1 PENDAHULUAN

1.1 Latar Belakang

Kesehatan merupakan salah satu indikator penting dalam indeks pembangunan manusia, karena keberhasilan pembangunan suatu daerah tidak hanya diukur dari aspek ekonomi, tetapi juga dari tingkat kesejahteraan dan kesehatan penduduk. Kesehatan merupakan aspek penting bagi setiap manusia karena siapa pun dapat mengalami gangguan kesehatan, terutama kelompok masyarakat yang rentan terhadap berbagai penyakit. Pada saat ini Indonesia, termasuk Provinsi Jawa Timur, tengah menghadapi triple burden dalam sektor kesehatan, yaitu tingginya kasus penyakit menular, meningkatnya prevalensi penyakit tidak menular, serta munculnya kembali penyakit yang sebelumnya dinyatakan terkendali.

Menurut data Badan Pusat Statistik (BPS) Jawa Timur dalam beberapa tahun terakhir jumlah kasus penyakit di Jawa Timur mengalami peningkatan dan penurunan pada beberapa tahun terakhir. penyakit menular seperti campak, AIDS, Infeksi Menular Seksual maupun penyakit tidak menular seperti DBD dan pneumonia masih menunjukkan pola fluktuatif dalam beberapa tahun terakhir. Kondisi ini menggambarkan bahwa upaya pengendalian penyakit di Jawa Timur belum sepenuhnya merata dan efektif di seluruh wilayah. Selain itu, perbedaan kondisi sosial, ekonomi, kepadatan penduduk, dan akses terhadap layanan kesehatan turut memengaruhi variasi penyebaran penyakit antar daerah. Oleh karena itu, diperlukan pemahaman mengenai pola distribusi dan karakteristik penyakit, baik menular maupun tidak menular, pada setiap kabupaten/kota di Jawa Timur. Salah satu langkah yang dapat dilakukan adalah mengelompokkan kabupaten/kota berdasarkan kemiripan karakteristik kasus penyakit yang dimilikinya. Pengelompokan ini diharapkan mampu memberikan informasi mengenai kondisi kesehatan masing-masing wilayah sehingga dapat digunakan sebagai dasar pertimbangan dalam penyusunan strategi kebijakan dan intervensi kesehatan. Salah satu metode yang dapat digunakan untuk tujuan tersebut adalah analisis cluster.

Analisis cluster merupakan suatu teknik multivariat yang bertujuan untuk mengelompokkan objek atau individu ke dalam kelompok-kelompok berdasarkan tingkat kemiripan di antara mereka, sehingga objek yang berada dalam satu cluster memiliki karakteristik yang relatif homogen, sedangkan antar cluster bersifat heterogen. Metode analisis cluster dalam penggunaanya dibedakan menjadi analisis cluster hierarki dan non hierarki. Perbedaan keduanya terletak pada pembentukan jumlah kelompok. Pada analisis cluster hierarki, cluster dibentuk dengan melakukan pendekatan-pendekatan tanpa menentukan jumlah kelompok terlebih dahulu, sedangkan pada analsis cluster non hierarki (k-means) jumlah kelompok sudah terbentuk atau ditentukan (Hair dkk., 2010).

1.2 Rumusan Masalah

Berdasarkan latar belakang yang telah dipaparkan, maka rumusan masalah dalam penelitian ini adalah :
1. Berapa jumlah cluster yang optimal untuk mengelompokkan kabupaten/kota di Jawa Timur berdasarkan jumlah kasus penyakit?
2. Bagaimana hasil pengelompokan wilayah di Jawa Timur menggunakan analisis cluster non-hierarki (k-means) serta apa karakteristik dari setiap cluster yang terbentuk?

1.3 Tujuan

Tujuan penelitian ini adalah :
1. Menentukan jumlah cluster yang optimal dalam pengelompokan kabupaten/kota di Jawa Timur berdasarkan data jumlah kasus penyakit.
2. Mengelompokkan kabupaten/kota di Jawa Timur menggunakan metode analisis cluster non-hierarki (k-means) serta mengetahui karakteristik dari setiap cluster yang terbentuk.

