PENERAPAN ANALISIS BIPLOT DAN CLUSTER UNTUK PEMETAAN DAN PENGELOMPOKKAN INDIKATOR
DERAJAT KESEHATAN MASYARAKAT DI PROVINSI SUMATERA UTARA
TAHUN 2016
SKRIPSI
Oleh
KHAIRUNNISA NASUTION NIM: 141000059
PROGRAM STUDI S1 KESEHATAN MASYARAKAT FAKULTAS KESEHATAN MASYARAKAT
UNIVERSITAS SUMATERA UTARA
2018
PENERAPAN ANALISIS BIPLOT DAN CLUSTER UNTUK PEMETAAN DAN PENGELOMPOKKAN INDIKATOR
DERAJAT KESEHATAN MASYARAKAT DI PROVINSI SUMATERA UTARA
TAHUN 2016
SKRIPSI
Diajukan Sebagai Salah Satu Syarat
untuk Memperoleh Gelar Sarjana Kesehatan Masyarakat pada Fakultas Kesehatan Masyarakat Universitas Sumatera Utara
Oleh
KHAIRUNNISA NASUTION NIM: 141000059
PROGRAM STUDI S1 KESEHATAN MASYARAKAT FAKULTAS KESEHATAN MASYARAKAT
UNIVERSITAS SUMATERA UTARA
2018
i
PERNYATAAN KEASLIAN SKRIPSI
Saya menyatakan bahwa skripsi yang berjudul “Penerapan Analisis Biplot dan Cluster untuk Pemetaan dan Pengelompokkan Indikator Derajat Kesehatan Masyarakat di Provinsi Sumatera Utara Tahun 2016” beserta seluruh isinya adalah benar hasil karya saya sendiri dan saya tidak melakukan penjiplakan atau pengutipan dengan cara-cara yang tidak sesuai dengan etika keilmuan yang berlaku dalam masyarakat keilmuan kecuali yang secara tertulis diacu dalam naskah ini dan disebut dalam daftar pustaka. Atas pernyataan ini, saya siap menanggung risiko atau sanksi yang dijatuhkan kepada saya apabila kemudian ditemukan adanya pelanggaran terhadap etika keilmuan dalam karya saya ini, atau klaim dari pihak lain terhadap keaslian karya saya ini.
Medan, September 2018
Khairunnisa Nasution
ii
Telah diuji dan dipertahankan Pada tanggal : 07 Agustus 2018
TIM PENGUJI SKRIPSI
Ketua : Dr. Ir. Erna Mutiara., M.Kes Anggota : 1. dr. Ria Masniari Lubis., M. Kes
2. Sri Rahayu Sanusi, S.K.M., M. Kes, Ph.D
iii ABSTRAK
Derajat kesehatan merupakan sasaran pembangunan dan menjadi salah satu prioritas Kementerian Kesehatan sebagai program utama untuk ditingkatkan.
Tingginya beberapa kasus yang menjadi indikator derajat kesehatan masyarakat di Sumatera Utara menunjukkan kondisi derajat kesehatan masyarakat belum cukup baik. Penelitian ini dilakukan untuk mengetahui perbandingan hasil pengelompokkan indikator derajat kesehatan masyarakat di Provinsi Sumatera Utara tahun 2016 dengan menggunakan metode analisis biplot dan cluster yang nantinya akan menggambarkan derajat kesehatan masyarakatnya. Jenis penelitian ini adalah penelitian deskriptif. Hasil pengelompokkan dengan menggunakan analisis biplot diperoleh 4 kelompok kabupaten/kota yang memiliki kemiripan masalah indikator derajat kesehatan. Kelompok 1 terdapat 12 kabupaten/kota yang memiliki kemiripan pada kasus Pneumonia. Kelompok 2 terdapat 6 kabupaten/kota yang memiliki kemiripan pada kasus Gizi Buruk. Kelompok 3 terdapat 7 kabupaten/kota yang memiliki kemiripan pada kasus TB Paru dan Diare. Kelompok 4 terdapat 8 kabupaten/kota yang memiliki kemiripan pada kasus angka kematian ibu (AKI), Berat Bayi Lahir Rendah (BBLR), Angka Kematian Bayi (AKB) dan Angka Kematian Balita (AKABA). Hasil pengelompokkan dengan menggunakan analisis cluster diperoleh 3 kelompok yaitu kelompok 1 (status derajat kesehatan baik) dengan angka Pneumonia yang cukup tinggi, terdiri dari 27 kabupaten/kota. Kelompok 2 (status derajat kesehatan sedang) dengan AKB, AKABA, Diare, TB Paru dan BBLR yang masih tinggi, terdiri dari 5 kabupaten/kota dan kelompok 3 (status derajat kesehatan buruk) dengan AKB, AKABA, AKI dan Gizi Buruk yang tinggi terdiri dari 1 kabupaten, dan dari hasil persentase nilai ketepatan klasifikasi analisis cluster yaitu sebesar 93,9% lebih baik dibandingkan analisis biplot sebesar 54%. Diharapkan kepada Dinas Kesehatan Provinsi Sumatera Utara agar melakukan perencanaan berdasarkan kondisi daerahnya, meningkatkan upaya pembangunan kesehatan dan mengambil kebijakan juga bekerja sama dengan tenaga kesehatan setiap kabupaten/kota untuk meningkatkan upaya untuk menurunkan angka mortalitas, morbiditas dan status gizi khususnya pada cluster 2 dan 3.
Kata Kunci : Indikator Derajat Kesehatan Masyarakat, Analisis Biplot, Analisis Cluster.
iv ABSTRACT
Health status is the target of development and become one of Ministry of Health priorities as the main program to be improved. The high number of some cases that become indicators of public health status in North Sumatera show the condition of public health status is not good enough. This study was conducted to understand the comparison of the results of grouping of public health status indicators in North Sumatera Province in 2016 by using biplot and cluster analysis method which will describe it’s public health status. The type of this research was descriptive research. The result of grouping by using biplot analysis was obtained 4 groups of districts/cities that had similarities of health status indicators. Group 1 had 12 districts/cities that had similarities in the cases of Pneumonia. Group 2 had 6 districts/cities that had similarities in the case of Malnutrition. Group 3 had 7 districts/cities that had similarities in Pulmonary TB and Diarrhea cases. Group 4 had 8 districts/cities that had similarities in Maternal Mortality Rate (MMR), Low Birth Weight (LBW), Infant Mortality Rate (IMR) and Under-five Mortality Rate (UMR). The results of grouping using cluster analysis it was obtained 3 groups, those were group 1 (good health status) with a high enough rate of Pneumonia, consisted of 27 districts/cities. Group 2 (mild health status) with IMR, UMR, Diarrhea, Pulmonary TB and LBW were still high, consisted of 5 districts/cities and group 3 (pour health status) with IMR, UMR, MMR and malnutrition were high, consisted of 1 district, and from the result value of the percentage of cluster analysis accuracy value was 93,9% better than the biplot analysis of 54%. It is expected that the Provincial Health Office of North Sumatera to do the planning based on the condition of the region.
Improving health development and policy-making efforts also work with health personnels from each district/city to improve efforts to reduce mortality, morbidity and nutritional status especially in clusters 2 and 3.
Keywords: Indicators of Public Health Status, Biplot Analysis, Cluster Analysis.
v
KATA PENGANTAR
Rasa syukur yang dalam penulis sampaikan kehadirat Allah SWT, karena berkat rahmat dan nikmat berupa kesehatan, kekuatan, serta kesabaran, sehingga penulis dapat menyelesaikan skripsi ini dengan judul “Penerapan Analisis Biplot dan Cluster untuk Pemetaan dan Pengelompokkan Indikator Derajat Kesehatan Masyarakat di Provinsi Sumatera Utara Tahun 2016” yang merupakan salah satu syarat untuk menyandang gelar Sarjana Kesehatan Masyarakat (SKM).
Selama mengerjakan skripsi ini penulis banyak mendapatkan motivasi, bantuan serta dukungan baik moril maupun material dari berbagai pihak. Oleh sebab itu, penulis ingin menyampaikan ucapan terima kasih sedalam-dalamnya kepada:
1. Prof. Dr. Runtung Sitepu, S.H., M. Hum, selaku Rektor Universitas Sumatera Utara,
2. Prof. Dr. Dra. Ida Yustina, M.Si, selaku Dekan Fakultas Kesehatan Masyarakat Universitas Sumatera Utara,
3. dr. Devi Nuraini Santi, M.Kes, selaku dosen penasehat akademik yang telah membimbing penulis selama menjalani pendidikan di Fakultas Kesehatan Masyarakat Universitas Sumatera Utara,
4. Dr. Asfriyati, S.K.M., M. Kes, selaku Ketua Departemen Kependudukan dan Biostatistika Fakultas Kesehatan Masyarakat Universitas Sumatera Utara, 5. Dr. Ir. Erna Mutiara, M.Kes, selaku dosen pembimbing I dan Lanova Dwi
Arde, S.K.M., M.K.M., selaku dosen pembimbing II yang telah mengarahkan, memotivasi, dan membimbing penulis dalam penulisan skripsi,
vi
6. dr. Ria Masniari Lubis, M.Kes, selaku dosen penguji I dan Sri Rahayu Sanusi, S.K.M., M.Kes, Ph.D, selaku dosen penguji II yang telah mengarahkan dalam penulisan skripsi,
7. Seluruh dosen dan staf administrasi di Departemen Kependudukan dan Biostatistik Fakultas Kesehatan Masyarakat Universitas Sumatera Utara, 8. Terkhusus kepada Ayahanda tercinta Drs. Riswanuddin Nasution dan Ibunda
Nurasiah Hasibuan, S.Pd yang selalu memberikan kasih sayang, dukungan serta motivasi yang tak pernah henti-hentinya dalam menyelesaian skripsi ini, 9. Serta kepada adik-adik terbaik saya Abdul Aziz Salam Nasution dan Muthia Riswani Nasution dan seluruh keluarga saya, sahabat seperjuangan skripsi (Cut, Hera, Sintya, Ikhwan dan Kiki), staf biostat terbaik Andika Tarigan, keluarga UKMI FKM USU 2014, sahabat infinite (Ica, Radhiatul, Alfi, Ado, Siddiq, Rizky dan Luthfi), sahabat di peminatan biostat (Isna, Rahmi, Miss, Putri, Aci, Ira, Hilda, dll) serta teman-teman Fakultas Kesehatan Masyarakat yang tidak dapat disebutkan satu per satu yang telah memberi dukungan, saran dan bantuan kepada penulis sehingga skripsi ini dapat diselesaikan dengan tepat waktu.
