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
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
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.
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.
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
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
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
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,
DAFTAR ISI
BAB II TINJAUAN PUSTAKA 2.1 Analisis Gerombol . ... 8
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
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
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
DAFTAR GAMBAR
Halaman
Gambar 2.1 Kerangka Konsep Penerapan Analisis Gerombol Untuk Profil Kesehatan Ibu dan Anak di Provinsi Sumatera Utara
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.
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.
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
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
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
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
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)
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.
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.
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
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
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
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
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,
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
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
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
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,
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
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
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
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
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
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
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
K-means Pembentukan CF Tree Agglomerative Menentukan
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
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
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
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.
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.
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
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,
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
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
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
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
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,
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
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.
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
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
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)