BAB I PENDAHULUAN. Final Galley. 1.1 Latar Belakang Test

(1)

1

PENDAHULUAN

Final Galley

1.1 Latar Belakang Test

Kemajuan ilmu pengtahuan dan teknologi mendorong masyarakat untuk semakin Finish memperhatikan derajat kesehatan demi peningkatan kualitas hidup yang lebih baik. Tersedianya pelayanan kesehatan yang berkualitas bagi masyarakat merupakan hal yang sangat penting dan mendapat perhatian dari pemerintah sebagai salah satu upaya dalam pembangunan di bidang kesehatan. Salah satu unsur kesejahteraan umum dari tujuan nasional serta sebagai upaya meningkatkan derajat kesehatan masyarakat, pemerintah telah membangun Pusat Kesehatan Masyarakat (Puskesmas).

Pembangunan Puskesmas juga bertujuan untuk memperluas pemerataan dan jangkauan pelayanan kesehatan dasar kepada masyarakat [1].

Berdasarkan Kepmenkes No 128 tahun 2004 Puskesmas adalah Unit Pelaksana Teknis (UPT) dari Dinas Kesehatan Kabupaten/Kota yang bertanggungjawab menyelenggarakan pembangunan kesehatan di satu atau sebagian wilayah kecamatan.

Puskesmas bertindak sebagai unit pelaksana teknis dalam melaksanakan sebagian tugas Dinas kesehatan Kabupaten/Kota. Dengan kata lain Puskesmas mempunyai wewenang dan tanggungjawab atas pemeliharaan kesehatan masyarakat dalam wilayah kerjanya.

Keputusan Menteri Kesehatan Republik Indonesia Nomor 857/Menkes/SK/IX/2009 menyatakan bahwa Puskesmas merupakan sarana pelayanan kesehatan strata pertama.

Sebagai pusat pelayanan kesehatan tingkat pertama, Puskesmas wajib menyelenggarakan pelayanan kesehatan secara bermutu, adil dan merata. Pelayanan yang diselenggarakan adalah pelayanan kesehatan dasar yang dibutuhkan sebagian besar masyarakat dan sangat strategis dalam upaya meningkatkan status kesehatan masyarakat umum. Selain itu juga muncul Undang Undang Tentang Pelayanan Publik No.25 tahun 2009. Dimana Undang-Undang tersebut bertujuan:

(2)

1. Terwujudnya batasan dan hubungan yang jelas tentang hak, tanggung jawab, kewajiban dan kewenangan seluruh pihak yang terkait dengan penyelenggaraan pelayanan publik.

2. Terwujudnya sistem penyelenggaraan pelayanan publik yang layak sesuai dengan asas-asas umum pemerintahan dan korporasi yang baik.

3. Terpenuhinya penyelenggaraan pelayanan publik sesuai peraturan-peraturan perundang-undangan, dan

4. Terwujudnya perlindungan dan kepastian hukum bagi masyarakat dalam penyelenggaraan pelayanan publik.

Menyelenggarakan pelayanan kesehatan yang bermutu dan sesuai dengan kehendak pasien adalah tidak mudah, hal ini ini disebabkan dimensi kepuasan pasien sangat bervariasi dan ruang lingkupnya sangat luas. Oleh karena itu pengukuran tingkat kepuasan pasien perlu dilakukan. Dengan melakukan pengukuran tigkat kepuasan pasien, maka dapat diketahui sejauh mana dimensi mutu pelayanan kesehatan yang diberikan oleh Puskesmas dapat memenuhi harapan pasien.

Untuk mendapatkan gambaran kepuasan pasien Puskesmas maka dilaksanakan survei.

Dari pelaksanaan survei diharapkan mendapatkan masukan melalui pendapat dan sikap masyarakat pengguna jasa (Public Opinion), tentang pelayanan kesehatan yang telah diberikan oleh Puskesmas. Survei dilakukan dengan cara melakukan wawancara terhadap pasien Puskesmas menggunakan kuesioner, bentuk jawaban dari setiap pernyataan yang terdapat di dalam kuisioner secara umum akan mencerminkan tingkat kualitas pelayanan, yaitu dari yang sangat baik sampai dengan tidak baik. Untuk katagori tidak baik diberi nilai persepsi 1. Kurang baik diberi nilai persepsi 2, baik diberi nilai 3, sangat baik diberi nilai persepsi 4

Berdasarkan hasil survei kepuasan pasien yang dilakukan di 21 Puskesmas di wilayah Kota Cirebon dengan menggunakan metode Likert Scales terhadap 14 unsur pelayanan menunjukkan bahwa pelayanan yang diberikan di beberapa Puskesmas masih kurang maksimal. Adapun data kepuasan pasien dari hasil survei dapat dideskripsikan dengan data sebagai beriku:

(3)

Tabel 1.1:Kepuasan Pasien Puskesmas Terhadap Prosedur Pelayanan

PUSKESMAS

KEMUDAHAN PROSEDUR

PELAYANAN TOTAL

STS TS S SS

Drajat Jumlah

%

2 1.3%

27 18.0%

112 74.7%

9 6.0%

150 100.0%

Pegambiran Jumlah

%

3 2.2%

26 19.1%

95 69.9%

12 8.8%

136 100.0%

Tabel 1.2 :Kepuasan Pasien Puskesmas Terhadap Persyaratan Pelayanan

PUSKESMAS

KESAMAAN PERSYARATAN PELAYANAN DENGAN JENIS

PELAYANAN TOTAL

STS TS S SS

Drajat Jumlah

%

1 0.7%

34 22.7%

109 72.7%

6 4.0%

150 100.0%

Pegambiran Jumlah

%

0 0.0%

23 16.9%

108 79.4%

5 3.7%

136 100.0%

Tabel 1.3 :Kepuasan Pasien Puskesmas Terhadap Kejelasan Petugas Pelayanan

PUSKESMAS

KEJELASAN DAN KEPASTIAN

PETUGAS YANG MELAYANI TOTAL

STS TS S SS

Drajat Jumlah

%

0 0.0%

26 17.3%

116 77.3%

8 5.3%

150 100.0%

Pegambiran Jumlah

%

0 0.0%

22 16.2%

107 78.7%

7 5.1%

136 100.0%

Tabel 1.4 :Kepuasan Pasien Puskesmas Terhadap Kedisiplinan Petugas Pelayanan

(4)

