Persiapan Data

1.)Input Dataset dan inisiasi nama; 2.)Mengambil 38baris sesuai 38Provinsi; 3.)Mengambil hanya kolom numerik (kolom2-13); 4.)Dari cek missing value diketahui kolom13(Tenaga Kesehatan Tradisional) memiliki >50% data NAN, maka tersisa 11kolom.

data_raw <- read.csv("Tenaga_Kesehatan.csv", stringsAsFactors = FALSE)
library(knitr)
kable(data_raw, caption = "Data Tenaga Kesehatan Menurut Provinsi", align = "l")

Data Tenaga Kesehatan Menurut Provinsi
Provinsi	Perawat	Bidan	Kefarmasian	Tenaga.Kesehatan.Masyarakat	Tenaga.Kesehatan.Lingkungan	Tenaga.Gizi	Tenaga.Medis	Tenaga.Kesehatan.Psikologi.Klinis	Tenaga.Keterapian.Fisik	Tenaga.Keteknisan.Medis	Tenaga.Teknik.Biomedika	Tenaga.Kesehatan.Tradisional
Aceh	21	21	4	4	1	1	6	77	484	2	2	NA
Sumatera Utara	24	25	5	4	986	2	12	45	516	2	4	9
Sumatera Barat	12	9	3	2	641	1	5	31	380	2	2	2
Riau	13	10	4	2	487	770	6	60	466	1	2	2
Jambi	8	7	2	1	474	521	3	30	218	857	1	9
Sumatera Selatan	17	15	4	3	1	1	6	49	418	2	3	NA
Bengkulu	5	5	1	1	330	578	1	16	86	367	931	NA
Lampung	13	11	3	1	758	806	4	25	327	1	2	56
Kepulauan Bangka Belitung	4	2	1	479	156	247	1	20	114	402	585	NA
Kepulauan Riau	5	3	2	509	342	273	3	25	140	549	805	2
DKI Jakarta	39	7	13	1	743	1	28	333	2	5	8	166
Jawa Barat	74	33	26	4	2	3	33	263	2	9	12	40
Jawa Tengah	66	30	25	4	2	3	21	240	3	8	10	34
DI Yogyakarta	12	3	5	490	398	634	6	178	599	2	2	4
Jawa Timur	74	33	22	4	2	4	26	230	2	7	11	187
Banten	19	10	6	1	537	815	12	91	766	2	3	10
Bali	13	6	4	1	556	788	8	53	427	1	2	16
Nusa Tenggara Barat	13	8	3	1	622	1	3	29	284	2	2	2
Nusa Tenggara Timur	16	12	3	3	1	2	2	11	191	2	2	1
Kalimantan Barat	11	7	2	1	661	853	3	25	199	1	2	2
Kalimantan Tengah	8	5	2	738	322	584	2	25	145	617	1	NA
Kalimantan Selatan	10	6	3	1	657	1	3	57	265	2	2	3
Kalimantan Timur	11	5	4	1	390	496	4	41	406	950	2	6
Kalimantan Utara	3	1	708	356	126	144	744	6	51	223	357	NA
Sulawesi Utara	10	3	2	1	552	720	3	17	217	643	904	1
Sulawesi Tengah	9	7	2	3	714	688	2	32	135	570	1	2
Sulawesi Selatan	27	20	6	5	1	2	7	21	615	3	4	5
Sulawesi Tenggara	10	8	3	4	795	1	2	16	129	1	2	NA
Gorontalo	4	2	731	1	248	579	750	3	39	238	501	NA
Sulawesi Barat	4	4	692	947	278	340	665	1	57	182	353	NA
Maluku	7	4	946	2	661	747	1	11	63	246	825	NA
Maluku Utara	4	4	772	2	319	496	838	3	56	262	812	NA
Papua Barat	2	1	451	339	90	186	442	3	26	96	332	1
Papua Barat Daya	2	1	415	427	144	238	428	3	13	81	228	NA
Papua	4	2	963	661	240	333	928	2	41	159	789	NA
Papua Selatan	2	992	272	272	90	125	324	2	17	67	231	NA
Papua Tengah	3	1	501	492	196	150	523	4	21	97	404	NA
Papua Pegunungan	1	613	202	316	74	74	221	1	5	20	144	64
Indonesia	583	334	165	65	25	36	220	2	17	61	90	624
	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
Catatan	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1Tenaga medis terdiri atas dokter, dokter gigi, dokter spesialis, dan dokter gigi spesialis baik di dalam maupun di luar negari yang diakui oleh pemerintah RI sesuai dengan peraturan perundang-undangan (UU No.17 Tahun 2023 tentang Kesehatan)/ Medical worker includes doctor, dentist, medical specialist, and dentist specialist at home and abroad recognized by Indonesian government in accordance with the laws and regulations (Law No. 17 year 2023 regarding Health)	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA

data <- data_raw[1:38,]
data <- data[,2:12]
kable(data, caption = "Data Tenaga Kesehatan Menurut Provinsi", align = "l")

Data Tenaga Kesehatan Menurut Provinsi
Perawat	Bidan	Kefarmasian	Tenaga.Kesehatan.Masyarakat	Tenaga.Kesehatan.Lingkungan	Tenaga.Gizi	Tenaga.Medis	Tenaga.Kesehatan.Psikologi.Klinis	Tenaga.Keterapian.Fisik	Tenaga.Keteknisan.Medis	Tenaga.Teknik.Biomedika
21	21	4	4	1	1	6	77	484	2	2
24	25	5	4	986	2	12	45	516	2	4
12	9	3	2	641	1	5	31	380	2	2
13	10	4	2	487	770	6	60	466	1	2
8	7	2	1	474	521	3	30	218	857	1
17	15	4	3	1	1	6	49	418	2	3
5	5	1	1	330	578	1	16	86	367	931
13	11	3	1	758	806	4	25	327	1	2
4	2	1	479	156	247	1	20	114	402	585
5	3	2	509	342	273	3	25	140	549	805
39	7	13	1	743	1	28	333	2	5	8
74	33	26	4	2	3	33	263	2	9	12
66	30	25	4	2	3	21	240	3	8	10
12	3	5	490	398	634	6	178	599	2	2
74	33	22	4	2	4	26	230	2	7	11
19	10	6	1	537	815	12	91	766	2	3
13	6	4	1	556	788	8	53	427	1	2
13	8	3	1	622	1	3	29	284	2	2
16	12	3	3	1	2	2	11	191	2	2
11	7	2	1	661	853	3	25	199	1	2
8	5	2	738	322	584	2	25	145	617	1
10	6	3	1	657	1	3	57	265	2	2
11	5	4	1	390	496	4	41	406	950	2
3	1	708	356	126	144	744	6	51	223	357
10	3	2	1	552	720	3	17	217	643	904
9	7	2	3	714	688	2	32	135	570	1
27	20	6	5	1	2	7	21	615	3	4
10	8	3	4	795	1	2	16	129	1	2
4	2	731	1	248	579	750	3	39	238	501
4	4	692	947	278	340	665	1	57	182	353
7	4	946	2	661	747	1	11	63	246	825
4	4	772	2	319	496	838	3	56	262	812
2	1	451	339	90	186	442	3	26	96	332
2	1	415	427	144	238	428	3	13	81	228
4	2	963	661	240	333	928	2	41	159	789
2	992	272	272	90	125	324	2	17	67	231
3	1	501	492	196	150	523	4	21	97	404
1	613	202	316	74	74	221	1	5	20	144

