Integrasi Data Epidemiologi dalam Pengambilan Kebijakan Kesehatan

Integrasi Data Epidemiologi dalam Pengambilan Kebijakan Kesehatan

Oleh: Andika, SKM., M.Epid

Pendahuluan

Dalam sistem kesehatan, pengambilan keputusan yang tepat dan efektif sangat penting untuk meningkatkan kualitas layanan dan efisiensi pengelolaan. Pendekatan berbasis bukti, yang menekankan penggunaan data ilmiah yang kuat dalam proses pengambilan keputusan, telah menjadi fokus utama dalam upaya perbaikan sistem kesehatan di Indonesia. Namun, tantangan seperti keterbatasan fasilitas, sumber daya yang terbatas, serta kemampuan pengumpulan dan analisis data yang tidak memadai masih menjadi hambatan dalam implementasi pendekatan ini (Zain et al., 2024).

Selain itu, era big data telah membawa perubahan signifikan dalam berbagai aspek kehidupan, termasuk bidang kesehatan. Pengumpulan, pengolahan, dan analisis data kesehatan dalam skala besar memiliki potensi untuk menghasilkan pengetahuan baru dan inovasi dalam pelayanan kesehatan. Namun, penggunaan data kesehatan pribadi dalam era big data juga menimbulkan berbagai tantangan hukum dan kebijakan di Indonesia. Tantangan tersebut mencakup pemahaman publik dan tenaga kesehatan yang rendah tentang regulasi perlindungan data pribadi, infrastruktur teknologi yang belum memadai, serta perlunya sinkronisasi dan integrasi antar berbagai peraturan dan kebijakan (Meher et al., 2023).​

Lebih lanjut, dalam konteks penyakit menular seperti demam berdarah dengue (DBD), pendekatan konvensional dalam seleksi penyebab DBD sering kali mengandalkan analisis deskriptif dan pengambilan keputusan manual yang cenderung memakan waktu dan rentan terhadap subjektivitas. Penerapan metode seperti Simple Additive Weighting (SAW) telah terbukti mampu meningkatkan akurasi seleksi faktor risiko hingga 92%, serta mempercepat proses analisis secara signifikan dibandingkan pendekatan sebelumnya, sehingga menjadi alat pendukung keputusan yang efektif dalam strategi mitigasi risiko DBD (Fajri & Hasdyna, 2023).​

Data epidemiologi memegang peranan krusial dalam perumusan kebijakan kesehatan yang efektif dan berbasis bukti. Namun, di Indonesia, tantangan signifikan muncul akibat disintegrasi data kesehatan yang masih terjadi di berbagai tingkatan, mulai dari pusat hingga daerah. Kondisi ini menghambat proses pengambilan keputusan yang tepat dan dapat berdampak pada kualitas kebijakan yang dihasilkan. Upaya integrasi data melalui penerapan aplikasi seperti DHIS2 telah dilakukan, namun implementasinya masih menghadapi berbagai kendala teknis dan non-teknis yang perlu diatasi untuk mencapai sistem informasi kesehatan yang terintegrasi dan andal (Saputro, 2021)

Selain itu, era big data membawa tantangan tambahan terkait perlindungan data pribadi dalam konteks kesehatan. Pengumpulan dan analisis data dalam skala besar berpotensi meningkatkan kualitas layanan kesehatan, namun juga menimbulkan risiko terhadap privasi individu. Di Indonesia, tantangan ini diperparah oleh pemahaman publik dan tenaga kesehatan yang masih rendah mengenai regulasi perlindungan data pribadi, serta infrastruktur teknologi yang belum memadai untuk mendukung pengolahan data berskala besar. Oleh karena itu, diperlukan penyesuaian regulasi dan peningkatan infrastruktur teknologi untuk memastikan bahwa pemanfaatan data epidemiologi dalam kebijakan kesehatan tidak mengorbankan hak-hak individu atas privasi (Meher et al., 2023)

Tulisan ini bertujuan untuk mengeksplorasi sejauh mana data epidemiologi digunakan dalam proses perumusan kebijakan kesehatan, mengidentifikasi tantangan yang dihadapi dalam integrasi data tersebut, serta memberikan rekomendasi strategis untuk optimalisasi penggunaannya. Dengan demikian, diharapkan Tulisan ini dapat berkontribusi pada peningkatan efektivitas dan efisiensi kebijakan kesehatan di Indonesia.