2 TINJAUAN PUSTAKA

2.1 Analisis Cluster

Analisis cluster merupakan metode analisis multivariat yang digunakan untuk mengelompokkan objek ke dalam beberapa kelompok sehingga objek dalam satu cluster memiliki kemiripan yang tinggi, sedangkan antarcluster bersifat berbeda. Menurut Hair dkk. (2010), metode ini bertujuan mengklasifikasikan objek berdasarkan karakteristik tertentu agar pola kesamaan dapat diidentifikasi secara sistematis. Pengelompokan dilakukan dengan mengukur tingkat kemiripan atau ketidaksamaan antar objek menggunakan ukuran jarak, seperti Euclidean atau Mahalanobis (Johnson dan Wichern, 2007). Secara umum, analisis cluster terdiri dari dua pendekatan, yaitu metode hierarki dan non-hierarki. Metode hierarki membentuk cluster secara bertahap tanpa menentukan jumlah kelompok di awal, sedangkan metode non-hierarki seperti k-means membutuhkan jumlah cluster yang sudah ditentukan sebelumnya.

2.2 Algoritma K-Means

Metode k-means merupakan salah satu teknik analisis cluster non-hierarki yang banyak digunakan untuk mengelompokkan objek berdasarkan kemiripan karakteristik tertentu. Menurut Hair dkk. (2010) k-means bekerja dengan membagi objek ke dalam sejumlah cluster yang telah ditentukan sebelumnya melalui proses iteratif yang bertujuan meminimalkan variasi di dalam cluster dan memaksimalkan perbedaan antarcluster. Setiap objek ditempatkan pada cluster dengan jarak terdekat menuju pusat cluster (centroid), kemudian centroid diperbarui hingga tercapai kondisi konvergen. Metode ini efisien untuk data berukuran besar dan mampu menghasilkan struktur pengelompokan yang jelas, namun sensitif terhadap pemilihan centroid awal dan keberadaan pencilan, sehingga standarisasi data dan evaluasi awal sangat dianjurkan (Johnson dan Wichern, 2007).

2.3 Euclidean Distance

Euclidean distance merupakan ukuran jarak yang paling umum digunakan dalam analisis cluster. Ukuran ini menghitung jarak lurus antara dua titik atau objek dalam ruang multidimensi berdasarkan perbedaan nilai antar variabel yang dimiliki oleh masing-masing objek. Metode ini dapat juga disebut sebagai jarak garis lurus. Metode Euclidean distance ini mengukur jumlah kuadrat perbedaan nilai antara dua objek dengan menggunakan rumus:
\[ d_{ij} = \sqrt{\sum_{k=1}^{p} (x_{ik} - x_{jk})^2} \]

di mana:

\(d_{ij}\) : jarak Euclidean antara objek \(i\) dan \(j\),
\(x_{ik}\) : nilai variabel ke-\(k\) dari objek \(i\),
\(x_{jk}\) : nilai variabel ke-\(k\) dari objek \(j\), dan
\(p\) : jumlah variabel yang digunakan dalam analisis.

Euclidean distance sensitif terhadap skala pengukuran variabel. Oleh karena itu, sebelum dilakukan perhitungan jarak, data umumnya perlu dinormalisasi atau distandarisasi agar setiap variabel memiliki pengaruh yang seimbang terhadap hasil pengelompokan (Hair dkk., 2010). Semakin kecil nilai jarak Euclidean antar dua objek, semakin besar tingkat kesamaan antara keduanya, dan sebaliknya.

2.4 Indeks Silhouette

Indeks Silhouette merupakan ukuran validitas internal klaster yang mengevaluasi kualitas pengelompokan dengan mempertimbangkan dua aspek penting yaitu cohesion (kekompakan dalam cluster) yang diwakili oleh nilai a(i), dan separation (keterpisahan antar cluster) yang diwakili oleh nilai b(i) (Kaufman & Rousseeuw,1990). Nilai silhouette untuk setiap objek dihitung sebagai:
\[ S(i) = \frac{b(i) - a(i)}{\max\{a(i), b(i)\}} \]

di mana:

\(a(i)\) : rata-rata perbedaan antara objek ke-\(i\) dengan seluruh objek lain dalam cluster yang sama,
\(b(i)\) : nilai minimum dari rata-rata perbedaan antara objek ke-\(i\) dengan seluruh objek pada cluster lain.
Nilai ini berkisar antara –1 sampai 1, di mana nilai mendekati 1 menunjukkan objek terklaster dengan baik, nilai sekitar 0 menunjukkan objek berada di batas antar cluster, dan nilai negatif menunjukkan objek kurang tepat berada di cluster tersebut. Nilai silhouette rata-rata untuk seluruh objek digunakan untuk menentukan jumlah cluster optimal, yaitu jumlah cluster yang menghasilkan nilai rata-rata silhouette tertinggi.

