Skripsi Clustering Vaksin Papua [PDF]

Citation preview

STRATEGI PENENTUAN GUDANG VAKSIN PROVINSI PAPUA DENGAN MEMBANDINGKAN KINERJA ANALISIS CLUSTERING YANG MEMPERTIMBANGKAN HETEROGENEOUS FLEET



SKRIPSI Sebagai Salah Satu Syarat untuk Meraih Gelar Sarjana Teknik



Oleh : Ruth Elisa Rumawan 33160002



Program Studi Teknik Industri Fakultas Teknologi Dan Desain Universitas Bunda Mulia Jakarta 2020



UNIVERSITAS BUNDA MULIA FAKULTAS TEKNOLOGI DAN DESAIN PROGRAM STUDI TEKNIK INDUSTRI Pernyataan Kesiapan Ujian Pendadaran Skripsi Saya Ruth Elisa Rumawan, dengan ini menyatakan bahwa Skripsi yang berjudul: “STRATEGI PENENTUAN GUDANG VAKSIN PROVINSI PAPUA DENGAN MEMBANDINGKAN KINERJA ANALISIS CLUSTERING YANG MEMPERTIMBANGKAN HETEROGENEOUS FLEET” merupakan hasil karya saya dan belum pernah diajukan sebagai karya ilmiah, sebagian atau seluruhnya, atas nama saya atau pihak lain



Ruth Elisa Rumawan 33160002 Kami setuju Skripsi tersebut diajukan untuk Ujian Pendadaran Disetujui oleh Dosen Pembimbing,



Glisina Dwinoor Rembulan, S.TP., M.Si.



Juli 2020



Disetujui oleh Wakil Dekan Fakultas Teknologi dan Desain,



Henny Hartono, S.Kom., M.M.



Juli 2020



UNIVERSITAS BUNDA MULIA PROGRAM STUDI TEKNIK INDUSTRI FAKULTAS TEKNOLOGI DAN DESAIN Persetujuan Skripsi Yang bertanda tangan dibawah ini, menyatakan bahwa Skripsi dengan judul “STRATEGI PENENTUAN GUDANG VAKSIN PROVINSI PAPUA DENGAN MEMBANDINGKAN KINERJA ANALISIS CLUSTERING YANG MEMPERTIMBANGKAN HETEROGENEOUS FLEET” Telah disetujui dan diterima sebagai salah satu karya ilmiah mahasiswa yang bersangkutan pada Fakultas Teknologi Dan Desain – Program Studi Teknik Industri Universitas Bunda Mulia



Disusun oleh:



Ruth Elisa Rumawan



33160002



Jakarta, 21 Juli 2020



Mengetahui Wakil Dekan Fakultas Teknologi dan Desain



Henny Hartono, S.Kom., M.M.



Dosen Pembimbing



Glisina Dwinoor Rembulan, S.TP., M.Si



PERNYATAAN



Saya menyatakan bahwa Skripsi yang berjudul “STRATEGI PENENTUAN GUDANG VAKSIN PROVINSI PAPUA DENGAN MEMBANDINGKAN KINERJA ANALISIS CLUSTERING YANG MEMPERTIMBANGKAN HETEROGENEOUS FLEET”, sepenuhnya karya saya sendiri. Tidak ada bagian di dalamnya yang merupakan plagiat dari karya orang lain dan saya tidak melakukan penjiplakan atau pengutipan dengan cara-cara yang tidak sesuai dengan etika keilmuan yang berlaku dalam masyarakat keilmuan. Atas pernyataan ini, saya siap menanggung risiko / sanksi yang dijatuhkan kepada Saya, atau ada klaim dari pihak lain terhadap keaslian karya saya ini.



Jakarta, Juli 2020 Yang membuat pernyataan,



Ruth Elisa Rumawan



ABSTRAK



Kesehatan sumber daya manusia merupakan faktor penting dalam mendukung pembangunan nasional. Pemerintah Indonesia menyediakan program imunisasi sebagai penunjang kesehatan masyarakat sejak dini. Provinsi Papua menjadi provinsi yang memiliki cakupan imunisasi terendah di Indonesia. Hal tersebut disebabkan oleh kurangnya tempat penyimpanan vaksin pada Dinas Kesehatan Provinsi Papua. Penelitian ini berfokus pada penentuan jumlah dan lokasi gudang vaksin yang baru untuk menampung keseluruhan kebutuhan vaksin imunisasi dasar masyarakat Papua. Metode yang digunakan dalam penelitian ini adalah Hierarchical Clustering, K-Means Clustering, Two Step Clustering, Silhouette Index, dan Center of Gravity. Hierarchical Clustering digunakan untuk menentukan jumlah k kelompok yang akan dilanjutkan ke dalam perhitungan K-Means Clustering untuk menentukan keanggotaan kelompok. Two Step Clustering digunakan untuk menentukan jumlah k kelompok sekaligus keanggotaan kelompok. Hasil keanggotaan kelompok dari dua cara tersebut akan dibandingkan kualitasnya menggunakan Silhouette Index. Keanggotaan kelompok yang memiliki nilai Silhouette Index terbesar akan diolah dengan Center of Gravity untuk menentukan letak gudang vaksin yang baru. Hasil yang diperoleh dari penelitian ini menunjukkan terbentuknya 2 buah gudang baru di Provinsi Papua yang terletak pada titik koordinat -6.601284624, 140.2382284 di kelompok 1 dan -3.243720058, 138.2122867 di kelompok 2 berdasarkan gabungan metode Hierarchical Clustering dan K-Means Clustering.



Kata Kunci: Gudang, Vaksin, Hierarchical Agglomerative Clustering, K-Means Clustering, Two Step Clustering, Silhouette Index, Center of Gravity



i



PRAKATA



Puji dan syukur kehadirat Tuhan Yang Maha Esa, atas rahmat dan berkat-Nya maka skripsi yang berjudul “STRATEGI PENENTUAN GUDANG VAKSIN PROVINSI PAPUA DENGAN MEMBANDINGKAN KINERJA ANALISIS CLUSTERING



YANG



MEMPERTIMBANGKAN



HETEROGENEOUS



FLEET ” dapat diselesaikan dengan baik oleh peneliti. Penulisan skripsi ini dilakukan sebagai salah satu syarat untuk memperoleh gelar Sarjana Teknik pada Program Studi Teknik Industri di Fakultas Teknologi dan Desain, Universitas Bunda Mulia. Objek dari penelitian skripsi ini adalah penentuan gudang vaksin baru di Provinsi Papua. Peneliti menyadari bahwa proses penyusunan tugas akhir ini tidak akan selesai tanpa adanya bantuan dari berbagai pihak, sehingga peneliti mengucapkan terima kasih kepada berbagai pihak yang telah memberikan dukungan, baik moral dan materiil dalam proses penyusunan skripsi ini, diantaranya: 1.



Tuhan Yang Maha Esa atas seluruh kuasa-Nya sehingga penulisan laporan tugas akhir ini dapat berjalan dengan lancar.



2.



Bapak Doddy Surja Bajuadji, S.E., M.BA selaku Rektor Universitas Bunda Mulia, Jakarta yang telah membantu peneliti dalam hal memberikan fasilitas yang cukup di dalam Universitas Bunda Mulia ini.



3.



Ibu Henny Hartono, S.Kom., M.M. selaku Wakil Dekan Fakultas Teknologi dan Desain Universitas Bunda Mulia, Jakarta.



ii



4.



Ibu Glisina Dwinoor Rembulan, S.TP., M.Si. selaku Dosen Pembimbing yang telah banyak membantu dan membimbing peneliti dalam menyelesaikan penulisan skripsi ini sehingga dapat selesai tepat waktu.



5.



Bapak Filscha Nurprihatin, S.T., M.T. selaku Kepala Laboratorium Teknik Industri yang telah memberikan arahan dan bimbingan selama penulisan skripsi dan kuliah, dengan arahan dan bimbingan beliau, peneliti mampu memperoleh wawasan yang semakin luas.



6.



Semua dosen Program Studi Teknik Industri Universitas Bunda Mulia yang telah memberikan ilmu dan bimbingan selama masa perkuliahan.



7.



Aries Hans Rumawan, Julia Lukman, dan Hanna Lestari selaku kedua orang tua dan adik peneliti, serta seluruh keluarga besar yang selalu memberikan dorongan, bantuan dan semangat dalam menyelesaikan penulisan skripsi ini.



8.



Janet Eveline Dharmawati, Mardiana, dan Matthew Jonathan sebagai sahabat yang selalu mendukung dan memberikan semangat kepada peneliti hingga setiap proses pembuatan skripsi ini dapat diselesaikan dengan baik.



9.



Teman-teman Teknik Industri angkatan 2016, yaitu Tony Wijaya, Andrew Ruslie, Jordy, Septiawan Maratama, Dicky Andreas, Daniel Edrick, Rama Adi Saputra, Jasmari, Stieven Hindra, Yulistia, Alfonsus Ligouri Nikarsten Cindera, Steven Lois, Kenzo Johannis Andreas Mongdong, Refael Elnatan, Yohanes Dwi Pratama, Clinton Phillo, Randy Wijaya, Alda Delviani, Eric Gunawan, George Soros Adiguna, Elsan Gavin, Angelica, Petrina Gabriella, Sarah Imanuella, Checilya



iii



Yuliska, Christoforus Valleryan, Syilvia Dwi Indra Puspita yang telah memberikan dukungan dan menemani selama 8 semester ini. 10. Senior dari Teknik Industri angkatan 2012, yaitu Panca Jodiawan. 11. Senior dari Teknik Industri angkatan 2014, yaitu Hendy Hartono, Marthe Lir Vian Tus, dan Agnes Octa yang telah memberikan dukungan dan bantuan selama di perkuliahan. 12. Senior dari Teknik Industri angkatan 2015, yaitu Anggun Lestari, Marcelino, William, Christopher Tanuwijaya, Felix Tantio, dan Wicky Sunata yang telah memberikan dukungan dan bantuan selama di perkuliahan. 13. Junior dari Teknik Industri angkatan 2016, yaitu Julliete Angel Luin, Cindy Laurinda, Tasya Regina, dan Melia Agustin yang telah memberikan dukungan dan bantuan selama di perkuliahan. Peneliti juga menyadari bahwa terdapat kekurangan dan keterbatasan dalam penyelesaian tugas akhir ini. Oleh karena itu kritik dan saran sangat diharapkan oleh peneliti sehingga dapat menjadi lebih baik untuk ke depannya. Semoga tugas akhir ini dapat memberikan manfaat dan inspirasi bagi pembaca. Sekian dan terima kasih.



