Pengelompokan Provinsi di Indonesia Tahun 2019 Berdasarkan Indikator Kesehatan Anak Menggunakan Analisis Kluster
Rieftian Havil Syawalludy
2025-12-03
Studi Kasus
Latar Belakang
Kesehatan anak merupakan salah satu indikator penting dalam menilai kualitas pembangunan manusia suatu negara. Anak pada masa awal kehidupan sangat rentan terhadap masalah gizi, penyakit infeksi, dan kekurangan layanan kesehatan, sehingga berbagai lembaga internasional seperti WHO dan UNICEF menekankan pentingnya pemenuhan kebutuhan dasar anak melalui imunisasi lengkap, pemberian gizi optimal, serta lingkungan hidup yang mendukung tumbuh kembang. Di Indonesia, isu kesehatan anak masih menjadi perhatian besar karena berdampak jangka panjang terhadap kualitas sumber daya manusia dan produktivitas bangsa. Ketidakmerataan kondisi kesehatan antarwilayah mengindikasikan adanya tantangan serius dalam pemerataan akses layanan kesehatan serta efektivitas program pemerintah. Ketimpangan tersebut menunjukkan bahwa setiap daerah memiliki karakteristik dan tantangan kesehatan yang berbeda-beda, sehingga diperlukan pendekatan analisis yang mampu mengelompokkan provinsi berdasarkan kondisi kesehatannya. Pengelompokan ini penting karena dapat digunakan sebagai dasar untuk perumusan kebijakan yang lebih spesifik dan tepat sasaran.
Untuk memahami pola dan kemiripan kondisi kesehatan antarprovinsi, penelitian ini menggunakan analisis cluster, yaitu metode statistik multivariat yang berfungsi mengelompokkan objek berdasarkan tingkat kemiripan karakteristik menggunakan 4 indikator atau variabel yaitu Umur Harapan Hidup (UHH), persentase bayi usia <6 bulan yang mendapat ASI eksklusif, persentase anak usia 12–23 bulan yang menerima imunisasi lengkap, dan Indeks Khusus Penanganan Stunting. Metode ini relevan karena mampu memetakan provinsi ke dalam kelompok-kelompok yang homogen, sehingga mempermudah identifikasi wilayah prioritas dan penyusunan kebijakan intervensi kesehatan yang lebih tepat. Analisis cluster juga memungkinkan peneliti memahami struktur data tanpa harus menetapkan variabel dependen tertentu, sehingga cocok digunakan pada studi eksploratif seperti pemetaan kondisi kesehatan anak. Dengan hal itu, penelitian ini bertujuan untuk mengidentifikasi kelompok provinsi di Indonesia berdasarkan indikator kesehatan anak dan memberikan gambaran perbedaan karakteristik tiap kelompok sebagai dasar rekomendasi kebijakan kesehatan yang lebih efektif.
Sumber Data
Data yang digunakan dalam studi kasus ini merupakan data sekunder resmi yang dipublikasikan oleh Badan Pusat Statistik (BPS). Semua variabel dikumpulkan untuk setiap provinsi dan disusun dalam satu dataset tabular. Semua data diunduh dari laman statistik BPS untuk tiap indikator provinsi sebagai berikut:
Umur Harapan Hidup saat Lahir (metode baru) menurut provinsi.
https://www.bps.go.id/id/statistics-table/2/NDE0IzI=/-metode-baru--umur-harapan-hidup-saat-lahir--uhh---tahun-.htmlPersentase bayi usia < 6 bulan yang mendapatkan ASI eksklusif menurut provinsi.
https://www.bps.go.id/id/statistics-table/2/MTM0MCMy/persentase-bayi-usia-kurang-dari-6-bulan-yang-mendapatkan-asi-eksklusif-menurut-provinsi--persen-.htmlPersentase anak umur 12–23 bulan yang menerima imunisasi dasar lengkap menurut provinsi.
https://www.bps.go.id/id/statistics-table/2/MjI4MCMy/persentase-anak-umur-12-23-bulan-yang-menerima-imunisasi-dasar-lengkap-menurut-provinsi--persen-.htmlIndeks Khusus Penanganan Stunting (IKPS) menurut provinsi.