3 Data

Data yang digunakan dalam penelitian ini adalah data sekunder yang diperoleh dari publikasi Badan Pusat Statistik (BPS) Provinsi Jawa Timur. Data yang digunakan adalah data tahun 2024 pada 38 kota dan kabupaten di Provinsi Jawa Timur. Variabel dalam penelitian adalah jumlah dari beberapa kasus penyakit yang menyerang masyarakat yaitu penyakit IMS, campak, AIDS, DBD, dan Pneumonia.

4 SOURCE CODE

Library

> # Library
> library(readxl)
> library(psych)
> library(NbClust)
> library(factoextra)
> library(ggplot2)
> library(knitr)

4.1 Import Data

> data_bps <- read_excel("Tabel_Penyakit_Jatim_2024.xlsx")
> datapenyakit <- data.frame(data_bps)

4.2 Statistika Deskriptif

> summary(datapenyakit)

4.3 Uji KMO dan MSA

> kmo <- KMO(datapenyakit[, 2:6])
> kmo

4.4 Matriks Korelasi

> korelasi <- cor(datapenyakit[, 2:6], method = "pearson")
> korelasi

4.5 Standarisasi Data

> data_stand <- scale(datapenyakit[, 2:6])
> rownames(data_stand) <- datapenyakit$Kabupaten.Kota
> data_stand

4.6 Penentuan Jumlah Cluster

> hasil_nb <- NbClust(data_stand , 
+                     distance = "euclidean",
+                     min.nc = 2,      
+                     max.nc = 10,      
+                     method = "kmeans",  
+                     index = "silhouette")    
> print(hasil_nb)
> 
> fviz_nbclust(data_stand, kmeans, method = "silhouette") +
+   labs(subtitle = "Silhouette Method")

4.7 K-Means

> k_optimal <- 2
> 
> km_result <- kmeans(data_stand, centers = k_optimal, nstart = 25)
> print(km_result)
> 
> print(km_result$centers)
> df_final <- cbind(datapenyakit[,2:6], cluster = km_result$cluster)
> df_final

> datapenyakit$cluster <- as.factor(km_result$cluster)
> kable(datapenyakit, caption = 'Tabel Kota/Kabupaten di Jawa Timur')

> c1 = datapenyakit$Kabupaten.Kota[datapenyakit$cluster == 1]
> c2 = datapenyakit$Kabupaten.Kota[datapenyakit$cluster == 2]
> c1 = paste(c1, collapse = ',')
> c2 = paste(c2, collapse = ',')
> 
> kelompok = data.frame(
+   Cluster = c('Cluster1','Cluster2'),
+   Anggota = c(c1,c2)
+ )
> kable(kelompok, caption = 'Anggota Kelompok Hasil Clustering')

4.8 Visualisasi

> fviz_cluster(km_result, data = data_stand,
+              geom = "point",
+              ellipse.type = "convex",
+              ggtheme = theme_bw(),
+              main = "Visualisasi Cluster K-Means")

5 HASIL DAN PEMBAHASAN

5.1 Statistika Deskriptif

 Kabupaten.Kota          IMS              Campak            AIDS       
 Length:38          Min.   :   0.00   Min.   :  0.00   Min.   :  8.00  
 Class :character   1st Qu.:   6.25   1st Qu.:  1.00   1st Qu.: 36.50  
 Mode  :character   Median :  15.00   Median :  3.00   Median : 75.50  
                    Mean   : 143.11   Mean   : 14.89   Mean   : 86.87  
                    3rd Qu.: 169.25   3rd Qu.: 10.75   3rd Qu.:125.00  
                    Max.   :1457.00   Max.   :175.00   Max.   :270.00  
      DBD           Pneumonia     cluster
 Min.   :  11.0   Min.   :  346   1: 5   
 1st Qu.: 385.8   1st Qu.: 1418   2:33   
 Median : 617.0   Median : 2221          
 Mean   : 839.1   Mean   : 2629          
 3rd Qu.:1026.0   3rd Qu.: 2635          
 Max.   :4157.0   Max.   :10257