Penelitian ini masih banyak kekurangan dalam sistem penyusunan serta materinya. Oleh sebab itu, diharapkan adanya kritik dan saran yang mendukung untuk kesempurnaan skripsi ini. Akhir kata, penulis berharap skripsi penelitian ini dapat memberikan kontribusi positif dan bermanfaat bagi pembaca.
Medan, September 2018
Penulis
vii
DAFTAR ISI
Halaman
HALAMAN PERNYATAAN KEASLIAN SKRIPSI i
HALAMAN PENGESAHAN ii
ABSTRAK iii
ABSTRACT iv
KATA PENGANTAR v
DAFTAR ISI vii
DAFTAR TABEL ix
DAFTAR GAMBAR x
DAFTAR LAMPIRAN xi
RIWAYAT HIDUP xii
PENDAHULUAN 1
Latar Belakang 1
Rumusan Masalah 5
Tujuan Penelitian 5
Tujuan Umum 5
Tujuan Khusus 5
Manfaat Penelitian 6
TINJAUAN PUSTAKA 7
Indikator Derajat Kesehatan Masyarakat 7
Pengertian Derajat Kesehatan 7
Indikator Derajat Kesehatan Masyarakat 8
Analisis Biplot 12
Pengertian Analisis Biplot 12
Penguraian Nilai Singular 14
Analisis Cluster 15
Pengertian Analisis Cluster 15
Proses Dasar Analisis Cluster 16
Asumsi Pada Analisis Cluster 19
K-Means Cluster 19
Hierarchical Cluster 20
Analisis Diskriminan 22
Perbandingan Analisis Biplot dan Cluster 23
Kerangka Konsep 27
METODE PENELITIAN 27
Jenis Penelitian 27
Lokasi dan Waktu Penelitian 27
Populasi dan Sampel 27
viii
Metode Pengumpulan Data 27
Metode Pengukuran 28
Metode Analisis Data 28
HASIL PENELITIAN 30
Gambaran Umum Provinsi Sumatera Utara 30
Lokasi dan Keadaan Geografis 30
Kependudukan 31
Umur 32
Pendidikan 32
Analisis Deskriptif (Univariat) 34
Analisis Biplot 35
Hasil Analisis Biplot pada Indikator Derajat Kesehatan
Masyarakat di Provinsi Sumatera Utara tahun 2016 35
Analisis Cluster 38
Analisis Diskriminan 43
Nilai Rataan Z-Score untuk Pengkategorian Tingkat Derajat
Kesehatan pada Setiap Cluster 43
Hasil Analisis Diskriminan pada Indikator Derajat Kesehatan
Masyarakat Berdasarkan Pengelompokkan Analisis Cluster 44 Pengelompokkan Analisis Biplot dan Cluster 45
Pengelompokkan Analisis Biplot 45
Pengelompokkan Analisis Cluster 47
PEMBAHASAN 50
Perbandingan Persentase Ketepatan Klasifikasi Analisis Biplot dan
Analisis Cluster 50
Analisis Biplot 50
Analisis Cluster 51
KESIMPULAN DAN SARAN 53
Kesimpulan 53
Saran 54
DAFTAR PUSTAKA 55
DAFTAR LAMPIRAN
ix
DAFTAR TABEL
No Judul Halaman 1 Perbandingan Analisis Biplot dan Cluster 25 2 Metode Pengukuran Derajat Kesehatan Masyarakat 27 3 Karakteristik Indikator Derajat Kesehatan Masyarakat di Provinsi
Sumatera Utara tahun 2016 34
4 Keanggotaan Cluster (Cluster Membership) 40 5 Nilai Rataan Z-Score Vaariabel pada Setiap Cluster 43 6 Skor Rataan Variabel Berdasarkan Cluster 44
7 Pengelompokkan Analisis Biplot 45
8 Pengelompokkan Analisis Cluster 47
9 Nilai Eigen Matriks Analisis Biplot 50 10 Hasil Persentase Klasifikasi Analisis Diskriminan 51
x
DAFTAR GAMBAR
No Judul Halaman 1 Kerangka Konsep Penerapan Analisis Biplot dan Cluster 26
2 Analisis Biplot 36
3 Hasil Analisis Cluster dengan Metode Ward berdasarkan 33
kabupaten/kota 42
xi
DAFTAR LAMPIRAN
Lampiran Judul Halaman
1 Data Penelitian 57
2 Hasil Output Analisis Univariat 58 3 Hasil Output Analisis Biplot 59 4 Hasil Output Analisis Cluster 60 5 Hasil Output Analisis Diskriminan 64
6 Surat Izin Penelitian 66
7 Surat Keterangan Menyelesaikan Penelitian 67
xii
RIWAYAT HIDUP
Penulis bernama Khairunnisa Nasution berumur 22 tahun, dilahirkan di Medan pada tanggal 27 September 1996. Penulis beragama Islam, anak pertama dari tiga bersaudara dari pasangan Bapak Drs. Riswanuddin Nasution dan Ibu Nurasiah Hasibuan, S.Pd.
Pendidikan formal dimulai di SDN 064974 Medan tahun 2002-2008, sekolah menengah pertama di SMPN 12 Medan tahun 2008-2011, Sekolah menengah atas di SMA Swasta Islam Al-Ulum Terpadu Medan tahun 2011-2014, selanjutnya penulis melanjutkan pendidikan di Program Studi S1 Kesehatan Masyarakat Fakultas Kesehatan Masyarakat Universitas Sumatera Utara.
Medan, September 2018
Khairunnisa Nasution
1 Pendahuluan
Latar Belakang
Kesehatan merupakan investasi untuk mendukung pembangunan ekonomi serta memiliki peran penting dalam upaya penanggulangan kemiskinan.
Pembangunan kesehatan harus dipandang sebagai suatu investasi untuk meningkatkan kualitas sumber daya manusia. Dalam pengukuran Indeks Pembangunan Manusia (IPM), kesehatan adalah salah satu komponen utama selain pendidikan dan pendapatan. Kondisi pembangunan kesehatan secara umum dapat dilihat dari status kesehatan dan gizi masyarakat, yaitu angka kematian bayi, kematian ibu melahirkan, prevalensi gizi kurang dan umur angka harapan hidup (Kementerian Kesehatan RI, 2016).
Pembangunan kesehatan adalah upaya yang dilaksanakan oleh semua komponen bangsa dalam rangka meningkatkan kesadaran, kemauan, dan kemampuan hidup sehat bagi setiap orang agar terwujud derajat kesehatan masyarakat yang setinggi-tingginya. Untuk mencapai tujuan tersebut perlu diusahakan upaya kesehatan yang bersifat menyeluruh, terpadu, merata, dapat diterima serta terjangkau oleh seluruh lapisan masyarakat. Upaya-upaya kesehatan ini sesuai dengan Undang-undang No. 36 Tahun 2009 tentang kesehatan tertuang pada Bab IV Pasal 47 meliputi pencegahan penyakit (preventif), peningkatan kesehatan (promotif), penyembuhan penyakit (kuratif) dan pemulihan kesehatan (rehabilitatif) (Departemen Kesehatan RI, 2010).
Untuk menilai derajat kesehatan masyarakat, digunakan beberapa indikator yang mencerminkan kondisi mortalitas (kematian), status gizi dan
morbiditas (kesakitan). Untuk mortalitas telah disepakati tiga indikator, yaitu Angka Kematian Bayi (AKB) per 1.000 Kelahiran Hidup, Angka Kematian Balita (AKABA) per 1.000 Kelahiran Hidup, dan Angka Kematian Ibu (AKI) per
100.000 Kelahiran Hidup (Dinas Kesehatan Provinsi Sumatera Utara, 2016).
Untuk morbiditas disepakati 14 (empat belas) indikator, yaitu, angka “ Acude Flaccid Paralyses “ (AFP) pada anak usia <15 tahun per 100.000 Anak, angka kesembuhan penderita TB Paru BTA+, persentase Balita dengan
Pneumonia ditangani, persentase HIV/AIDS ditangani, prevalensi HIV (persentase kasus terhadap penduduk beresiko), persentase Infeksi Menular Seksual (IMS) diobati, angka kesakitan Demam Berdarah Dengue (DBD) per 100.000 Penduduk, persentase DBD ditangani, angka kesakitan Malaria per 1.000 penduduk, persentase penderita Malaria diobati, persentase penderita Kusta selesai berobat, kasus penyakit Filariasis ditangani, jumlah kasus dan angka kesakitan penyakit menular yang dapat dicegah dengan imunisasi (PD3I) (Dinas Kesehatan Provinsi Sumatera Utara, 2016).
