Penerapan Analisis Gerombol Untuk Profil Kesehatan Ibu dan Anak di Provinsi Sumatera Utara Tahun 2011

(1)

PENERAPAN ANALISIS GEROMBOL UNTUK PROFIL KESEHATAN IBU DAN ANAK DI PROVINSI SUMATERA UTARA

TAHUN 2011

SKRIPSI

Oleh :

SURYATI NIM. 081000028

FAKULTAS KESEHATAN MASYARAKAT UNIVERSITAS SUMATERA UTARA

MEDAN 2012

(2)

PENERAPAN ANALISIS GEROMBOL UNTUK PROFIL KESEHATAN IBU DAN ANAK DI PROVINSI SUMATERA UTARA

TAHUN 2011

SKRIPSI

Diajukan SEbagai Salah Satu Syarat Untuk Memperoleh Gelar Sarjana Kesehatan Masyarakat

Oleh : SURYATI NIM. 081000028

FAKULTAS KESEHATAN MASYARAKAT UNIVERSITAS SUMATERA UTARA

MEDAN 2012

(3)

(4)

ABSTRAK

Masalah Kesehatan Ibu dan Anak (KIA) merupakan masalah nasional yang perlu mendapat prioritas utama karena sangat menentukan kualitas sumber daya manusia (SDM) pada generasi mendatang. Tingginya angka kematian ibu dan anak tersebut menunjukkan bahwa pelayanan KIA sangat mendesak untuk ditingkatkan, baik dari segi jangkauan maupun kualitas pelayanannya. Untuk menggambarkan cakupan pelayanan KIA tersebut berdasarkan wilayah kerja atau kabupaten/kota di Provinsi Sumatera Utara dapat dilakukan dengan analisis gerombol/cluster dengan metode K-Means dan dievaluasi dengan analisis diskriminan.

Tujuan penelitian ini adalah menerapkan analisis gerombol untuk menggambarkan profil kesehatan ibu dan anak di Provinsi Sumatera Utara tahun 2011. Adapun jenis penelitian ini bersifat deskriptif. Data yang dikumpulkan adalah data sekunder yaitu data profil kesehatan ibu dan anak tahun 2011 dalam penelitian ini diperoleh dari Dinas Kesehatan Provinsi Sumatera Utara.

Hasil penelitian menunjukkan bahwa terdapat 3 gerombol yaitu status KIA baik ada 22 kabupaten/kota yang terdiri dari Nias, Tapanuli Selatan, Tapanuli Tengah, Tapanuli Utara, Toba Samosir, Labuhan Batu Utara, Labuhan Batu Selatan, Simalungun, Dairi, Karo, Humbang Hasundutan, Pakpak Bharat, Samosir, Serdang Bedagai, Batubara, Padang Lawas, Sibolga, Pematang Siantar, Tebing Tinggi, Medan, Padang Sidimpuan, dan Gunung Sitoli. Untuk status KIA sedang ada 9 kabupaten/kota yang terdiri dari Mandailing Natal, Labuhan Batu, Asahan, Deli Serdang, Langkat, Padang Lawas Utara, Nias Utara, Tanjung Balai, dan Binjai. Serta status KIA buruk ada 2 kabupaten/kota di Provinsi Sumatera Utara yang terdiri dari Nias Selatan dan Nias Barat.

Saran dari penelitian ini adalah agar pihak Dinas Kesehatan Provinsi Sumatera Utara melengkapi pencatatan data yang tidak lengkap sehingga diperoleh kabupaten/kota yang tepat pada status KIA baik, status KIA sedang dan status KIA buruk supaya dapat memperbaiki program KIA dalam merencanakan pembangunan kesehatan.

Kata kunci : analisis gerombol, profil kesehatan ibu dan anak, kabupaten/kota di Provinsi Sumatera Utara

(5)

ABSTRACT

The problem of maternity and children health is as a national problem which requires serious attention because it determines the quality of human resources in the future. High rate of mortality shows that maternity and children health is very urgent to add from both the scope and service quality. In describing the scope of maternity and children health service based on working area or regency/city in North Sumatera Province, it can be conducted by cluster analysis with K-Means method and it is evaluated with discriminant analysis.

The objevtive of the research was to apply cluster analysis to describe the profile of children and maternity health in North Sumatera province in 2011. This was descriptive research. The collected data was secondary data and taken from the profile of maternity and children in 2011 from Health Departement, North Sumatera University.

The results of research showed that there were 3 clusters namely the cluster categorized good as found in 22 regencies/cities consisting of Nias, South Tapanuli, Middle Tapanuli, North Tapanuli, Toba Samosir, North Labuhan Batu, South Labuhan Batu, Simalungun, Dairi, Karo, Humbang Hasundutan, West Pakpak, Samosir, Serdang Bedagai, Batubara, Padang Lawas, Sibolga, Pematang Siantar, Tebing Tinggi, Medan, Padang Sidimpuan and Gunung Sitoli. For medium maternity and children health, there were 9 regencies/cities consisting of Mandailing Natal, Labuhan Batu, Asahan, Deli Serdang, Langkat, North Padang Lawas, North Nias, Tanjung Balai and Binjai. And bad maternity and children health was found in 2 regencies/cities in North Sumatera consisting of South Nias and West Nias.

It is suggested for Health Departement North Sumatera Province to complete those required data for good category, medium and bad category in order to make good improvement for planning health development.

Key words : cluster analysis, maternity and children health profile, regencies/cities in Nort Sumatera Province.

(6)

DAFTAR RIWAYAT HIDUP

Nama : SURYATI

Tempat/ Tanggal Lahir : Padangsidimpuan/ 24 Januari 1990

Agama : Islam

Status Perkawinan : Belum menikah Nama Orang Tua : Ayah H. Ali Yusuf

Ibu Hj. Nurlanna Daulay

Anak ke : 2 (dua) dari 3 (tiga) orang bersaudara

Alamat Rumah : Desa Siloting No. 36 Kec. Padangsidimpuan Batunadua

Riwayat Pendidikan

Tahun 1994 - 1996 : TK Al-Khalili Ujung Gurap Tahun 1996 - 2002 : SD Negeri 200301 Pudun Julu Tahun 2002 - 2005 : MTsN Model Padangsidimpuan Tahun 2005 - 2008 : MAN 1 Padangsidimpuan

Tahun 2008 - 2012 : Fakultas Kesehatan Masyarakat USU Medan

Riwayat Organisasi

Tahun 2008 – 2010 : HMI FKM USU

(7)

KATA PENGANTAR

Bismillahirrahmanirrahim,

Puji dan syukur penulis ucapkan kehadirat Tuhan Yang Maha Esa yang telah melimpahkan rahmat dan karunia-Nya sehingga penulis dapat menyelesaikan tugas skripsi yang berjudul : “Penerapan Analisis Gerombol Untuk Profil Kesehatan Ibu dan Anak di Provinsi Sumatera Utara Tahun 2011”. Shalawat dan salam kepada Nabi Muhammad SAW yang senantiasa tercurahkan pada beliau yang telah menjadi teladan utama bagi ummatnya.

Skripsi ini disusun untuk memenuhi salah satu syarat dalam memperoleh Gelar Sarjana Fakultas Kesehatan Masyarakat Universitas Sumatera Utara. Skripsi ini penulis persembahkan kepada ayahanda Ali Yusuf dan ibunda Nurlanna Daulay yang telah membesarkan, mendidik, membimbing dengan penuh kasih sayang dan tak henti mendoakan penulis hingga skripsi ini dapat terselesaikan dengan baik. Semoga Allah memberikan kebahagiaan kepada keduanya baik di dunia maupun di akhirat. Amin.

Selama menulis laporan ini, penulis banyak mendapat bimbingan dan bantuan dari berbagai pihak. Oleh karena itu dalam kesempatan ini, penulis mengucapkan terima kasih kepada :

1. Bapak Dr. Drs. Surya Utama, MS selaku Dekan Fakultas Kesehatan Masyarakat Universitas Sumatera Utara.

2. Bapak Drs. Heru Santosa, MS, Ph.D selaku Ketua Departemen Kependudukan dan Biostatistika.

(8)

3. Bapak Drs. Abdul Jalil A.A, M.Kes selaku Dosen Pembimbing Skripsi I dan Ibu Arnita, S.Si, M.Si selaku Dosen Pembimbing Skripsi II yang telah memberikan bimbingan, arahan, ilmu, motivasi, serta dukungannya kepada penulis dalam menyelesaikan skripsi ini.

4. Bapak Drs. Heru Santosa, MS, Ph.D dan Ibu Maya Fitria, SKM, M.Kes selaku Dosen Penguji yang telah meluangkan waktunya untuk memberikan masukan dalam penyelesaian skripsi ini.

5. Ibu Dr. Ir. Erna Mutiara, M.Kes selaku Dosen Pembimbing Akademik penulis di Fakultas Kesehatan Masyarakat Universitas Sumatera Utara.

6. Seluruh Dosen dan staf Fakultas Kesehatan Masyarakat Universitas Sumatera Utara yang telah banyak memberikan ilmu dan bantuan selama penulis menuntut ilmu di fakultas.

7. Pimpinan dan staf di Dinas Kesehatan Provinsi Sumatera Utara.

8. Staf di Dinas Kesehatan Provinsi Sumatera Utara buat Bu Yusni, Kak Rena dan Kak Cut penulis ucapkan banyak terima kasih atas bantuannya selama ini.

9. Untuk abangku Asrul Aziz,ST dan adikku Suryani tersayang yang selalu mendoakan dan meyemangati penulis.

10. Sahabat – sahabat seperjuangan di Departemen Kependudukan dan Biostatistika : Arifa, Agnes, Iin, Nia, Linda, Via, Caprin, Fauji, Bg Syarif, Bg Ari dan Bg Feb yang sering membantu memberi masukan dan diskusi dalam penyelesaian skripsi ini. Untuk teman baikku selama di FKM : Kak Desi, Helda, Habidah, Vika, Eva, dan Mala. Serta sahabat dekat penulis : Chelti, Saipul, Halimah, Toybah, Ummu dan Nawi. Terima kasih atas dukungannya selama ini.

(9)

11. Semua pihak yang telah membantu penyelesaian skripsi ini yang tidak bisa disebutkan satu persatu.

Penulis menyadari bahwa tugas skripsi ini masih belum sempurna oleh karena itu kritik dan saran yang membangun sangat penulis harapkan untuk perbaikan menuju yg lebih baik. Semoga Tugas Sarjana ini memberi manfaat bagi siapapun yang membacanya serta dapat menjadi referensi yang bermanfaat bagi imu pengetahuan.

Medan, Juni 2012 Penulis,

(10)

DAFTAR ISI

HALAMAN PENGESAHAN ... i

ABSTRAK ... ii

ABSTRACT ... iii

DAFTAR RIWAYAT HIDUP ... iv

KATA PENGANTAR ... v

DAFTAR ISI ... viii

DAFTAR TABEL ... x

DAFTAR GAMBAR ... xi

BAB I PENDAHULUAN 1.1 Latar Belakang. ... 1

1.2 Rumusan Masalah ... 6

1.3 Tujuan ... 7

1.3.1 Tujuan Umum ... 7

1.3.2 Tujuan Khusus ... 7

1.4 Manfaat Penelitian. ... 7

BAB II TINJAUAN PUSTAKA 2.1 Analisis Gerombol . ... 8

2.1.1 Pengertian Analisis Gerombol. ... 8

2.1.2 Tujuan Analisis Gerombol. ... 9

2.1.3 Asumsi Analisis Gerombol. ... 10

2.1.4 Melakukan Analisis Gerombol ... 10

2.1.5 Metode Pengelompokan. ... 14

1. Metode Hirarki ... 18

2. Metode Non Hirarki ... 18

3. Metode Two Step Cluster ... 21

2.1.6 Metode K-Means ... 22

2.2 Analisis Diskriminan ... 24

2.2.1 Tujuan Diskriminan ... 24

2.2.2 Asumsi Analisis Diskriminan ... 25

2.2.3 Model Analisis Diskriminan ... 26

2.2.4 Langkah-langkah Analisis Diskriminan ... 26

2.3 Program Kesehatan Ibu dan Anak... 28

2.3.1 Pengertian Program Kesehatan Ibu dan Anak. ... 28

2.3.2 Tujuan Program Kesehatan Ibu dan Anak. ... 29

2.3.3 Pelayanan Kesehatan Ibu dan Anak ... 30

2.4 Kerangka Konsep ... 35

BAB III METODE PENELITIAN 3.1 Jenis Penelitian. ... 36

3.2 Lokasi dan Waktu Penelitian. ... 36

3.3 Populasi dan Sampel. ... 36

(11)