Berdasarkan hasil analisis statistika deskriptif, diketahui bahwa: variabel penyakit menular memiliki range yang cukup jauh berbeda sehingga diperlukan standarsasi data.

5.2 Uji KMO dan MSA

Kaiser-Meyer-Olkin factor adequacy
Call: KMO(r = datapenyakit[, 2:6])
Overall MSA =  0.58
MSA for each item = 
      IMS    Campak      AIDS       DBD Pneumonia 
     0.66      0.52      0.61      0.52      0.55

Hasil uji validitas KMO dan MSA menunjukkan bahwa data memenuhi asumsi kecukupan sampel. Nilai KMO overall sebesar 0,58 > 0,5 mengindikasikan bahwa sampel representatif. Selain itu, seluruh variabel memiliki nilai MSA di atas 0,5, sehingga semua variabel penyakit (IMS, Campak, AIDS, DBD, Pneumonia) layak digunakan untuk tahapan analisis selanjutnya.

5.3 Matriks Korelasi

                 IMS       Campak        AIDS         DBD Pneumonia
IMS       1.00000000  0.358083720 0.285862690  0.08211397 0.6689599
Campak    0.35808372  1.000000000 0.007656296 -0.02144224 0.5559867
AIDS      0.28586269  0.007656296 1.000000000  0.28511345 0.4208005
DBD       0.08211397 -0.021442243 0.285113447  1.00000000 0.2720877
Pneumonia 0.66895991  0.555986674 0.420800530  0.27208767 1.0000000

Nilai mutlak dari korelasi antar semua variabel semuanya bernilai < 0.8, maka dapat disimpulkan bahwa tidak terjadi multikolinieritas.

5.4 Standarisasi Data

Standarisasi data dilakukan agar hasil cluster tidak bias karena adanya variabel tertentu yang mendominasi proses pengelompokkan. Standarisasi dilakukan menggunakan z-score.