str(data)

## 'data.frame':    38 obs. of  11 variables:
##  $ Perawat                          : int  21 24 12 13 8 17 5 13 4 5 ...
##  $ Bidan                            : int  21 25 9 10 7 15 5 11 2 3 ...
##  $ Kefarmasian                      : int  4 5 3 4 2 4 1 3 1 2 ...
##  $ Tenaga.Kesehatan.Masyarakat      : int  4 4 2 2 1 3 1 1 479 509 ...
##  $ Tenaga.Kesehatan.Lingkungan      : int  1 986 641 487 474 1 330 758 156 342 ...
##  $ Tenaga.Gizi                      : int  1 2 1 770 521 1 578 806 247 273 ...
##  $ Tenaga.Medis                     : int  6 12 5 6 3 6 1 4 1 3 ...
##  $ Tenaga.Kesehatan.Psikologi.Klinis: int  77 45 31 60 30 49 16 25 20 25 ...
##  $ Tenaga.Keterapian.Fisik          : int  484 516 380 466 218 418 86 327 114 140 ...
##  $ Tenaga.Keteknisan.Medis          : int  2 2 2 1 857 2 367 1 402 549 ...
##  $ Tenaga.Teknik.Biomedika          : int  2 4 2 2 1 3 931 2 585 805 ...

summary(data)

##     Perawat          Bidan         Kefarmasian    Tenaga.Kesehatan.Masyarakat
##  Min.   : 1.00   Min.   :  1.00   Min.   :  1.0   Min.   :  1.0              
##  1st Qu.: 4.00   1st Qu.:  3.25   1st Qu.:  3.0   1st Qu.:  1.0              
##  Median :10.00   Median :  7.00   Median :  4.5   Median :  3.5              
##  Mean   :15.26   Mean   : 50.95   Mean   :179.3   Mean   :160.1              
##  3rd Qu.:15.25   3rd Qu.: 11.75   3rd Qu.:254.5   3rd Qu.:333.2              
##  Max.   :74.00   Max.   :992.00   Max.   :963.0   Max.   :947.0              
##  Tenaga.Kesehatan.Lingkungan  Tenaga.Gizi      Tenaga.Medis  
##  Min.   :  1.0               Min.   :  1.00   Min.   :  1.0  
##  1st Qu.: 99.0               1st Qu.:  2.25   1st Qu.:  3.0  
##  Median :326.0               Median :242.50   Median :  6.0  
##  Mean   :357.8               Mean   :321.26   Mean   :159.9  
##  3rd Qu.:605.5               3rd Qu.:582.75   3rd Qu.:174.0  
##  Max.   :986.0               Max.   :853.00   Max.   :928.0  
##  Tenaga.Kesehatan.Psikologi.Klinis Tenaga.Keterapian.Fisik
##  Min.   :  1.00                    Min.   :  2.0          
##  1st Qu.:  7.25                    1st Qu.: 39.5          
##  Median : 25.00                    Median :137.5          
##  Mean   : 54.71                    Mean   :208.6          
##  3rd Qu.: 52.00                    3rd Qu.:366.8          
##  Max.   :333.00                    Max.   :766.0          
##  Tenaga.Keteknisan.Medis Tenaga.Teknik.Biomedika
##  Min.   :  1.0           Min.   :  1            
##  1st Qu.:  2.0           1st Qu.:  2            
##  Median : 14.5           Median :  6            
##  Mean   :175.8           Mean   :218            
##  3rd Qu.:244.0           3rd Qu.:356            
##  Max.   :950.0           Max.   :931

colSums(is.na(data))

##                           Perawat                             Bidan 
##                                 0                                 0 
##                       Kefarmasian       Tenaga.Kesehatan.Masyarakat 
##                                 0                                 0 
##       Tenaga.Kesehatan.Lingkungan                       Tenaga.Gizi 
##                                 0                                 0 
##                      Tenaga.Medis Tenaga.Kesehatan.Psikologi.Klinis 
##                                 0                                 0 
##           Tenaga.Keterapian.Fisik           Tenaga.Keteknisan.Medis 
##                                 0                                 0 
##           Tenaga.Teknik.Biomedika 
##                                 0

Analisis Awal

Tidak digunakan dalam analisis utama, hanya untuk melihat struktur varians data. 1.)Standarisasi data setiap variabel diubah menjadi rata-rata=0 dan simpangan baku=1, agar variabel besrkala besar tidak mendominasi PCA; 2.)Covariance dihitung dari data standar untuk mengetahui seberapa kuat hubungan antar jenis tenaga kesehatan; 3.)Eigen value merupakan komponen utama dengan nilai lebih dari satu dipertahankan dan nilai minimal 0,4; 4.)Boxplot menunjukkan banyaknya outlier, tapi dalam analisis ini masih menggunakan PCA secara general dan untuk outlier ada khusus RPCA.

data_scale = scale(data)
kable(data_scale, caption = "Data Tenaga Kesehatan Menurut Provinsi", align = "l")

