BAB I PENDAHULUAN. Final Galley. 1.1 Latar Belakang Test

BAB I PENDAHULUAN Final Galley 1.1

Latar Belakang

Test Kemajuan ilmu pengtahuan dan teknologi mendorong masyarakat untuk semakin Finish memperhatikan derajat kesehatan demi peningkatan kualitas hidup yang lebih baik. Tersedianya pelayanan kesehatan yang berkualitas bagi masyarakat merupakan hal yang sangat penting dan mendapat perhatian dari pemerintah sebagai salah satu upaya dalam pembangunan di bidang kesehatan. Salah satu unsur kesejahteraan umum dari tujuan nasional serta sebagai upaya meningkatkan derajat kesehatan masyarakat, pemerintah

telah

membangun

Pusat

Kesehatan

Masyarakat

(Puskesmas).

Pembangunan Puskesmas juga bertujuan untuk memperluas pemerataan dan jangkauan pelayanan kesehatan dasar kepada masyarakat [1].

Berdasarkan Kepmenkes No 128 tahun 2004 Puskesmas adalah Unit Pelaksana Teknis (UPT)

dari

Dinas

Kesehatan

Kabupaten/Kota

yang

bertanggungjawab

menyelenggarakan pembangunan kesehatan di satu atau sebagian wilayah kecamatan. Puskesmas bertindak sebagai unit pelaksana teknis dalam melaksanakan sebagian tugas Dinas kesehatan Kabupaten/Kota. Dengan kata lain Puskesmas mempunyai wewenang dan tanggungjawab atas pemeliharaan kesehatan masyarakat dalam wilayah kerjanya.

Keputusan Menteri Kesehatan Republik Indonesia Nomor 857/Menkes/SK/IX/2009 menyatakan bahwa Puskesmas merupakan sarana pelayanan kesehatan strata pertama. Sebagai

pusat

pelayanan

kesehatan

tingkat

pertama,

Puskesmas

wajib

menyelenggarakan pelayanan kesehatan secara bermutu, adil dan merata. Pelayanan yang diselenggarakan adalah pelayanan kesehatan dasar yang dibutuhkan sebagian besar masyarakat dan sangat strategis dalam upaya meningkatkan status kesehatan masyarakat umum. Selain itu juga muncul Undang Undang Tentang Pelayanan Publik No.25 tahun 2009. Dimana Undang-Undang tersebut bertujuan: 1

2

1. Terwujudnya batasan dan hubungan yang jelas tentang hak, tanggung jawab, kewajiban dan kewenangan seluruh pihak yang terkait dengan penyelenggaraan pelayanan publik. 2. Terwujudnya sistem penyelenggaraan pelayanan publik yang layak sesuai dengan asas-asas umum pemerintahan dan korporasi yang baik. 3. Terpenuhinya penyelenggaraan pelayanan publik sesuai peraturan-peraturan perundang-undangan, dan 4. Terwujudnya perlindungan dan kepastian hukum bagi masyarakat dalam penyelenggaraan pelayanan publik.

Menyelenggarakan pelayanan kesehatan yang bermutu dan sesuai dengan kehendak pasien adalah tidak mudah, hal ini ini disebabkan dimensi kepuasan pasien sangat bervariasi dan ruang lingkupnya sangat luas. Oleh karena itu pengukuran tingkat kepuasan pasien perlu dilakukan. Dengan melakukan pengukuran tigkat kepuasan pasien, maka dapat diketahui sejauh mana dimensi mutu pelayanan kesehatan yang diberikan oleh Puskesmas dapat memenuhi harapan pasien.

Untuk mendapatkan gambaran kepuasan pasien Puskesmas maka dilaksanakan survei. Dari pelaksanaan survei diharapkan mendapatkan masukan melalui pendapat dan sikap masyarakat pengguna jasa (Public Opinion), tentang pelayanan kesehatan yang telah diberikan oleh Puskesmas. Survei dilakukan dengan cara melakukan wawancara terhadap pasien Puskesmas menggunakan kuesioner, bentuk jawaban dari setiap pernyataan yang terdapat di dalam kuisioner secara umum akan mencerminkan tingkat kualitas pelayanan, yaitu dari yang sangat baik sampai dengan tidak baik. Untuk katagori tidak baik diberi nilai persepsi 1. Kurang baik diberi nilai persepsi 2, baik diberi nilai 3, sangat baik diberi nilai persepsi 4

Berdasarkan hasil survei kepuasan pasien yang dilakukan di 21 Puskesmas di wilayah Kota Cirebon dengan menggunakan metode Likert Scales terhadap 14 unsur pelayanan menunjukkan bahwa pelayanan yang diberikan di beberapa Puskesmas masih kurang maksimal. Adapun data kepuasan pasien dari hasil survei dapat dideskripsikan dengan data sebagai beriku:

3

Tabel 1.1:Kepuasan Pasien Puskesmas Terhadap Prosedur Pelayanan KEMUDAHAN PROSEDUR PELAYANAN

PUSKESMAS STS Drajat

Jumlah %

Pegambiran

S

SS

2

27

112

9

150

1.3%

18.0%

74.7%

6.0%

100.0%

3

26

95

12

136

2.2%

19.1%

69.9%

8.8%

100.0%

Jumlah %

TS

TOTAL

Tabel 1.2 :Kepuasan Pasien Puskesmas Terhadap Persyaratan Pelayanan KESAMAAN PERSYARATAN PELAYANAN DENGAN JENIS PUSKESMAS STS Drajat

Jumlah %

Pegambiran

TS

S

SS

1

34

109

6

150

0.7%

22.7%

72.7%

4.0%

100.0%

0

23

108

5

136

0.0%

16.9%

79.4%

3.7%

100.0%

Jumlah %

TOTAL

PELAYANAN

Tabel 1.3 :Kepuasan Pasien Puskesmas Terhadap Kejelasan Petugas Pelayanan KEJELASAN DAN KEPASTIAN PUSKESMAS

PETUGAS YANG MELAYANI STS

Drajat

Jumlah %

Pegambiran

Jumlah %

TS

S

TOTAL

SS

0

26

116

8

150

0.0%

17.3%

77.3%

5.3%

100.0%

0

22

107

7

136

0.0%

16.2%

78.7%

5.1%

100.0%

Tabel 1.4 :Kepuasan Pasien Puskesmas Terhadap Kedisiplinan Petugas Pelayanan

4

Kedisiplinan Petugas dalam Memberikan Pelayanan

PUSKESMAS STS Drajat

Jumlah %

Pegambiran

Sitopeng

Kalijaga Permai

109

5

150

0.0%

24%

72.7%

3.3%

100.0%

0

29

103

4

136

0.0%

21.3%

75.7%

2.9%

100.0%

0

22

109

0

131

0.0%

16.8%

83.2%

0%

100.0%

0

54

69

0

123

0.0%

43.9%

56.1%

0.0%

100.0%

Jumlah %

SS

36

Jumlah %

S

0

Jumlah %

TS

TOTAL

Tabel 1.5 :Kepuasan Pasien Puskesmas Terhadap Kecepatan Pelayanan PUSKESMAS Gunung Sari

Jumlah %

Drajat

Jumlah %

Pegambiran

Jumlah %

Kalitanjung

Jumlah %

Sitopeng

Jumlah %

Kalijaga Permai

Jumlah %

KECEPATAN PELAYANAN STS

TS

S

TOTAL

SS

4

38

160

8

210

1.9%

18.1%

76.2%

3.8%

100.0%

0

51

93

6

150

0.0%

34.0%

62.0%

4.0%

100.0%

0

26

102

8

136

0.0%

19.1%

75.0%

5.9%

100.0%

0

107

98

7

212

0.0%

50.5%

46.2%

3.3%

100.0%

0

62

69

0

131

0.0%

47.3%

52.7%

0%

100.0%

0

85

38

0

123

0.0%

69.1%

30.9%

0%

100.0%

Tabel diatas menggambarkan tingkat kepuasan pasien berdasarkan 5 kriteria penilaian yaitu Kepuasan Pasien Puskesmas Terhadap Prosedur Pelayanan, Persyaratan Pelayanan, Kejelasan Petugas Pelayanan, Kedisiplinan Petugas Pelayanan dan Kecepatan Pelayanan. Dari 5 kriteria penilaian ini terlihat bahwa tingkat kepuasan pasien masih kurang maksimal. Sebagai contoh pada kriteria penilaian Kecepatan Pelayanan, data survai menunjukan untuk Puskesmas Kalijaga Permai sejumlah 69,1% responden merasa tidak puas dengan pelayanan yang diberikan.

5

Gambaran kepuasan Pasien dapat dijadikan sebagai indikator mutu pelayanan Puskesmas, oleh karena itu pengelompokkan Indeks Kepuasan Pasien perlu dilakukan. Dengan diketahuinya dimensi mutu pelayanan kesehatan yang diberikan oleh Puskesmas maka akan memudahkan Dinas Kesehatan Kota dalam menjalankan fungsi pembinaan dan kontrol terhadap Puskesmas sehingga dapat menentukan kebijakan yang diharapkan mampu meningkatkan mutu pelayanan Puskesmas di wilayah kerjanya.

Dalam penelitian ini akan dilakukan pengelompokkan Indeks Kepuasan Pasien dengan menggunakan teknik clustering. Cluster secara umum merupakan wujud himpunan bagian dari suatu himpunan data. Berdasarkan himpunan bagian yang dihasilkan, teknik clustering dapat dibedakan menjadi 2 metode, yaitu teknik hard clustering dan teknik soft clustering [3]. Untuk memberikan gambaran performa yang dihasilkan dari masing – masing teknik clustering tersebut akan digunakan metode K-Means (Hard Clustering) dan Fuzzy C-Mean (Soft Clustering). Metode K-Mean digunakan secara luas dalam teknik clustering, K-Mean memiliki keunggulan dalam kecepatan komputasi dan tahapan - tahapan proses yang relatif mudah [4]. Dan metode Fuzzy CMeans mempunyai kelebihan dalam hal fleksibilitas menentukan cluster, sehingga kecil kemungkinan untuk terjadi kegagalan converge [5].

Metode dengan performa yang paling baik akan dijadikan rujukan dalam melakukan analisis cluster terhadap indeks kepuasan pasien. Diharapkan dengan diketahuinya cluster - cluster indeks kepuasan pasien sebagai indikator mutu pelayanan Puskesmas maka akan memudahkan Dinas Kesehatan Cirebon dalam menentukan strategi pembinaan kepada Puskesmas.

1.2

Rumusan Masalah

6

Dari latar belakang masalah di atas, maka rumusan masalahnya adalah belum diketahui metode clustering yang optimal dalam mengelompokkan Indeks Kepuasan Pasien sebagai indikator mutu pelayanan Puskesmas 1.3

Tujuan Penelitian

Berdasarkan latar belakang dan rumusan masalah di atas, maka tujuan penelitian ini adalah : A. Memberikan alternatif cara pengolahan kuesioner dengan menggunakan Metode Clustering B. Melakukan pengukuran terhadap metode K-Means dan Fuzzy C-Means dan memberikan rujukan metode yang paling optimal untuk digunakan dalam kasus pengelompokkan Indeks Kepuasan Pasien sebagai indikator mutu pelayanan Puskemas

1.4

Manfaat Penelitian

Berikut ini adalah beberapa manfaat dari penelitian ini: A. Diperolehnya alternatif cara pengolahan data survey kepuasan pasien dengan menggunakan metode Clustering

B. Diperolehnya rujukan metode dengan performance yang paling optimal diantara KMeans dan Fuzzy C-Means untuk mengolah data survey kepuasan pasien Puskesmas

BAB II TINJAUAN PUSTAKA

2.1

Penelitian Terkait

Literatur serta penelitian mengenai penerapan algoritma K-Means dan Fuzzy C-Means, banyak ditemukan dalam buku maupun jurnal - jurnal ilmiah di antaranya adalah penelitian yang dilakukan oleh Tedy Rismawan yang berjudul “Aplikasi K-Means Untuk Pengelompokan Mahasiswa Berdasarkan Nilai Body Mass Index(BMI) dan Ukuran Kerangka”. Penelitian ini membahas sebuah model pengelompokan data mahasiswa berdasarkan status gizi dan ukuran rangka tubuh mahasiswa yang bersangkutan. Untuk mendapatkan nilai BMI diperlukan data berat badan dan tinggi badan, sedangkan untuk mendapatkan nilai ukuran kerangka tubuh diperlukan data tinggi badan dan ukuran lingkar lengan bawah. Setelah nilai BMI dan ukuran kerangka diketahui maka proses pelatihan data dapat dilakukan. Terdapat 20 sample data mahasiswa yang diolah dengan menggunakan algoritma K-Means untuk menghasilkan 3 Cluster. Dari data yang dilatih, diperoleh 3 buah cluster, yaitu yaitu BMI normal dan kerangka besar, BMI obesitas sedang dan kerangka sedang dan BMI obesitas berat dan kerangka kecil. Penelitian ini menghasilkan sebuah kesimpulan bahwa algoritma KMeans dapat digunakan untuk mengelompokkan mahasiswa berdasarkan status gizi dan ukuran rangka [6]. Andri Syafrianto melakukan penelitian “Perancangan Aplikasi K-Means untuk Pengelompokan Mahasiswa STMIK Elrahma Yogyakarta Berdasarkan Frekuensi Kunjungan Ke Perpustakaan dan IPK”. Dalam penelitian in diambil sampel sebanyal 75 data mahasiswa yang tercatat sebagai mahasiswa S1 Teknik Informatika semester 3 STMIK Elrahma Yogyakarta. Kesimpulan yang diperoleh dari penelitian ini adalah algoritma K-Means bisa digunakan untuk mengelompokkan mahasiswa berdasarkan IPK dan frekuensi berkunjung ke perpustakaan. Dari data yang dilatih, didapatkan 3 buah cluster, yaitu mahasiswa dengan IPK rendah dan jarang ke perpustakaan,

7

8

mahasiswa dengan IPK cukup tinggi dan cukup sering pergi ke perpustakaan dan mahasiswa dengan IPK tinggi dan sering pergi ke perpustakaan [7]. Berikutnya adalah Bahar melakukan penelitian “Penentuan Jurusan Sekolah Menengah Atas Dengan Algoritma Fuzzy C-Means”. Dalam menentukan jurusan Sekolah Menengah Atas diperlukan data nilai rata – rata bidang ilmu yang diminati, baik sebelum peminatan maupun sesudah peminatan. Terdapat 3 bidang ilmu peminatan, yaitu Ilmu Pengetahuan Alam (IPA), Ilmu Pengetahuan Sosial (IPS) dan Bahasa. Fuzzy C-Means dinyatakan akurat apabila memenuhi beberapa kondisi yaitu minat yang dipilih oleh siswa sama dengan peminatan FCM (Fuzzy C-Means) dan nilai rata-rata mata pelajaran peminatan yang diperoleh setelah peminatan >= Kriteria Ketuntasan Minimal (KKM) yang ideal (>=75), dan minat yang dipilih oleh siswa tidak sama dengan peminatan FCM dan nilai rata-rata mata pelajaran peminatan yang diperoleh setelah peminatan < Kriteria Ketuntasan Minimal (KKM) yang ideal. Dari hasil pengujian algoritma Fuzzy C-Means (FCM) dalam penentuan jurusan di Sekolah Menengah Atas pada 81 sampel data siswa yang diuji dalam penelitian ini, menunjukkan bahwa Algoritma FCM memiliki tingkat akurasi yang lebih tinggi (yaitu rata-rata 78,39%), jika dibandingkan dengan metode penentuan jurusan secara manual yang hanya memiliki tingkat akurasi rata-rata 56,17 % [8].