                        IMS      Campak         AIDS         DBD   Pneumonia
Pacitan          -0.4845180 -0.41737860 -1.092973816 -0.45070845 -1.01619017
Ponorogo         -0.4392377 -0.48211488  0.002029287 -0.56399380 -0.69045543
Trenggalek       -0.4914842 -0.48211488 -0.985015763  0.30062079 -0.48866098
Tulungagung      -0.3904742 -0.44974674  1.883583913  0.77459626 -0.16561087
Blitar           -0.4566532 -0.38501047 -0.414380344  0.67693648 -0.16650574
Kediri           -0.3382277 -0.41737860  0.171677655 -0.38690406 -0.35263988
Malang            1.5078171 -0.19080165  0.711467916  4.32029734  2.59463306
Lumajang         -0.4914842 -0.19080165  1.189567863 -0.12257159 -0.43183637
Jember            0.3026633  1.00681940  2.192035492  0.90480930  0.54134089
Banyuwangi        0.4454706 -0.41737860  0.495551812 -0.37648702 -0.16695318
Bondowoso        -0.4740687  0.16524785 -0.306422291  0.15478218 -0.06314761
Situbondo        -0.4218221  1.52470959  0.680622759  0.26676540 -0.17053268
Probolinggo      -0.4845180  0.48892922 -0.167619081  2.57414047 -0.38172334
Pasuruan          0.1598561 -0.48211488  1.405483967  0.57146391  0.08898125
Sidoarjo          0.9365881 -0.15843351  2.824361227 -0.59915132  2.53691358
Mojokerto        -0.1153091  0.45656108 -0.290999713 -0.79967940 -0.04614497
Jombang          -0.1571063  1.20102822  0.618932443 -0.64993440  0.32880793
Nganjuk          -0.4601363 -0.48211488  1.390061388  0.60531930 -0.19469433
Madiun           -0.4775518 -0.41737860 -0.105928766 -0.65123653 -0.55980359
Magetan          -0.4705856 -0.41737860 -0.753677080 -0.31268263 -0.41930811
Ngawi            -0.4601363 -0.48211488 -0.738254501 -0.19288663 -0.07522843
Bojonegoro       -0.4531701 -0.19080165 -0.522338396 -0.26580593 -0.02287820
Tuban            -0.4984504 -0.19080165  0.048297023  0.04930962 -0.15800442
Lamongan         -0.4845180 -0.38501047  0.079142181  0.06363306  0.01112707
Gresik           -0.2929473 -0.38501047 -0.044238450 -0.48326171  1.14135501
Bangkalan        -0.4671025 -0.22316978 -1.000438342 -0.72545797  0.30375141
Sampang          -0.4845180  0.68313804 -0.784522238 -0.01189051 -0.74056847
Pamekasan        -0.4740687 -0.15843351 -0.599451291  0.17301201 -0.22422522
Sumenep          -0.4880011  0.03577531 -0.907902869  0.90220503 -0.30386915
Kota.Kediri       0.2956971 -0.48211488 -0.183041660 -0.75931336 -0.32131923
Kota.Blitar       0.5325482 -0.48211488 -0.923325448 -0.91687114 -0.67882205
Kota.Malang       4.5764311 -0.12606537  1.097032389 -0.08090342  1.42368828
Kota.Probolinggo -0.4949673 -0.44974674 -0.738254501 -0.45461484 -1.02155942
Kota.Pasuruan    -0.3521601 -0.41737860 -1.031283500 -0.81921136 -0.84168942
Kota.Mojokerto   -0.4705856 -0.44974674 -1.216354447 -1.07833530 -1.00858373
Kota.Madiun       0.7415344 -0.44974674 -0.121351345 -0.32961032 -0.68150668
Kota.Surabaya     2.5039846  5.18230901 -0.784522238 -0.79186662  3.41299684
Kota.Batu        -0.4287883 -0.48211488 -1.077551237 -0.51451284 -0.99113365
attr(,"scaled:center")
       IMS     Campak       AIDS        DBD  Pneumonia 
 143.10526   14.89474   86.86842  839.13158 2629.13158 
attr(,"scaled:scale")
       IMS     Campak       AIDS        DBD  Pneumonia 
 287.10030   30.89458   64.84000  767.97224 2234.94740

5.5 Penentuan Jumlah Cluster

$All.index
     2      3      4      5      6      7      8      9     10 
0.5762 0.5092 0.3986 0.2161 0.2590 0.2514 0.2887 0.3243 0.3207 

$Best.nc
Number_clusters     Value_Index 
         2.0000          0.5762 

$Best.partition
         Pacitan         Ponorogo       Trenggalek      Tulungagung 
               2                2                2                2 
          Blitar           Kediri           Malang         Lumajang 
               2                2                1                2 
          Jember       Banyuwangi        Bondowoso        Situbondo 
               1                2                2                2 
     Probolinggo         Pasuruan         Sidoarjo        Mojokerto 
               2                2                1                2 
         Jombang          Nganjuk           Madiun          Magetan 
               2                2                2                2 
           Ngawi       Bojonegoro            Tuban         Lamongan 
               2                2                2                2 
          Gresik        Bangkalan          Sampang        Pamekasan 
               2                2                2                2 
         Sumenep      Kota.Kediri      Kota.Blitar      Kota.Malang 
               2                2                2                1 
Kota.Probolinggo    Kota.Pasuruan   Kota.Mojokerto      Kota.Madiun 
               2                2                2                2 
   Kota.Surabaya        Kota.Batu 
               1                2

Nilai Silhoutte tertinggi terjadi pada cluster 2 yaitu sebesar 0.5762. Sehingga jumlah cluster optimal yang dapat digunakan adalah k = 2. Berdasarkan plot metode silhoutte diperoleh bahwa cluster optimal untuk membagi kabupaten/kota adalah sebanyak 2 cluster.

