Creative Commons Attribution-ShareAlike 4.
0 International License.
Hasibuan dkk.
Narrative Review: Big Data BPJS Kesehatan untuk Penelitian PENDAHULUAN Perkembangan teknologi digital telah membuka peluang besar untuk memanfaatkan data administratif kesehatan sebagai sumber utama penelitian berbasis populasi (Ahn, 2.
Pada riset kesehatan, data administratif merujuk pada data yang dihasilkan sebagai produk sampingan dari proses administrasi program, seperti pencatatan kepesertaan, kunjungan serta klaim layanan kesehatan.
Data-data tersebut kemudian dimanfaatkan untuk tujuan penelitian dan evaluasi kebijakan.
Sementara itu, istilah big data digunakan untuk menggambarkan karakteristik data yang berskala besar, bersifat longitudinal, dan memerlukan kapasitas komputasi serta pendekatan analitik khusus untuk pengolahannya (Batko & olozak, 2.
Korea Selatan adalah salah satu contoh negara yang berhasil menjadikan data sistem jaminan kesehatan nasionalnya, yaitu National Health Insurance Database (NHID), sebagai tulang punggung berbagai studi epidemiologis, kebijakan kesehatan, dan pemodelan klinis berskala nasional (Lee dkk.
, 2017.
Lim & Jang, 2.
Keberhasilan ini dicapai melalui penyediaan data kohort berskala besar dan longitudinal, seperti NHIS-NSC dan NHIS-HEALS, yang mewakili populasi dan dilengkapi dengan variabel sosial-demografis, diagnosis, pelayanan kesehatan, hingga hasil skrining berkala (Kim dkk.
, 2.
Selama kurun waktu 2014Ae2019, terdapat lebih dari 500 publikasi ilmiah yang memanfaatkan data dari NHID dan HIRA Korea Selatan (Kim , 2.
Perlu dicatat bahwa pemanfaatan data perbandingan dengan Korea Selatan dalam artikel ini dimaksudkan sebagai ilustrasi potensi, bukan sebagai standar yang harus segera Terdapat perbedaan signifikan dalam hal kematangan infrastruktur data, ekosistem penelitian, serta integrasi data administratif ke dalam proses kebijakan antara kedua negara.
Korea Selatan telah membangun sistem data kesehatan nasional selama lebih dari dua dekade dengan dukungan regulasi yang kuat dan investasi berkelanjutan dalam kapasitas Indonesia, meskipun memiliki potensi serupa melalui cakupan JKN yang luas, masih dalam tahap awal pengembangan ekosistem penelitian berbasis data administratif.
Indonesia memiliki potensi besar melalui program Jaminan Kesehatan Nasional (JKN) yang diselenggarakan oleh BPJS Kesehatan.
Sejak 2014, program ini telah mencatat hampir seluruh interaksi pelayanan kesehatan masyarakat Indonesia.
Dalam mendukung pemanfaatan data ini untuk penelitian dan kebijakan.
BPJS Kesehatan mulai merilis data sampel peserta JKN sejak tahun 2019 (BPJS Kesehatan, 2.
Data ini kini mencakup informasi kepesertaan dan klaim pelayanan sejak 2015 hingga 2023, serta ditambahkan jenis data kontekstual untuk isu prioritas seperti Diabetes Mellitus.
Tuberkulosis.
Kesehatan Ibu dan Anak.
Kesehatan Mental, serta yang terbaru yaitu layanan pasien Covid-19 (BPJS Kesehatan, 2.
Struktur data ini bersifat longitudinal dan dirancang untuk mewakili seluruh wilayah Indonesia, dengan sistem pengambilan sampel berbasis rumah tangga dan stratifikasi wilayah serta pola pemanfaatan layanan (BPJS Kesehatan RI, 2.
Sebagai upaya mendorong pemanfaatan data.
BPJS Kesehatan telah menerbitkan dokumen teknis yang menjelaskan struktur, metodologi sampling, dan isi variabel secara rinci (BPJS Kesehatan RI, 2.
Namun, hingga saat ini belum tersedia tinjauan yang secara komprehensif mendeskripsikan struktur data ini sekaligus merefleksikan pengalaman penggunaannya dalam praktik penelitian.
Sebagian besar informasi yang tersedia bersifat teknis-normatif, sementara tantangan praktis yang dihadapi peneliti dalam mengakses dan menganalisis data belum banyak terdokumentasi.
Artikel ini bertujuan untuk menyajikan tinjauan deskriptif dan reflektif terhadap struktur, isi, serta peluang dan tantangan dalam pemanfaatan data ini.
Penelusuran literatur yang dilakukan bersifat indikatif untuk menggambarkan kondisi pe-manfaatan data saat ini, bukan sebagai evaluasi sistematis terhadap seluruh publikasi yang ada.
Dengan menyampaikan kekuatan dan keterbatasan data berdasarkan pengalaman penggunaan nyata, kami berharap dapat mem-berikan panduan praktis bagi peneliti dan pembuat kebijakan dalam mengoptimalkan potensi data sampel BPJS Kesehatan.
JPKM: Jurnal Profesi Kesehatan Masyarakat, 7.
