Kematian Bayi di Indonesia merupakan hal yang terus meningkat setiap tahunnya dan menjadi isu permasalahan masyarakat yang serius. Dari tahun ke tahun topik ini menjadi perbincangan dan belum ditemukan apa faktor-faktor yang menyebabkan kematian bayi di Indonesia terus meningkat.
Seperti Angka Kematian Bayi di salah satu Provinsi di Indonesia yaitu Provinsi Kalimantan. Banyak kasus kematian bayi di Kalimantan yang masih belum diketahui faktor utama yang menyebabkan hal itu terjadi. Terdapat beberapa asumsi yang bisa menjadi penyebab hal tersebut terjadi diantaranya adalah sosial, ekonomi, lingkungan, dan kesehatan.
Apakah terdapat hubungan antara wanita berumur 15-49 tahun yang memakai alat KB dengan Kematian Bayi di Kalimantan?
Bagaimana pengaruh gizi buruk yang menyebabkan balita bertubuh kurus menjadi penyebab Kematian Bayi di Kalimantan?
Bagaimana pengaruh pemberian imunisasi polio kepada balita terhadap Kematian Bayi di Kalimantan?
Menilai dampak hubungan antara wanita berumur 15-49 tahun yang memakai alat KB dengan Kematian Bayi di Kalimantan.
Mengidentifikasi apakah gizi buruk yang menyebabkan balita bertubuh kurus menjadi penyebab Kematian Bayi di Kalimantan.
Mengidentifikasi apakah pemberian imunisasi polio kepada balita terhadap Kematian Bayi di Kalimantan.
Penelitian ini akan memberikan informasi penting mengenai efek wanita berumur 15-49 tahun yang memakai alat KB terhadap kematian bayi.
Penelitian ini akan memberikan edukasi dan informasi terkait faktor-faktor yang menyebabkan kematian bayi di Kalimantan.
Variabel yang digunakan dalam penelitian ini adalah :
Persentase Wanita berumur 15-49 tahun dan berstatus kawin yang sedang menggunakan/memakai alat KB.
Persentase balita kurus.
Persentase balita mendapat imunisasi polio.
Persentase gizi buruk.
> ##Library
> library(gtable)
> library(kableExtra)> ## 4.2 Impor Data
+ Provinsi <- c("Kalimantan Barat", "Kalimantan Selatan", "Kalimantan Tengah", "Kalimantan Timur", "Kalimantan Utara" )
+ X1 <- c(65.01, 63.31, 69.78, 57.02, 51.06)
+ X2 <- c(48.6, 40.5, 16.1, 31.1, 52.2)
+ X3 <- c(84.4, 84.9, 81.7, 88.9, 56.2)
+ X4 <- c(6.6, 4.6, 3.6, 3.4, 4.6)
+ DataCoyy <- data.frame(Provinsi, X1, X2, X3, X4)
+ print(DataCoyy)
+ data<- data.frame(DataCoyy)
+ data
+ Dataw <- data[,-1]
+ Dataw
+
+ ## 4.3 Statistika Deskriptif
+ statdes <- summary(data)
+ statdes
+
+ ## 4.4 Menghitung Jarak
+ dist_matrix <- as.matrix(dist(Dataw))
+ dist_matrix
+
+ ## 4.5 Mencari Nilai Eigen
+ A <- dist_matrix^2
+ I <- diag(5)
+ J <- matrix(rep(1,5), nrow=5, ncol=5)
+ V <- I-(1/5)*J
+
+ AA <- V%*%A
+ BB <- AA%*%V
+ B <- (-1/2)*BB
+ eigen_result <- eigen(B)
+ eigen_result
+ eigenvalues <- eigen_result$values
+ eigenvectors <- eigen_result$vectors
+
+ ## 4.6 Menghitung Tingkat Kumulatif Variasi
+ cumulative_variance <- cumsum(eigenvalues)/sum(eigenvalues)