3.3.2 Sampel ... 37 .

3.4 Metode Pengumpulan Data. ... 37

3.5 Definisi Operasional. ... 37

3.6 Aspek Pengukuran. ... 38

3.7 Analisa Data ... 39

BAB IV HASIL 4.1 Gambaran Umum Provinsi Sumatera Utara ... 41

4.1.1 Letak Geografis ... 41

4.1.2 Kependudukan ... 42

4.1.3 Umur ... 43

4.1.4 Pendidikan ... 43

4.2 Analisis Deskriptif (Univariat) ... 44

4.3 Analisis Gerombol ... 46

4.4 Analisis Diskriminan ... 51

BAB V PEMBAHASAN 5.1 Status KIA Baik ... 60

5.2 Status KIA Sedang ... 62

5.3 Status KIA Buruk ... 63

5.4 Keterbatasan Penelitian ... 66

BAB VI KESIMPULAN DAN SARAN 6.1 Kesimpulan ... 67

6.2 Saran ... 70 DAFTAR PUSTAKA

LAMPIRAN

Lampiran 1 Data Hasil Penelitian Lampiran 2 Hasil Output SPSS

1. Analisis Deskriptif 2. Analisis Gerombol 3. Analisis Diskriminan Lampiran 3 Surat Izin Penelitian

(12)

DAFTAR TABEL

Halaman Tabel 2.1 Perbandingan Metode Hirarki, Non Hirarki, dan

Two Step Cluster ... 22

Tabel 3.1 Aspek Pengukuran ... 38

Tabel 4.1 Karakteristik Profil Kesehatan Ibu dan Anak di Provinsi Sumatera Utara ... 44

Tabel 4.2 Pusat Gerombol Akhir ... 46

Tabel 4.3 Jumlah Anggota dari Setiap Gerombol ... 47

Tabel 4.4 Hasil Penggerombolan 33 kabupaten/kota Berdasarkan Profil Kesehatan Ibu dan Anak ... 48

Tabel 4.5 Kategori Nilai Profil Kesehatan Ibu dan Anak ... 50

Tabel 4.6 Perbedaan Antara Ketiga Gerombol Untuk Setiap Variabel ... 52

Tabel 4.7 Penamaan Fungsi Diskriminan Satu dan Dua (Struktur Matriks) ... 54

Tabel 4.8 Fungsi Diskriminan untuk Menentukan 33 Kabupaten/Kota di Provinsi Sumatera Utara pada Tipe Status KIA Baik, Status KIA Sedang, dan Status KIA Buruk ... 55

Tabel 4.9 Fungsi Diskriminan Rata-rata Tiap Kelompok (Centroid) ... 56

Tabel 4.10 Hasil Klasifikasi Fungsi Diskriminan ... 56

Tabel 4.11 Hasil Evaluasi Klasifikasi 33 kabupaten/kota Berdasarkan Profil Kesehatan Ibu dan Anak ... 58

(13)

DAFTAR GAMBAR

Halaman Gambar 2.1 Kerangka Konsep Penerapan Analisis Gerombol Untuk

Profil Kesehatan Ibu dan Anak di Provinsi Sumatera Utara

tahun 2011 ... 36 Gambar 4.2 Fungsi Diskriminan ... 55

(14)

ABSTRAK

Kata kunci : analisis gerombol, profil kesehatan ibu dan anak, kabupaten/kota di Provinsi Sumatera Utara

(15)

ABSTRACT

Key words : cluster analysis, maternity and children health profile, regencies/cities in Nort Sumatera Province.

(16)

BAB I PENDAHULUAN

1.1 Latar Belakang

Masalah dalam kehidupan sehari-hari tidak hanya didasarkan pada hubungan satu variabel atau dua variabel saja, akan tetapi cenderung melibatkan banyak variabel. Analisis tentang banyak variabel dikaji secara mendalam dalam analisis multivariat (Nuningsih, 2010).

Analisis multivariat adalah metode-metode statistik yang mengolah beberapa pengukuran menyangkut individu atau objek sekaligus. Teknik analisis multivariat diklasifikasikan menjadi dua yaitu analisis dependensi/ketergantungan dan analisi interdependensi/saling ketergantungan. Analisis dependensi bertujuan untuk menerangkan atau memprediksi variabel tergantung dengan menggunakan dua atau lebih variabel bebas, yang termasuk dalam klasifikasi ini ialah analisis regresi multivariat, analisis diskriminan, analisis varians multivariat (Manova) dan analisis korelasi kanonik. Sedangkan analisis interdependensi bertujuan untuk memberikan makna terhadap seperangkat variabel atau membuat kelompok-kelompok secara bersama-sama, yang termasuk dalam klasifikasi ini ialah analisis faktor, analisis cluster/gerombol, dan multidimensional scaling (Narimawati, 2008).

Dalam perkembangannya analisis gerombol telah dipergunakan dalam berbagai disiplin ilmu seperti biologi, ekonomi, psikologi, pemasaran, kedokteran dan lain-lain (Supranto, 2004). Analisis gerombol adalah statistik variabel ganda yang digunakan apabila ada n buah individu atau objek yang mempunyai p variabel dan ingin dikelompokkan ke dalam k gerombol berdasarkan sifat-sifat yang diamati

(17)

sehingga individu atau objek yang terletak dalam satu gerombol memiliki kemiripan yang lebih besar dibandingkan dengan objek yang terletak dalam gerombol lain.

Prinsip dasar dalam analisis gerombol adalah mengelompokkan objek (observasi) pada suatu gerombol yang memiliki kemiripan sangat besar dengan objek lain dalam gerombol yang sama, tetapi sangat tidak mirip dengan objek lain pada gerombol yang berbeda. Hal ini berarti bahwa gerombol yang baik akan mempunyai homogenitas (kesamaan) yang tinggi antar anggota dalam satu gerombol dan heterogenitas (perbedaan) yang tinggi antar gerombol yang satu dengan yang lainnya (Santoso, 2010).

Metode analisis gerombol dibedakan menjadi dua yaitu metode hirarki dan metode tak berhirarki. Metode hirarki dibedakan menjadi dua yaitu metode penggabungan (agglomerative) dan metode pemecahan (devisive). Prosedur yang digunakan dalam metode hirarki adalah prosedur pautan tunggal (single linkage), pautan lengkap (complete linkage), dan pautan rata-rata (average linkage). Hasil penggerombolan metode berhirarki secara umum membentuk diagram pohon atau dendogram yang menggambarkan pengelompokan objek berdasarkan jarak. Metode tak berhirarki bertujuan untuk mengelompokkan n objek ke dalam k gerombol (k < n), di mana nilai k telah ditentukan sebelumnya. Metode tak berhirarki yang banyak digunakan adalah K-Means Cluster danFuzzy C-Means.

K-Means merupakan metode clustering sederhana dan mudah diimplementasikan karena memiliki kelebihan dalam mengelompokkan data yang berukuran besar serta menghasilkan gerombol dengan cepat. Kelemahan metode ini yaitu pada K-Means, jumlah gerombol pada awal (k) harus ditentukan sebelumnya

(18)

dan tidak menjamin solusi gerombol yang unik karena metode ini sulit mencapai global optimum.

K-Means termasuk dalam teknik partitioning. Secara umum teknik ini dimulai oleh penentuan k titik di ruang berdimensi p untuk menentukan estimasi awal pusat gerombol. Dengan demikian dalam teknik partitioning ini, metode K-Means

memungkinkan setiap data harus termasuk ke gerombol tertentu pada suatu tahapan proses, pada tahapan proses berikutnya berpindah ke gerombol yang lain.

Metode K-Means bertujuan untuk mengelompokkan objek sedemikian hingga jarak tiap-tiap objek ke pusat gerombol di dalam suatu gerombol minimum (Karson, 1937). Berdasarkan uraian di atas, penulis tertarik untuk mengkaji analisis gerombol melalui metode K-Means.

Salah satu disiplin ilmu yang dipergunakan dalam analisis gerombol saat ini adalah bidang kesehatan. Masalah Kesehatan Ibu dan Anak (KIA) merupakan masalah nasional yang perlu mendapat prioritas utama karena sangat menentukan kualitas sumber daya manusia (SDM) pada generasi mendatang. Tingginya angka kematian ibu dan anak tersebut menunjukkan bahwa pelayanan KIA sangat mendesak untuk ditingkatkan, baik dari segi jangkauan maupun kualitas pelayanannya. Upaya peningkatan pelayanan KIA tersebut perlu dilakukan secara bersama-sama oleh para pelayanan kesehatan, pemerintah dan masyarakat yang peduli kesehatan, karena masalah KIA ini bukan hanya tanggung jawab pemerintah semata, tetapi menjadi tanggung jawab semua pihak baik swasta, masyarakat umum bahkan organisasi non pemerintah atau Non Government Organization (NGO) seperti Mercy Malaysia yang

(19)

sangat peduli dengan KIA di Indonesia khususnya Provinsi Sumatera Utara (Sitompul, 2011).

Kesehatan perempuan dan kesehatan anak merupakan dasar yang penting dalam perkembangan masyarakat. Hanya perempuan yang bisa hamil dan melahirkan anak, namun fakta menunjukkan bahwa ratusan ribu perempuan di seluruh dunia terus-menerus meninggal oleh sebab-sebab yang berkaitan dengan kehamilan, yang seharusnya dapat dicegah. Hal ini merupakan salah satu ketidakadilan sosial terbesar di masa kini. Beberapa tahun terakhir ini diakui dan diterima secara luas bahwa kematian maternal yang seharusnya dapat dicegah merupakan pelanggaran terhadap hak-hak asasi perempuan. Di seluruh dunia, diperkirakan sekitar 529.000 perempuan meninggal tiap tahunnya oleh sebab-sebab yang berkaitan dengan kehamilan, dan 99% dari kematian ini terjadi di Negara-negara yang sedang berkembang (WHO, 2007).

Sesuai visi misi presiden, kebijakan pembangunan kesehatan periode 5 tahun ke depan (2010-2014) diarahkan pada tersedianya akses kesehatan dasar yang murah dan terjangkau terutama pada kelompok menengah ke bawah guna mendukung pencapaian MDG’s pada tahun 2015, dengan sasaran pembangunan kesehatan adalah peningkatan akses masyarakat terhadap pelayanan kesehatan antara lain ditandai oleh meningkatnya angka harapan hidup, menurunnya tingkat kematian bayi dan kematian ibu melahirkan (Kemkes RI, 2010).

Dewasa ini AKI dan AKB di Indonesia masih tinggi dibandingkan dengan negara ASEAN lainnya. Menurut data Survei Demografi dan Kesehatan Indonesia (SDKI) 2007, AKI sebesar 228 per 100.000 kelahiran hidup, AKB 34 per 1.000

(20)

kelahiran hidup, AKN 19 per 1.000 kelahiran hidup, dan AKABA 44 per 1.000 kelahiran hidup. Dalam upaya pencapaian MDG’s dan tujuan pembangunan kesehatan, peningkatan pelayanan kesehatan ibu diprioritaskan yaitu dengan menurunkan Angka Kematian Ibu menjadi 102 per 100.000 kelahiran hidup pada tahun 2015 dari 425 per 100.000 kelahiran hidup pada tahun 1992 (SKRT). Target Cakupan kesehatan ibu yang harus dicapai pada tahun 2009 masing-masing sebesar 94% untuk Akses Pelayanan Antenatal (cakupan ibu hamil K1), 84% untuk cakupan pelayanan ibu hamil sesuai standar (K4), dan 82% untuk cakupan Persalinan oleh Tenaga Kesehatan (Depkes, 2011).

