One Man One Dollar "Membangun TK di Gaza"

Mengupas Polemik Draft RUU KKG [2012]

PENGELOMPOKAN NILAI PRIORITAS JAMINAN KESEHATAN DAERAH KELURAHAN DI KECAMATAN TANAH SAREAL KOTA BOGOR TAHUN 2012

PENDAHULUAN

Latar Belakang

Peraturan Gubernur Jawa Barat Tahun 2011 tentang Pedoman Pelaksanaan Sistem Rujukan Pelayanan Kesehatan Provinsi Jawa Barat pada Bab I tentang Ketentuan Umum Nomor 9, 10 dan 11 menjelaskan bahwa:

9.     Jaminan Kesehatan Daerah yang selanjutnya disingkat Jamkesda adalah upaya Pemerintah Kabupaten/ Kota dan Provinsi di  Jawa Barat dalam rangka memberikan pelayanan kesehatan kepada masyarakat miskin di Provinsi Jawa Barat yang sudah memiliki kartu peserta atau yang telah ditetapkan oleh Pemerintah Daerah, diluar peserta jaminan pembiayaan kesehatan lainnya (Jamkesmas, Askes, Jamsostek Kesehatan, dll).

10.  Masyarakat miskin adalah masyarakat kurang atau tidak mampu dari sisi sosial ekonominya yang secara administratif merupakan warga Provinsi Jawa Barat  dibuktikan dengan KTP dan Kartu Keluarga yang sah.

11.  Peserta Jamkesda adalah mereka yang memiliki kartu peserta Jaminan Kesehatan Daerah dan bayi yang baru lahir dari peserta yang tercatat dalam kartu keluarga.

Pada tahun 2010, dinas kesehatan (Dinkes) kota Bogor telah melaksanakan pendataan calon peserta jaminan kesehatan daerah (Jamkesda) kota Bogor. Dan pada tahun 2012 ini sedang melaksanakan tahap penetapan peserta jamkesda. Kriteria calon peserta jamkesda tersebut adalah warga yang tinggal di wilayah kota Bogor, tidak memiliki jaminan pembiayaan kesehatan lainnya, mengidap salah satu penyakit kronis (gagal ginjal, HIV/AIDS, stroke, kanker, jantung koroner, thallasemia, TBC, penyakit jiwa) serta terdapat 4 indikator utama yang ditetapkan oleh Badan Pusat Statistik (BPS), yaitu:

a.     Indikator infrastruktur: kepemilikan rumah, jenis lantai dan jenis dinding

b.     Indikator kesehatan: kemampuan membayar biaya berobat, kepemilikan fasilitas buang air besar  dan sumber air minum

c.     Indikator ekonomi: penghasilan dari penghasilan utama, kepemilikan aset dan tabungan serta status pekerjaan

d.     Indikator pendidikan: tidak sekolah/ tidak tamat SD, SD, SMP , SMA dan Perguruan Tinggi

Untuk menentukan peserta jamkesda, dinkes kota Bogor melakukan penyusunan prioritas dari pembobotan dan skoring terhadap indikator di atas. Bobot dari setiap indikator selengkapnya disajikan pada lampiran 1. Kemudian dari bobot dan skoring tersebut dibuat skor baru untuk digunakan sebagai kriteria dari prioritas peserta jamkesda. Terkecuali, masyarakat yang mengidap salah satu penyakit kronis dan tergolong miskin, seluruh anggota keluarganya dimasukkan ke dalam ‘prioritas 1 dan miskin’. Sedangkan masyarakat yang mengidap salah satu penyakit kronis dan tergolong mampu, hanya yang berpenyakit kronis yang dimasukkan ke dalam ‘prioritas 1 dan mampu’. Kriteria dari setiap prioritas tersebut disajikan pada tabel I.