PUSKESMAS

Kedisiplinan Petugas dalam Memberikan

Pelayanan TOTAL

STS TS S SS

Drajat Jumlah

%

0 0.0%

36 24%

109 72.7%

5 3.3%

150 100.0%

Pegambiran Jumlah

%

0 0.0%

29 21.3%

103 75.7%

4 2.9%

136 100.0%

Sitopeng Jumlah

%

0 0.0%

22 16.8%

109 83.2%

0 0%

131 100.0%

Kalijaga Permai Jumlah

%

0 0.0%

54 43.9%

69 56.1%

0 0.0%

123 100.0%

Tabel 1.5 :Kepuasan Pasien Puskesmas Terhadap Kecepatan Pelayanan

PUSKESMAS

KECEPATAN PELAYANAN

TOTAL

STS TS S SS

Gunung Sari Jumlah

%

4 1.9%

38 18.1%

160 76.2%

8 3.8%

210 100.0%

Drajat Jumlah

%

0 0.0%

51 34.0%

93 62.0%

6 4.0%

150 100.0%

Pegambiran Jumlah

%

0 0.0%

26 19.1%

102 75.0%

8 5.9%

136 100.0%

Kalitanjung Jumlah

%

0 0.0%

107 50.5%

98 46.2%

7 3.3%

212 100.0%

Sitopeng Jumlah

%

0 0.0%

62 47.3%

69 52.7%

0 0%

131 100.0%

Kalijaga Permai Jumlah

%

0 0.0%

85 69.1%

38 30.9%

0 0%

123 100.0%

Tabel diatas menggambarkan tingkat kepuasan pasien berdasarkan 5 kriteria penilaian yaitu Kepuasan Pasien Puskesmas Terhadap Prosedur Pelayanan, Persyaratan Pelayanan, Kejelasan Petugas Pelayanan, Kedisiplinan Petugas Pelayanan dan Kecepatan Pelayanan. Dari 5 kriteria penilaian ini terlihat bahwa tingkat kepuasan pasien masih kurang maksimal. Sebagai contoh pada kriteria penilaian Kecepatan Pelayanan, data survai menunjukan untuk Puskesmas Kalijaga Permai sejumlah 69,1%

responden merasa tidak puas dengan pelayanan yang diberikan.

(5)

Gambaran kepuasan Pasien dapat dijadikan sebagai indikator mutu pelayanan Puskesmas, oleh karena itu pengelompokkan Indeks Kepuasan Pasien perlu dilakukan.

Dengan diketahuinya dimensi mutu pelayanan kesehatan yang diberikan oleh Puskesmas maka akan memudahkan Dinas Kesehatan Kota dalam menjalankan fungsi pembinaan dan kontrol terhadap Puskesmas sehingga dapat menentukan kebijakan yang diharapkan mampu meningkatkan mutu pelayanan Puskesmas di wilayah kerjanya.

Dalam penelitian ini akan dilakukan pengelompokkan Indeks Kepuasan Pasien dengan menggunakan teknik clustering. Cluster secara umum merupakan wujud himpunan bagian dari suatu himpunan data. Berdasarkan himpunan bagian yang dihasilkan, teknik clustering dapat dibedakan menjadi 2 metode, yaitu teknik hard clustering dan teknik soft clustering [3]. Untuk memberikan gambaran performa yang dihasilkan dari masing – masing teknik clustering tersebut akan digunakan metode K-Means (Hard Clustering) dan Fuzzy C-Mean (Soft Clustering). Metode K-Mean digunakan secara luas dalam teknik clustering, K-Mean memiliki keunggulan dalam kecepatan komputasi dan tahapan - tahapan proses yang relatif mudah [4]. Dan metode Fuzzy C- Means mempunyai kelebihan dalam hal fleksibilitas menentukan cluster, sehingga kecil kemungkinan untuk terjadi kegagalan converge [5].

Metode dengan performa yang paling baik akan dijadikan rujukan dalam melakukan analisis cluster terhadap indeks kepuasan pasien. Diharapkan dengan diketahuinya cluster - cluster indeks kepuasan pasien sebagai indikator mutu pelayanan Puskesmas maka akan memudahkan Dinas Kesehatan Cirebon dalam menentukan strategi pembinaan kepada Puskesmas.

1.2 Rumusan Masalah

(6)

Dari latar belakang masalah di atas, maka rumusan masalahnya adalah belum diketahui metode clustering yang optimal dalam mengelompokkan Indeks Kepuasan Pasien sebagai indikator mutu pelayanan Puskesmas

1.3 Tujuan Penelitian

Berdasarkan latar belakang dan rumusan masalah di atas, maka tujuan penelitian ini adalah :

A. Memberikan alternatif cara pengolahan kuesioner dengan menggunakan Metode Clustering

B. Melakukan pengukuran terhadap metode K-Means dan Fuzzy C-Means dan memberikan rujukan metode yang paling optimal untuk digunakan dalam kasus pengelompokkan Indeks Kepuasan Pasien sebagai indikator mutu pelayanan Puskemas

1.4 Manfaat Penelitian

Berikut ini adalah beberapa manfaat dari penelitian ini:

A. Diperolehnya alternatif cara pengolahan data survey kepuasan pasien dengan menggunakan metode Clustering

B. Diperolehnya rujukan metode dengan performance yang paling optimal diantara K- Means dan Fuzzy C-Means untuk mengolah data survey kepuasan pasien Puskesmas

(7)

7

TINJAUAN PUSTAKA

2.1 Penelitian Terkait

Literatur serta penelitian mengenai penerapan algoritma K-Means dan Fuzzy C-Means, banyak ditemukan dalam buku maupun jurnal - jurnal ilmiah di antaranya adalah penelitian yang dilakukan oleh Tedy Rismawan yang berjudul “Aplikasi K-Means Untuk Pengelompokan Mahasiswa Berdasarkan Nilai Body Mass Index(BMI) dan Ukuran Kerangka”. Penelitian ini membahas sebuah model pengelompokan data mahasiswa berdasarkan status gizi dan ukuran rangka tubuh mahasiswa yang bersangkutan. Untuk mendapatkan nilai BMI diperlukan data berat badan dan tinggi badan, sedangkan untuk mendapatkan nilai ukuran kerangka tubuh diperlukan data tinggi badan dan ukuran lingkar lengan bawah. Setelah nilai BMI dan ukuran kerangka diketahui maka proses pelatihan data dapat dilakukan. Terdapat 20 sample data mahasiswa yang diolah dengan menggunakan algoritma K-Means untuk menghasilkan 3 Cluster. Dari data yang dilatih, diperoleh 3 buah cluster, yaitu yaitu BMI normal dan kerangka besar, BMI obesitas sedang dan kerangka sedang dan BMI obesitas berat dan kerangka kecil. Penelitian ini menghasilkan sebuah kesimpulan bahwa algoritma K- Means dapat digunakan untuk mengelompokkan mahasiswa berdasarkan status gizi dan ukuran rangka [6].

