Kematian Ibu merupakan kejadian wanita meninggal karena adanya gangguan kehamilan atau penanganannya pada masa hamil, melahirkan, maupun nifas (Andriani, 2019). Angka Kematian Ibu merupakan salah satu target SDGs, yaitu 70 per 100.000 kelahiran hidup pada tahun 2030. Oleh karena itu, menurut Sulastri (2018), sejak 2015 hingga 2018 Pemerintah Provinsi Jawa Barat telah melaksanakan berbagai program untuk menekan Angka Kematian Ibu (AKI). Pemerintah Jawa Barat telah mempublikasikan data kematian Ibu di Jawa Barat tahun 2018 melalui portal data.jabarprov.go.id. Berikut gambaran data tersebut yang dianalisis menggunakan software R. Sebagai catatan, tulisan ini disusun berdasarkan rumusan masalah sebagai berikut.

  1. Bagaimana gambaran proporsi masing-masing kasus kematian Ibu di Jawa Barat Tahun 2018?
  2. Bagaimana gambaran proporsi masing-masing kasus kematian Ibu di Kabupaten/Kota Jawa Barat Tahun 2018?
  3. Kabupaten/Kota mana yang memiliki jumlah terbanyak pada masing-masing kasus kematian Ibu di Jawa Barat Tahun 2018?

Setelah data diunduh, kemudian dimasukkan ke R dan dilihat struktur datanya.

library(readr)
aki <- read_csv("I:/KEMENKES UPDATE/PORTO/jumlah-kematian-ibu-berdasarkan-kelompok-umur-di-provinsi-jawa-barat-tahun-2018.csv")
## Parsed with column specification:
## cols(
##   provinsi = col_character(),
##   kode_kabupaten_kota = col_double(),
##   nama_kabupaten_kota = col_character(),
##   kematian_ibu = col_character(),
##   kelompok_umur = col_character(),
##   jumlah = col_double(),
##   satuan = col_character()
## )
str(aki)
## tibble [243 x 7] (S3: spec_tbl_df/tbl_df/tbl/data.frame)
##  $ provinsi           : chr [1:243] "JAWA BARAT" "JAWA BARAT" "JAWA BARAT" "JAWA BARAT" ...
##  $ kode_kabupaten_kota: num [1:243] 3204 3204 3204 3204 3204 ...
##  $ nama_kabupaten_kota: chr [1:243] "KABUPATEN BANDUNG" "KABUPATEN BANDUNG" "KABUPATEN BANDUNG" "KABUPATEN BANDUNG" ...
##  $ kematian_ibu       : chr [1:243] "IBU HAMIL" "IBU HAMIL" "IBU HAMIL" "IBU BERSALIN" ...
##  $ kelompok_umur      : chr [1:243] "< 20 TAHUN" "20 - 34 TAHUN" ">= 35 TAHUN" "< 20 TAHUN" ...
##  $ jumlah             : num [1:243] 0 5 2 1 15 6 0 8 2 1 ...
##  $ satuan             : chr [1:243] "JIWA" "JIWA" "JIWA" "JIWA" ...
##  - attr(*, "spec")=
##   .. cols(
##   ..   provinsi = col_character(),
##   ..   kode_kabupaten_kota = col_double(),
##   ..   nama_kabupaten_kota = col_character(),
##   ..   kematian_ibu = col_character(),
##   ..   kelompok_umur = col_character(),
##   ..   jumlah = col_double(),
##   ..   satuan = col_character()
##   .. )

Berdasarkan output tersebut, diketahui variabel nama_kabupaten_kota dan kematian_ibu bertipe character. Variabel-variabel tersebut selanjutnya diubah tipe-nya menjadi factor untuk memudahkan analisis.

aki$nama_kabupaten_kota <- as.factor(aki$nama_kabupaten_kota)
aki$kematian_ibu <- as.factor(aki$kematian_ibu)
str(aki)
## tibble [243 x 7] (S3: spec_tbl_df/tbl_df/tbl/data.frame)
##  $ provinsi           : chr [1:243] "JAWA BARAT" "JAWA BARAT" "JAWA BARAT" "JAWA BARAT" ...
##  $ kode_kabupaten_kota: num [1:243] 3204 3204 3204 3204 3204 ...
##  $ nama_kabupaten_kota: Factor w/ 27 levels "KABUPATEN BANDUNG",..: 1 1 1 1 1 1 1 1 1 2 ...
##  $ kematian_ibu       : Factor w/ 3 levels "IBU BERSALIN",..: 2 2 2 1 1 1 3 3 3 2 ...
##  $ kelompok_umur      : chr [1:243] "< 20 TAHUN" "20 - 34 TAHUN" ">= 35 TAHUN" "< 20 TAHUN" ...
##  $ jumlah             : num [1:243] 0 5 2 1 15 6 0 8 2 1 ...
##  $ satuan             : chr [1:243] "JIWA" "JIWA" "JIWA" "JIWA" ...
##  - attr(*, "spec")=
##   .. cols(
##   ..   provinsi = col_character(),
##   ..   kode_kabupaten_kota = col_double(),
##   ..   nama_kabupaten_kota = col_character(),
##   ..   kematian_ibu = col_character(),
##   ..   kelompok_umur = col_character(),
##   ..   jumlah = col_double(),
##   ..   satuan = col_character()
##   .. )
sum(aki$jumlah)
## [1] 697