Data Tenaga Kesehatan Menurut Provinsi
Perawat	Bidan	Kefarmasian	Tenaga.Kesehatan.Masyarakat	Tenaga.Kesehatan.Lingkungan	Tenaga.Gizi	Tenaga.Medis	Tenaga.Kesehatan.Psikologi.Klinis	Tenaga.Keterapian.Fisik	Tenaga.Keteknisan.Medis	Tenaga.Teknik.Biomedika
0.3114538	-0.1618297	-0.5736386	-0.6038207	-1.2740839	-1.0300908	-0.5441251	0.2729808	1.3257755	-0.6682368	-0.6798203
0.4743241	-0.1402145	-0.5703660	-0.6038207	2.2430605	-1.0268744	-0.5229109	-0.1189255	1.4797970	-0.6682368	-0.6735249
-0.1771572	-0.2266753	-0.5769111	-0.6115567	1.0111673	-1.0300908	-0.5476608	-0.2903845	0.8252056	-0.6682368	-0.6798203
-0.1228671	-0.2212715	-0.5736386	-0.6115567	0.4612787	1.4433120	-0.5441251	0.0647806	1.2391384	-0.6720813	-0.6798203
-0.3943176	-0.2374829	-0.5801836	-0.6154248	0.4148595	0.6424313	-0.5547322	-0.3026316	0.0454718	2.6188204	-0.6829680
0.0942933	-0.1942525	-0.5736386	-0.6076887	-1.2740839	-1.0300908	-0.5441251	-0.0699372	1.0081061	-0.6682368	-0.6766726
-0.5571880	-0.2482905	-0.5834561	-0.6154248	-0.0993220	0.8257654	-0.5618036	-0.4740906	-0.5898669	0.7350099	2.2443927
-0.1228671	-0.2158677	-0.5769111	-0.6154248	1.4289398	1.5591020	-0.5511965	-0.3638670	0.5701075	-0.6720813	-0.6798203
-0.6114781	-0.2645020	-0.5834561	1.2334961	-0.7206247	-0.2388592	-0.5618036	-0.4251023	-0.4550981	0.8695678	1.1552886
-0.5571880	-0.2590982	-0.5801836	1.3495371	-0.0564735	-0.1552331	-0.5547322	-0.3638670	-0.3299556	1.4347109	1.8477826
1.2886758	-0.2374829	-0.5441859	-0.6154248	1.3753792	-1.0300908	-0.4663398	3.4082314	-0.9941733	-0.6567032	-0.6609341
3.1888296	-0.0969841	-0.5016431	-0.6038207	-1.2705132	-1.0236580	-0.4486613	2.5509363	-0.9941733	-0.6413252	-0.6483433
2.7545088	-0.1131955	-0.5049156	-0.6038207	-1.2705132	-1.0236580	-0.4910897	2.2692536	-0.9893601	-0.6451697	-0.6546387
-0.1771572	-0.2590982	-0.5703660	1.2760445	0.1434860	1.0058832	-0.5441251	1.5099351	1.8792902	-0.6682368	-0.6798203
3.1888296	-0.0969841	-0.5147332	-0.6038207	-1.2705132	-1.0204416	-0.4734112	2.1467829	-0.9941733	-0.6490142	-0.6514910
0.2028736	-0.2212715	-0.5670935	-0.6154248	0.6398140	1.5880495	-0.5229109	0.4444398	2.6830899	-0.6682368	-0.6766726
-0.1228671	-0.2428867	-0.5736386	-0.6154248	0.7076574	1.5012070	-0.5370537	-0.0209489	1.0514247	-0.6720813	-0.6798203
-0.1228671	-0.2320791	-0.5769111	-0.6154248	0.9433239	-1.0300908	-0.5547322	-0.3148787	0.3631411	-0.6682368	-0.6798203
0.0400032	-0.2104639	-0.5769111	-0.6076887	-1.2740839	-1.0268744	-0.5582679	-0.5353260	-0.0844838	-0.6682368	-0.6798203
-0.2314473	-0.2374829	-0.5801836	-0.6154248	1.0825814	1.7102723	-0.5547322	-0.3638670	-0.0459785	-0.6720813	-0.6798203
-0.3943176	-0.2482905	-0.5801836	2.2353172	-0.1278876	0.8450638	-0.5582679	-0.3638670	-0.3058897	1.6961377	-0.6829680
-0.2857374	-0.2428867	-0.5769111	-0.6154248	1.0682986	-1.0300908	-0.5547322	0.0280394	0.2716909	-0.6682368	-0.6798203
-0.2314473	-0.2482905	-0.5736386	-0.6154248	0.1149203	0.5620216	-0.5511965	-0.1679138	0.9503481	2.9763599	-0.6798203
-0.6657682	-0.2699058	1.7302165	0.7577277	-0.8277458	-0.5701472	2.0652190	-0.5965614	-0.7583279	0.1814002	0.4376131
-0.2857374	-0.2590982	-0.5801836	-0.6154248	0.6933745	1.2824926	-0.5547322	-0.4618436	0.0406586	1.7960950	2.1594048
-0.3400275	-0.2374829	-0.5801836	-0.6076887	1.2718288	1.1795682	-0.5582679	-0.2781375	-0.3540214	1.5154456	-0.6829680
0.6371945	-0.1672335	-0.5670935	-0.5999526	-1.2740839	-1.0268744	-0.5405894	-0.4128553	1.9563010	-0.6643923	-0.6735249
-0.2857374	-0.2320791	-0.5769111	-0.6038207	1.5610559	-1.0300908	-0.5582679	-0.4740906	-0.3829005	-0.6720813	-0.6798203
-0.6114781	-0.2645020	1.8054845	-0.6154248	-0.3921198	0.8289818	2.0864332	-0.6333026	-0.8160859	0.2390679	0.8908819
-0.6114781	-0.2536944	1.6778562	3.0437366	-0.2849986	0.0602650	1.7858990	-0.6577967	-0.7294488	0.0237753	0.4250223
-0.4486078	-0.2536944	2.5090767	-0.6115567	1.0825814	1.3693351	-0.5618036	-0.5353260	-0.7005698	0.2698240	1.9107366
-0.6114781	-0.2536944	1.9396579	-0.6115567	-0.1385997	0.5620216	2.3975745	-0.6333026	-0.7342620	0.3313362	1.8698165
-0.7200583	-0.2699058	0.8891785	0.6919711	-0.9562912	-0.4350589	0.9974386	-0.6333026	-0.8786572	-0.3068527	0.3589206
-0.7200583	-0.2699058	0.7713678	1.0323582	-0.7634731	-0.2678067	0.9479389	-0.6333026	-0.9412284	-0.3645204	0.0315598
-0.6114781	-0.2645020	2.5647095	1.9374785	-0.4206854	0.0377502	2.7157872	-0.6455496	-0.8064596	-0.0646485	1.7974194
-0.7200583	5.0852635	0.3033972	0.4328128	-0.9562912	-0.6312586	0.5802264	-0.6455496	-0.9219757	-0.4183435	0.0410029
-0.6657682	-0.2699058	1.0528046	1.2837805	-0.5777965	-0.5508489	1.2838300	-0.6210555	-0.9027230	-0.3030082	0.5855550
-0.7743484	3.0372220	0.0743207	0.6030063	-1.0134225	-0.7952944	0.2160497	-0.6577967	-0.9797338	-0.5990356	-0.2328469

data_cov = cov(scale(data))
kable(data_cov, caption = "Data Tenaga Kesehatan Menurut Provinsi", align = "l")