5.6 Algoritma K-Means

K-means clustering with 2 clusters of sizes 5, 33

Cluster means:
         IMS     Campak       AIDS        DBD  Pneumonia
1  1.9654968  1.1427656  1.2080750  0.7506371  2.1019145
2 -0.2978026 -0.1731463 -0.1830417 -0.1137329 -0.3184719

Clustering vector:
         Pacitan         Ponorogo       Trenggalek      Tulungagung 
               2                2                2                2 
          Blitar           Kediri           Malang         Lumajang 
               2                2                1                2 
          Jember       Banyuwangi        Bondowoso        Situbondo 
               1                2                2                2 
     Probolinggo         Pasuruan         Sidoarjo        Mojokerto 
               2                2                1                2 
         Jombang          Nganjuk           Madiun          Magetan 
               2                2                2                2 
           Ngawi       Bojonegoro            Tuban         Lamongan 
               2                2                2                2 
          Gresik        Bangkalan          Sampang        Pamekasan 
               2                2                2                2 
         Sumenep      Kota.Kediri      Kota.Blitar      Kota.Malang 
               2                2                2                1 
Kota.Probolinggo    Kota.Pasuruan   Kota.Mojokerto      Kota.Madiun 
               2                2                2                2 
   Kota.Surabaya        Kota.Batu 
               1                2 

Within cluster sum of squares by cluster:
[1] 63.07315 55.08119
 (between_SS / total_SS =  36.1 %)

Available components:

[1] "cluster"      "centers"      "totss"        "withinss"     "tot.withinss"
[6] "betweenss"    "size"         "iter"         "ifault"

Tabel Kota/Kabupaten di Jawa Timur
Kabupaten.Kota	IMS	Campak	AIDS	DBD	Pneumonia	cluster
Pacitan	4	2	16	493	358	2
Ponorogo	17	0	87	406	1086	2
Trenggalek	2	0	23	1070	1537	2
Tulungagung	31	1	209	1434	2259	2
Blitar	12	3	60	1359	2257	2
Kediri	46	2	98	542	1841	2
Malang	576	9	133	4157	8428	1
Lumajang	2	9	164	745	1664	2
Jember	230	46	229	1534	3839	1
Banyuwangi	271	2	119	550	2256	2
Bondowoso	7	20	67	958	2488	2
Situbondo	22	62	131	1044	2248	2
Probolinggo	4	30	76	2816	1776	2
Pasuruan	189	0	178	1278	2828	2
Sidoarjo	412	10	270	379	8299	1
Mojokerto	110	29	68	225	2526	2
Jombang	98	52	127	340	3364	2
Nganjuk	11	0	177	1304	2194	2
Madiun	6	2	80	339	1378	2
Magetan	8	2	38	599	1692	2
Ngawi	11	0	39	691	2461	2
Bojonegoro	13	9	53	635	2578	2
Tuban	0	9	90	877	2276	2
Lamongan	4	3	92	888	2654	2
Gresik	59	3	84	468	5180	2
Bangkalan	9	8	22	282	3308	2
Sampang	4	36	36	830	974	2
Pamekasan	7	10	48	972	2128	2
Sumenep	3	16	28	1532	1950	2
Kota.Kediri	228	0	75	256	1911	2
Kota.Blitar	296	0	27	135	1112	2
Kota.Malang	1457	11	158	777	5811	1
Kota.Probolinggo	1	1	39	490	346	2
Kota.Pasuruan	42	2	20	210	748	2
Kota.Mojokerto	8	1	8	11	375	2
Kota.Madiun	356	1	79	586	1106	2
Kota.Surabaya	862	175	36	231	10257	1
Kota.Batu	20	0	17	444	414	2

Dapat dilihat hasil dari algoritma K-means kota/kabupaten sudah terbagi menjadi 2 kelompok.
Cluster 1 memiliki nilai rata-rata lebih tinggi untuk semua variabel penyakit sehinga dapat disimpulk an bahwa daerah ini memiliki kasus penyakit relatif tinggi.Cluster 2 memiliki nilai rata-rata lebih rendah maka dapat disimpulkan bahwa termasuk daerah dengan kasus penyakit lebih rendah atau normal.