Andri Syafrianto melakukan penelitian “Perancangan Aplikasi K-Means untuk Pengelompokan Mahasiswa STMIK Elrahma Yogyakarta Berdasarkan Frekuensi Kunjungan Ke Perpustakaan dan IPK”. Dalam penelitian in diambil sampel sebanyal 75 data mahasiswa yang tercatat sebagai mahasiswa S1 Teknik Informatika semester 3 STMIK Elrahma Yogyakarta. Kesimpulan yang diperoleh dari penelitian ini adalah algoritma K-Means bisa digunakan untuk mengelompokkan mahasiswa berdasarkan IPK dan frekuensi berkunjung ke perpustakaan. Dari data yang dilatih, didapatkan 3 buah cluster, yaitu mahasiswa dengan IPK rendah dan jarang ke perpustakaan,

(8)

mahasiswa dengan IPK cukup tinggi dan cukup sering pergi ke perpustakaan dan mahasiswa dengan IPK tinggi dan sering pergi ke perpustakaan [7].

Berikutnya adalah Bahar melakukan penelitian “Penentuan Jurusan Sekolah Menengah Atas Dengan Algoritma Fuzzy C-Means”. Dalam menentukan jurusan Sekolah Menengah Atas diperlukan data nilai rata – rata bidang ilmu yang diminati, baik sebelum peminatan maupun sesudah peminatan. Terdapat 3 bidang ilmu peminatan, yaitu Ilmu Pengetahuan Alam (IPA), Ilmu Pengetahuan Sosial (IPS) dan Bahasa. Fuzzy C-Means dinyatakan akurat apabila memenuhi beberapa kondisi yaitu minat yang dipilih oleh siswa sama dengan peminatan FCM (Fuzzy C-Means) dan nilai rata-rata mata pelajaran peminatan yang diperoleh setelah peminatan >= Kriteria Ketuntasan Minimal (KKM) yang ideal (>=75), dan minat yang dipilih oleh siswa tidak sama dengan peminatan FCM dan nilai rata-rata mata pelajaran peminatan yang diperoleh setelah peminatan < Kriteria Ketuntasan Minimal (KKM) yang ideal. Dari hasil pengujian algoritma Fuzzy C-Means (FCM) dalam penentuan jurusan di Sekolah Menengah Atas pada 81 sampel data siswa yang diuji dalam penelitian ini, menunjukkan bahwa Algoritma FCM memiliki tingkat akurasi yang lebih tinggi (yaitu rata-rata 78,39%), jika dibandingkan dengan metode penentuan jurusan secara manual yang hanya memiliki tingkat akurasi rata-rata 56,17 % [8].

Tabel 2.1 :Related Research

PENELITI TOPIK MASALAH METODE HASIL

Tedy Rismawan

Aplikasi K-Means Untuk

Pengelompokan Mahasiswa Berdasarkan Nilai

Body Mass

Index(BMI) dan Ukuran Kerangka

Bagaimana

membangun suatu sistem yang dapat meng-cluster nilai BMI dan ukuran kerangka tubuh untuk memudahkan

seseorang dalam mengontrol berat badannya agar selalu dalam keadaan ideal

K-Means, 20 sampel data pelatihan

Algoritma K-Means dapat

digunakan untuk mengelompokkan mahasiswa

berdasarkan status gizi dan ukuran kerangka.

Dari data yang dilatih diperoleh 3 buah cluster, yaitu BMI normal dan kerangka

(9)

besar, BMI obesitas sedang dan kerangka sedang, BMI obesitas berat dan kerangka kecil

Andri Syafrianto

Perancangan Aplikasi K-Means Untuk

Pengelompokan Mahasiswa STMIK ELRAHMA Yogyakarta Berdasarkan Frekuensi

Kunjungan Ke Perpustakaan Dan IPK

Bagaimana

membangun suatu sistem yang dapat meng-cluster

mahasiswa

berdasarkan frekuensi

kujungan ke

perpustakaan dan IPK.

K-Means, 75 sampel data pelatihan

Algoritma K-Means bisa digunakan untuk mengelompokkan mahasiswa

berdasarkan IPK dan frekuensi berkunjung ke perpustakaan. Dari data yang dilatih, didapatkan 3 buah cluster, yaitu mahasiswa dengan IPK rendah dan jarang ke perpustakaan, mahasiswa dengan IPK cukup tinggi dan cukup sering pergi ke perpustakaan dan mahasiswa dengan IPK tinggi dan sering pergi ke perpustakaan Bahar Penentuan Jurusan

Sekolah Menengah Atas Dengan Algoritma Fuzzy C-Means

Kurang

akuratnya proses pemilihan jurusan dengan sistem manual pada Sekolah Menengah

Atas

Fuzzy C- Means, 81 sampel data pelatihan

Algoritma FCM memiliki tingkat akurasi yang lebih tinggi (yaitu rata-rata 78,39%), jika dibandingkan dengan metode penentuan jurusan secara manual yang hanya memiliki tingkat akurasi rata- rata 56,17 %

(10)

2.2 Pelayanan Puskesmas

Dalam rangka mencapai tujuan Pembangunan Kesehatan Nasional yaitu tercapainya kemampuan masyarakat untuk hidup sehat dan dapat mewujudkan derajat kesehatan masyarakat yang optimal, sebagai salah satu unsur dari kesejahteraan umum dari tujuan nasional, pemerintah telah membangun Puskesmas di seluruh Indonesia.

Pembangunan Puskesmas tersebut untuk memperluas pemerataan dan jangkauan pelayanan kesehatan dasar kepada masyarakat.

