Anda di halaman 1dari 6

INFOKES, VOL 7 NO 1, Februari 2017 ISSN : 2086 - 2628

IDENTIFIKASI MASALAH KESEHATAN DI SULAWESI TENGGARA

Darmawan1, Izzati Muhimmah2, Kariyam3


Darmawan 1Jurusan Teknik Informatika Kosentrasi Informatika Medis Universitas Islam Indonesia
2
Jurusan Teknik Informatik Universitas Islam Indonesia
3
Jurusan Statistik Universitas Islam Indonesia
Jl. Kaliurang km 14 Yogyakarta 55510
Telp (0274) 895287 ext 122, fax (0274) 895007 ext 148
darmawan.034@gmail.com

Abstrak.
Kesehatan masyarakat adalah ilmu dan seni untuk mencegah penyakit
memperpanjang hidup, mempromosikan kesehatan dan efisiensi dengan menggerakkan
potensi seluruh masyarakat. Konsep kesehatan masyarakat berkaitan dengan
perubahan perilaku sehat dan akan lebih terbentuk dan bertahan lama bila dilandasi
kesadaran sendiri (internalisasi) sehingga konsep upaya sehat dari oleh dan untuk
masyarakat sangat tepat di terapkan.Untuk melihat kondisi kesehatan pada suatu
masyarakat dilihat dari derajat kesehatannya, semakain baik derajat kesehatannya
maka semakin baik kondisi kesehatan masyarakat. Dalam derajat kesehatan
masyarakat, terdapat beberapa indikator yang dapat digunakan. Indikator-Indikator
tersebut pada umumnya tercermin dalam kondisi morbiditas (angka kematian),
mortalitas (angka kesakitan) dan status gizi, serta upaya kesehatan lingkungan.
Penelitian ini bertujuan untuk Untuk mengetahui pengelompokan kecamatan di
Sulawesi Tenggara berbasis indikator kesehatan. Serta Untuk mengetahui profil
kelompok kecamatan di Sulawesi Tenggara. Populasi penelitian adalah seluruh
kecamatan di Sulawesi Tenggara. Analisis Statistik yang digunakan adalah analisis
dengan metode K-Means dan uji rata-rata dua populasi.Teknik clustering merupakan
sebuah teknik pengelompokan sejumlah data/obyek ke dalam cluster (group) sehingga
dalam setiap cluster akan berisi data yang semirip mungkin. Pada penelitian ini, teknik
clustering tersebut akan diterapkan pada dinas kesehatan Provinsi Sulawesi Tenggara.
Teknik clustering akan mengelompokan kecamatan berdasarkan indikator masalah
kesehatan, kecamatan-kecamatan yang dikelompokan berdasarkan indikator masalah
kesehatan akan digunakan sebagai bahan analisis untuk mempermudah dinas
kesehatan untuk pengambilan keputusan yang bertujuan untuk mempermudah dalam
mencegah terjadinya masalah yang serius dalam masyarakat, dan dapat meningkatkan
derajat kesehatan pada masyarakat.
kata kunci : Derajat Kesehatan, Clustering, K-Means

PENDAHULUAN Dalam menilai derajat kesehatan


Pembangunan kesehatan merupakan upaya masyarakat, terdapat beberapa indikator yang
untuk memenuhi salah satu hak dasar rakyat, dapat digunakan. Indikator-Indikator tersebut
yaitu hak untuk memperoleh pelayanan pada umumnya tercermin dalam kondisi
kesehatan. Penyelenggaraan urusan wajib morbiditas, mortalitas dan status gizi (Profil
daerah yang berkaitan dengan hak dan Kesehatan kab/kota, 2014).
pelayanan dasar kepada warga negara dengan Dalam penulisan ini penulis mencoba
penerapan Standar Pelayanan Minimal untuk mengindetifikasi masalah kesehatan yang ada di
meningkatkan ketentuan tentang jenis dan mutu Sulawesi Tenggara dengan menggunakan
pelayanan dasar yang meliputi kehidupan sosial, metode k-means dan di sajikan dalam bentuk
ekonomi dan pemerintahan. Dalam penerapan sebuah peta masalah kesehatan yang ada di
Standar Pelayanan Minimal harus Sulawesi Tenggara dengan tujuan penulisan (1)
memperhatikan prinsip, sederhana, konkrit, Untuk mengetahui pengelompokan kecamatan
mudah diukur, terbuka, terjangkau dapat di Sulawesi Tenggara berbasis indikator
dipertanggungjawabkan dan mempunyai batas kesehatan. Dan (2) Untuk mengetahui profil
pencapaian yang dapat diselenggarakan secara kelompok kecamatan di Sulawesi Tenggara.
bertahap (Profil Kesehatan kab/kota, 2014). Pembangunan Kesehatan merupakan
bagian integral dari pembangunan Nasional

