Nama : Amelia

NIM : 1910912220034

1. Analisis Jalur
Path analysis/analisis jalur adalah teknik analisis statistik multivariat
yang berguna dalam menganalisis hubungan-hubungan struktural dari
sejumlah variabel dari data riset. Analisis jalur adalah perluasan model analisis
regresi, baik regresi linier maupun regresi logistik. Analisis jalur bertujuan
untuk memberikan perkiraaan atau estimasi mengenai besaran dan
signifikansi hubungan-hubungan yang dihipotesiskan kausal antar variabel.
Analisis jalur menjelaskan hubungan kausal variabel dengan bantuan diagram
jalur (path diagram) (1).
Contoh penerapan analisis jalur dapat dilihat pada penelitian oleh
Ihsan, dkk (2020) dengan judul “Pengaruh Sumber Air Bersih, Jamban, Dan
Pola Asuh Terhadap Stunting pada Balita dengan Diare sebagai Variabel
Intervening”. Pada penelitian tersebut, terdapat 3 jenis variabel yang terlibat
di dalam proses analisis, yaitu variabel dependen (stunting), variabel
independen (sumber air bersih, jamban dan pola asuh), serta variabel
intervening (diare) (2).
Dari hasil analisis jalur yang dilakukan, diketahui bahwa kadar E.coli
dalam sumber air bersih berpengaruh secara simultan dan signifikan terhadap
stunting dengan nilai koefisien jalur/beta sebesar 0,391 (β = 0,391). Serta
berpengaruh secara tidak langsung melalui lamanya diare terhadap stunting
dengan nilai koefisien jalur/beta sebesar 0,396 (β = 0,396) (2).
Pola asuh yang tidak higienis dan tidak saniter berpengaruh secara
simultan dan signifikan terhadap stunting pada balita dengan nilai koefisien
jalur/beta sebesar 1,149 (β = -1,149) (2).
Kualitas jamban yang tidak saniter tidak berpengaruh secara simultan
dan signifikan terhadap stunting pada balita dengan nilai dengan nilai
koefisien jalur/beta sebesar 0,172 (β = 0,172). Namun berpengaruh secara tidak
langsung dengan nilai koefisien jalur/beta sebesar 0,556 (β = 0,556) (2).
Lamanya diare berpengaruh secara simultan dan signifikan terhadap
stunting pada balita dengan nilai koefisien jalur/beta sebesar -0,964 (β = -
0,964) (2).

2. Analisis Structural Equation Model (SEM)

Structural Equation Model (SEM) merupakan teknik statistik yang
digunakan untuk membangun dan menguji model statistik yang biasanya
dalam bentuk model-model sebab akibat. SEM sebenarnya merupakan teknik
hibrida yang meliputi aspek-aspek penegasan (confirmatory) dari analisis
faktor, analisis jalur, dan regresi yang dapat dianggap sebagai kasus khusus
dalam SEM (3).
Contoh penerapan analisis SEM dapat dilihat pada penelitian oleh
Faaghna, dkk (2019) dengan judul “Analisis Faktor Yang Mempengaruhi Minat
Berkunjung Ulang Pasien ke Poliklinik Spesialis di RSI Ibnu Sina Padang (BPJS
Kesehatan)”. Tujuan penelitian ini adalah menentukan faktor yang
mempengaruhi minat berkunjung ulang pasien ke poliklinik spesialis RSI Ibnu
Sina Padang. Pemilihan teknik analisis SEM dalam penelitian ini sesuai dengan
tujuan penelitian yaitu menganalisis indikator yang berpengaruh terhadap
minat berkunjung pasien ke poliklinik spesialis RSI Ibnu Sina Padang. Pengujian
hipotesis dilakukan dengan cara menganalisis nilai Critical Ratio (CR) dan nilai
probability (P) hasil olah data, dibandingkan dengan batasan statistik yang
diisyaratkan, yaitu diatas 1,96 untuk nilai CR dan dibawah 0,05 untuk nilai p
value (4).
Hasil uji hipotesis 1 (satu) menunjukkan terdapat pengaruh yang
signifikan antara variabel sikap pasien terhadap minat berkunjung ulang
pasien ke poliklinik spesialis RSI Ibnu Sina Padang (CR = 2,420, p = 0,013). Hasil
uji hipotesis 2 (dua) menunjukkan terdapat pengaruh yang signifikan antara
variabel citra merek terhadap nilai yang dirasakan pasien (CR = 2,715, p =
0,012). Hasil uji hipotesis 3 (tiga) menunjukkan terdapat pengaruh yang
signifikan antara variabel citra merek terhadap minat berkunjung ulang pasien
ke poliklinik spesialis RSI Ibnu Sina Padang (CR =2,691, p = 0,009). Hasil uji
hipotesis 4 (empat) menunjukkan terdapat pengaruh yang signifikan antara
variabel persepsi nilai terhadap minat berkunjung ulang pasien ke poliklinik
spesialis RSI Ibnu Sina Padang (CR = 2,827, p = 0,016). Hasil uji hipotesis 5
(lima) menunjukkan terdapat pengaruh yang signifikan antara variabel
persepsi kualitas terhadap minat berkunjung ulang pasien ke poliklinik
spesialis RSI Ibnu Sina Padang (CR = 2,990, p = 0,010) (4).