2026: 35-48 | 37
METODE PENELITIAN
Kajian ini disusun menggunakan pendekatan narrative dan practical review, yaitu bentuk tinjauan yang menggabungkan dua komponen utama: .
komponen naratif, berupa sintesis dokumentasi teknis dan penelusuran serta .
komponen praktis, berupa refleksi pengalaman langsung penulis dalam mengakses dan menganalisis data sampel BPJS Kesehatan.
Komponen praktis berfungsi untuk mengidentifikasi tantangan teknis dan metodologis yang tidak selalu terdokumentasi dalam panduan resmi, namun krusial bagi peneliti yang akan memanfaatkan data ini.
Pendekatan serupa telah digunakan dalam berbagai studi untuk menilai kesesuaian dan kesiapan sumber data sekunder sebagai dasar analisis ilmiah (Antonelli dkk.
, 2020.
Shaffril , 2.
Komponen naratif dalam kajian ini bersumber dari dua jenis referensi.
Referensi utama yaitu dokumen teknis dari BPJS Kesehatan yang memuat penjelasan rinci mengenai metodologi pemilihan sampel, termasuk unit observasi, skema stratifikasi, serta metode pembobotan (BPJS Kesehatan RI, 2.
Berbagai artikel dari penelusuran literatur yang bersifat indikatif menggambarkan kondisi pemanfaatan data saat ini.
Penelusuran yang dilakukan bukan sebagai tinjauan sistematis terhadap seluruh publikasi yang ada.
Penelusuran literatur dilakukan pada tanggal 15 April 2025 melalui dua basis data ilmiah dengan rincian sebagai berikut: .
Basis data Scopus dengan menggunakan kata kunci AyBPJS KesehatanAy AND AydataAy, tanpa filter tambahan .
ahun, bahasa, atau jenis dokume.
Berdasarkan hasil pencarian diperoleh 73 .
Basis data Google Scholar dengan menggunakan kata kunci AyBPJS KesehatanAy AND Aydata sampelAy, mencakup seluruh jenis dokumen.
Berdasarkan hasil pencarian diperoleh 468 artikel.
Tujuan penelusuran adalah untuk memperoleh gambaran indikatif, sehingga pada pencarian tidak diterapkan kriteria inklusi Penelusuran Scopus Kata Kunci:
Google Scholar Kata Kunci:
AuBPJS KesehatanAy AND AudataAy Hasil: 73 AuBPJS Kesehatan AND Audata sampelAy Hasil: 468 artikel Seleksi Purposif Pemeriksaan abstrak dan metode untuk konfirmasi penggunaan data sampel BPJS Kesehatan Ekslusi publikasi yang hanya menyebut AuBPJS KesehatanAy atau Audata klaimAy tanpa konfirmasi menggunakan data Artikel yang Diperoleh Publikasi yang secara eksplisit menggunakan data sampel BPJS Kesehatan:
Artikel jurnal terindeks Scopus: A5 publikasi Tugas akhir .
kripsi/tesi.
: A30 dokumen Prosiding dan lainnya: A10 dokumen Catatan: Angka yang dihasilkan bersifat indikatif berdasarkan pemeriksaan artikel sesuai kriteria, bukan merupakan penghitungan untuk systematic literature review Gambar 1 Alur Penelusuran Literatur Hasibuan dkk.
Narrative Review: Big Data BPJS Kesehatan untuk Penelitian dan eksklusi.
Pemilihan publikasi untuk pembahasan dilakukan secara purposif dengan meninjau bagian abstrak dan metode untuk mengidentifikasi publikasi yang secara eksplisit menyatakan penggunaan data sampel BPJS Kesehatan.
Publikasi yang hanya menyebut AyBPJS KesehatanAy.
Aydata klaimAy, atau AyJKNAy tanpa konfirmasi penggunaan data sampel tidak dimasukkan dalam pembahasan utama, meskipun tetap dihitung dalam total hasil Alur penelusuran literatur disajikan pada Gambar 1.
Komponen praktis dalam kajian ini berasal dari pengalaman langsung penulis dalam mengakses dan menganalisis data sampel BPJS Kesehatan untuk berbagai proyek penelitian.
Pengalaman ini mencakup identifikasi isu kualitas data .
eperti nilai usia negatif akibat kesalahan pencatatan, inkonsistensi status kematian antara data FKTP dan kepesertaan, serta kelengkapan variabe.
, pemahaman terhadap struktur hierarkis data, dan tantangan teknis dalam penerapan bobot sampling.
Refleksi praktis ini menjadi pelengkap penting terhadap informasi yang tersedia dalam dokumentasi resmi.
Evaluasi dilakukan secara naratifreflektif, dan hasilnya dibahas dengan membandingkannya terhadap pemanfaatan data sampel di negara lain yang menerapkan sistem jaminan kesehatan nasional, khususnya Korea Selatan.
Perbandingan ini dimaksudkan sebagai ilustrasi potensi, dengan tetap mengakui perbedaan konteks infrastruktur data, ekosistem penelitian, dan integrasi kebijakan antara kedua negara.
Artikel ini tidak melibatkan data primer dari subjek manusia secara langsung, tidak menggunakan informasi identitas pribadi, serta hanya memanfaatkan data sekunder yang telah dianonimkan, maka tidak diperlukan persetujuan etik dari komite etik manapun.
HASIL DAN PEMBAHASAN
Struktur Data dan Variabel Data sampel BPJS Kesehatan terdiri atas lima jenis data utama yaitu .
data kunjungan fasilitas kesehatan tingkat pertama (FKTP) kapitasi.
data FKTP non-kapitasi dan tindakan.
data kunjungan fasilitas kesehatan rujukan tingkat lanjut (FKRTL).
data diagnosis sekunder pada kunjungan FKRTL.