Definisi Puskesmas tercantum di Kepmenkes No 128 tahun 2004 bahwa Puskesmas adalah unit pelaksana teknis (UPT) dari Dinas Kesehatan Kab/kota yang bertanggungjawab menyelenggarakan pembangunan kesehatan di satu atau sebagian wilayah kecamatan. Puskesmas bertindak sebagai unit pelaksana teknis dalam melaksanakan sebagian tugas Dinas kesehatan Kab/kota. Dengan kata lain Puskesmas mempunyai wewenang dan tanggungjawab atas pemeliharaan kesehatan masyarakat dalam wilayah kerjanya.

Puskesmas dalam upaya memberikan pelayanan yang bermutu kepada masyarakat perkotaan menempuh kebijakan sebagai berikut [9].

a. Upaya pelayanan kesehatan perkotaan dikembangkan secara menyeluruh baik tingkat masyarakat, Puskesmas maupun rujukan.

b. Upaya pelayanan Puskesmas di perkotaan ditingkatkan mutunya melalui perbaikan sarana fisik, melengkapi peralatan yang diperlukan, meningkatkan tenaga baik jumlah maupun mutunya, meningkatkan manajemen dan mengembangkan inovasi program kesehatan sesuai dengan masalah perkotaan c. Pelayanan kesehatan diprioritaskan kepada masyarakat yang bermukim di daerah

kumuh dan masyarakat berpenghasilan rendah di perkotaan

d. Peran serta masyarakat dikembangkan dengan melibatkan masyarakat secara aktif pada seluruh aspek pembangunan kesehatan terutama usaha untuk perubahan perilaku yang mendukung hidup sehat dan mobilisasi dana dalam jaminan pemeliharaan kesehatan masyarakat

(11)

e. Pelayanan kesehatan swasta dibina untuk memenuhi tuntutan masyarakat akan pelayanan kesehatan

f. Pengembangan sistem pencatatan dan pelaporan

g. Upaya peningkatan pelayanan kesehatan dilaksanakan dengan mengoptimalkan koordinasi dan kerjasama antara semua pihak yang berkaitan, baik sektor pemerintah maupun swasta, kesehatan maupun non kesehatan, mulai dari pemikiran, perencanaan, pelaksanaan dan pemantauan/penilaian.

Puskesmas melaksanakan pelayanan kesehatan yang menyeluruh yaitu pengobatan, pencegahan, peningkatan dan pemulihan dalam bentuk upaya kesehatan pokok.

Terdapat 18 upaya kesehatan pokok Puskesmas [9], yaitu 1. Kesehatan ibu dan anak

2. Keluarga Berencana 3. Pengobatan

4. Pencegahan dan pemberantasan penyakit menular 5. Peningkatan gizi

6. Penyuluhan kesehatan masyarakat 7. Perawatan kesehatan masyarakat 8. Kesehatan sekolah

9. Kesehatan jiwa 10. Kesehatan Gigi 11. Kesehatan lingkungan 12. Laboratorium

13. Pencatatan dan pelaporan 14. Kesehatan kerja

15. Kesehatan mata 16. Kesehatan usia lanjut 17. Dana sehat

18. Kesehatan olahraga

Puskesmas melaksanakan seluruh atau sebagian usaha pokok sesuai dengan masalah yang ada dan kemampuan sumber daya yang dimiliki oleh Puskesmas. Dalam

(12)

mewujudkan pelayanan kesehatan yang berkualitas, Dinas Kesehatan Kota memiliki peranan yang sangat besar [9], yaitu dalam hal

a. Perumusan kebijaksanaan b. Mengkoordinir perencanaan c. Pelaksanaan kegiatan d. Pembinaan

e. Pemantauan

f. Koordinasi dan kerjasama

2.3 Survei Kepuasan Pasien

Populasi dalam penelitian ini adalah data Survei Kepuasan Pasien terhadap 21 Puskesmas yang diperoleh dari Dinas Kesehatan Kota Cirebon. Adapun Nama Puskesmas yang dimaksud adalah sebagai [1] berikut:

1. Puskesmas Kejaksan 2. Puskesmas Jalan Kembang 3. Puskesmas Nelayan

4. Puskesmas Pamitran 5. Puskesmas Kesambi 6. Puskesmas Gunungsari 7. Puskesmas Sunyaragi 8. Puskesmas Majasem 9. Puskesmas Drajat 10. Puskesmas Jagasatru 11. Puskesmas Astanagarib 12. Puskesmas Pekalangan 13. Puskesmas Kesunean 14. Puskesmas Pegambiran 15. Puskesmas Pesisir 16. Puskesmas Cangkol 17. Puskesmas Kalitanjung 18. Puskesmas Larangan

(13)

19. Puskesmas Perumnas Utara 20. Puskesmas Sitopeng

21. Puskesmas Kalijaga Permai

Berdasarkan hasil pengolahan data yang telah dilakukan oleh Dinas Kesehatan Cirebon diperoleh nilai Indeks Kepuasan Pasien sebagai indikator mutu pelayanan Puskesmas dengan rentang nilai antara 49.7 sampai 99.4 yang kemudian dibagi kedalam beberapa kategori/cluster mutu pelayanan Puskesmas yaitu “Tidak Baik”,

“Kurang Baik”, “Baik” dan “Sangat Baik”.

Dari 3.000 populasi data yang ada akan diambil 100 data untuk menyederhanakan perhitungan. Teknik sampling yang digunakan adalah Sampel Acak Berlapis (Stratified Sampling). Jumlah sampel ditentukan menggunakan rumus Slovin , sebagai berikut[10].

𝑛 = 𝑛 𝑁

1 + 𝑁𝛼²

n : Ukuran sampel minimal N : Ukuran Populasi

α : Taraf Signifikansi

2.3 Indeks Kepuasan Pasien

Untuk mendapatkan informasi tingkat kepuasan pasien, dilaksanakan pegumpulan data dengan wawancara terhadap pasien Puskesmas menggunakan kuisioner dengan metode Likert Scales. Bentuk jawaban pertanyaan dari setiap unsur pelayanan secara umum mencerminkan tingkat kualitas pelayanan, yaitu dari yang sangat baik sampai dengan tidak baik. Untuk kategoti tidak baik, diberi nilai persepsi 1, kurang baik diberi nilai persepsi 2, baik diberi nilai 3 dan sangat baik diberi nilai persepsi 4 [1].

