Klasifikasi Kabupaten/Kota di Provinsi Nusa Tenggara Timur Berdasarkan Indikator Status Kesehatan Masyarakat
DOI:
https://doi.org/10.5300/jstar.v2i01.10Kata Kunci:
analisis gerombol, K-Means, K-Medoids, indeks kesehatan masyarakatAbstrak
Strategi yang tersegmentasi diperlukan untuk meningkatkan kualitas kesehatan masyarakat. Analisis pengelompokan K-Means dan K-Medoids dapat digunakan untuk menentukan sebaran indeks kesehatan masyarakat dan mengklasifikasikannya menurut kabupaten/kota di provinsi Nusa Tenggara Timur. Pada penelitian ini digunakan analisis gerombol berdasarkan beberapa indeks kesehatan masyarakat yaitu Persentase Wanita Berusia 15-49 Tahun Yang Melahirkan dalam 2 Tahun Terakhir dengan Bantuan Tenaga Medis, Persentase Penduduk Berusia 0-59 Bulan Yang Diimunisasi Lengkap, Persentase Wanita Yang Pernah Melahirkan dalam 2 Tahun Terakhir menurut Berat Badan Normal Anak Lahir Hidup, Persentase Rumah Tangga yang Memiliki Akses Sanitasi, Persentase Rumah Tangga yang Memiliki Akses Air Minum Yang Layak, dan Persentase Penduduk yang Tidak Merokok Tembakau dalam Satu Bulan Terakhir. Berdasarkan Davies-Bouldin Index (DBI) diketahui bahwa metode K-Means lebih baik daripada K-medoids dalam penelitian ini. Kelompok pertama kabupaten/kota yang memiliki indikator terbaik yaitu Timor Tengah Utara, Belu, Lembata, Flores Timur, Sikka, Ende, Ngada, Manggarai, Manggarai Barat, Malaka, Nagekeo, dan Kota Kupang. Kelompok kedua yang terdiri dari Sumba Barat, Sumba Timur, dan Sumba Tengah, memiliki indikator kesehatan yang cukup baik, namun kondisi sanitasi perlu ditingkatkan. Kelompok ketiga memiliki kondisi kesehatan yang cukup baik namun pemerintah perlu memperhatikan kelengkapan imunisasi di kabupaten/kota Alor, Kupang, Rote Ndao, Sumba Barat Daya, dan Manggarai Timur. Kelompok keempat terdiri dari kabupaten/kota Timor Tengah Selatan dan Sabu Raijua memiliki persentase sanitasi layak dan imunisasi lengkap yang rendah. Berdasarkan hasil ini, kebijakan terkait kesehatan yang tersegmentasi menurut kondisi kesehatan masyarakat dapat ditetapkan.
Referensi
Arora, P., Deepali, D., & Varshney, S. (2016). Analysis of K-Means and K-Medoids Algorithm For Big Data. Procedia - Procedia Computer Science, 78, 507–512. https://doi.org/10.1016/j.procs.2016.02.095
BPS. (2019). Statistik Kesejahteraan Rakyat Provinsi Nusa Tenggara Timur 2019. BPS Provinsi Nusa Tenggara Timur
Debataraja, Ewaldus. (2019). PENERAPAN METODE K-MEDOIDS PADA PENGELOMPOKAN DAERAH PENGHASIL KELAPA SAWIT DENGAN VALIDASI INDEKS SILHOUETTE. Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya. 8. 10.26418/bbimst.v8i4.36362.
Dewa, F. A., & Jatipaningrum, M. T. (2019). SEGMENTASI E-COMMERCE DENGAN CLUSTER K-MEANS DAN FUZZY C-MEANS: Studi Kasus: Media Sosial di Indonesia yang diunduh di Play Store. Jurnal Statistika Industri Dan …, 4(1), 53–67.
EMC Education Services. (2015). Data Science and Big Data Analytics: Discovering, Analyzing, Visualizing and Prsenting Data. Indianapolis, Indiana: John Wiley & Sons, Inc.
Hardiani, T., Sulistyo, S., & Hartanto, R. (2015). Segmentasi Nasabah Tabungan Menggunakan Model RFM (Recency, Frequency,Monetary) dan K-Means Pada Lembaga Keuangan Mikro. Seminar Nasional Teknologi Informasi Dan Komunikasi Terapan, 2015.
Izenman, A. (2008). Modern Multivariate Statistical Techniques. New York (US): Springer.