Sementara itu untuk status gizi telah disepakati 5 (lima) indikator, yaitu persentase kunjungan Neonatus, persentase kunjungan Bayi, persentase BBLR ditangani, persentase Balita dengan Gizi Buruk dan persentase Kecamatan Bebas Rawan Gizi (Dinas Kesehatan Provinsi Sumatera Utara, 2016). Dalam penelitian ini variabel yang dijadikan indikator derajat kesehatan masyarakat tidak semua, yaitu hanya Angka Kematian Bayi (AKB), Angka Kematian Balita (AKABA), Angka Kematian Ibu (AKI), Angka Diare, angka Pneumonia, angka TB Paru, angka Balita dengan Gizi Kurang yaitu BBLR dan Gizi Buruk, ini digunakan
3
karena pada indikator tersebut memiliki jumlah kasus yang cukup tinggi (Dinas Kesehatan Provinsi Sumatera Utara, 2016).
WHO memperkirakan di Indonesia terdapat sebesar 126 kematian ibu setiap 100.000 kelahiran hidup dengan jumlah total kematian ibu sebesar 6400 pada tahun 2015. Angka ini sudah terjadi penurunan dari angka kematian ibu menurut SDKI 2012 yaitu sebesar 359/100.000 KH (Kementerian Kesehatan RI, 2014).
Angka kematian ibu dan bayi di Provinsi Sumatera Utara masih tergolong tinggi jika dibandingkan dengan provinsi lainnya di Indonesia. Provinsi Sumatera Utara menjadi provinsi yang ke-6 dengan AKI tertinggi di Indonesia. Berdasarkan laporan dari profil kab/kota AKI maternal yang dilaporkan di Sumatera Utara tahun 2016 hanya 85/100.000 KH, namun ini belum bisa menggambarkan AKI yang sebenarnya di populasi. Berdasarkan hasil Sensus Penduduk (SP) 2010, AKI di Sumatera Utara sebesar 328/100.000 KH, angka ini masih cukup tinggi bila dibandingkan dengan angka nasional hasil SP 2010 sebesar 259/100.000 KH (Dinas Kesehatan Provinsi Sumatera Utara, 2017).
Berdasarkan Profil Kesehatan Indonesia tahun 2016 angka morbiditas di Sumatera Utara juga tergolong cukup tinggi karena termasuk pada peringkat 10 besar, dimana angka TB Paru termasuk angka 8 tertinggi di antara provinsi lain yaitu sebesar 161/100.000 penduduk. Sedangkan angka Pneumonia pada Balita yaitu 2,99% dari perkiraan kasus sebesar 3,55% dan angka Diare berdasarkan rekaptulasi KLB tahun 2016 Sumatera Utara merupakan 3 tertinggi setelah NTT dan Jawa Tengah sebesar 35/1.000 penduduk yaitu di Kabupaten Binjai.
Berdasarkan data Profil Kesehatan Provinsi Sumatera Utara tahun 2016, dari 1.321.854 balita yang ditimbang, terdapat 15.245 balita (1,39%) yang berat badannya dibawah garis merah (BGM). Sedangkan yang menderita gizi buruk ada sebanyak 1.279 balita (0,10%). Bila dibandingkan dengan data gizi buruk tahun 2014 sebanyak 1.228 kasus (0,09%) ada peningkatan kasus sebesar 0,01%.
Kondisi derajat kesehatan di Sumatera Utara berdasarkan kasus tersebut terlihat belum cukup baik karena masih tergolong tinggi jika dibandingkan dengan provinsi lain di Indonesia. Berdasarkan hasil penelitian Sari (2015) menyatakan bahwa Provinsi Sumatera Utara memiliki derajat kesehatan baik, dilihat
berdasarkan hasil cluster yang terbentuk dari 33 Kabupaten/Kota di Sumatera Utara terdapat 31 Kabupaten/Kota yang membentuk 1 cluster dengan derajat kesehatan baik. Derajat kesehatan merupakan sasaran pembangunan dan menjadi salah satu prioritas Kementerian Kesehatan sebagai program utama untuk
ditingkatkan. Hal tersebut terbukti selain di dalam Renstra Kemenkes tahun 2015- 2019 juga di dalam Permenkes RI Nomor 39 tahun 2016 tentang Pedoman Penyelenggaraan Program Indonesia Sehat dengan Pendekatan Keluarga.
Dalam melaksanakan program pembangunan kesehatan perlu adanya identifikasi berdasarkan karakteristik tingkat derajat kesehatan masyarakat tiap daerah agar dalam mengambil kebijakan dan strategi pembangunan bisa tepat sasaran dan tepat guna. Salah satu cara untuk mencapai keberhasilan program pembangunan sangat tergantung pada ketepatan pengidentifikasian target upaya kesehatan. Oleh karena itu, sangat penting mempertimbangkan pengelompokkan dan karakteristik 33 kabupaten/kota di Provinsi Sumatera Utara berdasarkan
5
indikator derajat kesehatan masyarakat tahun 2016. Analisis biplot dan cluster merupakan analisis yang digunakan untuk mengelompokkan pengamatan atau objek menjadi beberapa kelompok yang jumlahnya lebih sedikit.
Perbandingan terhadap kedua analisis ini dilakukan untuk melihat bagaimana output pengelompokkan yang dihasilkan dan mengetahui analisis mana yang lebih akurat. Sehingga hasil pengelompokkan dari analisis dapat digunakan sebagai informasi bagi pemerintah Dinas Kesehatan Provinsi Sumatera Utara untuk lebih memperhatikan masalah kesehatan di daerah sesuai dengan indikator yang memengaruhi derajat kesehatan masyarakatnya.
Rumusan Masalah
Bagaimana perbandingan hasil analisis biplot dengan analisis cluster dan keakuratannya serta pengelompokkannya dalam indikator derajat kesehatan masyarakat sehingga dapat diperbaiki derajat kesehatan masyarakat di 33 kabupaten/kota Provinsi Sumatera Utara dengan tepat sasaran dan tepat guna.
Tujuan Penelitian
Tujuan umum. Untuk mengetahui perbandingan hasil pengelompokkan indikator derajat kesehatan masyarakat di Provinsi Sumatera Utara tahun 2016 dengan menggunakan analisis biplot dan cluster.
Tujuan khusus. Tujuan khusus penelitian ini adalah sebagai berikut.
1. Untuk mengetahui pengelompokkan indikator derajat kesehatan masyarakat di kabupaten/kota Provinsi Sumatera Utara tahun 2016 dengan melihat peubah yang mejadi pencirinya dengan menggunakan analisis biplot.
2. Untuk mengetahui pengelompokan indikator derajat kesehatan masyarakat di 33 kabupaten/kota Provinsi Sumatera Utara tahun 2016 berdasarkan
kelompok-kelompok yang terbentuk dengan faktor yang memengaruhi dengan analisis cluster.
3. Untuk melihat perbandingan hasil analisis biplot dan cluster dalam mengelompokkan indikator-indikator derajat kesehatan masyarakat di 33 kabupaten/kota Provinsi Sumatera Utara tahun 2016.
Manfaat Penelitian
Manfaat penelitian pada penelitian ini sebagai berikut.
1. Menerapkan teori dengan praktek di lapangan terutama penerapan beberapa uji statistik yaitu analisis biplot dan analisis cluster.
2. Sebagai bahan masukan bagi Dinas Kesehatan Provinsi Sumatera Utara untuk meningkatkan derajat kesehatan masyarakat dalam merencanakan
pembangunan kesehatan berdasarkan hasil-hasil yang didapat.
3. Sebagai bahan masukan atau sumber informasi bagi peneliti lain.
7
Tinjauan Pustaka
Indikator Derajat Kesehatan Masyarakat
Pengertian derajat kesehatan. Derajat kesehatan merupakan gambaran profil kesehatan individu atau kelompok individu (masyarakat) di suatu daerah.
Derajat kesehatan masyarakat dapat diukur dengan menggunakan indikator seperti Angka Kematian Bayi (AKB), Angka Kematian Balita (AKABA), Angka
Kematian Ibu (AKI), dan angka morbiditas beberapa penyakit (Kementerian Kesehatan RI, 2014).
Derajat kesehatan masyarakat juga dipengaruhi oleh banyak faktor.
Faktor-faktor tersebut tidak hanya berasal dari sektor kesehatan seperti pelayanan kesehatan dan ketersediaan sarana dan prasarana kesehatan, melainkan juga dipengaruhi faktor ekonomi, pendidikan, lingkungan sosial, keturunan dan faktor lainnya (Dinas Kesehatan Provinsi Sumatera Utara, 2017). Derajat kesehatan masyarakat yang optimal adalah tingkat kondisi kesehatan yang tinggi dari setiap orang atau masyarakat dan harus selalu diusahakan peningkatannya secara terus menerus.
Menurut World Health Organization (WHO), kesehatan adalah keadaan sempurna, baik fisik, mental maupun sosial, dan tidak hanya bebas dari penyakit dan cacat (Chandra, 2009). Sejalan dengan definisi sehat menurut WHO, menurut Undang-Undang Kesehatan No.36 Tahun 2009 kesehatan adalah keadaan sehat baik secara fisik, mental, spiritual maupun sosial yang memungkinkan setiap orang untuk hidup produktif secara sosial dan ekonomi.
Menurut Undang-undang No.36 Tahun 2009 tentang kesehatan menyatakan bahwa kesehatan adalah hak asasi manusia yang merupakan hak fundamental setiap warga negara dan mutlak untuk dipenuhi. Oleh karena itu, Kementerian Kesehatan RI berupaya untuk mewujudkan masyarakat sehat yang mandiri dan berkeadilan melalui peningkatan derajat kesehatan masyarakat.
