A. Judul dan Identitas Kelompok
Judul Laporan: Analisis Visualisasi dan Statistika Inferensia Data Fasilitas Kesehatan di Indonesia Tahun 2025. Anggota Kelompok 7: 1. Nafeeza Thara Heavenia - 21116042610103 2. Nawar Azizah - 21116042610110 3. Qonita Rasyidah Guevara - 21116042610119
B. Pendahuluan: Data & Variabel
a.Dataset yang digunakan dalam analisis ini adalah data “Jumlah Rumah Sakit Umum, Rumah Sakit Khusus, Puskesmas Rawat Inap, dan Puskesmas Non Rawat Inap Menurut Provinsi, 2025”.
b.Link Dataset: www.bps.go.id/id/statistics-table/3/YmlzemNGUkNVblZLVVhOblREWnZXbkEzWld0eVVUMDkjMyMwMDAw/jumlah-rumah-sakit-umum–rumah-sakit-khusus–puskesmas–klinik-pratama–dan-posyandu-menurut-provinsi.html?year=2025
c.Keterangan Sumber: Badan Pusat Statistik Indonesia. (6 Februari 2026). Jumlah Rumah Sakit Umum, Rumah Sakit Khusus, Puskesmas Rawat Inap, dan Puskesmas Non Rawat Inap Menurut Provinsi, 2025. Diakses pada 12 November 2026, dari www.bps.go.id/id/statistics-table/3/YmlzemNGUkNVblZLVVhOblREWnZXbkEzWld0eVVUMDkjMyMwMDAw/jumlah-rumah-sakit-umum–rumah-sakit-khusus–puskesmas–klinik-pratama–dan-posyandu-menurut-provinsi.html?year=2025
Jumlah Observasi: Terdapat 38 observasi (baris) yang mewakili seluruh provinsi di Indonesia. (Catatan: Pada baris ke-39 terdapat data total “Indonesia”, namun untuk analisis ini kita memfokuskan pada 38 data provinsi). Jenis Variabel: 1 variabel kategorik (kualitatif) berupa Nama Provinsi. 4 variabel numerik (kuantitatif) berupa jumlah fasilitas Kesehatan yaitu Rumah Sakit Umum, Rumah Sakit Khusus, Puskesmas Rawat Inap, Puskesmas Non-Rawat Inap.
Variabel yang digunakan dalam analisis ini terdiri dari: Provinsi: Nama 38 provinsi di Indonesia (Variabel Kategorik). Jumlah Rumah Sakit Umum: Banyaknya rumah sakit yang memberikan pelayanan kesehatan pada semua bidang dan jenis penyakit (Variabel Numerik Diskrit). Jumlah Rumah Sakit Khusus: Banyaknya rumah sakit yang memberikan pelayanan utama pada satu bidang atau satu jenis penyakit tertentu berdasarkan disiplin ilmu, golongan umur, organ, jenis penyakit, atau kekhususan lainnya (Variabel Numerik Diskrit). Jumlah Puskesmas Rawat Inap: Banyaknya Pusat Kesehatan Masyarakat yang menyediakan fasilitas tempat tidur untuk perawatan menginap (Variabel Numerik Diskrit). Jumlah Puskesmas Non Rawat Inap: Banyaknya Pusat Kesehatan Masyarakat yang hanya melayani rawat jalan tanpa fasilitas menginap (Variabel Numerik Diskrit).