Peran Data Epidemiologi dalam Kebijakan Kesehatan

Data epidemiologi memegang peran krusial dalam pengambilan keputusan dan perumusan ​Data epidemiologi memainkan peran penting dalam pengambilan keputusan dan perumusan kebijakan kesehatan yang efektif. Analisis data ini memungkinkan identifikasi pola penyakit, faktor risiko, serta evaluasi efektivitas intervensi kesehatan, yang semuanya esensial untuk meningkatkan kualitas layanan kesehatan masyarakat. Misalnya, evaluasi kebijakan mutu layanan kesehatan dalam era Jaminan Kesehatan Nasional (JKN) di Provinsi DKI Jakarta menunjukkan bahwa pemanfaatan data sistem kesehatan dapat mengidentifikasi peningkatan klaim diagnosis hipertensi, sehingga menyoroti perlunya penyesuaian regulasi untuk pengendalian mutu dan biaya (Hasri & Djasri, 2021).​

Selain itu, integrasi data epidemiologi dalam sistem informasi kesehatan memungkinkan deteksi dini dan respons cepat terhadap wabah penyakit. Studi evaluasi cakupan imunisasi polio dan surveilans paralisis flaksida akut di Jawa Timur menekankan pentingnya pemantauan berbasis data untuk memastikan keberhasilan program imunisasi dan pencegahan penyakit (Tarawally et al., 2024).​

Di era transformasi digital, pemanfaatan big data dalam sektor kesehatan menjadi semakin penting. Analisis big data memungkinkan pengolahan informasi dalam jumlah besar dan beragam, yang dapat memperkuat upaya epidemiologi seperti surveilans penyakit dan penelitian epidemiologi. Platform seperti SATUSEHAT di Indonesia berperan sebagai ‘rumah’ bagi data kesehatan, mengintegrasikan berbagai data kesehatan untuk mendukung analisis dan pengambilan keputusan yang lebih tepat sasaran (Kementerian Kesehatan RI, 2024)

Model Integrasi Data Epidemiologi dalam Sistem Kesehatan

​Integrasi data epidemiologi dalam sistem kesehatan merupakan langkah strategis untuk meningkatkan efektivitas pengendalian penyakit dan perumusan kebijakan berbasis bukti. Pendekatan ini memungkinkan penggabungan informasi dari berbagai sumber, sehingga memberikan gambaran komprehensif mengenai situasi kesehatan masyarakat. Penerapan model integrasi data yang efektif telah terbukti memperkuat sistem surveilans dan respons terhadap berbagai tantangan kesehatan.​

Salah satu pendekatan yang digunakan dalam integrasi data adalah arsitektur Service-Oriented Architecture (SOA). SOA memungkinkan interoperabilitas antara berbagai sistem informasi kesehatan yang heterogen, sehingga memfasilitasi pertukaran data secara efisien dan mendukung pengambilan keputusan yang tepat waktu. Penelitian oleh Karanel dan Aarti (2011) menyoroti bahwa implementasi SOA dapat mengatasi tantangan integrasi dan sinkronisasi laporan dari berbagai unit surveilans ke dinas kesehatan. ​

Di Indonesia, upaya integrasi data epidemiologi juga menghadapi tantangan terkait fragmentasi sistem informasi dan kurangnya standar yang seragam. Analisis oleh Muslih, Rahmawan, dan Nurhendratno (2015) mengungkapkan bahwa desain pola struktur mapping schema dapat digunakan untuk sinkronisasi dan integrasi multidatabase terdistribusi dalam mengelola data epidemiologi. Hal ini menunjukkan perlunya pengembangan kerangka kerja integrasi data yang sesuai dengan konteks lokal.​

Selain itu, pemanfaatan big data dalam sistem informasi kesehatan telah menjadi tren yang signifikan. Studi oleh Rakhman et al. (2021) menyoroti peran big data dalam meningkatkan efektivitas manajemen dan pengambilan keputusan berbasis data dalam sistem informasi kesehatan. Namun, tantangan terkait perlindungan privasi dan keamanan data tetap menjadi perhatian utama dalam implementasinya.​