(2.1)

(14)

Pengolahan data dilaksanakan dengan menggunakan “nilai rata-rata tertimbang”

masing-masing unsur pelayanan. Dalam penghitungan indeks kepuasan masyarakat terhadap 14 unsur pelayanan yang dikaji, setiap unsur pelayanan memiliki penimbang yang sama dengan rumus sebagai beikut [1]:

𝐵𝑜𝑏𝑜𝑡 𝑛𝑖𝑙𝑎𝑖 𝑟𝑎𝑡𝑎 − 𝑟𝑎𝑡𝑎 𝑡𝑒𝑟𝑡𝑖𝑚𝑏𝑎𝑛𝑔 =Jumlah Bobot 𝐽𝑢𝑚𝑙𝑎ℎ 𝑈𝑠𝑒𝑟 = 1

14= 0.071

Untuk memperoleh nilai indeks kepuasan pasien digunakan pendekatan nilai rata-rata tertimbang dengan rumus sebagai berikut [1]:

𝐼𝐾𝑃 =𝑇𝑜𝑡𝑎𝑙 𝑑𝑎𝑟𝑖 𝑁𝑖𝑙𝑎𝑖 𝑃𝑒𝑟𝑠𝑒𝑝𝑠𝑖 𝑃𝑒𝑟 − 𝑈𝑛𝑠𝑢𝑟

𝑇𝑜𝑡𝑎𝑙 𝑈𝑛𝑠𝑢𝑟 𝑈𝑛𝑠𝑢𝑟 𝑦𝑎𝑛𝑔 𝑇𝑒𝑟𝑖𝑠𝑖 𝑥 𝑁𝑖𝑙𝑎𝑖 𝑃𝑒𝑛𝑖𝑚𝑏𝑎𝑛𝑔

2.4 Pelayanan Pasien

Terdapat 14 unsur pelayanan yang akan diukur, unsure pelayanan tersebut adalah sebagai berikut [1]:

1. Prosedur pelayanan, yaitu kemudahan tahapan pelayanan yang diberikan kapada masyarakat dilihat dari sisi kesederhanaan alur pelayanan

2. Persyaratan Pelayanan, yaitu persyaratan teknis dan administratif yang diperlukan untuk mendapatkan pelayanan sesuai dengan jenis pelayanannya.

3. Kejelasan Petugas Pelayanan, yaitu keberadaan dan kepastian petugas yang memberikan pelayanan (nama, jabatan serta kewenangan dan tanggung jawabnya).

4. Kedisiplinan Petugas Pelayanan, yaitu kesungguhan petugas dalam memberikan pelayanan terutama terhadap konsistensi waktu kerja sesuai ketentuan yang berlaku.

5. Tanggung Jawab Petugas Pelayanan, yaitu kejelasan wewenang dan tanggung jawab petugas dalam penyelenggaraan dan penyelesaian pelayanan.

(2.2)

(2.3)

(15)

6. Kemampuan Petugas Pelayanan, yaitu tingkat keahlian dan keterampilan yang dimiliki petugas dalam memberikan/meyelesaikan pelayanan kepada masyarakat.

7. Kecepatan Pelayanan, yaitu target waktu pelayanan dapat diselesaikan dalam waktu yang telah ditentukan oleh unit penyelenggara pelayanan.

8. Keadilan Mendapat Pelayanan, yaitu pelaksanaan pelayanan dengan tidak membedakan golongan/status masyarakat yang dilayani.

9. Kesopanan dan Keramahan Petugas, yaitu sikap dan perilaku petugas dalam memberikan pelayanan kepada masyarakat secara sopan dan ramah serta saling menghargai dan menghormati.

10. Kewajaran Biaya Pelayanan, yaitu keterjangkauan masyarakat terhadap besarnya biaya yang ditetapkan oleh unit layanan.

11. Kepastian Biaya Layanan, yaitu kesesuaian antarabiaya yang dibayarkan dengan biaya yang telah ditetapkan.

12. Kepastian Jadwal Pelayanan, yaitu pelaksanaan waktu pelayanan, sesuai dengan ketentuan yang telah ditetapkan.

13. Kenyamanan Lingkungan, yaitu kondisi sarana dan prasarana pelayanan yang bersih, rapi, dan teratur sehingga dapat memberikan rasa nyaman kepada penerima layanan.

14. Keamanan Pelayanan, yaitu terjaminnya tigkat keamanan lingkungan unit penyelenggara palayananataupun sarana yang digunakan, sehingga masyarakat merasa tenang untuk mendapatkan pelayanan terhadap risiko- risiko yang diakibatkan dari pelaksanaan pelayanan.

2.4 Clustering

Clustering merupakan proses membagi data dalam suatu himpunan ke dalam beberapa kelompok yang kesamaan datanya dalam suatu kelompok lebih besar daripada kesamaan data dengan kelompok lain. Clustering digunakan untuk mengetahui struktur data, dan digunakan juga secara luas dalam kasus klasifikasi, pengolahan gambar dan pengenalan pola. Clustering dapat diterapkan data yang kuantitatif (numerik), kualitatif (kategorikal), atau kombinasi dari keduanya [3].

(16)

Data dapat merupakan hasil pengamatan dari suatu proses. Setiap pengamatan dapat memiliki n variabel pengukuran dan dikelompokkan dalam n dimensi vektor 𝑍_𝑘 = [𝑍_𝑖𝑘, … , 𝑍_𝑛𝑘]^𝑇, 𝑍_𝑘 ∈ 𝑅^𝑛 . Sebuah himpunan dari N pengamatan dinotasikan dengan 𝑍 = {𝑍_𝑘|𝑘 = 1,2, … , 𝑁}dan direpresentasikan sebagai matriks 𝑛 × 𝑁 [3]

𝑍 = [

𝑧₁₁ … 𝑧_1𝑁

⋮ ⋮ ⋮

𝑧_𝑛1 … 𝑧_𝑛𝑁]

Dalam terminologi pengenalan pola, kolom matriks disebut pattern atau object. Baris disebut features atau attribute dan Z disebut data matrix. Arti kolom dan baris dalam Z bergantung pada konteks. Misal dalam kasus diagnosis medik, kolom Z dapat direpresentasikan sebagai pasien, dan baris merupakan symptoms atau pemeriksaan pasien yang bersangkutan [3].