Tabel 2.1 :Related Research PENELITI

TOPIK

MASALAH

METODE

HASIL

Tedy

Aplikasi K-Means

Bagaimana

Rismawan

Untuk

membangun

Pengelompokan

sistem

Mahasiswa

meng-cluster

Berdasarkan Nilai

BMI

Body

kerangka tubuh untuk

berdasarkan status gizi

memudahkan

dan ukuran kerangka.

Index(BMI)

Mass dan

Ukuran Kerangka

yang

dan

seseorang mengontrol

K-Means,

Algoritma

suatu

20 sampel

dapat

dapat

data

digunakan

pelatihan

mengelompokkan

nilai ukuran

dalam berat

K-Means

untuk

mahasiswa

Dari data yang dilatih diperoleh

3 yaitu

buah

badannya agar selalu

cluster,

BMI

dalam keadaan ideal

normal dan kerangka

9

besar, BMI obesitas sedang dan kerangka sedang, BMI obesitas berat

dan

kerangka

kecil Andri

Perancangan

Bagaimana

Syafrianto

Aplikasi K-Means

membangun

Untuk

sistem

Pengelompokan

meng-cluster

Mahasiswa

mahasiswa

berdasarkan IPK dan

STMIK

berdasarkan frekuensi

frekuensi berkunjung

ELRAHMA

kujungan

ke perpustakaan. Dari

Yogyakarta

perpustakaan dan IPK.

yang

K-Means,

Algoritma

suatu

75 sampel

bisa digunakan untuk

dapat

data

mengelompokkan

pelatihan

mahasiswa

ke

data

yang

Berdasarkan

didapatkan

Frekuensi

cluster,

Kunjungan

Ke

K-Means

dilatih, 3

buah yaitu

mahasiswa

dengan

Perpustakaan Dan

IPK rendah dan jarang

IPK

ke

perpustakaan,

mahasiswa

dengan

IPK cukup tinggi dan cukup sering pergi ke perpustakaan mahasiswa

dan dengan

IPK tinggi dan sering pergi ke perpustakaan Bahar

Penentuan Jurusan

Kurang

Sekolah Menengah

akuratnya

proses

Atas

pemilihan

jurusan

Algoritma C-Means

Dengan Fuzzy

Fuzzy C-

Algoritma

Means, 81

memiliki

sampel

akurasi

dengan sistem manual

data

tinggi (yaitu rata-rata

pada

pelatihan

78,39%),

Sekolah

FCM tingkat

yang

lebih

jika

Menengah

dibandingkan dengan

Atas

metode

penentuan

jurusan secara manual yang hanya memiliki tingkat akurasi ratarata 56,17 %

10

2.2

Pelayanan Puskesmas

Dalam rangka mencapai tujuan Pembangunan Kesehatan Nasional yaitu tercapainya kemampuan masyarakat untuk hidup sehat dan dapat mewujudkan derajat kesehatan masyarakat yang optimal, sebagai salah satu unsur dari kesejahteraan umum dari tujuan nasional, pemerintah telah membangun Puskesmas di seluruh Indonesia. Pembangunan Puskesmas tersebut untuk memperluas pemerataan dan jangkauan pelayanan kesehatan dasar kepada masyarakat.

Definisi Puskesmas tercantum di Kepmenkes No 128 tahun 2004 bahwa Puskesmas adalah unit pelaksana teknis (UPT) dari Dinas Kesehatan Kab/kota yang bertanggungjawab menyelenggarakan pembangunan kesehatan di satu atau sebagian wilayah kecamatan. Puskesmas bertindak sebagai unit pelaksana teknis dalam melaksanakan sebagian tugas Dinas kesehatan Kab/kota. Dengan kata lain Puskesmas mempunyai wewenang dan tanggungjawab atas pemeliharaan kesehatan masyarakat dalam wilayah kerjanya.

Puskesmas dalam upaya memberikan pelayanan yang bermutu kepada masyarakat perkotaan menempuh kebijakan sebagai berikut [9]. a. Upaya pelayanan kesehatan perkotaan dikembangkan secara menyeluruh baik tingkat masyarakat, Puskesmas maupun rujukan. b. Upaya pelayanan Puskesmas di perkotaan ditingkatkan mutunya melalui perbaikan sarana fisik, melengkapi peralatan yang diperlukan, meningkatkan tenaga baik jumlah maupun mutunya, meningkatkan manajemen dan mengembangkan inovasi program kesehatan sesuai dengan masalah perkotaan c. Pelayanan kesehatan diprioritaskan kepada masyarakat yang bermukim di daerah kumuh dan masyarakat berpenghasilan rendah di perkotaan d. Peran serta masyarakat dikembangkan dengan melibatkan masyarakat secara aktif pada seluruh aspek pembangunan kesehatan terutama usaha untuk perubahan perilaku yang mendukung hidup sehat dan mobilisasi dana dalam jaminan pemeliharaan kesehatan masyarakat

11

e. Pelayanan kesehatan swasta dibina untuk memenuhi tuntutan masyarakat akan pelayanan kesehatan f. Pengembangan sistem pencatatan dan pelaporan g. Upaya peningkatan pelayanan kesehatan dilaksanakan dengan mengoptimalkan koordinasi dan kerjasama antara semua pihak yang berkaitan, baik sektor pemerintah maupun swasta, kesehatan maupun non kesehatan, mulai dari pemikiran, perencanaan, pelaksanaan dan pemantauan/penilaian.

Puskesmas melaksanakan pelayanan kesehatan yang menyeluruh yaitu pengobatan, pencegahan, peningkatan dan pemulihan dalam bentuk upaya kesehatan pokok. Terdapat 18 upaya kesehatan pokok Puskesmas [9], yaitu 1.

Kesehatan ibu dan anak

2.

Keluarga Berencana

3.

Pengobatan

4.

Pencegahan dan pemberantasan penyakit menular

5.

Peningkatan gizi

6.

Penyuluhan kesehatan masyarakat

7.

Perawatan kesehatan masyarakat

8.

Kesehatan sekolah

9.

Kesehatan jiwa

10.

Kesehatan Gigi

11.

Kesehatan lingkungan

12.

Laboratorium

13.

Pencatatan dan pelaporan

14.

Kesehatan kerja

15.

Kesehatan mata

16.

Kesehatan usia lanjut

17.

Dana sehat

18.

Kesehatan olahraga

Puskesmas melaksanakan seluruh atau sebagian usaha pokok sesuai dengan masalah yang ada dan kemampuan sumber daya yang dimiliki oleh Puskesmas. Dalam

12

mewujudkan pelayanan kesehatan yang berkualitas, Dinas Kesehatan Kota memiliki peranan yang sangat besar [9], yaitu dalam hal a. Perumusan kebijaksanaan b. Mengkoordinir perencanaan c. Pelaksanaan kegiatan d. Pembinaan e. Pemantauan f. Koordinasi dan kerjasama

2.3

Survei Kepuasan Pasien

Populasi dalam penelitian ini adalah data Survei Kepuasan Pasien terhadap 21 Puskesmas yang diperoleh dari Dinas Kesehatan Kota Cirebon. Adapun Nama Puskesmas yang dimaksud adalah sebagai [1] berikut: 1.

Puskesmas Kejaksan

2.

Puskesmas Jalan Kembang

3.

Puskesmas Nelayan

4.

Puskesmas Pamitran

5.

Puskesmas Kesambi

6.

Puskesmas Gunungsari

7.

Puskesmas Sunyaragi

8.

Puskesmas Majasem

9.

Puskesmas Drajat

10. Puskesmas Jagasatru 11. Puskesmas Astanagarib 12. Puskesmas Pekalangan 13. Puskesmas Kesunean 14. Puskesmas Pegambiran 15. Puskesmas Pesisir 16. Puskesmas Cangkol 17. Puskesmas Kalitanjung 18. Puskesmas Larangan

13

19. Puskesmas Perumnas Utara 20. Puskesmas Sitopeng 21. Puskesmas Kalijaga Permai

Berdasarkan hasil pengolahan data yang telah dilakukan oleh Dinas Kesehatan Cirebon diperoleh nilai Indeks Kepuasan Pasien sebagai indikator mutu pelayanan Puskesmas dengan rentang nilai antara 49.7 sampai 99.4 yang kemudian dibagi kedalam beberapa kategori/cluster mutu pelayanan Puskesmas yaitu “Tidak Baik”, “Kurang Baik”, “Baik” dan “Sangat Baik”.

Dari 3.000 populasi data yang ada akan diambil 100 data untuk menyederhanakan perhitungan. Teknik sampling yang digunakan adalah Sampel Acak Berlapis (Stratified Sampling). Jumlah sampel ditentukan menggunakan rumus Slovin , sebagai berikut[10].

𝑛=𝑛

n

:

Ukuran sampel minimal

N

:

Ukuran Populasi

α

:

Taraf Signifikansi

2.3

𝑁 1 + 𝑁𝛼 2

(2.1)

Indeks Kepuasan Pasien

Untuk mendapatkan informasi tingkat kepuasan pasien, dilaksanakan pegumpulan data dengan wawancara terhadap pasien Puskesmas menggunakan kuisioner dengan metode Likert Scales. Bentuk jawaban pertanyaan dari setiap unsur pelayanan secara umum mencerminkan tingkat kualitas pelayanan, yaitu dari yang sangat baik sampai dengan tidak baik. Untuk kategoti tidak baik, diberi nilai persepsi 1, kurang baik diberi nilai persepsi 2, baik diberi nilai 3 dan sangat baik diberi nilai persepsi 4 [1].

14

Pengolahan data dilaksanakan dengan menggunakan “nilai rata-rata tertimbang” masing-masing unsur pelayanan. Dalam penghitungan indeks kepuasan masyarakat terhadap 14 unsur pelayanan yang dikaji, setiap unsur pelayanan memiliki penimbang yang sama dengan rumus sebagai beikut [1]:

𝐵𝑜𝑏𝑜𝑡 𝑛𝑖𝑙𝑎𝑖 𝑟𝑎𝑡𝑎 − 𝑟𝑎𝑡𝑎 𝑡𝑒𝑟𝑡𝑖𝑚𝑏𝑎𝑛𝑔 =

Jumlah Bobot 1 = = 0.071 𝐽𝑢𝑚𝑙𝑎ℎ 𝑈𝑠𝑒𝑟 14

(2.2)

Untuk memperoleh nilai indeks kepuasan pasien digunakan pendekatan nilai rata-rata tertimbang dengan rumus sebagai berikut [1]:

𝐼𝐾𝑃 =

𝑇𝑜𝑡𝑎𝑙 𝑑𝑎𝑟𝑖 𝑁𝑖𝑙𝑎𝑖 𝑃𝑒𝑟𝑠𝑒𝑝𝑠𝑖 𝑃𝑒𝑟 − 𝑈𝑛𝑠𝑢𝑟 𝑥 𝑁𝑖𝑙𝑎𝑖 𝑃𝑒𝑛𝑖𝑚𝑏𝑎𝑛𝑔 𝑇𝑜𝑡𝑎𝑙 𝑈𝑛𝑠𝑢𝑟 𝑈𝑛𝑠𝑢𝑟 𝑦𝑎𝑛𝑔 𝑇𝑒𝑟𝑖𝑠𝑖

2.4

Pelayanan Pasien

(2.3)

Terdapat 14 unsur pelayanan yang akan diukur, unsure pelayanan tersebut adalah sebagai berikut [1]: 1.

Prosedur pelayanan, yaitu kemudahan tahapan pelayanan yang diberikan kapada masyarakat dilihat dari sisi kesederhanaan alur pelayanan

2.

Persyaratan Pelayanan, yaitu persyaratan teknis dan administratif yang diperlukan untuk mendapatkan pelayanan sesuai dengan jenis pelayanannya.

3.

Kejelasan Petugas Pelayanan, yaitu keberadaan dan kepastian petugas yang memberikan pelayanan (nama, jabatan serta kewenangan dan tanggung jawabnya).

4.

Kedisiplinan Petugas Pelayanan, yaitu kesungguhan petugas dalam memberikan pelayanan terutama terhadap konsistensi waktu kerja sesuai ketentuan yang berlaku.

5.

Tanggung Jawab Petugas Pelayanan, yaitu kejelasan wewenang dan tanggung jawab petugas dalam penyelenggaraan dan penyelesaian pelayanan.