Jakarta, 21 Juli 2020



Peneliti



iv



DAFTAR ISI



ABSTRAK ............................................................................................................... i PRAKATA .............................................................................................................. ii DAFTAR ISI ........................................................................................................... v DAFTAR TABEL ................................................................................................ viii DAFTAR GAMBAR ............................................................................................. ix DAFTAR PERSAMAAN ....................................................................................... x BAB 1 PENDAHULUAN ...................................................................................... 1 1.1



Latar Belakang ......................................................................................... 1



1.2



Penelitian Terdahulu ................................................................................. 7



1.3



Rumusan Masalah .................................................................................. 17



1.4



Tujuan dan Manfaat Penelitian............................................................... 17



1.4.1



Tujuan Penelitian ............................................................................. 17



1.4.2



Manfaat Penelitian ........................................................................... 18



1.5



Batasan Masalah ..................................................................................... 18



1.6



Sistematika Penulisan ............................................................................. 19



BAB 2 LANDASAN TEORI ................................................................................ 21 2.1



Rantai Pasok ........................................................................................... 21



2.2



Gudang ................................................................................................... 21



2.3



Vaksin ..................................................................................................... 22



2.3.1 Alur Distribusi Vaksin dari Pusat ke Provinsi ...................................... 23 2.3.2



Alur Distribusi Vaksin dari Provinsi ke Kabupaten/Kota ............... 24



2.3.3



Alur Distribusi Vaksin dari Kabupaten/Kota ke Puskesmas ........... 24



2.3.4



Sarana Penyimpanan Vaksin ........................................................... 24 v



2.3.5 2.4



Gudang Vaksin ................................................................................ 25



Clustering ............................................................................................... 26



2.4.1



Definisi Clustering ........................................................................... 26



2.4.2



Jenis-Jenis Clustering ...................................................................... 27



2.4.2.1 Hierarchical Clustering .............................................................. 27 2.4.2.2 Non-Hierarchical Clustering (Partitioning Clustering) ............. 32 2.5



Silhouette Index ...................................................................................... 36



2.6



Center of Gravity .................................................................................... 38



BAB 3 METODE PENELITIAN.......................................................................... 40 3.1



Gambaran Umum Perusahaan ................................................................ 40



3.1.1



Sejarah PT Bio Farma (Persero) ...................................................... 40



3.1.2



Filosofi, Visi, dan Misi PT Bio Farma............................................. 43



3.1.3



Makna Logo ..................................................................................... 43



3.2



Objek Penelitian ..................................................................................... 45



3.3



Diagram Alir Penelitian .......................................................................... 45



3.4



Metode Penelitian ................................................................................... 48



BAB 4 ANALISIS DAN PEMBAHASAN .......................................................... 49 4.1



Pengumpulan Data ................................................................................. 49



4.1.1



Titik Koordinat Dinas Kesehatan Kabupaten/Kota di Provinsi Papua ......................................................................................................... 49



4.1.2



Jarak Antartitik Koordinat Dinas Kesehatan Kabupaten/Kota di



Provinsi Papua ............................................................................................... 52 4.1.3



Jenis, Konsumsi Bahan Bakar, dan Biaya Bahan Bakar Kendaraan



Distribusi Vaksin ........................................................................................... 56



vi



4.1.4 Proyeksi Pertumbuhan Jumlah Penduduk............................................. 57 4.2



Pengolahan Data ..................................................................................... 58



4.2.1 Perhitungan Matriks Biaya Distribusi Vaksin ...................................... 58 4.2.2 Perhitungan Hierarchical Clustering ................................................... 65 4.2.3 Perhitungan K-Means Clustering.......................................................... 69 4.2.4 Perhitungan Two Step Clustering ......................................................... 71 4.2.5 Perhitungan Silhouette Index ................................................................ 73 4.2.6 Perhitungan Center of Gravity .............................................................. 76 BAB 5 PENUTUP ................................................................................................ 80 5.1



Kesimpulan ............................................................................................. 80



5.2



Saran ....................................................................................................... 81



DAFTAR PUSTAKA ........................................................................................... 82 RIWAYAT HIDUP ............................................................................................... 91



vii



DAFTAR TABEL



Tabel 1.1 Enam Provinsi dengan Indeks Pembangunan Manusia (IPM) Terendah di Indonesia Tahun 2014-2018.................................................................................... 3 Tabel 1.2 Enam Provinsi dengan Peringkat Indeks Pembangunan Manusia (IPM) Terendah dari 34 Provinsi di Indonesia Tahun 2012-2018 ..................................... 4 Tabel 1.3 Urutan Lima Provinsi dengan Persentase Cakupan Imunisasi Dasar pada Bayi Terendah Tahun 2018 ..................................................................................... 5 Tabel 1.4 Penelitian Terdahulu ............................................................................... 8 Tabel 4.1 Titik Koordinat dan Alamat Dinas Kesehatan Kabupaten/Kota di Provinsi Papua ..................................................................................................................... 50 Tabel 4.2 Jarak Antartitik Koordinat Dinas Kesehatan Kabupaten/Kota di Provinsi Papua ..................................................................................................................... 53 Tabel 4.3 Proyeksi Pertumbuhan Jumlah Penduduk Tahun 2019-2020 ............... 57 Tabel 4.4 Matriks Biaya Distribusi Vaksin Antarkabupaten/Kota ....................... 59 Tabel 4.5 Hasil Perhitungan Hierarchical Clustering .......................................... 66 Tabel 4.6 Hasil Perhitungan K-Means Clustering ................................................ 69 Tabel 4.7 Hasil Perhitungan Two Step Clustering ................................................ 71 Tabel 4.8 Nilai Silhouette Index dari K-Means Clustering pada Kelompok 1...... 74 Tabel 4.9 Nilai Silhouette Index dari K-Means Clustering pada Kelompok 2...... 74 Tabel 4.10 Nilai Silhouette Index dari Two Step Clustering pada Kelompok 1 ... 75 Tabel 4.11 Nilai Silhouette Index dari Two Step Clustering pada Kelompok 2 ... 75 Tabel 4.12 Data Perkalian Absis/Ordinat dengan Volume ................................... 77 Tabel 4.13 Titik Koordinat Gudang Vaksin Kelompok 1 dan Kelompok 2 ......... 78



viii



DAFTAR GAMBAR



Gambar 1.1 Grafik Enam Provinsi dengan Indeks Pembangunan Manusia (IPM) Terendah di Indonesia Tahun 2014-2018 ............................................................... 3 Gambar 3.1 Logo PT Bio Farma (Persero) ........................................................... 44 Gambar 3.2 Diagram Alir Penelitian .................................................................... 46 Gambar 4.1 Dendogram Hasil Perhitungan Hierarchical Clustering................... 68 Gambar 4.2 Ilustrasi Letak Gudang Vaksin dan Pengelompokan Kabupaten/Kota di Provinsi Papua....................................................................................................... 79



ix



DAFTAR PERSAMAAN



(2.1) Jarak Rata-rata dari Suatu Data dengan Semua Data Lain yang Berada dalam Satu Kelompok ...................................................................................................... 37 (2.2) Jarak Rata-rata dari Suata Data dengan Semua Data yang Berada dalam Kelompok Lain...................................................................................................... 37 (2.3) Nilai Terkecil dari Persamaan (2.2).............................................................. 37 (2.4) Nilai Silhouette Index ................................................................................... 37 (2.5) Menghitung Absis (x) yang Dipengaruhi oleh Bobot .................................. 39 (2.6) Menghitung Ordinat (y) yang Dipengaruhi oleh Bobot .............................. 39



x



BAB 1 PENDAHULUAN



1.1



Latar Belakang Pembangunan nasional bertujuan untuk memajukan bangsa dengan mewujudkan masyarakat yang adil dan makmur secara merata dalam berbagai sektor kehidupan. Tujuan akhir pembangunan nasional harus difokuskan pada manusia karena berdasarkan kalimat pembuka Human Development Report pertama yang dipublikasikan United Nations Development Programme (UNDP) tahun 1990, manusia merupakan kekayaan bangsa yang sesungguhnya (Badan Pusat Statistik, 2015). Manusia yang berkualitas merupakan modal dasar yang dibutuhkan pemerintah dalam pembangunan nasional (Dewi, 2017). Pada berbagai negara, indikator yang digunakan untuk mengukur kualitas hasil pembangunan nasional suatu negara adalah Indeks Pembangunan Manusia (IPM). Indonesia termasuk salah satu negara yang menerapkan konsep pembangunan manusia karena dianggap lebih relevan dibanding konsep pembangunan konvensional (Badan Pusat Statistik, 2015). Indeks Pembangunan Manusia (IPM) merupakan indikator penting untuk mengukur keberhasilan pembangunan kualitas hidup di suatu negara (Kirana, Nasution, & Wanto, 2019). Nilai IPM diklasifikasikan menjadi 4 kategori, yaitu IPM rendah (< 60), IPM sedang (60 ≤ IPM < 70), IPM tinggi (70 ≤ IPM < 80), dan IPM sangat tinggi (IPM ≥ 80) (Badan Pusat Statistik, 2015). Nilai IPM suatu daerah berbanding lurus dengan kualitas



1



2



pembangunan di daerah tersebut. Semakin tinggi nilai IPM suatu daerah, maka semakin baik kualitas pembangunan manusia di daerah tersebut. Tabel 1.1 berikut ini menunjukkan 6 provinsi di Indonesia dengan nilai IPM terendah pada tahun 2014-2018, sedangkan Tabel 1.2 menunjukkan 6 provinsi di Indonesia dengan peringkat IPM terendah pada tahun 2012-2018. Berdasarkan Tabel 1.1 dan Tabel 1.2, dapat diketahui bahwa provinsi di Indonesia yang memiliki peringkat IPM terendah (nilai IPM terkecil) pada 1 tahun terakhir yaitu tahun 2018 adalah Provinsi Papua. Hal ini membuktikan bahwa Provinsi Papua memiliki kualitas pembangunan manusia yang paling rendah dan tertinggal di antara semua provinsi di Indonesia, dengan nilai IPM 60,06 pada tahun 2018. Nilai tersebut termasuk dalam kategori IPM sedang cenderung rendah, bahkan lebih rendah dari nilai IPM rata-rata seluruh provinsi Indonesia yang bernilai 71,39 (IPM tinggi). Walaupun pada Gambar 1.1 nilai IPM Provinsi Papua mengalami peningkatan dari tahun ke tahun, tetapi garis yang terbentuk menunjukkan peringkat IPM Provinsi Papua berada pada posisi paling rendah dibandingkan dengan 5 provinsi lainnya.