Data Tenaga Kesehatan Menurut Provinsi
	Perawat	Bidan	Kefarmasian	Tenaga.Kesehatan.Masyarakat	Tenaga.Kesehatan.Lingkungan	Tenaga.Gizi	Tenaga.Medis	Tenaga.Kesehatan.Psikologi.Klinis	Tenaga.Keterapian.Fisik	Tenaga.Keteknisan.Medis	Tenaga.Teknik.Biomedika
Perawat	1.0000000	-0.1300632	-0.3449156	-0.3614376	-0.2157498	-0.3537037	-0.3379673	0.8456187	-0.0367492	-0.2995013	-0.3853765
Bidan	-0.1300632	1.0000000	0.0309971	0.0953984	-0.2378612	-0.1811718	0.0840626	-0.1227109	-0.2121202	-0.1305131	-0.0368505
Kefarmasian	-0.3449156	0.0309971	1.0000000	0.4028614	-0.1868143	0.0898443	0.8636873	-0.3462255	-0.4730986	0.0025985	0.5818651
Tenaga.Kesehatan.Masyarakat	-0.3614376	0.0953984	0.4028614	1.0000000	-0.2883224	-0.0181896	0.4777468	-0.2439764	-0.3005442	0.1450279	0.2867113
Tenaga.Kesehatan.Lingkungan	-0.2157498	-0.2378612	-0.1868143	-0.2883224	1.0000000	0.3849522	-0.3065639	-0.0577553	0.2772048	0.0749156	-0.1007136
Tenaga.Gizi	-0.3537037	-0.1811718	0.0898443	-0.0181896	0.3849522	1.0000000	-0.0304783	-0.2415989	0.2123368	0.3724006	0.2366158
Tenaga.Medis	-0.3379673	0.0840626	0.8636873	0.4777468	-0.3065639	-0.0304783	1.0000000	-0.3282850	-0.4585780	-0.0247873	0.4618531
Tenaga.Kesehatan.Psikologi.Klinis	0.8456187	-0.1227109	-0.3462255	-0.2439764	-0.0577553	-0.2415989	-0.3282850	1.0000000	-0.0228300	-0.2705053	-0.3723339
Tenaga.Keterapian.Fisik	-0.0367492	-0.2121202	-0.4730986	-0.3005442	0.2772048	0.2123368	-0.4585780	-0.0228300	1.0000000	-0.1374370	-0.4268518
Tenaga.Keteknisan.Medis	-0.2995013	-0.1305131	0.0025985	0.1450279	0.0749156	0.3724006	-0.0247873	-0.2705053	-0.1374370	1.0000000	0.3467604
Tenaga.Teknik.Biomedika	-0.3853765	-0.0368505	0.5818651	0.2867113	-0.1007136	0.2366158	0.4618531	-0.3723339	-0.4268518	0.3467604	1.0000000

data_eigen = eigen(data_cov)
data_eigen$values

##  [1] 3.5858033 2.2627688 1.2438903 1.0116230 0.8145284 0.6175847 0.5849378
##  [8] 0.3938078 0.2667156 0.1227123 0.0956282

data_eigen$vectors

##              [,1]       [,2]        [,3]        [,4]        [,5]         [,6]
##  [1,]  0.35316688 -0.3612052 -0.37170019 -0.02960520  0.04744833 -0.033081603
##  [2,] -0.07614987 -0.2058978  0.59746353 -0.37412269  0.49463516 -0.266481531
##  [3,] -0.43566054 -0.1449990 -0.14309811  0.36964507  0.14394537 -0.009257167
##  [4,] -0.32646380 -0.1249120  0.08219773 -0.11386657 -0.58914162 -0.607253511
##  [5,]  0.11203632  0.4525012 -0.07518883  0.27639382  0.39625514 -0.369691809
##  [6,] -0.10360297  0.4821338 -0.20892539  0.02373193  0.12526164 -0.399326278
##  [7,] -0.42565434 -0.2158043 -0.04211642  0.33519365 -0.01296780 -0.027074844
##  [8,]  0.34076788 -0.3034006 -0.39974528 -0.01058452  0.05408908 -0.397073075
##  [9,]  0.26825616  0.3411363  0.27692683  0.27382036 -0.38464734  0.137141600
## [10,] -0.16577563  0.3086182 -0.30681966 -0.65894877 -0.13047526  0.088371509
## [11,] -0.39123220  0.0552830 -0.30974625 -0.10458506  0.21094270  0.279105273
##              [,7]        [,8]        [,9]       [,10]       [,11]
##  [1,]  0.18305996 -0.03131303 -0.07703804  0.50713115 -0.55209817
##  [2,]  0.24184093  0.01669182 -0.26894605  0.06985004 -0.05677866
##  [3,]  0.11931871 -0.19833814 -0.18967397  0.54037607  0.47926734
##  [4,] -0.17119212  0.26995448 -0.02405127  0.16966997 -0.10345584
##  [5,] -0.54339543  0.01722436 -0.25725204  0.09540011 -0.18999584
##  [6,]  0.63147156 -0.03148217  0.36323223 -0.02623134 -0.07124098
##  [7,]  0.09608818 -0.39195096 -0.23297636 -0.47147488 -0.46668195
##  [8,]  0.11722364  0.07699307 -0.32927735 -0.41046542  0.41803065
##  [9,]  0.36854124  0.10636698 -0.58279057  0.07568167 -0.02698249
## [10,] -0.06741602 -0.43163658 -0.35873611  0.06194977  0.02652718
## [11,]  0.08415172  0.72667880 -0.23669436 -0.08378310 -0.12812647

boxplot(data, las = 2, col = "lightblue", main = "Boxplot Jumlah Tenaga Kesehatan per Provinsi 2025")