15

6.

Kemampuan Petugas Pelayanan, yaitu tingkat keahlian dan keterampilan yang dimiliki petugas dalam memberikan/meyelesaikan pelayanan kepada masyarakat.

7.

Kecepatan Pelayanan, yaitu target waktu pelayanan dapat diselesaikan dalam waktu yang telah ditentukan oleh unit penyelenggara pelayanan.

8.

Keadilan Mendapat Pelayanan, yaitu pelaksanaan pelayanan dengan tidak membedakan golongan/status masyarakat yang dilayani.

9.

Kesopanan dan Keramahan Petugas, yaitu sikap dan perilaku petugas dalam memberikan pelayanan kepada masyarakat secara sopan dan ramah serta saling menghargai dan menghormati.

10. Kewajaran Biaya Pelayanan, yaitu keterjangkauan masyarakat terhadap besarnya biaya yang ditetapkan oleh unit layanan. 11. Kepastian Biaya Layanan, yaitu kesesuaian antarabiaya yang dibayarkan dengan biaya yang telah ditetapkan. 12. Kepastian Jadwal Pelayanan, yaitu pelaksanaan waktu pelayanan, sesuai dengan ketentuan yang telah ditetapkan. 13. Kenyamanan Lingkungan, yaitu kondisi sarana dan prasarana pelayanan yang bersih, rapi, dan teratur sehingga dapat memberikan rasa nyaman kepada penerima layanan. 14. Keamanan Pelayanan, yaitu terjaminnya tigkat keamanan lingkungan unit penyelenggara

palayananataupun

sarana

yang

digunakan,

sehingga

masyarakat merasa tenang untuk mendapatkan pelayanan terhadap risikorisiko yang diakibatkan dari pelaksanaan pelayanan.

2.4

Clustering

Clustering merupakan proses membagi data dalam suatu himpunan ke dalam beberapa kelompok yang kesamaan datanya dalam suatu kelompok lebih besar daripada kesamaan data dengan kelompok lain. Clustering digunakan untuk mengetahui struktur data, dan digunakan juga secara luas dalam kasus klasifikasi, pengolahan gambar dan pengenalan pola. Clustering dapat diterapkan data yang kuantitatif (numerik), kualitatif (kategorikal), atau kombinasi dari keduanya [3].

16

Data dapat merupakan hasil pengamatan dari suatu proses. Setiap pengamatan dapat memiliki n variabel pengukuran dan dikelompokkan dalam n dimensi vektor 𝑍𝑘 = [𝑍𝑖𝑘 , … , 𝑍𝑛𝑘 ]𝑇 , 𝑍𝑘 ∈ 𝑅 𝑛 . Sebuah himpunan dari N pengamatan dinotasikan dengan 𝑍 = {𝑍𝑘 |𝑘 = 1,2, … , 𝑁}dan direpresentasikan sebagai matriks 𝑛 × 𝑁 [3] 𝑧11 𝑍=[ ⋮ 𝑧𝑛1

… 𝑧1𝑁 ⋮ ⋮ ] … 𝑧𝑛𝑁

(2.4)

Dalam terminologi pengenalan pola, kolom matriks disebut pattern atau object. Baris disebut features atau attribute dan Z disebut data matrix. Arti kolom dan baris dalam Z bergantung pada konteks. Misal dalam kasus diagnosis medik, kolom Z dapat direpresentasikan sebagai pasien, dan baris merupakan symptoms atau pemeriksaan pasien yang bersangkutan [3].

Cluster secara umum merupakan wujud himpunan bagian dari suatu himpunan data dan metode clustering dapat diklasifikasikan berdasarkan himpunan bagian yang dihasilkan, apakah fuzzy atau crips (hard). Metode hard clustering merupakan model yang berdasar pada teori himpunan klasik, yang mana suatu objek menjadi anggota atau tidak menjadi anggota secara penuh ke dalam suatu kelompok. Hard clustering membagi data ke dalam sejumlah himpunan bagian secara eksklusif. Sebaliknya, metode fuzzy clustering mengizinkan objek untuk menjadi bagian dari beberapa kelompok secara bersamaan dengan perbedaan level keanggotaan [3].

2.5

K-Means Clustering

K-Means adalah algoritma yang digunakan untuk mengcluster atau untuk mengelompokkan data atau kumpulan data – data berdasarkan atribut - atribut yang dimiliki data tersebut ke sejumlah K kelompok atau cluster. K adalah integer yang bernilai positif . Proses pengklusteran dilakukan dengan cara mencari kuadrat jarak terdekat antara objek dengan cluster centroid. Sebagai contoh, terdapat 4 buah sampel

17

data yang akan dilakukan proses training, setiap data mempunyai 2 atribut, setiap atribut merepresentasikan koordinat dari objek [11].

Tabel 2.3 : Contoh Pengelompokan Data

OBJEK

ATRIBUT 1 (X)

ATRIBUT 2 (Y)

Obat A

1

1

Obat B

2

1

Obat C

4

3

Obat D

5

4

Dari data tersebut akan dibuat 2 cluster (Cluster 1 dan Cluster 2). Dengan menggunakan algoritma K-Means dapat dilakukan proses perhitungan untuk menentukan apakah objek obat termasuk sebagai anggota cluster 1 atau cluster lainnya [11]. Berikut ini adalah langkah – langkah dalam melakukan Clustering menggunakan algoritma K-Means [6] 1. Menentukan nilai K, jumlah cluster 2. Menentukan nilai centroid Dalam menentukan nilai centroid untuk awal iterasi, nilai awal centroid dilakukan secara acak. Sedangkan nilai centroid ketika proses iterasi berlangsung, maka digunakan rumus 𝑁𝑖

1 𝑣𝑖𝑗 = ∑ 𝑥𝑘𝑗 𝑁𝑖

(2.5)

𝑘=0

3. Menghitung jarak antara titik centroid dengan titik tiap objek

𝑝

𝐷𝐿 (𝑥2 − 𝑥1 ) = √∑(𝑥2𝑗 − 𝑥𝑖𝑗 )2 𝑗=1

(2.6)

18

4. Pengelompokkan objek untuk menentukan anggota cluster adalah dengan mencari jarak minimum objek 5. Kembali ke tahap 2, lakukan perulangan hingga nilai centroid yang dihasilkan tetap dan anggota cluster tidak berpindah ke cluster lain

2.6

Fuzzy Logic

Fuzzy Logic adalah suatu cara yang tepat untuk memetakan suatu ruang input kedalam suatu ruang output [12], sebagai contoh manajer pergudangan mengatakan pada manajer produksi seberapa banyak persediaan

Ruang input (semua persediaan barang yang mungkin)

Ruang output (semua jumlah produksi barang yang mungkin)

KOTAK HITAM Persediaan barang akhir minggu

Persediaan esok hari

barang

Gambar 2.1:Contoh Pemetaan Input – Output [12] Meskipun ada beberapa cara yang mampu bekerja dalam kotak hitam namun fuzzy akan memberikan solusi yang paling baik, sebagaimana telah dikemukakan oleh Lutfi A. Zadeh, bapak dari fuzzy logic, mengatakan “Pada hampir semua kasus kita dapat menghasilkan suatu produk tanpa menggunakan fuzzy logic, namun menggunakan fuzzy akan lebih cepat dan murah” [12].

Berbeda dengan logika klasik yang hanya mengenal 2 nilai 0 dan 1, logika fuzzy menggunakan nilai dalam interval [0,1]. Sebuah nilai dalam interval [0,1] itu dinamakan derajat keanggotaan 𝜇(𝑥) dari salah satu anggota himpunan fuzzy (x). Dikatakan bahwa himpunan fuzzy dipetakan kenilai-nilai dalam interval [0,1] oleh fungsi 𝜇 adalah [12]:

19

𝜇: 𝑥⌊0,1⌋

(2.7)

Pada statement diatas dimana setiap element x mempunyai himpunan semesta (semesta pembicaraan) mempunyai derajat keanggotaan antara 0 dan 1.

Fuzzy dan setiap himpunan fuzzy didukung oleh elemen-elemen pendukungnya, dan setiap elemen pendukungnya memiliki derajat keanggotaan tertentu (fire strength). Jadi fungsi diatas dapat dijabarkan dengan [12]: ∀𝑥 ∈ 𝑋, 𝜇(𝑥) ∈ [0,1]

(2.8)

Pada statement diatas dimana setiap element x mempunyai himpunan semesta (semesta pembicaraan) mempunyai derajat keanggotaan antara 0 dan 1 [12].

2.8.1

Fungsi Keanggotaan

Fungsi keanggotaan (membership function) adalah suatu kurva yang menunjukan pemetaan titik-titik input data kedalam nilai keanggotaannya yang memiliki interval antara 0 dan 1 [12]. Adapun macam macam Funfsi Keanggotaan diantaranya yaitu : 1. Fungsi Linier Naik 2. Fungsi Linier Turun 3. Fungsi Kurva Segitiga 4. Fungsi Kurva Trapesium 2.8.1.1 Fungsi Linier Naik Fungsi ini adalah fungsi paling sederhana dalam bentuk garis lurus. Bisa monoton naik atau turun, berikut ini adalah grafiknya [12]:

20

Gambar 2.2: Grafik Fungsi Keanggotaan Linier Naik [12]

0

;

x≤a

(x-a)/(b-a) ;

a≤x≤b

1

x≥b

;

(2.9)

2.8.1.2 Fungsi Linier Turun

Gambar 2.3 : Grafik Fungsi Keanggotaan Linier Turun [12]

0

;

(b-x)/(b-a) ;

x≥b a≤x≤b

(2.10)

21

2.8.1.3 Fungsi Kurva Segitiga Representasi ini merupakan gabungan dua kurva, yaitu linier naik dan linier turun [12]

Gambar 2.4: Grafik Fungsi Keanggotaan Segitiga [12] 0

;

x ≤ a atau x ≥ c

(x-a)/(b-a) ;

a≤x≤b

(c-x)/(c-b) ;

b≤x≤c

(2.11)

2.8.1.4 Fungsi Kurva Trapesium

Representasi kurva trapesium pada dasarnya serupa dengan kurva segitiga namun memiliki banyak titik yang memiliki nilai keanggotaan 1 [12] .

Gambar 2.5 : Grafik Fungsi Keanggotaan Trapesium [12]

22

0

2.7

;

x ≤ a atau x ≥ d

(x-a)/(b-a) ;

a≤x≤b

(d-x)/(d-c) ;

c≤x≤d

1

b≤ x ≤ c

;

(2.12)

Fuzzy C-Means Clustering

Cluster secara umum merupakan wujud himpunan bagian dari suatu himpunan data dan metode clustering dapat diklasifikasikan berdasarkan himpunan bagian yang dihasilkan, apakah fuzzy atau crips (hard). Metode hard clustering merupakan model yang berdasar pada teori himpunan klasik, yang mana suatu objek menjadi anggota atau tidak menjadi anggota secara penuh ke dalam suatu kelompok. Hard clustering membagi data ke dalam sejumlah himpunan bagian secara eksklusif. Sebaliknya, metode fuzzy clustering mengizinkan objek untuk menjadi bagian dari beberapa kelompok secara bersamaan dengan perbedaan level keanggotaan [3]. Sebagai contoh dalam hard clustering, himpunan data 𝑍 = {𝑧1 , 𝑧2 , 𝑧3 , … 𝑧10 }, jika dibagi menjadi dua kelompok, maka himpunan U yang merupakan matriks partisi yang menunjukkan level keanggotaan elemen himpunan 𝑍 dalam kelompok 𝐴1 atau 𝐴2 akan seperti berikut [3]. 1111110000 𝑈=[ ] 0000001111 Baris atas merupakan matriks U menunjukkan level keanggotaan elemen himpunan 𝑍 dalam 𝐴1 dan baris bawah menunjukkan level keanggotaan elemen himpunan 𝑍 dalam 𝐴2 . Tampak bahwa setiap elemen himpunan 𝑍 secara khusus atau penuh akan menjadi anggota kelompok (𝐴1 atau 𝐴2 ) dengan level keanggotaan 1. Dan tidak menjadi anggota dalam suatu kelompok dengan level keangotaan 0. 𝑥1 , 𝑥2 , 𝑥3 ,𝑥4, 𝑥5 dan 𝑥6 , secara khusus merupakan anggota dari 𝐴1 , sedangkan 𝑥7 , 𝑥8 , 𝑥9 dan 𝑥10 secara khusus merupakan anggota dari kelompok 𝐴2 [3].

23

Sementara itu, dalam fuzzy clustering, level keanggotaan data dalam suatu kelompok bukan hanya 0 dan 1, tetapi dapat memiliki nilai antara interval 0 sampai 1. Sebagai contoh, himpunan 𝑍 = {𝑧1 , 𝑧2 , 𝑧3 , … 𝑧10 }. Dalam pembagian samar jika himpunan 𝑍 dibagi menjadi dua kelompok 𝑍1 dan 𝑍2 maka matriks partisi U dapat dituliskan seperti berikut [3].

𝑈=[

1.0 1.0 1.0 1.0 0.7 0.4 0.2 0.0 0.0 0.0 ] 0.0 0.0 0.0 0.0 0.3 0.6 0.8 1.0 1.0 1.0

Baris atas matriks partisi U menunjukkan level keanggotaan elemen himpunan 𝑍 dalam 𝐴1 dan baris bawah menunjukkan level keanggotaan elemen himpunan 𝑍 dalam 𝐴2 . Dalam soft clustering ini tampak bahwa setiap elemen himpunan 𝑍 dapat menjadi anggota kelompok (𝐴1 dan 𝐴2 ) dengan level keanggotaan antara 0 sampai dengan 1. 𝑥1 , 𝑥2 , 𝑥3 ,𝑥4 menjadi anggota 𝐴1 dengn level keanggotaan 1.0 dan menjadi anggota 𝐴2 dengan level keanggotaan 0.0 sedangkan 𝑥5 menjadi anggota 𝐴1 dengan level keanggotaan 0.7 dan menjadi anggota 𝐴2 dengan level keanggotaan 0.3 dan seterusnya [3].

