1. Sumber Data

Dataset yang digunakan berasal dari Badan Pusat Statistik (BPS) Provinsi Banten yang berisi informasi mengenai jumlah fasilitas kesehatan pada setiap Kabupaten/Kota di Provinsi Banten.

Sumber Data:

https://share.google/FP8VHMkRlYhQ1pXsP

Dataset ini memuat informasi mengenai jumlah Rumah Sakit Umum dan Puskesmas Non Rawat Inap pada masing-masing wilayah Kabupaten/Kota di Provinsi Banten.

2. Load Library dan Data

library(ggplot2)
library(knitr)

data_banten <- data.frame(
  Daerah = c("Pandeglang","Lebak","Tangerang","Serang",
             "Kota Tangerang","Kota Cilegon","Kota Serang","Kota Tangerang Selatan"),
  Status = c("Kabupaten","Kabupaten","Kabupaten","Kabupaten",
             "Kota","Kota","Kota","Kota"),
  Rumah_Sakit_Umum = c(5,5,25,9,29,5,12,21),
  Puskesmas_Non_Rawat_Inap = c(27,18,37,16,39,9,16,26)
)

kable(data_banten, caption = "Data Fasilitas Kesehatan di Provinsi Banten")
Data Fasilitas Kesehatan di Provinsi Banten
Daerah Status Rumah_Sakit_Umum Puskesmas_Non_Rawat_Inap
Pandeglang Kabupaten 5 27
Lebak Kabupaten 5 18
Tangerang Kabupaten 25 37
Serang Kabupaten 9 16
Kota Tangerang Kota 29 39
Kota Cilegon Kota 5 9
Kota Serang Kota 12 16
Kota Tangerang Selatan Kota 21 26

3. Variabel yang Digunakan

variabel <- data.frame(
  No = 1:4,
  Variabel = c(
    "Daerah",
    "Status Daerah",
    "Jumlah Rumah Sakit Umum",
    "Jumlah Puskesmas Non Rawat Inap"
  ),
  Tipe = c(
    "Kategorik",
    "Kategorik",
    "Numerik",
    "Numerik"
  )
)

kable(variabel, caption = "Daftar Variabel")
Daftar Variabel
No Variabel Tipe
1 Daerah Kategorik
2 Status Daerah Kategorik
3 Jumlah Rumah Sakit Umum Numerik
4 Jumlah Puskesmas Non Rawat Inap Numerik

Penjelasan variabel:

  • Daerah : Nama Kabupaten/Kota di Provinsi Banten
  • Status Daerah : Klasifikasi wilayah (Kabupaten atau Kota)
  • Jumlah Rumah Sakit Umum : Banyaknya rumah sakit umum di setiap daerah
  • Jumlah Puskesmas Non Rawat Inap : Banyaknya puskesmas non rawat inap di setiap daerah

4. Statistik Deskriftif

1. Menghitung Mean (Rata-rata)

mean(data_banten$Rumah_Sakit_Umum)
## [1] 13.875
mean(data_banten$Puskesmas_Non_Rawat_Inap)
## [1] 23.5

2. Menghitung Median

median(data_banten$Rumah_Sakit_Umum)
## [1] 10.5
median(data_banten$Puskesmas_Non_Rawat_Inap)
## [1] 22

3. Menghitung Modus

modus <- function(x) {
  uniqx <- unique(x)
  uniqx[which.max(tabulate(match(x, uniqx)))]
}
modus(data_banten$Rumah_Sakit_Umum)
## [1] 5
modus(data_banten$Puskesmas_Non_Rawat_Inap)
## [1] 16

4. Menghitung Kuartil 1 (Q1)

quantile(data_banten$Rumah_Sakit_Umum, 0.25)
## 25% 
##   5
quantile(data_banten$Puskesmas_Non_Rawat_Inap, 0.25)
## 25% 
##  16

5. Menghitung Kuartil 3 (Q3)

quantile(data_banten$Rumah_Sakit_Umum, 0.75)
## 75% 
##  22
quantile(data_banten$Puskesmas_Non_Rawat_Inap, 0.75)
##  75% 
## 29.5

6. Range (Jangkauan Data)

range(data_banten$Rumah_Sakit_Umum)
## [1]  5 29
range(data_banten$Puskesmas_Non_Rawat_Inap)
## [1]  9 39

7. Menghitung Varians

var(data_banten$Rumah_Sakit_Umum)
## [1] 95.26786
var(data_banten$Puskesmas_Non_Rawat_Inap)
## [1] 113.4286