# Uji Kelayakan Analisis Faktor 1.)Matriks Korelasi Berdasarkan matriks korelasi antar variabel tenaga kesehatan, terdapat 8 dari 55 korelasi (14,5%) yang signifikan pada tingkat 0,01.

mat_corr = round(cor(data),3)
library(knitr)
kable(mat_corr, caption = "Matriks Korelasi Variabel Tenaga Kesehatan")

Matriks Korelasi Variabel Tenaga Kesehatan
	Perawat	Bidan	Kefarmasian	Tenaga.Kesehatan.Masyarakat	Tenaga.Kesehatan.Lingkungan	Tenaga.Gizi	Tenaga.Medis	Tenaga.Kesehatan.Psikologi.Klinis	Tenaga.Keterapian.Fisik	Tenaga.Keteknisan.Medis	Tenaga.Teknik.Biomedika
Perawat	1.000	-0.130	-0.345	-0.361	-0.216	-0.354	-0.338	0.846	-0.037	-0.300	-0.385
Bidan	-0.130	1.000	0.031	0.095	-0.238	-0.181	0.084	-0.123	-0.212	-0.131	-0.037
Kefarmasian	-0.345	0.031	1.000	0.403	-0.187	0.090	0.864	-0.346	-0.473	0.003	0.582
Tenaga.Kesehatan.Masyarakat	-0.361	0.095	0.403	1.000	-0.288	-0.018	0.478	-0.244	-0.301	0.145	0.287
Tenaga.Kesehatan.Lingkungan	-0.216	-0.238	-0.187	-0.288	1.000	0.385	-0.307	-0.058	0.277	0.075	-0.101
Tenaga.Gizi	-0.354	-0.181	0.090	-0.018	0.385	1.000	-0.030	-0.242	0.212	0.372	0.237
Tenaga.Medis	-0.338	0.084	0.864	0.478	-0.307	-0.030	1.000	-0.328	-0.459	-0.025	0.462
Tenaga.Kesehatan.Psikologi.Klinis	0.846	-0.123	-0.346	-0.244	-0.058	-0.242	-0.328	1.000	-0.023	-0.271	-0.372
Tenaga.Keterapian.Fisik	-0.037	-0.212	-0.473	-0.301	0.277	0.212	-0.459	-0.023	1.000	-0.137	-0.427
Tenaga.Keteknisan.Medis	-0.300	-0.131	0.003	0.145	0.075	0.372	-0.025	-0.271	-0.137	1.000	0.347
Tenaga.Teknik.Biomedika	-0.385	-0.037	0.582	0.287	-0.101	0.237	0.462	-0.372	-0.427	0.347	1.000

library(sjPlot)
tab_corr(data)

	Perawat	Bidan	Kefarmasian	Tenaga.Kesehatan.Masyarakat	Tenaga.Kesehatan.Lingkungan	Tenaga.Gizi	Tenaga.Medis	Tenaga.Kesehatan.Psikologi.Klinis	Tenaga.Keterapian.Fisik	Tenaga.Keteknisan.Medis	Tenaga.Teknik.Biomedika
Perawat		-0.130	-0.345*	-0.361*	-0.216	-0.354*	-0.338*	0.846***	-0.037	-0.300	-0.385*
Bidan	-0.130		0.031	0.095	-0.238	-0.181	0.084	-0.123	-0.212	-0.131	-0.037
Kefarmasian	-0.345*	0.031		0.403*	-0.187	0.090	0.864***	-0.346*	-0.473**	0.003	0.582***
Tenaga.Kesehatan.Masyarakat	-0.361*	0.095	0.403*		-0.288	-0.018	0.478**	-0.244	-0.301	0.145	0.287
Tenaga.Kesehatan.Lingkungan	-0.216	-0.238	-0.187	-0.288		0.385*	-0.307	-0.058	0.277	0.075	-0.101
Tenaga.Gizi	-0.354*	-0.181	0.090	-0.018	0.385*		-0.030	-0.242	0.212	0.372*	0.237
Tenaga.Medis	-0.338*	0.084	0.864***	0.478**	-0.307	-0.030		-0.328*	-0.459**	-0.025	0.462**
Tenaga.Kesehatan.Psikologi.Klinis	0.846***	-0.123	-0.346*	-0.244	-0.058	-0.242	-0.328*		-0.023	-0.271	-0.372*
Tenaga.Keterapian.Fisik	-0.037	-0.212	-0.473**	-0.301	0.277	0.212	-0.459**	-0.023		-0.137	-0.427**
Tenaga.Keteknisan.Medis	-0.300	-0.131	0.003	0.145	0.075	0.372*	-0.025	-0.271	-0.137		0.347*
Tenaga.Teknik.Biomedika	-0.385*	-0.037	0.582***	0.287	-0.101	0.237	0.462**	-0.372*	-0.427**	0.347*
Computed correlation used pearson-method with listwise-deletion.

2.)Measures of Sampling Adequacy Ukuran kecukupan sample untuk mengukur tingkat interkorelasi di antara variabe dan kesesuaian analisis faktoreksploratori. Nilai MSA harus di atas 0.50 sebelum melanjutkan analisis faktor. Dari KMO pertama didapat MSA kecil pada variable ke-2 bidan 0.39 diikuti variabel ke-5 Tenaga Kesehatan Lingkungan 0.48. Setelah mereduksi bertahap variabel ke-2 dan menjalankan ulang didapat MSA normal dengan overal 0.66. Untuk menjalankan perlu melakukan Instalasi Packages: install.packages(“sjPlot”)

library(psych)
library(GPArotation)

## 
## Attaching package: 'GPArotation'

## The following objects are masked from 'package:psych':
## 
##     equamax, varimin

KMO(mat_corr)

## Kaiser-Meyer-Olkin factor adequacy
## Call: KMO(r = mat_corr)
## Overall MSA =  0.64
## MSA for each item = 
##                           Perawat                             Bidan 
##                              0.57                              0.39 
##                       Kefarmasian       Tenaga.Kesehatan.Masyarakat 
##                              0.68                              0.70 
##       Tenaga.Kesehatan.Lingkungan                       Tenaga.Gizi 
##                              0.48                              0.65 
##                      Tenaga.Medis Tenaga.Kesehatan.Psikologi.Klinis 
##                              0.70                              0.62 
##           Tenaga.Keterapian.Fisik           Tenaga.Keteknisan.Medis 
##                              0.66                              0.58 
##           Tenaga.Teknik.Biomedika 
##                              0.79

data_reduksi = data[, -2]
mat_corr_red <- cor(data_reduksi)
KMO(mat_corr_red)