#mengatur folder kerja
setwd("C:/DATA Rstudio")
#import file Excel
library(readxl)
data_excel <- read_excel("jumlah_rumah_sakit.xlsx")
## New names:
## • `` -> `...6`
## • `` -> `...7`
## • `` -> `...8`
data_excel
## # A tibble: 49 × 8
## Provinsi Jumlah Rumah Sakit U…¹ Jumlah Rumah Sakit K…² Jumlah Puskesmas Raw…³
## <chr> <chr> <chr> <chr>
## 1 Aceh 77 9 174
## 2 Sumater… 185 23 178
## 3 Sumater… 53 30 108
## 4 Riau 67 14 120
## 5 Jambi 42 3 98
## 6 Sumater… 72 17 110
## 7 Bengkulu 25 3 52
## 8 Lampung 64 19 162
## 9 Kepulau… 25 4 25
## 10 Kepulau… 34 5 28
## # ℹ 39 more rows
## # ℹ abbreviated names: ¹`Jumlah Rumah Sakit Umum`,
## # ²`Jumlah Rumah Sakit Khusus`, ³`Jumlah Puskesmas Rawat Inap`
## # ℹ 4 more variables: `Jumlah Puskesmas Non Rawat Inap` <chr>, ...6 <chr>,
## # ...7 <chr>, ...8 <chr>
print(data_excel, n = 50)
## # A tibble: 49 × 8
## Provinsi Jumlah Rumah Sakit U…¹ Jumlah Rumah Sakit K…² Jumlah Puskesmas Raw…³
## <chr> <chr> <chr> <chr>
## 1 Aceh 77 9 174
## 2 Sumater… 185 23 178
## 3 Sumater… 53 30 108
## 4 Riau 67 14 120
## 5 Jambi 42 3 98
## 6 Sumater… 72 17 110
## 7 Bengkulu 25 3 52
## 8 Lampung 64 19 162
## 9 Kepulau… 25 4 25
## 10 Kepulau… 34 5 28
## 11 DKI Jak… 142 52 2
## 12 Jawa Ba… 382 54 279
## 13 Jawa Te… 317 52 369
## 14 DI Yogy… 64 16 47
## 15 Jawa Ti… 358 84 622
## 16 Banten 111 25 63
## 17 Bali 66 16 38
## 18 Nusa Te… 39 7 154
## 19 Nusa Te… 64 3 186
## 20 Kaliman… 51 8 140
## 21 Kaliman… 31 3 85
## 22 Kaliman… 44 8 52
## 23 Kaliman… 54 12 91
## 24 Kaliman… 17 – 20
## 25 Sulawes… 52 8 99
## 26 Sulawes… 37 4 125
## 27 Sulawes… 100 24 306
## 28 Sulawes… 39 4 109
## 29 Goronta… 21 1 24
## 30 Sulawes… 14 2 59
## 31 Maluku 28 1 94
## 32 Maluku … 21 2 57
## 33 Papua B… 14 – 26
## 34 Papua B… 12 – 18
## 35 Papua 18 1 44
## 36 Papua S… 8 – 59
## 37 Papua T… 14 – 29
## 38 Papua P… 8 – 23
## 39 Indones… 2770 514 4275
## 40 <NA> <NA> <NA> <NA>
## 41 Keteran… <NA> <NA> <NA>
## 42 Data Pu… <NA> <NA> <NA>
## 43 <NA> <NA> <NA> <NA>
## 44 Metadat… <NA> <NA> <NA>
## 45 Indikat… Konsep Definisi Interpretasi
## 46 Rumah S… - Rumah sakit yang memb… -
## 47 Rumah S… - Rumah sakit yang memb… -
## 48 Puskesm… - Fasilitas pelayanan k… -
## 49 Puskesm… - Fasilitas pelayanan k… -
## # ℹ abbreviated names: ¹`Jumlah Rumah Sakit Umum`,
## # ²`Jumlah Rumah Sakit Khusus`, ³`Jumlah Puskesmas Rawat Inap`
## # ℹ 4 more variables: `Jumlah Puskesmas Non Rawat Inap` <chr>, ...6 <chr>,
## # ...7 <chr>, ...8 <chr>
library(dplyr)
##
## Attaching package: 'dplyr'
##
## The following objects are masked from 'package:stats':
##
## filter, lag
##
## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, union