https://www.bps.go.id/id/statistics-table/2/MTk0OSMy/indeks-khusus-penanganan-stunting-menurut-provinsi.html
Data
data.kesehatan <- read.csv("C:/Users/ale41/Downloads/data_kesehatan.csv")
colnames(data.kesehatan) <- c("PROVINSI","UHH","ASI","IMUN","IKPS")
data.kesehatan## PROVINSI UHH ASI IMUN IKPS
## 1 ACEH 69.87 62.81 20.71 61.95
## 2 SUMATERA UTARA 68.95 50.20 38.90 58.56
## 3 SUMATERA BARAT 69.31 69.23 47.82 63.97
## 4 RIAU 71.48 60.71 34.24 60.04
## 5 JAMBI 71.06 64.87 52.57 61.03
## 6 SUMATERA SELATAN 69.65 64.39 42.21 60.22
## 7 BENGKULU 69.21 60.86 57.29 60.41
## 8 LAMPUNG 70.51 66.84 63.84 64.27
## 9 KEP. BANGKA BELITUNG 70.50 39.64 59.91 60.68
## 10 KEP. RIAU 69.80 57.31 61.66 62.76
## 11 DKI JAKARTA 72.79 68.08 58.06 70.56
## 12 JAWA BARAT 72.85 71.11 50.81 66.22
## 13 JAWA TENGAH 74.23 72.00 74.16 71.17
## 14 DI YOGYAKARTA 74.92 74.90 79.72 79.94
## 15 JAWA TIMUR 71.18 68.68 66.64 70.69
## 16 BANTEN 69.84 64.55 40.04 64.32
## 17 BALI 71.99 69.87 77.75 69.71
## 18 NUSA TENGGARA BARAT 66.28 74.92 74.50 72.97
## 19 NUSA TENGGARA TIMUR 66.85 75.05 58.30 64.81
## 20 KALIMANTAN BARAT 70.56 59.41 49.72 56.46
## 21 KALIMANTAN TENGAH 69.69 50.48 49.53 58.16
## 22 KALIMANTAN SELATAN 68.49 65.97 60.69 66.77
## 23 KALIMANTAN TIMUR 74.22 71.08 59.88 64.94
## 24 KALIMANTAN UTARA 72.54 76.97 57.36 64.04
## 25 SULAWESI UTARA 71.58 54.93 63.07 64.78
## 26 SULAWESI TENGAH 68.23 57.29 53.96 63.83
## 27 SULAWESI SELATAN 70.43 70.52 58.10 66.21
## 28 SULAWESI TENGGARA 70.97 55.77 58.68 61.66
## 29 GORONTALO 67.93 50.98 65.89 69.48
## 30 SULAWESI BARAT 64.82 72.82 55.28 66.03
## 31 MALUKU 65.82 56.55 49.72 50.91
## 32 MALUKU UTARA 68.18 64.36 43.33 53.42
## 33 PAPUA BARAT 65.90 66.37 47.60 56.45
## 34 PAPUA 65.65 79.05 34.76 41.70Analisis
Library yang Digunakan
library(psych)
library(clValid)
library(cluster)
library(factoextra)psych digunakan untuk menguji kelayakan variabel melalui KMO sebagai bagian dari pemeriksaan asumsi sebelum analisis clustering dilakukan.
clValid digunakan untuk mengevaluasi kualitas berbagai jumlah cluster menggunakan indeks validitas internal sehingga diperoleh jumlah cluster terbaik.
cluster digunakan untuk melakukan proses hierarchical clustering menggunakan berbagai metode linkage dan jarak Euclidean.
factoextra digunakan untuk memvisualisasikan hasil clustering, termasuk dendrogram dan plot cluster, sehingga interpretasi hasil menjadi lebih mudah.
Statistika Deskriptif
stat.deskriptif <- summary(data.kesehatan)Menghitung nilai minimum, nilai maximum, rata-rata, median dari data.
Uji Asumsi
Uji Kecukupan Sampel
kmo <- KMO(data.kesehatan[,2:5])Menguji asumsi kecukupan sampel menggunakan KMO pada variabel kontinu.
Uji Multikolinieritas
korelasi <- cor(data.kesehatan[,2:5], method = 'pearson')Membuat matriks korelasi antar variabel kontinu pada data menggunakan metode Pearson.