+ print(cumulative_variance)
+
+ ## 4.7 Menentukan Titik Koordinat Objek
+ fit <- cmdscale(dist_matrix, k=2) fit
+
+ ## 4.8 Menghitung Disparities
+ disparities <- matrix(0, nrow = 5,ncol= 5)
+ for (i in 1:5) { for (j in 1:5)
+ disparities[i, j] <- sqrt(sum((fit[i,] - fit[j,])^2))}
+ disparities
+
+
+ ## 4.9 Menghitung Stress dan Visualisasi
+ stress <- sqrt(sum((dist_matrix - disparities)^2) / sum(dist_matrix^2))
+ cat("Nilai Stress:", stress, "\n")
+
+ par(mar = c(5, 5, 2, 2)) plot(fit, type='n', xlab = "Dimensi 1", ylab = "Dimensi 2") text(fit, labels = data$Provinsi) text(fit, labels = 1:nrow(data))
Error: <text>:41:35: unexpected symbol
40: ## 4.7 Menentukan Titik Koordinat Objek
41: fit <- cmdscale(dist_matrix, k=2) fit
^Data yang digunakan adalah data sekunder yang diperoleh melalui website resmi Kementrian Kesehatan Republik Indonesia yang disajikan dalam sebagai berikut :
> Provinsi <- c("Kalimantan Barat", "Kalimantan Selatan", "Kalimantan Tengah", "Kalimantan Timur", "Kalimantan Utara" )
> X1 <- c(65.01, 63.31, 69.78, 57.02, 51.06)
> X2 <- c(48.6, 40.5, 16.1, 31.1, 52.2)
> X3 <- c(84.4, 84.9, 81.7, 88.9, 56.2)
> X4 <- c(6.6, 4.6, 3.6, 3.4, 4.6)
> DataCoyy <- data.frame(Provinsi, X1, X2, X3, X4)
> DataCoyy %>%
+ kbl(
+ col.names = c("Provinsi", "X1", "X2", "X3", "X4"),
+ align = "c"
+ ) %>%
+ kable_styling(
+ bootstrap_options = c("striped", "hover", "condensed", "responsive"),
+ full_width = FALSE
+ ) %>%
+ row_spec(0, bold = TRUE, background = "maroon", color = "white")| Provinsi | X1 | X2 | X3 | X4 |
|---|---|---|---|---|
| Kalimantan Barat | 65.01 | 48.6 | 84.4 | 6.6 |
| Kalimantan Selatan | 63.31 | 40.5 | 84.9 | 4.6 |
| Kalimantan Tengah | 69.78 | 16.1 | 81.7 | 3.6 |
| Kalimantan Timur | 57.02 | 31.1 | 88.9 | 3.4 |
| Kalimantan Utara | 51.06 | 52.2 | 56.2 | 4.6 |
Hasil Statistika Deskriptif yang didapatkan adalah sebagai berikut :
> data<- data.frame(DataCoyy)
> data
Provinsi X1 X2 X3 X4
1 Kalimantan Barat 65.01 48.6 84.4 6.6
2 Kalimantan Selatan 63.31 40.5 84.9 4.6
3 Kalimantan Tengah 69.78 16.1 81.7 3.6
4 Kalimantan Timur 57.02 31.1 88.9 3.4
5 Kalimantan Utara 51.06 52.2 56.2 4.6> statdes <- summary(data)
> statdes
Provinsi X1 X2 X3
Length:5 Min. :51.06 Min. :16.1 Min. :56.20
Class :character 1st Qu.:57.02 1st Qu.:31.1 1st Qu.:81.70
Mode :character Median :63.31 Median :40.5 Median :84.40
Mean :61.24 Mean :37.7 Mean :79.22
3rd Qu.:65.01 3rd Qu.:48.6 3rd Qu.:84.90
Max. :69.78 Max. :52.2 Max. :88.90
X4
Min. :3.40
1st Qu.:3.60
Median :4.60
Mean :4.56
3rd Qu.:4.60
Max. :6.60 > statdes %>%
+ kbl(col.names = c("Min", "1st Qu.", "Median", "Mean", "3rd Qu.", "Max"), align = "c") %>%
+ kable_styling(bootstrap_options = c("striped", "hover", "condensed", "responsive"), full_width = FALSE) %>%
+ row_spec(0, bold = TRUE, background = "orange", color = "white")| Min | 1st Qu. | Median | Mean | 3rd Qu. | Max |