Jurnal Ilmiah Rekam Medis dan Informatika Kesehatan 61


INFOKES, VOL 7 NO 1, Februari 2017 ISSN : 2086 - 2628
yang bertujuan meningkatkan kesadaran, objek dan memilih suatu procedure analisis
kemauan dan kemampuan hidup sehat bagi cluster
setiap orang agar terwujud derajat kesehatan K-means merupakan salah satu metode data
masyarakat yang optimal melalui upaya klustering non hirarki yang berusaha mempartisi
promotif dan preventif tampa mengabaikan data yang ada ke dalam bentuk satu atau lebih
upaya kuratif dan rehabilitative yang cluster / kelompok. Metode ini mempartisi ke
dilaksanakan secara menyeluruh terpadu dan dalam cluster / kelompok sehingga data yang
berkesinambungan (Profil Kesehatan kab/kota, memiliki karakteristik yang sama (High intra
2014). class similarity) dikelompokkan ke dalam satu
Penelitian yang akan dilakukan terhadap cluster yang sama dan yang memiliki
dinas kesehatan kabupaten/kota yang ada di karakteristik yang berbeda (Law inter class
Sulawesi Tenggara dengan menggunakan similarity) dikelompokkan pada kelompok yang
metode k-means yaitu untuk menentukan lain (Giyanto, Heribertus. 2008).
masalah kesehataan yang terjadi di masyarakat,
dengan menggunakan derajat kesehatan METODE
masyarakat yaitu morbiditas (angka kematian), Dalam penelitian ini metode yang
mortalitas (angka kesakitan) dan status gizi, digunakan adalah dengan mengambil data profil
serta di tambah dengan upaya kesehatan kesehatan yang ada pada dinas kesehatan
lingkungan. seluruh kabupaten/ kota yang ada di provinsi
Identifikasi masalah kesehatan perlu Sulawesi Tenggara. Data yang di gunakan yaitu
dilakukan untuk dapat mencegah sebelum seluruh kecamatan yang ada di sulawesi
masalah kesehatan menjadi lebih serius yaitu Tenggara sebanyak 211 kecamatan, dan 12
pada titik rawan masalah kesehatan, serta indikator masalah kesehatan.
penanggulan masalah kesehatan yang mulai
teridentifikasi kearah rawan agar dapat di HASIL
antisipasi. Sebelum proses perhitungan data dilakukan
Sistem Informasi Geografi (SIG) dengan metode cluster, peneliti terlebih dahulu
dikenalkan pertama pada tahun 1960 yang melakukan pengumpulan data. Pengumpulan
bertujuan untuk menyelesaikan permasalahan data tersebut dilakukan secara tidak langsung
geografis. 40 tahun kemudian SIG berkembang atau data diperoleh dari pihak lain yaitu dinas
tidak hanya bertujuan untuk menyelesaikan kesehatan kabupaten/kota yang ada pada
permasalahan geografi saja tetapi sudah provinsi Sulawesi Tenggaga, data yang
merambah ke berbagai bidang seperti analisis digunakan sebagai berikut : (X1) Persentase
penyakit epidemic dan analisis kejahatan Kepala Keluarga yang Tinggal di Rumah Sehat,
(kerusuhan) termasuk analisis kepariwisataan. (X2) Persentase Penduduk dengan Akses
Kemampuan dasar dari SIG adalah Sanitasi Layak, (X3) Persentase Perilaku PHBS
mengintegrasikan berbagai operasi basis data Masyarakat, (X4) Persentase Angka Kematian