Standarisasi Data
data_standar <- scale(data.kesehatan[,2:5])
rownames(data_standar) <- 1:nrow(data_standar)
data_standar## UHH ASI IMUN IKPS
## 1 -0.008079447 -0.174741916 -2.65637637 -0.18252329
## 2 -0.369115308 -1.587505431 -1.24323423 -0.67382724
## 3 -0.227840406 0.544523886 -0.55025853 0.11023009
## 4 0.623733310 -0.410015777 -1.60525965 -0.45933466
## 5 0.458912591 0.056050537 -0.18124120 -0.31585652
## 6 -0.094414110 0.002273655 -0.98608742 -0.43324772
## 7 -0.267083435 -0.393210501 0.18544549 -0.40571152
## 8 0.243075935 0.276759826 0.69430096 0.15370831
## 9 0.239151632 -2.770596844 0.38898768 -0.36658111
## 10 -0.035549567 -0.790935360 0.52494143 -0.06513209
## 11 1.137816983 0.415683438 0.24526514 1.06530177
## 12 1.161362800 0.755150009 -0.31797183 0.43631678
## 13 1.702916592 0.854861311 1.49603966 1.15370749
## 14 1.973693488 1.179763309 1.92798415 2.42472094
## 15 0.506004225 0.482904541 0.91182696 1.08414233
## 16 -0.019852356 0.020199282 -1.15467007 0.16095468
## 17 0.823872755 0.616226396 1.77493907 0.94211346
## 18 -1.416904167 1.182004013 1.52245353 1.41457684
## 19 -1.193218905 1.196568585 0.26391022 0.23196912
## 20 0.262697449 -0.555661500 -0.40265160 -0.97817481
## 21 -0.078716898 -1.556135583 -0.41741229 -0.73179820
## 22 -0.549633239 0.179289226 0.44958421 0.51602686
## 23 1.698992289 0.751788953 0.38665704 0.25080968
## 24 1.039709412 1.411676115 0.19088364 0.12037501
## 25 0.662976339 -1.057579069 0.63448131 0.22762130
## 26 -0.651665113 -0.793176064 -0.07325508 0.08994025
## 27 0.211681512 0.689049257 0.24837265 0.43486750
## 28 0.423593866 -0.963469525 0.29343161 -0.22455224
## 29 -0.769394198 -1.500117997 0.85356107 0.90878016
## 30 -1.989852382 0.946730152 0.02929289 0.40878057
## 31 -1.597422098 -0.876082091 -0.40265160 -1.78252198
## 32 -0.671286627 -0.001087400 -0.89907702 -1.41875416
## 33 -1.566027675 0.224103295 -0.56734986 -0.97962409
## 34 -1.664135246 1.644709272 -1.56486196 -3.11730349
## attr(,"scaled:center")
## UHH ASI IMUN IKPS
## 69.89059 64.36971 54.90294 63.20941
## attr(,"scaled:scale")
## UHH ASI IMUN IKPS
## 2.548223 8.925768 12.872024 6.900006Menstandarisasi atau menormalkan data terlebih dahulu karena satuan yang digunakan antar variabel berbeda.
Menghitung Jarak
jarak <- dist(data_standar, method = "euclidian")
jarak## 1 2 3 4 5 6 7
## 2 2.0891620
## 3 2.2554545 2.3791740
## 4 1.2790669 1.5966527 1.7532128
## 5 2.5328677 2.1547340 1.0138834 1.5141989
## 6 1.7004459 1.6513211 0.8928342 1.0342983 0.9852007
## 7 2.8706404 1.8840814 1.2993621 2.0008341 0.9335088 1.2487874
## 8 3.4069081 2.8790833 1.3580421 2.5060649 1.0403669 1.8323386 1.1318159
## 9 4.0134406 2.1279667 3.5096495 3.1154248 2.8923977 3.1137362 2.4395082
## 10 3.2426860 2.0597924 1.7341378 2.2962809 1.2342749 1.7468151 0.6656161
## 11 3.4114911 3.3946739 1.8511185 2.5874736 1.6369951 2.3347764 2.1898660
## 12 2.8431308 3.1494330 1.4610060 2.0263164 1.2516534 1.8292948 2.0788533
## 13 4.7974641 4.5936887 3.0166725 3.8709835 2.6755437 3.5548115 3.0964541
## 14 5.7944967 5.7274913 4.0925341 5.0151150 3.9391481 4.7247591 4.3061719
## 15 3.8772797 3.5759163 1.9048685 3.0869423 1.8273524 2.5487369 2.0279390
## 16 1.5528167 1.8469985 0.8282884 1.0895308 1.1855015 0.6223965 1.5326615
## 17 4.7137182 4.2426747 2.6851100 3.8056575 2.4199427 3.2764423 