Pengelompokan Jumlah Sumber Daya Manusia Kesehatan Puskesmas untuk Menunjang Pemerataan pada Provinsi Jawa Tengah Menggunakan Algoritma K-Means
Abstract
Puskesmas merupakan salah satu dari fasilitas pelayanan kesehatan masyarakat secara terpadu, menyeluruh dan
berkesinambungan dalam suatu wilayah yang berada dalam pengawasan langsung dari Dinas Kabupaten. Sarana
dan prasarana serta Sumber Daya Manusia Kesehatan (SDMK) yang memadai sangat dibutuhkan agar fasilitas
pelayanan kesehatan dapat berfungsi dengan baik. Agar mencapai tingkat kesehatan yang setinggi-tingginya
pemerintah bertanggungjawab atas ketersediaan Sumber Daya Manusia Kesehatan (SDMK) yang adil dan merata
bagi seluruh masyarakat. Data kementrian kesehatan menunjukan terdapat 938 puskesmas atau 9.8% dari 9,599
puskesmas masih kekurangan tenaga kesehatan hal itu disebabkan oleh distribusi tenaga kesehatan yang belum
merata, terdapat beberapa daerah yang kelebihan tenaga kesehatan sedangkan beberapa daerah lainnya kekurangan
tenaga kesehatan. Penelitian ini membahas tentang pengelompokan jumlah SDMK Puskesmas untuk menunjang
pemerataan jumlah SDMK Puskesmas di Provinsi Jawa Tengah dengan menggunakan Algoritma K-Means.
Pengelompokan dalam Algoritma K-Means dibagi menjadi tiga cluster yaitu cluster satu, cluster dua dan cluster
tiga dengan nilai Tinggi (Kelebihan SDMK), Sedang (Kecukupan SDMK) dan Rendah (Kekurangan SDMK).
Hasil dari pengelompokan data dengan menggunakan Algoritma K-Means yaitu cluster satu dengan nilai Tinggi
(Kelebihan SDMK) terdapat empat Kabupaten/Kota, cluster dua dengan nilai sedang (Kecukupan SDMK) terdapat
25 Kabupaten/Kota dan cluster tiga dengan nilai rendah (Kekurangan SDMK) terdapat enam Kabupaten/Kota.
References
[2] G. A. Salamate and A. J. M. R. J. N. Pangemanan, “Analisis Perencanaan Sumber Daya Manusia
Kesehatan di Dinas Kesehatan Kabupaten Minahasa Tenggara Planning Analysis of Health
Human Resource in Health Office Southeast Minahasa District,” pp. 625–633, 2014.
[3] H. D. J. Maulana, S. Sos, and M. Kes, “Promosi kesehatan,” 2009.
[4] K. K. R. Indonesia, “Data Dasar Puskesmas,” 2016.
[5] K. K. R. Indonesia, “Peran Jumlah dan Mutu Tenaga Kesehatan dukung percepatan MDGS dan
Implementasi JKN,” 2014. [Online]. Available:
http://depkes.go.id/article/view/20143250004/peran-jumlah-dan-mutu-tenaga-kesehatandukung-percepatan-mdgs-dan-implementasi-jkn.html. [Accessed: 30-Jul-2019].
[6] A. M. S. dan A. Puspabhuana, Data mining. Surakarta: Kekata Publisher, 2017.
[7] R. W. Sari and D. Hartama, “Data mining : Algoritma K-Means Pada Pengelompokkan Wisata
Asing ke Indonesia Menurut Provinsi,” pp. 322–326, 2018.
[8] M. F. Fahmi and Y. K. Suprapto, “Penentuan Prioritas Rehabilitasi DAS Menggunakan
Algoritma K-Means Clustering,” vol. 11, no. 2, pp. 14–20, 2013.
[9] M. G. Sadewo, A. P. Windarto, and S. R. Andani, “Pemanfaatan Algoritma Clushtering Dalam
Mengelompokkan Jumlah Desa / Kelurahan Yang Memiliki Sarana Kesehatan,” Komik, vol. I,
no. 1, pp. 124–131, 2017.
[10] “No Title.” [Online]. Available: http://depkes.go.id. [Accessed: 31-Jul-2019].
[11] S. Susanto and D. Suryadi, “Pengantar data mining: mengagali pengetahuan dari bongkahan
data.” Penerbit Andi, 2010.
[12] R. Primartha, Belajar Machine Learning Teori dan Praktek. Bandung: Informatika Bandung,
2018.
[13] A. Bastian, “Penerapan Algoritma K-Means Clustering Analysis Pada Penyakit Menular
Manusia (Studi Kasus Kabupaten Majalengka),” J. Sist. Inf., vol. 14, no. 1, pp. 28–34, 2018.
[14] D. M. Candrasari and M. Kom, “Penentuan Dana Bantuan Operasional Kelompok Bermain
dengan Metode Topsis K-Means,” vol. 2017, no. Semnashumtek, 2017.
