PERBANDINGAN PENGELOMPOKKAN PUSAT KESEHATAN MASYARAKAT DI KOTA BALIKPAPAN MENGGUNAKAN METODE K-MEANS DAN FUZZY C-MEANS
Article Sidebar
Main Article Content
Abstract
Balikpapan merupakan salah satu daerah penyangga IKN (Ibu Kota Negara) yang diharapkan dapat mempersiapkan diri untuk menyambut kebijakan pemerintah dalam membangun Ibu Kota baru di Kalimantan Timur. Tingginya tarikan faktor pemerintahan, ekonomi, dan politik yang akan terjadi di IKN akan menyebabkan tingginya migrasi. Hal itu harus diimbangi dengan kemampuan kota dalam memfasilitasi kebutuhan penduduknya terlebih pada aspek Kesehatan. Puskesmas merupakan fasilitas Kesehatan tingkat pertama yang memberikan pelayanan masyarakat. Terdapat beberapa program yang dilakukan puskesmas untuk mencapai kesejahteraan masyarakatnya antara lain kesejahteraan ibu dan anak (KIA), perawatan Kesehatan masyarakat, Kesehatan usia lanjut dll. Semua program pokok tersebut dikembangkan berdasarkan program pokok pelayanan kesehatan dasar seperti yang dianjurkan World Health Organization (WHO). Dalam penelitian ini akan dilakukan analisis untuk mengelompokkan dan mengidentifikasi puskesmas yang memiliki karaketeristik yang sama sehingga akan sangat bermanfaat untuk mengetahui wilayah-wilayah yang perlu dilakukan peningkatan dan menjadi perhatian khusus dalam hal layanan Kesehatannya. Hal ini berguna untuk dapat mempersiapkan kebutuhan masyarakat pada aspek Kesehatan di wilayah sekitar IKN. Banyak metode yang dapat digunakan untuk mengidentifikasi dan mengelompokkan puskesmas salah satunya adalah analisis cluster. Terdapat beberapa metode analisis cluster yang saat ini telah berkembang antara lain metode K-Means dan Fuzzy C Means.
Downloads
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
References
[2] R. R. Hasibuan and S. Aisa, "Dampak Dan Resiko Perpindahan Ibu Kota Terhadap Ekonomi Di Indonesia," Jurnal Ekonomi Islam, pp. V(1) 183-203, 2020.
[3] C. N. Madza, "Analisis Dampak Pemindahan Ibu Kota Negara (IKN) Terhadap Social Security," Jurnal Enersia Publika, pp. 6(1) 1-12, 2022.
[4] U. W. Sagena, S. A. Febrianti, Amalnadiyah, Z. E. Habibah, R. A. Nugroho, M. Hasyim and M. D. Shariffuddin, "Edukasi Perempuan untuk Pelestarian Lingkungan melalui Bank Sampah di Kota Balikpapan sebagai Wilayah Penyangga IKN Nusantara," in Prosiding Semnaskom 2022 , Universitas Mataram, 2022.
[5] D. R. Ningrat, D. A. Maruddani and T. Wuryandari, "nalisis Cluster Dengan Algoritma K-Means Dan Fuzzy C-Means Clustering Untuk Pengelompokan Data Obligasi Korporasi," Jurnal Gaussian, pp. 641-650, 2016.
[6] R. Hidayat, R. Warsono and M. Y. Darsyah, "Pengelompokan Kabupaten/Kota Di Jawa Tengah Menggunakan Metode K-Means Dan Fuzzy C-Means Seminar Nasional Pendidikan,," in Seminar Nasional Pendidikan, Sains dan Teknologi Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Muhammadiyah Semarang, 2022.
[7] A. W. Fadillah, A. Tejawati and N. Puspitasari, "Penerapan Fuzzy C-Means Pada Curah Hujan di Kalimantan Timur," JURTI, p. 2(1), 2018.
[8] P. R. Saputra and A. Chusyairi, "Perbandingan Metode Clustering dalam Pengelompokan Data Puskesmas pada Cakupan Imunisasi Dasar Lengkap," Jurnal RESTI (rekayasa Sistem dan Teknologi Informasi, p. 1077, 2020.
[9] B. N. Haqiqi and R. Kurniawan, "Analisis Perbandingan Metode Fuzzy C-Means dan Subtractive Fuzzy C-Means," Media Statistika, pp. 59-67, 2015.
[10] V. Herlinda, D. Darwis and Dartono, "Analisis CLustering untuk Recredesialing Fasilitas Kesehatan Menggunakan Metode Fuzzy C-Means," Jurnal Teknologi dan Sistem Informasi, pp. 94-99, 2021.
[11] Dinas Kesehatan Kota Balikpapan, Profil Kesehatan 2019, Balikpapan, 2020.
[12] Kementerian Kesehatan Republik Indonesia, Profil Kesehatan Indonesia, Jakarta: Kementerian Kesehatan RI, 2019.