Electronic Theses and Dissertation

Ketimpangan distribusi sarana kesehatan di Pulau Sumatra masih menjadi tantangan signifikan pada tingkat desa/kelurahan. Penelitian ini membandingkan algoritma K-Means dan K-Medoids dalam mengelompokkan 154 kabupaten/kota di Pulau Sumatra berdasarkan banyaknya desa/kelurahan dengan keberadaan sarana kesehatan. Data bersumber dari PODES 2025 dan Provinsi Dalam Angka 2026, mencakup 12 variabel sarana kesehatan. Metode Elbow dan Silhouette digunakan untuk menentukan rentang jumlah cluster, menunjukkan bahwa nilai SSE masih menurun bermakna hingga k=5, sehingga evaluasi dilakukan pada k=2 hingga k=5. Kualitas clustering dievaluasi menggunakan Calinski–Harabasz Index (CHI), Dunn Index, dan Davies–Bouldin Index (DBI) pada delapan kombinasi metode dan jumlah cluster. Hasil menunjukkan bahwa K-Means secara konsisten menghasilkan nilai indeks yang lebih baik dibandingkan K-Medoids pada setiap nilai k. K-Means dengan k=5 ditetapkan sebagai kombinasi terbaik karena unggul pada dua dari tiga indeks validitas, yaitu Dunn Index tertinggi (0,0722) dan DBI terendah (1,1759). Hasil pengelompokan menghasilkan lima cluster: Cluster 1 (77 kabupaten/kota; 50,0%) dengan banyaknya desa/kelurahan dengan keberadaan sarana kesehatan paling terbatas serta rata-rata penduduk terkecil (223.448 jiwa); Cluster 2 (49 kabupaten/kota; 31,8%) dengan sarana kesehatan menengah; Cluster 3 (5 kabupaten/kota; 3,2%) seluruhnya di Provinsi Aceh dengan rata-rata banyaknya desa/kelurahan dengan keberadaan Polindes sangat tinggi (194,00); Cluster 4 (10 kabupaten/kota; 6,5%) dengan banyaknya desa/kelurahan dengan keberadaan sarana kesehatan paling lengkap serta rata-rata penduduk terbesar (1.098.259 jiwa); serta Cluster 5 (13 kabupaten/kota; 8,4%) dengan banyaknya desa/kelurahan dengan keberadaan Poskesdes tinggi namun sarana formal terbatas. Pola pengelompokan menunjukkan kecenderungan yang sejalan dengan konsentrasi penduduk, sehingga diperlukan kebijakan afirmatif berbasis karakteristik spesifik tiap kelompok wilayah.

Unequal distribution of health facilities remains a significant challenge at the village level across Sumatra. This study compares the K-Means and K-Medoids algorithms in clustering 154 regencies and cities in Sumatra based on the number of villages/urban villages with health facilities. Data were sourced from the Village Potential Statistics (PODES) 2025 and the 2026 Provincial Statistics, encompassing 12 health facility variables. The Elbow and Silhouette methods were applied to determine the range of cluster numbers, indicating that the sum of squared errors (SSE) continued to decline meaningfully up to k=5; evaluations were therefore conducted for k=2 through k=5. Clustering quality was assessed using the Calinski–Harabasz Index (CHI), Dunn Index, and Davies–Bouldin Index (DBI) across eight combinations of methods and cluster numbers. Results demonstrated that K-Means consistently produced better index values than K-Medoids at every value of k. K-Means at k=5 was identified as the optimal combination, outperforming on two of the three validity indices, namely the highest Dunn Index (0.0722) and the lowest DBI (1.1759). Five clusters were produced: Cluster 1 (77 regencies/cities; 50.0%) with the lowest number of villages/urban villages with health facilities and the smallest mean population (223,448); Cluster 2 (49 regencies/cities; 31.8%) with moderate health facility availability; Cluster 3 (5 regencies/cities; 3.2%), entirely within Aceh Province, with a markedly high mean number of villages/urban villages with Polindes (194.00); Cluster 4 (10 regencies/cities; 6.5%) with the highest number of villages/urban villages with health facilities and the largest mean population (1,098,259); and Cluster 5 (13 regencies/cities; 8.4%) with a high number of villages/urban villages with Poskesdes but limited formal infrastructure. The clustering pattern shows a tendency consistent with population concentration, highlighting the need for affirmative policies tailored to the specific characteristics of each cluster.