Cluster secara umum merupakan wujud himpunan bagian dari suatu himpunan data dan metode clustering dapat diklasifikasikan berdasarkan himpunan bagian yang dihasilkan, apakah fuzzy atau crips (hard). Metode hard clustering merupakan model yang berdasar pada teori himpunan klasik, yang mana suatu objek menjadi anggota atau tidak menjadi anggota secara penuh ke dalam suatu kelompok. Hard clustering membagi data ke dalam sejumlah himpunan bagian secara eksklusif. Sebaliknya, metode fuzzy clustering mengizinkan objek untuk menjadi bagian dari beberapa kelompok secara bersamaan dengan perbedaan level keanggotaan [3].

2.5 K-Means Clustering

K-Means adalah algoritma yang digunakan untuk mengcluster atau untuk mengelompokkan data atau kumpulan data – data berdasarkan atribut - atribut yang dimiliki data tersebut ke sejumlah K kelompok atau cluster. K adalah integer yang bernilai positif . Proses pengklusteran dilakukan dengan cara mencari kuadrat jarak terdekat antara objek dengan cluster centroid. Sebagai contoh, terdapat 4 buah sampel (2.4)

(17)

data yang akan dilakukan proses training, setiap data mempunyai 2 atribut, setiap atribut merepresentasikan koordinat dari objek [11].

Tabel 2.3 : Contoh Pengelompokan Data

OBJEK ATRIBUT 1 (X) ATRIBUT 2 (Y)

Obat A 1 1

Obat B 2 1

Obat C 4 3

Obat D 5 4

Dari data tersebut akan dibuat 2 cluster (Cluster 1 dan Cluster 2). Dengan menggunakan algoritma K-Means dapat dilakukan proses perhitungan untuk menentukan apakah objek obat termasuk sebagai anggota cluster 1 atau cluster lainnya [11].

Berikut ini adalah langkah – langkah dalam melakukan Clustering menggunakan algoritma K-Means [6]

1. Menentukan nilai K, jumlah cluster 2. Menentukan nilai centroid

Dalam menentukan nilai centroid untuk awal iterasi, nilai awal centroid dilakukan secara acak. Sedangkan nilai centroid ketika proses iterasi berlangsung, maka digunakan rumus

𝑣_𝑖𝑗 = 1

𝑁_𝑖∑ 𝑥_𝑘𝑗

𝑁_𝑖

𝑘=0

3. Menghitung jarak antara titik centroid dengan titik tiap objek

𝐷_𝐿(𝑥₂− 𝑥₁) = √∑(𝑥_2𝑗− 𝑥_𝑖𝑗)²

𝑝

𝑗=1

(2.5)

(2.6)

(18)

4. Pengelompokkan objek untuk menentukan anggota cluster adalah dengan mencari jarak minimum objek

5. Kembali ke tahap 2, lakukan perulangan hingga nilai centroid yang dihasilkan tetap dan anggota cluster tidak berpindah ke cluster lain

2.6 Fuzzy Logic

Fuzzy Logic adalah suatu cara yang tepat untuk memetakan suatu ruang input kedalam suatu ruang output [12], sebagai contoh manajer pergudangan mengatakan pada manajer produksi seberapa banyak persediaan

Meskipun ada beberapa cara yang mampu bekerja dalam kotak hitam namun fuzzy akan memberikan solusi yang paling baik, sebagaimana telah dikemukakan oleh Lutfi A. Zadeh, bapak dari fuzzy logic, mengatakan “Pada hampir semua kasus kita dapat menghasilkan suatu produk tanpa menggunakan fuzzy logic, namun menggunakan fuzzy akan lebih cepat dan murah” [12].

Berbeda dengan logika klasik yang hanya mengenal 2 nilai 0 dan 1, logika fuzzy menggunakan nilai dalam interval [0,1]. Sebuah nilai dalam interval [0,1] itu dinamakan derajat keanggotaan 𝜇(𝑥) dari salah satu anggota himpunan fuzzy (x).

Dikatakan bahwa himpunan fuzzy dipetakan kenilai-nilai dalam interval [0,1] oleh fungsi 𝜇 adalah [12]:

Gambar 2.1:Contoh Pemetaan Input – Output [12]

KOTAK HITAM

Ruang output

(semua jumlah produksi barang yang mungkin)

Ruang input

(semua persediaan barang yang mungkin)

Persediaan barang akhir minggu

Persediaan barang esok hari

(19)

𝜇: 𝑥⌊0,1⌋

Pada statement diatas dimana setiap element x mempunyai himpunan semesta (semesta pembicaraan) mempunyai derajat keanggotaan antara 0 dan 1.

Fuzzy dan setiap himpunan fuzzy didukung oleh elemen-elemen pendukungnya, dan setiap elemen pendukungnya memiliki derajat keanggotaan tertentu (fire strength).

Jadi fungsi diatas dapat dijabarkan dengan [12]:

∀𝑥 ∈ 𝑋, 𝜇(𝑥) ∈ [0,1]

Pada statement diatas dimana setiap element x mempunyai himpunan semesta (semesta pembicaraan) mempunyai derajat keanggotaan antara 0 dan 1 [12].

2.8.1 Fungsi Keanggotaan

Fungsi keanggotaan (membership function) adalah suatu kurva yang menunjukan pemetaan titik-titik input data kedalam nilai keanggotaannya yang memiliki interval antara 0 dan 1 [12]. Adapun macam macam Funfsi Keanggotaan diantaranya yaitu :

1. Fungsi Linier Naik 2. Fungsi Linier Turun 3. Fungsi Kurva Segitiga 4. Fungsi Kurva Trapesium 2.8.1.1 Fungsi Linier Naik

Fungsi ini adalah fungsi paling sederhana dalam bentuk garis lurus. Bisa monoton naik atau turun, berikut ini adalah grafiknya [12]:

(2.7)

(2.8)

(20)

0 ; x ≤ a (x-a)/(b-a) ; a ≤ x ≤ b

1 ; x ≥ b

2.8.1.2 Fungsi Linier Turun

0 ; x ≥ b

(b-x)/(b-a) ; a ≤ x ≤ b

Gambar 2.2: Grafik Fungsi Keanggotaan Linier Naik [12]

(2.9)

Gambar 2.3 : Grafik Fungsi Keanggotaan Linier Turun [12]

(2.10)

(21)

2.8.1.3 Fungsi Kurva Segitiga

Representasi ini merupakan gabungan dua kurva, yaitu linier naik dan linier turun [12]

0 ; x ≤ a atau x ≥ c (x-a)/(b-a) ; a ≤ x ≤ b (c-x)/(c-b) ; b ≤ x ≤ c

2.8.1.4 Fungsi Kurva Trapesium

Representasi kurva trapesium pada dasarnya serupa dengan kurva segitiga namun memiliki banyak titik yang memiliki nilai keanggotaan 1 [12] .