Terdapat banyak algoritma yang digunakan untuk clustering, salah satunya Fuzzy CMeans (FCM). Fuzzy C-Means Clustering (FCM) merupakan algoritma clustering data yang setiap datanya menjadi angota dari suatu cluster dengan derajat didefinisikan dengan level keanggotaan [3].

Algoritma FCM didasarkan pada minimasi fungsi objektif yang diformulasikan sebagai berikut [13] 1. Input data yang akan di cluster, berupa matriks berukuran 𝑛 x 𝑚 (𝑛 = jumah sampel data, 𝑚 = atribut setiap data). 𝑋𝑖𝑗 = data sampel ke - i (i = 1,2, . . . n), atribut ke-j (j = 1,2, . . . , m). 2. Tentukan : 

Jumlah cluster

:

c;



Pangkat

:

w;



Maksimum iterasi

:

MaxIter

24



Error terkecil yang diharapkan

:

e=0



Fungsi objektif awal

:

𝑃0 = 0



Iterasi awal

:

t=1

3. Bangkitkan bilangan random 𝜇𝑖𝑘 , i = 1,2, . . . n; k = 1,2, . . . c sebagai elemen – elemen matriks partisi awal U. 𝑐

𝑄𝑖 = ∑ 𝜇𝑖𝑘

(2.13)

𝑘=1

Dengan i = 1,2, . . . n 4. Hitung pusat cluster ke – k, 𝑉𝑘𝑗 dengan k = 1,2, . . . c dan j = 1,2, . . .m ∑𝑛𝑖=1((𝜇𝑖𝑘 )𝑤 + 𝑋𝑖𝑗 ) 𝑉𝑘𝑗 = ∑𝑛𝑖=1(𝜇𝑖𝑘 )𝑤

(2.14)

5. Hitung fungsi objektif pada iterasi ke-t, 𝑃𝑡 𝑛

𝑐

𝑚

2

𝑃𝑡 = ∑ ∑ ([∑(𝑋𝑖𝑗 − 𝑉𝑘𝑗 ) ] (𝜇𝑖𝑘 )𝑤 ) 𝑖=1 𝑘=1

(2.15)

𝑗=1

6. Hitung perubahan matriks partisi −1

𝜇𝑖𝑘 =

[∑𝑚 𝑗=1(𝑋𝑖𝑗

2 𝑤−1

− 𝑉𝑘𝑗 ) ]

2

∑𝑐𝑘=1 [∑𝑚 𝑗=1(𝑋𝑖𝑗 − 𝑉𝑘𝑗 ) ]

(2.16)

−2 𝑤−1

Dengan i = 1,2, . . . n, dan k = 1,2,

...c

7. Cek kondisi berhenti Jika (|𝑃𝑡 − 𝑃𝑡−1 | < 𝑒) atau (𝑡 > 𝑀𝑎𝑥𝐼𝑡𝑒𝑟) Jika tidak : 𝑡 = 𝑡 + 1, ulangi langkah ke-4

25

2.8

Kerangka Pemikiran

PROBLEMS

APPROACH

Problem clustering

Clustering dengan KMeans dan Fuzzy CMeans

Belum diketahuinya teknik clustering yang optimal diantara hard clustering dengan K-Means dan soft clustering dengan Fuzzy C-Means dalam kasus pengelompokkan

Indeks

Kepuasan

Pasien

Puskesmas

MEASUREMENT

` Melakukan

pengukuran

DESIGN EXPERIMENT Tools

Data

MATLAB

Data Set Kepuasan

performance metode KMeans dan Fuzzy C-Means

Pasien

RESULT Diketahuinya performace yang paling baik diantara K-Means dan Fuzzy C-Means

Gambar 2.12 : Kerangka Pemikiran

BAB III METODE PENELITIAN

3.1

Metode Penelitian

Penelitian ini adalah sebuah ekperimen yang akan mencoba membandingkan performance metode K-Means dan Fuzzy C-Means dalam melakukan analisis cluster dari nilai persepsi kepuasan pasien sebagai indikator mutu pelayanan Puskesmas. Performance kedua metode tersebut akan diukur dengan membandingkan hasil analisis cluster dari masing – masing metode dengan hasil pengolahan data yang telah dilakukan sebelumnya oleh Dinas Kesehatan Kota Cirebon. Pengolahan data survei kepuasan pasien yang telah dilakukan oleh Dinas Kesehatan Cirebon adalah dengan menggunakan “nilai rata – rata tertimbang” . Tahapan – tahapan yang akan dilakukan dalam penelitian ini adalah

PENGUMPULAN DATA

PENGOLAHAN DATA AWAL

EKSPERIMEN DAN PENGUJIAN METODE

PENGUKURAN PERFORMANCE

Gambar 3.1 Tahapan penelitian

26

27

1.

Pengumpulan Data Data yang diperoleh berasal dari Dinas Kesehatan Kota Cirebon berupa dataset sejumlah 3.000 record data yang berasal dari pengolahan survei kepuasan pasien Puskesmas pada tahun 2011.

2.

Pengolahan Data Awal Dilakukan proses sampling dengan menggunakan metode Simple Random Sampling. Jumlah ukuran sampel data ditentukan dengan menggunakan rumus Slovin dengan taraf signifikansi 𝛼 sebesar 10%

𝑛=

𝑁 1 + 𝑁𝛼 2

𝑛=

3.000 1 + (3.000 × 0.102 )

𝑛 = 96.774

Dibulatkan keatas menjadi 100.

3.

Eksperimen dan Pengujian Metode Eksperimen dilakukan dengan melakukan proses clustering terhadap seluruh sampel data dengan metode K-Menas dan C-Means.

4.

Pengukuran Performance Pengukuran performance dilakukan dengan membandingkan proses clustering setiap metode dengan data yang telah diolah Dinas Kesehatan Kota Cirebon.

3.2

Pengumpulan Data

Data yang digunakan dalam penelitian ini adalah data yang diperoleh dari Dinas Kesehatan Kota Cirebon berupa survei kepuasan pasien terhadap pelayanan 21 Puskesmas yang berada di Kota Cirebon, yaitu 1.

Puskesmas Kejaksan

2.

Puskesmas Jalan Kembang

28

3.

Puskesmas Nelayan

4.

Puskesmas Pamitran

5.

Puskesmas Kesambi

6.

Puskesmas Gunungsari

7.

Puskesmas Sunyaragi

8.

Puskesmas Majasem

9.

Puskesmas Drajat

10. Puskesmas Jagasatru 11. Puskesmas Astanagarib 12. Puskesmas Pekalangan 13. Puskesmas Kesunean 14. Puskesmas Pegambiran 15. Puskesmas Pesisir 16. Puskesmas Cangkol 17. Puskesmas Kalitanjung 18. Puskesmas Larangan 19. Puskesmas Perumnas Utara 20. Puskesmas Sitopeng 21. Puskesmas Kalijaga Permai

Total responden dalam survei ini adalah sebanyak 3.000 pasien yang akan menilai 14 unsur pelayanan Puskesmas, yaitu 1. Prosedur pelayanan, yaitu kemudahan tahapan pelayanan yang diberikan kapada masyarakat dilihat dari sisi kesederhanaan alur pelayanan 2.

Persyaratan Pelayanan, yaitu persyaratan teknis dan administratif yang diperlukan untuk mendapatkan pelayanan sesuai dengan jenis pelayanannya.

3.

Kejelasan Petugas Pelayanan, yaitu keberadaan dan kepastian petugas yang memberikan pelayanan (nama, jabatan serta kewenangan dan tanggung jawabnya).

4.

Kedisiplinan Petugas Pelayanan, yaitu kesungguhan petugas dalam memberikan pelayanan terutama terhadap konsistensi waktu kerja sesuai ketentuan yang berlaku.

29

5.

Tanggung Jawab Petugas Pelayanan, yaitu kejelasan wewenang dan tanggung jawab petugas dalam penyelenggaraan dan penyelesaian pelayanan.

6.

Kemampuan Petugas Pelayanan, yaitu tingkat keahlian dan keterampilan yang dimiliki petugas dalam memberikan/meyelesaikan pelayanan kepada masyarakat.

7.

Kecepatan Pelayanan, yaitu target waktu pelayanan dapat diselesaikan dalam waktu yang telah ditentukan oleh unit penyelenggara pelayanan.

8.

Keadilan Mendapat Pelayanan, yaitu pelaksanaan pelayanan dengan tidak membedakan golongan/status masyarakat yang dilayani.

9.

Kesopanan dan Keramahan Petugas, yaitu sikap dan perilaku petugas dalam memberikan pelayanan kepada masyarakat secara sopan dan ramah serta saling menghargai dan menghormati.

10. Kewajaran Biaya Pelayanan, yaitu keterjangkauan masyarakat terhadap besarnya biaya yang ditetapkan oleh unit layanan. 11. Kepastian Biaya Layanan, yaitu kesesuaian antarabiaya yang dibayarkan dengan biaya yang telah ditetapkan. 12. Kepastian Jadwal Pelayanan, yaitu pelaksanaan waktu pelayanan, sesuai dengan ketentuan yang telah ditetapkan. 13. Kenyamanan Lingkungan, yaitu kondisi sarana dan prasarana pelayanan yang bersih, rapi, dan teratur sehingga dapat memberikan rasa nyaman kepada penerima layanan. 14. Keamanan Pelayanan, yaitu terjaminnya tigkat keamanan lingkungan unit penyelenggara

palayananataupun

sarana

yang

digunakan,

sehingga

masyarakat merasa tenang untuk mendapatkan pelayanan terhadap risikorisiko yang diakibatkan dari pelaksanaan pelayanan. Jawaban dari responden merupakan nilai persepsi kepuasan pasien terhadap masing – masing unsur pelayanan tersebut. Untuk kategori “Tidak Baik” diberi nilai persepsi 1, “Kurang Baik” diberi nilai persepsi 2, “Baik” diberi nilai persepsi 3 dan “Sangat Baik” diberi nilai persepsi 4.

30

Tabel 3.1 Nilai Persepsi Pasien Nilai Persepsi

Nilai Interval Indeks Kepuasan Pasien

Nilai Interval Konversi

Mutu Pelayanan

Keterangan

1

1,00 – 1.75

25 – 43.75

D

Tidak baik

2

1,76 – 2.50

43,76 – 62.50

C

Kurang baik

3

2,51 – 3.25

62,51 – 81.25

B

Baik

4

3,26 – 4.00

81,26 – 100.00

A

Sangat baik

Tabel 3.2 Sampel Data ID

V1

V2

V3

V4

V5

V6

V7

V8

V9

V10

V11

V12

V13

V14

1

3

2

2

2

2

3

2

2

3

3

2

2

2

2

2

2

1

3

2

3

1

3

2

2

4

2

1

4

3

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

2.999

3

3

4

4

4

4

4

4

4

4

3

3

4

4

3.000

3

3

3

4

4

4

4

4

4

3

3

4

4

3

ID

: Nomor Responden

V1

: Prosedur Pelayanan

V2

: Persyaratan Pelayanan

V3

: Kejelasan Petugas Pelayanan

V4

: Kedisiplinan Petugas Pelayanan

V5

: Tanggung Jawab Petugas Pelayanan

V6

: Kemampuan Petugas Pelayanan

V7

: Kecepatan Pelayanan

V8

: Keadilan Mendapatkan Pelayanan

V9

: Kesopanan dan Keramahan Petugas

V10

: Kewajaran Biaya Pelayanan

V11

: Kepastian Biaya Pelayanan

31

V12

: Kepastian Jadwal Pelayanan

V13

: Kenyamanan Lingkungan

V14

: Keamanan Pelayanan

3.3

Pengolahan Awal Data

Pengolahan awal data bertujuan untuk memperoleh sejumlah sampel data dari 3.000 record data yang ada menggunakan rumus Slovin dengan taraf signifikansi α sebesar 10%. Dengan demikian akan diambil sampel data sebanyak 97 record data. Adapun tahapan – tahapan yang dilakukan adalah 1. Menentukan jumlah cluster 2. Menentukan sampel data Berikut di bawah ini adalah diagram yang mendeskripsikan langkah – langkah untuk menentukan jumlah cluster

MENENTUKAN JUMLAH CLUSTER Data survey kepuasan pasien

Menghitung nilai Kepuasan Pasien

Indeks

Mengkonversi nilai indeks kepuasan pasien sebagai persepsi mutu pelayanan “Tidak Baik”, “Kurang Baik”, “Baik” dan “Sangat Baik”.