seperti query, menganalisisnya serta Bayi (AKB), Infant Mortality Rate (IMR), (X5)
menampilkannya dalam bentuk pemetaan Persentase Angka Kematian Balita (AKABA),
berdasarkan letak geografisnya. Inilah yang Child Mortality Rate (CMR), (X6) Persentase
membedakan SIG dengan sistem informasi lain Angka Kematian Ibu (AKI), Maternal Mortality
(Prahasta, Eddy, 2006). Rate (MMR), (X7) Persentase angka kesakitan
cluster merupakan suatu teknik analisis Malaria, (X8) Persentase Angka Kesakitan TB
dengan tujuan untuk memilah obyek ke dalam Paru, (X9) Persentase Infeksi Saluran
beberapa kelompok yang mempunyai sifat Pernapasan Akut (ISPA), (X10) Persentase
berbeda antara kelompok satu dengan yang lain. Penyakit Diare, (X11) Persentase Demam
Dalam analisis ini tiap-tiap kelompok bersifat Berdarah Dengue, dan (X12) Persentase Status
homogen antar anggota dalam kelompok atau Gizi Balita. Yang ada pada setiap kecamatan di
variasi obyek dalam kelompok yang terbentuk provinsi Sulawesi Tenggara pada tahun 2014.
sekecil mungkin (Prayudho B.J. 2008) Di Indonesia khususnya di Sulawesi Tenggara
Clustering adalah proses terdapat beberapa kasus masalah kesehatan
pengelompokan data ke dalam cluster yang cukup sering muncul pada masyarakat di
berdasarkan parameter tertentu sehingga obyek- setiap kecamatan di Sulawesi Tenggara,
obyek dalam sebuah cluster memiliki tingkat sehingga perlu penanganan khusus untuk
kemiripan yang tinggi satu sama lain dan sangat menekan jumlah kasus tersebut. Untuk
tidak mirip dengan obyek yang lain pada cluster membantu menekan jumlah kasus masalah
yang berbeda (Prayudho B.J. 2008). kesehatan kasus tersebut perlu diketahui
Dalam menganalisis suatu data kecamatan dengan jumlah kasus yang tinggi
menggunakan analisis cluster diperlukan atau yang dikatakan kecamatan rawan penyakit.
beberapa proses yang harus dilakukan yaitu: Dari hal tersebut, penulis tertarik untuk
Standarisasi Data, mengukur kemiripan suatu mengelompokan kecamatan dengan
menggunakan metode K-Means. Selanjutnya
Jurnal Ilmiah Rekam Medis dan Informatika Kesehatan 63
INFOKES, VOL 7 NO 1, Februari 2017 ISSN : 2086 - 2628
akan dibuat terhadap profil kelompok sekaligus dimana k merupakan banyaknya
kecamatan di Sulawesi Tenggara. kelompok. Pada penelitian dengan metode ini
Pengelompokan Kecamatan di Sulawesi peneliti akan membagi menjadi dua kelompok.
Tenggara berbasis Indikator Kesehatan sebelum didapat pusat cluster yang tetap
Proses pengelompokan data terlebih dahulu tentukan pusat cluster pertama
menggukan metode K-Means. Pada Metode K- kali, setelah di proses dan di dapatkan pusat
Means memproses semua objek secara cluster seperti yang terlihat pada gambar 1

Gambar 1 Final pusat cluster


Pada gambar 1 merupakan final pusat centroid baru dan jarak dari pusat centroid.
cluster yang terbentuk dan sudah tidak Dimana nilai dari kedua centroid tersebut sudah
mengalami perubahan, dari proses menentukan tetap atau sudah tidak mengalami perubahan.