Tabel I. Kriteria pada Setiap Prioritas

Prioritas	Keterangan
1 dan miskin	Berpenyakit kronis dengan skor <=2
1 dan mampu	Berpenyakit kronis dengan skor >2
2	Skor <=1,8
3	1,8< Skor <=2

Salah satu kecamatan di kota Bogor adalah kecamatan Tanah Sareal. Kecamatan tersebut merupakan wilayah dengan keadaan sosial ekonomi yang bervariasi, sehingga perlu dilihat cluster-cluster kelurahan berdasarkan nilai prioritas peserta jamkesda.

Tujuan

Laporan praktek lapang ini bertujuan untuk mengelompokkan nilai prioritas jamkesda kelurahan di kecamatan Tanah Sareal kota Bogor tahun 2012 dengan menggunakan analisis cluster metode cluster hirarki.

TINJAUAN PUSTAKA

Analisis Cluster

Analisi cluster merupakan analisis statistika yang bertujuan untuk mengelompokkan objek/individu/amatan sehingga objek/individu/amatan yang berada dalam cluster yang sama mempunyai sifat yang relatif homogen daripada data yang berada dalam cluster yang berbeda (Purnamasari 2010). Analisis cluster merupakan suatu metode eksplorasi data sehingga tidak diperlukannya asumsi-asumsi tertentu, seperti yang dijelaskan oleh Punj dan Stewart (1983) dalam Bigsby dan Ozanne (2002) berikut: “Cluster analysis is a term applied to a group of empirical techniques used for classification of objects without prior assumptions about the population”.

 Akan tetapi, Paramu et al. (2011) dalam jurnal inggrisnya menjelaskan:

“One of important assumption in Cluster Analysis is that the variants must not correlate with other variants since multicollinearity can cause misleading in the clustering. Analysis of correlation technique was used to detect the multicollinearity among variants. Variants with coefficient correlation score between 0.8 - 0.9 would be categorized as multicollinear variants. One of multicollinear variants should be removed” (Paramu et al. 2011).

Penjelasan di atas menyatakan bahwa salah satu asumsi dalam analisis cluster adalah tidak adanya multikolinearitas antar peubahnya. Hal tersebut dapat dideteksi dengan menggunakan analisis korelasi, dimana jika nilai koefisien korelasinya diantara 0,8-0,9 maka asumsi tersebut tidak terpenuhi. Sehingga salah satu cara untuk menangani hal ini adalah dengan menggunakan Analisis Komponen Utama/ Principal Component Analysis (PCA).

Udiyani (2007) menyatakan bahwa terdapat dua metode pengelompokan yaitu metode berhirarki dan tidak berhirarki. Metode berhirarki digunakan bila jumlah cluster yang diinginkan tidak diketahui. Sedangkan metode tidak berhirarki digunakan bila jumlah cluster yang diinginkan diketahui. Proses hirarki adalah konsep jarak antara suatu objek dengan sebuah cluster dan jarak antara dua cluster.

Purnamasari (2010) menjelaskan bahwa metode hirarki terdiri dari dua cara, yaitu Agglomerative (pengelompokan) yang digunakan jika masing-masing objek dianggap satu cluster kemudian antar cluster yang jaraknya berdekatan bergabung menjadi satu cluster, serta Divise (pemecahan) yang digunakan jika pada awalnya semua objek berada dalam satu cluster kemudian sifat paling beda dipisahkan dan membentuk satu cluster yang lain, dan proses tersebut berlanjut sampai semua objek tersebut masing-masing membentuk satu cluster.