3



Tabel 1.1 Enam Provinsi dengan Indeks Pembangunan Manusia (IPM) Terendah di Indonesia Tahun 2014-2018 Provinsi Nusa Tenggara Barat Nusa Tenggara Timur Kalimantan Barat Sulawesi Barat Papua Barat Papua Indonesia



Indeks Pembangunan Manusia 2014 2015 2016 2017 2018 64,31 65,19 65,81 66,58 67,30 62,26 62,67 63,13 63,73 64,39 64,89 65,59 65,88 66,26 66,98 62,24 62,96 63,60 64,30 65,10 61,28 61,73 62,21 62,99 63,74 56,75 57,25 58,05 59,09 60,06 68,90 69,55 70,18 70,81 71,39



IPM



Sumber: (Badan Pusat Statistik, 2019a) 72.00 70.00 68.00 66.00 64.00 62.00 60.00 58.00 56.00 2014



2015



2016



2017



2018



Tahun Nusa Tenggara Barat



Nusa Tenggara Timur



Kalimantan Barat



Sulawesi Barat



Papua Barat



Papua



Indonesia



Gambar 1.1 Grafik Enam Provinsi dengan Indeks Pembangunan Manusia (IPM) Terendah di Indonesia Tahun 2014-2018 Sumber: (Badan Pusat Statistik, 2019a)



4



Tabel 1.2 Enam Provinsi dengan Peringkat Indeks Pembangunan Manusia (IPM) Terendah dari 34 Provinsi di Indonesia Tahun 2012-2018 Provinsi Nusa Tenggara Barat Nusa Tenggara Timur Kalimantan Barat Sulawesi Barat Papua Barat Papua Indonesia



2012 29 31 28 30 32 33 10



Indeks Pembangunan Manusia 2013 2014 2017 2018 30 30 29 29 31 31 32 32 29 29 30 30 32 32 31 31 33 33 33 33 34 34 34 34 11 11 11 11 Sumber: (Badan Pusat Statistik, 2019b)



Nilai IPM dipengaruhi oleh tiga faktor utama, yaitu kesehatan, pendidikan, dan standar kehidupan yang layak (Badan Pusat Statistik, 2015). Berdasarkan ketiga faktor tersebut, faktor kesehatan merupakan salah satu faktor yang terpenting bagi pembangunan manusia karena kesehatan adalah syarat untuk meningkatkan produktivitas (Sanggelorang, Rumate, & Siwu, 2015). Dengan demikian, tingkat kesehatan yang tinggi dalam suatu negara akan berpengaruh pada peningkatan produktivitas masyarakat, baik dalam pendidikan maupun pekerjaan sehingga pembangunan nasional untuk memajukan bangsa dapat terwujud. Selain itu, nilai IPM juga dipengaruhi oleh komitmen pemerintah dalam menyediakan sarana pendukung yang memadai (Sanggelorang et al., 2015). Dalam rangka mendorong pembangunan manusia secara menyeluruh, perlu perhatian pada kesehatan sejak dini (Kementerian Kesehatan Republik Indonesia, 2015). Untuk mewujudkan hal tersebut, pemerintah membuat berbagai program kesehatan. Salah satu program kesehatan pemerintah yang paling mendasar untuk dilakukan sejak dini adalah program imunisasi.



5



Imunisasi merupakan upaya untuk mewujudkan derajat kesehatan masyarakat yang setinggi-tingginya (Kementerian Kesehatan Republik Indonesia, 2017). Berbagai masalah kesehatan yang lebih serius akan terjadi apabila seseorang tidak mendapatkan imunisasi sejak dini (Setiaputri, 2019). Namun, pada kenyataannya cakupan imunisasi di Papua masih rendah, yaitu baru mencapai 64% dari target nasional sebesar 85% (Fendi, 2018). Bahkan Provinsi Papua memiliki cakupan vaksin terendah di Indonesia (Setyanti, 2016). Tabel 1.3 menunjukkan 5 provinsi di Indonesia dengan persentase terendah cakupan imunisasi dasar pada bayi pada tahun 2018 dimana Provinsi Papua memiliki persentase terkecil, yaitu 30,36%. Tabel 1.3 Urutan Lima Provinsi dengan Persentase Cakupan Imunisasi Dasar pada Bayi Terendah Tahun 2018 No. 1 2 3 4 5



Provinsi Papua Aceh Kalimantan Selatan Nusa Tenggara Timur Gorontalo Indonesia



Imunisasi Dasar Lengkap (%) 30,36 39,45 50,09 55,38 58,33 81,99



Sumber: (Kementerian Kesehatan Republik Indonesia, 2019) Salah satu faktor yang memengaruhi pelaksanaan program imunisasi yang baik adalah ketersediaan vaksin yang merata untuk memenuhi kebutuhan vaksin di suatu daerah. Untuk dapat memastikan ketersediaan vaksin cukup dalam memenuhi kebutuhan vaksin suatu daerah, maka diperlukan tempat penyimpanan vaksin yang memadai. Masalah yang dihadapi Dinas Kesehatan Provinsi Papua dalam penyediaan vaksin adalah kurangnya tempat penyimpanan vaksin (Pemerintah Provinsi Papua, 2018).



6



Jika kebutuhan vaksin sebesar 100.000, maka yang akan masuk hanya sekitar 20.000 (Pemerintah Provinsi Papua, 2018). Hal ini terjadi karena gudang penyimpanan vaksin di Provinsi Papua tidak cukup untuk menampung keseluruhan kebutuhan vaksin masyarakat Papua. Masalah ini berdampak pada pendistribusian vaksin dari Dinas Kesehatan Provinsi Papua ke titik sasaran distribusi yang tersebar di setiap kabupaten/kota sehingga sangat lambat bahkan tidak dapat memenuhi keseluruhan kebutuhan vaksin. Oleh karena itu, dibutuhkan gudang tempat penyimpanan vaksin yang memadai dimulai dari titik awal penerimaan vaksin di tingkat provinsi, untuk dapat menerima dan menampung vaksin yang dikirim oleh pemasok sehingga aman dan sesuai dengan jumlah kebutuhan vaksin masyarakat Papua. Penelitian ini membahas solusi untuk masalah kurangnya tempat penyimpanan vaksin di Dinas Kesehatan Provinsi Papua, yaitu dengan menambah jumlah gudang di lokasi yang tepat untuk menampung keseluruhan kebutuhan vaksin di Papua. Beberapa penelitian mengenai penambahan gudang maupun penentuan lokasi gudang yang sudah dilakukan adalah penelitian mengenai penambahan gudang produk jadi pakan ternak (Permana & Felecia, 2018), penentuan lokasi gudang darurat bencana di Provinsi DKI Jakarta (Susanty, Bakhtiar, & Sulistyawan, 2016), penentuan lokasi gudang produk ban kendaraan (Rully & Aldenia, 2018), penentuan lokasi gudang barang bantuan darurat kemanusiaan (Maharjan & Hanaoka, 2017), dan penentuan lokasi gudang semen (Cahyadi & Aulia, 2018). Penelitian ini akan menentukan jumlah dan lokasi gudang vaksin tambahan di Provinsi Papua dengan menggunakan penggabungan dua metode



7



clustering, yaitu Hierarchical Clustering dan K-Means Clustering, yang hasilnya akan dibandingkan dengan hasil dari metode Two Step Clustering.



1.2



Penelitian Terdahulu Penelitian ini menggunakan metode Hierarchical Clustering, K-Means Clustering, Two Step Clustering, Silhouette Index, dan Center of Gravity. Beberapa penelitian terdahulu yang menggunakan metode yang sama dengan penelitian ini dan menjadi pendukung dalam pemilihan metode ditampilkan dalam Tabel 1.4 berikut ini.



Tabel 1.4 Penelitian Terdahulu Herny Februariyanti, Dwi Budi Santoso (2017)



Masayu Leylia Khodra, Yudi Wibisono (2016)



Penelitian skripsi Fakultas Teknologi Informasi Universitas Stikubank yang semakin beragam dan bertambah banyak setiap tahunnya memerlukan adanya pengelompokan data penelitian skripsi. Hierarchical Agglomerative Clustering, Dice Coefficient



Belum ada penelitian yang menganalisis kualitas hasil clustering dengan metode Agglomerative Clustering untuk pengelompokan berita bahasa Indonesia.



Mengelompokkan dan mengetahui topik skripsi yang paling banyak digunakan oleh mahasiswa Fakultas Teknologi Informasi Universitas Stikubank. Hasil penelitian ini menunjukkan terbentuknya 5 kelompok topik penelitian skripsi yang paling banyak digunakan oleh mahasiswa Fakultas Teknologi Informasi Universitas Stikubank.



Mengetahui kualitas kelompok terbaik dari empat linkage yang digunakan pada metode Agglomerative Clustering untuk pengelompokan berita bahasa Indonesia. Kualitas kelompok terbaik dihasilkan oleh Agglomerative Clustering dengan complete linkage.



Nama Peneliti



Masalah



Metode Tujuan



Hasil



Hierarchical Agglomerative Clustering



8



Tabel 1.4 Penelitian Terdahulu Sachin Kumar, Durga Toshniwal (2016)



Ginanjar Abdurrahman (2019)



Nama Peneliti Masalah Metode



Tujuan



Hasil



Perlunya pengelompokan data kecelakaan jalan Diperlukan pengelompokan nasabah pada suatu bank. berdasarkan data time series menggunakan metode Hierarchical Agglomerative Clustering. Hierarchical Agglomerative Clustering Hierarchical Agglomerative Clustering Membuktikan bahwa metode Hierarchical Agglomerative Clustering merupakan cara yang efisien untuk mengelompokkan daerah-daerah yang berbeda dengan pola kecelakaan jalan yang sama. Metode Hierarchical Agglomerative Clustering terbukti mampu mengelompokkan secara efisien daerah-daerah yang berbeda dengan pola kecelakaan jalan yang sama menjadi satu kelompok.



Mengetahui jumlah kelompok yang terbentuk dari nasabah pada suatu bank.



Hasil pengelompokan menunjukkan terbentuknya 3 kelompok untuk nasabah pada bank tersebut.



9



Tabel 1.4 Penelitian Terdahulu Nama Peneliti



Masalah



Metode Tujuan



Hasil



Cici Astria, Agus Perdana Windarto, Anjar Wanto, Eka Susliansyah, Heny Sumarno, Hendro Priyono, Noer Irawan (2019) Hikmah (2019) Akses listrik yang belum tersedia secara merata menyebabkan perlunya pengelompokan wilayah pendistribusian listrik di Indonesia yang harus diprioritaskan.



K-Means Clustering Mengetahui pengelompokan provinsi di Indonesia yang memiliki tingkat distribusi listrik tinggi dan tingkat distribusi listrik rendah. Hasil pengelompokan menunjukkan bahwa terdapat 3 provinsi pada kelompok tingkat distribusi tinggi yaitu DKI Jakarta, Jawa Barat, dan Jawa Timur, serta 31 provinsi lainnya merupakan kelompok tingkat distribusi rendah.



Bagian pembelian pada PT. Mayer Indah masih menggunakan sistem konvensional dalam menganalisis persediaan barang sehingga mengalami kesulitan untuk menentukan barang yang harus dibeli dalam jumlah banyak, sedang, dan sedikit untuk memenuhi permintaan produksi. K-Means Clustering Memudahkan bagian pembelian dalam mengelompokkan barang yang harus dibeli dalam jumlah banyak, sedang, dan sedikit. Metode K-Means Clustering berhasil memudahkan bagian pembelian dalam mengelompokkan barang yang harus dibeli dalam jumlah banyak, sedang, dan sedikit.