AKI Provinsi Sumatera Utara tercatat 268 per 100.000 kelahiran hidup pada tahun 2010. Bila dibandingkan dengan angka nasional, AKI Sumatera Utara lebih tinggi. Berdasarkan hasil Survey Demografi dan Kesehatan Indonesia (SDKI) tahun 2007 menyebutkan bahwa AKI Indonesia sebesar 228 per 100.000 kelahiran hidup. Angka ini turun dibandingkan AKI tahun 2002 yang mencapai 307 per 100.000 kelahiran hidup (Dinkes Provsu, 2011)

Upaya untuk mempercepat penurunan AKI telah dimulai sejak akhir tahun 1980-an melalui program Safe Motherhood Initiative yang mendapat perhatian besar dan dukungan dari berbagai pihak baik dalam maupun luar negeri. Pada akhir tahun 1990-an secara konseptual telah diperkenalkan lagi upaya untuk menajamkan strategi dan intervensi dalam menurunkan AKI melalui Making Pregnancy Safer (MPS) yang dicanangkan oleh pemerintah pada tahun 2000. Strategi MPS ini memfokuskan pada 3 pesan kunci yaitu: 1) setiap persalinan ditolong oleh tenaga kesehatan terlatih 2) setiap komplikasi obstetri dan neonatal mendapat pelayanan yang adekuat 3) setiap

(21)

wanita usia subur mempunyai akses terhadap upaya pencegahan kehamilan yang tidak diinginkan dan penanganan komplikasi keguguran.

Sehubungan dengan penerapan sistem desentralisasi, maka pelaksanaan strategi MPS di daerah pun diharapkan dapat lebih terarah dan sesuai dengan permasalahan setempat. Dengan adanya variasi antar daerah dalam hal demografi dan geografi, maka kegiatan dalam program Kesehatan Ibu dan Anak (KIA) akan berbeda pula. Namun agar pelaksanaan program KIA dapat berjalan lancar, aspek peningkatan mutu pelayanan program KIA tetap diharapkan menjadi kegiatan prioritas baik di tingkat puskesmas maupun ditingkat kabupaten/kota. Peningkatan mutu program KIA juga dinilai dari besarnya cakupan program di masing-masing wilayah kerja.

Untuk itu, perlu dipantau secara terus-menerus besarnya cakupan pelayanan KIA di suatu wilayah kerja, agar diperoleh gambaran yang jelas mengenai kelompok mana dalam wilayah kerja tersebut yang paling rawan (Depkes, 2009). Dengan diketahuinya lokasi rawan kesehatan ibu dan anak, maka wilayah kerja tersebut dapat lebih diperhatikan dan dicarikan pemecahan masalahnya. Untuk menggambarkan cakupan pelayanan KIA tersebut berdasarkan wilayah kerja atau kabupaten/kota di Provinsi Sumatera Utara dapat dilakukan dengan analisis gerombol/cluster.

1.2 Rumusan Masalah

Rumusan masalah pada penelitian ini adalah : Bagaimana hasil penerapan analisis gerombol/cluster untuk menggambarkan profil kesehatan ibu dan anak di Provinsi Sumatera Utara Tahun 2011.

1.3 Tujuan Penelitian 1.3.1 Tujuan Umum

(22)

Menerapkan analisis gerombol/cluster untuk menggambarkan profil kesehatan ibu dan anak di Provinsi Sumatera Utara Tahun 2011.

1.3.2 Tujuan Khusus

1. Untuk mengetahui karakteristik profil kesehatan ibu dan anak di Provinsi Sumatera Utara Tahun 2011.

2. Untuk mengetahui pengelompokan kabupaten/kota di Provinsi Sumatera Utara berdasarkan data profil kesehatan ibu dan anak (pelayanan kesehatan ibu hamil, pertolongan persalinan oleh tenaga kesehatan dengan kompotensi kebidanan, cakupan pelayanan kesehatan ibu nifas, rujukan kasus risti dan penanganan komplikasi, dan kunjungan neonatal) dari gerombol-gerombol yang terbentuk. 3. Untuk mengevaluasi keakuratan klasifikasi data profil kesehatan ibu dan anak di

33 kabupaten/kota di Provinsi Sumatera Utara dalam pembentukan gerombol. 1.4 Manfaat Penelitian

1. Merupakan pengalaman dalam menerapkan teori dengan praktek di lapangan terutama penerapan uji statistik khususnya analisis gerombol/cluster.

2. Sebagai bahan masukan bagi Dinas Kesehatan Provinsi Sumatera Utara untuk memperbaiki program pelayanan kesehatan ibu dan anak dalam merencanakan pembangunan kesehatan berdasarkan hasil-hasil yang didapat.

(23)

BAB II

TINJAUAN PUSTAKA

2.1 Analisis Gerombol

2.1.1 Pengertian Analisis Gerombol

Cluster atau ‘gerombol’ dapat diartikan ‘kelompok’ dengan demikian, pada dasarnya analisis gerombol akan menghasilkan sejumlah gerombol (kelompok). Analisis ini diawali dengan pemahaman bahwa sejumlah data tertentu sebenarnya mempunyai kemiripan di antara anggotanya; karena itu, dimungkinkan untuk mengelompokkan anggota-anggota yang ‘mirip’ atau mempunyai karakteristik yang serupa tersebut dalam satu atau lebih dari satu gerombol (Santoso, 2010).

Analisis gerombol melakukan sebuah usaha untuk menggabungkan keadaan atau objek ke dalam suatu kelompok, dimana anggota kelompok itu tidak diketahui sebelumnya untuk dianalisis. Dengan kata lain analisis gerombol merupakan analisis statistik yang digunakan untuk mengelompokan n objek ke dalam k buah kelompok, dengan setiap objek dalam kelompok memiliki keragaman yang besar dibandingkan antar kelompok (Afifi & Clark, 1999).

Menurut Sharma (1996:185) yang dikutip dari Nuningsih (2010), analisis gerombol merupakan salah satu teknik multivariat metode interdependensi (saling ketergantungan). Oleh karena itu, dalam analisis gerombol tidak ada pembedaan antara variabel bebas (independent variable) dan variabel terikat (dependent variable).

Analisis gerombol adalah teknik yang digunakan untuk menggabungkan observasi ke dalam kelompok atau gerombol, sedemikian sehingga :

(24)

a. Setiap kelompok atau gerombol homogen mempunyai karakteristik tertentu. Hal ini berarti bahwa observasi dalam setiap kelompok sama dengan observasi lain dalam satu kelompok yang sama.

b. Setiap kelompok seharusnya berbeda dari kelompok lain dengan karakteristik yang sama. Hal ini berarti bahwa observasi dalam kelompok yang satu seharusnya berbeda dari observasi dalam kelompok lain.

Menurut Tan et al (2006:490) yang dikutip dari Nuningsih (2010), analisis gerombol digunakan untuk mengelompokkan data observasi yang hanya berdasarkan pada informasi yang ditemukan dalam data, di mana data tersebut harus menggambarkan observasi dan hubungannya. Oleh karena itu, tujuan dari analisis ini adalah observasi dalam satu kelompok mirip satu sama lain dan berbeda dari observasi dalam kelompok lain. Semakin besar kemiripan (homogenitas) dalam kelompok dan semakin besar perbedaan (heterogenitas) antar kelompok maka penggerombolan akan lebih baik atau lebih berbeda.

Pada prinsipnya analisis gerombol merupakan proses untuk mereduksi sejumlah objek yang besar menjadi lebih sedikit yang disebut gerombol. Analisis gerombol digunakan oleh peneliti yang belum mengetahui anggota dari suatu kelompok. Analisis gerombol disebut juga Q-analysis, classification analysis, pengenalan pola (pattern recognition), analisis segmentasi (numerical taxonomy) (Supranto, 2004).

2.1.2 Tujuan Analisis Gerombol

(25)

1. Mengetahui ada tidaknya perbedaan yang nyata (signifikan) antar kelompok yang terbentuk, dalam hal ini gerombol yang dihasilkan.

2. Melihat profil serta kecenderungan-kecenderungan dari masing-masing gerombol yang terbentuk.

3. Melihat posisi masing-masing objek terhadap objek lainnya dari gerombol yang terbentuk.

2.1.3 Asumsi Analisis Gerombol

Asumsi yang harus dipenuhi pada analisis gerombol: (Santoso, 2010)

1. Sampel yang diambil benar-benar bisa mewakili populasi yang ada. Memang tidak ada ketentuan jumlah sampel yang representatif, namun tetaplah diperlukan sejumlah sampel yang cukup besar agar proses clustering bisa dilakukan dengan benar.

2. Multikolinearitas, yaitu kemungkinan adanya korelasi antar objek. Sebaiknya tidak ada atau seandainya ada, besar multikolinearitas tersebut tidaklah tinggi (misal di atas 0,5). Jika sampai terjadi multikolinearitas, dianjurkan untuk menghilangkan salah satu variabel dari dua variabel yang mempunyai korelasi cukup besar.

2.1.4 Melakukan Analisis Gerombol

Analisis gerombol ini terdiri dari beberapa proses dasar, yaitu : 1. Merumuskan Masalah

Hal yang paling penting di dalam perumusan masalah analisis gerombol ialah pemilihan variabel-variabel yang akan dipergunakan untuk penggerombolan (pembentukan gerombol). Memasukkan satu atau dua variabel yang tidak relevan

(26)

dengan masalah penggerombolan/pengelompokan akan mendistorsi hasil penggerombolan yang kemungkinan besar sangat bermanfaat.

Pada dasarnya set variabel yang akan dipilih harus menguraikan kemiripan antara objek, yang memang benar-benar relevan dengan masalah riset pemasaran. Variabel harus dipilih berdasarkan penelitian sebelumnya, teori atau suatu pertimbangan berkenaan dengan hipotesis yang akan diuji. Di dalam riset eksplorasi peneliti harus menggunakan pertimbangan dan intuisi.

2. Memilih Ukuran Jarak atau Similaritas

Oleh karena tujuan penggerombolan ialah untuk mengelompokkan objek yang mirip dalam gerombol yang sama, maka beberapa ukuran diperlukan untuk mengakses seberapa mirip atau berbeda objek-objek tersebut. Pendekatan yang paling biasa ialah mengukur kemiripan dinyatakan dalam jarak (distance) antara pasangan objek (Supranto, 2004).

Objek dengan jarak yang lebih pendek antara mereka akan lebih mirip satu sama lain dibandingkan dengan pasangan dengan jarak yang lebih panjang. Ada 3 metode yang digunakan : (Santoso, 2010)

a. Mengukur korelasi antara sepasang objek pada beberapa variabel. Cara ini sebenarnya sederhana; jika beberapa data memang akan ‘tergabung’ menjadi satu gerombol, tentulah di antara data tersebut ada hubungan yang erat, atau disebut berkorelasi satu dengan yang lain. Metode ini mendasarkan besaran korelasi antara data untuk mengetahui kemiripan data satu dengan yang lain.

(27)

b. Mengukur jarak (distance) antara dua objek. Pengukuran ada bermacam-macam, yang paling popular adalah metode Euclidean Distance. Pada dasarnya, cara ini memasukkan sebuah data ke dalam gerombol tertentu dengan mengukur ‘jarak’ data tersebut dengan pusat gerombol. Jika data ada dalam jarak yang masih ada dalam batas tertentu, data tersebut dapat dimasukkan pada gerombol tersebut.

c. Mengukur asosiasi antar-objek. Pada dasarnya, cara ini akan mengasosiasikan sebuah data dengan gerombol tertentu; dalam praktek, cara ini tidak sepopuler kedua cara sebelumnya.

Korelasi dan distance digunakan jika data adalah metrik, sedangkan asosiasi digunakan jika data adalah non-metrik.

Dalam praktek, penggunaan metode Euclidean Distance adalah yang paling popular.

3. Melakukan Proses Standarisasi Data Jika Diperlukan

Setelah cara mengukur jarak ditetapkan, yang juga perlu diperhatikan adalah apakah satuan data mempunyai perbedaan yang besar. Sebagai contoh, jika variabel penghasilan mempunyai satuan juta (000.000), sedangkan usia seseorang hanya mempunyai satuan puluhan (00), maka perbedaan yang mencolok ini akan membuat perhitungan jarak (distance) menjadi tidak valid. Jika data memang mempunyai satuan yang berbeda secara signifikan, pada data harus dilakukan proses standarisasi dengan mengubah data yang ada ke Z-Score. Proses standarisasi menjadikan dua data dengan perbedaan satuan yang lebar akan otomatis menjadi menyempit (Santoso, 2010).