Mengelompokkan Nilai persepsi mutu sesuai pada clusternya masing - masing

Jumlah cluster adalah 4 dikurangi cluster yang dihilangkan

Menghilangkan cluster yang tidak memiliki anggota himpunan

Gambar 3.2 Diagram Penentuan Jumlah Kluster

32

Berikut di bawah ini adalah diagram yang mendeskripsikan langkah – langkah dalam menentukan jumlah sampel data

MENENTUKAN JUMLAH SAMPEL DATA Meghitung jumlah populasi yang ada

Menentukan jumlah sampel data menggunakan rumus Slovin dengan taraf signifikansi sebesar 10%

Menggabungkan data dari dalam bentuk matrix n x m yang akan digunakan sebagai data sample

Gambar 3.3 Diagram Penentuan Jumalah Sapel Data

3.4

Eksperimen dan Pengujian Metode

Tahapan – tahapan yang akan dilakukan dalam eksperimen ini adalah 1. Eksperimen data sampel menngunalan metode K-Means 2. Eksperimen data sampel menggunakan metode Fuzzy C-Means

33

Berikut di bawah ini adalah diagram yang mendeskripsikan tahapan – tahapan eksperimen menggunakan metode K-Means

Data Sampel

Start

Menentukan Centroid

nilai

Ya Menghitung jarak antara titik centroid dengan titik tiap objek

Mengelompokkan objek ke clusternya masing – masing, dengan memperhitungkan jarak minimum

Melakukan pengecekan apakah terjadi perubahan posisi cluster

Tidak

Gambar 3.4 Diagram Clustering menggunakan K-Means

End

34

Berikut di bawah ini adalah diagram yang mendeskripsikan tahapan – tahapan eksperimen menggunakan metode Fuzzy C-Means

Data Sampel

Kondisi Berhenti Maksimum Iterasi

Target Error

Start

Bangkitkan bilangan random sebagai elemen matriks partisi awal

Menghitung pusat cluster

Menghitung fungsi objektif

Hitung perubahan matriks partisi

Tidak

Melakukan pengecekan apakah kondisi berhenti telah terpenuhi

Ya End

Gambar 3.4 Diagram Clustering menggunakan Fuzzy C-Means

35

3.5

Pengukuran Performance

Pengukuran performance akan dilakukan dengan menganalisis hasil clustering dari metode K-Means dan Fuzzy C-Means. Anggota cluster masing – masing metode akan dibandingkan dengan target cluster yang telah diperoleh dengan perhitungan metode “rata – rata tertimbang”

BAB IV HASIL DAN PEMBAHASAN 4.1

Hasil Penentuan Jumlah Cluster

Pengukuran Indeks Kepuasan Pasien sebagai indikator mutu pelayanan Puskesmas dihitung dengan menggunakan “nilai rata – rata tertimbang”. Dari proses perhitungan seluruh populasi yaitu 3.000 data, diperoleh Indeks Kepuasan Pasien dengan rentang nilai antara 49,7 sampai dengan 99,4 . Jika merujuk pada table 3.1 (Nilai Persepsi Pasien) maka dapat diketahui bahwa tidak ada nilai Indeks Kepuasan Pasien yang menjadi anggota himpunan katagori/cluster “Tidak Baik”, maka dalam penelitian ini cluster “Tidak baik” tidak akan dijadikan objek penelitian atau dengan kata lain dihilangkan. Dengan menghilangkan cluster “Tidak Baik” maka hanya ada 3 cluster yang akan diteliti yaitu “Kurang Baik”, “Baik” dan “Sangat Baik”

Tabel 4.1 contoh perhitungan IKP Atribut Nilai Persepsi V1 V2 V3 V4 V5 V6 V7 V8 V9 V10 V11 V12 V13 V14

Nilai Persepsi * 1/14

2 2 2 2 2 2 2 2 2 2 2 2 2 2

0.142 0.142 0.142 0.142 0.142 0.142 0.142 0.142 0.142 0.142 0.142 0.142 0.142 0.142 1.988 49.7

IKP IKP X 25

36

37

Tabel 4.2 Jumlah Cluster Nilai Persepsi

Nilai Interval Indeks Kepuasan Pasien

Nilai IKP * 25

Label Nilai

Konversi Mutu Pelayanan

1

1,00 – 1.75

25 – 43.75

D

Tidak baik

2

1,76 – 2.50

43,76 – 62.50

C

Kurang baik

3

2,51 – 3.25

62,51 – 81.25

B

Baik

4

3,26 – 4.00

81,26 – 100.00

A

Sangat baik

Keterangan : cluster yang diarsir warna merah adalah cluster yang dihilangkan

4.2

Hasil Perhitungan Sampling

Dilakukan proses sampling dengan menggunakan metode Simple Random Sampling. Jumlah ukuran sampel data ditentukan dengan menggunakan rumus Slovin dengan taraf signifikansi 𝛼 sebesar 10%

𝑛=

𝑁 1 + 𝑁𝛼 2

𝑛=

3.000 1 + (3.000 × 0.102 )

𝑛 = 96.774

Dibulatkan keatas menjadi 100.

Tabel 4.3 Sampel Data ID 1 2 3 4 5 6

V1 2 2 3 3 3 2

V2 2 2 2 2 2 1

V3 2 2 2 2 2 3

V4 2 2 2 2 2 2

V5 2 2 2 2 2 3

V6 2 2 3 3 3 1

V7 2 2 2 2 2 3

V8 2 2 2 2 2 2

V9 2 2 2 3 3 2

V10 V11 V12 V13 V14 2 2 2 2 2 2 2 2 2 3 3 2 2 2 2 3 2 2 2 2 3 2 2 2 2 4 2 1 4 3

38

7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49

3 2 2 2 3 3 3 3 3 3 3 3 3 3 4 4 3 3 3 3 3 4 3 4 4 4 3 3 3 2 3 3 3 3 4 4 4 4 3 3 3 4 3

2 2 2 2 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 2 3 3 4 3 3 3 3 3 4 4 3 3 3 3 3

3 2 2 2 2 3 3 3 3 3 2 2 3 3 3 3 3 3 3 3 4 3 4 3 3 3 3 3 3 3 3 3 3 3 3 4 3 3 3 3 3 3 3

2 2 2 2 1 2 2 3 2 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 2 3 3 3 3 3 3 3 3 3 3 3 3 3 3

2 2 3 2 3 3 3 3 3 3 3 2 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 2 3 2 3 3 3 3 3 3 3 3 3 3 3 3

2 3 3 3 3 2 3 3 3 3 3 2 3 3 3 2 3 2 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3

2 2 2 3 2 3 3 2 3 2 2 3 2 2 1 2 2 2 2 4 2 2 2 2 2 2 2 2 3 2 2 2 2 2 3 2 2 2 3 3 3 3 3

3 3 3 2 3 4 2 3 2 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3

3 2 2 2 2 3 3 3 3 3 2 3 2 3 3 2 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3

3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 2 4 3 4 2 3 3 3 3 4 4 3 3 3 3 3 3 3 3 4 3 3 4 3 3 3 3 3

2 3 3 3 4 2 3 2 3 4 3 3 3 3 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 3 4 4 4 4 4 4 4 4 4 3 4

2 2 2 3 4 2 2 2 2 2 3 3 3 2 2 4 2 4 2 2 2 2 1 2 2 2 4 4 4 4 4 2 2 4 2 2 2 2 4 4 4 3 3

2 2 3 3 3 3 2 2 2 2 3 3 2 2 2 3 2 2 2 2 2 2 2 2 2 2 2 3 3 3 2 4 3 2 2 2 2 2 2 2 2 3 3

2 3 2 2 2 2 3 3 3 2 3 3 3 3 4 3 3 3 3 3 3 3 4 3 3 3 3 3 3 3 3 4 4 3 3 4 4 3 3 3 3 3 3

39

50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92

3 3 3 3 3 3 3 3 3 3 3 2 3 4 3 3 3 3 4 3 3 3 3 3 4 3 4 4 4 3 4 3 3 3 3 3 4 4 3 4 3 4 3

3 3 3 3 3 3 3 3 3 3 3 3 3 3 4 4 3 3 3 3 3 3 3 3 3 3 4 4 4 4 4 3 3 4 3 3 3 3 4 3 3 3 4

3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 4 3 3 3 4 3 3 3 3 4 3 3 3 4 3 4 4 3 4 4 4 4 4 4 4 4 4

3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 4 4 4 3 3 4 3 4 3 4

3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 4 3 3 3 3 3 3 3 3 4 3 3 3 3 3 3 3 3 3 3 4 4 3 4 3 3

3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 4 3 3 3 3 3 3 3 4 3 3 3 4 4 4 4 4 4 4 4 4 4 3 4

3 3 3 3 3 3 3 3 3 3 2 3 3 2 2 3 3 3 3 2 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 4 3 3 3 4 4 4

3 3 3 3 3 3 3 3 3 3 3 3 4 3 3 3 3 3 3 3 4 3 3 3 3 3 3 3 4 3 3 4 3 4 3 3 4 3 3 4 4 3 4

3 3 3 3 3 3 3 3 3 3 3 3 2 3 3 2 2 2 2 3 2 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 4 3 3 3 4 4

3 3 3 3 3 3 3 3 3 3 3 4 3 3 3 3 3 3 3 3 3 3 4 4 3 3 4 4 4 3 3 4 4 3 4 4 3 4 3 3 3 4 3

4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 3 4 3

3 4 3 3 3 3 3 3 3 3 4 4 4 4 4 4 4 4 4 4 3 2 4 4 2 4 4 4 4 4 4 4 3 4 4 4 4 3 4 4 4 4 4

3 2 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 4 2 2 3 2 3 3 3 4 4 3 4 3 3 3 3 3 3 4 4 4 3

3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 4 3 3 4 3 3 3 3 4 4 3 4 3 3 3 3 3 3 4 3 4 4

40

93 94 95 96 97 98 99 100

3 3 3 4 4 4 4 4

3 3 4 4 4 4 4 4

4 3 4 4 4 4 4 4

4 4 4 3 4 4 4 4

4 4 3 4 4 4 4 4

4 4 4 4 4 4 4 4

4 4 4 4 4 4 4 4

4 4 4 4 4 4 4 4

4 4 3 4 4 4 4 4

3 4 4 4 4 4 4 4

4 4 4 4 4 4 4 4

4 4 4 4 4 4 4 4

Tabel 4.4 Sampel Data dengan IKP

ID

Indeks Kepuasan Pasien

IKP * 25

Label Nilai

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26

1.988 2.059 2.201 2.272 2.272 2.343 2.343 2.343 2.414 2.414 2.698 2.698 2.698 2.698 2.698 2.769 2.769 2.769 2.769 2.769 2.911 2.911 2.911 2.911 2.911 2.911

49.7 51.475 55.025 56.8 56.8 58.575 58.575 58.575 60.35 60.35 67.45 67.45 67.45 67.45 67.45 69.225 69.225 69.225 69.225 69.225 72.775 72.775 72.775 72.775 72.775 72.775

C C C C C C C C C C B B B B B B B B B B B B B B B B

Konversi Mutu Pelayanan Puskesmas Kurang Baik Kurang Baik Kurang Baik Kurang Baik Kurang Baik Kurang Baik Kurang Baik Kurang Baik Kurang Baik Kurang Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik

3 4 4 4 4 4 4 4

3 3 3 4 3 4 4 4

41

27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69

2.911 2.911 2.911 2.911 2.982 2.982 2.982 2.982 2.982 2.982 2.982 2.982 2.982 2.982 3.053 3.053 3.053 3.053 3.053 3.053 3.053 3.053 3.053 3.053 3.053 3.053 3.053 3.053 3.053 3.053 3.053 3.053 3.053 3.053 3.124 3.124 3.124 3.124 3.124 3.124 3.124 3.124 3.124

72.775 72.775 72.775 72.775 74.55 74.55 74.55 74.55 74.55 74.55 74.55 74.55 74.55 74.55 76.325 76.325 76.325 76.325 76.325 76.325 76.325 76.325 76.325 76.325 76.325 76.325 76.325 76.325 76.325 76.325 76.325 76.325 76.325 76.325 78.1 78.1 78.1 78.1 78.1 78.1 78.1 78.1 78.1

B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B

Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik

42

70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100

3.124 3.124 3.124 3.124 3.124 3.124 3.408 3.408 3.408 3.408 3.408 3.408 3.408 3.408 3.408 3.408 3.479 3.479 3.479 3.55 3.55 3.621 3.621 3.621 3.692 3.692 3.905 3.905 3.976 3.976 3.976

78.1 78.1 78.1 78.1 78.1 78.1 85.2 85.2 85.2 85.2 85.2 85.2 85.2 85.2 85.2 85.2 86.975 86.975 86.975 88.75 88.75 90.525 90.525 90.525 92.3 92.3 97.625 97.625 99.4 99.4 99.4

B B B B B B A A A A A A A A A A A A A A A A A A A A A A A A A

Baik Baik Baik Baik Baik Baik Sangat Baik Sangat Baik Sangat Baik Sangat Baik Sangat Baik Sangat Baik Sangat Baik Sangat Baik Sangat Baik Sangat Baik Sangat Baik Sangat Baik Sangat Baik Sangat Baik Sangat Baik Sangat Baik Sangat Baik Sangat Baik Sangat Baik Sangat Baik Sangat Baik Sangat Baik Sangat Baik Sangat Baik Sangat Baik

Dari table 4.4 dapat disimpulkan bahwa proses perhitungan “nilai rata – rata tertimbang” menghasilkan nilai indeks kepuasan pasien sebagai berikut 1. Responden dengan nomor 1, 2, 3, 4, 5, 6, 7, 8, 9 dan 10 memberikan penilaian mutu pelayanan Puskesmas dengan persepsi “Kurang Baik “ 2. Responden dengan nomor 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50, 51, 52, 53, 54, 55, 56, 57, 58, 59, 60, 61, 62, 63, 64, 65, 66,

43

67, 68, 69, 70, 71, 72, 73, 74 dan 75 memberikan penilaian mutu pelayanan Puskesmas dengan persepsi “Baik” 3. Responden dengan nomor 76, 77, 78 79, 80, 81, 82, 83, 84, 85, 86, 87, 88, 89, 90, 91, 92, 93, 94, 95, 96, 97, 98, 99 dan 100 memberikan penilaian mutu layanan Puskesmas dengan persepsi “Sangat Baik”

Nilai Indeks Kepuasan Pasien inilah yang akan dijadikan sebagai acuan pengukuran performance metode K-Means dan metode Fuzzy C-Means

4.3

Hasil Clustering dengan Metode K-Means

Dengan menggunakan softaware Matlab, proses komputasi K-Means berhenti pada iterasi ke 3, hal ini menandakan data telah konvergen, tidak ada perubahan anggota cluster. Pada iterasi terakhir pengujian diperoleh jarak antara titik centroid dengan tiap data sebagai berikut

Tabel 4.5 Jarak titik centroid dengan tiap data

ID

Jarak ke Centroid 1

Jarak ke Centroid 2

Jarak ke Centroid 3

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

2.933674 3.076531 1.790816 1.790816 1.790816 11.076531 2.219388 2.505102 2.790816 3.790816 10.647959 5.647959 3.362245 3.790816 3.362245 6.219388