2.5597403
## 18 4.8825091 4.5583445 2.7960167 4.4713379 3.2685524 3.5844075 2.9840289
## 19 3.4619252 3.3944317 1.4264673 3.1391282 2.1280490 2.1537688 1.9488247
## 20 2.4353145 1.5043590 1.6301682 1.3663897 0.9488836 1.0373829 0.9902679
## 21 2.6884756 0.8778712 2.2719304 1.8144544 1.7654953 1.6856481 1.3629551
## 22 3.2486277 2.7268181 1.1837667 2.6263630 1.4568195 1.7890875 1.1519380
## 23 3.6359845 3.6415472 2.1571315 2.6415922 1.6326263 2.4759729 2.3765487
## 24 3.4370366 3.6969350 1.7052947 2.6558975 1.5823465 2.2280957 2.2895676
## 25 3.4968100 2.3842106 2.1857899 2.4308900 1.4975260 2.1817238 1.3817165
## 26 2.7465279 1.6318657 1.4822323 2.1029013 1.4597605 1.4318720 0.7877006
## 27 3.1005110 2.9956838 0.9784009 2.3692363 1.0999842 1.6860815 1.4529401
## 28 3.0840828 1.8923527 1.8767800 2.0016289 1.1288575 1.6975615 0.9201686
## 29 3.9808072 2.6587697 2.6612464 3.3236523 2.5496958 2.8103602 1.9109754
## 30 3.5703758 3.4410033 1.9213194 3.4780707 2.7127815 2.4949335 2.3347708
## 31 3.2645305 1.9876227 2.7382793 2.8892629 2.7013911 2.2784820 2.0602017
## 32 2.2552976 1.8114607 1.7186633 1.8065101 1.7355940 1.1452454 1.5873201
## 33 2.7542116 2.2945276 1.7554170 2.5583428 2.1721630 1.6397326 1.7217459
## 34 3.9821178 4.2659476 3.8366318 4.0648085 4.0980093 3.5638118 4.0646252
## 8 9 10 11 12 13 14
## 2
## 3
## 4
## 5
## 6
## 7
## 8
## 9 3.1064957
## 10 1.1376199 2.0258024
## 11 1.3610647 3.6098374 2.0466601
## 12 1.4753548 3.7981313 2.1874490 0.9103021
## 13 2.0268496 4.3385938 2.8564861 1.4437684 2.0269460
## 14 3.2388154 5.3641270 4.0110607 2.4417353 3.1365980 1.4074561
## 15 1.0122509 3.6103242 1.8402339 0.9210677 1.5606715 1.3845919 2.3386856
## 16 1.8851262 3.2429615 1.8789348 2.0674303 1.6466056 3.4170768 4.4661178
## 17 1.4973055 3.9301416 2.3012494 1.5791948 2.1838740 0.9758184 1.9649960
## 18 2.4188070 4.7773259 2.9975322 2.9777593 3.3427269 3.1478651 3.5610397
## 19 1.7607816 4.2619237 2.3338330 2.5958237 2.4737118 3.2972882 4.1960599
## 20 1.7826314 2.4304799 1.3558691 2.5109635 2.1292683 3.4948185 4.7906961
## 21 2.3415987 1.5361058 1.3855934 3.0061162 2.8730158 4.0253638 5.2117203
## 22 0.9105215 3.1791002 1.2446052 1.8018934 1.9633184 2.6518077 3.6327546
## 23 1.5650618 3.8625786 2.3468224 1.0541697 0.9055228 1.4340828 2.7129693
## 24 1.4755338 4.2905328 2.4806625 1.3774870 0.8969834 1.8764580 3.0419793
## 25 1.4020764 1.8781376 0.8103955 1.8025465 2.1178047 2.5177018 3.6364924
## 26 1.5932774 2.2640290 0.8726339 2.3908937 2.4216207 3.4430174 4.4990173
## 27 0.6699782 3.5541523 1.6056050 1.1532185 1.1077058 2.0795864 3.1821530
## 28 1.3691358 1.8245633 0.5653250 2.0194606 2.0756970 2.8790380 4.0849316
## 29 2.1858380 2.1151019 1.4484350 2.7752968 3.2264171 3.4829609 4.2613091
## 30 2.4376478 4.4178666 2.7035239 3.2468431 3.1761944 4.0436672 4.8407690
## 31 3.1094646 3.0973812 2.5013102 4.2047696 3.8990035 5.1102713 6.3334132
## 32 2.4340808 3.3563759 2.2109144 3.3055418 2.7765933 4.3270812 5.5816578
## 33 2.4802890 3.6765887 2.3242338 3.4913527 3.1285376 4.4601045 5.5909900
## 34 4.6165003 5.8737919 4.7188648 5.4892793 4.7914201 6.2905923 7.5075949
## 15 16 17 18 19 20 21
## 2
## 3
## 4
## 5
## 6
## 7
## 8
## 9
## 10
## 11
## 12
## 13
## 14
## 15
## 16 2.3692418
## 17 0.9401861 3.2031140
## 18 2.1606408 3.4698852 2.3723735
## 19 2.1313542 