|---|---|---|---|---|---|
| Length:5 | Min. :51.06 | Min. :16.1 | Min. :56.20 | Min. :3.40 | |
| Class :character | 1st Qu.:57.02 | 1st Qu.:31.1 | 1st Qu.:81.70 | 1st Qu.:3.60 | |
| Mode :character | Median :63.31 | Median :40.5 | Median :84.40 | Median :4.60 | |
| NA | Mean :61.24 | Mean :37.7 | Mean :79.22 | Mean :4.56 | |
| NA | 3rd Qu.:65.01 | 3rd Qu.:48.6 | 3rd Qu.:84.90 | 3rd Qu.:4.60 | |
| NA | Max. :69.78 | Max. :52.2 | Max. :88.90 | Max. :6.60 |
> data<- data.frame(DataCoyy)
> data
Provinsi X1 X2 X3 X4
1 Kalimantan Barat 65.01 48.6 84.4 6.6
2 Kalimantan Selatan 63.31 40.5 84.9 4.6
3 Kalimantan Tengah 69.78 16.1 81.7 3.6
4 Kalimantan Timur 57.02 31.1 88.9 3.4
5 Kalimantan Utara 51.06 52.2 56.2 4.6> Dataw <- data[,-1]
> Dataw
X1 X2 X3 X4
1 65.01 48.6 84.4 6.6
2 63.31 40.5 84.9 4.6
3 69.78 16.1 81.7 3.6
4 57.02 31.1 88.9 3.4
5 51.06 52.2 56.2 4.6> dist_matrix <- as.matrix(dist(Dataw))
> dist_matrix
1 2 3 4 5
1 0.000000 8.529361 33.09521 20.01450 31.73015
2 8.529361 0.000000 25.46490 12.05670 33.32630
3 33.095210 25.464895 0.00000 20.96897 48.00936
4 20.014497 12.056704 20.96897 0.00000 39.38860
5 31.730151 33.326303 48.00936 39.38860 0.00000> dist_matrix %>% kbl(col.names = c("1", "2", "3", "4", "5"), align = "c") %>% kable_styling(bootstrap_options = c("striped", "hover", "condensed", "responsive"), full_width = FALSE) %>% row_spec(0, bold = TRUE, background = "pink", color = "white") | 1 | 2 | 3 | 4 | 5 |
|---|---|---|---|---|
| 0.000000 | 8.529361 | 33.09521 | 20.01450 | 31.73015 |
| 8.529361 | 0.000000 | 25.46490 | 12.05670 | 33.32630 |
| 33.095210 | 25.464895 | 0.00000 | 20.96897 | 48.00936 |
| 20.014497 | 12.056703 | 20.96897 | 0.00000 | 39.38860 |
| 31.730151 | 33.326303 | 48.00936 | 39.38860 | 0.00000 |
Pada output diatas, diperoleh matriks D yang berukuran 5 × 5 sesuai dengan banyak faktor pada data dengan elemen matriks Dij yaitu jarak euclidean antar objek.
> A <- dist_matrix^2
> I <- diag(5)
> J <- matrix(rep(1,5), nrow=5, ncol=5)
> V <- I-(1/5)*J
>
> AA <- V%*%A
> BB <- AA%*%V
> B <- (-1/2)*BB
> eigen_result <- eigen(B)
> eigen_result
eigen() decomposition
$values
[1] 1.274929e+03 3.859244e+02 9.389664e+01 4.401682e-01 2.223685e-14
$vectors
[,1] [,2] [,3] [,4] [,5]
[1,] 0.10327392 -0.5856224 0.43762899 -0.50483841 0.4472136
[2,] -0.05737717 -0.3187112 0.08662537 0.82923284 0.4472136
[3,] -0.56016105 0.5901300 0.36017921 -0.09075870 0.4472136
[4,] -0.26249660 -0.1238380 -0.81647371 -0.22165371 0.4472136
[5,] 0.77676090 0.4380415 -0.06795985 -0.01198202 0.4472136> eigenvalues <- eigen_result$values
> eigenvectors <- eigen_result$vectors
> eigenvectors %>% kbl(col.names = c("1", "2", "3", "4", "5"), align = "c") %>% kable_styling(bootstrap_options = c("striped", "hover", "condensed", "responsive"), full_width = FALSE) %>% row_spec(0, bold = TRUE, background = "brown", color = "white") | 1 | 2 | 3 | 4 | 5 |