Hambatan dan Tantangan dalam Integrasi Data Epidemiologi

​Integrasi data epidemiologi dalam sistem kesehatan menghadapi berbagai hambatan dan tantangan yang kompleks. Salah satu tantangan utama adalah interoperabilitas antar sistem informasi kesehatan yang beragam. Perbedaan standar data dan format penyimpanan informasi antara fasilitas kesehatan menyebabkan kesulitan dalam pertukaran data yang efisien, sehingga menghambat koordinasi dan pengambilan keputusan yang tepat waktu (Huda et al., 2018).​

Selain itu, keamanan dan privasi data menjadi perhatian penting dalam integrasi data epidemiologi. Penyimpanan dan pertukaran data kesehatan yang sensitif memerlukan perlindungan yang kuat untuk mencegah potensi pelanggaran privasi pasien. Kurangnya penerapan protokol keamanan yang memadai dapat meningkatkan risiko akses tidak sah dan penyalahgunaan data (Keshta & Odeh, 2021).​

Tantangan lainnya adalah keterbatasan sumber daya manusia yang kompeten di bidang teknologi informasi kesehatan. Banyak tenaga kesehatan yang belum memiliki keterampilan yang diperlukan untuk mengoperasikan dan memelihara sistem informasi yang terintegrasi, sehingga menghambat proses implementasi dan operasionalisasi sistem tersebut (Darmiani et al., 2024).

Kurangnya standar yang seragam dalam pengelolaan data kesehatan juga menjadi hambatan signifikan. Fragmentasi sistem informasi kesehatan dan pencatatan data yang tidak lengkap menyulitkan pertukaran data yang efisien antar penyedia layanan kesehatan dan menyulitkan penyusunan kebijakan berbasis bukti (BitHealth, 2022).​

Strategi Optimalisasi Integrasi Data Epidemiologi dalam Kebijakan Kesehatan

Integrasi data epidemiologi yang efektif merupakan elemen krusial dalam pengambilan kebijakan kesehatan yang berbasis bukti. Untuk mencapai hal ini, diperlukan strategi optimalisasi yang komprehensif dan terstruktur. Salah satu pendekatan yang telah diterapkan adalah penggunaan District Health Information Software 2 (DHIS2) sebagai repositori data terintegrasi. Penelitian oleh Saputro (2019) di Dinas Kesehatan Daerah Istimewa Yogyakarta menunjukkan bahwa implementasi DHIS2 melalui tahapan sosialisasi, pelatihan, pengembangan, serta diseminasi dan evaluasi, mampu mengintegrasikan berbagai program kesehatan, meskipun masih menghadapi kendala teknis dan non-teknis yang perlu diatasi. ​

Di tingkat nasional, evaluasi penerapan konsep integrasi data menggunakan DHIS2 di Kementerian Kesehatan Indonesia mengungkapkan bahwa meskipun aplikasi ini dapat mengumpulkan data agregat dari berbagai sumber dan menyajikannya dalam bentuk dashboard, masih terdapat tantangan seperti ketiadaan kebijakan tertulis dan regulasi standar yang mengatur integrasi data. Hal ini mengindikasikan perlunya penguatan regulasi dan standar operasional dalam implementasi sistem informasi kesehatan terintegrasi. ​

Selain itu, WHO telah meluncurkan strategi baru pada Februari 2025 yang bertujuan memperkuat sistem informasi kesehatan rutin untuk pelayanan kesehatan primer dan cakupan kesehatan semesta. Strategi ini menekankan pentingnya sistem informasi kesehatan yang terintegrasi, interoperabel, dan berbasis bukti, dengan lima tujuan strategis dan intervensi terukur untuk meningkatkan pengumpulan, pelaporan, analisis, dan penggunaan data kesehatan di semua tingkatan

Implementasi dan Rekomendasi untuk Kebijakan Kesehatan Berbasis Data Epidemiologi

​Di Indonesia, integrasi data epidemiologi menjadi fokus utama dalam meningkatkan efektivitas pemantauan kesehatan masyarakat, deteksi dini penyakit, dan perumusan kebijakan berbasis bukti. Pemerintah, melalui Kementerian Kesehatan, telah mengembangkan berbagai sistem digital untuk menghubungkan data dari fasilitas layanan kesehatan, laboratorium, serta instansi terkait guna menciptakan ekosistem kesehatan yang lebih terintegrasi.