Indikator derajat kesehatan merupakan salah satu indikator keberhasilan pembangunan dan menjadi isu global yang terungkap secara tegas dalam sasaran- sasaran Pembangunan Berkelanjutan (Sustainable Development Goals/SDGs).
Berdasarkan 38 target SDGs pada nomor 3 bahwa masalah-masalah yang masih memerlukan kerja keras untuk dapat diselesaikan adalah penurunan Angka Kematian Ibu (AKI), Angka Kematian Bayi (AKB), Angka Kematian Balita (AKABA) dan morbiditas beberapa penyakit karena belum mencapai target (Bappenas, 2018).
Indikator derajat kesehatan masyarakat. Indikator derajat kesehatan adalah ukuran yang digunakan untuk melihat apakah derajat kesehatan masyarakat sudah optimal, yang dilihat dari unsur kualitas hidup (Dinas Kesehatan Provinsi Sumatera Utara, 2017) yaitu:
Mortalitas (angka kematian). Mortalitas adalah angka kematian yang
terjadi pada kurun waktu dan tempat tertentu yang diakibatkan oleh keadaan tertentu, dapat berupa penyakit maupun sebab lainnya. Angka kematian pada umumnya dapat dihitung dengan melakukan survei dan penelitian, yang termasuk dalam indikator mortalitas adalah:
9
Angka Kematian Bayi (AKB). Angka Kematian Bayi (AKB) adalah jumlah bayi yang meninggal sebelum mencapai usia 1 tahun yang dinyatakan dalam 1.000 kelahiran hidup pada tahun yang sama.
Angka Kematian Balita (AKABA). Angka Kematian Balita (AKABA) adalah jumlah anak yang meninggal sebelum mencapai usia 5 tahun yang dinyatakan sebagai angka per 1.000 kelahiran hidup.
Angka Kematian Ibu (AKI). AKI menggambarkan jumlah wanita yang meninggal dari suatu penyebab kematian terkait dengan gangguan kehamilan atau penanganannya (tidak termasuk kecelakaan atau kasus insidentil) selama
kehamilan, melahirkan dan dalam masa nifas (42 hari setelah melahirkan) tanpa memperhitungkan lama kehamilan per 100.000 kelahiran hidup. AKI juga dapat digunakan dalam pemantauan kematian terkait dengan kehamilan. Indikator ini dipengaruhi status kesehatan secara umum, pendidikan dan pelayanan selama kehamilan dan melahirkan. Sensitivitas AKI terhadap perbaikan pelayanan kesehatan menjadikannya indikator derajat keberhasilan pembangunan sektor kesehatan.
Morbiditas (angka kesakitan). Morbiditas adalah angka kesakitan, dapat
berupa angka insiden maupun angka prevalens dari suatu penyakit. Morbiditas menggambarkan kejadian penyakit dalam suatu populasi pada kurun waktu tertentu. Tingkat kesakitan suatu negara juga mencerminkan situasi derajat kesehatan masyarakat yang ada didalamnya. Bahkan tingkat angka kesakitan penyakit menular tertentu yang terkait dengan komitmen internasional senantiasa menjadi sorotan dalam membandingkan kondisi kesehatan antar negara (Dinas
Kesehatan Provinsi Sumatera Utara, 2017). Berikut yang termasuk indikator morbiditas yaitu :
Diare. Penyebab utama penyakit diare adalah infeksi bakteri atau virus.
Jalur masuk utama infeksi tersebut melalui feses manusia atau binatang, makanan, air, dan kontak dengan manusia. Kondisi lingkungan yang menjadi habitat atau pejamu untuk patogen tersebut atau peningkatan kemungkinan kontak dengan penyebab tersebut menjadi resiko utama penyakit ini. Sanitasi dan kebersihan rumah tangga yang buruk, kurangnya air minum yang aman, dan pajanan pada sampah padat (misalnya, melalui pengambilan sampah atau akumulasi sampah di lingkungan) yang kemudian mangakibatkan penyakit diare. Epidemik penyakit diare juga dapat terjadi sebagai akibat dari kejadian polusi atau bencana alam besar, seperti banjir.
Pada tahun 2015, jumlah perkiraan kasus ada sebanyak 752.624 kasus (20% x 270/1.000 x Jlh Penduduk), yang ditemukan dan ditangani sebanyak 250.808 (33,32%), sehingga angka kesakitan (Incidence Rate/IR) diare per 1.000 penduduk mencapai 90. Pencapaian IR ini jauh di bawah target program yaitu 270 per 1.000 penduduk. Rendahnya IR dikhawatirkan bukan merefleksikan
menurunnya kejadian penyakit diare pada masyarakat tetapi lebih dikarenakan banyaknya kasus yang tidak terdata (under-reporting cases).
Pneumonia. Pneumonia adalah infeksi yang menyebabkan paru-paru meradang. Kantung-kantung kemampuan menyerap oksigen menjadi kurang.
Kekurangan oksigen membuat sel-sel tubuh tidak bisa bekerja. Gara-gara inilah, selain penyebaran infeksi ke seluruh tubuh, penderita pneumonia bisa meninggal.
11
Pneumonia merupakan masalah kesehatan di dunia karena angka kematiannya tinggi, tidak saja di negara berkembang tetapi juga di negara maju seperti Amerika Serikat, Kanada, dan negara-negara Eropa. Di Indonesia,
pneumonia merupakan penyebab kematian nomor tiga setelah kardiovaskuler dan tuberkulosis. Faktor sosial ekonomi yang rendah mempertinggi angka kematian.
TB paru. Penyakit tuberkulosis (TB) dapat menyerang manusia mulai dari usia anak sampai dewasa dengan perbandingan yang hampir sama antara laki-laki dan perempuan. Penyakit ini biasanya banyak ditemukan pada pasien yang tinggal di daerah dengan tingkat kepadatan tinggi sehingga masuknya cahaya matahari ke dalam rumah sangat minim.
Tuberkulosis merupakan penyakit menular yang disebabkan oleh infeksi bakteri Mycobacterium tuberculosis. Penyakit ini menyebar melalui droplet orang yang telah terinfeksi basil tuberkulosis. Tuberkulosis (TB) paru adalah
tuberkulosis yang menyerang jaringan paru, tidak termasuk pleura (Badan Pusat Statistik, 2015). Diseluruh kasus tuberkulosis, sebesar 11% dialami oleh anak- anak di bawah 15 tahun.
Status gizi masyarakat. Untuk status gizi telah disepakati indikatornya,
yaitu:
Persentase Berat Badan Lahir Rendah (BBLR). World Health
Organization (WHO) pada tahun 2014 mendefinisikan Berat Badan Lahir Rendah (BBLR) sebagai bayi yang telah lahir dengan berat kurang dari 2500 gram.
Cakupan berat bayi lahir rendah yang ditangani adalah berat bayi yang kurang dari 2500 gram yang ditangani di sarana pelayanan kesehatan sesuai tatalaksana
berat bayi lahir rendah di suatu wilayah kerja pada kurun waktu tertentu.
Persentase balita dengan gizi buruk. Gizi buruk adalah keadaan gizi anak yang ditandai dengan satu atau lebih tanda yaitu sangat kurus, edema, BB/PB atau BB/TB <-3 SD dan lingkar lengan atas (LiLA) <11,5 cm (Kementerian Kesehatan RI, 2011). Cakupan balita gizi buruk mendapat perawatan yaitu jumlah balita gizi buruk yang ditangani di sarana pelayanan kesehatan sesuai tatalaksana gizi buruk di suatu wilayah kerja pada kurun waktu tertentu.
Analisis Biplot
Pengertian analisis biplot. Analisis biplot diperkenalkan oleh Gabriel tahun 1971. Analisis biplot merupakan salah satu bentuk analisis peubah ganda (APG) yang dapat memberikan gambaran grafis tentang kedekatan antar objek, keragaman atau kolerasi peubah serta keterkaitan antar objek dengan peubah (Widowati, 2017).
Biplot adalah salah satu upaya menggambarkan data-data yang ada pada tabel ringkasan dalam grafik berdimensi dua. Informasi yang diberikan oleh biplot mencakup objek dan peubah dalam satu gambar. Analisis biplot bersifat deskriptif dengan dimensi dua yang dapat menyajikan secara visual segugus objek dan variabel dalam satu grafik. Grafik yang dihasilkan dari biplot ini merupakan grafik yang berbentuk bidang datar. Dengan penyajian seperti ini, ciri-ciri variabel dan objek pengamatan serta posisi relatif antara objek pengamatan dengan
variabel dapat dianalisis (Sartono dkk 2003; Mattjik dan Sumertajaya 2011).
Analisis biplot bertujuan untuk menggambarkan baris (objek) dan kolom (peubah) yang ada pada matriks data secara bersama-sama dalam sebuah grafik
13
berdimensi rendah (biasanya dua atau tiga). Penggambaran ini meliputi
keragaman dan korelasi antar peubah, serta kedekatan antar objek yang nantinya akan mampu mengidentifikasikan pengelompokkan objek. Analisis biplot mampu menampilkan secara langsung peubah penciri atau peubah yang paling dominan dari suatu kelompok objek yang terbentuk pada hasil tampilan analisis biplot (Ariawan dkk, 2013).