|---|---|---|---|---|
| 0.1032739 | -0.5856224 | 0.4376290 | -0.5048384 | 0.4472136 |
| -0.0573772 | -0.3187112 | 0.0866254 | 0.8292328 | 0.4472136 |
| -0.5601610 | 0.5901300 | 0.3601792 | -0.0907587 | 0.4472136 |
| -0.2624966 | -0.1238380 | -0.8164737 | -0.2216537 | 0.4472136 |
| 0.7767609 | 0.4380415 | -0.0679599 | -0.0119820 | 0.4472136 |
Dalam hasil di atas, matriks B dihasilkan menggunakan rumus yang telah dijelaskan dalam sintaks awal. Melalui penggunaan fungsi eigen, nilai dan vektor eigen diperoleh dari matriks B tersebut
> eigen_result
eigen() decomposition
$values
[1] 1.274929e+03 3.859244e+02 9.389664e+01 4.401682e-01 2.223685e-14
$vectors
[,1] [,2] [,3] [,4] [,5]
[1,] 0.10327392 -0.5856224 0.43762899 -0.50483841 0.4472136
[2,] -0.05737717 -0.3187112 0.08662537 0.82923284 0.4472136
[3,] -0.56016105 0.5901300 0.36017921 -0.09075870 0.4472136
[4,] -0.26249660 -0.1238380 -0.81647371 -0.22165371 0.4472136
[5,] 0.77676090 0.4380415 -0.06795985 -0.01198202 0.4472136> eigenvalues <- eigen_result$values
> eigenvectors <- eigen_result$vectors
> cumulative_variance <- cumsum(eigenvalues)/sum(eigenvalues)
> print(cumulative_variance)
[1] 0.7263765 0.9462527 0.9997492 1.0000000 1.0000000> cumulative_variance %>% kbl(col.names = "Tingkat Kumulatif Variasi", align = "c") %>% kable_styling(bootstrap_options = c("striped", "hover", "condensed", "responsive"), full_width = FALSE) %>% row_spec(0, bold = TRUE, background = "purple", color = "white")| Tingkat Kumulatif Variasi |
|---|
| 0.7263765 |
| 0.9462527 |
| 0.9997492 |
| 1.0000000 |
| 1.0000000 |
Pada output di atas, terlihat hasil kumulatif varians yang dihitung untuk menentukan dimensi yang optimal. Dua nilai pertama, yakni 0.723 dan 0.943, menunjukkan tingkat kesesuaian yang memadai. Dengan demikian, menggunakan dua dimensi sudah cukup sesuai untuk aplikasi ini, sejalan dengan banyaknya dimensi pada studi kasus awal.
> data<- data.frame(DataCoyy)
> Dataw <- data[,-1]
> dist_matrix <- as.matrix(dist(Dataw))
> fit <- cmdscale(dist_matrix, k=2)
>
> fit %>%
+ kbl(col.names = c("1", "2"), align = "c") %>%
+ kable_styling(bootstrap_options = c("striped", "hover", "condensed", "responsive"), full_width = FALSE) %>%
+ row_spec(0, bold = TRUE, background = "grey", color = "white")| 1 | 2 |
|---|---|
| 3.687514 | -11.504527 |
| -2.048717 | -6.261067 |
| -20.001193 | 11.593079 |
| -9.372742 | -2.432793 |
| 27.735139 | 8.605308 |
Pada output diatas, diperoleh titik koordinat tiap atribut dimana dalam hal ini adalah provinsi. Koordinat Kalimantan Barat yaitu (3.74 , 11.64), Kalimantan Tengah yaitu (-2.60 , 6.49), Kalimantan Selatan yaitu (-19.83 , -11.60), Kalimantan Timur (-9.22 , 2.00), Kalimantan Utara (27.91 , -8.53).