2.1858744 2.6819711 1.7414762
## 20 2.6681123 1.5081770 3.1808249 3.9079193 2.6643490
## 21 3.0925880 1.9567456 3.6252185 4.2021612 3.1957069 1.0855558
## 22 1.3202183 1.7336913 2.0038833 1.9277024 1.2506892 2.0393573 2.3541903
## 23 1.5702758 2.4235126 1.7859001 3.5409439 2.9288456 2.4301812 3.1778627
## 24 1.6112308 2.2070434 1.9656580 3.0879988 2.2472263 2.4562697 3.3399112
## 25 1.7911669 2.1984923 2.1537538 3.3969094 2.9434647 1.7151482 1.6809620
## 26 2.2197758 1.4950813 2.8819521 2.9644351 2.0943297 1.4635040 1.3054023
## 27 0.9954150 1.5951568 1.7227260 2.3406000 1.5075577 1.9930952 2.6324066
## 28 2.0478974 1.8465814 2.4923153 3.4910928 2.7366277 1.1156495 1.1688313
## 29 2.3649876 2.7322908 2.8048996 2.8837987 2.8735879 2.6638094 2.1879314
## 30 2.7711756 2.4904910 3.3701642 1.9038850 0.8850716 3.0726833 3.3789408
## 31 4.0270169 2.7630925 4.5005769 4.2656507 2.9936166 2.0517525 1.9680388
## 32 3.3412761 1.7278969 3.9167124 3.9808574 2.4050405 1.2729600 1.8636585
## 33 3.2874595 2.0194306 3.8787598 3.3225424 1.8010071 1.9948424 2.3377859
## 34 5.4630972 4.0321127 5.9060222 5.5086001 3.8709982 3.8053804 4.4459234
## 22 23 24 25 26 27 28
## 2
## 3
## 4
## 5
## 6
## 7
## 8
## 9
## 10
## 11
## 12
## 13
## 14
## 15
## 16
## 17
## 18
## 19
## 20
## 21
## 22
## 23 2.3363160
## 24 2.0659753 0.9620007
## 25 1.7656811 2.0997848 2.5391789
## 26 1.1878594 2.8548039 2.7915617 1.5225104
## 27 0.9415564 1.5063298 1.1445655 1.8564505 1.7789824
## 28 1.6810442 2.1916689 2.4800012 0.6220421 1.1910275 1.7923699
## 29 1.7849807 3.4372869 3.5794029 1.6611741 1.4293754 2.5190889 1.8191755
## 30 1.6885921 3.7145984 3.0828086 3.3843504 2.2204040 2.2275160 3.1534846
## 31 2.8672814 4.2747816 4.0201494 3.2029147 2.1250757 3.3261300 2.6464965
## 32 2.3684594 3.2596933 2.9121025 2.8211320 1.8936552 2.4512192 2.2300533
## 33 2.0751368 3.6555306 3.1599226 3.0843165 1.8052739 2.4581730 2.5845698
## 34 4.5440789 5.2211633 4.5749628 5.3612912 4.4135795 4.5097354 4.7940040
## 29 30 31 32 33
## 2
## 3
## 4
## 5
## 6
## 7
## 8
## 9
## 10
## 11
## 12
## 13
## 14
## 15
## 16
## 17
## 18
## 19
## 20
## 21
## 22
## 23
## 24
## 25
## 26
## 27
## 28
## 29
## 30 2.8993105
## 31 3.1458271 2.9094723
## 32 3.2780900 2.6150961 1.4149586
## 33 3.0319338 1.7278504 1.3722842 1.0743140
## 34 5.7226410 3.9456134 3.0807814 2.6500442 2.7554401Menghitung jarak antar cluster awal dari data yang sudah distandarisasi menggunakan metode euclidean.
Korelasi Cophenetic
#Koefisien Korelasi Cophenetic
d1 <- dist(data_standar)
#korelasi cophenetic Single Linkage
hc1 <- hclust(d1, "single")
d2 <- cophenetic(hc1)
kor_single <- cor(d1,d2)
#korelasi cophenetic Average Linkage
hc2 <- hclust(d1, "ave")
d3 <- cophenetic(hc2)
kor_average <- cor(d1,d3)
#korelasi cophenetic Complete Linkage
hc3 <- hclust(d1, "complete")
d4 <- cophenetic(hc3)
kor_complete <- cor(d1,d4)
#korelasi cophenetic Centorid Linkage
hc4 <- hclust(d1, "centroid")
d5 <- cophenetic(hc4)
kor_centroid <- cor(d1,d5)
#korelasi cophenetic Ward
hc5 <- hclust(d1,"ward.D")
d6 <- cophenetic(hc5)
kor_ward <- cor(d1,d6)
KorCop<-data.frame(kor_single,kor_average,kor_complete,kor_centroid,kor_ward)Menghitung koefisien korelasi cohphenetic dengan berbagai metode clustering untuk melihat metode terbaik yang akan digunakan. Nilai yang paling mendekati 1 dipilih.