10



Tabel 1.4 Penelitian Terdahulu Nama Peneliti Masalah Metode



Tujuan



Hasil



Inti A. Pagnuco, Juan I. Pastore, Guillermo Abras, Dini Marlina, Nurelina Fauzer Putri, Andri Fernando, Marcel Brun, Virginia L. Ballarin (2016) Aditya Ramadhan (2018) Diperlukannya pengelompokan gen berdasarkan karakter Fasilitas yang diberikan kepada lebih dari 11 ribu masing-masing. penyandang cacat yang tersebar di Provinsi Riau masih rendah. Hierarchical Agglomerative Clustering, Silhouette Index K-Means Clustering, K-Medoids Clustering, Silhouette Index Memperoleh daftar peringkat kelompok gen menggunakan penggabungan Agglomerative Hierarchical Clustering dengan validasi Silhouette Index. Penggabungan metode Agglomerative Hierarchical Clustering dengan validasi Silhouette Index menghasilkan dengan cepat pengelompokan gen yang baik dengan keunggulan masing-masing.



Mengelompokkan data sebaran anak cacat untuk mengetahui wilayah mana yang memiliki sebaran cacat yang tinggi untuk segera ditanggulangi. Algoritma K-Medoids dan K-Means dapat mengelompokkan data sebaran cacat pada anak dengan baik.



11



Tabel 1.4 Penelitian Terdahulu Gede Aditra Pradnyana, Agus Aan Jiwa Permana (2016) Hendy Suryana, Muhammad Fahmi Reza Fauzi (2019) Nama Peneliti Masalah Metode Tujuan



Hasil



Perbedaan kemampuan mahasiswa dalam proses pembelajaran menyebabkan proses pembelajaran yang berlangsung tidak efektif. K-Means, K-Nearest Neighbors, Silhouette Index



Diperlukan cabang baru untuk memenuhi kebutuhan bercocok tanam di daerah lainnya selain Kabupaten Cianjur. Center of Gravity



Menentukan jumlah kelompok terbaik dalam pembagian kelas kuliah mahasiswa untuk meningkatkan efektifitas proses belajar mengajar. Jumlah kelompok dan jumlah data yang digunakan akan berpengaruh terhadap kualitas kelompok yang terbentuk dan hasil terbaik diperoleh ketika menggunakan 100 data dengan jumlah kelompok 10 yang memberikan nilai Silhouette Index tertinggi sebesar 0,534 (medium structure).



Menentukan lokasi cabang baru UD. Barokah.



Hasil penelitian menunjukkan bahwa lokasi cabang baru yang cocok untuk UD. Barokah adalah di dalam wilayah Desa Kubang, Kecamatan Sukaresmi, Kabupaten Cianjur dengan titik koordinat X=5,9 dan Y=5,2.



12



Tabel 1.4 Penelitian Terdahulu Tutus Rully, Deiya Caesar Aldenia (2014) Nama Peneliti



Masalah



Metode Tujuan Hasil



Moch. Anshori, Ahmad Fatih Fudhla, Agus Hidayat (2017)



Perusahaan mengeluarkan biaya transportasi yang sangat Kendaraan angkut besar tidak bisa langsung masuk ke besar dengan adanya gudang di Bogor. dalam kota sehingga sulit untuk memenuhi kebutuhan pasokan barang pada kota metropolis yang padat penduduk dan dibutuhkan lokasi fasilitas crossdock yang tepat. Center of Gravity Center of Gravity Mengetahui lokasi gudang yang meminimkan biaya Memilih lokasi terbaik untuk fasilitas crossdock. transportasi PT Elangperdana Tyre Industry Hasil penelitian menunjukkan lokasi gudang yang akan Berdasarkan hasil perhitungan, didapatkan bahwa lokasi meminimkan jarak tempuh dan biaya transportasi fasilitas crossdock yang paling kecil biayanya berlokasi di berlokasi di Solo dengan titik koordinat X=122 dan Y=22. daerah Surabaya Timur.



13



Tabel 1.4 Penelitian Terdahulu Nama Peneliti Masalah Metode



Tujuan



Hasil



Mhd Gading Sadewo, Agus Perdana Windarto, Dedy Hazmira Yozza, Izzati Rahmi HG, Juliana (2016) Hartama (2017) Perlunya perhatian lebih pada provinsi dengan tingkat populasi daging ayam ras pedaging rendah, sedang, dan tinggi. K-Means Clustering



Fasilitas kesehatan di setiap puskesmas kabupaten/kota di Indonesia tersedia secara tidak merata sehingga perlu kebijakan pemerintah untuk mengatasi hal tersebut. Two Step Clustering



Mengetahui provinsi dengan tingkat populasi daging Mengelompokkan kabupaten/kota di Indonesia yang ayam ras pedaging rendah, sedang, dan tinggi sebagai memiliki fasilitas pelayanan dasar yang mirip sehingga masukan bagi pemerintah. pemerintah dapat mengambil kebijakan yang sama terhadap kabupaten/kota dalam satu kelompok yang sama. Hasil pengelompokan populasi tinggi terdiri dari 1 Hasil pengelompokan kabupaten terbagi menjadi 5 provinsi, populasi sedang terdiri dari 6 provinsi, dan klaster, sedangkan pengelompokan kota menghasilkan 3 populasi rendah terdiri dari 27 provinsi. klaster.



14



Tabel 1.4 Penelitian Terdahulu Nama Peneliti



Masalah



Metode



Tujuan



Hasil



Sharyn Rundle Thiele, Krzysztof Kubacki, Aaron Sri Widaningsih, Agus Suheri (2018) Tkaczynski, Joy Parkinson (2015) Adanya peningkatan jumlah orang dewasa yang kelebihan berat badan atau obesitas di seluruh dunia, salah satunya di Australia, yang disebabkan oleh kurangnya melakukan aktivitas fisik. Two Step Clustering



Analisis lebih lanjut terhadap data profil dosen di Kopertis IV untuk mendorong para dosen menaikkan jabatan fungsionalnya belum pernah dilakukan.



Membuktikan bahwa Two Step Cluster Analysis dapat digunakan untuk mengidentifikasi segmen aktivitas fisik agar sosialisasi implikasi praktis aktivitas fisik pada setiap segmen dapat ditawarkan. Hasil penelitian membuktikan bahwa Two Step Cluster Analysis dapat digunakan untuk mengidentifikasi segmen aktivitas fisik.



Menggali lebih lanjut serta mengelompokkan pola dan karakteristik jabatan fungsional para dosen di Kopertis IV agar dapat segera menaikkan jabatan fungsionalnya.



Two Step Clustering



Hasil pengelompokan menunjukkan empat kelompok karakteristik dosen dengan ukuran kelompok paling besar sebesar 41,6% yang terdapat pada dosen-dosen berpendidikan magister dengan jabatan fungsional 150, baru memiliki jabatan fungsional selama empat tahun, dengan usia sekitar 40 tahun.



15



16



Tabel 1.4 menunjukkan beberapa penelitian terdahulu yang menjadi acuan dalam penelitian ini. Beberapa penelitian yang menggunakan metode Hierarchical Clustering digunakan untuk mengelompokkan sejumlah data sehingga diperoleh jumlah kelompok yang terbentuk dari data tersebut dengan tingkat homogenitas tinggi dalam satu kelompok yang sama dan tingkat



homogenitas



rendah



antarkelompok



(Abdurrahman,



2019;



Februariyanti & Santoso, 2017; Khodra & Wibisono, 2016; Kumar & Toshniwal, 2016). Beberapa penelitian yang menggunakan metode K-Means Clustering digunakan untuk menentukan keanggotaan kelompok dari masingmasing kelompok yang terbentuk pada sejumlah data (Astria, Windarto, Wanto, & Irawan, 2019; Sadewo, Windarto, & Hartama, 2017; Susliansyah, Sumarno, Priyono, & Hikmah, 2019). Beberapa penelitian yang menggunakan



metode



Two



Step



Clustering



digunakan



untuk



mengelompokkan sejumlah data sehingga dapat mengetahui jumlah kelompok yang terbentuk serta keanggotaan kelompok dari masing-masing kelompok (Thiele, Kubacki, Tkaczynski, & Parkinson, 2015; Widaningsih & Suheri, 2018; Yozza, Rahmi, & Juliana, 2016). Beberapa penelitian yang menggunakan metode Silhouette Index digunakan untuk menguji kualitas kelompok yang terbentuk (Marlina, Putri, Fernando, & Ramadhan, 2018; Pagnuco, Pastore, Abras, Brun, & Ballarin, 2016; Pradnyana & Permana, 2018). Beberapa penelitian yang menggunakan metode Center of Gravity digunakan untuk menentukan lokasi terbaik pada masing-masing kelompok (Anshori, Fudhla, & Hidayat, 2017; Rully & Aldenia, 2018; Suryana & Fauzi, 2019).



17



1.3



Rumusan Masalah Berdasarkan latar belakang yang telah dijelaskan di atas, maka rumusan masalah dalam penelitian ini adalah sebagai berikut: 1. Berapa jumlah gudang vaksin yang baru untuk menampung keseluruhan kebutuhan vaksin di Provinsi Papua? 2. Dimana letak koordinat gudang vaksin yang baru untuk menampung keseluruhan kebutuhan vaksin di Provinsi Papua? 3. Daerah mana saja yang dilayani oleh masing-masing gudang vaksin yang baru di Provinsi Papua? 4. Bagaimana hasil perbandingan kinerja Hierarchical Clustering & KMeans Clustering dengan Two Step Clustering berdasarkan nilai Silhouette Index?



1.4



Tujuan dan Manfaat Penelitian 1.4.1 Tujuan Penelitian Berdasarkan rumusan masalah tersebut, maka tujuan penelitian ini adalah sebagai berikut: 1. Mengetahui jumlah gudang vaksin yang optimal untuk menampung keseluruhan kebutuhan vaksin di Provinsi Papua. 2. Mengetahui letak koordinat gudang vaksin yang optimal untuk menampung keseluruhan kebutuhan vaksin di Provinsi Papua. 3. Mengetahui daerah yang dilayani oleh masing-masing gudang vaksin di Provinsi Papua.



18



4. Mengetahui



hasil



perbandingan



kinerja



Hierarchical



Clustering & K-Means Clustering dengan Two Step Clustering berdasarkan nilai Silhouette Index.



1.4.2 Manfaat Penelitian Berdasarkan rumusan masalah tersebut, maka manfaat penelitian ini adalah sebagai berikut: 1. Menambah wawasan dan pengetahuan peneliti serta pembaca tentang Hierarchical Agglomerative Clustering, K-Means Clustering, Two Step Clustering, interpretasi Silhouette Index, dan penentuan centroid dengan Center of Gravity. 2. Hasil penelitian dapat menjadi referensi bagi Pemerintah Provinsi



Papua



khususnya



Dinas



Kesehatan



dalam



menentukan jumlah dan lokasi penambahan gudang vaksin. 3. Penelitian dapat dikembangkan untuk penelitian selanjutnya dengan menambah kompleksitas maupun perbandingan dengan metode yang lain. 4. Melatih kemampuan peneliti dan menjadi tolak ukur bagi peneliti mengenai penggunaan ilmu teknik industri dalam kehidupan.