8. Menghitung Standard Deviation

sd(data_banten$Rumah_Sakit_Umum)
## [1] 9.760525
sd(data_banten$Puskesmas_Non_Rawat_Inap)
## [1] 10.65029

5. Visualisasi Data

Pie Chart — Distribusi Rumah Sakit Umum per Daerah

data_banten$Persen_RS <- round(100 * data_banten$Rumah_Sakit_Umum / sum(data_banten$Rumah_Sakit_Umum), 1)

ggplot(data_banten, aes(x = "", y = Rumah_Sakit_Umum, fill = Daerah)) +
  geom_bar(stat = "identity", width = 1) +
  coord_polar("y", start = 0) +
  theme_void() +
  labs(title = "Persentase Rumah Sakit Umum per Kabupaten/Kota",
       fill = "Daerah") +
  geom_text(aes(label = paste0(Persen_RS, "%")), 
            position = position_stack(vjust = 0.5), 
            color = "black", fontface = "bold") +

  scale_fill_brewer(palette = "Set3")

Interprestasi:

Deskriptif: RS Umum terkonsentrasi di Kota Tangerang (29 unit/26,1%), berbeda dengan Lebak dan Pandeglang (5 unit). Inferensial: Ketimpangan infrastruktur memusatkan akses layanan kesehatan di pusat ekonomi, membatasi akses Banten Selatan.

Bar Chart - Perbandingan Jumlah RS Umum dan Puskesmas Non Rawat Inap

# Data daerah
daerah <- c("Pandeglang", "Tangerang", "Serang", "Kota Tangerang",
            "Kota Cilegon", "Kota Serang", "Kota Tangerang Selatan", "Lebak")

# Data fasilitas kesehatan
rs_umum <- c(5, 25, 9, 29, 5, 12, 21, 5)
puskesmas <- c(27, 37, 16, 39, 9, 16, 26, 18)

# Menggabungkan data
data_kesehatan <- rbind(rs_umum, puskesmas)

# Membuat diagram batang
posisi <- barplot(data_kesehatan,
                  beside = TRUE,
                  names.arg = daerah,
                  col = c("steelblue", "seagreen3"),
                  main = "Perbandingan Jumlah RS Umum dan Puskesmas Non Rawat Inap",
                  xlab = "Kabupaten/Kota",
                  ylab = "Jumlah Fasilitas Kesehatan",
                  las = 2,
                  ylim = c(0,45),
                  cex.names = 0.8)

# Menambahkan angka di atas batang
text(posisi,
     data_kesehatan,
     labels = data_kesehatan,
     pos = 3,
     cex = 0.8,
     col = "black")

# Menambahkan legenda
legend("topright",
       legend = c("RS Umum", "Puskesmas Non Rawat Inap"),
       fill = c("steelblue", "seagreen3"),
       bty = "n")

Interpretasi

Deskriptif: Secara umum, jumlah Puskesmas Non Rawat Inap lebih banyak dibandingkan RS Umum di seluruh daerah. Kota Tangerang memiliki jumlah Puskesmas terbanyak yaitu 39 unit dan RS Umum sebanyak 29 unit. Sementara itu, Pandeglang dan Lebak memiliki jumlah RS Umum paling sedikit yaitu masing-masing 5 unit.

Inferensial: Berdasarkan pola tersebut, dapat disimpulkan bahwa penyediaan fasilitas kesehatan di daerah lebih difokuskan pada layanan kesehatan tingkat pertama seperti Puskesmas agar lebih mudah diakses oleh masyarakat.

Histogram Rumah Sakit Umum

ggplot(data_banten, aes(x = Rumah_Sakit_Umum)) +
  geom_histogram(binwidth = 5, fill = "steelblue", color = "black", alpha = 0.7) +
  labs(title = "Distribusi Frekuensi Jumlah Rumah Sakit Umum",
       x = "Jumlah Unit",
       y = "Frekuensi (Jumlah Daerah)") +
  theme_minimal() +
  theme(plot.title = element_text(hjust = 0.5, face = "bold"))

ggplot(data_banten, aes(x = Puskesmas_Non_Rawat_Inap)) +
  geom_histogram(binwidth = 5, fill = "darkgreen", color = "black", alpha = 0.7) +
  labs(title = "Distribusi Frekuensi Jumlah Puskesmas Non Rawat Inap",
       x = "Jumlah Unit",
       y = "Frekuensi (Jumlah Daerah)") +
  theme_minimal() +
  theme(plot.title = element_text(hjust = 0.5, face = "bold"))

Interprestasi:

Deskriptif: Mayoritas daerah fasilitas minim Rumah Sakit 5-15 (kecuali Tangerang), dan Puskesmas hanya 15-25 unit. Inferensial: Distribusi tidak merata, standar fasilitas rendah, hanya wilayah perkotaan yang lengkap.