# 1. Ambil HANYA 38 baris pertama (provinsi), buang sisanya
data_bersih <- data_excel[1:38, ]
# 2. Ubah kolom angka yang tadinya teks (<chr>) menjadi numerik
data_bersih$`Jumlah Rumah Sakit Umum` <- as.numeric(data_bersih$`Jumlah Rumah Sakit Umum`)
data_bersih$`Jumlah Rumah Sakit Khusus` <- as.numeric(data_bersih$`Jumlah Rumah Sakit Khusus`)
## Warning: NAs introduced by coercion
data_bersih$`Jumlah Puskesmas Rawat Inap` <- as.numeric(data_bersih$`Jumlah Puskesmas Rawat Inap`)
data_bersih$`Jumlah Puskesmas Non Rawat Inap` <- as.numeric(data_bersih$`Jumlah Puskesmas Non Rawat Inap`)
# 3. Cek hasilnya
print(data_bersih, n = 40)
## # A tibble: 38 × 8
## Provinsi Jumlah Rumah Sakit U…¹ Jumlah Rumah Sakit K…² Jumlah Puskesmas Raw…³
## <chr> <dbl> <dbl> <dbl>
## 1 Aceh 77 9 174
## 2 Sumater… 185 23 178
## 3 Sumater… 53 30 108
## 4 Riau 67 14 120
## 5 Jambi 42 3 98
## 6 Sumater… 72 17 110
## 7 Bengkulu 25 3 52
## 8 Lampung 64 19 162
## 9 Kepulau… 25 4 25
## 10 Kepulau… 34 5 28
## 11 DKI Jak… 142 52 2
## 12 Jawa Ba… 382 54 279
## 13 Jawa Te… 317 52 369
## 14 DI Yogy… 64 16 47
## 15 Jawa Ti… 358 84 622
## 16 Banten 111 25 63
## 17 Bali 66 16 38
## 18 Nusa Te… 39 7 154
## 19 Nusa Te… 64 3 186
## 20 Kaliman… 51 8 140
## 21 Kaliman… 31 3 85
## 22 Kaliman… 44 8 52
## 23 Kaliman… 54 12 91
## 24 Kaliman… 17 NA 20
## 25 Sulawes… 52 8 99
## 26 Sulawes… 37 4 125
## 27 Sulawes… 100 24 306
## 28 Sulawes… 39 4 109
## 29 Goronta… 21 1 24
## 30 Sulawes… 14 2 59
## 31 Maluku 28 1 94
## 32 Maluku … 21 2 57
## 33 Papua B… 14 NA 26
## 34 Papua B… 12 NA 18
## 35 Papua 18 1 44
## 36 Papua S… 8 NA 59
## 37 Papua T… 14 NA 29
## 38 Papua P… 8 NA 23
## # ℹ abbreviated names: ¹`Jumlah Rumah Sakit Umum`,
## # ²`Jumlah Rumah Sakit Khusus`, ³`Jumlah Puskesmas Rawat Inap`
## # ℹ 4 more variables: `Jumlah Puskesmas Non Rawat Inap` <dbl>, ...6 <chr>,
## # ...7 <chr>, ...8 <chr>
str(data_bersih)
## tibble [38 × 8] (S3: tbl_df/tbl/data.frame)
## $ Provinsi : chr [1:38] "Aceh" "Sumatera Utara" "Sumatera Barat" "Riau" ...
## $ Jumlah Rumah Sakit Umum : num [1:38] 77 185 53 67 42 72 25 64 25 34 ...
## $ Jumlah Rumah Sakit Khusus : num [1:38] 9 23 30 14 3 17 3 19 4 5 ...
## $ Jumlah Puskesmas Rawat Inap : num [1:38] 174 178 108 120 98 110 52 162 25 28 ...
## $ Jumlah Puskesmas Non Rawat Inap: num [1:38] 192 441 172 122 110 244 127 160 39 68 ...
## $ ...6 : chr [1:38] NA NA NA NA ...
## $ ...7 : chr [1:38] NA NA NA NA ...
## $ ...8 : chr [1:38] NA NA NA NA ...
# 1. Ubah NA (strip) di RS Khusus jadi 0
data_bersih$`Jumlah Rumah Sakit Khusus`[is.na(data_bersih$`Jumlah Rumah Sakit Khusus`)] <- 0
# 2. Buang kolom sampah (...6, ...7, ...8)
data_bersih <- data_bersih[, 1:5]
# 3. Cek lagi
str(data_bersih)