1.5



Batasan Masalah Batasan masalah yang digunakan dalam penelitian ini adalah sebagai berikut:



19



1. Penentuan lokasi gudang vaksin hanya pada tingkat provinsi untuk melayani kabupaten/kota. 2. Jenis vaksin hanya berdasarkan jenis vaksin imunisasi dasar pada bayi di bawah 1 tahun. 3. Bobot permintaan vaksin setiap kabupaten didasarkan pada selisih proyeksi jumlah penduduk kabupaten/kota tahun 2019-2020. 4. Tidak mempertimbangkan masyarakat yang pindah domisili dari/ke Provinsi Papua. 5. Titik koordinat kabupaten/kota dan jarak antartitik koordinat diperoleh dari Google Maps dan Movable Type Script. 6. Data yang akan diolah untuk teknik pengelompokan didasarkan pada biaya tempuh antartitik koordinat kabupaten/kota. 7. Metode yang digunakan dalam penelitian ini adalah Hierarchical Clustering, K-Means Clustering, Two Step Clustering, Silhouette Index, dan Center of Gravity.



1.6



Sistematika Penulisan Sistematika penulisan yang digunakan dalam penelitian ini adalah sebagai berikut. 1. BAB 1 PENDAHULUAN Bab ini menjelaskan tentang latar belakang masalah, rumusan masalah, tujuan dan manfaat penelitian, batasan masalah yang digunakan dalam penelitian, serta sistematika penulisan. 2. BAB 2 LANDASAN TEORI



20



Bab ini menjelaskan teori-teori yang digunakan di dalam penelitian yang



diperoleh



dari



berbagai



sumber



sebagai



pendukung



penyusunan penelitian. 3. BAB 3 METODE PENELITIAN Bab ini menjelaskan langkah-langkah yang ditempuh dalam penelitian berupa diagram alir (flow chart). 4. BAB 4 ANALISIS DAN PEMBAHASAN Bab ini menjelaskan tentang pengumpulan dan pengolahan data menggunakan metode-metode yang telah dijelaskan pada landasan teori, serta analisis dan pembahasan hasil pengolahan data. 5. BAB 5 KESIMPULAN DAN SARAN Bab ini menjelaskan kesimpulan yang diperoleh dari hasil analisis dan pembahasan keseluruhan penelitian sebagai jawaban dari rumusan masalah. Bab ini juga berisi saran yang diharapkan dapat membantu penelitian selanjutnya.



BAB 2 LANDASAN TEORI



2.1



Rantai Pasok Rantai pasok adalah jaringan perusahaan-perusahaan yang bekerja sama dalam memproduksi dan mendistribusikan suatu produk ke tangan pemakai akhir (Pujawan & Er, 2017). Rantai pasok terdiri dari semua pihak yang terlibat secara langsung maupun tidak langsung dalam memenuhi permintaan pelanggan (Chopra & Meindl, 2016). Pada umumnya, terdapat 3 jenis aliran dalam suatu rantai pasok yang mengalir dari hulu (upstream) ke hilir (downstream), yaitu aliran barang, aliran uang dan sejenisnya, serta aliran informasi (Pujawan & Er, 2017). Beberapa faktor pendorong utama yang memengaruhi kinerja rantai pasok, yaitu (Chopra & Meindl, 2016): 1. Fasilitas 2. Persediaan barang 3. Transportasi 4. Informasi 5. Sumber daya 6. Harga



2.2



Gudang Gudang merupakan titik perantara dimana semua barang yang diterima harus dikirim secepat, seefektif, dan seefisien mungkin. Menempatkan gudang secara strategis di lokasi geografis yang tepat adalah salah satu



21



22



keputusan paling penting yang perlu diambil perusahaan (Richards, 2017). Pemilihan lokasi gudang dipengaruhi beberapa kriteria penilaian, baik data kuantitatif maupun kualitatif. Berikut ini merupakan faktor-faktor spesifik yang perlu dipertimbangkan untuk memutuskan lokasi gudang (Richards, 2017): 1.



Biaya tanah, sewa dan bunga



2.



Akses ke jaringan transportasi



3.



Ketersediaan tenaga kerja terampil yang terjangkau



4.



Akses transportasi untuk karyawan



5.



Ketersediaan dana, hibah, dll



6.



Ketersediaan bangunan yang ada



7.



Ketersediaan dan biaya utilitas termasuk telekomunikasi



8.



Ketersediaan keuangan dan sumber daya



9.



Arus lalu lintas barang



10. Kedekatan dengan pelabuhan dan bandara 11. Lokasi pemasok dan titik manufaktur 12. Tetangga potensial (misal kedekatan dengan depot penyimpanan minyak dapat menjadi faktor negatif)



2.3



Vaksin Vaksin adalah senyawa antigen yang terbuat dari virus yang telah dimatikan yang berfungsi untuk meningkatkan imunitas tubuh terhadap virus (Maisa, Musiasa, & Shibab, 2017). Kebutuhan vaksin untuk program imunisasi nasional sudah dapat terpenuhi sebesar 99% oleh produksi dalam



23



negeri dan hanya 1% yang merupakan vaksin impor yang biasanya digunakan sebagai alternatif melalui fasilitas kesehatan swasta. Semua vaksin imunisasi yang disediakan pemerintah sudah dapat diproduksi di Indonesia oleh PT Bio Farma (Persero) dengan kapasitas produksi yang sudah mampu memenuhi kebutuhan nasional (Kementerian Kesehatan Republik Indonesia, 2016). Vaksin yang diproduksi dan akan didistribusikan harus melalui proses pengecekan sebelum dipasarkan oleh Badan Pengawas Obat dan Makanan (BPOM) dan mendapat izin edar. Vaksin didistribusikan kepada provinsi, kabupaten, dan kota sampai ke fasilitas kesehatan yang melayani imunisasi. Selama proses distribusi dari tingkat pusat sampai kabupaten/kota, vaksin disimpan dalam instalasi farmasi dengan mengikuti syarat dan teknik penyimpanan vaksin (Kementerian Kesehatan Republik Indonesia, 2016).



2.3.1 Alur Distribusi Vaksin dari Pusat ke Provinsi Distribusi vaksin dari pusat ke provinsi dilakukan ketika dinas kesehatan provinsi mengajukan rencana dan jadwal penyerapan vaksin alokasi provinsi kepada Dirjen Kefarmasian dan Alat Kesehatan Kementerian Kesehatan Republik Indonesia. Vaksin akan dikirim sesuai rencana dan jadwal penyerapan vaksin yang diajukan. Pendistribusian dilakukan dengan menggunakan cold box yang dilengkapi dengan cool pack (Kementerian Kesehatan Republik Indonesia, 2016).



24



2.3.2 Alur Distribusi Vaksin dari Provinsi ke Kabupaten/Kota Distribusi vaksin dan logistiknya dari provinsi ke kabupaten/kota merupakan tanggung jawab pemerintah provinsi. Distribusi dilakukan atas permintaan resmi dari dinas kesehatan kabupaten/kota dengan mempertimbangkan kapasitas penyimpanan (Kementerian Kesehatan Republik Indonesia, 2016).



2.3.3 Alur Distribusi Vaksin dari Kabupaten/Kota ke Puskesmas Distribusi vaksin dari kabupaten/kota ke puskesmas dilakukan atas permintaan resmi dari puskesmas dengan mempertimbangkan kapasitas penyimpanan. Vaksin didistribusikan menggunakan cold box atau vaccine carrier yang dilengkapi dengan cool pack dan indikator pembekuan (Kementerian Kesehatan Republik Indonesia, 2016).



2.3.4 Sarana Penyimpanan Vaksin Instalasi farmasi untuk penyimpanan vaksin di tingkat provinsi dilengkapi dengan (Kementerian Kesehatan Republik Indonesia, 2016): 1. Kamar dingin (cold room) dengan temperatur sekitar 2°C hingga 8°C untuk penyimpanan vaksin Campak, BCG, DPT, TT, DT, Hepatitis B, DPT-HB. 2. Kamar beku (freeze room) dengan temperatur sekitar -15°C hingga -25°C untuk penyimpanan vaksin polio. 3. Kulkas/freezer 4. Alat pembawa vaksin: cold box, vaccine carrier



25



5. Alat mempertahankan suhu: cold box, cool pack Instalasi farmasi untuk penyimpanan vaksin di kabupaten/kota dilengkapi dengan freezer dan cold room, sedangkan di puskesmas dan fasilitas pelayanan kesehatan tingkat pertama lainnya semua vaksin disimpan pada cold room. Untuk vaksin Hepatitis B, bidan desa dapat menyimpan pada suhu ruang yang terlindung dari paparan sinar matahari langsung. Pemantauan vaksin dan logistik dilakukan setiap bulan oleh atasan langsung pengelola vaksin di tiap jenjang (Kementerian Kesehatan Republik Indonesia, 2016).



2.3.5 Gudang Vaksin Berdasarkan Peraturan Menteri Kesehatan Republik Indonesia Nomor 12 Tahun 2017 tentang Penyelenggaraan Imunisasi, dijelaskan bahwa vaksin merupakan bahan biologis yang mudah rusak sehingga membutuhkan tempat penyimpanan khusus sesuai standar yang ditetapkan, yaitu pada suhu 2 s/d 8 ºC untuk vaksin sensitif beku dan 15 s/d -25 ºC untuk vaksin sensitif panas. Sarana penyimpanan vaksin terdiri atas (Kementerian Kesehatan Republik Indonesia, 2016): 1. Kamar dingin dan kamar beku a. Kamar dingin (cold room) adalah tempat penyimpanan vaksin dengan kapasitas mulai dari 5.000 liter sampai dengan 100.000 liter. Bagian dalam ruangan ini memiliki suhu antara 2oC hingga 8oC.



26



b. Kamar beku (freeze room) adalah tempat penyimpanan vaksin dengan kapasitas mulai dari 5.000 liter sampai dengan 100.000 liter. Bagian dalam ruangan ini memiliki suhu antara -15 oC hingga -25oC. Fungsi utama dari kamar beku adalah untuk menyimpan vaksin polio. c. Kamar dingin dan kamar beku umumnya hanya terdapat di tingkat provinsi dikarenakan provinsi harus menampung vaksin dengan jumlah yang besar dan dalam jangka waktu yang cukup lama. 2. Vaccine refrigerator dan freezer Vaccine refrigerator adalah tempat menyimpan vaksin Hepatitis B, Campak, IPV, BCG, Td, DT, dan DPT-HB-Hib pada suhu 2oC hingga 8oC. Selain itu, vaccine refrigerator juga digunakan untuk membuat cool pack. Freezer adalah tempat menyimpan vaksin polio pada suhu -15 oC hingga -25oC atau dapat juga digunakan untuk membuat cold pack. Standar Nasional Indonesia (SNI) dan Product Information Sheet (PIS)/Performance Quality and Safety (PQS) dari WHO harus ada pada vaccine refrigerator dan freezer.



2.4



Clustering 2.4.1 Definisi Clustering Clustering adalah suatu teknik dalam data mining untuk mengelompokkan data ke dalam beberapa kelompok (Hariyanto &



27



Shita, 2018). Tujuan dari clustering adalah memilah objek ke dalam beberapa kelompok yang memiliki karakteristik berbeda satu sama lain dan memiliki karakteristik sejenis dalam satu kelompok yang sama (Satria & Aziz, 2016).