(28)

4. Memilih Suatu Prosedur Penggerombolan

Setelah data yang dianggap mempunyai satuan yang sangat berbeda diseragamkan, dan metode gerombol ditentukan (misal dipilih Eucledian), langkah selanjutnya adalah pengelompokan data, yang bisa dilakukan dengan dua metode:

a. Hierarchical Method, ialah metode yang memulai pengelompokannya dengan dua atau lebih obyek yang mempunyai kesamaan paling dekat, kemudian proses dilanjutkan ke objek lain yang mempunyai kedekatan kedua. Demikian seterusnya sehingga gerombol akan membentuk semacam “pohon” dimana ada hierarki (tingkatan) yang jelas antar objek, dari yang paling mirip sampai dengan yang paling tidak mirip. Secara logika semua objek pada akhirnya hanya akan membentuk sebuah gerombol. Dendogram biasanya digunakan untuk membantu memperjelas proses hierarki tersebut.

b. Non Hirarchical Method, ialah metode yang dimulai dengan menentukan terlebih dahulu jumlah gerombol yang diinginkan (dua gerombol, tiga gerombol atau yang lain). Dan kemudiaan baru dilakukan proses gerombol tanpa mengikuti proses hierarki. Biasa disebut metode K-Means Cluster. Dua kelemahan dari prosedur non-hierarki ialah bahwa banyaknya gerombol harus disebutkan/ditentukan sebelumnya dan pemilihan pusat gerombol sembarang. Lebih lanjut, hasil gerombol mungkin tergantung pada bagaimana pusat dipilih. Banyak program non-hierarki, memilih k objek (kasus) yang pertama, tanpa ada nilai yang hilang sebagai pusat gerombol awal (k=banyaknya gerombol). Jadi hasil gerombol mungkin

(29)

tergantung pada urutan observasi dalam data. Bagaimanapun juga, gerombol non-hierarki lebih cepat daripada metode hierarki dan lebih menguntungkan kalau jumlah objek/kasus atau observasi besar sekali (sampel besar).

5. Melakukan Interpretasi Terhadap Gerombol yang Telah Terbentuk.

Setelah sejumlah gerombol terbentuk dengan metode hierarki atau non-hierarki, langkah selanjutnya adalah melakukan interpretasi terhadap gerombol yang telah terbentuk, yang pada intinya memberi nama spesifik untuk menggambarkan isi gerombol tersebut.

6. Melakukan Validasi dan Profiling Cluster

Gerombol yang terbentuk kemudian diuji apakah hasil tersebut valid. Kemudian dilakukan proses profiling untuk menjelaskan karakteristik setiap gerombol berdasar profil tertentu (seperti usia konsumen pembeli rumah, tingkat penghasilannya dan sebagainya). Dari data profiling tersebut bisa dilakukan analisis lanjutan seperti Analisis Diskriminan.

2.1.5 Metode Pengelompokan

Dalam analisis gerombol, terdapat banyak metode untuk mengelompokkan observasi ke dalam gerombol. Secara umum metode pengelompokkan dalam analisis gerombol dibedakan menjadi hirarki (Hierarchical Clustering Method) dan metode non hirarki (Nonhierarchical Clustering Method). Metode hirarki digunakan apabila belum ada informasi jumlah gerombol yang dipilih. Sedangkan metode non hirarki bertujuan untuk mengelompokkan n objek ke dalam k gerombol (k < n), di mana nilai k telah ditentukan sebelumnya.

(30)

Metode analisis gerombol membutuhkan suatu ukuran ketakmiripan (jarak) yang didefinisikan untuk setiap pasang objek yang akan dikelompokan. Jarak yang biasa digunakan dalam analisis penggerombolan diantaranya (Johnson & Wichern, 2007) adalah :

a. Jarak Euclidian

Jarak Euclidian adalah jarak yang paling umum dan paling sering digunakan dalam analisis gerombol. Jarak Euclidian antara dua titik dapat terdefinisikan dengan jelas. Jarak digunakan adalah peubah kontinu.

Jarak Euclidian antara gerombol ke-i dan ke-j dari p peubah didefinisikan:

dengan :

d(i,j) = jarak antara objek i ke objek j = nilai tengah pada gerombol ke-i

= nilai tengah pada gerombol ke-j

p = banyaknya peubah yang diamati b. Jarak Mahalanobis

Jarak Mahalanobis sangat berguna dalam menghilangkan atau mengurangi perbedaan skala pada masing-masing komponen. Pada permasalahan tertentu, pada saat menentukan jarak, perlu juga dipertimbangkan ragam dan peragam. Jarak Mahalanobis didefinisikan:

(31)

dengan :

d(i,j) = jarak antara objek i ke objek j = nilai tengah pada gerombol ke-i = nilai tengah pada gerombol ke-j

S-1 = matriks ragam peragam gabungan antara c. Jarak Manhattan

Ukuran ini merupakan bentuk umum dari jarak Euclidian, fungsi jaraknya didefinisikan:

dengan:

d(i,j) = jarak antara objek i ke objek j = nilai tengah pada gerombol ke-i = nilai tengah pada gerombol ke-j

p = banyaknya peubah yang diamati d. Jarak Log Likehood

Jarak Log Likelihood dapat diterapkan untuk peubah kontinu maupun kategorik. Asumsi yang ada pada jarak ini adalah peubah kontinu menyebar normal, peubah kategorik menyebar multinomial dan antar peubahnya saling bebas. Metode

(32)

Two Step Cluster cukup tegar terhadap pelanggaran asumsi tersebut sehingga metode ini masih dapat digunakan ketika terjadi pelanggaran asumsi.

Jarak antara gerombol j dan s didefinisikan:

dengan :

Keterangan :

N = jumlah total observasi

= jumlah observasi di dalam gerombol j

Njkl = jumlah data di gerombol j untuk peubah kategorik ke-k dengan kategorik

ke-l

= ragam dugaan untuk peubah kontinu ke-k untuk keseluruhan observasi = ragam dugaan untuk peubah kontinu ke-k dalam gerombol j

(33)

KB = jumlah total peubah kategorik

Lk = jumlah kategorik untuk peubah kategorik ke-k

d(j,s) = jarak antara gerombol j dan s <j,s> = indeks kombinasi gerombolj dan s

Jarak Euclid dan jarak Manhattan digunakan jika antar peubah memiliki satuan yang sama dan korelasi antar peubahnya tidak nyata. Sedangkan jika satuan antar peubah tidak sama dapat menggunakan jarak Euclid maupun jarak Manhattan yang telah ditransformasi ke dalam bentuk baku. Jika adanya korelasi antar peubah yang nyata, jarak yang digunakan menggunakan jarak Mahalanobis atau jika menggunakan jarak Euclid maka peubah asal ditransformasi menggunakan analisis komponen utama (AKU).

1. Metode Hirarki

Pada dasarnya metode ini dibedakan menjadi dua metode pengelompokkan, yaitu:

a. Metode Penggabungan

Proses pengelompokan dengan pendekatan metode penggabungan (Down to Top) dimulai dengan n gerombol sehingga masing-masing gerombol memiliki tepat satu objek, kemudian tentukan dua gerombol terdekat dan gabungkan gerombol tersebut menjadi satu gerombol baru. Proses penggabungan dua gerombol diulangi sampai diperoleh satu gerombol yang memuat semua himpunan data. Perlu diperhatikan bahwa setiap penggabungan dalam metode ini selalu diikuti dengan perbaikan matriks jarak. Hasil analisis gerombol dari metode ini dapat disajikan dalam bentuk dendogram.

(34)

b. Metode Pemecahan

Proses pengelompokan dengan pendekatan metode pemecahan (Top to Down) dimulai dengan n objek yang dikelompokkan menjadi satu gerombol, kemudian gerombol tersebut dipartisi ke dalam dua gerombol pada setiap langkah sampai diperoleh n gerombol dengan setiap gerombol memiliki satu objek.

2. Metode Non-Hirarki

Metode penggerombolan tak berhirarki digunakan apabila banyak gerombol yang akan dibentuk sudah diketahui terlebih dahulu. Salah satu contohnya adalah metode K-means. Pada metode ini harus ditentukan terlebih dahulu besarnya k, yaitu banyaknya gerombol. Pemilihan k dapat ditentukan secara subjektif berdasarkan latar belakang bidang masing-masing. Jarak yang biasanya digunakan adalah jarak Euclidean.

Dalam metode ini data dibagi dalam k partisi, setiap partisi mewakili sebuah gerombol. Secara umum proses metode non-hirarki sebagai berikut :

a. Pilih k centroid gerombol awal atau seed, di mana k merupakan jumlah gerombol yang diinginkan.

b. Tempatkan setiap observasi ke dalam gerombol yang terdekat.

c. Tempatkan kembali setiap observasi ke dalam k gerombol menurut aturan penghentian yang sudah ditentukan.

d. Proses berhenti jika tidak ada observasi yang berpindah lagi, jika belum ulangi langkah kedua.

(35)

Beberapa algoritma non-hirarki berbeda dalam aturan untuk memperoleh centroid gerombol awal dan aturan yang digunakan untuk menempatkan kembali observasi. Beberapa aturan yang digunakan untuk memperoleh seed awal antara lain : 1) Pilih k observasi pertama dengan tidak ada data yang hilang sebagai centroid atau

seed gerombol awal.

2) Pilih observasi pertama dengan tidak ada data yang hilang sebagai seed gerombol pertama, lalu seed gerombol kedua dipilih dari observasi yang mempunyai jarak terjauh dari sebelumnya, dan seterusnya.

3) Pilih secara random k observasi dengan tidak ada data yang hilang sebagai pusat gerombol atau seed.

4) Perbaiki seed yang dipilih dengan menggunakan aturan tertentu sehingga jarak

seed tersebut sejauh mungkin.

5) Gunakan heuristic tentang identifikasi pusat gerombol sehingga jarak pusat gerombol tersebut sejauh mungkin.

6) Gunakan seed yang disediakan oleh peneliti.

Setelah seed diidentifikasi, gerombol awal yang dibentuk akan menempatkan kembali n - k observasi sisanya ke dalam seed yang terdekat dengan observasi tersebut.

Beberapa algoritma non hirarki juga berbeda terkait dengan prosedur yang digunakan dalam penempatan kembali observasi ke dalam k gerombol. Adapun aturan penempatan kembali observasi sebagai berikut :

1) Hitung centroid setiap gerombol dan tempatkan kembali observasi ke dalam gerombol berdasarkan centroid terdekat. Centroid ke dalam k gerombol, centroid

(36)

dihitung ulang setelah penempatan kembali semua observasi yang telah dibuat. Jika perubahan dalam centroid gerombol lebih besar daripada kriteria konvergensi yang dipilih maka penempatan kembali setiap observasi terus dilakukan. Proses penempatan kembali dilanjutkan hingga perubahan centroid kurang dari kriteria konvergensi yang dipilih.

2) Hitung centroid setiap gerombol dan tempatkan kembali observasi ke dalam gerombol berdasarkan centroid terdekat. Untuk penempatan kembali setiap observasi, hitung ulang centroid gerombol di mana observasi ditempatkan dan gerombol dari mana observasi ditempatkan. Sekali lagi penempatan kembali dilanjutkan hingga perubahan centroid gerombol kurang dari kriteria konvergensi yang dipilih.

3) Tempatkan kembali observasi sedemikian sehingga beberapa fungsi objektif diminimumkan.

Pada dasarnya, algoritma non-hirarki dibedakan atas teknik partitioning,

overlapping dan hybrid. Sebelum membahas partitioning sebagai dasar metode K-Means, secara singkat akan dibahas overlapping dan hybrid.

Overlapping terjadi apabila data tumpang tindih sehingga suatu objek dapat termasuk ke dalam beberapa gerombol. Dalam teknik ini data mempunyai nilai keanggotaan (membership). Sedangkan hybrid merupakan teknik penggabungan antara metode hirarki dan non-hirarki.

Dalam pendekatan partitioning, observasi dibagi ke dalam k gerombol tanpa menggunakan matriks jarak di antara semua pasangan titik seperti pada pendekatan hirarki.

(37)

3. Metode Two Step Cluster

Metode Two Step Cluster merupakan suatu metode penggerombolan yang dapat mengatasi masalah skala pengukuran, khususnya untuk data berukuran besar dengan peubah yang memiliki tipe data kategorik dan kontinu, serta mengetahui gerombol optimasi yang terbentuk. Gerombol optimal memiliki jarak antar gerombol yang paling jauh, dan jarak antar obyek yang paling dekat. Fungsi jarak yang digunakan adalah jarak Euclidian atau jarak Log Likelihood. Karena menggunakan ukuran jarak tersebut, maka dimungkinkan digunakan berbagai tipe data baik kontinu maupun kategorik. Hasil akhir dari metode ini adalah pembentukan gerombol optimal berdasarkan kriteria tertentu (Bacher et al, 2004).