Indeks Validitas
inval <- clValid(data_standar, 2:5,clMethods = "hierarchical", validation = "internal", metric = "euclidean", method = "average")Menghitung indeks validitas : “Connectivity”,”Dunn”, dan “Silhouette” untuk melihat jumlah cluster terbaik dari 2-5 cluster dengan menggunakan jarak Euclidean dan metode average linkage.
Clustering
clustering <- hclust(jarak, method = "average")
anggota_cluster<- data.frame(id = data.kesehatan$PROVINSI, cutree(clustering, k = 2))
clus_hier <- eclust(data_standar, FUNcluster = "hclust", k = 2, hc_method = "average", graph = TRUE)Membentuk struktur hierarki clusrer menggunakan metode average linkage berdasarkan jarak Euclidean dari data yang telah distandarisasi.
idclus = clus_hier$cluster
karakteristik <- aggregate(data.kesehatan,list(idclus),mean)Mengambil nomor cluster untuk tiap provinsi, kemudian menyimpannya ke variabel idclus. Membuat sebuah tabel ringkasan yang menampilkan rata-rata indikator kesehatan untuk cluster 1 dan cluster 2.
Hasil dan Pembahasan
Statistika Deskriptif
stat.deskriptif## PROVINSI UHH ASI IMUN
## Length:34 Min. :64.82 Min. :39.64 Min. :20.71
## Class :character 1st Qu.:68.30 1st Qu.:57.84 1st Qu.:48.25
## Mode :character Median :69.86 Median :65.42 Median :57.33
## Mean :69.89 Mean :64.37 Mean :54.90
## 3rd Qu.:71.41 3rd Qu.:70.94 3rd Qu.:61.42
## Max. :74.92 Max. :79.05 Max. :79.72
## IKPS
## Min. :41.70
## 1st Qu.:60.27
## Median :64.00
## Mean :63.21
## 3rd Qu.:66.22
## Max. :79.94Berdasarkan data dari 34 provinsi, UHH memiliki nilai minimum 64.82 tahun dan maksimum 74.92 tahun dengan rata-rata 69.89 tahun, menunjukkan masih adanya kesenjangan kondisi kesehatan dasar antarwilayah. Variabel ASI eksklusif menunjukkan variasi yang cukup besar, dengan nilai terendah 39.64 persen dan tertinggi 79.05 persen, serta rata-rata sekitar 64.37 persen. Hal ini menggambarkan adanya perbedaan signifikan dalam praktik pemberian ASI antarprovinsi. Variabel imunisasi dasar lengkap bahkan memperlihatkan disparitas yang lebih mencolok, dengan cakupan terendah hanya 20.71 persen dan tertinggi 79.72 persen, serta nilai rata-rata 54.90 persen yang mengindikasikan masih lemahnya pemerataan akses imunisasi di beberapa wilayah. Sementara itu, indeks penanganan stunting juga bervariasi dari 41.70 hingga 79.94 dengan rata-rata 63.21, mencerminkan perbedaan tingkat keberhasilan intervensi penanganan stunting di tingkat provinsi. Secara keseluruhan, keempat variabel menunjukkan keragaman yang cukup besar antarprovinsi. Variabilitas ini penting dalam analisis clustering karena memberikan dasar yang kuat untuk membentuk kelompok provinsi dengan karakteristik kesehatan anak yang berbeda.
Uji Asumsi Cluster
Uji Kecukupan Sampel Menggunakan KMO
kmo## Kaiser-Meyer-Olkin factor adequacy
## Call: KMO(r = data.kesehatan[, 2:5])
## Overall MSA = 0.6
## MSA for each item =
## UHH ASI IMUN IKPS
## 0.68 0.72 0.60 0.57Uji KMO menunjukkan hasil untuk masing – masing variabel bernilai lebih dari 0.5, artinya sampel sudah cukup dan dapat dilakukan analisis cluster.
Uji Multikolinieritas
korelasi## UHH ASI IMUN IKPS
## UHH 1.00000000 0.07009846 0.3257641 0.5021511
## ASI 0.07009846 1.00000000 0.1709513 0.2380052
## IMUN 0.32576406 0.17095125 1.0000000 0.6968995
## IKPS 0.50215112 0.23800521 0.6968995 1.0000000Berdasarkan matriks korelasi menunjukkan bahwa seluruh pasangan variabel memiliki nilai korelasi di bawah 0.8, sehingga dapat disimpulkan bahwa tidak terjadi multikolinieritas antar variabel.