2.4.2 Jenis-Jenis Clustering Secara umum, ada dua jenis metode clustering yang sering digunakan dalam proses pengelompokan data, yaitu Hierarchical Clustering dan Non-Hierarchical Clustering (Februariyanti & Santoso, 2017). 2.4.2.1 Hierarchical Clustering Hierarchical Clustering adalah algoritma clustering yang melakukan pengelompokan data berdasarkan tingkatan tertentu. Metode ini biasanya digunakan apabila jumlah kelompok yang akan dipilih belum diketahui (Februariyanti & Santoso, 2017). Hierarchical Clustering ditandai dengan struktur seperti pohon yang terbentuk saat melakukan proses analisis kelompok (Sarstedt & Mooi, 2019). Pengelompokan dengan metode Hierarchical Clustering dapat bersifat agglomerative (bottom up) yang artinya pengelompokan dari n buah kelompok menjadi k buah kelompok, maupun bersifat divisive (top to down) yang artinya pengelompokan dari 1 kelompok sampai menjadi k buah kelompok (Februariyanti & Santoso, 2017).



28



Sebagian



besar



metode



Hierarchical



Clustering



termasuk dalam kategori Agglomerative Clustering. Dalam kategori ini, kelompok terbentuk secara berurutan dari objek. Agglomerative Clustering dimulai dengan setiap objek yang mewakili sebuah kelompok individu. Objek tersebut kemudian secara berurutan bergabung untuk membentuk kelompok beberapa objek, dimulai dengan dua objek yang paling serupa. Keserupaan biasanya didefinisikan dalam hal jarak antara objek. Artinya, objek dengan jarak yang lebih kecil antara satu sama lain dianggap lebih serupa, sedangkan objek dengan jarak



lebih



jauh



dianggap



lebih



berbeda.



Setelah



penggabungan dari dua objek pertama yang paling serupa, prosedur Agglomerative Clustering dilanjutkan dengan menggabungkan sepasang objek lain atau menambahkan objek lain ke kelompok yang sudah ada. Prosedur ini berlanjut sampai semua objek digabungkan menjadi satu kelompok besar. Divisive Clustering dimulai dengan menggabungkan semua objek awal menjadi satu kelompok, yang kemudian secara bertahap terbagi-bagi menjadi kelompok yang lebih kecil (Sarstedt & Mooi, 2019). Kelompok pada bentuk agglomerative maupun divisive menunjukkan bahwa sebuah kelompok di tingkat yang lebih tinggi pada hierarki selalu mencakup semua kelompok dari tingkat yang lebih rendah. Hal ini menunjukkan jika suatu



29



objek



ditugaskan



ke



kelompok



tertentu,



tidak



ada



kemungkinan untuk menetapkan kembali objek tersebut ke kelompok lain. Ini adalah perbedaan penting antara metode hierarki dan partisi, seperti K-Means. Prosedur divisive jarang digunakan dalam riset pasar dan tidak diimplementasikan dalam perangkat lunak pengolah statistik seperti SPSS karena sangat intensif jika dataset besar, namun bisa untuk dataset kecil (Sarstedt & Mooi, 2019). Saat



menggunakan



Hierarchical



Agglomerative



Clustering, diperlukan penentuan linkage algorithm. Linkage algorithm dapat didefinisikan sebagai penentuan jarak dari kelompok yang baru terbentuk ke objek tertentu, atau ke kelompok lain. Berikut adalah beberapa linkage algorithms yang paling populer (Sarstedt & Mooi, 2019): 1. Single linkage (nearest neighbor di SPSS): Jarak antara dua kelompok sesuai dengan jarak terpendek antara dua anggota dalam dua kelompok. 2. Complete linkage (furthest neighbour di SPSS): Jarak antara dua kelompok didasarkan pada jarak terjauh antara dua anggota dalam dua kelompok. 3. Average linkage (between-groups linkage di SPSS): Jarak antara dua kelompok didefinisikan sebagai jarak rata-rata antara semua pasangan anggota dua kelompok.



30



4. Centroid linkage: Dalam pendekatan ini, pusat geometri (centroid) dari setiap kelompok dihitung terlebih dahulu. Ini dilakukan dengan menghitung nilai rata-rata variabel kelompok dari semua objek dalam kelompok tersebut. Jarak antara dua kelompok sama dengan jarak antara dua centroid. 5. Ward's linkage: Pendekatan ini tidak menggabungkan dua objek terdekat atau paling mirip secara berurutan. Sebagai gantinya, Ward’s linkage menggabungkan objek-objek yang dapat meningkatkan variasi dalam kelompok secara keseluruhan (contoh: homogenitas kelompok) Pendekatan



hingga ini



tingkat



umumnya



sekecil



mungkin.



digunakan



dalam



kombinasi dengan jarak Euclidean kuadrat, tetapi dapat digunakan juga dalam kombinasi dengan pengukuran keserupaan maupun ketidakserupaan. Masing-masing



linkage



algorithms



ini



dapat



menghasilkan solusi yang berbeda bila digunakan pada dataset yang sama, karena masing-masing memiliki sifat spesifik, yaitu sebagai berikut (Sarstedt & Mooi, 2019): 1. Single linkage algorithm didasarkan pada jarak minimum dan cenderung membentuk satu kelompok besar dengan kelompok lain yang masing-masing hanya berisi satu atau beberapa objek. Pendekatan ini



31



digunakan untuk mendeteksi outlier, dikarenakan adanya penggabungan dengan objek-objek yang tersisa pada langkah terakhir analisis. Single linkage dianggap sebagai algoritma yang paling fleksibel. 2. Complete linkage method sangat dipengaruhi oleh outliers, karena didasarkan pada jarak maksimum. Kelompok



yang



dihasilkan



oleh



metode



ini



cenderung padat dan berkerumun secara rapat. 3. Average linkage dan centroid linkage algorithms cenderung menghasilkan kelompok yang memiliki variasi rendah dan dengan ukuran yang sama. Average linkage dipengaruhi oleh outliers, tetapi pengaruhnya lebih sedikit dibandingkan dengan complete linkage method. 4. Ward's linkage menghasilkan kelompok dengan ukuran yang sama dengan tingkat keketatan yang sama. Berdasarkan penelitian yang telah ada, ditunjukkan bahwa pendekatan tersebut umumnya berkinerja sangat baik. Namun, outlier dan variabel yang sangat berkorelasi memiliki dampak yang kuat pada hasil. Metode Ward’s linkage melakukan pengelompokan dengan lebih baik secara keseluruhan dibandingkan dengan linkage alghoritm lainnya (Ferreira & Hitchcock, 2009).



32



2.4.2.2 Non-Hierarchical Clustering (Partitioning Clustering) K-Means Clustering merupakan algoritma clustering yang termasuk dalam metode partisi (partitioning method) yang berbasis titik pusat (centroid) (Susliansyah et al., 2019). K-Means Clustering merupakan algoritma clustering yang paling sederhana dibanding dengan algoritma clustering lainnya (Muzakir, 2014). Metode K-Means mengikuti konsep yang berbeda dari Hierarchical Clustering, dimana K-Means memerlukan penentuan jumlah kelompok terlebih dahulu untuk mengolah data sebelum analisis. Metode K-Means dimulai dengan secara acak menugaskan semua objek ke dalam kelompok. Pada langkah selanjutnya, secara berturutturut memindahkan objek ke kelompok lain dengan tujuan meminimalkan variasi dalam kelompok. Variasi dalam kelompok ini sama dengan jarak kuadrat dari setiap objek menuju centroid dari kelompok terkait. Jika alokasi ulang suatu objek ke kelompok lain mengurangi variasi dalam kelompok, maka objek tersebut ditugaskan untuk kelompok tersebut. Oleh karena adanya perubahan anggota objek pada kelompok, K-Means artinya tidak membangun sebuah hierarki oleh karena itu disebut sebagai Non-Hierarchical Clustering methods. Lima langkah dari proses K-Means Clustering adalah sebagai berikut (Sarstedt & Mooi, 2019):



33



1. Penentuan jumlah kelompok untuk K-Means sebagai input untuk algoritma memilih pusat untuk setiap kelompok. 2. Jarak Euclidean dihitung dari pusat setiap kelompok ke setiap objek. Setiap objek kemudian ditugaskan ke pusat kelompok dengan jarak terpendek. 3. Masing-masing pusat geometri kelompok dihitung dengan cara menghitung nilai rata-rata objek yang terkandung dalam kelompok. 4. Jarak dihitung dari setiap objek ke kelompok yang baru ditemukan dan setiap objek ditugaskan ke kelompok tertentu berdasarkan jarak terdekat. 5. Prosedur



K-Means



sekarang



diulangi



sampai



sejumlah iterasi yang ditentukan tercapai, atau konvergensi tercapai (tidak ada perubahan dalam anggota objek kelompok). Tiga aspek yang perlu diperhatikan dalam menggunakan K-Means (Sarstedt & Mooi, 2019): 1. Metode K-Means secara implisit didasarkan pada jarak Euclidean berpasangan, karena jumlah jarak kuadrat dari centroid sama dengan jumlah kuadrat berpasangan jarak Euclidean dibagi dengan jumlah objek. Oleh karena itu, metode ini hanya boleh digunakan dengan metrik dan dalam kasus skala yang



34



sama, variabel ordinal. Hasil yang dihasilkan oleh KMeans tergantung pada partisi awal. Artinya, KMeans menghasilkan hasil yang berbeda, tergantung pada partisi awal yang dipilih oleh peneliti atau perangkat lunak. Dalam SPSS, inisialisasi tergantung pada penentuan objek. Akibatnya, K-Means dapat terbatasi dalam optimum lokal, yang berarti bahwa solusi tersebut hanya optimal jika dibandingkan dengan solusi serupa saja, tetapi tidak secara global. Oleh karena itu, diperlukannya menjalankan KMeans beberapa kali dengan objek yang diurutkan dan dipilih acak untuk memverifikasi stabilitas solusi yang diberikan. 2. Metode K-Means melakukan perhitungan yang lebih sedikit dibandingkan Hierarchical Clustering. Oleh karena itu metode ini umumnya disukai untuk ukuran sampel di atas 500, dan khususnya untuk aplikasi data besar. 3. Menjalankan K-Means membutuhkan penentuan jumlah kelompok sebelum menjalankan analisis.



2.4.2.3 Two Step Clustering Two Step Clustering merupakan teknik pengelompokan yang diciptakan oleh SPSS sebagai salah satu metode yang



35



bertujuan untuk menangani kekurangan dari metode statistik yang sudah ada (SPSS, 2001). Jarak yang digunakan dalam metode Two Step Clustering adalah jarak Log-Likelihood untuk data yang bersifat kategoris dan jarak Euclidean apabila data terdiri dari nilai numerik (Sarstedt & Mooi, 2019; Widaningsih & Suheri, 2018). Pada perangkat lunak SPSS, Two Step Clustering dapat menentukan jumlah tetap atau jumlah



maksimum



kelompok



yang



diinginkan.