16.032518 14.835797 12.475141 11.803010 11.803010 23.262026 10.573502 8.803010 8.917764 9.737436 8.163666 9.278420 4.622682 5.475141 4.622682 3.065305

36.508800 34.708800 29.588800 27.788800 27.788800 37.268800 25.668800 24.788800 22.668800 21.948800 18.028800 17.468800 14.668800 15.228800 14.668800 13.348800

44

17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59

5.219388 5.505102 5.076531 4.076531 12.076531 13.505102 7.505102 10.505102 7.505102 9.790816 8.505102 8.219388 11.647959 8.219388 9.362245 9.362245 10.362245 10.076531 9.933674 10.790816 12.790816 8.790816 8.790816 10.362245 9.647959 12.505102 12.933673 11.933673 10.647959 10.647959 10.647959 7.505102 7.933674 7.933674 10.647959 7.933674 7.933674 7.933674 7.933674 7.933674 7.933674 7.933674 7.933674

3.130879 4.311207 2.180059 2.671862 5.294813 4.835797 2.639076 2.475141 2.639076 5.065305 2.770223 2.475141 6.737436 2.475141 3.245633 3.245633 1.540715 2.524321 3.212846 2.786617 3.343994 5.180059 2.524321 1.540715 3.229240 4.180059 4.147272 4.114485 1.524321 1.524321 1.524321 1.950551 0.540715 0.540715 1.524321 0.540715 0.540715 0.540715 0.540715 0.540715 0.540715 0.540715 0.540715

11.828800 12.548800 11.348800 12.388800 15.668800 12.468800 11.268800 10.468800 11.268800 11.908800 11.028800 11.508800 16.068800 11.508800 11.228800 11.228800 7.868800 7.948800 7.788800 7.868800 9.628800 10.508800 9.708800 7.868800 9.268800 11.188800 11.588800 11.108800 5.908800 5.908800 5.908800 5.508800 4.708800 4.708800 5.908800 4.708800 4.708800 4.708800 4.708800 4.708800 4.708800 4.708800 4.708800

45

60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100

10.647959 12.219388 13.076531 12.505102 13.219388 13.505102 13.076531 13.076531 12.790816 12.505102 12.219388 11.362245 11.790816 11.790816 10.933673 12.790816 18.647959 18.362245 18.647959 20.076531 19.790816 18.219388 17.505102 20.362245 18.933673 18.933673 21.219388 19.076531 22.505102 23.362245 24.362245 24.790816 26.647959 26.362245 27.647959 28.219388 33.505102 34.219388 36.362245 36.362245 36.362245

1.393174 3.540715 2.983338 1.999731 2.262026 2.917764 2.950551 3.114485 2.655469 2.458748 3.048912 4.360387 2.294813 2.294813 3.114485 2.425961 4.688256 4.688256 4.557108 5.803010 5.507928 5.048912 5.934158 5.343994 5.212846 5.212846 6.868584 6.278420 6.376780 7.540715 11.081698 9.622682 11.163666 9.753830 11.475141 10.852190 13.557108 13.852190 14.655469 14.655469 14.655469

5.828800 5.628800 5.468800 5.788800 5.708800 5.548800 5.148800 5.788800 5.628800 5.228800 5.788800 7.708800 5.628800 5.628800 7.708800 5.388800 3.548800 2.828800 3.228800 3.388800 3.868800 2.268800 3.468800 2.908800 2.428800 2.428800 2.548800 3.588800 2.708800 2.668800 3.468800 3.428800 3.668800 2.868800 3.068800 2.108800 2.628800 2.388800 2.588800 2.588800 2.588800

46

Pengelompokan data dilakukan dengan memilih jarak minimum antara objek dengan titik centroid setiap cluster

Tabel 4. 6 Hasil pengelompokan data menggunakan K-Means ID

Jarak ke Centroid 1

Jarak ke Centroid 2

Jarak ke Centroid 3

Cluster 1

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33

2.933674 3.076531 1.790816 1.790816 1.790816 11.076531 2.219388 2.505102 2.790816 3.790816 10.647959 5.647959 3.362245 3.790816 3.362245 6.219388 5.219388 5.505102 5.076531 4.076531 12.076531 13.505102 7.505102 10.505102 7.505102 9.790816 8.505102 8.219388 11.647959 8.219388 9.362245 9.362245 10.362245

16.032518 14.835797 12.475141 11.803010 11.803010 23.262026 10.573502 8.803010 8.917764 9.737436 8.163666 9.278420 4.622682 5.475141 4.622682 3.065305 3.130879 4.311207 2.180059 2.671862 5.294813 4.835797 2.639076 2.475141 2.639076 5.065305 2.770223 2.475141 6.737436 2.475141 3.245633 3.245633 1.540715

36.508800 34.708800 29.588800 27.788800 27.788800 37.268800 25.668800 24.788800 22.668800 21.948800 18.028800 17.468800 14.668800 15.228800 14.668800 13.348800 11.828800 12.548800 11.348800 12.388800 15.668800 12.468800 11.268800 10.468800 11.268800 11.908800 11.028800 11.508800 16.068800 11.508800 11.228800 11.228800 7.868800

X X X X X X X X X X

Cluster 2

X X X X X X X X X X X X X X X X X X X X X X X

Cluster 3

47

34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74

10.076531 9.933674 10.790816 12.790816 8.790816 8.790816 10.362245 9.647959 12.505102 12.933673 11.933673 10.647959 10.647959 10.647959 7.505102 7.933674 7.933674 10.647959 7.933674 7.933674 7.933674 7.933674 7.933674 7.933674 7.933674 7.933674 10.647959 12.219388 13.076531 12.505102 13.219388 13.505102 13.076531 13.076531 12.790816 12.505102 12.219388 11.362245 11.790816 11.790816 10.933673

2.524321 3.212846 2.786617 3.343994 5.180059 2.524321 1.540715 3.229240 4.180059 4.147272 4.114485 1.524321 1.524321 1.524321 1.950551 0.540715 0.540715 1.524321 0.540715 0.540715 0.540715 0.540715 0.540715 0.540715 0.540715 0.540715 1.393174 3.540715 2.983338 1.999731 2.262026 2.917764 2.950551 3.114485 2.655469 2.458748 3.048912 4.360387 2.294813 2.294813 3.114485

7.948800 7.788800 7.868800 9.628800 10.508800 9.708800 7.868800 9.268800 11.188800 11.588800 11.108800 5.908800 5.908800 5.908800 5.508800 4.708800 4.708800 5.908800 4.708800 4.708800 4.708800 4.708800 4.708800 4.708800 4.708800 4.708800 5.828800 5.628800 5.468800 5.788800 5.708800 5.548800 5.148800 5.788800 5.628800 5.228800 5.788800 7.708800 5.628800 5.628800 7.708800

X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X

48

75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100

12.790816 18.647959 18.362245 18.647959 20.076531 19.790816 18.219388 17.505102 20.362245 18.933673 18.933673 21.219388 19.076531 22.505102 23.362245 24.362245 24.790816 26.647959 26.362245 27.647959 28.219388 33.505102 34.219388 36.362245 36.362245 36.362245

2.425961 4.688256 4.688256 4.557108 5.803010 5.507928 5.048912 5.934158 5.343994 5.212846 5.212846 6.868584 6.278420 6.376780 7.540715 11.081698 9.622682 11.163666 9.753830 11.475141 10.852190 13.557108 13.852190 14.655469 14.655469 14.655469

5.388800 3.548800 2.828800 3.228800 3.388800 3.868800 2.268800 3.468800 2.908800 2.428800 2.428800 2.548800 3.588800 2.708800 2.668800 3.468800 3.428800 3.668800 2.868800 3.068800 2.108800 2.628800 2.388800 2.588800 2.588800 2.588800

X X X X X X X X X X X X X X X X X X X X X X X X X X

Dari table 4.6 dapat disimpulkan bahwa proses perhitungan metode K-Means menghasilkan cluster sebagai berikut: 1. Kelompok/cluster “Kurang Baik” adalah responden dengan nomor 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 12, 13, 14 dan 15. 2. Kelompok/cluster “Baik” adalah responden dengan nomor 11, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50, 51, 52, 53, 54, 55, 56, 57, 58, 59, 60, 61, 62, 63, 64, 65, 66, 67, 68, 69, 70, 71, 72, 73, 74 dan 75 3. Kelompok/cluster “Sangat Baik” adalah responden dengan nomor 76, 77, 78, 79, 80, 81, 82, 83, 84, 85, 86, 87, 88, 89, 90, 91, 92, 93, 94, 95, 96, 97, 98, 99 dan 100

49

Gambar 4.1 Titik – titik data pada cluster menggunakan K-Means

4.4

Hasil Clustering dengan Metode Fuzzy C-Means

Proses pengujian metode C-Means membutuhkan nilai parameter target error dan maksimum iterasi sebagai basis berhentinya proses komputasi. Dalam penelitian ini digunakan parameter target error sebesar 0,00001 dan parameter maksimum iterasi sebesar 100. Dengan menggunakan softaware Matlab, komputasi berhenti pada iterasi ke 33, hal ini menandakan target error telah tercapai.

Pada iterasi terakhir diperoleh nilai matriks partisi sebagai berikut

50

Tabel 4.7 Nilai Matriks Partisi

ID

𝝁𝒊𝟏

𝝁𝒊𝟐

𝝁𝒊𝟑

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35

0.517012 0.523048 0.556729 0.562614 0.562614 0.435186 0.565703 0.567880 0.528315 0.451465 0.371695 0.465702 0.609498 0.630587 0.609498 0.584837 0.483571 0.427627 0.571467 0.766795 0.489931 0.315190 0.569132 0.320013 0.569132 0.385503 0.513806 0.567607 0.483912 0.567607 0.519548 0.519548 0.271347 0.265579 0.252778

0.169279 0.165803 0.154269 0.152332 0.152332 0.233357 0.150620 0.138628 0.155764 0.184358 0.220703 0.206956 0.118056 0.125631 0.118056 0.114214 0.141388 0.169148 0.107361 0.063726 0.181727 0.233188 0.127752 0.180413 0.127752 0.213618 0.149222 0.126322 0.196616 0.126322 0.161527 0.161527 0.176426 0.210793 0.233145

0.313709 0.311149 0.289002 0.285054 0.285054 0.331456 0.283677 0.293492 0.315921 0.364177 0.407602 0.327342 0.272446 0.243782 0.272446 0.300949 0.375041 0.403225 0.321172 0.169479 0.328342 0.451622 0.303116 0.499574 0.303116 0.400879 0.336971 0.306071 0.319472 0.306071 0.318926 0.318926 0.552226 0.523628 0.514077

51

36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76

0.249848 0.305128 0.418624 0.458456 0.271347 0.447932 0.435027 0.434747 0.450463 0.193882 0.193882 0.193882 0.325197 0.098094 0.098094 0.193882 0.098094 0.098094 0.098094 0.098094 0.098094 0.098094 0.098094 0.098094 0.193724 0.206797 0.194571 0.225087 0.211862 0.196095 0.190781 0.202187 0.206597 0.211705 0.243833 0.316265 0.221470 0.221470 0.365161 0.206670 0.169154

0.223620 0.230643 0.226985 0.164879 0.176426 0.196068 0.214379 0.209698 0.206612 0.197019 0.197019 0.197019 0.217565 0.072870 0.072870 0.197019 0.072870 0.072870 0.072870 0.072870 0.072870 0.072870 0.072870 0.072870 0.194377 0.318155 0.316909 0.259752 0.274908 0.308473 0.327599 0.306583 0.294484 0.296217 0.312186 0.279177 0.270143 0.270143 0.237665 0.292676 0.495350

0.526533 0.464229 0.354391 0.376665 0.552226 0.356000 0.350595 0.355554 0.342925 0.609099 0.609099 0.609099 0.457238 0.829037 0.829037 0.609099 0.829037 0.829037 0.829037 0.829037 0.829037 0.829037 0.829037 0.829037 0.611899 0.475048 0.488520 0.515161 0.513229 0.495432 0.481620 0.491230 0.498919 0.492078 0.443981 0.404558 0.508387 0.508387 0.397174 0.500654 0.335497

52

77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100

0.153219 0.159103 0.151690 0.167278 0.126662 0.180471 0.141467 0.132893 0.132893 0.132551 0.193249 0.137340 0.137063 0.152050 0.154643 0.160114 0.137742 0.142045 0.120286 0.135962 0.130566 0.133944 0.133944 0.133944

0.543329 0.519615 0.531488 0.493415 0.614708 0.521058 0.561375 0.596741 0.596741 0.611974 0.518229 0.593211 0.612026 0.597247 0.579078 0.586455 0.617153 0.614515 0.666811 0.645332 0.657458 0.652026 0.652026 0.652026

0.303452 0.321282 0.316822 0.339307 0.258630 0.298471 0.297158 0.270366 0.270366 0.255475 0.288522 0.269448 0.250912 0.250704 0.266279 0.253431 0.245104 0.243440 0.212903 0.218706 0.211976 0.214030 0.214030 0.214030

Matriks partisi berisi nilai derajat keanggotaan setiap data terhadap seluruh cluster. Oleh karena itu untuk mengelompokkan data, dipilih nilai derajat keanggotaan yang tertinggi

53

Tabel 4.8 Hasil Pengelompokan data menggunakan Fuzzy C-Mean

ID

𝝁𝒊𝟏

𝝁𝒊𝟐

𝝁𝒊𝟑

Cluster 1

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35

0.517012 0.523048 0.556729 0.562614 0.562614 0.435186 0.565703 0.567880 0.528315 0.451465 0.371695 0.465702 0.609498 0.630587 0.609498 0.584837 0.483571 0.427627 0.571467 0.766795 0.489931 0.315190 0.569132 0.320013 0.569132 0.385503 0.513806 0.567607 0.483912 0.567607 0.519548 0.519548 0.271347 0.265579 0.252778