Implementasi platform SATUSEHAT oleh Kementerian Kesehatan merupakan langkah strategis dalam mengintegrasikan berbagai sistem informasi kesehatan melalui standardisasi dan integrasi rekam medis elektronik (Kementerian Kesehatan RI, 2025). Platform ini memfasilitasi pertukaran data kesehatan yang lebih efisien, memungkinkan analisis epidemiologi yang akurat untuk mendukung pengambilan keputusan kebijakan yang tepat sasaran.

Selain itu, kerja sama antara Kementerian Kesehatan dan Institute for Health Metrics and Evaluation (IHME) menekankan pentingnya pemanfaatan data epidemiologi dalam perencanaan kebijakan jangka panjang untuk mengantisipasi beban penyakit di masa depan (Kementerian Kesehatan RI, 2024). Pendekatan ini memungkinkan pemerintah untuk merancang intervensi kesehatan yang proaktif dan berbasis bukti.​

Indonesia juga memiliki berbagai sistem surveilans kesehatan yang dikembangkan oleh Kementerian Kesehatan untuk memantau dan mengendalikan penyakit. Beberapa sistem utama meliputi SKDR untuk deteksi dini penyakit menular, SISE sebagai sistem surveilans epidemiologi, serta SATUSEHAT untuk integrasi rekam medis elektronik. Ada juga SIHA untuk pemantauan HIV/AIDS, SISMAL untuk malaria, e-PPGBM untuk surveilans gizi, serta SR-PTM yang berfokus pada penyakit tidak menular. Selain itu, sistem seperti SP2TP mendukung pencatatan data di puskesmas, SIZOONS memantau zoonosis, SIVERE menganalisis vektor penyakit, SISPA melaporkan pneumonia dan ISPA, serta SIKLIM yang menilai faktor lingkungan terhadap kesehatan. Sementara itu, SIKK menangani kesiapsiagaan kesehatan dalam bencana, SIKJ mengelola data kesehatan jiwa, dan SIFARM digunakan untuk pemantauan efek samping obat. Semua sistem ini bertujuan meningkatkan respons kesehatan masyarakat dan dapat menjadi acuan dalam mendapatkan data untuk pembuatan kebijakan dalam bidang kesehatan di Indonesia

Lebih lanjut, penerapan metode Wastewater-Based Epidemiology (WBE) oleh Badan Riset dan Inovasi Nasional (BRIN) menawarkan peluang baru dalam pengendalian penyakit berbasis data real-time, membuka jalan bagi manajemen risiko yang lebih komprehensif dan responsif terhadap dinamika kesehatan masyarakat (BRIN, 2025).​

Berbagai negara di Dunia juga telah mengimplementasikan sistem integrasi data seperti di Amerika Serikat mengembangkan National Syndromic Surveillance Program (NSSP) yang dikelola oleh Centers for Disease Control and Prevention (CDC). Program ini mengumpulkan data real-time dari fasilitas layanan kesehatan untuk mendeteksi dan merespons wabah penyakit secara cepat. Informasi lebih lanjut mengenai NSSP dapat diakses melalui situs resmi CDC.​ Di Inggris, National Health Service (NHS) Digital mengintegrasikan data kesehatan dari berbagai sumber, termasuk rekam medis elektronik dan data surveilans epidemiologi. Sistem ini memungkinkan analisis tren penyakit dan mendukung pengambilan keputusan berbasis data. Detail mengenai NHS Digital tersedia di situs resmi NHS.​

China mengimplementasikan Integrated Disease Surveillance and Response (IDSR) yang menghubungkan data dari rumah sakit, laboratorium, dan pusat kesehatan masyarakat. Sistem ini berperan penting dalam deteksi dini dan respons terhadap penyakit menular. Informasi lebih lanjut dapat ditemukan melalui publikasi resmi dari otoritas kesehatan China.​ Sedangkan di India meluncurkan National Digital Health Mission (NDHM) yang bertujuan membangun ekosistem digital terintegrasi untuk data kesehatan. Inisiatif ini mendukung penggunaan rekam medis elektronik dan meningkatkan koordinasi layanan kesehatan. Detail mengenai NDHM dapat diakses melalui situs resmi Kementerian Kesehatan dan Kesejahteraan Keluarga India.​ Jerman mengoperasikan Robert Koch Institute (RKI) yang bertanggung jawab atas surveilans dan pencegahan penyakit. RKI mengintegrasikan data epidemiologi dari berbagai lembaga kesehatan untuk memantau dan menganalisis tren penyakit secara nasional. Informasi lebih lanjut tersedia di situs resmi RKI.​