Selanjutnya Purnamasari (2010) menerangkan bahwa dalam proses pengelompokan cluster dengan metode hirarki selalu diikuti dengan perbaikan matriks jarak. Suatu fungsi disebut jarak jika mempunyai sifat tak negatif (  ≥ 0) dan (  = 0) jika i = j, simetri (  = ), panjang salah satu sisi segitiga selalu lebih kecil atau sama dengan jumlah dua sisi yang lain ( ≤ + ). Proses pengelompokan untuk metode hirarki secara umum adalah sebagai berikut:

1.     Membentuk matriks jarak untuk masing-masing objek. Beberapa macam jarak yang biasa dipakai di dalam analisis cluster yaitu:

a.     Jarak Euclidean

Misalkan dua objek ke-i dan ke-j yang berada pada p dimensi (di mana p adalah banyaknya peubah). Jarak euclid didefinisikan sebagai berikut:

 =

b.     Jarak Mahalanobis

Jarak antara dua objek i dan j dinyatakan dalam bentuk vektor dan matriks sebagai berikut:

 =

Dengan  dan  adalah nilai vektor untuk individu ke-i dan ke-j dan  merupakan matriks ragam peragam.

c.     Jarak Manhattan (City Block)

Jarak ini menggunakan rumus sebagai berikut:

 =

2.     Menggabungkan masing-masing objek secara terstruktur berdasarkan kemiripan sifatnya. Dua objek yang mempunyai jarak terdekat digabung di dalam satu cluster. Hasil pengelompokan antar objek ini dibentuk dalam suatu diagram yang dinamakan dendogram. Metode pengelompokan (pautan) yang biasa digunakan adalah:

a.     Metode Pautan Tunggal

Metode ini menegelompokkan dua objek yang mempunyai jarak terdekat terlebih dahulu, dan dirumuskan dengan:

d( , ) = min

b.     Metode Pautan Lengkap

Metode ini akan mengelompokkan dua objek yang mempunyai jarak terjauh terlebih dahulu, dan dirumuskan dengan:

d( , ) = max

c.     Metode Pautan Rataan

Metode ini akan mengelompokkan objek berdasarkan jarak rata-rata yang didapat dengan melakukan rata-rata semua jarak objek terlebih dahulu, dan dirumuskan dengan:

d( , ) =

d.     Metode Pautan Median

Pada metode ini, jarak antara dua cluster adalah jarak diantara centroid 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, akan terjadi perhitungan ulang centroid hingga terbentuk cluster tetap. Jarak antar cluster (i,j) dengan k adalah:

 = median ( , )

e.      Metode Ward

Ward mengajukan suatu metode pembentukan cluster yang didasari oleh hilangnya informasi akibat pengelompokan objek menjadi cluster. Hal ini diukur dengan jumlah total dari deviasi kuadrat pada mean cluster untuk tiap observasi. Error sum of squares (ESS) digunakan sebagai fungsi objektif. Dua objek akan digabungkan apabila mempunyai fungsi objektif terkecil diantara kemungkinan yang ada. Berdasarkan hasil penelitian Agusrawari (2001), bahwa metode Ward selalu konsisten memiliki statistik Rand tertinggi jika dibandingkan dengan metode pautan tunggal, pautan lengkap, pautan rataan dan terpusat. Artinya berdasarkan kriteria statistik Rand, hasil pengelompokan metode Ward selalu memiliki kemiripan atau kesesuaian yang lebih baik dengan hasil penggerombolam yang sebenarnya (ditentukan melalui simulasi data). Dimana statistik Rand adalah suatu statistik yang dapat digunakan untuk mengevaluasi penampilan hasil berbagai metode pengelompokan. Berikut adalah rumus dari ESS-nya:

ESS =

Dengan  adalah nilai untuk objek ke-i pada cluster ke-j.

Hasil dari analisis akan disajikan dalam bentuk struktur pohon yang disebut dendogram. Pemotongan dendogram dapat dilakukan pada selisih jarak pengelompokan yang terbesar. Akar pohon terdiri dari cluster tunggal yang berisi semua pengamatan, dan daun sesuai dengan pengamatan individu.