Hal penting yang bisa didapatkan dari tampilan biplot adalah (Sartono dkk 2003; Mattjik dan Sumertajaya 2011):
Kedekatan antar objek yang diamati. Informasi ini dapat dijadikan panduan untuk mengetahui objek yang memiliki kemiripan karakteristik dengan objek lain. Penafsiran ini mungkin akan berbeda untuk setiap bidang terapan, namun inti dari penafsiran ini adalah bahwa dua objek yang memiliki karakteristik sama akan digambarkan sebagai dua titik dengan posisi yang berdekatan.
Keragaman peubah. Informasi ini digunakan untuk melihat apakah ada variabel yang mempunyai nilai keragaman yang hampir sama untuk setiap objek.
Dengan informasi ini, bisa diperkirakan pada variabel mana strategi tertentu harus ditingkatkan, dan juga sebaliknya. Dalam biplot, variabel yang mempunyai nilai keragaman yang kecil digambarkan sebagai vektor pendek sedangkan variabel dengan nilai keragaman yang besar digambarkan sebagai vektor yang panjang.
Korelasi antar peubah. Dari informasi ini bisa diketahui bagaimana suatu variabel memengaruhi ataupun dipengaruhi variabel yang lain. Pada biplot, variabel akan digambarkan sebagai garis berarah. Dua variabel yang memiliki nilai korelasi positif akan digambarkan sebagai dua buah garis dengan arah yang
sama atau membentuk sudut sempit. Sementara itu, dua variabel yang memiliki nilai korelasi negatif akan digambarkan dalam bentuk dua garis dengan arah yang berlawanan atau membentuk sudut lebar (tumpul). Sedangkan dua variabel yang tidak berkorelasi akan digambarkan dalam bentuk dua garis dengan sudut yang mendekati 90ᴼ (siku-siku).
Nilai peubah pada suatu objek. Dalam informasi ini digunakan untuk melihat keunggulan dari setiap objek. Objek yang terletak searah dengan arah vektor variabel dikatakan bahwa objek tersebut mempunyai nilai di atas rata-rata.
Namun jika objek terletak berlawanan dengan arah dari vektor variabel tersebut, maka objek tersebut memiliki nilai di bawah rata-rata. Sedangkan objek yang hampir berada ditengah-tengah berarti objek tersebut memiliki nilai dekat dengan rata -rata.
Biplot adalah upaya membuat gambar di ruang berdimensi banyak menjadi gambar di ruang berdimensi dua. Biplot yang mampu memberikan informasi sebesar 70% dari seluruh informasi dianggap cukup mewakili dari karakteristik populasi yang ada.
Penguraian nilai singular (singular value decomposition). Analisis biplot didasari oleh penguraian nilai singular atau singular value decomposition.
Gabriel (1971) mengemukakan ukuran pendekatan matriks X dengan biplot dalam bentuk:
15
Keterangan : = nilai eigen terbesar ke-1 = nilai eigen terbesar ke-2 = nilai eigen ke-k (k=1,2...r)
Besarnya keragaman yang mampu dijelaskan oleh biplot, dilambangkan dengan . Apabila semakin mendekati nilai satu, maka biplot memberikan penyajian yang semakin baik mengenai informasi data yang sebenarnya (Gabriel (1971); Mattjik dan Sumertajaya 2011).
Pendeskripsian biplot dilakukan dengan mengambil sebuah nilai α sembarang dengan 0 α ≤ 1 untuk pendefinisian matriks G (matriks objek) dan H (matriks peubah). Pengambilan nilai ekstrem α = 0 dan α = 1 berguna untuk interpretasi biplot (Gabriel 1971; Mattjik dan Sumertajaya 2011).
Analisis Cluster
Pengertian analisis cluster. Analisis cluster merupakan suatu kelas teknik, dipergunakan untuk mengklasifikasi objek atau kasus (responden) ke dalam kelompok yang relatif homogen, yang disebut cluster. Objek/kasus dalam setiap kelompok cenderung mirip satu sama lain dan berbeda jauh (tidak sama) dengan objek dari cluster lainnya. Analisis cluster juga analisis klasifikasi atau taksonomi numerik (numerical taxonomy) (Supranto, 2010).
Menurut Mattjik dan Sumertajaya (2011), analisis cluster mempunyai tujuan utama untuk mengelompokkan objek-objek berdasarkan kemiripan karakteristik yang dimilikinya. Karakteristik objek-objek dalam suatu cluster
memiliki tingkat kemiripan yang tinggi, sedangkan karakteristik antar objek pada suatu cluster dengan cluster lain memiliki tingkat kemiripan yang rendah. Dengan kata lain, keragaman dalam suatu cluster minimum sedangkan keragaman antar cluster maksimum.
Adapun ciri sebuah cluster yang baik adalah (Santoso, 2012) :
1. Homogenesitas (kesamaan) yang tinggi antar-anggota dalam satu cluster (within-cluster).
2. Heterogenitas (perbedaan) yang tinggi antar-cluster yang satu dengan cluster lainnya (between cluster).
Pada prinsipnya analisis cluster merupakan proses untuk mengelompokkan objek-objek berdasarkan kesamaan karakteristiknya diantara objek-objek tersebut.
Analisis cluster digunakan bila belum diketahui anggota dari suatu kelompok (Santoso, 2014).
Tujuan utama analisis cluster ialah mengklasifikasi objek (kasus/elemen) seperti orang, produk (barang), toko, perusahaan ke dalam kelompok-kelompok yang relatif homogen didasarkan pada suatu set variabel yang dipertimbangkan untuk dteliti. Objek di dalam setiap kelompok harus relatif mirip/sama (relatively similar). Dinyatakan dalam variabel-variabel ini, dan harus berbeda jauh dengan objek dari kelompok lain (Supranto, 2010).
Proses dasar dari analisis cluster. Karena pada clustering pada dasarnya mencari dan mengelompokkan data yang mirip satu dengan yang lain, maka kriteria ‘mirip’ (similarity) adalah dasar metode clustering. Proses pengolahan
17
data sehingga sekumpulan data mentah dapat dikelompokkan menjadi satu atau beberapa cluster adalah sebagai berikut (Santoso, 2012).
Menetapkan ukuran jarak antar data. Mengukur kesamaan antar objek
(similarity). Sesuai prinsip dasar cluster yang mengelompokkan objek yang mempunyai kemiripan, maka proses pertama adalah mengukur seberapa jauh ada kesamaan antar objek. Ada tiga metode yang digunakan (Santoso, 2012).
Mengukur kolerasi antar sepasang objek pada beberapa variabel. Metode ini mendasarkan besaran kolerasi antar data untuk mengetahui kemiripan data satu dengan yang lain.
Mengukur jarak (distance) antara dua objek. Pengukuran ada bermacam- macam, dengan yang paling populer adalah metode Euclidean Distance. Pada dasarnya, cara ini akan memasukkan sebuah data ke dalam cluster tertentu dengan mengukur ‘jarak’ data tersebut dengan pusat cluster. Jika data ada dalam jarak yang masih ada dalam batas tertentu, data tersebut dapat dimasukkan pada cluster tersebut.
Mengukur asosiasi antar objek. Pada dasarnya, cara ini akan mengasosiasi sebuah data dengan cluster tertentu. Asosiasi digunakan jika data adalah non metrik.
Melakukan proses standardisasi data jika diperlukan. Jika data
mempunyai satuan yang berbeda secara signifikan, pada data harus dilakukan proses standardisasi dengan mengubah data yang ada ke Z-Score. Proses
standardisasi akan menjadikan dua data dengan perbedaan satuan yang lebar akan otomatis akan menjadi menyempit.
Melakukan proses clustering. Proses inti clustering adalah
pengelompokkan data, yang bisa dilakukan dengan dua metode:
Hierarchical method. Metode ini memulai pengelompokkan dengan dua atau lebih objek yang mempunyai kesamaan paling dekat. Kemudian proses diteruskan ke objek lain yang mempunyai kedekatan kedua. Demikian seterusnya sehingga cluster akan membentuk semacam ‘pohon’ dimana ada hierarki
(tingkatan) yang jelas antar objek, dari yang paling mirip sampai paling tidak mirip. Semua objek pada akhirnya hanya akan membentuk sebuah cluster.
Dendogram biasanya digunakan untuk membantu memperjelas proses hierarki tersebut.
Non- hierarchical method.. Berbeda dengan metode hierarki, metode ini justru dimulai dengan menentukan terlebih dahulu jumlah cluster yang diinginkan (dua cluster, tiga cluster atau yang lain). Setelah jumlah cluster diketahui. Baru proses cluster dilakukan tanpa mengikuti proses hierarki. Metode ini biasa disebut dengan K-Means Cluster.
Melakukan penamaan cluster-cluster yang terbentuk. Setelah sejumlah
cluster terbentuk, baik dengan metode hierarki atau non-hierarki, langkah selanjutnya adalah melakukan interpretasi terhadap cluster yang telah dibentuk, yang pada intinya memberikan nama spesifik untuk menggambarkan isi cluster tersebut.
Melakukan validasi dan profiling cluster. Cluster yang terbentuk
kemudian diuji apakah hasil tersebut valid. Kemudian dilakukan proses profiling untuk menjelaskan karakteristik setiap cluster berdasar profil tertentu.
19
Asumsi pada analisis cluster.
1. Sampel yang diambil benar-benar bisa mewakili populasi yang ada. Memang tidak ada ketentuan besar sampel yang representatif, namun tetaplah
diperlukan sejumlah sampel yang cukup besar agar proses clustering bisa dilakukan dengan benar.
2. Multikolinearitas, yakni kemungkinan adanya kolerasi antar variabel.
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 kolerasi cukup besar (Santoso, 2012).