(38)

Menurut Chiu et al (2001) yang dikutip dari Karlina (2007) adapun perbedaan metode Hirarki, Non Hirarki dan Two Step Cluster yaitu :

Tabel 2.1 Perbandingan Metode Hirarki, Non Hirarki, dan Two Step Cluster

2.1.6 Metode K-means

K-Means merupakan salah satu metode data clustering non hirarki yang berusaha mempartisi data yang ada ke dalam bentuk satu atau lebih gerombol/cluster. Metode ini mempartisi data ke dalam gerombol sehingga data yang memiliki karakteristik sama dikelompokkan ke dalam satu gerombol yang sama. Dasar

Aspek yang dibandingkan

Metode Hirarki Metode Non Hirarki

Two Step Cluster Ukuran data Untuk data kecil Untuk data

besar

Untuk data sangat besar

Jenis peubah Kontinu Kontinu Kontinu dan

kategorik Banyak

gerombol

Belum diketahui Sudah diketahui Belum diketahui Ukuran jarak Euclidian atau

mahalanobis

Euclidian Euclidian atau

Log likehood Asumsi

sebaran

Tidak ada asumsi Tidak ada asumsi

 Peubah kontinu menyebar normal

 Peubah kategorik menyebar multinomial

 Antar peubahnya saling bebas Metode Penggabungan

(agglomerative)

dan pemisahan (divisive)

K-means  Pembentukan CF Tree

 Agglomerative

 Menentukan gerombol optimal

(39)

pengelompokan dalam metode ini adalah menempatkan objek berdasarkan rata-rata (mean) gerombol terdekat (Jhonson & Wichern, 2007). Algoritma K-Means memerlukan 3 komponen yaitu:

1. Jumlah Gerombol K

Seperti yang telah dijelaskan sebelumnya, K-Means merupakan bagian dari metode non-hirarki sehingga dalam metode ini jumlah k terus harus ditentukan terlebih dahulu. Jumlah gerombol k dapat ditentukan melalui pendekatan metode hirarki. Namun perlu diperhatikan bahwa tidak terdapat aturan khusus dalam menentukan jumlah gerombol k, terkadang jumlah gerombol yang diinginkan tergantung pada subjektif seseorang.

2. Gerombol Awal

Gerombol awal yang dipilih berkaitan dengan penentuan pusat gerombol awal (centroid awal). Dalam hal ini, terdapat beberapa pendapat dalam memilih gerombol awal untuk metode K-Means sebagai berikut:

a. Pemilihan gerombol awal dapat ditentukan berdasarkan interval dari jumlah setiap observasi.

b. Pemilihan gerombol awal dapat ditentukan melalui pendekatan salah satu metode hirarki.

c. Pemilihan gerombol awal dapat secara acak dari semua observasi.

Oleh karena adanya pemilihan gerombol awal yang berada ini maka kemungkinan besar solusi gerombol yang dihasil akan berbeda pula.

(40)

3. Ukuran Jarak

Dalam hal ini, ukuran jarak digunakan untuk menempatkan observasi ke dalam gerombol berdasarkan centroid terdekat. Ukuran jarak yang digunakan dalam metode K-Means adalah jarak Euclid.

2.2 Analisis Diskriminan

Analisis diskriminan adalah teknik multivariat yang termasuk pada

Dependence Method, dengan ciri adanya variabel dependen dan independen. Dengan demikian, ada variabel yang hasilnya tergantung pada variabel independen. Ciri khusus analisis diskriminan adalah data variabel dependen harus berupa data kategori, sedangkan data untuk variabel independen berupa data rasio.

Kegunaan analisis diskriminan ada dua yaitu pertama adalah kemampuan memprediksi terjadinya variabel dependen dengan memasukkan data variabel independen; kedua adalah kemampuan memilih mana variabel independen yang secara nyata memengaruhi variabel dependen dan mana yang tidak (Santoso, 2010). 2.2.1 Tujuan Analisis Diskriminan

Adapun tujuan analisis diskriminan adalah : (Yasril, 2009)

1. Membuat suatu fungsi diskriminan dari variabel independen yang bisa mendiskriminan atau membedakan kelompok variabel dependen, artinya mampu membedakan suatu objek masuk kelompok yang mana.

2. Menguji apakah ada perbedaan signifikan antara kelompok, dikaitkan dengan variabel independen.

3. Menentukan variabel independen yang mana yang memberikan sumbangan terbesar terhadap terjadinya perbedaan antar kelompok.

(41)

4. Mengelompokkan (mengklasifikasikan) variabel dependen ke dalam suatu kelompok didasarkan pada nilai variabel independen.

2.2.2 Asumsi Analisis Diskriminan

Asumsi-asumsi yang harus dipenuhi untuk analisis diskriminan adalah : (Yasril, 2009)

1. Multivariate Normality

Bila menggunakan teknik analisis multivariat dengan analisa diskriminan, variabel independen seharusnya berdistribusi normal. Jika data tidak berdistribusi normal, hal ini akan menyebabkan masalah pada ketepatan fungsi (model) diskriminan. Regresi Logistik bisa dijadikan alternatif metode jika memang data tidak berdistribusi normal.

2. Matriks kovarians dari semua variabel independen seharusnya sama (equel) 3. Tidak adanya data yang sangat ekstrim (outlier) pada variabel independen.

Jika ada data outlier yang tetap diproses, hal ini bisa berakibat berkrangnya ketepatan klasifikasi dari fungsi diskriminan.

4. Tidak ada multikolinearitas antar variabel independen.

Multikolinearitas terjadi bila ada variabel independen yang berkorelasi sangat kuat dengan variabel independen lainnya. Untuk mengetahui adanya multikolinearitas dapat dilakukan dengan melihat korelasi antar variabel independen yaitu jika nilai r > 0,8 menunjukkan adanya multikolinearitas. 2.2.3 Model Analisis Diskriminan

Model analisis diskriminan berkenaan dengan kombinasi linier yang disebut juga fungsi diskriminan bentuknya sebagai berikut : (Yasril, 2009)

(42)

Zjk = a + W1X1k + W2X2k + … + WnXnk dimana

Zjk = Nilai (skor) diskriminan dari fungsi diskriminan j untuk objek k

a = Intercept

Wn = Timbangan diskriminan untuk variabel independen

Xnk = Variabel independen n untuk objek k

2.2.4 Langkah-Langkah Analisis Diskriminan

1. Desain penelitian untuk analisis diskriminan (Yasril, 2009): a. Pemilihan variabel dependen dan independen

Sebelum menggunakan analisis diskriminan, peneliti harus menentukan terlebih dahulu mana variabel dependen dan mana variabel independen. Sesuai dengan ketentuan di atas, variabel dependen harus merupakan variabel kategorik sedang variabel independen merupakan variabel numerik.

Berdasarkan jumlah kelompok variabel dependen yang dalam hal ini harus mutually exclusive dan exhaustive, analisis diskriminan dibedakan menjadi dua yaitu :

1) Analisis diskriminan dua kategorik/kelompok, dimana variabel dependen dikelompokkan menjadi 2 (dikotomi), diperlukan satu fungsi diskriminan. 2) Analisis diskriminan berganda (Multiple Discriminant Anlysis/MDA),

dimana variabel dependen dikelompokkan menjadi lebih dari 2 kelompok (multikotomi), diperlukan fungsi diskriminan sebanyak (k-1) kalau ada k kategori.

(43)

Pada analisis diskriminan tidak ada ketentuan untuk besar sampel, tetapi beberapa penelitian menyarankan 5-20 sampel untuk setiap variabel independen. Dengan demikian jika ada lima variabel independen, seharusnya minimal ada 25 sampel.

c. Pembagian Sampel

Ada beberapa cara pembagian sampel yang dilakukan, tetapi yang paling sering digunakan adalah membagi menjadi 2 kelompok yaitu kelompok sampel analisis yang digunakan untuk membuat estimasi nilai koefisien fungsi diskriminan dan kelompok validasi yang digunakan untuk menguji hasil diskriminan. Jumlah tiap kelompok biasanya sama besar walaupun ini tidak mutlak.

Apabila peran bagian pertama kemudian ditukar dengan peran bagian kedua, analisis diulangi, yang dipergunakan untuk estimasi kemudian untuk validasi, ini yang disebut double cross validation.

2. Pembentukan fungsi diskriminan

Ada dua metode dasar untuk membuat fungsi diskriminan :

a. Direct Method (Simultaneous Estimation), dimana semua variabel dimasukkan secara bersama-sama kemudian dilakukan proses dikriminan b. Step-wise Discriminant Analysis, dimana variabel dimasukkan satu persatu ke

dalam model diskriminan.

(44)

Untuk menguji signifikan fungsi diskriminan dilihat nilai signifikan dari Wilk’s Lambda, Pilai, F test dan lainnya (Santoso, 2010). Jika p > 0,05, maka menunjukkan bahwa fungsi diskriminan ini dapat memperlihatkan perbedaan yang jelas antara dua kelompok variabel dependen (Yasril, 2009).

4. Menguji ketepatan klasifikasi dari fungsi diskriminan

Untuk menguji ketepatan klasifikasi fungsi diskriminan dilakukan uji dengan Casewise Diagnostics. Jika fungsi diskriminan mempunyai ketepatan mengklasifikasi kasus > 50%, ketepatan model dianggap tinggi.

5. Melakukan interpretasi terhadap fungsi diskriminan tersebut 2.3 Program Kesehatan Ibu dan Anak (KIA)

2.3.1 Pengertian Program Kesehatan Ibu dan Anak (KIA)

Program Kesehatan Ibu dan Anak (KIA) merupakan salah satu prioritas utama pembangunan kesehatan di Indonesia. Program ini bertanggung jawab terhadap pelayanan kesehatan bagi ibu hamil, ibu melahirkan dan bayi neonatal. Salah satu tujuan program ini adalah menurunkan kematian dan kejadian sakit di kalangan ibu (Hasanbasri, 2007).

Pengelolaan program KIA bertujuan memantapkan dan meningkatkan jangkauan serta mutu pelayanan KIA secara efektif dan efisien. Pemantapan pelayanan KIA dewasa ini diutamakan pada kegiatan pokok sebagai berikut (Depkes, 2009) :

a. Peningkatan pelayanan antenatal di semua fasilitas pelayanan dengan mutu sesuai standar serta menjangkau seluruh sasaran.

(45)

b. Peningkatan pertolongan persalinan ditujukan kepada peningkatan pertolongan oleh tenaga kesehatan kebidanan secara berangsur.

c. Peningkatan deteksi dini risiko tinggi/komplikasi kebidanan, baik oleh tenaga kesehatan maupun masyarakat oleh kader dan dukun bayi serta penanganan dan pengamatannya secara terus menerus.

d. Peningkatan penanganan komplikasi kebidanan secara adekuat dan pengamatan secara terus menerus oleh tenaga kesehatan.

e. Peningkatan pelayanan neonatal dan ibu nifas dengan mutu sesuai standard yang menjangkau seluruh sasaran.

2.3.2 Tujuan Program Kesehatan Ibu dan Anak (KIA)

Tujuan Program Kesehatan Ibu dan Anak (KIA) adalah tercapainya kemampuan hidup sehat melalui peningkatan derajat kesehatan yang optimal, bagi ibu dan keluarganya untuk menuju Norma Keluarga Kecil Bahagia Sejahtera (NKKBS) serta meningkatnya derajat kesehatan anak untuk menjamin proses tumbuh kembang optimal yang merupakan landasan bagi peningkatan kualitas manusia seutuhnya (Erliana, 2009).

Sedangkan tujuan khusus program KIA adalah : (Nasir, 2008)

1. Meningkatnya kemampuan ibu (pengetahuan, sikap dan perilaku), dalam mengatasi kesehatan diri dan keluarganya dengan menggunakan teknologi tepat guna dalam upaya pembinaan kesehatan keluarga, paguyuban 10 keluarga, Posyandu dan sebagainya.

(46)

2. Meningkatnya upaya pembinaan kesehatan balita dan anak prasekolah secara mandiri di dalam lingkungan keluarga, paguyuban 10 keluarga, Posyandu, dan Karang Balita serta di sekolah Taman Kanak-kanak atau TK.

3. Meningkatnya jangkauan pelayanan kesehatan bayi, anak balita, ibu hamil, ibu bersalin, ibu nifas, dan ibu meneteki.

4. Meningkatkan mutu pelayanan kesehatan ibu hamil, ibu bersalin, ibu nifas, ibu meneteki, bayi dan anak balita.

5. Meningkatnya kemampuan dan peran serta masyarakat, keluarga dan seluruh anggotanya untuk mengatasi masalah kesehatan ibu, balita, anak prasekolah, terutama melalui peningkatan peran ibu dan keluarganya.