Anggota Kelompok Hasil Clustering
Cluster	Anggota
Cluster1	Malang,Jember,Sidoarjo,Kota.Malang,Kota.Surabaya
Cluster2	Pacitan,Ponorogo,Trenggalek,Tulungagung,Blitar,Kediri,Lumajang,Banyuwangi,Bondowoso,Situbondo,Probolinggo,Pasuruan,Mojokerto,Jombang,Nganjuk,Madiun,Magetan,Ngawi,Bojonegoro,Tuban,Lamongan,Gresik,Bangkalan,Sampang,Pamekasan,Sumenep,Kota.Kediri,Kota.Blitar,Kota.Probolinggo,Kota.Pasuruan,Kota.Mojokerto,Kota.Madiun,Kota.Batu

Berdasarkan hasil analisis K-Means, kabupaten/kota di Jawa Timur terbagi menjadi dua cluster. Cluster 1 terdiri dari 5 kabupaten/kota yang memiliki kasus penyakit relatif tinggi. Sementara itu, Cluster 2 mencakup sebagian besar kabupaten/kota lainnya yaitu sebanyak 33 kota/kabupaten yang menunjukkan kasus penyakit relatif lebih rendah.

5.7 Visualisasi

Cluster 1 memiliki sebaran titik yang lebih luas sehingga mencerminkan variasi karakteristik yang lebih besar antar wilayah. Sementara itu, Cluster 2 terlihat lebih rapat dan homogen, menandakan tingkat kemiripan yang lebih kuat di antara wilayah-wilayahnya. Kelompok 1 berisi kota/kabupaten yang memiliki jumlah kasus penyakit yang tinggi, sedangkan kelompok 2 berisi kota/kabupaten yang memiliki jumlah kasus penyakit yang relatif lebih rendah.

6 KESIMPULAN

Berdasarkan hasil analisis K-Means terhadap data kasus penyakit pada kabupaten/kota di Jawa Timur tahun 2024, diperoleh dua cluster utama yang menunjukkan perbedaan profil kesehatan yang jelas. Cluster 1 terdiri dari wilayah dengan nilai kasus penyakit yang jauh lebih tinggi serta variasi antar daerah yang lebih besar, yang sebagian besar merupakan kota atau kabupaten besar seperti Surabaya, Kota Malang, Sidoarjo, dan Jember. Tingginya jumlah kasus di wilayah ini dapat dipengaruhi oleh besarnya jumlah penduduk, mobilitas yang. Oleh karena itu, wilayah dalam cluster ini memerlukan perhatian lebih dalam pemantauan dan penanganan kesehatan. Sementara itu, Cluster 2 mencakup mayoritas kabupaten/kota yang memiliki tingkat kasus lebih rendah dan pola yang lebih homogen, menunjukkan kondisi kesehatan yang relatif stabil namun tetap perlu dijaga agar tidak terjadi peningkatan kasus di masa mendatang. Secara keseluruhan, hasil pengelompokan ini menunjukkan bahwa metode clustering mampu mengidentifikasi perbedaan beban penyakit antar wilayah dan dapat menjadi dasar yang informatif dalam menentukan prioritas intervensi kesehatan masyarakat di Jawa Timur.

7 Daftar Pustaka

BPS Jawa Timur. (2025). Provinsi Jawa Timur Dalam Angka 2025. Diakses pada 15 November 2025 dari https://jatim.bps.go.id/id/publication/2025/02/28/5ae8b994b 1bebd8cbc2e0781/provinsi-jawa-timur-dalam-angka 2025.html
Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2010). Multivariate Data Analysis (7th ed.). Pearson.
Johnson, R. A., & Wichern, D. W. (2007). Applied Multivariate Statistical Analysis (6th ed.). Pearson Prentice Hall.
Kaufman, L., & Rousseeuw, P. J. (1990). Finding Groups in Data: An Introduction to Cluster Analysis. Wiley.
Tim Asistensi Praktikum [PPT Praktikum Analisis Multivariat Kelas C].Google Classroom, diakses 15 November 2025.

PENERAPAN METODE K-MEANS PADA PENGELOMPOKAN KABUPATEN/KOTA DI JAWA TIMUR BERDASARKAN KASUS PENYAKIT TAHUN 2024

Hyacintha Shafa Athalia Hardianto

2025-11-25