K-Means Cluster. Proses clustering pada dasarnya adalah
mengelompokkan data, yang bisa dilakukan dengan dua metode yaitu metode hierarki dan non-hierarki atau biasa disebut dengan K-Means Cluster. Kasus ini membahas proses clustering dari sekelompok data dengan metode K-Means, yakni memproses semua objek (kasus) secara sekaligus. Proses ini dimulai dengan penentuan jumlah cluster terlebih dahulu, misal ditentukan akan ada 2 cluster, atau 3 cluster, atau angka lainnya (Santoso, 2012).
Metode K-means atau non hierarki untuk mengelompokkan n objek ke dalam k kelompok (k<n), dimana nilai k telah ditentukan sebelumnya. Pada metode ini harus ditentukan terlebih dahulu besarnya k yaitu banyaknya kelompok. Pemilihan k dapat ditentukan secara subjektif berdasarkan latar belakang bidang masing-masing. Jarak yang biasanya digunakan adalah jarak Euclidean.
Pada metode ini data dapat dibagi dalam k partisi, setiap partisi mewakili sebuah kelompok. Secara garis besar metode non hierarki sebagai berikut : 1. Pilih k centroid kelompok awal atau seed, dimana k merupakan jumlah
kelompok yang diinginkan.
2. Tempatkan setiap observasi ke dalam kelompok terdekat.
3. Tempatkan kembali setiap observasi ke dalam k kelompok menurut aturan yang sudah ditentukan.
4. Proses berhenti jika tidak ada observasi yang berpindah lagi, jika belum ulangi langkah kedua.
Hierarchical Cluster. Berbeda dengan K-Means Cluster, proses clustering
menggunakan prosedur hierarki didasari konsep ‘treelike structure’. Konsep ini dimulai dengan menggabungkan dua objek yang paling mirip, kemudian
gabungkan dua objek tersebut akan bergabung lagi dengan satu atau lebih objek yang paling mirip lainnya. Demikian seterusnya hingga ada semacam hierarki (urutan) dari objek yang membentuk cluster. Urutan-urutan tersebut bisa
dianalogikan seperti pohon (treelike) yang dimulai dari akar, batang, dahan, daun dan seterusnya, yang bercabang-cabang. Secara logika, proses clustering tersebut pada akhirnya akan ‘menggumpal’ menjadi satu cluster besar yang mencakup semua objek. Metode ini disebut sebagai agglomerative methods, yang akan digambarkan dengan Dendogram (Santoso, 2012).
Metode hierarki digunakan untuk informasi yang belum ada mengenai jumlah cluster yang dipilih. Pada dasarnya metode ini dibedakan menjadi dua metode, yaitu :
21
Agglomerative (metode penggabungan). Proses pengelompokkan dengan
pendekatan metode penggabungan (Down to Top) dimulai dengan n kelompok sehingga masing-masing kelompok memiliki tepat satu objek, kemudian tentukan dua kelompok terdekat dan gabungkan kelompok tersebut menjadi satu kelompok baru. Proses penggabungan dua kelompok diulangi sampai diperoleh satu
kelompok yang memuat himpunan data. Penggabungan dalam metode ini selalu diikuti dengan perbaikan matriks jarak. Hasil analisis kelompok dari metode ini dapat disajikan dalam bentu dendogram (Usman dan Sobari, 2013).
Dalam agglomerative ada beberapa metode untuk proses clustering secara hierarki (Santoso, 2012) :
Single linkage. Metode ini akan mengelompokkan dua objek yang mempunyai jarak terdekat terlebih dahulu. Jika objek A dan B mempunyai jarak terdekat (misal 4,2) dibanding jarak A dan C (misal 8) atau B dan C (misal 5,6), maka proses hierarki pertama adalah mengelompokkan A-B. Selanjutnya cluster A-B akan menambah anggotanya dengan mencari variabel dengan jarak terdekat dengannya. Demikian seterusnya akan terjadi proses pengelompokkan secara hierarkis.
Complete linkage. Metode ini justru akan mengelompokkan dua objek yang mempunyai jarak terjauh terlebih dahulu. Kemudian proses diteruskan untuk jarak antar-variabel yang makin dekat.
Average linkage. Metode ini akan mengelompokkan objek berdasar jarak rata-rata yang didapat dengan melakukan rata-rata semua jarak antar-objek terlebih dahulu.
Ward’s method. Pada metode ini, jarak antara dua cluster yang terbentuk adalah sum of squares di antara dua cluster tersebut.
Centroid method. Pada metode ini, jarak antar dua cluster adalah jarak di antara dua centroid cluster-cluster tersebut. Centroid adalah rata-rata jarak yang ada pada sebuah cluster, yang didapat dengan melakukan rata-rata pada semua anggota suatu cluster tertentu. Dengan metode ini, setiap terjadi cluster baru, segera terjadi perhitungan ulang centroid, sampai terbentuk cluster tetap.
Penelitian ini dilakukan dengan Analisis Cluster dengan metode hierarki agglomerative metode ward.
Divisive (metode pembagian). Proses pengelompokkan dengan
pendekatan metode pemecahan (Top to Down) dimulai dengan n objek yang dikelompokkan menjadi satu kelompok, kemudian kelompok tersebut dipartisi ke dalam dua kelompok pada setiap langkah sampai diperoleh n kelompok dengan setiap kelompok memiliki satu objek. Metode ini tidak banyak digunakan, sehingga tidak banyak prosedur yang dikembangkan (Usman dan Sobari, 2013).
Analisis Diskriminan
Analisis diskriminan merupakan suatu analisis dengan tujuan membentuk sejumlah fungsi melalui kombinasi linear variabel-variabel asal, yang dapat digunakan sebagai cara terbaik untuk memisahkan kelompok-kelompok individu.
23
Fungsi yang terbentuk melalui analisis ini selanjutnya dinamakan fungsi diskriminan (Soemartini dan Supartini, 2017).
Analisis diskriminan juga dapat digunakan jika variabel terikat terdiri dari dua kelompok. Apabila klasifikasi terdiri dari tiga kelompok atau lebih maka teknik yang digunakan adalah analisis diskriminan multipel (multiple discriminant analysis). Adapun tujuan analisis diskriminan yaitu, menentukan prediktor mana yang memberikan kontribusi terbesar terhadap terjadinya perbedaan antar kelompok dan mengevaluasi keakuratan klasifikasi. (Soemartini dan Supartini, 2017). Dalam penelitian ini analisis diskriminan digunakan untuk mengetahui ketepatan klasifikasi. Jika nilai ketepatan klasfikasi besar, maka peng-clusteran semakin baik. Sedangkan jika nilai ketepatan klasfikasi kecil, maka peng- clusteran kurang baik.
Perbandingan Analisis Biplot dan Cluster
Analisis cluster merupakan analisis multivariat yang bertujuan untuk mengelompokkan objek-objek dari data berdasarkan kesamaan karakteristik yang dimilikinya. Kesamaan karakteristik ini biasanya diukur menggunakan ukuran kedekatan antar objek yang dapat berupa ukuran kemiripan atau
ketidakmiripannya. Dengan menggunakan metode hierarki pengelompokkan dimulai dengan dua atau lebih objek yang mempunyai kesamaan paling dekat.
Kemudian proses diteruskan ke objek lain yang mempunyai kedekatan kedua.
Demikian seterusnya sehingga cluster akan membentuk semacam pohon di mana ada hierarki (tingkatan) yang biasa disebut dendogram (Santoso, 2012).
Analisis biplot juga merupakan analisis multivariat yang mengelompokkan data berdasarkan objek. Tujuan analisis ini adalah untuk menggambarkan baris (objek) dan kolom (peubah) yang ada pada matriks data secara bersama-sama dalam sebuah grafik berdimensi rendah (biasanya dua atau tiga). Penggambaran ini meliputi keragaman dan kolerasi antar peubah, serta kedekatan antar objek yang nantinya akan mampu mengidentifikasikan pengelompokkan objek (Ariawan dkk, 2013).
Kedua analisis multivariat tersebut memiliki keunggulan masing-masing, analisis cluster mampu digunakan dalam mengelompokkan data dalam jumlah objek yang cukup besar serta dengan skala pengukuran peubah yang berbeda mulai dari nominal sampai interval. Analisis biplot mampu menampilkan secara langsung peubah penciri atau peubah yang paling dominan dari suatu kelompok objek yang terbentuk pada hasil tampilan analisis biplot.
Pada penelitian ini akan dilakukan perbandingan pada kedua analisis tersebut untuk melihat analisis terbaik dalam pengelompokkan objek.
Perbandingan ini dilakukan dengan melihat ketepatan klasifikasi yang dilihat dari nilai dan persentase ketepatan klasifikasi dalam pengelompokkan yang
dihasilkan dari kedua analisis. Apabila hasil ketepatan klasifikasi diperoleh nilai ketepatan mendekati 100% maka analisis memberikan penyajian yang semakin baik. Perbandingan antara analisis biplot dan cluster dapat dilihat pada Tabel 2.1.
25
Tabel 1
Perbandingan Analisis Biplot dan Cluster
Analisis Biplot Analisis Cluster Pengelompokkan
Banyak kelompok Nilai ketepatan klasifikasi
Pengelompokkan
berdasarkan objek dengan peubah sebagai pencirinya.
Belum diketahui (keragaman yang mampu dijelaskan biplot).
Pengelompokkan berdasarkan kesamaan atau ketidaksamaan karakteristik.
Belum diketahui Persentase ketepatan klasifikasi dengan analisis diskriminan.