3. Analisis Cluster
Analisis cluster adalah suatu analisis statistik multivariat yang bertujuan
untuk mengetahui struktur data dengan menempatkan kesamaan objek
observasi ke dalam satu kelompok data sehingga dapat dibedakan antar
kelompok satu dengan kelompok yang lain atau dengan cara memisahkan
kasus/obyek ke dalam beberapa kelompok yang mempunyai sifat berbeda
antar kelompok yang satu dengan yang lain. Dalam analisis ini, tiap-tiap
kelompok bersifat homogen antara anggota dalam kelompoknya atau dapat
dikatakan variasi obyek/individu dalam satu kelompok yang terbentuk sekecil
mungkin. Salah satu metode pengelompokkan dalam analisis cluster adalah
metode non-hirarkis, dimulai dengan menentukan terlebih dahulu jumlah
cluster yang diinginkan (dua, tiga atau yang lain). Setelah jumlah cluster
ditentukan, maka proses cluster dilakukan dengan tanpa mengikuti proses
hirarki. Metode ini biasa disebut “K-Means Cluster” (5).
Contoh penerapan analisis cluster dapat dilihat pada penelitian
Rahmayani (2018) dengan judul (Analisis Clustering Tingkat Keparahan
Penyakit Pasien Menggunakan Algoritma K-Means (Studi Kasus Di Puskesmas
Bandar Seikijang)). Pengelompokkan (Clustering) penyakit pasien tersebut
terdiri dari 3 cluster yaitu penyakit berat, penyakit sedang dan penyakit ringan.
Pengelompokkan penyakit menggunakan metode K-Means. Tujuan dari
penelitian ini adalah untuk mengelompokkan tingkat keparahan penyakit
pasien, mengetahui tingkat akurasi dari cluster tingkat keparahan penyakit
pasien, mengetahui penyakit terbanyak yang diderita masyarkat sekitar
puskesmas, dan mengetahui persamaan dalam pengolahan data manual dan
menggunakan software Rapid Miner (4).
Adapun langkah-langkah melakukan clustering dengan metode K-
Means adalah sebagai berikut (4):
1. Menentukan jumlah cluster k yang akan dibentuk.
2. Inisialisasi k pusat cluster dapat dilakukan dengan berbagai cara. Namun
yang paling sering dilakukan adalah dengan cara random. Pusat-pusat
cluster diberikan nilai awal dengan angka-angka random.
3. Alokasikan semua data/ objek ke cluster terdekat. Kedekatan dua objek
ditentukan berdasarkan jarak kedua objek tersebut. Demikian juga
kedekatan suatu data ke cluster.
4. r tertentu ditentukan jarak antara data dengan pusat cluster. Dalam tahap
ini perlu dihitung jarak tiap data ke tiap pusat cluster. Jarak paling antara
satu data dengan satu cluster tertentu akan menentukan suatu data
masuk dalam cluster mana. Untuk menghiutng jarak semua data ke setiap
tiitk pusat cluster dapat menggunakan teori jarak Euclidean yang
dirumuskan sebagai berikut:

Di mana:
D (i, j) = Jarak data ke i ke pusat cluster j
X ki = Data ke i pada atribut data ke k
X kj = Titik pusat ke j pada atribut ke k.
5. Hitung kembali pusat cluster dengan keanggotaan cluster yang sekarang.
Pusat cluster adalah rata-rata dari semua data/ objek dalam cluster
tertentu. Jika dikehendaki bisa juga menggunakan median dari cluster
tersebut. Jadi rata-rata (mean) bukan satu-satunya ukuran yang bisa
dipakai.
6. Tugaskan lagi setiap objek memakai pusat cluster yang baru. Jika pusat
cluster tidak berubah lagi maka proses clustering selesai. Atau, kembali ke
langkah nomor 3 sampai pusat cluster tidak berubah lagi.
Hasil penelitian menunjukkan tingkat keparahan penyakit pasien
Cluster (C0) berada pada penyakit berat dengan pasien sebanyak 47 orang,
cluster (C1) berada pada penyakit ringan dengan pasien sebanyak 82 orang,
dan cluster (C2) berada pada penyakit sedang dengan pasien sebanyak 149
orang. Tingkat keparahan penyakit pasien berada pada penderita penyakit
sedang dengan persentase 53,59%. Penyakit yang paling sering diderita oleh
masyarakat sekitar puskesmas adalah penyakit ISPA, demam berdarah dan
malaria. Dan hasil implementasi menggunakan Software Rapid Miner bernilai
sama dengan pengolahan data secara manual (6).
 DAFTAR PUSTAKA

1. Ayuningrum IY, Murti B. Aplikasi Path Analysis & Structural Equation

Model Dengan STATA. Karanganyar: Bintang Fajar Offset; 2019.
2. Ihsan A, Riviwanto M, Darwel. Pengaruh Sumber Air Bersih, Jamban,
Dan Pola Asuh Terhadap Stunting pada Balita dengan Diare sebagai
Variabel Intervening. Bul Keslingmas. 2020;39(1):1–5.
3. Sarwono J, Budiono H. Statistik Terapan: Aplikasi untuk Riset Skripsi,
Tesis, dan Disertasi. Jakarta: PT Elex Media Komputindo; 2012.
4. Faaghna L, Lita RP, Semiarty R. Analisis Faktor Yang Mempengaruhi
Minat Berkunjung Ulang Pasien ke Poliklinik Spesialis di RSI Ibnu Sina
Padang (BPJS Kesehatan). J Kesehat Andalas. 2019;8(2):295–304.
5. Prakasa RR, Kurnianingtyas AP. SPSS Untuk Analisis & Perencanaan
Kota yang Lebih Baik. Yogyakarta: CV ANDI OFFSET; 2022.
6. Rahmayani MTI. Analisis Clustering Tingkat Keparahan Penyakit Pasien
Menggunakan Algoritma K-Means. J Inov Tek Inform. 2018;1(2):40–4.