2.3.3 Pelayanan Kesehatan Ibu dan Anak (KIA) 1. Pelayanan Antenatal

Pelayanan antenatal merupakan pelayanan kesehatan oleh tenaga kesehatan professional (dokter spesialis obgyn, dokter umum, bidan dan perawat) seperti pengukuran berat badan dan tekanan darah, pemeriksaan tinggi fundus uteri, imunisasi tetanus toxoid (TT) serta pemberian tablet besi kepada ibu hamil selama masa kehamilannya sesuai pedoman pelayanan antenatal yang ada dengan titik berat pada kegiatan promotif dan preventif. Hasil pelayanan antenatal dapat dilihat dari cakupan palayanan K1 dan K4 (Dinkes Provsu, 2011).

Kunjungan baru ibu hamil (K1) adalah kunjungan ibu hamil yang pertama kali pada masa kehamilan. Sedangkan cakupan K4 ibu hamil adalah kontak ibu hamil dengan tenaga kesehatan yang keempat (atau lebih), untuk mendapatkan pelayanan antenatal sesuai standar yang ditetapkan, dengan syarat: minimal satu kali kontak

(47)

pada triwulan I, satu kali kontak pada triwulan II, dan dua kali kontak pada triwulan III (Depkes, 2009).

2. Pertolongan Persalinan oleh Tenaga Kesehatan dengan Kompetensi Kebidanan

Pertolongan persalinan oleh tenaga kesehatan adalah pertolongan persalinan oleh petugas kesehatan, tidak termasuk pertolongan pendampingan. Pertolongan persalinan dilakukan oleh dokter ahli, dokter, bidan atau petugas kesehatan lainnya yang telah memperoleh pelatihan tehnis untuk melakukan pertolongan kepada ibu bersalin. Dilakukan sesuai dengan pedoman dan prosedur teknis yang telah ditetapkan (Dinkes Provsu, 2011).

Periode persalinan merupakan salah satu periode yang berkontribusi besar terhadap Angka Kematian Ibu di Indonesia. Kematian saat bersalin dan 1 minggu pertama diperkirakan 60% dari seluruh kematian ibu. Sedangkan dalam target MDG’s, salah satu upaya yang harus dilakukan untuk meningkatkan kesehatan ibu adalah menurunkan angka kematian ibu menjadi 102 per 100.000 kelahiran hidup pada tahun 2015 dari 425 per 100.000 kelahiran hidup pada tahun 1992 (SKRT) serta meningkatkan pertolongan persalinan oleh tenaga kesehatan adalah pelayanan persalinan yang aman yang dilakukan oleh tenaga kesehatan dengan kompetensi kebidanan (Depkes, 2011).

3. Cakupan Pelayanan Kesehatan Ibu Nifas (KF3)

Masa nifas atau pueperium adalah masa setelah plasenta lahir dan berakhir ketika alat “kandungan” seperti keadaan sebelum hamil yang berlangsung selama ± 6 minggu. Pelayanan kesehatan ibu nifas adalah pelayanan kesehatan sesuai standar

(48)

pada ibu mulai 6 jam sampai 42 hari pasca persalinan oleh tenaga kesehatan. Untuk deteksi dini komplikasi pada ibu nifas diperlukan pemantauan pemeriksaan terhadap ibu nifas dengan melakukan kunjungan nifas minimal sebanyak 3 kali dengan distribusi waktu: 1) kunjungan nifas pertama (KF1) pada 6 jam setelah persalinan sampai 3 hari; 2) kunjungan nifas ke-2 (KF2) dilakukan dalam waktu hari ke-4 sampai dengan hari ke-28 setelah persalinan; dan 3) kunjungan nifas ke-3 (KF3) dilakukan dalam waktu hari ke-29 sampai dengan hari ke-42 setelah persalinan (Erliana, 2009).

Pelayanan kesehatan ibu nifas yang diberikan meliputi: 1) pemeriksaan tekanan darah, nadi, respirasi dan suhu; 2) pemeriksaan tinggi fundus uteri; 3) pemeriksaan lokhia dan pengeluaran per vaginam lainnya; 4) pemeriksaan payudara dan anjuran ASI eksklusif 6 bulan; 5) pemberian kapsul Vitamin A 200.000 IU sebanyak dua kali; 6) pelayanan KB pasca persalinan (Dinkes Provsu, 2011).

4. Rujukan Kasus Risti dan Penanganan Komplikasi

Dalam memberikan pelayanan khususnya oleh tenaga bidan di desa dan puskesmas, beberapa ibu hamil yang memiliki resiko tinggi (risti) dan memerlukan pelayanan kesehatan karena terbatasnya kemampuan dalam memberikan pelayanan, maka kasus tersebut perlu dilakukan upaya rujukan ke unit pelayanan kesehatan yang memadai.

Risti atau komplikasi kebidanan adalah keadaan penyimpangan dari normal, yang secara langsung menyebabkan kesakitan dan kematian ibu maupun bayi. Risti/komplikasi kebidanan meliputi; Hb < 8 g %, tekanan darah tinggi (sistole > 140 mmHg, diastole > 90 mmHg), oedema nyata, eklamsia, perdarahan pervaginam,

(49)

ketuban pecah dini, letak lintang pada usia kehamilan >32 minggu, letak sungsang pada primigravida, infeksi berat/sepsis, persalinan prematur (Dinkes Provsu, 2011).

Kejadian komplikasi kebidanan dan risiko tinggi diperkirakan terdapat pada sekitar 15-20% ibu hamil. Komplikasi dana kehamilan dan persalinan tidk selalu dapat diduga atau diramalkan sebelumnya, sehingga ibu hamil harus berada sedekat mungkin pada sarana pelayanan yang mampu memberikan Pelayanan Obstetri dan Neonatal Emergensi Dasar (PONED). Agar puskesmas mampu melaksanakan PONED maka harus didukung pula oleh tenaga medis terampil yang telah dilatih dan adanya sarana medis maupun non medis yang memadai.

Komplikasi obstetri ini merupakan penyebab langsung kematian ibu, yaitu perdarahan, infeksi, eklamsia, partus macet (persalinan kasip), abortus dan rupture uteri (robekan rahim). Sedangkan komplikasi neonatal adalah neonatal dengan penyakit dan kelainan yang dapat menyebabkan kesakitan, kecacatan, dan kematian yaitu seperti BBLR (berat badan lahir rendah <2500 gr.

Neonatal risti/komplikasi meliputi asfiksia, tetanus neonatorum, sepsis, trauma lahir, BBLR (berat badan lahir <2.500 gr), sindroma gangguan pernafasan dan kelainan neonatal. Neonatal risti/komplikasi yang tertangani adalah neonatal risti/komplikasi yang mendapat pelayanan oleh tenaga kesehatan terlatih, dokter dan bidan di polindes, puskesmas, rumah bersalin dan rumah sakit (Depkes, 2011).

5. Kunjungan Neonatal (KN1 dan KN3)

Kunjungan neonatal adalah kontak neonatal dengan tenaga kesehatan minimal 2 (dua) kali untuk mendapatkan pelayanan dan pemeriksaan kesehatan neonatal, baik

(50)

didalam maupun diluar gedung puskesmas (termasuk bidan desa, polindes dan kunjungan rumah) dengan ketentuan (Depkes, 2009) :

a. Kunjungan pertama kali pada hari pertama sampai pada hari ke tujuh (sejak 6 jam setelah lahir 7 hari)

b. Kunjungan kedua kali pada hari ke delapan sampai dengan hari keduapuluh delapan (8-28 hari)

Petugas kesehatan dalam melaksanakan pelayanan neonatus disamping melakukan pemeriksaan kesehatan bayi, juga dilakukan konseling perawatan bayi kepada ibunya. Pelayanan tersebut meliputi pelayanan kesehatan neonatal dasar (tindakan resusitasi, pencegahan hipotermia, pemberian ASI dini dan eksklusif, pencegahan infeksi berupa perawatan mata, tali pusat, kulit dan pemberian imunisasi), pemberian vitamin K, manajemen terpadu balita muda (MTBM) dan penyuluhan perawatan neonatus di rumah menggunakan buku KIA (Dinkes Provsu, 2011).

(51)

2.4Kerangka Konsep

Gambar 2.1 Kerangka Konsep Penerapan Analisis Gerombol Untuk Profil Kesehatan Ibu dan Anak di Provinsi Sumatera Utara Tahun 2011

Profil kabupaten/kota

Variabel

1.Cakupan pelayanan ibu hamil (K1) 2.Cakupan pelayanan ibu hamil (K4) 3.Cakupan pertolongan persalinan oleh tenaga kesehatan

4.Cakupan pelayanan ibu nifas 5.Cakupan penanganan komplikasi obstetri

6. Cakupan penanganan komplikasi neonatal

7.Kunjungan neonatal (KN1) 8.Kunjungan neonatal lengkap

Analisis

Gerombol/Cluster

Hasil :

1. Status KIA baik 2.Status KIA sedang 3. Status KIA buruk

(52)

BAB III

METODE PENELITIAN

3.1 Jenis Penelitian

Penelitian ini adalah penelitian deskriptif karena merupakan prosedur untuk membuat gambaran yang digunakan dalam program pelayanan kesehatan (Soekidjo,2005). Jenis penelitian menurut tujuannya adalah penelitian terapan pada data sekunder karena menggunakan analisis gerombol data profil pelayanan kesehatan ibu dan anak di Provinsi Sumatera Utara Tahun 2011 (Erlina, 2011).

3.2 Lokasi dan Waktu Penelitian

Penelitian ini dilakukan di Dinas Kesehatan Provinsi Sumatera Utara. Lokasi penelitian ini dipilih dengan alasan bahwa pelayanan kesehatan ibu dan anak merupakan rincian Pelayanan Kesehatan Dasar (PKD), dimana menjadi target khusus pelayanan di tingkat Puskesmas, sebagai Unit Pelaksana Teknis Dinas (UPTD) pada setiap Dinas Kesehatan Kabupaten/Kota dan dirujuk ke Dinas Kesehatan Provinsi Sumatera Utara. Penelitian ini dimulai dari survei pendahuluan, penelusuran pustaka, seminar proposal, pengumpulan dan pengolahan data serta seminar akhir yang dilakukan dari bulan Februari sampai Juni 2012.

3.3 Populasi dan Sampel 3.3.1 Populasi

(53)

Populasi penelitian adalah seluruh data profil pelayanan kesehatan ibu dan anak yang ada di Dinas Kesehatan Provinsi Sumatera Utara Tahun 2010.

3.3.2 Sampel

Sampel penelitian adalah data 1 tahun yaitu data profil pelayanan kesehatan ibu dan anak tahun 2010 yang terdiri dari 33 kabupaten/kota di Provinsi Sumatera Utara.

3.4 Metode Pengumpulan Data

Data yang dikumpulkan adalah data sekunder yaitu data profil pelayanan kesehatan ibu dan anak tahun 2010 yang diperoleh dari Dinas Kesehatan Provinsi Sumatera Utara.

3.5 Definisi Operasional

1. X1 = Cakupan kunjungan ibu hamil (K1) adalah perbandingan antara jumlah

kunjungan baru (K1) ibu hamil di satu wilayah kerja pada kurun waktu tertentu dengan penduduk sasaran ibu hamil.

2. X2 = Cakupan kunjungan ibu hamil (K4) adalah perbandingan antara jumlah

kunjungan ibu hamil keempat (K4) di satu wilayah kerja pada kurun waktu tertentu dengan penduduk sasaran ibu hamil.

3. X3 = Cakupan pertolongan persalinan oleh tenaga kesehatan adalah perbandingan

antara jumlah persalinan oleh tenaga kesehatan di satu wilayah kerja pada kurun waktu tertentu dengan penduduk sasaran ibu bersalin.

(54)

4. X4 = Cakupan pelayanan ibu nifas adalah perbandingan antara jumlah pelayanan

ibu nifas oleh tenaga kesehatan minimal 3 kali di satu wilayah kerja pada kurun waktu tertentu dengan penduduk sasaran ibu nifas.

5. X5 = Cakupan penanganan komplikasi obstetri adalah perbandingan antara jumlah

kasus kegawatdaruratan obstetrik yang ditangani di satu wilayah kerja pada kurun waktu tertentu dengan 20% sasaran ibu hamil.