0.169279 0.165803 0.154269 0.152332 0.152332 0.233357 0.150620 0.138628 0.155764 0.184358 0.220703 0.206956 0.118056 0.125631 0.118056 0.114214 0.141388 0.169148 0.107361 0.063726 0.181727 0.233188 0.127752 0.180413 0.127752 0.213618 0.149222 0.126322 0.196616 0.126322 0.161527 0.161527 0.176426 0.210793 0.233145

0.313709 0.311149 0.289002 0.285054 0.285054 0.331456 0.283677 0.293492 0.315921 0.364177 0.407602 0.327342 0.272446 0.243782 0.272446 0.300949 0.375041 0.403225 0.321172 0.169479 0.328342 0.451622 0.303116 0.499574 0.303116 0.400879 0.336971 0.306071 0.319472 0.306071 0.318926 0.318926 0.552226 0.523628 0.514077

X X X X X X X X X X

Cluster 2

Cluster 3

X X X X X X X X X X X X X X X X X X X X X X X X X

54

36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76

0.249848 0.305128 0.418624 0.458456 0.271347 0.447932 0.435027 0.434747 0.450463 0.193882 0.193882 0.193882 0.325197 0.098094 0.098094 0.193882 0.098094 0.098094 0.098094 0.098094 0.098094 0.098094 0.098094 0.098094 0.193724 0.206797 0.194571 0.225087 0.211862 0.196095 0.190781 0.202187 0.206597 0.211705 0.243833 0.316265 0.221470 0.221470 0.365161 0.206670 0.169154

0.223620 0.230643 0.226985 0.164879 0.176426 0.196068 0.214379 0.209698 0.206612 0.197019 0.197019 0.197019 0.217565 0.072870 0.072870 0.197019 0.072870 0.072870 0.072870 0.072870 0.072870 0.072870 0.072870 0.072870 0.194377 0.318155 0.316909 0.259752 0.274908 0.308473 0.327599 0.306583 0.294484 0.296217 0.312186 0.279177 0.270143 0.270143 0.237665 0.292676 0.495350

0.526533 0.464229 0.354391 0.376665 0.552226 0.356000 0.350595 0.355554 0.342925 0.609099 0.609099 0.609099 0.457238 0.829037 0.829037 0.609099 0.829037 0.829037 0.829037 0.829037 0.829037 0.829037 0.829037 0.829037 0.611899 0.475048 0.488520 0.515161 0.513229 0.495432 0.481620 0.491230 0.498919 0.492078 0.443981 0.404558 0.508387 0.508387 0.397174 0.500654 0.335497

X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X

55

77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100

0.153219 0.159103 0.151690 0.167278 0.126662 0.180471 0.141467 0.132893 0.132893 0.132551 0.193249 0.137340 0.137063 0.152050 0.154643 0.160114 0.137742 0.142045 0.120286 0.135962 0.130566 0.133944 0.133944 0.133944

0.543329 0.519615 0.531488 0.493415 0.614708 0.521058 0.561375 0.596741 0.596741 0.611974 0.518229 0.593211 0.612026 0.597247 0.579078 0.586455 0.617153 0.614515 0.666811 0.645332 0.657458 0.652026 0.652026 0.652026

0.303452 0.321282 0.316822 0.339307 0.258630 0.298471 0.297158 0.270366 0.270366 0.255475 0.288522 0.269448 0.250912 0.250704 0.266279 0.253431 0.245104 0.243440 0.212903 0.218706 0.211976 0.214030 0.214030 0.214030

X X X X X X X X X X X X X X X X X X X X X X X X

Dari table 4.8 dapat disimpulkan disimpulkan bahwa proses perhitungan metode Fuzzy C-Means menghasilkan cluster sebagai berikut: : 1. Kelompok/cluster “Kurang Baik” adalah responden dengan nomor 1, 2, 3, 4, 5, 6, 7, 8 , 9, 10, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 23, 25, 27, 28, 29, 30, 31, 32, 38, 39, 41, 42, 43 dan 44 2. Kelompok/cluster “Baik” adalah responden dengan nomor 11, 22, 24, 26, 33, 34, 35, 36, 37, 40, 45, 46, 47, 48, 49, 50, 51, 52, 53, 54, 55, 56, 57, 58, 59, 60, 61, 62, 63, 64, 65, 66, 67, 68, 69, 70, 71, 72, 73, 74 dan 75 3. Kelompok/cluster “Sangat Baik” adalah responden dengan nomor 76, 77, 78 79, 80, 81, 82, 83, 84, 85, 86, 87, 88, 89, 90, 91, 92, 93, 94, 95, 96, 97, 98, 99 dan 100

56

Gambar 4.2 Titik – titik data pada cluster menggunakan Fuzzy C-Means

4.5

Hasil Perhitungan Indeks Kepuasan Masyarakat dengan Pembobotan

Eksperimen ini dilakukan untuk mengetahui sejauh mana pemberian bobot pada masing – masing unsur pelayanan dapat berpengaruh pada nilai Indeks Kepuasan Pasien yang akan diperoleh, dan untuk mengetahui sejauh mana akan mempengaruhi kesesuaian cluster yang dihasilkan dengan menggunakan metode K-Means dan Fuzzy C-Means. Berikut dibawah ini adalah nilai bobot yang diberikan kepada 14 unsur pelayanan Tabel 4.9 Nilai bobot masing – masing unsur pelayanan

Unsur Pelayaan V1 V2 V3 V4 V5 V6

Bobot 0.9769669 0.9578107 0.9801596 1.2100342 0.9354618 0.9641961

57

V7 V8 V9 V10 V11 V12 V13 V14 ∑

0.9610034 0.9769669 1.0152794 1.008894 0.986545 1.040821 0.9993158 0.986545 14

Berikut dibawah ini adalah ilustrasi perubahan nilai Indeks Kepuasan Pasien yang dilakukan pada Eksperimen 2 sebagai akibat dari pemberian nilai bobot yang berbeda pada masing – masing unsur pelayanan

Tabel 4.10 Perubahan nilai Indeks Kepuasan Pasien akibat pengaturan bobot masing masing unsur pelayanan

Eksperimen 1

Eksperimen 2

ID

Indeks Kepuasan Pasien

IKP * 25

Label Nilai

Konversi Mutu Pelayanan Puskesmas

Indeks Kepuasan Pasien

IKP * 25

Label Nilai

Konversi Mutu Pelayanan Puskesmas

1

1.988

49.7

C

Kurang Baik

2.000

50.000

C

Kurang Baik

2

2.059

51.475

C

Kurang Baik

2.070

51.762

C

Kurang Baik

3

2.201

55.025

C

Kurang Baik

2.211

55.268

C

Kurang Baik

4

2.272

56.8

C

Kurang Baik

2.283

57.081

C

Kurang Baik

5

2.272

56.8

C

Kurang Baik

2.283

57.081

C

Kurang Baik

6

2.343

58.575

C

Kurang Baik

2.351

58.780

C

Kurang Baik

7

2.343

58.575

C

Kurang Baik

2.354

58.854

C

Kurang Baik

8

2.343

58.575

C

Kurang Baik

2.352

58.791

C

Kurang Baik

9

2.414

60.35

C

Kurang Baik

2.419

60.485

C

Kurang Baik

10

2.414

60.35

C

Kurang Baik

2.426

60.644

C

Kurang Baik

11

2.698

67.45

B

Baik

2.690

67.258

B

Baik

12

2.698

67.45

B

Baik

2.699

67.480

B

Baik

13

2.698

67.45

B

Baik

2.698

67.452

B

Baik

14

2.698

67.45

B

Baik

2.715

67.879

B

Baik

15

2.698

67.45

B

Baik

2.698

67.452

B

Baik

16

2.769

69.225

B

Baik

2.786

69.641

B

Baik

17

2.769

69.225

B

Baik

2.789

69.721

B

Baik

18

2.769

69.225

B

Baik

2.794

69.857

B

Baik

58

19

2.769

69.225

B

Baik

2.787

69.686

B

Baik

20

2.769

69.225

B

Baik

2.786

69.641

B

Baik

21

2.911

72.775

B

Baik

2.928

73.193

B

Baik

22

2.911

72.775

B

Baik

2.932

73.312

B

Baik

23

2.911

72.775

B

Baik

2.928

73.204

B

Baik

24

2.911

72.775

B

Baik

2.936

73.398

B

Baik

25

2.911

72.775

B

Baik

2.928

73.204

B

Baik

26

2.911

72.775

B

Baik

2.921

73.033

B

Baik

27

2.911

72.775

B

Baik

2.926

73.153

B

Baik

28

2.911

72.775

B

Baik

2.926

73.147

B

Baik

29

2.911

72.775

B

Baik

2.922

73.056

B

Baik

30

2.911

72.775

B

Baik

2.926

73.147

B

Baik

31

2.982

74.55

B

Baik

2.998

74.949

B

Baik

32

2.982

74.55

B

Baik

2.998

74.949

B

Baik

33

2.982

74.55

B

Baik

3.005

75.120

B

Baik

34

2.982

74.55

B

Baik

3.008

75.194

B

Baik

35

2.982

74.55

B

Baik

2.992

74.789

B

Baik

36

2.982

74.55

B

Baik

3.006

75.160

B

Baik

37

2.982

74.55

B

Baik

3.006

75.160

B

Baik

38

2.982

74.55

B

Baik

2.999

74.971

B

Baik

39

2.982

74.55

B

Baik

2.998

74.949

B

Baik

40

2.982

74.55

B

Baik

3.005

75.120

B

Baik

41

3.053

76.325

B

Baik

3.067

76.665

B

Baik

42

3.053

76.325

B

Baik

3.066

76.659

B

Baik

43

3.053

76.325

B

Baik

3.065

76.619

B

Baik

44

3.053

76.325

B

Baik

3.066

76.659

B

Baik

45

3.053

76.325

B

Baik

3.073

76.836

B

Baik

46

3.053

76.325

B

Baik

3.073

76.836

B

Baik

47

3.053

76.325

B

Baik

3.073

76.836

B

Baik

48

3.053

76.325

B

Baik

3.070

76.745

B

Baik

49

3.053

76.325

B

Baik

3.070

76.762

B

Baik

50

3.053

76.325

B

Baik

3.070

76.762

B

Baik

51

3.053

76.325

B

Baik

3.073

76.836

B

Baik

52

3.053

76.325

B

Baik

3.070

76.762

B

Baik

53

3.053

76.325

B

Baik

3.070

76.762

B

Baik

54

3.053

76.325

B

Baik

3.070

76.762

B

Baik

55

3.053

76.325

B

Baik

3.070

76.762

B

Baik

56

3.053

76.325

B

Baik

3.070

76.762

B

Baik

57

3.053

76.325

B

Baik

3.070

76.762

B

Baik

58

3.053

76.325

B

Baik

3.070

76.762

B

Baik

59

3.053

76.325

B

Baik

3.070

76.762

B

Baik

59

60

3.053

76.325

B

Baik

3.076

76.904

B

Baik

61

3.124

78.1

B

Baik

3.147

78.677

B

Baik

62

3.124

78.1

B

Baik

3.142

78.552

B

Baik

63

3.124

78.1

B

Baik

3.146

78.649

B

Baik

64

3.124

78.1

B

Baik

3.145

78.615

B

Baik

65

3.124

78.1

B

Baik

3.141

78.518

B

Baik

66

3.124

78.1

B

Baik

3.142

78.558

B

Baik

67

3.124

78.1

B

Baik

3.139

78.478

B

Baik

68

3.124

78.1

B

Baik

3.142

78.552

B

Baik

69

3.124

78.1

B

Baik

3.145

78.626

B

Baik

70

3.124

78.1

B

Baik

3.138

78.444

B

Baik

71

3.124

78.1

B

Baik

3.138

78.449

B

Baik

72

3.124

78.1

B

Baik

3.145

78.637

B

Baik

73

3.124

78.1

B

Baik

3.145

78.637

B

Baik

74

3.124

78.1

B

Baik

3.136

78.409

B

Baik

75

3.124

78.1

B

Baik

3.143

78.586

B

Baik

76

3.408

85.2

A

Sangat Baik

3.422

85.547

A

Sangat Baik

77

3.408

85.2

A

Sangat Baik

3.424

85.599

A

Sangat Baik

78

3.408

85.2

A

Sangat Baik

3.425

85.621

A

Sangat Baik

79

3.408

85.2

A

Sangat Baik

3.425

85.627

A

Sangat Baik

80

3.408

85.2

A

Sangat Baik

3.425

85.621

A

Sangat Baik

81

3.408

85.2

A

Sangat Baik

3.426

85.639

A

Sangat Baik

82

3.408

85.2

A

Sangat Baik

3.423

85.582

A

Sangat Baik

83

3.408

85.2

A

Sangat Baik

3.438

85.958

A

Sangat Baik

84

3.408

85.2

A

Sangat Baik

3.442

86.055

A

Sangat Baik

85

3.408

85.2

A

Sangat Baik

3.442

86.055

A

Sangat Baik

86

3.479

86.975

A

Sangat Baik

3.492

87.298

A

Sangat Baik

87

3.479

86.975

A

Sangat Baik

3.491

87.263

A

Sangat Baik

88

3.479

86.975

A

Sangat Baik

3.505

87.634

A

Sangat Baik

89

3.55

88.75

A

Sangat Baik

3.565

89.128

A

Sangat Baik

90

3.55

88.75

A

Sangat Baik

3.576

89.407

A

Sangat Baik

91

3.621

90.525

A

Sangat Baik

3.640

90.992

A

Sangat Baik

92

3.621

90.525

A

Sangat Baik

3.649

91.237

A

Sangat Baik

93

3.621

90.525

A

Sangat Baik

3.648

91.197

A

Sangat Baik

94

3.692

92.3

A

Sangat Baik

3.721

93.033

A

Sangat Baik

95

3.692

92.3

A

Sangat Baik

3.720

93.010

A

Sangat Baik

96

3.905

97.625

A

Sangat Baik

3.914

97.839

A

Sangat Baik

97

3.905

97.625

A

Sangat Baik

3.930

98.238

A

Sangat Baik

98

3.976

99.4

A

Sangat Baik

4.000

100.000

A

Sangat Baik

99

3.976

99.4

A

Sangat Baik

4.000

100.000

A

Sangat Baik

100

3.976

99.4

A

Sangat Baik

4.000

100.000

A

Sangat Baik

60

4.6

Hasil Pengukuran Performance Metode K-Means dan Fuzzy C-Means

Berdasarkan pengujian metode K-Means dan Fuzzy C-Means yang telah disajikan diatas maka proses selanjutnya adalah melakukan pengukuran performance dari kedua metode tersebut.Pengukuran performance dan pengukuran

akurasi ditetapkan

berdasarkan kesesuaian antara nilai Indeks Kepuasan Pasien yang diperoleh berdasarkan perhitungan “nilai rata – rata tertimbang” (Tabel 4.4) dengan anggota cluster – cluster yang diperoleh berdasarkan perhitungan dengan metode K-Means (Tabel 4.6) dan perhitungan dengan metode Fuzzy C-Means (Tabel 4.8).