Gambar 2 Anggota cluster yang terbentuk dengan metode k-means

Jurnal Ilmiah Rekam Medis dan Informatika Kesehatan 64


INFOKES, VOL 7 NO 1, Februari 2017 ISSN : 2086 - 2628
Gambar 2 merupakan anggota cluster yang kecamatan-kecamatan yang memiliki
terbentuk menjadi dua buah yang terdiri dari permasalahan yang sama.

Tabel 1 Uji rata-rata dua grup


Var thitung sig Keputusan Kesimpulan
Kode Nama
X1 Kepala keluarga di rumah sehat -3.0968 0.002 Tolak H0 μ11< μ12
X2 Akses sanitasi layak -5.15932 0,000 TolakH0 μ21< μ22
X3 Perilaku Hidup Bersih dan Sehat -6.122 0, 000 Tolak H0 μ31< μ32
X4 Angka Kematian Bayi 0.0142 0.989 Terima H0 μ41= μ42
X5 Angka Kematian Balita 0.4049 0.686 Terima H0 μ51= μ52
X6 Angka Kematian Ibu 0.3563 0.722 Terima H0 μ61= μ62
X7 Malaria 0.3862 0,700 Terima H0 μ71= μ72
X8 Tb Paru -0.583 0,561 Terima H0 μ81= μ82
X9 Infeksi Saluran Pernafasan Akut -0.301 0,764 Terima H0 μ91= μ92
X10 Diare -11.93 0,000 Tolak H0 μ101< μ102
X11 Demam Berdarah Dengue 0,077 0,938 Terimak H0 μ111 = μ112
X12 StatusGizi 0,015 0,988 Terima H0 μ121= μ122
Uji rata-rata dua kelompok digunakan untuk layak serta perilaku hidup bersih dan sehat perlu
melihat apakah ada perbedaan antara cluster penangan yang lebih serius untuk dapat
pertama dan cluster kedua dengan hipotesis menurunkan persentase di bawah 50 %, serta
sebagai berikut angka kesakitan penyakit diare untuk dapat di
Ho = rata-rata profil kelompok kecamatan turunkan menjadi lebih rendah
grup pertama = grup kedua
H1 = rata-rata profil kelompok kecamatan Profil Kelompok Kecamatan di Sulawesi
grup pertama < dari grup kedua Tenggara
Kriteria uji : Profil yang digambarkan hanya berupa
Tolak H0 jika sig < α keadaan yang dimana rata-rata kelompok
Dengan α = 0.05 kecamatan pada grup pertama lebih kecil dari
Dalam uji rata-rata antar dua grup, dimana kelompok kecamatan pada grup kedua, yaitu
grup pertama : variabel (X1) Persentase Kepala indikator variabel (X1) Persentase Kepala
keluarga di Rumah Sehat, (X2) Akses Sanitasi keluarga di Rumah Sehat, (X2) Akses Sanitasi
Layak, (X3) Perilaku Hidup Bersih dan Sehat Layak, (X3) Perilaku Hidup Bersih Sehat, (X10)
hal ini grup pertama tidak lebih baik dari grup Diare, karena dimana akan terlihat jelas kondisi
kedua, semakin rendah rata-rata angka masalah keadaan kesehatan yang ada pada provinsi
kesehatan lingkungan maka akan semakin tidak Sulawesi Tenggara, sedangkan untuk kondisi
bagus, bila semakin tinggi rata-rata angka rata-rata kelompok kecamatan pada grup
kesehatan lingkungan akan mengakibatkan lebih pertama sama dengan rata-rata kelompok
baik. Sedangkan (X10) Diare, dalam hal ini kecamatan pada grup kedua yaitu pada indikator
Grup pertama Lebih baik dari grup kedua. (X4) Angka Kematian Bayi, (X5) Angka
Disebabkan karena semakin tinggi maka akan Kematian Balita, (X6) Angka Kematian Ibu,
semakin tidak baik, angka kesakitan yang (X7) Malaria, (X8) TbParu, (X9) Infeksi
semakin tinggi dikategorikan sebagai tingkat Saluran Pernafasan Akut, (X11) Demam
yang rawan dan harus segera di tangani untuk Berdarah Dengue,(X12) Status Gizi tidak
menurunkan tingkat kerawanan, angka disajikan dalam bentuk peta disebabkan
kesakitan semakin rendah maka akan semakin kondisinya sama antara grup satu dan grup
baik. kedua.
Sedangkan untuk Variabel (X4) Angka
Kematian Bayi, (X5) Angka Kematian Balita,
(X6) Angka Kematian Ibu, (X7) Malaria, (X8)
Tb Paru, (X9) Infeksi Saluran Pernafasan Akut,
(X11) Demam Berdarah Dengue, (X12) Status
Gizi dalam hal ini grup pertama tidak memiliki
perbedaan dengan grup kedua.
Dalam uji rata-rata antar indikator dapat
dilihat ternyata upaya kesehatan lingkungan
sangat berpengaruh terhadap angka kesakitan
khususnya penyakit diare. Khususnya untuk
cluster kedua untuk indikator kepala keluarga
yang yang tinggal di rumah sehat, akses sanitasi