## Kaiser-Meyer-Olkin factor adequacy
## Call: KMO(r = mat_corr_red)
## Overall MSA =  0.66
## MSA for each item = 
##                           Perawat                       Kefarmasian 
##                              0.59                              0.67 
##       Tenaga.Kesehatan.Masyarakat       Tenaga.Kesehatan.Lingkungan 
##                              0.71                              0.52 
##                       Tenaga.Gizi                      Tenaga.Medis 
##                              0.62                              0.70 
## Tenaga.Kesehatan.Psikologi.Klinis           Tenaga.Keterapian.Fisik 
##                              0.61                              0.74 
##           Tenaga.Keteknisan.Medis           Tenaga.Teknik.Biomedika 
##                              0.61                              0.80

3.)Barlett Test Uji Barlett menggunakan function dari prof.Shigenobu Aoki yang dilakukan untuk mengetahui adanya korelasi antar variabel. Uji Bartlett yang signifikan secara statistik <0,5. Didapatkan p-value < 2.2e-16 yang berarti terdapat korelasi yang signifikan antar variabel.

uji_bartlett <- function(x)
{
  method <- "Bartlett's test of sphericity"
  data.name <- deparse(substitute(x))
  x <- subset(x, complete.cases(x))
  n <- nrow(x)
  p <- ncol(x)
  chisq <- (1-n+(2*p+5)/6) * log(det(cor(x)))
  df <- p*(p-1)/2
  p.value <- pchisq(chisq, df, lower.tail=FALSE)
  names(chisq) <- "khi-squared"
  names(df) <- "df"
  result <- list(
    statistic = chisq,
    parameter = df,
    p.value = p.value,
    method = method,
    data.name = data.name
  )
  
  class(result) <- "htest"
  return(result)
}

uji_bartlett(mat_corr_red)

## 
##  Bartlett's test of sphericity
## 
## data:  mat_corr_red
## khi-squared = 245.67, df = 45, p-value < 2.2e-16

4.)Partial Correlation Matrix korelasi parsial menunjukkan bahwa hanya dua pasangan variabel yang memiliki nilai lebih besar dari 0,50, yaitu antara Perawat dengan Tenaga Kesehatan Psikologi Klinis (0,786) serta antara Kefarmasian dengan Tenaga Medis (0,757). Sementara itu, sebagian besar nilai korelasi parsial lainnya berada di bawah 0,50. Secara kolektif, temuan ini menunjukkan bahwa struktur korelasi data masih memadai dan kumpulan variabel yang digunakan sesuai untuk dilakukan analisis faktor.

library(ppcor)

## Loading required package: MASS

parsial_corr <- pcor(data)
mat_parsial <- round(parsial_corr$estimate,3)
kable(mat_parsial, caption = "Matriks Korelasi Parsial Variabel Tenaga Kesehatan")

Matriks Korelasi Parsial Variabel Tenaga Kesehatan
	Perawat	Bidan	Kefarmasian	Tenaga.Kesehatan.Masyarakat	Tenaga.Kesehatan.Lingkungan	Tenaga.Gizi	Tenaga.Medis	Tenaga.Kesehatan.Psikologi.Klinis	Tenaga.Keterapian.Fisik	Tenaga.Keteknisan.Medis	Tenaga.Teknik.Biomedika
Perawat	1.000	-0.248	0.075	-0.393	-0.440	-0.132	-0.167	0.786	-0.178	-0.085	-0.139
Bidan	-0.248	1.000	-0.062	-0.086	-0.275	-0.013	-0.061	0.027	-0.312	-0.201	-0.141
Kefarmasian	0.075	-0.062	1.000	0.008	0.106	0.184	0.757	-0.117	-0.177	-0.219	0.335
Tenaga.Kesehatan.Masyarakat	-0.393	-0.086	0.008	1.000	-0.311	-0.042	0.132	0.253	-0.131	0.078	-0.061
Tenaga.Kesehatan.Lingkungan	-0.440	-0.275	0.106	-0.311	1.000	0.235	-0.246	0.259	-0.107	-0.097	-0.152
Tenaga.Gizi	-0.132	-0.013	0.184	-0.042	0.235	1.000	-0.092	0.113	0.287	0.327	0.135
Tenaga.Medis	-0.167	-0.061	0.757	0.132	-0.246	-0.092	1.000	0.049	-0.103	-0.052	-0.139
Tenaga.Kesehatan.Psikologi.Klinis	0.786	0.027	-0.117	0.253	0.259	0.113	0.049	1.000	-0.076	-0.093	-0.021
Tenaga.Keterapian.Fisik	-0.178	-0.312	-0.177	-0.131	-0.107	0.287	-0.103	-0.076	1.000	-0.293	-0.289
Tenaga.Keteknisan.Medis	-0.085	-0.201	-0.219	0.078	-0.097	0.327	-0.052	-0.093	-0.293	1.000	0.213
Tenaga.Teknik.Biomedika	-0.139	-0.141	0.335	-0.061	-0.152	0.135	-0.139	-0.021	-0.289	0.213	1.000

Analisis Utama

1.)A priori criterion Berdasarkan kriteria Kaiser (eigenvalue > 1), diperoleh empat komponen utama yang dipertahankan. Komponen pertama memiliki eigenvalue sebesar 3,59 dan mampu menjelaskan 32,6% variansi, komponen kedua sebesar 2,26 (20,6%), komponen ketiga sebesar 1,24 (11,3%), dan komponen keempat sebesar 1,01 (9,2%). Secara kumulatif, keempat komponen tersebut mampu menjelaskan 73,7% total variansi data. Untuk menjalankan perlu melakukan Instalasi Packages: install.packages(“psych”, dependencies = TRUE)

pca = prcomp(data, scale. = TRUE)
eigenvalues = pca$sdev^2
prop_var = eigenvalues / sum(eigenvalues) * 100
cum_var = cumsum(prop_var)
tabel_eigen <- data.frame(
  Component = 1:length(eigenvalues),
  Total = round(eigenvalues, 2),
  `Percent of Variance` = round(prop_var, 1),
  `Cumulative Percent` = round(cum_var, 1)
)

kable(tabel_eigen, caption = "Eigenvalues dan Persentase Variansi PCA Tenaga Kesehatan")