Jumadi Dehotman Sitompul, B., Salim Sitompul, O., & Sihombing, P. (2019). Enhancement Clustering Evaluation Result of Davies-Bouldin Index with Determining Initial Centroid of K-Means Algorithm. Journal of Physics: Conference Series, 1235(1). https://doi.org/10.1088/1742-6596/1235/1/012015
Kantardzic, M. (2011). Data Mining : Concepts, Models, Methods, and Algorithms. Hoboken, New Jersey: John Wiley & Sons, Inc.
Kementerian Kesehatan RI. (2013). Riskesdas Dalam Angka Provinsi Nusa Tenggara Timur 2013. Jakarta: Lembaga Penerbit Badan Litbangkes
Kementerian Kesehatan RI. (2019). Indeks Pembangunan Kesehatan Masyarakat Tahun 2018. Jakarta: Lembaga Penerbit Badan Litbangkes.
Kumar, P., & Sirohi, D. (2010). Comparative analysis of FCM and HCM algorithm on Iris data set. International Journal of Computer Applications, 5(2), 33–37. https://doi.org/10.5120/888-1261
Liu, Z., Ren, C., & Cai, W. (2020). Overview of Clustering Analysis Algorithms in Unknown Protocol Recognition. MATEC Web of Conferences CSCNS2019, 309(03008). https://doi.org/doi.org/10.1051/matecconf/202030903008
Mayasari, T. R. (2019). Clustering Akses Air Bersih Dan Sanitasi Layak ( Clustering of Clean Water access and Worth Sanitation in District / City Lampung Province ). Fungsional Statistisi Pertama BPS Kabupaten Pesawaran, 563–572.
Munawar, M., Aulia, R., Ferdhiana, R., Marzuki, M. & Iqbal, M. (2020). Identifikasi Faktor-Faktor Indeks Pembangunan Kesehatan Masyarakat Provinsi Aceh dengan Pendekatan Analisis Jalur. 20. 91-100.
Octavanny, M.A.D. & Budiantara, I. & Ratnasari, V. (2017). Pemodelan Faktor-Faktor yang Memengaruhi Indeks Pembangunan Kesehatan Masyarakat Provinsi Jawa Timur Menggunakan Pendekatan Regresi Semiparametrik Spline. Jurnal Sains dan Seni ITS. 6. 10.12962/j23373520.v6i1.22491.
Putri, M. M. & Fithriasari, K. (2015). Pengelompokan Kabupaten/Kota di Jawa Timur Berdasarkan Indikator Kesehatan Masyarakat Menggunakan Metode Kohonen SOM dan K-Means. Jurnal Sains dan Seni ITS Vol. 4 No. 1.
Salazar, D. A., Velez, J. I., & Salazar, J. C. (2012). Comparison between SVM and Logistic Regression : Which One is Better to Discriminate ? Revista Colombiana de Estadística Número Especial En Bioestadística, 35(2), 223–237. Retrieved from http://emis.impa.br/EMIS/journals/RCE/V35/v35n2a03.pdf
Soni, K. G., & Patel, A. (2017). Comparative Analysis of K-means and K-medoids Algorithm on IRIS Data. International Journal of Computational Intelligence Research, 13(5), 899–906. Retrieved from https://www.ripublication.com/ijcir17/ijcirv13n5_21.pdf
Thinsungnoen, T., Kaoungku, N., Durongdumronchai, P., Kerdprasop, K., & Kerdprasop, N. (2015). The Clustering Validity with Silhouette and Sum of Squared Errors, 44–51. https://doi.org/10.12792/iciae2015.012
Thrun, M. C. (2017). Projection-Based Clustering through Self-Organization and Swarm Intelligence. Marburg, Germany: Springer Viewwg. https://doi.org//doi.org/10.1007/978-3-658-20540-9
Tibshirani, R., Walther, G., & Hastie, T. (2001). Estimating the number of clusters in a data set via the gap statistic. Journal of the Royal Statistical Society: Series B (Statistical Methodology), 63(2), 411–423. https://doi.org/https://doi.org/10.1111/1467-9868.00293
Wulandari, S. (2020). Clustering Microarray Adenoma Menggunakan Spectral Clustering dengan Algoritma Partitioning Around Medoid (PAM). Sinasis 1, 1(1), 345–351.
Yuan, C., & Yang, H. (2019). Research on K-Value Selection Method of K-Means Clustering Algorithm. J, 2(2), 226–235. https://doi.org/10.3390/j2020016
Unduhan
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2022 Jurnal Statistika Terapan (ISSN 2807-6214)
Artikel ini berlisensi Creative Commons Attribution-NonCommercial 4.0 International License.