Pada pengukuran akurasi metode K-Means, hasil perhitungan dinyatakan AKURAT jika anggota cluster pada hasil perhitungan dengan metode K-Means sesuai dengan nilai persepsi mutu pelayanan yang dihasilkan menggunakan perhitungan “nilai rata – rata tertimbang”. Apabila sebaliknya maka dinyatakan TIDAK AKURAT. Begitupun pada pengukran akurasi metode Fuzzy C-Means, hasil perhitungan dinyatakan AKURAT jika anggota cluster pada hasil perhitungan dengan metode Fuzzy C-Means sesuai dengan nilai persepsi mutu pelayanan yang dihasilkan menggunakan perhitungan “nilai rata – rata tertimbang”. Apabila sebaliknya maka dinyatakan TIDAK AKURAT Akurasi hasil analisis cluster dengan masing – masing metode disajikan pada table 4.9 berikut :

Tabel 4.9 Pengukuran Akurasi Metode K-Mean dan Fuzzy C-Means

Nilai Rata - Rata Tertimbang

K-Means

Fuzzy C-Means

ID Kurang Baik

Baik

Sangat Baik

Kurang Baik

Baik

Sangat Baik

Result

Kurang Baik

Baik

Sangat Baik

Result

1

X

X

Akurat

X

Akurat

2

X

X

Akurat

X

Akurat

3

X

X

Akurat

X

Akurat

4

X

X

Akurat

X

Akurat

5

X

X

Akurat

X

Akurat

61

6

X

X

Akurat

X

Akurat

7

X

X

Akurat

X

Akurat

8

X

X

Akurat

X

Akurat

9

X

X

Akurat

X

Akurat

10

X

X

Akurat

X

Akurat

11

X

X

Akurat

X

12

X

X

Tidak

X

Tidak

13

X

X

Tidak

X

Tidak

14

X

X

Tidak

X

Tidak

15

X

X

Tidak

X

Tidak

16

X

X

Akurat

X

Tidak

17

X

X

Akurat

X

Tidak

18

X

X

Akurat

X

Tidak

19

X

X

Akurat

X

Tidak

20

X

X

Akurat

X

Tidak

21

X

X

Akurat

X

Tidak

22

X

X

Akurat

23

X

X

Akurat

24

X

X

Akurat

25

X

X

Akurat

26

X

X

Akurat

27

X

X

Akurat

X

Tidak

28

X

X

Akurat

X

Tidak

29

X

X

Akurat

X

Tidak

30

X

X

Akurat

X

Tidak

31

X

X

Akurat

X

Tidak

32

X

X

Akurat

X

Tidak

33

X

X

Akurat

X

Akurat

34

X

X

Akurat

X

Akurat

35

X

X

Akurat

X

Akurat

36

X

X

Akurat

X

Akurat

37

X

X

Akurat

X

Akurat

38

X

X

Akurat

X

Tidak

39

X

X

Akurat

X

Tidak

40

X

X

Akurat

41

X

X

Akurat

X

Tidak

42

X

X

Akurat

X

Tidak

43

X

X

Akurat

X

Tidak

44

X

X

Akurat

X

Tidak

45

X

X

Akurat

X

Akurat

46

X

X

Akurat

X

Akurat

X X

Akurat

Akurat Tidak

X X

Akurat Tidak

X

X

Akurat

Akurat

62

47

X

X

Akurat

X

Akurat

48

X

X

Akurat

X

Akurat

49

X

X

Akurat

X

Akurat

50

X

X

Akurat

X

Akurat

51

X

X

Akurat

X

Akurat

52

X

X

Akurat

X

Akurat

53

X

X

Akurat

X

Akurat

54

X

X

Akurat

X

Akurat

55

X

X

Akurat

X

Akurat

56

X

X

Akurat

X

Akurat

57

X

X

Akurat

X

Akurat

58

X

X

Akurat

X

Akurat

59

X

X

Akurat

X

Akurat

60

X

X

Akurat

X

Akurat

61

X

X

Akurat

X

Akurat

62

X

X

Akurat

X

Akurat

63

X

X

Akurat

X

Akurat

64

X

X

Akurat

X

Akurat

65

X

X

Akurat

X

Akurat

66

X

X

Akurat

X

Akurat

67

X

X

Akurat

X

Akurat

68

X

X

Akurat

X

Akurat

69

X

X

Akurat

X

Akurat

70

X

X

Akurat

X

Akurat

71

X

X

Akurat

X

Akurat

72

X

X

Akurat

X

Akurat

73

X

X

Akurat

X

Akurat

74

X

X

Akurat

X

Akurat

75

X

X

Akurat

X

Akurat

76

X

X

Akurat

X

Akurat

77

X

X

Akurat

X

Akurat

78

X

X

Akurat

X

Akurat

79

X

X

Akurat

X

Akurat

80

X

X

Akurat

X

Akurat

81

X

X

Akurat

X

Akurat

82

X

X

Akurat

X

Akurat

83

X

X

Akurat

X

Akurat

84

X

X

Akurat

X

Akurat

85

X

X

Akurat

X

Akurat

86

X

X

Akurat

X

Akurat

87

X

X

Akurat

X

Akurat

63

88

X

X

Akurat

X

Akurat

89

X

X

Akurat

X

Akurat

90

X

X

Akurat

X

Akurat

91

X

X

Akurat

X

Akurat

92

X

X

Akurat

X

Akurat

93

X

X

Akurat

X

Akurat

94

X

X

Akurat

X

Akurat

95

X

X

Akurat

X

Akurat

96

X

X

Akurat

X

Akurat

97

X

X

Akurat

X

Akurat

98

X

X

Akurat

X

Akurat

99 10 0

X

X

Akurat

X

Akurat

X

X

Akurat

X

Akurat

Pada proses pengukuran akurasi yang digambarkan pada table 4.9 di atas maka dapat di hitung performance dari metode K-Means dan Fuzzy C-Means adalah sebagai berikut

Tabel 4.10 Performance Metode K-Mean dan Fuzzy C-Means

K-Means Akurat Tidak Akurat Performance

96 4 96%

Fuzzy CMeans 76 24 76%

Table 4.10 di atas menunjukkan tingkat performance metode K-Means pada kasus pengelompokan Indeks Kepuasan Pasien dengan 100 sampel data menunjukkan angka 96%,

jika

dibandingkan

dengan

tingkat

akurasi

berdasarkan

perhitungan

menggunakan metode Fuzzy C-Means dengan kasus dan jumlah sampel data yang sama menunjukkan angka 76%, terdapat kenaikan tingkat akurasi sebesar 20%

64

4.7

Pembahasan

Berdasarkan beberapa eksperiman yang telah dilakukan maka dapat ditarik sebuah hipotesa, sebagai berikut a) Pemberian bobot pada masing – masing unsur pelayanan akan mempengaruhi nilai Indeks Kepuasan Pasien yang dihasilkan, walaupun demikian tidak mempengaruhi cluster yang terbentuk karena perubahan nilai Indeks Kepuasan Pasien yang dihasilkan relative kecil, sehingga nilai Indeks Kepuasan Pasien yang dihasilkan masih terdapat dalam cluster cluster yang sama seperti sebelumnya. b) Pemberian bobot pada masing – masing unsur pelayanan tidak mempengaruhi cluster yyang terbentuk pada proses clustering menggunakan metode K-Means dan Fuzzy C-Means karena kedua metode ini bersifat Unsupervised, sehingga tidak mampu melakukan pembelajaran melalui output – output yang dihasilkan sebagai akibat perubahan bobot yang diberikan c) Dari hasil eksperimen yang dilakukan, pada studi kasus pengelompokkan nilai Indeks Kepuasan Pasien Puskesmas dengan menggunakan 100 sampel data menunjukkan performance metode hard clustering dengan K-Mean menawarkan hasil yang lebih baik jika dibandingkan dengan metode soft clustering dengan Fuzzy C-Means, hal ini disebabkan karena dalam kasus ini data sampel yang digunakan seluruhnya terisi atau dengan kata lain tidak ada missing value, dan nilai input yang kurang bervariasi dengan range nilai hanya antara 1 sampai 4 sehingga keunggulan dari metode Fuzzy C-Means yang mampu mengakomodir missing value dan ketidakpastian tidak terlalu berperan. Grafik di bawah ini mendeskripsikan akurasi dari masing – masing metode pada kasus clustering indeks kepuasan pasien dengan 100 data sampel

65

Performance Metode K-Means 4%

Akurat Tidak Akurat 96%

Gambar 4.3 Nilai Akurasi Metode K-Means

Performance Metode Fuzzy CMeans 24% Akurat 76%

Gambar 4.4 Nilai Akurasi Metode Fuzzy C-Means

Tidak Akurat

BAB V KESIMPULAN DAN SARAN

5.1

Kesimpulan

Pada penelitian ini, metode yang digunakan dalam analisis cluster nilai persepsi kepuasan pasien Puskesmas adalah K-Means dan Fuzzy K-Means. Dari hasil eksperimen yang telah dilakukan berupa pengujian dan pengukuran performance dari metode – metode tersebut didapatkan hasil bahwa metode hard clustering dengan KMeans lebih optimal dibandingkan metode soft clustering dengan Fuzzy C-Means. Dalam kasus analisis cluster nilai persepsi kepuasan pasien Puskesmas, dengan 90 data sampel menunjukkan akurasi metode K-Means sebesar 96 % dan dan metode Fuzzy C-Means sebesar 76%

Jadi dapat disimpulkan bahwa dalam kasus analisis cluster nilai persepsi kepuasan pasien Puskesmas, penggunaan metode hard clustering dengan K-Means menawarkan performance yang lebih baik dibandingkan metode soft clustering dengan Fuzzy CMeans

5.2

Saran

Dari hasil eksperimen dan kesimpulan yang didapat dari pengujian metode K-Means dan Fuzzy C-Means dalam analisis cluster nilai persepsi kepuasan pasien Puskesmas, maka dapat diusulkan beberapa saran sebagai berikut : 1.

Parameter - parameter yang terdapat dalam proses pengujian metode sebaiknya lebih dieksplorari agar diperoleh hasil yang benar-benar menunjukkan performance masing – masing metode

66

67

2.

Untuk mendapatkan gambaran tengtang pengaruh banyaknya data terhadap performance metode K-Means dan Fuzzy C-Means, sebaiknya di gunakan jumlah sampel data dan variasi nilai atribut yang lebih beragam.

3.

Hasil penelitian ini diharapkan bisa dijadikan sebagai referensi bagi pihak Dinas Kesehatan dalam pengolahan data survei kepuasan pasien Puskesmas

DAFTAR PUSTAKA

[1] Dinas Kssehatan Kota Cirebon, Survei Kepuasan Pasien. Cirebon, Indonesia, 2011. [2] Schafiq Amini and Roland Jochem, "Fuzzy Performance Measurement and Evaluation of Service Processes," Pascalstr, vol. 8-9, p. 1, 2008. [3] Kusrini and Emha Taufiq Luthfi, Algoritma Data Mining, I ed., Aktor Sadewa, Ed. Yogyakarta, Indonesia: ANDI Yogyakarta, 2009. [4] David Arthur and Sergei Vassilvitskii, "k-means++: the advantages of careful seeding," ACM Digital Library, pp. 1027-1035, 2007. [5] Yudi Agusta, "K-Means - Penerapan, Permasalahan dan Metode Terkait," Sistem dan Informatika, vol. 3, pp. 47 - 60, Februari 2007. [6] Tedy Rismawan and Sri Kusumadewi, "Aplikasi K-Means Untuk Pengelompokkan Mahasiswa Berdasarkan Nilai Body Mass Index (BMI) Dan Ukuran Kerangka," in SNATI, Yogyakarta, 2008, pp. E-43. [7] Andri Syafrianto, "Perancangan Aplikasi K-Means untuk Pengelompokan Mahasiswa STMIK Elrahma Yogyakarta Berdasarkan Frekuensi Kunjungan ke Perpustakaan dan IPK," STMIK Elrahma, 2010. [8] Bahar, Vincent Suhartono, and Romi Satrio Wahono, "Penentuan Jurusan Sekolah Menengah Atas dengan Algoritma Fuzzy C-Means," Teknik Informasi, UDINUS, 2011. [9] Departemen Kesehatan Republik Indonesi, Pedoman Pelayanan Kesehatan Daerah Perkotaan. Jakarta, Indonesia. [10] Badan Pusat Statistik, Metode Penarikan Sampel. Jakarta, Indonesia, 2010. [11] Kardi Teknomo, "K-Means Clustering Tutorial," 2007. [12] Sri Kusumadewi, Artificial Intelligence (Teknik dan Aplikasinya), I ed. Yogyakarta: Graha Ilmu, 2003. [13] Prabowo Pudjo Widodo, Rahmadya Trias Handayanto, and Herlawati , Penerapan Data Mining Dengan Matlab, I ed. Bandung, Indonesia: Rekayasa Sains, 2013.

68