Kerangka Penelitian
Gambar 1. Kerangka penelitian penerapan analisis biplot dan cluster Kabupaten/Kota
Variabel Mortalitas
1. Angka Kematian Bayi (AKB) 2. Angka Kematian Balita (AKABA) 3. Angka Kematian Ibu (AKI)
Morbiditas
1. Angka Diare 2. Angka Pneumonia 3. Angka TB Paru Status Gizi
1. Persentase BBLR
2. Persentase Balita dengan Gizi Buruk
Analisis Cluster
Pengelompokkan : 1. Status Indikator
baik
2. Status Indikator sedang
3. Status Indikator buruk
Pengelompokkan Indikator Derajat Kesehatan Masyarakat
Analisis Biplot
27
Metode Penelitian
Jenis Penelitian
Penelitian ini bersifat deskriptif untuk menggambarkan derajat kesehatan masyarakat berdasarkan mortalitas, morbiditas dan status gizi menurut data Dinas Kesehatan di Provinsi Sumatera Utara Tahun 2016 dengan menggunakan analisis biplot dan cluster.
Lokasi dan Waktu Peneltian
Penelitian ini dilakukan di Provinsi Sumatera Utara yang dilaksanakan dari tahun 2017-2018.
Populasi dan Sampel
Populasi penelitian adalah 33 Kabupaten/Kota di Provinsi Sumatera Utara dan sampel penelitian adalah seluruh populasi.
Metode Pengumpulan Data
Data yang dikumpulkan adalah data sekunder yaitu data mortalitas,
morbiditas dan status gizi yang diperoleh dari profil kesehatan Provinsi Sumatera Utara tahun 2016.
Metode Pengukuran
Metode pengkuruan pada penelitian ini sebagai berikut.
Tabel 2
Metode Pengukuran Derajat Kesehatan Masyarakat
Variabel Skala Ukur
Angka Kematian Bayi Rasio
Angka Kematian Balita Rasio
Angka Kematian Ibu Rasio
Angka Diare Rasio
Angka Pneumonia Rasio
Angka TB Paru Rasio
Persentase BBLR Rasio
Persentase Balita dengan gizi buruk Rasio
Metode Analisis Data
Metode analisis data pada penelitian ini meliputi.
Analisis deskriptif (univariat). Analisis univariat bertujuan untuk menjelaskan/mendeskripsikan karakteristik masing-masing variabel yang diteliti.
Dalam penelitian ini menggunakan data numerik maka akan menampilkan nilai minimum, maximum, nilai mean dan standar deviasi dari masing-masing.
Melakukan standardisasi dengan Z-Score. Jika data mempunyai satuan yang berbeda secara signifikan, pada data harus dilakukan proses standardisasi dengan mengubah data yang ada ke Z-Score.
Analisis biplot. Analisis biplot untuk menggambarkan pengelompokkan data berdasarkan hubungan antara objek dan variabel dalam bentuk grafik berdimensi dua. Penggambaran ini meliputi keragaman dan kolerasi antar peubah, serta kedekatan antar objek yang nantinya akan mampu
29
mengidentifikasikan pengelompokkan objek. Untuk melihat besar keragaman biplot dilihat dari nilai .
Analisis cluster. Analisis cluster digunakan untuk mengelompokkan objek-objek penelitian berdasarkan kesamaan karakteristik yang dimilikinya.
Analisis cluster dalam penelitian ini menggunakan metode hierarki agglomerative metode ward. Untuk mengetahui variabel yang menjadi karakteristik status kesehatan setiap kelompok dan ketepatan klasifikasi analisis cluster dilakukan analisis diskriminan. Dimana jika nilai ketepatan klasifikasi lebih dari 50%, maka peng-clusteran akan semakin baik.
Membandingan analisis biplot dan cluster. Perbandingan kedua analisis dilakukan dengan melihat analisis mana yang lebih baik dalam mengelompokkan, yang dilihat dari besar nilai persentase antara nilai (besar keragaman yang mampu dijelaskan oleh biplot) pada analisis biplot dan nilai ketepatan klasifikasi pada analisis cluster yang dilakukan dengan analisis diskriminan.
30
Lokasi dan keadaan geografis. Provinsi Sumatera Utara berada dibagian barat Indonesia, terletak pada garis Lintang Utara, dan Bujur Timur. Provinsi ini berbatasan dengan daerah perairan dan laut serta dua provinsi lain yaitu; sebelah Utara berbatasan dengan Provinsi Aceh, sebelah Timur dengan Negara Malaysia di selat Malaka, sebelah Selatan berbatasan dengan Provinsi Riau dan Sumatera Barat, dan di sebelah Barat berbatasan dengan Samudera Hindia (Dinas Kesehatan Provinsi Sumatera Utara, 2017).
Luas daratan Provinsi Sumatera Utara adalah 72.981,23 sebagian besar berada di daratan Pulau Sumatera dan sebagian kecil di Pulau Nias, pulau- pulau Batu, serta beberapa pulau kecil baik dibagian barat maupun bagian timur pantai Pulau Sumatera. Berdasarkan luas daerah menurut kabupaten/kota di Sumatera Utara, luas daerah terbesar adalah Kabupaten Langkat dengan luas 6.262,00 atau sekitar 8,58% dari total luas Sumatera Utara, diikuti Kabupaten Mandailing Natal dengan luas 6.134,00 (8,40%) kemudian Kabupaten Tapanuli Selatan dengan luas 6.030,47 atau sekitar 8,26%.
Sedangkan luas daerah terkecil adalah kota Tebing Tinggi dengan luas 31,00 atau 0,04% dari total luas wilayah Sumatera Utara. Berdasarkan kondisi letak dan kondisi alam, Sumatera Utara dibagi 3 (tiga) kelompok wilayah yaitu Pantai Barat, Dataran Tinggi dan Pantai Timur (Dinas Kesehatan Provinsi Sumatera Utara, 2017).
31
Provinsi Sumatera Utara tergolong ke dalam daerah beriklim tropis, kisaran suhu antara , mempunyai musim kemarau (Januari s/d Juli) dan musim hujan (Agustus s/d Desember), diantara kedua musim itu diselingi oleh musim pancaroba. Secara administratif, Sumatera Utara pada tahun 2016 memiliki 33 Kab/Kota yaitu 8 kota dan 25 Kabupaten dengan total Kecamatan sebanyak 440 Kecamatan serta 6.112 Desa/Kelurahan (Dinas Kesehatan Provinsi Sumatera Utara, 2016).
Kependudukan. Sumatera Utara merupakan Provinsi keempat yang terbesar jumlah penduduknya di Indonesia setelah Jawa Timur, Jawa Barat dan Jawa Tengah. Berdasarkan data dari BPS Provinsi Sumatera Utara, jumlah penduduk Sumatera Utara tahun 2016 tercatat sebesar 13.937.797 jiwa dengan tingkat kepadatan penduduk sebesar 191 per (Dinas Kesehatan Provinsi Sumatera Utara, 2017).
Tingkat kepadatan penduduk yang tinggi didominasi oleh daerah
perkotaan. Kota yang memiliki kepadatan penduduk tertinggi adalah Kota Medan sebesar 8.34198 jiwa per , disusul dengan Kota Tebing Tinggi dengan
kepadatan penduduk sebesar 5.058,55 jiwa per dan Kota Binjai dengan kepadatan penduduk yaitu 4.471,82 jiwa per . Daerah dengan kepadatan penduduk terendah yaitu Kabupaten Pakpak Bharat yaitu 37,36 jiwa per , disusul dengan Kabupaten Tapanuli Selatan yaitu 45,62 jiwa per dan Kabupaten Samosir yaitu 59,83 jiwa per (Dinas Kesehatan Provinsi Sumatera Utara, 2017).
Jumlah penduduk laki-laki di Sumatera Utara lebih sedikit dibandingkan dengan penduduk perempuan. Jumlah penduduk laki-laki sebanyak 6.954.552 jiwa dan perempuan 6.983.245 jiwa, dengan sex ratio sebesar 99,59%. Bila dilihat berdasarkan rata-rata banyaknya anggota keluarga di Sumatera Utara pada tahun 2016 adalah sebesar 4,28 (yang berarti rata-rata pada setiap keluarga terdiri dari 4- 5 anggota keluarga). Kabupaten yang rata-rata jumlah anggota keluarganya paling banyak adalah Kabupaten Nias Barat yaitu 5,07 dan yang paling sedikit adalah Kabupaten Karo yaitu 3,71 orang (Dinas Kesehatan Provinsi Sumatera Utara, 2017).
Umur. Komposisi penduduk Sumatera Utara menurut kelompok umur, menunjukkan bahwa penduduk yang berusia muda (0-14 tahun) sebesar 32,03%, yang berusia produktif (15-64 tahun) sebesar 63,95% dan yang berusia tua (>65 tahun) sebesar 4,02%. Dengan demikian maka angka beban tanggungan
(Dependency Ratio) penduduk Sumatera Utara tahun 2016 sebesar 56,37%.
Angka ini mengalami penurunan sebesar 0,25% bila dibandingkan dengan tahun 2015 sebesar 56,62% (Dinas Kesehatan Provinsi Sumatera Utara, 2017).
Pendidikan. Pendidikan merupakan salah satu indikator yang kerap ditelaah dalam mengukur tingkat pembangunan manusia suatu negara. Pendidikan berkontribusi terhadap perubahan perilaku masyarakat. Pendidikan menjadi pelopor utama dalam rangka penyiapan sumber daya manusia dan merupakan salah satu aspek pembangunan yang merupakan syarat mutlak untuk mewujudkan tujuan pembangunan nasional. Untuk peningkatan peran pendidikan dalam
pembangunan, maka kualitas pendidikan harus ditingkatkan salah satunya dengan
33
meningkatkan rata-rata lama sekolah. Pengetahuan yang dipengaruhi oleh tingkat pendidikan merupakan salah satu faktor pencetus (predisposing) yang berperan dalam memengaruhi keputusan seseorang untuk berperilaku sehat (Dinas Kesehatan Provinsi Sumatera Utara, 2017).