Analisis Principal Component Analysis (PCA)

Soemartini (2008) menjelaskan bahwa prosedur PCA pada dasarnya adalah bertujuan untuk menyederhanakan peubah yang diamati dengan cara menyusutkan (mereduksi) dimensinya. Hal ini dilakukan dengan cara menghilangkan korelasi diantara peubah bebas melalui transformasi peubah bebas asal ke peubah baru yang tidak berkorelasi sama sekali atau yang biasa disebut dengan principal component. Setelah beberapa komponen hasil PCA yang bebas multikolinearitas diperoleh, maka komponen-komponen tersebut menjadi peubah bebas baru yang akan dianalisa sesuai dengan keperluan.

Keuntungan penggunaan Principal Component Analysis (PCA) atau Analisis Komponen Utama (AKU) dibandingkan metode lain adalah:

1.       Dapat menghilangkan korelasi secara bersih (korelasi = 0) sehingga masalah multikolinearitas dapat benar-benar teratasi secara bersih.

2.       Dapat digunakan untuk segala kondisi data/objek/amatan/penelitian

3.       Dapat dipergunakan tanpa mengurangi jumlah peubah asal

Muliati (2008) mnjelaskan andaikan =(X1,X2, ...,Xp) merupakan vektor peubah acak asal yang diamati dengan matriks kovarian , maka komponen utama pertama yang dilambangkan oleh  didefinisikan sebagai:  =   =  X, yang memaksimumkan ragam , yaitu , dengan kendala = 1.

Komponen utama kedua, dilambangkan oleh  dan didefinisikan sebagai:  =  X, yang memaksimumkan ragam , dengan kendala = 1, dan tidak ada korelasi antara  dan  (kovarian  dan  yaitu = 0 yang nantinya akan berarti = 0).

Komponen utama yang ketiga dilambangkan oleh  dan didefinisikan sebagai: =  X, yang memaksimumkan ragam , dengan kendala = 1, dan tidak ada korelasi antara  dan  (kovarian  dan  yaitu = 0  yang nantinya akan berarti = 0, dan tidak ada korelasi antara  dan  (kovarian  dan  yaitu = 0 dan yang nantinya akan berarti = 0). Demikian seterusnya untuk komponen utama ke-4 sampai yang ke-p.

Dengan menggunakan pengganda Lagrange diperoleh , , …,  sebagai eigenvektor yang berpandanan dengan eigenvalue    …   dari matriks kovarian . Nilai eigenvalue ke-i merupakan komponen utama ke-i. Karena solusi bagi vektor a merupakan eigenvektor maka vektor ini tidak bersifat khas, misalnya penggandaanya dengan -1 juga akan merupakan solusinya.

Salah satu ukuran kesesuaian untuk memperoleh gambaran layak tidaknya penggunaan k komponen utama pertama yang digunakan untuk interpretasi atau analisis lanjutannya ialah persentase keragaman yang dapat dijelaskan oleh k komponen utama pertama tersebut, yaitu ( …+ )/( …+ )x100%; dimana    … +  merupakan eigenvalue, matriks yang ditata dari yang terbesar ke yang terkecil. Makin besar nilai ukuran kesesuaian tersebut, makin layak k komponen utama pertama tersebut digunakan. Ada peneliti yang menggunakan petunjuk praktis untuk menggunakan k komponen utama pertama bila keragaman yang dapat dijelaskannya 0%. Bila matriks kovarian yang digunakan merupakan matriks korelasi, banyak peneliti dibidang sosial yang mengabaikan komponen utama yang berpadanan dengan eigenvalue yang kurang dari 1.

Interpretasi dari peubah baru yang diperoleh komponen utama, kadangkala mudah, kadang sukar, bahkan kadangkala dapat pula meragukan. Chatfield dan Collins (1980) dalam  Muliati (2008) memberikan contoh kemungkinan tersebut. Tidak ada jaminan bahwa komponen utama ini mudah diinterpretasikan selain bahwa komponenkomponen utama ini merupakan peubah-peubah baru (dengan segala sifat yang diinginkan) yang diharapkan dapat mereduksi banyaknya peubah-peubah asal. Tampaknya pemahaman masalah yang dihadapi dan penggunaan informasi dalam data asal misalnya matriks korelasi akan dapat membantu upaya pengambilan simpulan yang layak. Untuk menginterpretasikan komponen utama ke-i biasanya digunakan unsur-unsur dalam eigenvektor , yang bernilai relatif besar (baik positif maupun negatif) yang digunakan untuk memperoleh peubah-peubah asal yang relatif berperan dalam menentukan komponen utama ini dan kemudian mencoba untuk menginterpretasikannya.