Gambar 2.4: Grafik Fungsi Keanggotaan Segitiga [12]

(2.11)

Gambar 2.5 : Grafik Fungsi Keanggotaan Trapesium [12]

(22)

0 ; x ≤ a atau x ≥ d (x-a)/(b-a) ; a ≤ x ≤ b (d-x)/(d-c) ; c ≤ x ≤ d

1 ; b≤ x ≤ c

2.7 Fuzzy C-Means Clustering

Cluster secara umum merupakan wujud himpunan bagian dari suatu himpunan data dan metode clustering dapat diklasifikasikan berdasarkan himpunan bagian yang dihasilkan, apakah fuzzy atau crips (hard). Metode hard clustering merupakan model yang berdasar pada teori himpunan klasik, yang mana suatu objek menjadi anggota atau tidak menjadi anggota secara penuh ke dalam suatu kelompok. Hard clustering membagi data ke dalam sejumlah himpunan bagian secara eksklusif. Sebaliknya, metode fuzzy clustering mengizinkan objek untuk menjadi bagian dari beberapa kelompok secara bersamaan dengan perbedaan level keanggotaan [3].

Sebagai contoh dalam hard clustering, himpunan data 𝑍 = {𝑧₁, 𝑧₂, 𝑧₃, … 𝑧₁₀}, jika dibagi menjadi dua kelompok, maka himpunan U yang merupakan matriks partisi yang menunjukkan level keanggotaan elemen himpunan 𝑍 dalam kelompok 𝐴₁ atau 𝐴₂ akan seperti berikut [3].

𝑈 = [1 1 1 1 1 1 0 0 0 00 0 0 0 0 0 1 1 1 1]

Baris atas merupakan matriks U menunjukkan level keanggotaan elemen himpunan 𝑍 dalam 𝐴₁ dan baris bawah menunjukkan level keanggotaan elemen himpunan 𝑍 dalam 𝐴₂. Tampak bahwa setiap elemen himpunan 𝑍 secara khusus atau penuh akan menjadi anggota kelompok (𝐴₁atau 𝐴₂) dengan level keanggotaan 1. Dan tidak menjadi anggota dalam suatu kelompok dengan level keangotaan 0. 𝑥₁, 𝑥₂, 𝑥₃,𝑥_4,𝑥₅ dan 𝑥₆, secara khusus merupakan anggota dari 𝐴₁, sedangkan 𝑥₇, 𝑥₈, 𝑥₉ dan 𝑥₁₀ secara khusus merupakan anggota dari kelompok 𝐴₂ [3].

(2.12)

(23)

Sementara itu, dalam fuzzy clustering, level keanggotaan data dalam suatu kelompok bukan hanya 0 dan 1, tetapi dapat memiliki nilai antara interval 0 sampai 1. Sebagai contoh, himpunan 𝑍 = {𝑧₁, 𝑧₂, 𝑧₃, … 𝑧₁₀}. Dalam pembagian samar jika himpunan 𝑍 dibagi menjadi dua kelompok 𝑍₁ dan 𝑍₂ maka matriks partisi U dapat dituliskan seperti berikut [3].

𝑈 = [1.0 1.0 1.0 1.0 0.7 0.4 0.2 0.0 0.0 0.00.0 0.0 0.0 0.0 0.3 0.6 0.8 1.0 1.0 1.0]

Baris atas matriks partisi U menunjukkan level keanggotaan elemen himpunan 𝑍 dalam 𝐴₁ dan baris bawah menunjukkan level keanggotaan elemen himpunan 𝑍 dalam 𝐴₂. Dalam soft clustering ini tampak bahwa setiap elemen himpunan 𝑍 dapat menjadi anggota kelompok (𝐴₁dan 𝐴₂) dengan level keanggotaan antara 0 sampai dengan 1.

𝑥₁, 𝑥₂, 𝑥₃,𝑥₄menjadi anggota 𝐴₁ dengn level keanggotaan 1.0 dan menjadi anggota 𝐴₂ dengan level keanggotaan 0.0 sedangkan 𝑥₅ menjadi anggota 𝐴₁ dengan level keanggotaan 0.7 dan menjadi anggota 𝐴₂ dengan level keanggotaan 0.3 dan seterusnya [3].

Terdapat banyak algoritma yang digunakan untuk clustering, salah satunya Fuzzy C- Means (FCM). Fuzzy C-Means Clustering (FCM) merupakan algoritma clustering data yang setiap datanya menjadi angota dari suatu cluster dengan derajat didefinisikan dengan level keanggotaan [3].

Algoritma FCM didasarkan pada minimasi fungsi objektif yang diformulasikan sebagai berikut [13]

1. Input data yang akan di cluster, berupa matriks berukuran 𝑛 x 𝑚 (𝑛 = jumah sampel data, 𝑚 = atribut setiap data). 𝑋_𝑖𝑗 = data sampel ke - i (i = 1,2, . . . n), atribut ke-j (j = 1,2, . . . , m).