Density Plot-Distribusi Fasilitas Kesehatan

df_density <- data.frame(
  Jenis_Fasilitas = rep(c("Rumah Sakit Umum", "Puskesmas Non Rawat Inap"), 
                        each = nrow(data_banten)),
  Jumlah = c(data_banten$Rumah_Sakit_Umum, data_banten$Puskesmas_Non_Rawat_Inap)
)

ggplot(df_density, aes(x = Jumlah, fill = Jenis_Fasilitas)) +
  geom_density(alpha = 0.4) +
  labs(title = "Density Plot Perbandingan Distribusi Fasilitas Kesehatan",
       x = "Jumlah Unit",
       y = "Density",
       fill = "Jenis Fasilitas") +
  theme_minimal() +
  theme(plot.title = element_text(hjust = 0.5, face = "bold"),
        legend.position = "top") +
  scale_fill_manual(values = c("Rumah Sakit Umum" = "steelblue", 
                                "Puskesmas Non Rawat Inap" = "darkgreen"))

Interprestasi:

Deskriptif: Keterbatasan Fasilitas, mayoritas daerah memiliki jumlah fasilitas yang masih minim, dengan jumlah Puskesmas secara rata-rata lebih banyak dibandingkan Rumah Sakit. Inferensial: Disparitas Tinggi, variasi data yang lebar menunjukkan ketimpangan akses kesehatan yang signifikan dan belum meratanya pembangunan antarwilayah di Banten.

Box Plot-Distribusi Jumlah Fasilitas Kesehatan di Banten

df_box <- data.frame(
  Jenis_Fasilitas = rep(c("Rumah Sakit Umum", "Puskesmas Non Rawat Inap"), 
                        each = nrow(data_banten)),
  Jumlah = c(data_banten$Rumah_Sakit_Umum, data_banten$Puskesmas_Non_Rawat_Inap)
)

ggplot(df_box, aes(x = Jenis_Fasilitas, y = Jumlah, fill = Jenis_Fasilitas)) +
  geom_boxplot(alpha = 0.7, outlier.color = "red", outlier.shape = 19) +
  labs(title = "Box Plot Distribusi Jumlah Fasilitas Kesehatan di Banten",
       subtitle = "Perbandingan Distribusi Rumah Sakit vs Puskesmas (2025)",
       x = "Jenis Fasilitas",
       y = "Jumlah Unit",
       fill = "Jenis Fasilitas") +
  theme_minimal() +
  theme(plot.title = element_text(hjust = 0.5, face = "bold", size = 14),
        plot.subtitle = element_text(hjust = 0.5, size = 10),
        legend.position = "none",
        axis.text.x = element_text(angle = 0, hjust = 0.5)) +
  scale_fill_manual(values = c("Rumah Sakit Umum" = "steelblue", 
                                "Puskesmas Non Rawat Inap" = "darkgreen"))

Interprestasi:

Deskriptif: Variabilitas Fasilitas, rentang antar quartil menunjukkan bahwa sebaran jumlah Puskesmas antar wilayah jauh lebih bervariasi dibandingkan jumlah Rumah Sakit Umum. Inferensial: Identifikasi Ketimpangan, keberadaan data pencilan pada variabel Rumah Sakit mengindikasikan adanya kesenjangan ekstrem, dimana fasilitas kesehatan hanya terpusat secara masif di wilayah tertentu saja.

6. Kesimpulan

Berdasarkan hasil analisis statistika deskriptif dan inferensial terhadap fasilitas kesehatan di Provinsi Banten tahun 2025, dapat ditarik kesimpulan sebagai berikut:

  1. Disparitas Infrastruktur terjadi ketimpangan distribusi fasilitas kesehatan yang signifikan, di mana Rumah Sakit Umum terpusat secara masif di wilayah perkotaan seperti Kota Tangerang dan Tangerang Selatan.

  2. Kesenjangan Akses Wilayah sebagian besar kabupaten/kota memiliki jumlah fasilitas di bawah rata-rata provinsi. Wilayah Lebak dan Pandeglang menjadi daerah dengan keterbatasan akses layanan rujukan yang paling nyata.

  3. Urgensi Pemerataan keberadaan data pencilan dan distribusi yang tidak simetris menunjukkan bahwa kualitas layanan kesehatan belum merata. Diperlukan kebijakan desentralisasi pembangunan untuk menekan kesenjangan layanan antara wilayah Banten Utara dan Banten Selatan.