Koefisien Korelasi Cophenetic
KorCop## kor_single kor_average kor_complete kor_centroid kor_ward
## 1 0.6517322 0.7335429 0.5447685 0.6989821 0.4654827max(KorCop)## [1] 0.7335429Hasil perhitungan koefisien korelasi cophenetic menunjukkan bahwa metode Average Linkage memiliki nilai korelasi paling tinggi dibandingkan metode pengelompokan lainnya (Single, Complete, Centroid, dan Ward). Koefisien cophenetic yang tinggi menunjukkan bahwa struktur dendrogram yang terbentuk oleh metode tersebut paling mampu merepresentasikan jarak asli antar provinsi pada data hasil standarisasi. Sehingga metode ini dianggap paling tepat digunakan untuk pembentukan cluster pada studi ini.
Validasi Cluster Optimum
summary(inval)##
## Clustering Methods:
## hierarchical
##
## Cluster sizes:
## 2 3 4 5
##
## Validation Measures:
## 2 3 4 5
##
## hierarchical Connectivity 2.9290 9.9131 15.1940 21.2615
## Dunn 0.4184 0.1926 0.2191 0.2199
## Silhouette 0.4298 0.2609 0.2325 0.1744
##
## Optimal Scores:
##
## Score Method Clusters
## Connectivity 2.9290 hierarchical 2
## Dunn 0.4184 hierarchical 2
## Silhouette 0.4298 hierarchical 2plot(inval)
Berdasarkan hasil indeks connectivity, indeks Dunn, dan Indeks Silhouette terpilih jumlah cluster optimum adalah dua cluster dengan menggunakan metode average linkage dalam mengelompokkan indikator kesehatan setiap provinsi.
Keanggotaan Cluster dab Dendogram
fviz_dend(clus_hier, rect = TRUE, cex = 0.5)
Proses klasterisasi menggunakan metode Hierarchical Clustering dengan Average Linkage menghasilkan pembagian data ke dalam dua cluster utama. Struktur pengelompokan ini diperoleh dari dendrogram yang terbentuk berdasarkan jarak euclidean pada data provinsi yang telah distandarisasi. Dendrogram menunjukkan adanya pemisahan yang jelas pada dua kelompok besar, di mana Cluster 1 beranggotakan 33 provinsi, sedangkan Cluster 2 hanya terdiri atas satu provinsi, yaitu Papua. Pemisahan ini terjadi karena jarak antarprovinsi dalam ruang multivariat menunjukkan bahwa Papua berada pada posisi yang paling jauh dibandingkan provinsi lainnya, sehingga algoritma klasterisasi menempatkannya sebagai kelompok terpisah. Pemisahan yang sangat tegas antara Papua dan provinsi lainnya menunjukkan bahwa karakteristik indikator kesehatan anak di Papua memiliki pola yang sangat berbeda, sehingga jaraknya terhadap provinsi lain cukup besar.
Karakteristik Cluster
karakteristik## Group.1 PROVINSI UHH ASI IMUN IKPS
## 1 1 NA 70.01909 63.92485 55.51333 63.86121
## 2 2 NA 65.65000 79.05000 34.76000 41.70000Hasil pengelompokan dengan metode Average Linkage menghasilkan dua cluster dengan karakteristik yang berbeda. Cluster pertama, yang beranggotakan 33 provinsi, menunjukkan kondisi kesehatan anak yang relatif lebih baik dan stabil berdasarkan empat indikator yang dianalisis. Rata-rata Umur Harapan Hidup (UHH) pada cluster ini berada di angka 70.02 tahun, menunjukkan kualitas kesehatan umum yang cukup baik. Selain itu, persentase ASI eksklusif (63.92%) serta cakupan imunisasi lengkap (55.51%) berada pada kisaran menengah, dengan indeks penanganan stunting (IKPS) berada pada nilai yang cukup tinggi, yaitu 63.86. Secara keseluruhan, cluster pertama menggambarkan provinsi-provinsi dengan profil kesehatan anak yang relatif berimbang tanpa adanya nilai ekstrem.