## tibble [38 × 5] (S3: tbl_df/tbl/data.frame)
## $ Provinsi : chr [1:38] "Aceh" "Sumatera Utara" "Sumatera Barat" "Riau" ...
## $ Jumlah Rumah Sakit Umum : num [1:38] 77 185 53 67 42 72 25 64 25 34 ...
## $ Jumlah Rumah Sakit Khusus : num [1:38] 9 23 30 14 3 17 3 19 4 5 ...
## $ Jumlah Puskesmas Rawat Inap : num [1:38] 174 178 108 120 98 110 52 162 25 28 ...
## $ Jumlah Puskesmas Non Rawat Inap: num [1:38] 192 441 172 122 110 244 127 160 39 68 ...
# Panggil library ggplot2
library(ggplot2)
# Membuat data frame
data_kesehatan <- data.frame(
Provinsi = c("Aceh", "Sumatera Utara", "Sumatera Barat", "Riau", "Jambi", "Sumatera Selatan", "Bengkulu", "Lampung", "Kepulauan Bangka Belitung", "Kepulauan Riau", "DKI Jakarta", "Jawa Barat", "Jawa Tengah", "DI Yogyakarta", "Jawa Timur", "Banten", "Bali", "Nusa Tenggara Barat", "Nusa Tenggara Timur", "Kalimantan Barat", "Kalimantan Tengah", "Kalimantan Selatan", "Kalimantan Timur", "Kalimantan Utara", "Sulawesi Utara", "Sulawesi Tengah", "Sulawesi Selatan", "Sulawesi Tenggara", "Gorontalo", "Sulawesi Barat", "Maluku", "Maluku Utara", "Papua Barat", "Papua Barat Daya", "Papua", "Papua Selatan", "Papua Tengah", "Papua Pegunungan"),
RS_Umum = c(77, 185, 53, 67, 42, 72, 25, 64, 25, 34, 142, 382, 317, 64, 358, 111, 66, 39, 64, 51, 31, 44, 54, 17, 52, 37, 100, 39, 21, 14, 28, 21, 14, 12, 18, 8, 14, 8),
RS_Khusus = c(9, 23, 30, 14, 3, 17, 3, 19, 4, 5, 52, 54, 52, 16, 84, 25, 16, 7, 3, 8, 3, 8, 12, NA, 8, 4, 24, 4, 1, 2, 1, 2, NA, NA, 1, NA, NA, NA),
Puskesmas_Rawat_Inap = c(174, 178, 108, 120, 98, 110, 52, 162, 25, 28, 2, 279, 369, 47, 622, 63, 38, 154, 186, 140, 85, 52, 91, 20, 99, 125, 306, 109, 24, 59, 94, 57, 26, 18, 44, 59, 29, 23),
Puskesmas_Non_Rawat_Inap = c(192, 441, 172, 122, 110, 244, 127, 160, 39, 68, 42, 827, 512, 74, 354, 190, 82, 23, 255, 112, 120, 190, 97, 38, 104, 94, 168, 199, 71, 39, 147, 93, 55, 101, 79, 26, 98, 160)
)
You can also embed plots, for example:
#Grafik 1
# Membuat Barplot Base R
barplot(top10_rs$RS_Umum,
names.arg = top10_rs$Provinsi,
col = "skyblue",
main = "10 Provinsi dengan Rumah Sakit Umum Terbanyak (2025)",
xlab = "Provinsi",
ylab = "Jumlah Rumah Sakit Umum",
las = 2,
cex.names = 0.8)
Interpretasi:
Grafik Bar plot di atas menunjukkan 10 provinsi dengan jumlah Rumah Sakit Umum (RSU) terbanyak pada tahun 2025. Provinsi Jawa Barat menduduki peringkat pertama dengan jumlah RSU tertinggi, disusul oleh Jawa Timur dan Jawa Tengah. Hal ini mengindikasikan bahwa pembangunan dan ketersediaan fasilitas rumah sakit masih sangat terpusat di wilayah Pulau Jawa dibandingkan dengan wilayah lainnya di Indonesia
#Grafik 2
# Membuat Boxplot Base R
boxplot(data_kesehatan[, 2:5],
col = c("lightgreen", "lightcoral", "lightblue", "wheat"),
main = "Sebaran Jumlah Fasilitas Kesehatan Antar Provinsi",
ylab = "Jumlah Fasilitas",
names = c("RS Umum", "RS Khusus", "Puskesmas\nRawat Inap", "Puskesmas\nNon Rawat Inap"),
las = 1)
Interpretasi:
Boxplot ini menggambarkan sebaran (distribusi) data dari keempat jenis fasilitas kesehatan di seluruh provinsi di Indonesia. Dari grafik tersebut, terlihat bahwa sebaran data memiliki rentang yang sangat lebar. Banyaknya titik (outlier) di bagian atas grafik menunjukkan adanya ketimpangan yang ekstrem; beberapa provinsi (seperti Jawa Barat dan Jawa Timur) memiliki jumlah fasilitas yang jauh di atas rata-rata provinsi lainnya. Garis median pada bagian bawah kotak juga menunjukkan bahwa mayoritas provinsi di Indonesia memiliki jumlah fasilitas kesehatan yang relatif rendah dibandingkan angka nasional.
# Memanggil library ggplot2
library(ggplot2)
# Membuat Scatterplot dengan ggplot2
ggplot(data_kesehatan, aes(x = Puskesmas_Rawat_Inap, y = Puskesmas_Non_Rawat_Inap)) +
geom_point(color = "darkblue", size = 3, alpha = 0.7) + # Membuat titik
geom_smooth(method = "lm", color = "red", se = FALSE) + # Menambahkan garis tren (regresi linear)
labs(title = "Hubungan Puskesmas Rawat Inap vs Non Rawat Inap",
subtitle = "Data Fasilitas Kesehatan Menurut Provinsi Tahun 2025",
x = "Jumlah Puskesmas Rawat Inap",
y = "Jumlah Puskesmas Non Rawat Inap") +
theme_minimal() + # Tema bersih
theme(plot.title = element_text(face = "bold", size = 14))
## `geom_smooth()` using formula = 'y ~ x'
Interpretasi:
Grafik sebaran (scatterplot) ini bertujuan untuk melihat korelasi atau hubungan antara jumlah Puskesmas Rawat Inap (sumbu X) dan Puskesmas Non Rawat Inap (sumbu Y) di setiap provinsi. Garis trend (regresi linear berwarna merah) menunjukkan arah yang cenderung datar/mendatar. Titik-titik data juga menyebar sangat acak dan tidak membentuk pola yang rapat. Hal ini mengindikasikan bahwa banyaknya jumlah Puskesmas Non Rawat Inap di suatu provinsi tidak selalu diikuti oleh tingginya jumlah Puskesmas Rawat Inap, atau dengan kata lain, tidak ada hubungan linear yang kuat antara kedua variabel tersebut.
