Monday 30 April 2012
Saturday 14 April 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:
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.
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
|
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
Subscribe to:
Posts (Atom)