Jurnal Ilmiah Rekam Medis dan Informatika Kesehatan 35


INFOKES, VOL 7 NO 1, Februari 2017 ISSN : 2086 - 2628

Gambar 3 Kelompok kecamatan grup pertama dan kecamatan grup kedua dengan indikator diare

Gambar 4 Kelompok kecamatan grup pertama dan kecamatan grup kedua dengan indikator
kepala keluarga yang tinggal dirumah sehat, akses sanitasi layak, perilaku hidup bersih dan sehat

KESIMPULAN 3. Dengan menganalisis hasil kalsterisasi


1. Dari hasil klasterisasi menggunakan K- menggunakan K-Means maka kecamatan
Means, terbentuklah beberapa cluster yang memiliki masalah kesehatan yang
yang di dalamnya berisi, grup pertama serupa dalam satu cluster bisa digunakan
terdiri dari 160 kecamatan yang memiliki sebagai bahan analisis untuk
karasteristik permasalahan yang sama pengambilan keputusan bagi bagi pihak
dan grup kedua terdiri darI 51 kecamatan dinas kesehatan dalam penanganan
yang memiliki karasteristik yang sama masalah kesehatan yang terjadi di
2. Dalam uji rata-rata antar dua grup, Sulawesi Tenggara
dimana grup pertama : variabel (X1) 4. Dalam penyajikan dalam bentuk SIG
Persentase Kepala keluarga di Rumah untuk variabel (X1) Persentase Kepala
Sehat,(X2) Akses Sanitasi Layak, (X3) keluarga di Rumah Sehat,(X2) Akses
Perilaku Hidup Bersih dan Sehat hal ini Sanitasi Layak, (X3) Perilaku Hidup
grup pertama tidak lebih baik dari grup Bersih dan Sehat hal ini grup pertama
kedua, (X10) Diare, dalam hal ini Grup tidak lebih baik dari grup kedua, dapat
pertama Lebih baik dari grup kedua. dilihat dengan warna hijau untuk cluster
Dengan kategori grup pertama dengan pertama lebih rendah dari cluster kedua
tingkat kesehatan rendah dan grup kedua yang berwarna merah, dan untuk variabel
dengan tingkat kesehatan tinggi, (X10) diare dapat di lihat warna hijau
Sedangkan untuk Variabel (X4) Angka terdapat pada cluster pertama dan cluster
Kematian Bayi, (X5) Angka Kematian kedua berwarna merah dapat di artikan
Balita, (X6) Angka Kematian Ibu, (X7) bahwa cluster pertama lebih baik dari
Malaria, (X8) TbParu, (X9) Infeksi cluster kedua yang berwarna merah
Saluran Pernafasan Akut, (X11) Demam
Berdarah Dengue,(X12) Status Gizi DAFTAR PUSTAKA
dalam hal ini grup pertama tidak Asfi M. 2008 Pelabelan Otomatis Citra
memiliki perbedaan dengan grup kedua. Menggunakan Fuzzy C-Means Untuk