6. X6 = Cakupan penanganan komplikasi neonatal adalah perbandingan antara

jumlah kasus kegawatdaruratan neonatal yang ditangani di satu wilayah kerja pada kurun waktu tertentu dengan 20% sasaran bayi.

7. X7 = Cakupan kunjungan neonatal (KN1) adalah perbandingan antara jumlah

neonatal pada umur 0-7 hari yang telah memperoleh pelayanan kesehatan sesuai standar KN1 di satu wilayah kerja pada kurun tertentu dengan penduduk sasaran bayi.

8. X8 = Cakupan kunjungan neonatal lengkap adalah perbandingan antara jumlah

neonatal yang telah memperoleh pelayanan kesehatan sesuai standar KN2 di satu wilayah kerja pada kurun tertentu dengan penduduk sasaran bayi.

(55)

3.6 Aspek Pengukuran

Tabel 3.1 Aspek Pengukuran Status Pelayanan Kesehatan Ibu dan Anak

Variabel Skala Ukur

Cakupan kunjungan ibu hamil (K1) Rasio

Cakupan kunjungan ibu hami (K4) Rasio

Cakupan pertolongan persalinan oleh tenaga kesehatan

Rasio

Cakupan pelayanan ibu nifas Rasio

Cakupan penanganan komplikasi obstetric Rasio Cakupan penanganan komplikasi neonatal Rasio

Cakupan kunjungan neonatal (KN1) Rasio

Cakupan kunjungan neonatal lengkap Rasio

3.7 Analisis Data

Analisis data dilakukan untuk menyederhanakan data agar lebih mudah dibaca dan diinterpretasikan. Tahap analisis data meliputi :

1. Analisis deskriptif (Univariat)

Analisis deskriptif digunakan untuk menggambarkan distribusi: a. Cakupan pelayanan ibu hamil (K1)

b. Cakupan pelayanan ibu hamil (K4)

c. Cakupan pertolongan persalinan oleh tenaga kesehatan d. Cakupan pelayanan ibu nifas

e. Cakupan penanganan komplikasi obstetri f. Cakupan penanganan komplikasi neonatal g. Kunjungan neonatal (KN1)

(56)

2. Analisis Gerombol

Analisis multivariat menggunakan analisis gerombol untuk mengelompokkan Kabupaten/Kota di Provinsi Sumatera Utara yang bertujuan untuk mengetahui jumlah gerombol optimal dalam penentuan profil kesehatan ibu dan anak berdasarkan variabel-varaibel di atas dari setiap gerombol yang terbentuk. Analisis gerombol/cluster dalam penelitian ini menggunakan metode non-hierarchical cluster atau K-Means Cluster dengan jarak Euclid.

3. Analisis Diskriminan

Analisis diskriminan dalam penelitian ini bertujuan untuk melakukan klasifikasi terhadap objek/variabel, apakah suatu objek/variabel itu termasuk pada gerombol 1, gerombol 2 dan gerombol 3 dengan menggunakan analisis diskriminan tiga faktor (Multiple Discriminant Analysis).

(57)

BAB IV

HASIL PENELITIAN

4.1 Gambaran Umum Provinsi Sumatera Utara 4.1.1 Letak Geografis

Provinsi Sumatera Utara berada dibagian barat Indonesia, terletak pada garis 1o – 4o Lintang Utara, dan 98o – 100o Bujur Timur. Sebelah Utara berbatasan dengan Provinsi Nanggroe Aceh Darussalam (NAD), sebelah Timur dengan Negara Malaysia di selat Malaka, sebelah Selatan berbatasan dengan Provinsi Riau dan Sumatera Barat, dan di sebelah Barat berbatasan dengan Samudera Hindia.

Luas daratan Provinsi Sumatera Utara adalah 71.680, 68 km2 sebagian besar berada di daratan Pulau Sumatera dan sebagian kecil di Pulau Nias, pulau-pulau Batu, serta beberapa pulau kecil baik dibagian barat maupun bagian timur pantai Pulau Sumatera. Berdasarkan luas daerah menurut kabupaten/kota di Sumatera Utara, luas daerah terbesar adalah Kabupaten Mandailing Natal dengan luas 6.620,70 km2 atau sekitar 9,24% dari total luas Sumatera Utara, diikuti Kabupaten Langkat dengan luas 4.386,60 km2 atau sekitar 6,09%. Sedangkan luas daerah terkecil adalah Kota Sibolga dengan luas 10,77 km2 atau 0,02% dari total luas wilayah Sumatera Utara. Berdasarkan kondisi letak dan kondisi alam, Sumatera Utara dibagi dalam 3 (tiga) kelompok wilayah yaitu Pantai Barat, Daratan Tinggi dan Pantai Timur.

Provinsi Sumatera Utara tergolong ke dalam daerah beriklim tropis, kisaran suhu anatar 13,4oC – 33,9oC, mempunyai musim kemarau (Juni s/d September) dan musim hujan (Nopember s/d Maret), diantara kedua musim itu diselingi oleh musim

(58)

pancaroba. Secara administratif, Sumatera Utara pada tahun 2010 memiliki 33 kabupaten/kota yaitu 8 kota dan 25 kabupaten.

4.1.2 Kependudukan

Sumatera Utara merupakan provinsi keempat yang terbesar jumlah penduduknya di Indonesia setelah Jawa Timur, Jawa Barat dan Jawa Tengah. Berdasarkan Survei Penduduk 2010, jumlah penduduk Sumatera Utara tercatat sebesar 12.982.204 jiwa dengan tingkat kepadatan penduduk sebesar 180 per km2.

Tingkat kepadatan penduduk yang tinggi didominasi oleh daerah perkotaan. Kabupaten/Kota yang memiliki kepadatan penduduk tertinggi adalah Kota Medan sebesar 7.913 jiwa per km2, disusul dengan Kota Sibolga dengan kepadatan penduduk yaitu 7.844 jiwa per km2 dan Kota Tebing Tinggi dengan kepadatan penduduk yaitu 3.779 jiwa per km2. Daerah dengan kepadatan penduduk terendah yaitu Kabupaten Pak-Pak Barat yaitu 33 jiwa per km2, disusul dengan Kabupaten Nias yaitu 38 jiwa per km2 dan Kabupaten Serdang Bedagai yaitu 49 jiwa per km2.

Jumlah penduduk laki-laki di Sumatera Utara lebih sedikit dibandingkan dengan penduduk perempuan. Jumlah penduduk perempuan sebanyak 6.498.850 jiwa dan laki-laki 6.483.354 jiwa, dengan sex ratio sebesar 99,76%. Bila dilihat berdasarkan rata-rata banyaknya anggota keluarga di Sumatera Utara pada tahun 2010 adalah sebesar 4,33 (yang berarti rata-rata pada setiap keluarga terdiri dari 4-5 anggota keluarga). Kabupaten yang rata-rata jumlah anggota keluarganya paling banyak adalah Kabupaten Nias Selatan yaitu 5,23 orang dan yang paling sedikit adalah Kabupaten Karo yaitu 3,83 orang.

(59)

4.1.3 Umur

Komposisi penduduk Sumatera Utara menurut kelompok umur, menunjukkan bahwa penduduk yang berusia muda (0-14 tahun) sebesar 33,24%, yang berusia produktif (15-64 tahun) sebesar 62,87% dan yang berusia tua (>65 tahun) sebesar 3,89%. Dengan demikian maka Angka Beban Tanggungan (Dependency Ratio) penduduk Sumatera Utara tahun 2010 sebesar 59,06%. Angka ini tidak mengalami perubahan bila dibandingkan tahun 2009 (Dinkes Provsu, 2011).

4.1.4 Pendidikan

Dari hasil survei Angkatan Kerja Nasional bulan Agustus 2008 dapat dilihat tingkat pendidikan angkatan kerja berumur 15 tahun keatas di Sumatera Utara yang tidak pernah sekolah 1,95%, tidak tamat SD 10,81%, tamat SD 27,90%, tamat MP 23,70%, tamat SMA 29,27%, Diploma dan Universitas 6,37%. Dari data tersebut menggambarkan bahwa tingkat pendidikan angkatan kerja di Sumatera Utara sebagian besar masih berpendidikan SD ke bawah. Kemampuan membaca dan menulis tercermin dari Angka Melek Huruf yaitu penduduk usia 10 tahun ke atas yang dapat membaca dan menulis huruf latin dan huruf lainnya. Pada tahun 2010, persentase penduduk Sumatera Utara yang melek huruf 97,58%, dimana persentase laki-laki lebih tinggi dari perempuan yaitu 98,47% dan 96,72%. Persentase penduduk berumur 10 tahun ke atas yang melek huruf per kabupaten/kota tahun 2010 terendah di Kabupaten Nias Selatan yaitu 84,96% disusul Kabupaten Nias Barat yaitu 86,40% (Dinkes Provsu, 2011).

(60)

4.2 Analisis Deskriptif (Univariat)

Analisis univariat bertujuan untuk menjelaskan/mendeskripsikan karakteristik masing-masing variabel yang diteliti. Bentuknya tergantung dari jenis datanya. Untuk data kategori hanya dapat menjelaskan angka/nilai jumlah dan persentase masing-masing kelompok. Sedangkan untuk data numerik digunakan nilai mean, median, standar deviasi dan lain-lain.

Karakteristik profil kesehatan ibu dan anak diperoleh berdasarkan analisis deskriptif terlihat pada tabel berikut:

Tabel 4.1 Karakteristik Profil Kesehatan Ibu dan Anak di Provinsi Sumatera Utara

Variabel Minimum Maximum Rataan Standar Deviasi Cakupan kunjungan ibu

hamil (K1) 70,5 113,0 92,1 9,8

Cakupan kunjungan ibu

hamil (K4) 63,3 101,2 82,7 9,7

Cakupan pertolongan

oleh tenaga kesehatan 4,0 104,3 83,4 18,3

Cakupan pelayanan ibu

nifas 0,0 104,5 79,0 24,1

Cakupan penanganan

komplikasi obstetri 0,0 129,1 42,7 34,1

Cakupan penanganan

komplikasi neonatal 0,0 100,1 30,1 38,2

Cakupan kunjungan

Neonatal (KN1) 8,8 100,9 78,6 17,4

Cakupan kunjungan

neonatal lengkap (KN3) 0,0 94,7 60,1 33,1

Dilihat dari Tabel 4.1 di atas, diperoleh rata-rata cakupan kunjungan ibu hamil (K1) sebesar 92,1%, standar deviasi 9,8%, nilai minimum 70,5% dan maximum 113,0%. Rata-rata cakupan kunjungan ibu hamil (K4) sebesar 82,7%, standar deviasi 9,7%, nilai minimum 63,3% dan maximum 101,2%. Rata-rata cakupan pertolongan

(1)

Wilks' Lambda

1 ,112 1 2 30 118,581 2 30,000 ,000

2 ,052 2 2 30 48,899 4 58,000 ,000

Step 1 2

Number of

Variables Lambda df1 df2 df3 Statistic df1 df2 Sig.

Exact F

Pairwise Group Comparisonsa,b

227,279 ,578

,000 ,453

227,279 69,708

,000 ,000

,578 69,708

,453 ,000

112,658 16,439

,000 ,000

112,658 42,394

,000 ,000

16,439 42,394

,000 ,000

F Sig. F Sig. F Sig. F Sig. F Sig. F Sig. Predicted Group for Analysis 1 status KIA baik status KIA sedang status KIA buruk status KIA baik status KIA sedang status KIA buruk Step

status KIA baik

status KIA sedang

status KIA buruk

1, 30 degrees of freedom for step 1. a.

2, 29 degrees of freedom for step 2. b.

Summary of Canonical Discriminant Functions

Eigenvalues

7,965a _87,6 _87,6 _,943

1,132a 12,4 100,0 ,729

Function 1 2

Eigenvalue % of Variance Cumulative %

Canonical Correlation

First 2 canonical discriminant functions were used in the analysis.