Seluruh berkas ini bersifat longitudinal, mencatat riwayat pelayanan peserta dari tahun ke tahun, dan dapat digunakan untuk melacak tren maupun membentuk studi kohort retrospektif.
Setiap peserta memiliki kode unik yang merupakan nomor peserta yang sudah diacak untuk menjaga kerahasiaan data.
Untuk memberikan gambaran lebih sistematis.
Tabel 1 menyajikan klasifikasi ringkas variabel yang tersedia dalam data sampel berdasarkan kategori fungsional.
Data kepesertaan mencakup variabel demografi dan administratif seperti tanggal lahir, jenis kelamin, segmentasi peserta, kelas rawat, serta wilayah tempat tinggal.
Variabel wilayah dicatat dalam bentuk provinsi dan kabupaten/ kota, yang memungkinkan penggabungan Tabel 1 Struktur Variabel Data Sampel BPJS Kesehatan Kategori Variabel Variabel dalam Data Sampel BPJS Identifikasi peserta Jenis kelamin, usia, segmentasi peserta (PBI.
PBPU.
PPU.
BP) Pelayanan kesehatan Tanggal kunjungan, jenis layanan.
INACBG
Biaya dan klaim Tarif INA-CBG, jenis prosedur Lokasi Kota/kabupaten FKTP, domisili peserta Diagnosis CMG.
ICD utama, sekunder PBI
PBPU
PPU
INA-CBG
CMG
: Penerima Bantuan Iuran : Pekerja Bukan Penerima Upah : Pekerja Penerima Upah : Bukan Pekerja : Indonesia Case Based Group : Casemix Main Group Sumber: Data Primer Diolah JPKM: Jurnal Profesi Kesehatan Masyarakat, 7.
2026: 35-48 | 39 dengan data makro eksternal dari Badan Pusat Statistik.
Meskipun variabel seperti usia dan lama rawat inap tidak tersedia secara langsung, peneliti dapat mengkalkulasikannya dari kombinasi variabel tanggal lahir dan tanggal kunjungan .
ntuk usi.
, serta tanggal masuk dan keluar layanan .
ntuk length of sta.
Praktik semacam ini juga lazim digunakan dalam analisis data asuransi kesehatan di negara lain, seperti Korea Selatan (Kim dkk.
Isu Kualitas Data Struktur variabel dan label dalam data ini umumnya mudah dipahami, namun terdapat beberapa permasalahan teknis yang perlu diperhatikan dalam proses analisis.
Misalnya, ditemukan data dengan usia negatif sebagai akibat kesalahan pencatatan tanggal lahir atau tanggal kunjungan, serta variabel status perkawinan yang sering kali tidak terisi.
Dalam diagnosis, kode ICD Z kadang muncul tanpa diagnosis sekunder, menyulitkan identifikasi Ketidaksesuaian juga ditemukan antara status pulang meninggal di data FKTP dengan status hidup di data kepesertaan.
Selain itu, peserta dapat mengalami perubahan segmentasi dan kelas iuran dari tahun ke tahun, misalnya dari PBI ke PBPU atau sebaliknya, serta perpindahan antara kelas 1, 2, dan 3.
Pada data FKRTL, ditemukan kasus ketika kode INACBG mengindikasikan adanya prosedur, tetapi kolom jenis tindakan berdasarkan ICD9-CM tidak terisi, menimbulkan ambiguitas.
Metodologi Pengambilan Sampel dan Pembobotan Secara metodologis, pemilihan sampel dilakukan melalui stratified random sampling, dengan unit sampling utama adalah keluarga.
Stratifikasi didasarkan pada tiga kategori pemanfaatan layanan (FKTP.
FKRTL, dan tidak berkunjun.
, serta fasilitas layanan kesehatan tempat peserta terdaftar.
Desain ini menghasilkan stratifikasi hingga tiga kali jumlah FKTP dan satu keluarga diambil secara acak dari setiap strata.
Akibatnya, desain sampling bersifat tidak proporsional dan memerlukan bobot untuk menjamin representativitas (BPJS Kesehatan RI, 2.
Tahapan pemilihan sampel disajikan pada Tabel 2.
Pemilihan peserta dalam data sampel BPJS Kesehatan dilakukan secara bertahap berdasarkan tahun bergabungnya peserta ke dalam program JKN.
Terdapat dua subpopulasi utama dalam proses ini, yaitu .
peserta yang telah bergabung sebelum tahun perilisan data dan .
peserta baru yang mulai terdaftar sebagai peserta aktif pada tahun perilisan data Subpopulasi kedua mencerminkan peserta yang sebelumnya belum tercatat dalam sistem dan baru tercakup pada tahun terakhir periode data.
Hal ini mencerminkan strategi perluasan cakupan peserta, serta memungkinkan analisis longitudinal dan kohort baru secara lebih komprehensif.
Tabel 2 Tahapan Pemilihan Sampel dalam Dataset BPJS Kesehatan Tahap Proses Deskripsi Pembentukan Strata Peserta dikelompokkan ke dalam tiga tipe berdasarkan riwayat akses Strata 1: Pernah akses FKTP Strata 2: Pernah akses FKRTL Strata 3: Belum pernah akses layanan Unit sampling adalah keluarga, dipilih secara acak dari strata yang Unit Sampling telah dibentuk.