METODELOGI

Sumber Data

Data yang digunakan pada penelitian ini adalah data yang diperoleh dari kerja praktek lapang di Dinas Kesehatan (Dinkes) kota Bogor tahun 2012, yaitu berupa persentase peserta jamkesda kota Bogor tahun 2012 tiap nilai prioritas (prioritas 1 dan miskin, prioritas 1 dan mampu, prioritas 2 serta prioritas 3) per kelurahan di kecamatan Tanah Sareal kota Bogor tahun 2012.

Peubah dan Objek Penelitian

Peubah-peubah yang digunakan dalam penelitian ini adalah sebagai berikut:

	X1=	Persentase proporsi peserta Jamkesda kota Bogor tahun 2012 per kelurahan di kecamatan Tanah Sareal dengan ‘prioritas 1 dan miskin’
	X2=	Persentase proporsi peserta Jamkesda kota Bogor tahun 2012 per kelurahan kecamatan Tanah Sareal dengan ‘prioritas 1 dan mampu’
	X3=	Persentase proporsi peserta Jamkesda kota Bogor tahun 2012 per kelurahan kecamatan Tanah Sareal dengan ‘prioritas 2’
	X4=	Persentase proporsi peserta Jamkesda kota Bogor tahun 2012 per kelurahan kecamatan Tanah Sareal dengan ‘prioritas 3’

Sedangkan objek penelitian yang digunakan adalah seluruh kelurahan yang berada di kecamatan Tanah Sareal kota Bogor, yaitu kelurahan Kebun Pedes, Kedung Jaya, Kedung Waringin, Cibadak, Kayu Manis, Kedung Badak, Kencana, Sukadamai, Sukaresmi, Tanah Sareal dan Mekarwangi.

Langkah-Langkah Analisis Data

Analisis data dibutuhkan untuk menjawab permasalahan dalam penelitian ini. Langkah-langkah yang dilakukan adalah sebagai berikut:

a.     Melakukan analisis statistika deskriptif pada kelurahan di kecamatan Tanah Sareal kota Bogor tahun 2012 yang memiliki persentase jumlah peserta Jamkesda kota Bogor tahun 2012 dengan masing-masing prioritas kepesertaan yang tertinggi dan terendah.

b.     Melakukan pengujian asumsi analisis cluster yaitu asumsi tidak adanya multikolinearitas (korelasi yang kuat) antar peubah dengan menggunakan analisis korelasi pearson. Jika asumsi tidak terpenuhi, maka dilakukan analisis komponen utama.

c.     Melakukan pengujian asumsi analisis cluster. Pengelompokan kelurahan dilakukan dengan menggunakan metode berhirarki karena jumlah cluster yang akan terbentuk tidak diketahui sebelumnya. Sebagai ukuran kemiripan digunakan konsep jarak Euclidean, sedangkan untuk perbaikan jarak antar cluster digunakan yang paling baik yaitu metode Ward. Penentuan banyaknya cluster yang bermakna dilakukan dengan memotong dendogram pada selisih jarak pengelompokan terbesar. Kemudian mendeskripsikan karakteristik masing-masing cluster yang dilihat dari peubah pembentuknya.

d.     Penarikan kesimpulan.

Kesimpulan diambil dari analisis yang telah dilakukan di atas.

Pengerjaan analisis di atas dilakukan dengan  menggunakan bantuan software Microsoft Excel dan Minitab.

