1 Executive Summary

3,333
Rumah Sakit
93.3%
Matched SIRS↔︎DREAMS
513
Kabupaten/Kota
38
Provinsi
297 M
Populasi BPJS 2024

Tentang laporan ini. Dataset menggabungkan hospital registry SIRS (identitas RS, kelas, kepemilikan, beds, tenaga) dengan DREAMS (Headcount nakes residen dan SIP izin praktik). Empat spesialisasi bedah bellwether: Anesthesia, General Surgery, Obstetri-Ginekologi, Orthopaedi. Level analisis: fasilitas → kabupaten → provinsi.

Metrik kunci:

  • HC = resident headcount (nakes tercatat tinggal/tetap di fasilitas)
  • SIP = Surat Izin Praktik per-fasilitas (bisa > HC kalau ada visiting specialist)
  • Gap = SIP − HC → ukuran visiting workforce / fragmentation
  • Coverage typology (per kabupaten per spesialisasi): Hub · Dependent · Self-contained · Underserved

2 Facility-Level Analysis

2.1 Cakupan Matching SIRS × DREAMS

Interpretasi: Exact = match sempurna (province + regency + nama RS normalisasi). Fuzzy = Levenshtein ≤5 & Jaro-Winkler ≤0.22. Manual override = koreksi nama web-verified. Placeholder = RS ada di sirs.kemkes.go.id tapi belum ter-scrape di hosp_list. Sirs_only = RS di SIRS tanpa counterpart DREAMS — nakes mengandalkan data SIRS. Dreams_unmatched = RS di DREAMS tapi tidak ketemu di SIRS (dikecualikan dari agregat).

2.2 Distribusi Kelas & Kepemilikan

2.3 Ketersediaan Nakes per Fasilitas

2.4 Visiting Workforce — Pola Coverage per Fasilitas

2.5 Top 20 RS dengan Nakes Bellwether Terbanyak

2.6 Pencarian Bebas — Seluruh Daftar RS

3 Kabupaten/Kota-Level Analysis

3.1 Coverage Typology per Spesialisasi

Hub (HC tinggi + gap tinggi): urban permit stacking, biasanya ibukota provinsi — visiting specialist numpuk di RS besar. Dependent (HC rendah + gap tinggi): kabupaten yang benar-benar mengandalkan visiting specialist. Self-contained (HC tinggi + gap rendah): workforce tinggal di daerah itu. Underserved (HC rendah + gap rendah): minim workforce di kedua ukuran — prioritas intervensi.

3.2 Scatter Gap Diagnostik — 4 Spesialisasi

3.3 HC Rate per 100k — Distribusi antar Kabupaten

3.4 20 Kabupaten Underserved Teratas

3.5 Ranking Kabupaten — Tabel Interaktif

4 Provinsi-Level Analysis

4.1 Ringkasan Provinsi

4.2 HC per 100k Antar Provinsi (4 spesialisasi)

4.3 Distribusi Coverage Typology per Provinsi

4.4 Provinsi dengan Proporsi Underserved Tertinggi

4.5 Gap SIP−HC per Provinsi

5 Metodologi & Catatan

5.1 Sumber Data

Sumber Isi Kekuatan Keterbatasan
SIRS (sirs.kemkes.go.id) Registry RS: identitas, kelas, ownership, beds, staff Data fasilitas komprehensif Update lambat, nama RS inkonsisten
DREAMS HC Headcount nakes per fasilitas (resident) Granular per-fasilitas Hanya ~RS terdaftar DREAMS
DREAMS SIP Izin praktik per fasilitas (bisa >1 per orang) Menangkap visiting specialist Tidak uniq per individu
BPJS Kepesertaan 2024 Populasi tertimbang per kabupaten Denominator terbaru Non-member BPJS tidak tertutup

5.2 Alur Integrasi (ringkas)

  1. Prep SIRS → agregasi beds (Kelas I/II/III, KRIS JKN) + staff regex per spesialisasi + level
  2. Prep DREAMS → HC + SIP di-lookup via sdmk_lookup, HC diprioritaskan lewat coalesce()
  3. Matching → prioritas Exact > Fuzzy (LV≤5, JW≤0.22, same province+regency) > Manual override > Placeholder SIRS ID
  4. Join → hosp_final berisi 3.333 RS; 184 sirs_only dan 38 dreams_unmatched
  5. Aggregasi → kabupaten (denominator BPJS 2024) → provinsi (sum of kabupaten)

5.3 Keterbatasan

  • Median-based typology → ambang bergeser per spesialisasi, sehingga perbandingan antar-spesialisasi hati-hati
  • Orthopaedi: SIP sparse (423 kab “Self-contained” karena gap=0), bukan benar-benar self-contained
  • dreams_unmatched (n=38) tidak masuk agregat kabupaten/provinsi
  • Populasi BPJS ≠ populasi total Indonesia

ARC8. Global Surgery Institute — Project 8.3 Timely Access to Surgical Care
Data pipeline: PrepData.qmd · Dataset: hosp_final_2026.rds, kab_coverage_2026.rds, kab_typology_2026.rds