Unit Pengamatan Unit observasi adalah individu/ peserta dalam keluarga terpilih.
Pemberian Bobot Setiap individu diberikan bobot berdasarkan strata wilayah, kelompok usia, dan jenis kelamin, agar mewakili 1% populasi peserta JKN.
Sumber: Data Primer Dioah Hasibuan dkk.
Narrative Review: Big Data BPJS Kesehatan untuk Penelitian Pemberian bobot pada data sampel BPJS Kesehatan dilakukan untuk mengatasi potensi bias akibat peluang pemilihan sampel yang tidak merata antar kelompok.
Hal ini disebabkan oleh metode sampling yang digunakan, yaitu stratified random sampling.
Langkah pertama adalah menghitung bobot pada tingkat keluarga.
Dalam satu strata tertentu, misalnya terdapat 200 keluarga sebagai populasi, dan hanya satu keluarga diambil sebagai sampel.
Maka peluang keluarga terpilih adalah 1 dibagi 6.
ekitar 0,00.
, dan bobot yang diberikan kepada keluarga tersebut adalah kebalikannya.
Dengan kata lain, satu keluarga sampel mewakili 6.
200 keluarga dalam strata Proses ini diulang untuk setiap strata, sehingga bobot yang diberikan bervariasi tergantung pada ukuran populasi dalam strata Setelah bobot keluarga dihitung, tahap berikutnya adalah pemberian bobot individu, yaitu dengan mendistribusikan bobot keluarga kepada setiap anggota individu di dalam keluarga tersebut.
Misalnya, jika satu keluarga beranggotakan lima orang dan memiliki bobot keluarga 6.
200, maka masing-masing individu mewakili 6.
200 peserta .
engan bobot individu awal yang identi.
Langkah terakhir adalah penyesuaian bobot .
agar distribusi karakteristik individu dalam sampel lebih merepresentasikan struktur populasi peserta JKN secara nasional.
Penyesuaian dilakukan berdasarkan variabel penting seperti jenis kelamin, kelompok usia, dan segmen kepesertaan .
isalnya PBI.
PBPU, atau PPU).
Proses ini menghasilkan bobot akhir per individu yang digunakan dalam analisis untuk memperoleh estimasi yang representatif terhadap populasi.
Tahapan penentuan bobot sampel secara ringkas disajikan pada Tabel 3.
Sampai dengan periode rilis data terakhir, jumlah peserta dalam data sampel telah mencapai 2.
251 orang pada tahun 2023 (Tabel .
Setelah data dibersihkan dan menyisakan peserta yang hidup sampai 31 Desember 2023, jumlah peserta dalam data sampel tahun 2023 tercatat sebesar 2.
Setelah bobot diterapkan, estimasi total peserta JKN hidup berdasarkan data sampel 909 orang.
Angka ini sedikit lebih tinggi dibandingkan jumlah peserta JKN yang tercatat secara resmi oleh DJSN pada 31 Desember 2023, yaitu sebesar 267.
orang (Dewan Jaminan Sosial Nasional.
Perbedaan ini mengindikasikan bahwa proses pemberian bobot belum sepenuhnya dikalibrasi terhadap populasi rujukan terkini.
Hal ini tidak selalu menunjukkan kesalahan, tetapi menegaskan bahwa bobot dalam data sampel BPJS Kesehatan lebih cocok digunakan Tabel 3 Tahapan Pembobotan dalam Data Sampel BPJS Kesehatan Langkah Deskripsi Pembentukan strata Data dikelompokkan berdasarkan kombinasi FKTP dan kategori keluarga menurut riwayat akses layanan .
kses FKTP.
FKRTL, atau tidak perna.
Perhitungan bobot Bobot dihitung sebagai kebalikan dari peluang terpilihnya satu keluarga dalam strata tertentu.
Contoh: jika 1 dari 6.
200 keluarga dipilih, bobotnya adalah 6.
Distribusi bobot ke Bobot keluarga didistribusikan secara merata ke semua anggota keluarga yang terpilih.
Jika satu keluarga berisi lima orang dan bobot 200, maka masing-masing individu dianggap mewakili 200 peserta.
Penyesuaian bobot Dilakukan penyesuaian agar distribusi sampel individu mencerminkan populasi nasional berdasarkan jenis kelamin, kelompok usia, dan segmen kepesertaan (PBI.
PBPU.
PPU).
Penggunaan bobot Bobot akhir individu digunakan dalam analisis untuk menghasilkan estimasi yang representatif terhadap populasi peserta JKN.
Sumber: Data Primer Diolah JPKM: Jurnal Profesi Kesehatan Masyarakat, 7.
2026: 35-48 | 41 untuk estimasi proporsional dan inferensial, bukan untuk menghasilkan angka absolut populasi secara langsung tanpa penyesuaian Harapannya pada perilisan tahun-tahun berikutnya, penyesuaian bobot berbasis post-stratification terhadap sumber populasi resmi seperti BPJS Kesehatan.
DJSN atau Kementerian Dalam Negeri dapat meningkatkan akurasi representasi total.
Perbandingan jumlah peserta JKN dalam data sampel, estimasi berbobot, dan populasi riil disajikan pada Tabel 4.