Eigenvalues dan Persentase Variansi PCA Tenaga Kesehatan
Component	Total	Percent.of.Variance	Cumulative.Percent
1	3.59	32.6	32.6
2	2.26	20.6	53.2
3	1.24	11.3	64.5
4	1.01	9.2	73.7
5	0.81	7.4	81.1
6	0.62	5.6	86.7
7	0.58	5.3	92.0
8	0.39	3.6	95.6
9	0.27	2.4	98.0
10	0.12	1.1	99.1
11	0.10	0.9	100.0

2.)Scree Test Uji Scree menunjukkan tiga komponen valid dengan mempertimbangkan perubahan nilai eigen(titik belok) untuk analisis lebih lanjut Untuk menjalankan perlu melakukan Instalasi Packages: install.packages(“ppcor”, dependencies = TRUE)

library(factoextra)

## Loading required package: ggplot2

## 
## Attaching package: 'ggplot2'

## The following objects are masked from 'package:psych':
## 
##     %+%, alpha

## The following object is masked from 'package:sjPlot':
## 
##     set_theme

## Welcome! Want to learn more? See two factoextra-related books at https://goo.gl/ve3WBa

eig.val <-get_eigenvalue(pca)
eig.val

##        eigenvalue variance.percent cumulative.variance.percent
## Dim.1   3.5858033       32.5982116                    32.59821
## Dim.2   2.2627688       20.5706251                    53.16884
## Dim.3   1.2438903       11.3080934                    64.47693
## Dim.4   1.0116230        9.1965726                    73.67350
## Dim.5   0.8145284        7.4048039                    81.07831
## Dim.6   0.6175847        5.6144063                    86.69271
## Dim.7   0.5849378        5.3176160                    92.01033
## Dim.8   0.3938078        3.5800705                    95.59040
## Dim.9   0.2667156        2.4246871                    98.01509
## Dim.10  0.1227123        1.1155664                    99.13065
## Dim.11  0.0956282        0.8693473                   100.00000

plot(eig.val$eigenvalue,xlab = 'Eigenvalue number', ylab = 'Eigenvalue size', 
     main = 'Scree Plot Penelitian',   type = "b")
abline(h = 1, col = 'red', lty = 7)

Menentukan PC

Nilai komunalitas yang sebelumnya diambil hanya 3PC tidak ada yang menyentuh 0.5, tetapi setelah diambil 4PC menjadi naik terutama Tenaga Keteknisan Medis (h² = 0,65) dan Bidan (h² = 0,55). Hal ini menunjukkan bahwa model empat faktor lebih mampu menjelaskan variasi masing-masing variabel dibandingkan model tiga faktor. Untuk menjalankan perlu melakukan Instalasi Packages: install.packages(“factoextra”)

scores_reduced <- pca$x[, 1:4]
loadings_4 <- pca$rotation[, 1:4]
h2_4 <- rowSums(loadings_4^2)
tabel_pca_4 <- cbind(round(loadings_4, 2), h2 = round(h2_4, 2))
kable(tabel_pca_4, caption = "Matriks Loading PCA (PC1–PC4) dan Komunalitas (h²)")

Matriks Loading PCA (PC1–PC4) dan Komunalitas (h²)
	PC1	PC2	PC3	PC4	h2
Perawat	-0.35	0.36	-0.37	-0.03	0.39
Bidan	0.08	0.21	0.60	-0.37	0.55
Kefarmasian	0.44	0.14	-0.14	0.37	0.37
Tenaga.Kesehatan.Masyarakat	0.33	0.12	0.08	-0.11	0.14
Tenaga.Kesehatan.Lingkungan	-0.11	-0.45	-0.08	0.28	0.30
Tenaga.Gizi	0.10	-0.48	-0.21	0.02	0.29
Tenaga.Medis	0.43	0.22	-0.04	0.34	0.34
Tenaga.Kesehatan.Psikologi.Klinis	-0.34	0.30	-0.40	-0.01	0.37
Tenaga.Keterapian.Fisik	-0.27	-0.34	0.28	0.27	0.34
Tenaga.Keteknisan.Medis	0.17	-0.31	-0.31	-0.66	0.65
Tenaga.Teknik.Biomedika	0.39	-0.06	-0.31	-0.10	0.26

Faktor Analisis

variansi PC sebelum di rotasi

eigenvalues_4 <- pca$sdev[1:4]^2
ss_loadings    <- colSums(loadings_4^2)
prop_var       <- ss_loadings / ncol(data)
cum_var        <- cumsum(prop_var)
prop_explained <- ss_loadings / sum(eigenvalues_4)
cum_proportion <- cumsum(prop_explained)

summary_tabel <- rbind(
  "SS loadings"        = round(ss_loadings,    2),
  "Proportion Var"     = round(prop_var,        2),
  "Cumulative Var"     = round(cum_var,          2),
  "Proportion Explained" = round(prop_explained, 2),
  "Cumulative Proportion" = round(cum_proportion, 2)
)
colnames(summary_tabel) <- paste0("PC", 1:4)

kable(summary_tabel, caption = "Ringkasan Varians PCA (Tanpa Rotasi, 4 PC)")

Ringkasan Varians PCA (Tanpa Rotasi, 4 PC)
	PC1	PC2	PC3	PC4
SS loadings	1.00	1.00	1.00	1.00
Proportion Var	0.09	0.09	0.09	0.09
Cumulative Var	0.09	0.18	0.27	0.36
Proportion Explained	0.12	0.12	0.12	0.12
Cumulative Proportion	0.12	0.25	0.37	0.49

Penyederhanaan maksimum tercapai jika hanya terdapat angka 1 dan 0 dalam sebuah kolom. VARIMAX memaksimalkan jumlah varians dari muatan yang dibutuhkan matriks vaktor

library(psych)
fa_pca <- principal(data, nfactors = 4, rotate = "varimax", scores = TRUE)
loadings_varimax <- fa_pca$loadings
h2_varimax       <- fa_pca$communality
tabel_varimax <- cbind(round(unclass(loadings_varimax), 2), h2 = round(h2_varimax, 2))

kable(tabel_varimax, caption = "Matriks Loading PCA Dirotasi Varimax (RC1–RC4) dan Komunalitas (h²)")