D. Uji t
#uji t
# Melakukan Uji t Dua Sampel Independen
# Kita menggunakan var.equal = FALSE karena kita berasumsi varians kedua kelompok tidak sama (Welch's t-test)
uji_t <- t.test(data_kesehatan$Puskesmas_Rawat_Inap,
data_kesehatan$Puskesmas_Non_Rawat_Inap,
var.equal = FALSE,
alternative = "two.sided") # Uji dua arah
# 3. Menampilkan Hasil Uji t
print(uji_t)
##
## Welch Two Sample t-test
##
## data: data_kesehatan$Puskesmas_Rawat_Inap and data_kesehatan$Puskesmas_Non_Rawat_Inap
## t = -1.4596, df = 69.371, p-value = 0.1489
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## -108.98960 16.88434
## sample estimates:
## mean of x mean of y
## 112.5000 158.5526
Rumusan Hipotesis Karena pada hasil uji t tertulis “alternative hypothesis: true difference in means is not equal to 0”, maka uji t ini bersifat dua arah (two-tailed). H0: Tidak ada perubahan rata-rata yang signifikan antara jumlah puskesmas rawat inap dan puskesmas non rawat inap. H1: Ada perbedaan rata-rata yang signifikan antara jumlah puskesmas rawat inap dan puskesmas non rawat inap.
Output Uji t Telah dilakukan uji beda rata-rata menggunakan software R. berdasarkan hasil uji, diperoleh: t = 1.4596 df = 69.371 p-value = 0.1489 mean puskesmas rawat inap = 112.5000 mean puskesmas non rawat inap = 158.5526
Interpretasi Hasil Berdasarkan hasil uji Welch Two-Sample t-test yang telah dilakukan, diperoleh nilai t sebesar -1.4596 dengan df sebesar 69.371 dan nilai p-value sebesar 0.1489. Dikarenakan nilai p-value (0.1489) lebih besar dari taraf signifikansi (0.05) maka H0 diterima. Hal ini menunjukan bahwa secara statistik tidak terdapat perbedaan yang signifikan antara jumlah puskesmas rawat inap dan puskesmas non rawat inap. Meskipun secara statistik tidak terdapat perbedaan yang signifikan, tetapi jika dilihat dari nilai rata-rata (mean) jumlah puskesmas non rawat inap (158.5526) lebih banyak daripada jumlah puskesmas rawat inap (112.5000).
F. Hasil Akhir
Berdasarkan analisis visualisasi bar plot dan boxplot menunjukkan adanya ketimpangan ekstrem yang berpusat di Pulau Jawa, di mana Jawa Barat, Jawa Timur, dan Jawa Tengah mendominasi jumlah rumah sakit umum, sementara mayoritas provinsi lainnya berada jauh dibawah rata-rata nasional. Namun, fokus analisis pada perbandingan jumlah puskesmas rawat inap dan non rawat inap menunjukan hasil yang berbeda, scatterplot memperlihatkan garis trend yang mendatar dengan data persebaran acak, menandakan tidak adanya hubungan linear yang kuat diantara keduanya. Hal ini memperkuat uji Welch Two-Sample t-test yang menghasilkan p-value sebesar 0.1489 yang dimana angka ini lebih besar dari 0.05, sehingga H0 diterima. dengan demikian dapat disimpulkan bahwa secara statistik tidak terdapat perbedaan yang signifikan antara jumlah puskesmas rawat inap dan puskesmas non rawat inap. meskipun nilai rata-rata puskesmas rawat inap dan puskesmas non rawat inap mengalami perbedaan yang besar, perbedaan tersebut tidak nyata secara statistik dan kemungkinan besar hanya disebabkan oleh variasi sebaran data antar provinsi yang sangat lebar.
G. Daftar Pustaka/Refrensi