Jepang memiliki National Institute of Infectious Diseases (NIID) yang mengelola sistem surveilans penyakit menular. NIID mengumpulkan dan menganalisis data epidemiologi untuk mendukung kebijakan kesehatan publik. Detail mengenai NIID dapat ditemukan di situs resminya.​ Brasil mengimplementasikan Sistema de Informação de Agravos de Notificação (SINAN) yang mengintegrasikan data penyakit yang wajib dilaporkan dari seluruh negeri. Sistem ini memungkinkan pemantauan dan respons cepat terhadap wabah. Informasi lebih lanjut dapat diakses melalui situs resmi Kementerian Kesehatan Brasil. Rusia mengoperasikan sistem surveilans epidemiologi yang dikelola oleh Rospotrebnadzor, badan pengawas perlindungan konsumen dan kesejahteraan manusia. Sistem ini mengintegrasikan data dari berbagai fasilitas kesehatan untuk memantau situasi epidemiologi nasional. Detail lebih lanjut tersedia di situs resmi Rospotrebnadzor.​ Kanada memiliki Canadian Network for Public Health Intelligence (CNPHI) yang menyediakan platform terpadu untuk pengumpulan, analisis, dan berbagi data epidemiologi di seluruh negeri. Sistem ini mendukung deteksi dini dan respons terhadap ancaman kesehatan masyarakat. Informasi lebih lanjut dapat ditemukan di situs resmi Badan Kesehatan Masyarakat Kanada.​

Integrasi data epidemiologi di negara-negara tersebut menunjukkan komitmen global dalam memanfaatkan teknologi informasi untuk meningkatkan kesehatan masyarakat khususnya dalam membuat kebijakan dalam bidang kesehatan.

Demikianlah artikel dengan judul Integrasi Data Epidemiologi dalam Pengambilan Kebijakan Kesehatan, jangan lupa baca artikel lain pada link berikut ini:

Waspadai PCOS yang dapat Menyerang Wanita, Apa Saja Tanda dan Gejalanya?

Sering Menahan Kencing? Hati-Hati, Bisa Sebabkan Infeksi Hingga Batu Ginjal

Pengkodean dalam Analisis Kualitatif Mudah, Efisien, Efektif dan Reliabel, NVivo Software Solusinya

Referensi:

Badan Riset dan Inovasi Nasional. (2025). Metode WBE Pantau Penyebaran Penyakit Berbasis Data Real-Time. Diakses dari https://www.brin.go.id/news/121851/metode-wbe-pantau-penyebaran-penyakit-berbasis-data-real-time

BitHealth. (2022). Tantangan Sistem Pelayanan Kesehatan di Indonesia. https://bithealth.co.id/news/tantangan-sistem-pelayanan-kesehatan/

Darmiani, S., Pratama, B. Y., Maulani, J., Islamy, B., Hidayat, T. A., & Paramarta, V. (2024). Tantangan integrasi rekam medis elektronik dengan sistem manajemen rumah sakit: Dampak pada keamanan data dan efisiensi biaya operasional—A systematic review. Jurnal Sosial dan Sains, 4(11), 1107–1116.

Fajri, T. I., & Hasdyna, N. (2023). Optimalisasi Pengambilan Keputusan dengan Metode Simple Additive Weighting (SAW) untuk Seleksi Penyebab Demam Berdarah. Syntax: Journal of Software Engineering, Computer Science and Information Technology, 5(2). https://doi.org/10.46576/syntax.v5i2.5538

Hasri, E. T., & Djasri, H. (2021). Evaluasi Kebijakan Mutu Layanan Kesehatan dalam Era JKN di Provinsi DKI Jakarta: Studi Kasus Hipertensi dengan Data Sistem Kesehatan (DaSK). Jurnal Kebijakan Kesehatan Indonesia, 10(3). https://doi.org/10.22146/jkki.62647

Huda, M. N., Rachmad, B., & Amulya, J. (2018). Health Information Systems (HIS): Trends, Challenges, and Benefits. Prosiding Seminar  Nasional, Universitas Muhammadiyah Semarang. https://prosiding.unimus.ac.id/index.php/semnas/article/download/1587/1590