Berdasarkan output tersebut diketahui Provinsi Jawa Barat memiliki 27 Kabupaten/Kota; kematian Ibu terdiri dari tiga kelompok, yaitu Ibu Bersalin, Ibu Hamil dan Ibu Nifas; dan jumlah seluruh kasus kematian Ibu di Jawa Barat tahun 2018 sebanyak 697. Berikut ini gambaran proporsi jenis kematian Ibu.

library(ggplot2)
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
persen.aki <- aggregate(x = list(jumlah = aki$jumlah), FUN = sum, by = list(kematian_ibu = aki$kematian_ibu))
persen.aki <- mutate(persen.aki, persentase = prop.table(persen.aki$jumlah))
persen.aki
##   kematian_ibu jumlah persentase
## 1 IBU BERSALIN    221  0.3170732
## 2    IBU HAMIL    157  0.2252511
## 3    IBU NIFAS    319  0.4576758
aki.jabar <- ggplot(data = persen.aki, aes(x = "", y = persentase, fill = kematian_ibu)) +
  geom_bar(width = 1, stat = "identity") +
  xlab("") +
  coord_polar("y", start = 0)
aki.jabar

Berdasarkan output tersebut, diketahui kasus kematian Ibu terbanyak adalah pada Ibu nifas, yaitu 316 (45%) kasus. Selanjutnya, untuk mengetahui Kabupaten/Kota dengan jumlah tertinggi pada masing-masing kasus, dilakukan analisis sebagai berikut.

aki_per_kab <- aggregate(x = list(jumlah = aki$jumlah), FUN = sum, by = list(nama_kabupaten_kota = aki$nama_kabupaten_kota, kematian_ibu = aki$kematian_ibu))

#Gambaran Proposi Kasus per Kabupaten/Kota
library(dplyr)
library(ggplot2)
library(plotly)
## 
## Attaching package: 'plotly'
## The following object is masked from 'package:ggplot2':
## 
##     last_plot
## The following object is masked from 'package:stats':
## 
##     filter
## The following object is masked from 'package:graphics':
## 
##     layout
plt.aki <- ggplot(data = aki_per_kab, mapping = aes(x = nama_kabupaten_kota, y = jumlah, fill = kematian_ibu)) +
  geom_bar(stat = "identity") +
  theme(axis.text.x = element_text(vjust = 0.5),
        axis.text.y = element_text(size = 7),
        legend.position = "bottom", legend.direction = "horizontal") +
  labs(title = "Data Kematian Ibu di Jawa Barat di Tahun 2018",
       x = "Kabupaten/Kota",
       y = "Jumlah") +
  coord_flip()
ggplotly(plt.aki)
## Warning: plotly.js does not (yet) support horizontal legend items 
## You can track progress here: 
## https://github.com/plotly/plotly.js/issues/53
#Analisis Kasus Tertinggi
library(dplyr)
library(tidyr)

kab_det <- aki_per_kab %>%
  spread(key = kematian_ibu, value = jumlah, fill = 0)

max_aki_a <- kab_det[(which.max(kab_det$`IBU BERSALIN`)),1]
max_aki_a <- as.character(max_aki_a)

max_aki_b <- kab_det[(which.max(kab_det$`IBU HAMIL`)),1]
max_aki_b <- as.character(max_aki_b)

max_aki_c <- kab_det[(which.max(kab_det$`IBU NIFAS`)),1]
max_aki_c <- as.character(max_aki_c)


print(paste("Kabupaten dengan Kasus Ibu Bersalin Meninggal Terbanyak Berada di", max_aki_a, ", yaitu sebanyak", max(kab_det$`IBU BERSALIN`), "jiwa"))
## [1] "Kabupaten dengan Kasus Ibu Bersalin Meninggal Terbanyak Berada di KABUPATEN BOGOR , yaitu sebanyak 28 jiwa"
print(paste("Kabupaten dengan Kasus Ibu Hamil Meninggal Terbanyak Berada di", max_aki_b, ", yaitu sebanyak", max(kab_det$`IBU HAMIL`), "jiwa"))
## [1] "Kabupaten dengan Kasus Ibu Hamil Meninggal Terbanyak Berada di KABUPATEN INDRAMAYU , yaitu sebanyak 17 jiwa"
print(paste("Kabupaten dengan Kasus Ibu Nifas Meninggal Terbanyak Berada di", max_aki_c, ", yaitu sebanyak", max(kab_det$`IBU NIFAS`), "jiwa"))
## [1] "Kabupaten dengan Kasus Ibu Nifas Meninggal Terbanyak Berada di KABUPATEN INDRAMAYU , yaitu sebanyak 37 jiwa"

Referensi:

  1. Andriani, Rininta. 2019. Pencegahan Kematian Ibu Saat Hamil dan Melahirkan Berbasis Komunitas. Yogyakarta: Deepublish.

  2. Dinas Kesehatan Provinsi Jawa Barat. 2020. “https://data.jabarprov.go.id/dataset/jumlah-kematian-ibu-berdasarkan-kelompok-usia” diakses 19 Januari 2021.

  3. Sulastri, Nita Meiliana. 2018. “https://www.pasundanekspres.co/opini/hari-ibu-menyoal-angka-kematian-ibu-di-jawa-barat/” diakses 25 Januari 2021.