Peningkatan kualitas dan partisipasi sekolah penduduk tentunya harus diimbangi dengan penyediaan sarana fisik pendidikan maupun tenaga guru yang memadai. Di tingkat pendidikan dasar, jumlah sekolah dasar (SD)/Madrasah Ibtidaiyah pada tahun 2016 ada sebanyak 9.524 unit dengan jumlah guru 89.280 orang, murid sebanyak 1.785.562 (Dinas Kesehatan Provinsi Sumatera Utara, 2017).
Jumlah Sekolah Lanjutan Tingkat Pertama (SLTP)/Madrasah Tsanawiyah ada sebanyak 2.424 sekolah dengan jumlah guru 38.637 orang dan jumlah murid ada sebanyak 657.676 orang. Pada tahun yang sama jumlah Sekolah Lanjutan Tingkat Atas (SLTA)/Madrasah Aliyah ada sebanyak 1.029 sekolah dengan jumlah guru 19.566 orang dan jumlah murid 344.668. Jumlah Sekolah Menengah Kejuruan (SMK) ada sebanyak 934 unit dengan jumlah guru 16.283 orang dan jumlah murid 278.820 orang. Sedangkan jumlah perguruan tinggi swasta pada tahun 2016 ada sebanyak 264 PTS, yang terdiri dari 33 universitas, 96 sekolah tinggi, 4 institut, 115 akademi dan 16 politeknik dengan jumlah dosen 11.396 orang (dosen tetap dan tidak tetap) dengan jumlah mahasiswa sebanyak 231.938 orang (Dinas Kesehatan Provinsi Sumatera Utara, 2016).
Analisis Deskriptif (Univariat)
Tujuan dari analisis ini adalah untuk menjelaskan/mendeskripsikan karakteristik masing-masing variabel yang diteliti. Bentuknya tergantung dari jenis datanya. Untuk data numerik digunakan nilai mean (rata-rata), standar deviasi dan minimal maksimal. Pada data kategorik penjelasan data hanya menggunakan distribusi frekuensi dengan ukuran persentase atau proporsi (Hastono, 2006).
Indikator derajat kesehatan masyarakat diperoleh berdasarkan analisis deskriptif terlihat pada tabel berikut:
Tabel 3
Karakteristik Indikator Derajat Kesehatan Masyarakat di Provinsi Sumatera Utara tahun 2016
Variabel Rataan Standar
Deviasi Minimum Maksimum Angka Kematian Bayi
(AKB)
Angka Kematian Balita (AKABA)
Angka Kematian Ibu (AKI) Angka Diare
Angka Pneumonia Angka TB Paru
Persentase Berat Bayi Lahir Rendah (BBLR)
Persentase Gizi Buruk
6,31 0,71 139,33
17,69 4,94 104,16
4,13 1,83
5,20 0,84 123,93
11,38 10,07 41,64 4,23 2,78
0 0 0 1,67
0 44,42
0 0
21,64 3,71 723,68
53,61 55,32 183,20
19,22 14,07
Dari Tabel 3 di atas, diperoleh rata-rata angka kematian bayi (AKB) sebesar 6,31 per 1000 kelahiran hidup, standar deviasi 5,20, nilai minimum 0 dan maksimum 21,64. Rata-rata angka kematian balita (AKABA) sebesar 0,71 per 1000 kelahiran hidup, standar deviasi 0,84, nilai minimum 0 dan maksimum 3,71.
35
Rata-rata angka kematian ibu (AKI) sebesar 139,33 per 100.000 kelahiran hidup, standar deviasi 123,93, nilai minimum 0 dan maksimum 723,68. Sedangkan rata- rata angka diare sebesar 17,69 per 1000 penduduk, standar deviasi 11,38, nilai minimum 1,67 dan maksimum 53,61. Rata-rata angka pneumonia sebesar 4,94 per 1000 penduduk, standar deviasi 10,07, nilai minimum 0 dan maksimum 55,32.
Rata-rata angka TB Paru sebesar 104,16 per 100.000 penduduk, standar deviasi 41,64, nilai minimum 44,42 dan maksimum 183,20. Sedangkan rata-rata BBLR sebesar 4,1%, standar deviasi 4,23, nilai minimum 0 dan maksimum 19,22. Rata- rata gizi buruk sebesar 1,83%, standar deviasi 2,78, nilai minimum 0 dan
maksimum 14,07.
Analisis Biplot
Analisis biplot bertujuan untuk menggambarkan baris (objek) dan kolom (peubah) yang ada pada matriks data secara bersama-sama dalam sebuah grafik berdimensi rendah (biasanya dua atau tiga). Penggambaran ini meliputi
keragaman dan korelasi antar peubah, serta kedekatan antar objek yang nantinya akan mampu mengidentifikasikan pengelompokkan objek. Analisis biplot mampu menampilkan secara langsung peubah penciri atau peubah yang paling dominan dari suatu kelompok objek yang terbentuk pada hasil tampilan analisis biplot (Ariawan dkk, 2013).
Hasil analisis biplot pada indikator derajat kesehatan masyarakat di Provinsi Sumatera Utara tahun 2016. Berdasarkan plot yang dihasilkan dari analisis biplot, hasil pengelompokkan antara indikator-indikator derajat kesehatan yang terdapat di Provinsi Sumatera Utara dapat dilihat pada Gambar 2. Dari hasil
analisis biplot dapat dilihat nilai keragaman variabel. Variabel yang mempunyai nilai keragaman tinggi digambarkan sebagai vektor (garis) panjang sedangkan variabel dengan nilai keragaman yang rendah digambarkan sebagai vektor yang pendek. Pada Gambar 2, variabel AKI memiliki panjang vektor yang paling panjang diantara variabel lainnya menujukkan bahwa keragaman data yang dimiliki AKI tinggi. Gizi buruk, AKB, AKABA, Diare, TB Paru dan Pneumonia memiliki panjang vektor yang relatif sama panjang menunjukkan tingkat
keragaman data yang dimiliki varibel-variabel tersebut relatif sama besar.
Sedangkan BBLR digambarkan dengan vektor yang lebih pendek dari peubah lainnya. Hal ini menunjukkan bahwa keragaman data yang dimiliki rendah.
3 2
1 0
-1 -2
-3 3 2 1 0 -1 -2 -3
First Component
Second Component
Gizi Buruk BBLR
TB Paru Pneumonia
Diare
AKI
AKABAAKB
Analisis Biplot
Pematang Siantar
Mandailing Natal Dairi
Humbang HasundutanTapanuli Utara Sibolga
Tapanuli Selatan Asahan
Tapanuli Tengah
Serdang Bedagai Karo
Deli Serdang
Langkat
Nias Selatan Simalungun
Pakpak Bharat Samosir Toba Samosir
Nias
Padang Lawas
Padang Lawas Utara
Batubara Labuhan Batu Selatan Nias Utara
Nias Barat Labuhan Batu
Tanjung Balai Labuhan Batu U tara Tebing Tinggi
Medan
Binjai
Padang Sidimpuan
Gunung Sitoli
II I
III IV
Gambar 2. Analisis biplot
Dapat dilihat Gambar 2 pada kuadran I dan II menunjukkan bahwa gizi buruk dan pneumonia tidak mempunyai kolerasi dengan variabel yang lainnya
37
karena tidak terdapat variabel lain pada kuadran. Sedangkan pada kuadran III terdapat kolerasi sangat tinggi antara TB Paru dan Diare karena antara dua garis membentuk sudut yang sangat kecil (<90ᴼ). Dan pada kuadran IV terdapat
kolerasi tinggi dengan membentuk dua vektor dengan sudut <90ᴼ antara AKI dan BBLR, antara AKI dan AKB, antara AKI dan AKABA, antara BBLR dan AKB, antara BBLR dan AKABA, antara AKB dan AKABA . Oleh karena itu
kabupaten/kota yang mempunyai angka tinggi pada TB Paru akan mempunyai angka tinggi pada diare, kabupaten/kota yang mempunyai angka tinggi pada AKI akan mempunyai angka tinggi pada BBLR, AKB, dan AKABA, kabupaten/kota yang mempunyai angka tinggi pada BBLR juga akan mempunyai angka tinggi pada AKB dan AKABA, dan kabupaten/kota yang mempunyai angka tinggi pada AKB akan mempunyai angka tinggi pada AKABA.
Karakteristik antara setiap kabupaten/kota dan klasifikasi variabel
indikator kesehatan juga dapat diperlihatkan oleh biplot dari kedekatan setiap titik kabupaten/kota terhadap vektor variabel. Pada kuadran I dapat dilihat yang
termasuk di dalamya adalah Kabupten Nias, Kabupaten Karo, Kabupaten Labuhan Batu Selatan, Kabupaten Nias Utara, Kota Binjai, Kota Gunung Sitoli merupakan kabupten/kota yang memiliki masalah indikator kesehatan pada angka gizi buruk yang tinggi. Daerah yang memiliki masalah indikator kesehatan pada tingginya angka pneumonia yaitu pada kuadran II adalah Kabupaten Tapanuli Tengah, Kabupaten Labuhan Batu, Kabupaten Asahan, Kabupaten Simalungun, Kabupaten Deli Serdang, Kabupaten Langkat, Kabupaten Batubara, Kabupaten