Karanel, A., & Aarti, M. (2011). Desain Integrasi Data Antar Database Epidemiologi untuk Mendukung Sistem Surveilans. Jurnal Informatika Kesehatan, 8(2), 45-52. https://media.neliti.com/media/publications/171687-ID-desain-integrasi-data-antar-database-epi.pdf

Kementerian Kesehatan Republik Indonesia. (2024). Kemenkes dan IHME Kerja Sama Tingkatkan Kualitas Kebijakan Berbasis Data. Diakses dari https://sehatnegeriku.kemkes.go.id/baca/umum/20240911/5246457/kemenkes-dan-ihme-kerja-sama-tingkatkan-kualitas-kebijakan-berbasis-data/

Kementerian Kesehatan Republik Indonesia. (2025). SATUSEHAT: Ekosistem Data Kesehatan Indonesia. Diakses dari https://satusehat.kemkes.go.id/

Kementerian Kesehatan RI. (2024). Mengeksplorasi Potensi Big Data dalam Transformasi Epidemiologi di Indonesia. Resource CenterTransformasi Teknologi Kesehatan. https://rc.kemkes.go.id/mengeksplorasi-potensi-big-data-dalam-transformasi-epidemiologi-di-indonesia-6982b4

Keshta, I., & Odeh, A. (2021). Security and privacy of electronic health records: Concerns and challenges. Egyptian Informatics Journal, 22(2), 177–183.

Meher, C., Sidi, R., & Risdawati, I. (2023). Penggunaan Data Kesehatan Pribadi Dalam Era Big Data: Tantangan Hukum dan Kebijakan di Indonesia. Jurnal Ners, 7(2), 864–870. https://doi.org/10.31004/jn.v7i2.16088

Muslih, M., Rahmawan, E., & Nurhendratno, S. S. (2015). Desain Pola Struktur Mapping Schema untuk Sinkronisasi dan Integrasi Multidatabase Terdistribusi dalam Mengelola Data Epidemiologi. Techno. Com, 14(1), 62-71.

National Digital Health Mission. (2023). NDHM: Creating a Digital Health Ecosystem. Diakses dari https://ndhm.gov.in/

National Health Service. (2023). NHS Digital. Diakses dari https://digital.nhs.uk/

Prihantoro, B. (2018). Evaluasi Penerapan Konsep Integrasi Data Menggunakan DHIS2 di Kementerian Kesehatan. Journal of Information Systems for Public Health. https://doi.org/10.22146/jisph.33959

Rakhman, A., Sari, R. P., & Yulianto, A. (2021). Peran Big Data dalam Meningkatkan Efektivitas Sistem Informasi Kesehatan. Jurnal Informatika Medis, 12(1), 34- 35. https://www.researchgate.net/publication/387092848_Peran_Big_Data_dalam_Meningkatkan_Efektivitas_Sistem_Informasi_Kesehatan

Saputro, N. T. (2019). Integrasi Data Berbasis Program Kesehatan di Dinas Kesehatan Daerah Istimewa Yogyakarta. Journal of Information Systems for Public Health. https://doi.org/10.22146/jisph.44495

Tarawally, A., Hargono, A., Susanto, H., & Wulandari, W. (2024). Evaluation of Polio Immunization Coverage and Acute Flaccid Paralysis Surveillance in East Java, Indonesia, 2018-2022. Jurnal Berkala Epidemiologi, 12(3), 238–247. https://doi.org/10.20473/jbe.V12I32024.238-247

World Health Organization. (2025). WHO Menerbitkan Strategi Baru Penguatan Sistem Informasi Kesehatan Rutin untuk Pelayanan Kesehatan Primer dan Cakupan Kesehatan Semesta. https://www.who.int/indonesia/id/news/detail/18-02-2025-who-launches-new-strategy-to-strengthen-routine-health-information-systems-for-phc-and-uhc

Zain, N. S., Ulya, N., Wasir, R., & Istanti, N. D. (2024). Memanfaatkan Data untuk Meningkatkan Pengambilan Keputusan Berbasis Bukti dalam Sistem Kesehatan Indonesia. Afiasi: Jurnal Kesehatan Masyarakat, 9(1), 25–34. https://doi.org/10.31943/afiasi.v9i1.352