Bobot dalam data sampel BPJS Kesehatan dihitung untuk memastikan bahwa peserta sampel mewakili struktur populasi peserta JKN berdasarkan strata wilayah, usia, jenis kelamin, dan segmen kepesertaan.
Namun, hingga saat ini belum tersedia penjelasan resmi atau validasi yang menunjukkan bahwa frekuensi kunjungan atau klaim yang dilakukan oleh peserta sampel juga merepresentasikan total utilisasi layanan pada tingkat populasi.
Oleh karena itu, analisis pada tingkat layanan .
unjungan atau klai.
perlu dilakukan dengan kehati-hatian dalam interpretasi, dan sebaiknya disertai pembandingan terhadap data agregat nasional jika tersedia.
Hal ini penting untuk menghindari generalisasi yang berlebihan terhadap pola pemanfaatan layanan berdasarkan data sampel (Lohr, 2.
Pemanfaatan Data Sampel BPJS Kesehatan untuk Publikasi Ilmiah Topik yang diangkat dalam publikasi yang secara eksplisit menggunakan data sampel BPJS Kesehatan umumnya berkaitan dengan analisis utilisasi layanan kesehatan berdasarkan diagnosis tertentu seperti tuberkulosis, diabetes melitus, dan hipertensi.
evaluasi dampak kebijakan seperti kapitasi berbasis kinerja.
serta studi mengenai perbedaan akses dan penggunaan layanan antar wilayah atau antar jenis fasilitas kesehatan tingkat pertama (FKTP).
Selain itu, terdapat pula studi yang mengeksplorasi penggunaan data untuk evaluasi layanan promotif dan preventif, serta analisis hubungan antara status kepesertaan dan pemanfaatan layanan rujukan atau rawat inap tingkat lanjut.
Beberapa publikasi yang terindeks di Scopus secara eksplisit mencantumkan penggunaan data sampel JKN, antara lain studi mengenai mortalitas rumah sakit, analisis clinical pathway menggunakan pendekatan process mining, dan evaluasi kelangsungan hidup pasien dengan diabetes melitus.
Juduljudul seperti AuBehind the Hospital Ward: InHospital Mortality of Type 2 Diabetes Mellitus Patients in Indonesia (Analysis of National Health Insurance Claim Sample Dat.
Ay (Darmawan et al.
, 2.
dan AuPotentials of Clinical Pathway Analysis Using Process Mining on the Indonesia National Health Insurance Data SamplesAy (Kurniati dkk.
, 2.
mengindikasikan bahwa pemanfaatan data ini telah mulai merambah pada metodologi yang lebih kompleks dan bersifat prediktif.
Meskipun belum dilakukan tinjauan sistematis terhadap isi penuh dari artikel-artikel tersebut, indikasi awal menunjukkan bahwa belum banyak publikasi yang membahas keterbatasan teknis atau metodologis dari data sampel BPJS Kesehatan.
Berdasarkan pengalaman pengguna dan pengamatan terhadap bagian metode beberapa artikel, tantangan yang umum ditemukan meliputi validitas kode diagnosis, nilai kosong pada variabel tertentu, serta keterbatasan variabel klinis dan perilaku.
Permasalahanpermasalahan ini sejalan dengan temuan dari literatur internasional terkait pemanfaatan data Tabel 4 Perbandingan Jumlah Peserta JKN dalam Data Sampel.
Estimasi Berbobot, dan Populasi Riil per 31 Desember 2023 Tahap Total sampel .
2023 Setelah eksklusi peserta wafat sebelum 31 Des 2023 Estimasi populasi berbobot .
idup per 31 Des 2.
Populasi JKN riil (DJSN, 31 Des 2.
Sumber: Data Primer Diolah Jumlah 42 | Hasibuan dkk.
Narrative Review: Big Data BPJS Kesehatan untuk Penelitian sampel kesehatan, sebagaimana dilaporkan dalam studi-studi mengenai database NHIS Korea Selatan (Song dkk.
, 2.
Hasil kajian ini menunjukkan bahwa meskipun data sampel BPJS Kesehatan memiliki struktur longitudinal, cakupan populasi yang luas, serta potensi yang besar untuk penelitian kesehatan publik, dokumentasi pemanfaatannya dalam literatur ilmiah nasional masih terbatas.
Sejauh ini, sebagian besar publikasi yang menyebutkan data sampel BPJS Kesehatan berfokus pada topik penyakit tertentu atau studi deskriptif utilisasi atau pemanfaatan layanan, namun belum banyak yang menjangkau metode prediktif, analisis spasial, maupun evaluasi kebijakan kesehatan berbasis data (Fatimah dkk.
, 2.
Potensi pemanfaatan data sampel BPJS Kesehatan dalam penelitian kesehatan berbasis data sekunder sangat luas dan belum tergarap Topik-topik yang direkomendasikan secara resmi oleh BPJS Kesehatan antara lain .
utilisasi layanan.
pola penyakit.
prediksi risiko.
angka readmisi, .
jenis dan .
efisiensi biaya klaim (BPJS Kesehatan, 2.
Ruang eksplorasi lainnya yang belum banyak dikembangkan di Indonesia meliputi analisis survival berbasis klaim, pengembangan model segmentasi risiko populasi JKN, evaluasi efektivitas biaya berbasis episode penyakit .
pisode-based costin.