Satu



keuntungan utama Two Step Clustering adalah memungkinkan pemilihan otomatis jumlah kelompok berdasarkan kriteria informasi yang terdiri dari Bayesian Information Criterion (BIC) dan Akaike Information Criterion (AIC) (Sarstedt & Mooi, 2019). Teknik Two Step Clustering melalui dua tahap, yaitu sebagai berikut (Sarstedt & Mooi, 2019; Widaningsih & Suheri, 2018): 1. Algoritma melakukan prosedur yang sangat mirip dengan algoritma K-Means. Pengelompokan awal pengamatan menjadi sub-kelompok kecil dilakukan. 2. Selanjutnya berdasarkan hasil tersebut, dilakukan prosedur Hierarchical Agglomerative Clustering yang dimodifikasi dengan menggabungkan objek secara berurutan untuk membentuk kelompok homogen atau pengelompokan akhir.



36



Salah satu keunggulan dari analisis Two Step Clustering adalah dapat menangani variabel kategori dan kontinu secara bersamaan. Hierarchical Clustering dan K-Means Clustering terbatas dalam hal ini karena dua metode ini memerlukan variabel kontinu (K-Means Clustering) dan variabel diukur pada skala kategorikal, ordinal, atau kontinu (Hierarchical Clustering). Selain itu, Two Step Clustering memungkinkan untuk secara otomatis memilih jumlah kelompok berdasarkan kriteria statistik. Prosedur ini juga menunjukkan pentingnya setiap variabel untuk pembangunan kelompok tertentu. Analisis Two Step Clustering juga menawarkan keseluruhan ukuran good-of-fit disebut silhouette measure of cohesion and separation. Hal ini didasarkan pada jarak rata-rata antara objek dan dapat bervariasi antara −1 dan +1. Nilai kurang dari 0,20 menunjukkan kualitas solusi yang buruk, nilai antara 0,20 dan 0,50 solusi yang adil, sedangkan nilai yang lebih tinggi dari 0,50 menunjukkan solusi yang baik. Fitur ini yang membuat Two Step Clustering menjadi alternatif yang lebih baik dibandingkan dengan metode tradisional (Sarstedt & Mooi, 2019).



2.5



Silhouette Index Silhouette Index merupakan metode penafsiran untuk memvalidasi kelompok dengan memberikan representasi grafis singkat mengenai kualitas pembagian objek sebagai anggota dalam sebuah kelompok (Putra, Purwanto,



37



& Novianty, 2015). Silhouette Index digunakan untuk memvalidasi data kelompok tunggal maupun keseluruhan kelompok, serta untuk mengetahui kualitas kelompok. Selain itu, metode ini digunakan untuk memvalidasi kelompok yang menggabungkan nilai kohesi dan separasi (Prasetyo, 2014). Langkah-langkah pengerjaan Silhouette Index adalah sebagai berikut (Pradnyana & Permana, 2018): a. Menghitung jarak rata-rata dari suatu data (misalkan i) dengan semua data lain yang berada dalam satu kelompok. 𝑎(𝑖) =



1 ∑ ∈ 𝑑(𝑖, 𝑗) |𝐴| − 1 𝑗 𝐴,𝑗≠𝑖



(2.1)



dengan j adalah data lain dalam suatu kelompok A dan d(i,j) adalah jarak data i dengan j. b. Menghitung jarak rata-rata dari data ke-i dengan semua data yang berada dalam kelompok lain, kemudian mengambil nilai terkecilnya. 𝑑(𝑖, 𝐶) =



1 ∑ ∈ C 𝑑(𝑖, 𝑗) |𝐴| − 1 𝑗



(2.2)



dengan d(i,C) adalah jarak rata-rata data i dengan semua objek pada kelompok lain, yaitu kelompok C dimana A ≠ C. 𝑏(𝑖) = min 𝐶 ≠ 𝐴 𝑑(𝑖, 𝐶)



(2.3)



c. Menghitung nilai SI dengan 𝑠(𝑖) =



𝑏(𝑖) − 𝑎(𝑖) max (𝑎(𝑖), 𝑏(𝑖))



(2.4)



38



Berikut merupakan interpretasi dari nilai Silhouette Index (Kaufman & Rousseeuw, 2005): 1. 0.7 < SI ≤ 1 struktur kuat 2. 0.5 < SI ≤ 0.7 struktur baik 3. 0.25 < SI ≤ 0.5 struktur lemah 4. SI ≤ 0.25 struktur buruk



2.6



Center of Gravity Metode Center of Gravity (COG) digunakan untuk menentukan lokasi dari suatu fasilitas seperti gudang atau pabrik yang adalah bagian dari strategi pengembangan jaringan manajemen rantai pasok. Model dari lokasi gravitasi didasarkan pada penentuan titik koordinat dari distribution center (DC) yang menghasilkan jarak terpendek bagi wilayah produksi atau wilayah pelanggan yang harus terlayani. Model COG ini menggunakan beberapa asumsi, yaitu sebagai berikut (Keller & Yeaple, 2009; Syam, Arifin, & Purba, 2018): 1. Biaya transportasi diasumsikan naik sebanding dengan volume yang diantarkan. 2. Sumber persediaan dan lokasi produksi dapat dipetakan pada peta dengan koordinat X dan Y. Jika terdapat daerah sejumlah i dengan koordinat 𝑥𝑖 dan 𝑦𝑖 dengan bobot atau kepadatan permintaan pada setiap daerah dilambangkan dengan 𝑤𝑖 maka COG akan menghasilkan titik koordinat berdasarkan rata-rata bobot. Titik koordinat COG 𝑥𝑔 dan 𝑦𝑔 tidak akan meminimalisir jarak tempuh ke pelanggan tetapi akan memberikan bobot rata-rata pelanggan yang terletak



39



pada daerah yang berbeda dengan beragam kepadatan permintaan. Rumus untuk menghitung koordinat 𝑥𝑔 dan 𝑦𝑔 adalah sebagai berikut (Syam et al., 2018): ∑𝑛𝑖=1 𝑤𝑖 𝑥𝑖 𝑥𝑔 = 𝑛 ∑𝑖=1 𝑤𝑖



(2.5)



∑𝑛𝑖=1 𝑤𝑖 𝑦𝑖 ∑𝑛𝑖=1 𝑤𝑖



(2.6)



𝑦𝑔 =



BAB 3 METODE PENELITIAN



3.1



Gambaran Umum Perusahaan 3.1.1 Sejarah PT Bio Farma (Persero) PT Bio Farma (Persero) adalah Badan Usaha Milik Negara (BUMN) yang sahamnya dimiliki sepenuhnya oleh pemerintah dan merupakan satu-satunya produsen vaksin dan antiserum di Indonesia (Bio Farma, 2016). Bio Farma juga merupakan produsen vaksin terbesar di Asia Tenggara yang selama ini sudah berdedikasi dalam rangka memproduksi vaksin dan antiserum berkualitas internasional untuk mendukung program imunisasi nasional (Bio Farma, 2016). Berikut merupakan sejarah perkembangan PT Bio Farma (Bio Farma, 2015): 1.



Didirikan pada tanggal 6 Agustus 1890 dengan nama “Parc Vaccinogene” berdasarkan Surat Keputusan Gubernur Hindia Belanda Nomor 14 Tahun 1890 di Rumah Sakit Militer Weltevreden, Batavia, yang saat ini telah berubah fungsi menjadi Rumah Sakit Pusat Angkatan Darat Gatot Soebroto (RSPAD Gatot Soebroto), Jakarta.



2.



Pada tahun 1895-1901, mengalami perubahan nama menjadi “Parc Vaccinogene en Instituut Pasteur”.



3.



Pada tahun 1902-1941, mengalami perubahan nama kembali menjadi “Landskoepoek Inritching en Instituut Pasteur”.



40



41



Pada tahun 1923, di bawah pimpinan L. Otten, Bio Farma mulai menempati lokasi di Jalan Pasteur No. 28, Bandung. 4.



Pada tahun 1942-1945 (masa penjajahan Jepang), di bawah pimpinan Kikuo Kurauchi, Bio Farma berganti nama kembali menjadi “Bandung Boeki Kenkyushoo”.



5.



Pada tahun 1945-1946, mengalami perubahan nama menjadi “Gedung Cacar dan Lembaga Pasteur” di bawah pimpinan R.M. Sardjito yang merupakan pemimpin Indonesia pertama dan sempat berpindah lokasi ke daerah Klaten.



6.



Pada tahun 1946-1949, perusahaan kembali berganti nama menjadi “Landskoepoek Inritching en Instituut Pasteur” pada masa Agresi Militer, saat Bandung kembali diduduki oleh Belanda.



7.



Pada tahun 1950-1954, perusahaan kembali berganti nama menjadi “Gedung Cacar dan Lembaga Pasteur” yang merupakan salah satu jawatan dalam lingkungan Departemen Kesehatan Republik Indonesia.



8.



Pada tahun 1955-1960, yaitu pada masa nasionalisasi kepemilikan perusahaan Belanda di Indonesia, perusahaan berganti nama kembali menjadi “Perusahaan Negara Pasteur” atau lebih dikenal dengan nama PN. Pasteur



9.



Pada tahun 1961-1978, perusahaan mengalami perubahan nama menjadi “Perusahaan Negara Bio Farma” atau lebih dikenal dengan nama PN. Bio Farma.



42



10. Pada tahun 1978-1996, berdasarkan Peraturan Pemerintah No. 26 tahun 1978, perusahaan berganti nama menjadi Perusahaan Umum Bio Farma atau lebih dikenal dengan nama Perum Bio Farma. 11. Pada tahun 1997, berdasarkan Peraturan Pemerintah No. 1 Tahun 1997, perusahaan mengubah nama dari Perum Bio Farma menjadi Perusahaan Perseroan (Persero) atau lebih dikenal dengan nama PT Bio Farma (Persero) sampai dengan saat ini dengan kepemilikan saham 100% milik pemerintah. 12. Pada tahun 1997-2011, perusahaan berhasil mendapatkan Pra-Kualifikasi WHO untuk 12 jenis vaksin sehingga bisa memasuki pasar ekspor. 13. Pada tahun 2008, perusahaan meluncurkan logo baru yang mencerminkan semangat dan optimisme untuk menuju industri vaksin kelas dunia. 14. Pada tahun 2009, di bawah tim manajemen yang baru, perusahaan melangkah menuju perusahaan vaksin kelas dunia yang berdaya saing global. 15. Pada tahun 2013, peta jalan menuju industri Life Science dimulai. Perusahaan meluncurkan vaksin terbaru Pentavalent (Difteri,



Tetanus,



Pertusis,



Hepatitis



pencanangan program imunisasi nasional.



B,



HiB)



dan



43



16. Pada tahun 2014, visi perusahaan ditingkatkan, yaitu “Menjadi Perusahaan Life Science Kelas Dunia yang berdaya saing global”. 17. Pada tahun 2015, Gedung Heritage dan Museum Bio Farma diresmikan. 18. Pada tahun 2016, terjadi transformasi Forum Riset Vaksin Nasional (FRVN) menjadi Forum Riset Life Science Nasional (FRLN).