HASIL DAN PEMBAHASAN

Analisis Statistika Deskriptif

Dari 11 kelurahan yang terdapat di kecamatan Tanah Sareal kota Bogor tahun 2012, didapat kelurahan yang memiliki persentase jumlah peserta Jamkesda kota Bogor dengan ‘prioritas 1 dan miskin’ atau peubah   tertinggi adalah kelurahan Kebun Pedes (8,15%) dan terendah adalah kelurahan Kedung Waringin (0,33%). Sedangkan kelurahan yang memiliki persentase jumlah peserta Jamkesda kota Bogor dengan ‘prioritas 1 dan mampu’ atau peubah   tertinggi adalah kelurahan Kedung Badak (0,53%) dan terendah adalah kelurahan Kedung Waringin (0,00%). Dan kelurahan yang memiliki persentase jumlah peserta Jamkesda kota Bogor dengan ‘prioritas 2’ peubah   tertinggi adalah kelurahan Kedung Badak (13,91%) dan terendah adalah kelurahan Kedung Waringin (0,00%) dan Kebun Pedes (0,00%). Serta kelurahan yang memiliki persentase jumlah peserta Jamkesda kota Bogor dengan ‘prioritas 3’ peubah   tertinggi adalah kelurahan Kedung Waringin (99,66%) dan terendah adalah kelurahan Kedung Badak (81,67%).

Pengujian Asumsi Analisis Cluster

Untuk menguji tidak adanya multikolinearitas diantara peubah pembentuknya, digunakan analisis korelasi pearson. Berdasarkan perhitungan dengan mengunakan analisis korelasi pearson, didapat koefisien korelasi pearson yang bernilai diantara selang 0,8-0,9 yaitu pada korelasi antara peubah ‘prioritas 3’ dengan peubah ‘prioritas 2’ yang sebesar 0,887. Nilai-nilai koefisien korelasi pearson untuk korelasi masing-masing peubah dapat dilihat pada tabel II.

Tabel II. Nilai koefisien korelasi pearson

	-0,008
	0,046	0,562
	-0,500	-0,519	-0,887

   Karena ada minimal satu nilai kefisien korelasi pearson yang bernilai diantara selang 0,8-0,9 maka dapat disimpulkan terdapat multikolinearitas antar peubah pembentuknya. Sehingga untuk mengatasi hal tersebut, dilakukannya analisis PCA (Principal Component Analysis).

Analisis Principal Component Analysis (PCA)

Analisis PCA dilakukan karena adanya multikolinearitas antar peubah pembentuknya. Nilai Eigenanalysis dari matriks korelasi dapat dilihat pada tabel III.

Tabel III. Nilai Eigenanalysis dari matriks korelasi

Eigen value	2,408	1,099	0,494	0,000
Proportion	0,602	0,275	0,123	0,000
Cumulative	0,602	0,877	1,000	1,000

Banyaknya komponen yang diambil adalah pada nilai persentase cumulative lebih besar dari 80% atau komponen utamanya mengandung lebih dari 80% keragaman. Hal tersebut dicapai pada saat komponen utama yang dipilih sebanyak 2. Maka dapat disimpilkan bahwa jumlah komponen utama yang dapat digunakan sebanyak 2 komponen utama.

Selanjutnya dilakukan analisis komponen utama dengan menggunakan 2 komponen hasil pereduksian tersebut untuk memperoleh nilai komponen utama dari setiap peubah pembentuknya. Nilai tersebut disajikan pada tabel IV. Setelah itu baru dilakukan analisis cluster dengan menggunakan data hasil analisis komponen utama tersebut.