, dan identifikasi rawat inap yang dapat dicegah .
reventable Selain itu, struktur data yang mencakup tanggal kunjungan secara spesifik meliputi hari, bulan, dan tahun memungkinkan pengembangan analisis berbasis waktu .
aylevel analysi.
Hal ini dapat dimanfaatkan, misalnya, untuk mengidentifikasi tren harian kejadian penyakit tertentu seperti demam berdarah dengue (DBD), influenza, atau penyakit kronis lainnya, menganalisis pola musiman penyakit, hingga melihat dampak langsung intervensi kebijakan terhadap volume kunjungan secara real-time.
Contohnya, analisis dapat menunjukkan lonjakan klaim DBD pada bulan-bulan tertentu yang konsisten dari tahun ke tahun, atau adanya penurunan kunjungan selama periode kebijakan pembatasan Data ini juga dapat digunakan untuk menghitung beban kerja tenaga kesehatan di FKTP dan FKRTL, memproyeksikan kebutuhan SDM berdasarkan klaim, mengevaluasi kesetaraan akses layanan secara geografis melalui integrasi dengan data spasial, serta menilai dampak reformasi kebijakan terhadap pola pelayanan secara kuasi-eksperimental.
Beberapa studi juga menunjukkan potensi integrasi data klaim dengan machine learning untuk membangun sistem prediksi pasien risiko tinggi atau pembiayaan katastropik.
Dengan cakupan data longitudinal, tersedia pula peluang besar untuk membangun kohort JKN yang memungkinkan analisis perubahan status peserta, switching segmen, atau transisi diagnosis kronis.
Keragaman potensi ini memperkuat posisi data sampel BPJS Kesehatan sebagai sumber utama dalam transformasi sistem kesehatan berbasis bukti di Indonesia, serta sebagai fondasi bagi penelitian populasi jangka panjang yang dapat diakui di tingkat internasional.
Pemanfaatan data sampel dari sistem jaminan sosial kesehatan di berbagai negara telah berkembang secara signifikan dan mencerminkan arah yang lebih strategis.
Di Taiwan, misalnya.
National Health Insurance Research Database (NHIRD) telah dimanfaatkan secara ekstensif untuk menghasilkan bukti dunia nyata dalam pengambilan keputusan klinis dan perumusan kebijakan publik.
Meskipun validitas kode diagnosis dan keterbatasan variabel non-klinis menjadi tantangan, upaya validasi metodologis dan integrasi dengan data rumah sakit telah meningkatkan ketepatan analisis dan cakupan temuan (Hsieh dkk.
Model ini diperkuat dengan kebijakan regulasi akses yang ketat namun terpusat, seperti Health and Welfare Data Center (HWDC), yang memungkinkan koneksi aman dan integrasi dengan lebih dari 70 basis data kesehatan lainnya.
Berbagai studi internasional telah menunjukkan bahwa pemanfaatan data klaim asuransi kesehatan nasional memerlukan dukungan kapasitas teknis yang memadai dalam hal perangkat lunak, pendekatan statistik, serta validasi data.
Di Korea Selatan, analisis berbasis data NHIS banyak meng- JPKM: Jurnal Profesi Kesehatan Masyarakat, 7.
2026: 35-48 | 43 gunakan teknik lanjutan seperti propensity score matching (PSM), inverse probability of treatment weighting (IPTW), analisis survival Cox, dan pendekatan kausal berbasis machine learning yang lebih fleksibel dalam mengatasi bias observasional (Kim, 2.
Sementara itu, di Taiwan, pemanfaatan data NHIRD ditingkatkan melalui validasi kode diagnosis dan integrasi data rumah sakit dengan teknik natural language processing dan kecerdasan buatan, yang membuka peluang studi multidimensi berbasis data besar (Hsieh , 2.
Di Jepang, studi menggunakan National Database (NDB) berfokus pada pemodelan pola pengobatan dan tren pelayanan kesehatan, meskipun keterbatasan dalam variabel klinis dan identifikasi pasien tetap menjadi tantangan yang diakui secara luas (Suto dkk.
, 2.
Pengalaman dari negaranegara ini menunjukkan bahwa pengembangan pemanfaatan data sampel BPJS Kesehatan di Indonesia juga memerlukan penguatan kapasitas analisis statistik lanjutan dan strategi validasi data yang sistematis.
Berbagai studi di Korea Selatan menggunakan data dari National Health Insurance Claims Database untuk menganalisis ketimpangan pelayanan kesehatan dan hasil klinis berdasarkan jenis kelamin, jenis asuransi, serta kondisi sosial-ekonomi.
Penelitian menunjukkan bagaimana perbedaan akses layanan kesehatan berdampak pada mortalitas rumah sakit akibat infark miokard (Hong & Kang, 2.
Di sisi lain, penelitian lain memanfaatkan data nasional untuk mengevaluasi tren penyakit kronis seperti migrain, beserta pilihan terapi dan implikasi biayanya dalam kebijakan kesehatan (Lee dkk.
Beragai artikel di jurnal internasional menunjukkan bahwa integrasi data lintas instansi, merupakan fondasi penting bagi ekosistem riset dan kebijakan berbasis bukti.
Australia melalui Multi-Agency Data Integration Project (MADIP) telah menggabungkan data populasi berskala nasional dari berbagai sumber seperti perpajakan, layanan sosial, dan kesehatan, yang secara aktif digunakan dalam perumusan kebijakan publik berbasis data longitudinal (Kindermann dkk.