Berbeda dengan itu, cluster kedua yang hanya beranggotakan satu provinsi yaitu Papua menunjukkan pola indikator yang sangat berbeda dari cluster pertama. Papua memiliki rata-rata UHH yang lebih rendah (65.65 tahun) dan nilai IKPS yang jauh lebih kecil (41.70), mengindikasikan upaya penanganan stunting yang masih tertinggal dibandingkan provinsi lain. Selain itu, cakupan imunisasi lengkap di Papua juga jauh lebih rendah (34.76%), yang menandakan adanya gap signifikan dalam layanan kesehatan dasar. Menariknya, Papua justru memiliki persentase ASI eksklusif paling tinggi (79.05%), jauh di atas rata-rata cluster pertama. Kombinasi nilai yang kontras inilah yang menyebabkan Papua membentuk cluster tersendiri, karena profil kesehatan anaknya tidak sejalan dengan pola nasional.
Secara keseluruhan, karakteristik ini menunjukkan bahwa Papua memiliki kondisi kesehatan anak yang sangat tidak seimbang, dengan satu indikator (ASI eksklusif) sangat tinggi, tetapi tiga indikator lainnya tertinggal cukup jauh. Ketidakteraturan pola inilah yang menyebabkan Papua dianggap berbeda secara struktural dibandingkan provinsi lainnya, sehingga secara statistik membentuk kelompoknya sendiri. Hasil ini menegaskan perlunya pendekatan kebijakan kesehatan yang lebih spesifik dan terarah untuk Papua, karena kebutuhannya berbeda dengan mayoritas provinsi lainnya.
Kesimpulan
Melalui analisis cluster hierarkis dengan metode Average Linkage, penelitian berhasil mengidentifikasi pola pengelompokan yang menggambarkan kondisi kesehatan anak pada tingkat provinsi. Hasil analisis menunjukkan bahwa struktur cluster terbaik terdiri dari dua kelompok, dengan Cluster 1 beranggotakan 33 provinsi dan Cluster 2 hanya terdiri dari satu provinsi yaitu Papua. Cluster 1 menggambarkan provinsi dengan kondisi kesehatan anak yang relatif stabil dan tidak menunjukkan nilai ekstrem pada keempat indikator. Sebaliknya, Papua membentuk cluster tersendiri karena memiliki pola indikator yang sangat berbeda, yaitu persentase ASI eksklusif yang sangat tinggi namun cakupan imunisasi lengkap, UHH, dan IKPS yang jauh lebih rendah dibandingkan provinsi lainnya. Ketimpangan pola ini membuat Papua secara statistik tidak sejalan dengan 33 provinsi lain sehingga berdiri sebagai kelompok yang unik. Secara keseluruhan, hasil penelitian ini menunjukkan bahwa ketimpangan kualitas kesehatan anak antarprovinsi masih cukup nyata, terutama ditunjukkan oleh kondisi Papua yang berbeda secara signifikan. Temuan ini memberikan masukan bahwa kebijakan kesehatan nasional perlu mempertimbangkan perbedaan karakteristik wilayah. Provinsi dengan kondisi relatif stabil membutuhkan penguatan program untuk meningkatkan cakupan layanan, sementara Papua memerlukan pendekatan yang lebih khusus dan terarah agar kesenjangan pada indikator dasar dapat dikurangi secara signifikan.
Daftar Pustaka
Badan Pusat Statistik. (2019). [Metode Baru] Umur Harapan Hidup Saat Lahir (UHH). Retrieved November 29, 2025, from Badan Pusat Statistik: https://www.bps.go.id/id/statistics-table/2/NDE0IzI=/-metode-baru--umur-harapan-hidup-saat-lahir--uhh---tahun-.html Badan Pusat Statistik. (2019). Indeks Khusus Penanganan Stunting Menurut Provinsi. Retrieved November 29, 2025, from Badan Pusat Statistik: https://www.bps.go.id/id/statistics-table/2/MTk0OSMy/indeks-khusus-penanganan-stunting-menurut-provinsi.html Badan Pusat Statistik. (2019). Persentase Anak Umur 12-23 Bulan yang Menerima Imunisasi Dasar Lengkap Menurut Provinsi (Persen). Retrieved November 29, 2025, from Badan Pusat Statistik: https://www.bps.go.id/id/statistics-table/2/MjI4MCMy/persentase-anak-umur-12-23-bulan-yang-menerima-imunisasi-dasar-lengkap-menurut-provinsi--persen-.html Badan Pusat Statistik. (2019). Persentase Bayi Usia Kurang Dari 6 Bulan Yang Mendapatkan Asi Eksklusif Menurut Provinsi (Persen). Retrieved November 29, 2025, from Badan Pusat Statistik: https://www.bps.go.id/id/statistics-table/2/MTM0MCMy/persentase-bayi-usia-kurang-dari-6-bulan-yang-mendapatkan-asi-eksklusif-menurut-provinsi--persen-.html