> disparities <- matrix(0, nrow = 5,ncol= 5)
> for (i in 1:5) { for (j in 1:5)
+ disparities[i, j] <- sqrt(sum((fit[i,] - fit[j,])^2))}
> disparities
[,1] [,2] [,3] [,4] [,5]
[1,] 0.000000 7.771629 33.08556 15.901781 31.34795
[2,] 7.771629 0.000000 25.31920 8.264202 33.28794
[3,] 33.085559 25.319200 0.00000 17.597984 47.82974
[4,] 15.901781 8.264202 17.59798 0.000000 38.71478
[5,] 31.347946 33.287944 47.82974 38.714784 0.00000> disparities %>%
+ kbl(col.names = c("1", "2", "3", "4", "5"), align = "c") %>%
+ kable_styling(bootstrap_options = c("striped", "hover", "condensed", "responsive"), full_width = FALSE) %>%
+ row_spec(0, bold = TRUE, background = "yellow", color = "white")| 1 | 2 | 3 | 4 | 5 |
|---|---|---|---|---|
| 0.000000 | 7.771629 | 33.08556 | 15.901781 | 31.34795 |
| 7.771629 | 0.000000 | 25.31920 | 8.264202 | 33.28794 |
| 33.085559 | 25.319200 | 0.00000 | 17.597984 | 47.82974 |
| 15.901781 | 8.264202 | 17.59798 | 0.000000 | 38.71478 |
| 31.347946 | 33.287944 | 47.82974 | 38.714784 | 0.00000 |
Pada output diatas, diperoleh nilai disparities D yang merupakan jarak Euclidean dari koordinat setiap atribut atau yang terbentuk
> stress <- sqrt(sum((dist_matrix - disparities)^2) / sum(dist_matrix^2))
> stress %>% kbl(col.names = c("Nilai Stress"), align = "c") %>%
+ kable_styling(bootstrap_options = c("striped", "hover", "condensed", "responsive"), full_width = FALSE) %>% row_spec(0, bold = TRUE, background = "darkblue", color = "white")| Nilai Stress |
|---|
| 0.0707192 |
Pada output diatas, diperoleh nilai STRESS yang didapatkan sebesar 0.0801593 atau 8.02%. Berdasarkan kriteria nilai STRESS, maka nilai yang diperoleh tergolong “Baik”
> par(mar = c(5, 5, 2, 2)) plot(fit, type='n', xlab = "Dimensi 1", ylab = "Dimensi 2") text(fit, labels = data$Provinsi) text(fit, labels = 1:nrow(data))
Error: <text>:1:26: unexpected symbol
1: par(mar = c(5, 5, 2, 2)) plot
^Berdasarkan hasil visualisasi analisis Multidimensional Scaling (MDS) pada data faktor-faktor yang mempengaruhi angka kematian bayi pada provinsi-provinsi di Pulau Kalimantan tahun 2016, dapat disimpulkan bahwa plot titik koordinat dalam ruang dua dimensi membentuk pola yang mengindikasikan adanya kedekatan atau perbedaan yang signifikan antar provinsi dengan fokus pada empat variabel, yaitu persentase wanita berumur 15-49 tahun dan berstatus kawin yang menggunakan/memakai alat KB (X1), persentase balita kurus (X2), persentase balita yang mendapat imunisasi polio (X3), dan persentase gizi buruk (X4), menunjukkan bahwa provinsi Kalimantan Selatan dan Kalimantan Utara memiliki kedekatan yang sangat jauh dari tiga provinsi lainnya.
Hal ini menggambarkan bahwa kedua provinsi tersebut memiliki karakteristik yang berbeda secara signifikan dalam konteks faktor-faktor tersebut, dan mungkin diperlukan perhatian khusus dalam pengembangan kebijakan kesehatan. Analisis MDS memberikan kontribusi penting dalam memahami pola spasial dan keragaman provinsi-provinsi Pulau Kalimantan dalam hal faktor-faktor yang berpengaruh terhadap angka kematian bayi
Dari kesimpulan yang didapatkan, terdapat beberapa saran dari peneliti tentang kasus ini. Yang pertama adalah penyelidikan lebih lanjut tentang faktor-faktor yang membedakan antara Kalimantan Selatan dan Kalimantan Utara, perlu analisis lebih dalam terkait kedua provinsi tersebut. Selanjutnya adalah Prioritaskan Pengembangan Kebijakan Kesehatan untuk masyarakat di Provinsi Kalimantan seperti Peningkatan program KB ataupun imunisasi. Selanjutnya, Pemantauan dan Evaluasi Program Kesehatan, Pendidikan maupun Penyuluhan Kesehatan, dan Kolaborasi Antarsektor ataupun provinsi untuk menangani kasus Kematian Bayi ini agar di Indonesia kasus seperti ini bisa menurun ditahun yang mendatang.