Jurnal Ilmiah Rekam Medis dan Informatika Kesehatan 35


INFOKES, VOL 7 NO 1, Februari 2017 ISSN : 2086 - 2628
Sistem Temu Kembali Citra [M.Sc Means Tesis, Universitas Diponegoro,
Thesis]. Bogor: Institut Pertanian Bogor Semarang
Agusta, Y. 2007. K-Means – Singgih Santoso 2001. Konsep dan Aplikasi
Penerapan,Permasalahan dan Metode dengan SPSS Elex Media Komputindo
Terkait. Jurnal Sistem dan Informatika Susanto, S. dan Ernawati. 2006. Pembagian
Vol. 3 Februari 2007, 47-60. Kelas Peserta Kuliah Berdasarkan Fuzzy
Albert Kurniawan.(2009). Belajar Mudah SPSS Clustering dan Partition Coefficient and
untuk Pemula.Jakarta: PT.Buku Kita. Exponential Separation (PCAES) Index.
Bezdek, JC. 1981. Pattern Recognition with Tri Febriana Larasati. 2014 Pembandingan
Fuzzy Objective Function Algorithms. Kinerja Metode Complete linkage, Metode
Plenum: New York. Average linkage, Metode K-Means dalam
Duo, Chen., et al. 2007. An Adaptive Cluster Menentukan Hasil Cluster skripsi,
Validity Index for the Fuzzy C- Universitas Yogyakarta, Yogyakarta.
means.International Journal of Computer
Science and Network Security, VOL.7
No.2, February 2007, 146-151.
Febriyana. (2011). Analisis Kluster K-Means
dan K-Median Pada Data
IndikatorKemiskinan. Skripsi. Universitas
Islam Negeri Syarif Hidayatullah. Jakarta.
Giyanto, Heribertus. 2008. Penerapan
algoritma Clustering K-Means, K-Medoid,
Gath Geva. Tesis Tidak Terpublikasi.
Yogyakarta: Universitas Gajah Mada.
Hening, Meitri. (2011). Modul 6 Analisis
Cluster. Diakses dari http://file.upi.edu.
Pada tanggal 24 Juli 2013.
Klawonn, F. 2000. Fuzzy Clustering: “Insight
and a New Approach”. Science journal.
http://public.rz.fh-
wolfenbuettel.de/klawonn.
Klawonn, F dan Höppner, F. 2001. What is
fuzzy about Fuzzy
Clustering?Understanding and Improving
the Conceptof the Fuzzier. Science
Journal. http://public.rz.fh-
wolfenbuettel.de/klawonn.
Kusumadewi, S. 2002. Analisis dan Desain
Sistem Fuzzy (Menggunakan Toolbox
Matlab). Yogyakarta: Graha Ilmu.
Kusumadewi, S dan Purnomo. 2004. Aplikasi
Logika Fuzzy untuk Pendukung
Keputusan. Yogyakarta: Graha Ilmu. NN,
Model Pengembangan Industri Kecil pada
Program Uni Eropa. PUPUK, Bandung
Novianti, MD. 2006. Studi Pengembangan
Industri Konveksi Di Depok dengan
Pendekatan Metode Analytic Hierarchy
Process. Universitas Indonesia.
Pravitasari, A.A. 2008. Analisis
Pengelompokan Dengan Fuzzy C-Means
Cluster, Institut Teknologi Sepuluh
November.
Profil Kesehatan Kabupaten/Kota Sulawesi
Tenggara. (2014) Indikator masalah
Kesehatan
Robandi, I. 2006. Desain Sistem Tenaga
Modern. Andi: Yogyakarta.
Slamet Handoko 2012 Sistem Informasi
Geografi Berbasis Web Untuk Pemetaan
Sebaran Alumni Menggunakan Metode K-

Jurnal Ilmiah Rekam Medis dan Informatika Kesehatan 36