, 2.
Selandia Baru melalui Integrated Data Infrastructure (IDI) bahkan mengintegrasikan data dari sektor kesehatan, pendidikan, perpajakan, hingga migrasi, sehingga memungkinkan evaluasi intervensi lintas sektor secara komprehensif (Atkinson & Blakely, 2.
Integrasi data tersebut dapat dijadikan contoh oleh Indonesia yang saat ini memiliki potensi besar melalui data JKN, namun belum sepenuhnya terintegrasi dengan sumber data lainnya.
Jika sistem informasi JKN dapat terhubung secara terstruktur dengan sumber data lainnya seperti data kependudukan (Dukcapi.
, data kematian, sistem surveilans penyakit, serta rekam medis digital dari sektor swasta dan penyedia asuransi kesehatan swasta, maka ekosistem riset akan menjadi jauh lebih kuat dan menyeluruh.
Selain itu, pengembangan skema coordination of benefit (CoB) antara JKN dan asuransi swasta tidak hanya berpotensi meningkatkan efisiensi pembiayaan dan keadilan akses, tetapi juga memperkaya sumber data untuk mengevaluasi segmentasi risiko, duplikasi layanan, dan efektivitas intervensi lintas sistem pembiayaan.
Hal ini akan membuka jalan bagi kolaborasi data publik-swasta yang aman, etis, dan berorientasi pada kepentingan sistem kesehatan nasional.
Negara-negara dengan sistem jaminan kesehatan nasional menunjukkan bahwa data klaim asuransi kesehatan digunakan tidak hanya untuk penelitian, tetapi juga secara langsung menjadi dasar pembuatan kebijakan Sebuah studi, menggunakan data dari NHIRD untuk mengidentifikasi tren penyakit dan beban ekonomi dari berbagai intervensi, termasuk terapi statin dan metformin (Shih dkk.
Salah satu hasilnya adalah kebijakan pengendalian biaya melalui pembatasan indikasi klinis dan negosiasi ulang harga untuk obat-obatan dengan volume tinggi.
Selain itu, hasil kajian terhadap drug reimbursement lag juga mendorong pemerintah Taiwan untuk mempercepat proses kompensasi terhadap obat antikanker dan imunomodulator agar tidak tertinggal dari negara maju lain seperti Jepang dan Inggris (Shih dkk.
, 2.
Data dari NHIS Korea Selatan, digunakan untuk mengidentifikasi variasi layanan berdasarkan karakteristik rumah sakit dan pasien (Kim dkk.
, 2.
Sebuah studi yang menganalisis perawatan rawat inap pasca Hasibuan dkk.
Narrative Review: Big Data BPJS Kesehatan untuk Penelitian fraktur pinggul di Jepang.
Korea, dan Taiwan menunjukkan disparitas signifikan dalam durasi rawat dan biaya perawatan, mendorong evaluasi ulang efisiensi rumah sakit dan penggunaan prosedur ortopedi invasif minimal di Korea (Kim dkk.
, 2.
Studi-studi semacam ini juga menjadi landasan dalam pengembangan sistem evaluasi rumah sakit nasional yang lebih berbasis luaran klinis.
Sementara itu di Jepang, data dari National Database of Health Insurance Claims and Specific Health Checkups (NDB) telah digunakan untuk memetakan variasi praktik klinis urologi antar prefektur.
Hasil temuan, yang menunjukkan ketimpangan akses terhadap operasi invasif minimal, seperti laparoskopi, telah mendorong Kementerian Kesehatan untuk menetapkan standar nasional dan mengembangkan sistem pelatihan terstruktur untuk dokter spesialis di wilayah dengan keterbatasan praktik (Sugihara dkk.
, 2.
Pengalaman negara-negara seperti Taiwan.
Korea Selatan, dan Jepang menunjukkan bahwa data administratif dari sistem jaminan kesehatan dapat menjadi fondasi penting dalam proses perumusan kebijakan publik yang berbasis bukti.
Refleksi terhadap konteks Indonesia menunjukkan bahwa data sampel BPJS Kesehatan memiliki potensi serupa, karena mencakup informasi longitudinal tentang kepesertaan dan pemanfaatan layanan pada skala populasi nasional.
Pemanfaatan data sampel BPJS Kesehatan yang optimal dapat mendukung pembuatan kebijakan untuk berbagai hal seperti, perbaikan alokasi pembiayaan, evaluasi efektivitas kebijakan rujukan, penghitungan kebutuhan tenaga kesehatan, hingga pemetaan ketimpangan layanan antarwilayah.
Untuk itu, penguatan kapasitas analitik, integrasi lintas sektor, dan penyusunan standar penggunaan data menjadi langkah penting agar data sampel tidak hanya menjadi sarana penelitian akademik, tetapi juga alat utama dalam transformasi sistem kesehatan Indonesia menuju arah yang lebih adil dan efisien.
Pembahasan ini juga perlu mencermati aspek representasi dalam struktur data sampel BPJS Kesehatan.
Meskipun unit analisis peserta telah dirancang untuk merepresentasikan sekitar 1% populasi peserta JKN melalui pendekatan stratifikasi dan pembobotan, masih terdapat keterbatasan dalam menjamin bahwa frekuensi dan intensitas kunjungan yang tercatat mencerminkan pola pemanfaatan layanan di populasi secara proporsional.