Wilks' Lambda

,052

87,043

4 ,000

,469

22,339

1 ,000

Test of Function(s)

1 through 2

2 Wilks'

(2)

Standardized Canonical Discriminant Function Coefficients

-,095

1,014

-,098

Cakupan pertolongan

oleh tenaga kesehatan

Cakupan penanganan

komplikasi neonatal

1

2 Function

Structure Matrix

,996* ,094 -,260* ,046 ,096 ,995* ,220 ,508* ,209 ,483* ,024 ,471* ,308 ,450* -,238 ,343* Cakupan penanganan

komplikasi neonatal Cakupan kunjungan neonatal lengkap (KN3)a Cakupan pertolongan oleh tenaga kesehatan Cakupan kunjungan ibu nifasa

cakupan kunjungan ibu hamil (K1)a

Cakupan kunjungan ibu hamil (K4)a

Cakupan penanganan komplikasi obstetria Cakupan kunjungan neonatal (KN1)a

1 2

Function

Pooled within-groups correlations between discriminating variables and standardized canonical discriminant functions Variables ordered by absolute size of correlation within function.

Largest absolute correlation between each variable and any discriminant function

This variable not used in the analysis. a.

Canonical Discriminant Function Coefficients

-,007 ,079

,077 -,007

-1,686 -6,407 Cakupan pertolongan

oleh tenaga kesehatan Cakupan penanganan komplikasi neonatal (Constant)

1 2

Function

(3)

Functions at Group Centroids

-1,634 ,367

4,394 -,023 -1,793 -3,937 Predicted Group

for Analysis 1 status KIA baik status KIA sedang status KIA buruk

1 2

Function

Unstandardized canonical discriminant functions evaluated at group means

Classification Statistics

Classification Processing Summary 33

0 0 33 Processed

Missing or out-of-range group codes

At least one missing discriminating variable Excluded

Used in Output

Prior Probabilities for Groups

,333 22 22,000

,333 9 9,000

,333 2 2,000

1,000 33 33,000

Predicted Group for Analysis 1 status KIA baik status KIA sedang status KIA buruk Total

Prior Unweighted Weighted Cases Used in Analysis

(4)

Territorial Map Canonical Discriminant

Function 2

-6,0 -4,0 -2,0 ,0 2,0 4,0 6,0 ôòòòòòòòòòôòòòòòòòòòôòòòòòòòòòôòòòòòòòòòôòòòòòòòòòôòòòòòòòòòô 6,0 ô 12 ô ó 12 ó ó 12 ó ó 12 ó ó 12 ó ó 12 ó 4,0 ô ô ô ô 12ô ô ô ó 12 ó ó 12 ó ó 12 ó ó 12 ó ó 12 ó 2,0 ô ô ô ô 12ô ô ô ó 12 ó ó 12 ó ó 12 ó ó 12 ó ó * 12 ó ,0 ô ô ô ô 12 ô ô * ô ó 12 ó ó 12 ó ó 12 ó ó 12 ó ó11111111111111111111111111111 12 ó -2,0 ô33333333333333333333333333333111111112 ô ô ô ó 3333333332 ó ó 32 ó ó 32 ó ó 32 ó ó 32 ó -4,0 ô ô ô* ô ô 32 ô ô ó 32 ó ó 322 ó ó 332 ó ó 32 ó ó 32 ó -6,0 ô 32 ô ôòòòòòòòòòôòòòòòòòòòôòòòòòòòòòôòòòòòòòòòôòòòòòòòòòôòòòòòòòòòô -6,0 -4,0 -2,0 ,0 2,0 4,0 6,0 Canonical Discriminant Function 1

Symbols used in territorial map

Symbol Group Label

--- --- ---

1 1 status KIA baik 2 2 status KIA sedang 3 3 status KIA buruk

(5)

Casewise Statistics

1 1 ,692 2 1,000 ,736 3 ,000 25,917 -1,986 1,150

2 2 ,367 2 1,000 2,004 1 ,000 47,374 5,205 1,137

1 1 ,908 2 1,000 ,192 3 ,000 20,288 -2,027 ,561

1 1 ,735 2 ,998 ,617 3 ,002 13,162 -2,022 -,316

1 1 ,898 2 1,000 ,215 3 ,000 17,731 -2,087 ,264

1 1 ,415 2 1,000 1,760 3 ,000 31,069 -2,036 1,632

2 2 ,286 2 1,000 2,504 1 ,000 20,534 2,842 -,335

1 1 ,695 2 ,996 ,728 3 ,004 11,958 -1,589 -,485

1 1 ,843 2 1,000 ,341 3 ,000 16,195 -2,139 ,073

2 2 ,656 2 1,000 ,842 1 ,000 48,187 5,302 ,106

1 1 ,035 2 ,935 6,707 2 ,064 12,062 ,921 -,053

1 1 ,550 2 1,000 1,196 3 ,000 29,122 -1,485 1,451

1 1 ,318 2 ,941 2,291 3 ,059 7,829 -1,596 -1,146

2 2 ,501 2 1,000 1,381 1 ,000 47,406 5,237 ,795

2 2 ,293 2 1,000 2,456 1 ,000 20,343 2,876 ,366

3 3 ,098 2 ,504 4,648 1 ,496 4,678 -1,872 -1,782

1 1 ,746 2 1,000 ,587 3 ,000 21,290 -2,349 ,644

1 1 ,291 2 1,000 2,470 2 ,000 19,976 -,065 ,286

1 1 ,504 2 1,000 1,368 3 ,000 27,281 -,805 1,192

1 1 ,712 2 1,000 ,680 3 ,000 25,180 -2,060 1,074

1 1 ,931 2 1,000 ,142 3 ,000 21,039 -1,885 ,649

2 2 ,097 2 ,998 4,671 1 ,002 16,842 2,334 -,678

1 1 ,506 2 ,992 1,360 3 ,008 11,083 -2,229 -,636

2 2 ,086 2 1,000 4,914 3 ,000 52,590 5,217 -2,081

3 3 ,098 2 1,000 4,648 1 ,000 41,722 -1,715 -6,091

1 1 ,691 2 1,000 ,739 3 ,000 22,949 -2,366 ,819

2 2 ,543 2 1,000 1,221 1 ,000 49,338 5,319 -,628

1 1 ,854 2 1,000 ,314 3 ,000 18,483 -2,195 ,343

1 1 ,803 2 1,000 ,439 3 ,000 23,299 -2,050 ,883

1 1 ,899 2 1,000 ,213 3 ,000 21,139 -1,994 ,656

2 2 ,377 2 1,000 1,951 1 ,000 47,420 5,212 1,109

1 1 ,335 2 ,960 2,188 3 ,040 8,560 -2,121 -1,030

1 1 ,176 2 ,999 3,473 2 ,001 17,552 ,205 ,071

1 1 ,670 2 1,000 ,802 3 ,000 25,621

2 2 ,266 2 1,000 2,651 1 ,000 47,422

1 1 ,903 2 1,000 ,205 3 ,000 19,643

1 1 ,716 2 ,998 ,669 3 ,002 12,920

1 1 ,891 2 1,000 ,230 3 ,000 17,143

1 1 ,370 2 1,000 1,990 3 ,000 31,866

2 2 ,184 2 1,000 3,382 1 ,000 21,660

1 1 ,673 2 ,996 ,793 3 ,004 11,858

1 1 ,833 2 1,000 ,366 3 ,000 15,690

2 2 ,588 2 1,000 1,064 1 ,000 48,051

1 1 ,010 2 ,948 9,291 2 ,051 15,122

1 1 ,516 2 1,000 1,324 3 ,000 29,370

1 1 ,267 2 ,942 2,642 3 ,058 8,220

2 2 ,410 2 1,000 1,782 1 ,000 47,270

2 2 ,191 2 1,000 3,309 1 ,000 21,537

3 1** ,039 2 1,000 6,509 3 ,000 26,041

1 1 ,728 2 1,000 ,636 3 ,000 20,675

1 1 ,238 2 1,000 2,868 3 ,000 20,333

1 1 ,467 2 1,000 1,525 3 ,000 27,276

1 1 ,691 2 1,000 ,739 3 ,000 24,802

1 1 ,927 2 1,000 ,152 3 ,000 20,397

2 2 ,031 2 ,997 6,928 1 ,003 18,746

1 1 ,469 2 ,992 1,515 3 ,008 11,044

2 2 ,025 2 1,000 7,369 3 ,000 51,006

3 3 ,000 2 1,000 26,041 1 ,000 58,396

1 1 ,669 2 1,000 ,805 3 ,000 22,412

2 2 ,457 2 1,000 1,565 1 ,000 49,573

1 1 ,845 2 1,000 ,337 3 ,000 17,867

1 1 ,789 2 1,000 ,473 3 ,000 22,753

1 1 ,893 2 1,000 ,227 3 ,000 20,501

2 2 ,276 2 1,000 2,576 1 ,000 47,461

1 1 ,285 2 ,959 2,514 3 ,041 8,831

1 1 ,123 2 ,999 4,193 2 ,001 19,265

Case Number 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 Original Cross-validateda Actual Group Predicted

Group p df

P(D>d | G=g)

P(G=g | D=d) Squared Mahalanobis

Distance to Centroid Highest Group

Group P(G=g | D=d) Squared Mahalanobis

Distance to Centroid Second Highest Group

Function 1 Function 2 Discriminant Scores

For the original data, squared Mahalanobis distance is based on canonical functions. For the cross-validated data, squared Mahalanobis distance is based on observations.

(6)

Classification Resultsb,c

22 0 0 22

0 9 0 9

0 0 2 2

100,0 ,0 ,0 100,0

,0 100,0 ,0 100,0

,0 ,0 100,0 100,0

22 0 0 22

0 9 0 9

1 0 1 2

100,0 ,0 ,0 100,0

,0 100,0 ,0 100,0

50,0 ,0 50,0 100,0

Predicted Group for Analysis 1 status KIA baik status KIA sedang status KIA buruk status KIA baik status KIA sedang status KIA buruk status KIA baik status KIA sedang status KIA buruk status KIA baik status KIA sedang status KIA buruk Count

Count

% Original

Cross-validateda

status KIA baik

status KIA sedang

status KIA buruk Predicted Group Membership

Total

Cross validation is done only for those cases in the analysis. In cross validation, each case is classified by the functions derived from all cases other than that case.

100,0% of original grouped cases correctly classified. b.

97,0% of cross-validated grouped cases correctly classified. c.

Penerapan Analisis Gerombol Untuk Profil Kesehatan Ibu dan Anak di Provinsi Sumatera Utara Tahun 2011

Summary of Canonical Discriminant Functions

Wilks' Lambda

,052

87,043

4

,000

,469

22,339

1

,000

Test of Function(s)

1 through 2

2

Wilks'

Standardized Canonical Discriminant Function Coefficients

-,095

1,014

1,014

-,098

Cakupan pertolongan

oleh tenaga kesehatan

Cakupan penanganan

komplikasi neonatal

1

2

Function

Classification Statistics

Parts

Dokumen yang terkait

Penerapan Analisis Gerombol pada Indikator dari Derajat Kesehatan Masyarakat di Provinsi Sumatera Utara Tahun 2013

Penerapan Analisis Jalur Dalam Menentukan Faktor Yang Mempengaruhi Tingkat Pengangguran Terbuka Tahun 2011 Di Provinsi Sumatera Utara

Analisis Tenaga Kerja Sektoral Di Provinsi Sumatera Utara Periode 1980 – 2012

Pengaruh Karakteristik Ibu dan Dukungan Suami terhadap Pemberian Imunisasi BCG Pada Bayi di Wilayah Kerja Puskesmas Aekraja Kabupaten Tapanuli Utara Tahun 2011

PENENTUAN FAKTOR-FAKTOR KESEHATAN DAN PENGELOMPOKAN DAERAH DI PROVINSI SUMATERA BARAT DENGAN MENGGUNAKAN ANALISIS FAKTOR DAN ANALISIS GEROMBOL.

KEBUTUHAN DAN PERENCANAAN TENAGA KESEHATAN DI PROVINSI SUMATERA UTARA

Penerapan Analisis Gerombol pada Indikator dari Derajat Kesehatan Masyarakat di Provinsi Sumatera Utara Tahun 2013

BAB II TINJAUAN PUSTAKA 2.1 Analisis Gerombol 2.1.1 Pengertian Analisis Gerombol - Penerapan Analisis Gerombol pada Indikator dari Derajat Kesehatan Masyarakat di Provinsi Sumatera Utara Tahun 2013

BAB I PENDAHULUAN 1.1 Latar Belakang - Penerapan Analisis Gerombol pada Indikator dari Derajat Kesehatan Masyarakat di Provinsi Sumatera Utara Tahun 2013

PENERAPAN ANALISIS GEROMBOL PADA INDIKATOR DARI DERAJAT KESEHATAN MASYARAKAT DI PROVINSI SUMATERA UTARA TAHUN 2013

Dokumen yang Anda mencari sudah siap untuk unduhkan