2. Tentukan :

 Jumlah cluster : c;

 Pangkat : w;

 Maksimum iterasi : MaxIter

(24)

 Error terkecil yang diharapkan : e = 0

 Fungsi objektif awal : 𝑃₀ = 0

 Iterasi awal : t = 1

3. Bangkitkan bilangan random 𝜇_𝑖𝑘, i = 1,2, . . . n; k = 1,2, . . . c sebagai elemen – elemen matriks partisi awal U.

𝑄_𝑖 = ∑ 𝜇_𝑖𝑘

𝑐

𝑘=1

Dengan i = 1,2, . . . n

4. Hitung pusat cluster ke – k, 𝑉_𝑘𝑗 dengan k = 1,2, . . . c dan j = 1,2, . . .m

𝑉_𝑘𝑗 = ∑^𝑛_𝑖=1((𝜇_𝑖𝑘)^𝑤+ 𝑋_𝑖𝑗)

∑^𝑛_𝑖=1(𝜇_𝑖𝑘)^𝑤

5. Hitung fungsi objektif pada iterasi ke-t, 𝑃_𝑡

𝑃_𝑡 = ∑ ∑ ([∑(𝑋_𝑖𝑗 − 𝑉_𝑘𝑗)²

𝑚

𝑗=1

] (𝜇_𝑖𝑘)^𝑤)

𝑐

𝑘=1 𝑛

𝑖=1

6. Hitung perubahan matriks partisi

𝜇_𝑖𝑘 = [∑^𝑚_𝑗=1(𝑋_𝑖𝑗− 𝑉_𝑘𝑗)²]

−1 𝑤−1

∑ [∑^𝑚_𝑗=1(𝑋_𝑖𝑗− 𝑉_𝑘𝑗)²]

−2 𝑐 𝑤−1

𝑘=1

Dengan i = 1,2, . . . n, dan k = 1,2, . . . c

7. Cek kondisi berhenti

Jika (|𝑃_𝑡− 𝑃_𝑡−1| < 𝑒) atau (𝑡 > 𝑀𝑎𝑥𝐼𝑡𝑒𝑟) Jika tidak : 𝑡 = 𝑡 + 1, ulangi langkah ke-4

(2.13)

(2.14)

(2.15)

(2.16)

(25)

2.8 Kerangka Pemikiran

`

Gambar 2.12 : Kerangka Pemikiran

APPROACH Clustering dengan K-

Means dan Fuzzy C- Means

RESULT

Diketahuinya performace yang paling baik diantara K-Means dan Fuzzy C-Means PROBLEMS

Problem clustering

Belum diketahuinya teknik clustering yang optimal diantara hard clustering dengan K-Means dan soft clustering dengan Fuzzy C-Means dalam kasus pengelompokkan Indeks Kepuasan Pasien Puskesmas

MEASUREMENT Melakukan pengukuran performance metode K- Means dan Fuzzy C-Means

DESIGN EXPERIMENT

Tools MATLAB

Data Data Set Kepuasan

Pasien

(26)

26

METODE PENELITIAN

3.1 Metode Penelitian

Penelitian ini adalah sebuah ekperimen yang akan mencoba membandingkan performance metode K-Means dan Fuzzy C-Means dalam melakukan analisis cluster dari nilai persepsi kepuasan pasien sebagai indikator mutu pelayanan Puskesmas.

Performance kedua metode tersebut akan diukur dengan membandingkan hasil analisis cluster dari masing – masing metode dengan hasil pengolahan data yang telah dilakukan sebelumnya oleh Dinas Kesehatan Kota Cirebon. Pengolahan data survei kepuasan pasien yang telah dilakukan oleh Dinas Kesehatan Cirebon adalah dengan menggunakan “nilai rata – rata tertimbang” . Tahapan – tahapan yang akan dilakukan dalam penelitian ini adalah

Gambar 3.1 Tahapan penelitian

PENGUKURAN PERFORMANCE EKSPERIMEN DAN PENGUJIAN METODE

PENGOLAHAN DATA AWAL

PENGUMPULAN DATA

(27)

1. Pengumpulan Data

Data yang diperoleh berasal dari Dinas Kesehatan Kota Cirebon berupa dataset sejumlah 3.000 record data yang berasal dari pengolahan survei kepuasan pasien Puskesmas pada tahun 2011.

2. Pengolahan Data Awal

Dilakukan proses sampling dengan menggunakan metode Simple Random Sampling. Jumlah ukuran sampel data ditentukan dengan menggunakan rumus Slovin dengan taraf signifikansi 𝛼 sebesar 10%

𝑛 = 𝑁

1 + 𝑁𝛼²

𝑛 = 3.000

1 + (3.000 × 0.10²) 𝑛 = 96.774

Dibulatkan keatas menjadi 100.

3. Eksperimen dan Pengujian Metode

Eksperimen dilakukan dengan melakukan proses clustering terhadap seluruh sampel data dengan metode K-Menas dan C-Means.

4. Pengukuran Performance

Pengukuran performance dilakukan dengan membandingkan proses clustering setiap metode dengan data yang telah diolah Dinas Kesehatan Kota Cirebon.

3.2 Pengumpulan Data

Data yang digunakan dalam penelitian ini adalah data yang diperoleh dari Dinas Kesehatan Kota Cirebon berupa survei kepuasan pasien terhadap pelayanan 21 Puskesmas yang berada di Kota Cirebon, yaitu

1. Puskesmas Kejaksan 2. Puskesmas Jalan Kembang

(28)

3. Puskesmas Nelayan 4. Puskesmas Pamitran 5. Puskesmas Kesambi 6. Puskesmas Gunungsari 7. Puskesmas Sunyaragi 8. Puskesmas Majasem 9. Puskesmas Drajat 10. Puskesmas Jagasatru 11. Puskesmas Astanagarib 12. Puskesmas Pekalangan 13. Puskesmas Kesunean 14. Puskesmas Pegambiran 15. Puskesmas Pesisir 16. Puskesmas Cangkol 17. Puskesmas Kalitanjung 18. Puskesmas Larangan 19. Puskesmas Perumnas Utara 20. Puskesmas Sitopeng

21. Puskesmas Kalijaga Permai

Total responden dalam survei ini adalah sebanyak 3.000 pasien yang akan menilai 14 unsur pelayanan Puskesmas, yaitu

1. Prosedur pelayanan, yaitu kemudahan tahapan pelayanan yang diberikan kapada masyarakat dilihat dari sisi kesederhanaan alur pelayanan

2. Persyaratan Pelayanan, yaitu persyaratan teknis dan administratif yang diperlukan untuk mendapatkan pelayanan sesuai dengan jenis pelayanannya.

3. Kejelasan Petugas Pelayanan, yaitu keberadaan dan kepastian petugas yang memberikan pelayanan (nama, jabatan serta kewenangan dan tanggung jawabnya).

4. Kedisiplinan Petugas Pelayanan, yaitu kesungguhan petugas dalam memberikan pelayanan terutama terhadap konsistensi waktu kerja sesuai ketentuan yang berlaku.

(29)