Hal ini menjadi krusial mengingat Indonesia memiliki karakteristik geografis yang sangat beragam serta ketimpangan distribusi fasilitas kesehatan yang dapat memengaruhi perilaku kunjungan Oleh karena itu, evaluasi lebih lanjut terhadap validitas representasi utilisasi layanan termasuk pada tingkat kunjungan atau klaim perlu menjadi agenda prioritas dalam pengembangan metodologi data sampel, agar analisis yang dihasilkan semakin akurat dan aplikatif bagi kebijakan.
Sebagai upaya untuk meningkatkan transparansi ilmiah dan memperkuat pengakuan terhadap sumber data nasional, setiap publikasi yang menggunakan data sampel BPJS Kesehatan sebaiknya secara eksplisit men-cantumkan pernyataan acknowledgement kepada BPJS Kesehatan sebagai penyedia Selain itu, diperlukan standar penulisan metodologi atau data citation yang konsisten, sehingga setiap artikel yang memanfaatkan data ini dapat dilacak secara sistematis, baik dalam pangkalan data jurnal maupun sistem Praktik semacam ini telah diterapkan secara luas di Korea Selatan dan Taiwan, di mana penulis menyertakan kode akses atau nama resmi database seperti AuNHISNSCAy atau AuNHIRDAy dalam bagian metode dan ucapan terima kasih.
Standarisasi ini tidak hanya membantu dalam mengakui kontribusi lembaga penyedia data, tetapi juga berperan penting dalam membangun reputasi sistem data nasional sebagai infrastruktur penelitian berbasis populasi.
Pengembangan pengguna data, dokumentasi teknis yang lebih rinci, serta integrasi dengan sumber data eksternal seperti survei nasional atau rekam medis elektronik akan sangat membantu dapat dilakukan dengan data sampel BPJS Kesehatan.
Selain itu, strategi nasional untuk membangun ekosistem penelitian data besar di bidang kesehatan, termasuk pelatihan peneliti JPKM: Jurnal Profesi Kesehatan Masyarakat, 7.
2026: 35-48 | 45 dan insentif publikasi berbasis data JKN, akan menjadi krusial dalam mendorong transformasi data menjadi kebijakan.
Sebagai bagian dari refleksi atas proses penulisan artikel ini, terdapat beberapa keterbatasan penting yang perlu disampaikan.
Penelusuran literatur dilakukan dengan kata kunci terbatas dan hanya menggunakan dua basis data ilmiah.
Pemeriksaan terhadap isi artikel dilakukan secara selektif, terutama pada bagian abstrak dan metode, tanpa evaluasi sistematis terhadap keseluruhan naskah.
Hasil pemetaan pemanfaatan data sampel BPJS Kesehatan yang disajikan bersifat indikatif, dan belum mencerminkan kajian bibliometrik yang komprehensif.
SIMPULAN
Data sampel BPJS Kesehatan merupakan aset strategis dalam mendukung pengembangan riset kesehatan berbasis populasi dan penyusunan kebijakan publik berbasis bukti di Indonesia.
Kajian ini menunjukkan bahwa meskipun data ini telah tersedia sejak 2019 dan dilengkapi dengan pedoman teknis yang memadai, pemanfaatannya dalam publikasi ilmiah dan proses kebijakan masih terbatas serta belum terdokumentasi secara sistematis.
Tantangan yang diidentifikasi meliputi keterbatasan kapasitas analitik, belum adanya standardisasi pelaporan pemanfaatan data dalam publikasi ilmiah, serta minimnya forum ilmiah yang secara khusus mendorong diseminasi hasil penelitian berbasis data ini.
Selain itu, masih terdapat isu teknis terkait representasi frekuensi kunjungan, kelengkapan variabel penting, dan ketepatan pembobotan terhadap populasi Kajian ini juga menyoroti peluang pemanfaatan data sampel untuk mengeksplorasi isu cakupan ganda kepesertaan asuransi .
ouble coverag.
dan skema coordination of benefit (CoB) antara BPJS Kesehatan dengan asuransi kesehatan swasta, yang menjadi isu strategis dalam tata kelola sistem pembiayaan kesehatan ke depan.
Potensi data ini dapat dioptimalkan melalui langkah konkret seperti peningkatan sosialisasi dan pelatihan teknis di kalangan akademisi, peneliti, dan pembuat kebijakan.
BPJS Kesehatan bersama Kementerian Kesehatan dapat memfasilitasi terbentuknya forum nasional atau konferensi tahunan untuk menampung pertukaran gagasan dan hasil riset berbasis data sampel.
Perguruan tinggi juga memiliki peran penting dalam mengintegrasikan analisis data administratif ke dalam kurikulum pendidikan kesehatan masyarakat dan kebijakan kesehatan, serta mendorong penggunaannya dalam tugas akhir dan disertasi mahasiswa.
Di samping itu, pengembangan sistem identifikasi publikasi yang menggunakan data ini, serta perluasan integrasi data lintas lembaga dan sektor, sangat Dengan langkah-langkah ini, data sampel BPJS Kesehatan dapat berkembang menjadi fondasi utama bagi transformasi sistem kesehatan nasional yang berbasis data, kolaboratif, dan responsif terhadap tantangan pembiayaan jangka panjang.
PUSTAKA ACUAN