Matriks Loading PCA Dirotasi Varimax (RC1–RC4) dan Komunalitas (h²)
	RC1	RC3	RC2	RC4	h2
Perawat	-0.22	-0.92	-0.07	-0.15	0.92
Bidan	-0.09	0.30	-0.77	-0.06	0.70
Kefarmasian	0.92	0.20	0.05	-0.09	0.89
Tenaga.Kesehatan.Masyarakat	0.51	0.25	-0.30	0.15	0.44
Tenaga.Kesehatan.Lingkungan	-0.32	0.25	0.65	-0.01	0.59
Tenaga.Gizi	-0.03	0.37	0.58	0.38	0.62
Tenaga.Medis	0.89	0.20	-0.09	-0.15	0.87
Tenaga.Kesehatan.Psikologi.Klinis	-0.22	-0.87	0.01	-0.12	0.82
Tenaga.Keterapian.Fisik	-0.63	0.26	0.37	-0.31	0.69
Tenaga.Keteknisan.Medis	0.01	0.17	0.09	0.91	0.87
Tenaga.Teknik.Biomedika	0.66	0.19	0.10	0.45	0.69

Variasi PCA setelah di rotasi Varimax Menunjukkan intrepetasi yang lebih mudah dipahami, variansi yang tadinya mirip menjadi “dipusatkan” ke faktor yang memang dominan.

ss_rc       <- colSums(unclass(loadings_varimax)^2)
prop_rc     <- ss_rc / ncol(data)
cum_rc      <- cumsum(prop_rc)
prop_exp_rc <- ss_rc / sum(ss_rc)
cum_prop_rc <- cumsum(prop_exp_rc)

summary_varimax <- rbind(
  "SS loadings"           = round(ss_rc,       2),
  "Proportion Var"        = round(prop_rc,     2),
  "Cumulative Var"        = round(cum_rc,      2),
  "Proportion Explained"  = round(prop_exp_rc, 2),
  "Cumulative Proportion" = round(cum_prop_rc, 2)
)
colnames(summary_varimax) <- paste0("RC", 1:4)

kable(summary_varimax, caption = "Ringkasan Varians PCA Dirotasi Varimax (RC1–RC4)")

Ringkasan Varians PCA Dirotasi Varimax (RC1–RC4)
	RC1	RC2	RC3	RC4
SS loadings	2.94	2.17	1.63	1.37
Proportion Var	0.27	0.20	0.15	0.12
Cumulative Var	0.27	0.46	0.61	0.74
Proportion Explained	0.36	0.27	0.20	0.17
Cumulative Proportion	0.36	0.63	0.83	1.00

loadings_4 <- pca$rotation[, 1:4]
h2_4 <- rowSums(loadings_4^2)
loadings_4 <- round(loadings_4, 2)
loadings_4[abs(loadings_4) < 0.40] <- NA
dominan <- apply(abs(pca$rotation[, 1:4]), 1, which.max)
loadings_sorted <- loadings_4[order(dominan), ]
h2_sorted <- round(h2_4[order(dominan)], 2)
tabel_pca_4 <- cbind(loadings_sorted, h2 = h2_sorted)

kable(tabel_pca_4, caption = "Simplified PCA Loading Matrix", na = " ")

Simplified PCA Loading Matrix
	PC1	PC2	PC3	PC4	h2
Kefarmasian	0.44	NA	NA	NA	0.37
Tenaga.Kesehatan.Masyarakat	NA	NA	NA	NA	0.14
Tenaga.Medis	0.43	NA	NA	NA	0.34
Tenaga.Teknik.Biomedika	NA	NA	NA	NA	0.26
Tenaga.Kesehatan.Lingkungan	NA	-0.45	NA	NA	0.30
Tenaga.Gizi	NA	-0.48	NA	NA	0.29
Tenaga.Keterapian.Fisik	NA	NA	NA	NA	0.34
Perawat	NA	NA	NA	NA	0.39
Bidan	NA	NA	0.6	NA	0.55
Tenaga.Kesehatan.Psikologi.Klinis	NA	NA	-0.4	NA	0.37
Tenaga.Keteknisan.Medis	NA	NA	NA	-0.66	0.65

fa_pca <- principal(data, nfactors = 4, rotate = "varimax", scores = TRUE)
load_mat <- as.matrix(fa_pca$loadings)
h2_varimax <- fa_pca$communality
load_asli <- load_mat
load_mat <- round(load_mat, 2)
load_mat[abs(load_mat) < 0.40] <- NA
dominan <- apply(abs(load_asli), 1, which.max)
load_sorted <- load_mat[order(dominan), ]
h2_sorted <- round(h2_varimax[order(dominan)], 2)
tabel_varimax <- cbind(load_sorted, h2 = h2_sorted)

kable(tabel_varimax, caption = "Simplified Rotated Factor-Loading Matrix ", na = "")

Simplified Rotated Factor-Loading Matrix
	RC1	RC3	RC2	RC4	h2
Kefarmasian	0.92	NA	NA	NA	0.89
Tenaga.Kesehatan.Masyarakat	0.51	NA	NA	NA	0.44
Tenaga.Medis	0.89	NA	NA	NA	0.87
Tenaga.Keterapian.Fisik	-0.63	NA	NA	NA	0.69
Tenaga.Teknik.Biomedika	0.66	NA	NA	0.45	0.69
Perawat	NA	-0.92	NA	NA	0.92
Tenaga.Kesehatan.Psikologi.Klinis	NA	-0.87	NA	NA	0.82
Bidan	NA	NA	-0.77	NA	0.70
Tenaga.Kesehatan.Lingkungan	NA	NA	0.65	NA	0.59
Tenaga.Gizi	NA	NA	0.58	NA	0.62
Tenaga.Keteknisan.Medis	NA	NA	NA	0.91	0.87

Interpreting the Faktor

#Faktor Pelayanan dan Teknologi Medis (RC1) Kefarmasian, Tenaga Kesehatan Masyarakat, Tenaga Medis, Tenaga Keterapian Fisik, Tenaga Teknik Biomedika #Faktor Pelayanan Rawat dan Psikologis (RC2) Perawat dan Tenaga Kesehatan psikologika Klinik #Faktor Kesehatan Preventif dan Komunitas (RC3) Bidan, Tenaga Kesehatan Lingkungan dan Tenaga Gizi #Faktor Spesialis Teknis Medis (RC4) Tenaga Keteknisan Medis dan Tenaga Teknik Biomedika

Implementasi PCA dan FA Pada Jumlah Tenaga Kesehatan Menurut Provinsi 2025

Sabrina Miftakhul Jana(148) - Ayu Satiti(204)

2026-03-02