Tabel IV. Nilai dari Setiap Peubah Komponen Utama

Variable	PC1	PC2
	-0,238	0,865
	-0,462	-0,404
	-0,585	-0,231
	0,623	-0,186

Analisis Cluster

Pada analisis cluster ini metode yang digunakan adalah cluster hirarki, karena banyaknya cluster yang akan terbentuk tidak ditentukan terlebih dahulu, sehingga dalam pembentukannya dilakukan pemotongan dendogram. Sebagai ukuran kemiripan digunakan konsep jarak Euclidean, sedangkan untuk perbaikan jarak antar cluster digunakan yang paling baik yaitu metode Ward. Gambar 1 berikut adalah grafik dendogram yang didapat dari output minitab.

Gambar 1. Dendogram dengan Metode Ward dan Jarak Euclidean

Pemotongan dendogram dilakukan pada selisih jarak pengelompokan terbesar. Data jarak pengelompokan disajikan pada lampiran 2. Dari jarak tersebut, dapat dilihat bahwa pemotongan dendogram dilakukan pada pengelompokan ke-10 karena memiliki selisih jarak pengelompokan terbesar yaitu 7,85521-5,21860=2,63661. Maka diperoleh 2 cluster seperti yang disajikan pada tabel V. Dan Gambar 2 menunjukkan grafik dendogram dengan pengelompokan sebanyak 2 cluster tersebut.

Tabel V. Pengelompokan Kelurahan sebanyak 2 cluster

Cluster	Kelurahan
1	Kebun Pedes, Kayu Manis, Kedung Jaya, Cibadak, Sukadamai, Tanah Sareal, Mekarwangi, dan Kedung Waringin
2	Kedung Badak, Kencana, dan Sukaresmi

Gambar 2. Dendogram dengan 2 Cluster

Selanjutnya dilakukan identifikasi karakteristik dari masing-masing cluster yang dilihat dari peubah pembentuknya. Dari hasil akhir pengelompokan dengan data awal, diperoleh cluster centroids seperti yang disajikan pada lampiran 3. Dari nilai cluster centroids tersebut dapat diperoleh informasi sebagai berikut:

1.     Cluster 1 merupakan kelurahan dengan nilai peubah  tertinggi serta nilai peubah , , dan  terendah.

2.     Cluster 2 merupakan kelurahan dengan nilai peubah , , dan  tertinggi serta nilai peubah  terendah.

Dan lebih ringkasnya dapat dilihat pada tabel VI.

Tabel VI. Kriteria Cluster Berdasarkan Peubah

Peubah	Tertinggi	Terendah
	Cluster 2	Cluster 1
	Cluster 2	Cluster 1
	Cluster 2	Cluster 1
	Cluster 1	Cluster 2

KESIMPULAN

Berdasarkan hasil pembahasan di atas, diperoleh kesimpulan sebagai berikut:

1.     Hasil pengujian kelurahan di kecamatan Tanah Sareal kota Bogor tahun 2012 berdasarkan nilai prioritas peserta jamkesda, diperoleh 2 cluster kelurahan.

a.     Cluster 1 terdiri dari kelurahan Kebun Pedes, Kayu Manis, Kedung Jaya, Cibadak, Sukadamai, Tanah Sareal, Mekarwangi, dan Kedung Waringin.

b.     Cluster 2 terdiri dari kelurahan Kedung Badak, Kencana, dan Sukaresmi.

2.     Karakteristik dari masing-masing cluster berdasarkan proporsi nilai prioritas jamkesda kota Bogor tahun 2012 adalah sebagai berikut:

a.     Cluster 1 merupakan kelurahan dengan jumlah peserta jamkesda ‘prioritas 3’ atau peubah  tertinggi  serta ‘prioritas 1 dan miskin’, ‘prioritas 1 dan mampu’ dan  ‘prioritas 2’ atau peubah , , dan  terendah.

b.     Cluster 2 merupakan kelurahan dengan jumlah peserta jamkesda ‘prioritas 1 dan miskin’, ‘prioritas 1 dan mampu’ dan  ‘prioritas 2’ atau peubah , , dan  tertinggi serta ‘prioritas 3’ atau peubah  terendah.

Klik Download untuk Full Text-nya.