3.1.2 Filosofi, Visi, dan Misi PT Bio Farma PT Bio Farma sebagai perusahaan yang menjadi bagian dari perjuangan untuk meningkatkan kualitas hidup manusia memiliki filosofi, visi, dan misi sebagai berikut (Bio Farma, 2015): 1. Filosofi: Mengabdi untuk meningkatkan kualitas hidup yang lebih baik. 2. Visi: Menjadi perusahaan Life Science kelas dunia yang berdaya saing global. 3. Misi: Menyediakan dan mengembangkan produk Life Science Berstandar Internasional untuk meningkatkan kualitas hidup.



3.1.3 Makna Logo Bio Farma adalah sebuah perusahaan yang adaptif dalam mengantisipasi kecenderungan bisnis dan teknologi di bidang vaksin dan anti sera. Salah satu bentuk antisipasinya adalah dengan memiliki



44



logo yang merupakan identitas perusahaan (Bio Farma, 2016). Gambar 3.1 merupakan logo dari PT Bio Farma (Persero).



Gambar 3.1 Logo PT Bio Farma (Persero) Sumber: (Bio Farma, 2016) Filosofi dari logo tersebut adalah (Bio Farma, 2016): 1. Logo merupakan adaptasi bentuk pencitraan dari “crystal protein” dan “glycoprotein”. Hal ini merefleksikan bahwa Bio Farma adalah sebuah perusahaan yang bergerak di bidang vaksin dan serum. 2. Mencitrakan ilusi pendar bintang (sparkling) yaitu artinya sebagai semangat dan dinamika Bio Farma yang memiliki masa depan yang cemerlang. 3. Warna dominan hijau, secara psikologis menyiratkan seuatu nilai higienitas dan kesehatan. 4. Warna jingga dan kuning, secara terpadu menyiratkan semangat progresif dan keberanian untuk berinovasi agar selalu menjadi yang terdepan.



45



3.2



Objek Penelitian Objek penelitian dalam penelitian ini adalah penentuan jumlah dan lokasi gudang vaksin Dinas Kesehatan Provinsi Papua. Objek penelitian ini digunakan untuk menjawab permasalahan yang dihadapi Dinas Kesehatan Provinsi Papua yang mengalami kekurangan tempat penyimpanan vaksin.



3.3



Diagram Alir Penelitian Langkah-langkah pengerjaan penelitian ini direpresentasikan melalui diagram alir penelitian berikut.



46



MULAI



Identifikasi Masalah



Penentuan nilai k dengan Hierarchical clustering - Ward’s method



Perumusan Masalah



Tujuan dan Manfaat Penelitian



K-means clustering



Batasan Masalah



Menghitung Silhoutte Index dari hasil keanggotaan kelompok



Landasan Teori



• • • •



Two-step clustering



Pilih keanggotaan kelompok dengan nilai Silhoutte Index yang lebih besar



Pengumpulan Data Sekunder Koordinat Kabupaten/ Kota Proyeksi angka pertumbuhan penduduk Jarak antar titik sesuai armada dalam bentuk matriks Kebutuhan vaksin bagi bayi



Penentuan titik pusat masing-masing kelompok dengan Center of Gravity



Analisis dan Pembahasan



Menghitung biaya antar titik sesuai armada dalam bentuk matriks



Kesimpulan dan Saran



Selesai



Gambar 3.2 Diagram Alir Penelitian Sumber: (Peneliti, 2020)



Langkah pertama yang dilakukan dalam penelitian ini adalah mengidentifikasi masalah yang dinyatakan melalui latar belakang yang telah



47



dijabarkan serta merumuskan masalah yang sedang terjadi. Langkah berikutnya adalah menentukan tujuan serta manfaat dari melakukan penelitian ini disertai dengan pembatasan masalah agar penelitian tidak membahas terlalu luas. Langkah selanjutnya adalah melakukan pengumpulan landasan teori melalui e-book, e-journal, proceeding, serta website. Sebelum dilakukan pengolahan data menggunakan perangkat lunak IBM SPSS, perlu dilakukan pengumpulan data sekunder berupa koordinat dari seluruh kabupaten/kota di Papua, proyeksi angka pertumbuhan penduduk, jarak antartitik sesuai armada yang digunakan dalam bentuk matriks, dan kebutuhan vaksin bagi bayi. Pada tahap pengolahan data, matriks jarak yang telah diperoleh dikonversikan menjadi matriks biaya. Matriks biaya tersebut diberikan peringkat untuk mengetahui nilai terbesar dan terkecil dari setiap baris. Hasil tersebut digunakan untuk pengolahan data pada perangkat lunak SPSS. Peneliti menggunakan tiga teknik pengelompokan, yaitu Hierarchical Agglomerative Clustering, K-Means Clustering, dan Two Step Clustering. Selanjutnya pada hasil keanggotaan kelompok dilakukan perhitungan nilai gabungan kohesi dan separasinya menggunakan Silhouette Index. Nilai Silhouette Index dari keanggotaan kelompok yang lebih mendekati 1 akan dipilih untuk dilanjutkan ke dalam perhitungan Center of Gravity dengan tujuan menentukan titik pusat koordinat dari masing-masing kelompok. Lalu dilakukan analisis dari pengolahan data yang telah dilakukan serta dibuat kesimpulan untuk menjawab rumusan masalah dan memberi saran untuk penelitian selanjutnya.



48



3.4



Metode Penelitian Metode yang digunakan untuk pengumpulan data adalah data sekunder yang diperoleh melalui Google Maps sebagai penentuan titik koordinat kabupaten/kota di Provinsi Papua dan data Badan Pusat Statistik tentang proyeksi angka pertumbuhan penduduk kabupaten/kota di Provinsi Papua. Titik koordinat yang diperoleh digunakan untuk mencari jarak antartitik menggunakan Google Maps dan Movable Type Script, serta untuk mencari kendaraan yang akan digunakan. Data jarak dimasukkan menjadi bentuk matriks yang selanjutnya dikonversikan menjadi biaya dalam bentuk matriks. Matriks biaya tersebut diberikan peringkat untuk mengetahui nilai terbesar dan terkecil dari setiap baris. Hasil tersebut merupakan input untuk diolah pada perangkat lunak SPSS dengan teknik pengelompokan Hierarchical Clustering-K-Means Clustering dan Two Step Clustering. Hasil keanggotaan kelompok dari masing-masing skenario akan dihitung nilai gabungan kohesi dan separasinya menggunakan Silhouette Index. Nilai Silhouette Index dari keanggotaan kelompok yang lebih mendekati 1 akan dipilih untuk dilanjutkan ke dalam perhitungan Center of Gravity dengan tujuan menentukan titik pusat koordinat dari masing-masing kelompok.



BAB 4 ANALISIS DAN PEMBAHASAN



4.1



Pengumpulan Data 4.1.1 Titik Koordinat Dinas Kesehatan Kabupaten/Kota di Provinsi Papua Tabel 4.1 berikut merupakan tabel yang menunjukkan letak titik koordinat dan alamat Dinas Kesehatan pada setiap kabupaten/kota di Provinsi Papua. Koordinat tersebut diperoleh dari aplikasi Google Maps dengan cara memasukkan alamat dari setiap Dinas Kesehatan kabupaten/kota. Data koordinat ini akan digunakan untuk mencari jarak antartitik Dinas Kesehatan kabupaten/kota di Provinsi Papua.



49



Tabel 4.1 Titik Koordinat dan Alamat Dinas Kesehatan Kabupaten/Kota di Provinsi Papua Koordinat Dinas Kesehatan Kabupaten/Kota 1 Asmat -5.541000, 138.139600 2 Biak Numfor -1.163612, 136.057688 3 Boven Digoel -6.080153, 140.349241 4 Deiyai -4.036096, 136.292056 5 Dogiyai -4.012249, 136.034906 6 Intan Jaya -3.739997, 137.042882 7 Jayapura -2.549409, 140.480018 8 Jayawijaya -4.097704, 138.949375 9 Keerom -2.906702, 140.772730 10 Kepulauan Yapen -1.866248, 136.233577 11 Lanny Jaya -3.930596, 138.457158 12 Mamberamo Raya -2.279026, 138.037926 13 Mamberamo Tengah -2.279026, 138.037926 14 Mappi -6.525963, 139.320390 15 Merauke -8.495924, 140.393314 16 Mimika -4.455538, 136.853507 17 Nabire -3.370972, 135.507741 18 Nduga -4.599720, 138.384227 19 Paniai -3.942796, 136.423227 20 Pegunungan Bintang -4.901921, 140.626184 21 Puncak -3.971505, 137.642088 22 Puncak Jaya -3.715991, 137.986920



No



Kabupaten



Alamat Jl. Pemda, Kampung Bis, Agats, Kabupaten Asmat, Papua 99777 Jl. Jendral Sudirman, Sorido, Biak Kota, Kabupaten Biak Numfor, Papua 98115 Jl. Trans Papua Km.5, Tanah Merah, Mandobo, Kab. Boven Digoel, Papua 99663 Waghete II, Tigi, Kabupaten Deiyai, Papua 98764 (RSUD) Kimupugi, Kamu, Kabupaten Dogiyai, Papua 98862 (Puskesmas) Bilogai, Sugapa, Kabupaten Intan Jaya, Papua 98768 Hinekombe, Sentani, Jayapura, Papua 99352 Jl. Trikora No.22, Wamena Kota, Wamena, Kabupaten Jayawijaya, Papua 99511 Jalan Trans Irian Arso, Arso Kota, Kec. Arso, Kabupaten Keerom, Papua 99468 Anataurei, South Yapen, Kepulauan Yapen Regency, Papua 98213 Olume, Kurulu, Lanny Jaya Regency, Papua 99567 Kasonaweja, Mamberamo Tengah, Mamberamo Raya Regency, Papua 99376 Kasonaweja, Mamberamo Tengah, Mamberamo Raya Regency, Papua 99376 Obaa, Kec. Obaa, Kabupaten Mappi, Papua 99871 Jl. Garuda Mopah Lama, Seringgu Jaya, Merauke, Kabupaten Merauke, Papua 99611 Jl. Poros SP 2 - SP 5, Timika Jaya, Kuala Kencana, Kabupaten Mimika, Papua 99963 Jl. Merdeka, Karang Mulia, Kec. Nabire, Kabupaten Nabire, Papua 98811 Kenyam, Nduga, Nduga Regency, Papua 99778 (Bandar Udara) Tim.,, Badauwo, Paniai Tim., Kabupaten Paniai, Papua 98781 Kotdol, Serambakon, Pegunungan Bintang Regency, Papua 99573 Kimak, Ilaga, Kabupaten Puncak, Papua 98972 Pagaleme, Mulia, Kabupaten Puncak Jaya, Papua



50



No



Kabupaten



23 24 25 26 27 28 29 30



Sarmi Supiori Tolikara Waropen Yahukimo Yalimo Kota Jayapura DinKes Provinsi



Koordinat Dinas Kesehatan Kabupaten/Kota -1.990116, 138.720093 -0.753579, 135.727440 -3.682016, 138.477183 -2.240693, 136.379656 -4.493236, 139.527938 -3.792621, 139.379660 -2.561745, 140.692192 -2.603067, 140.673547



Alamat Jalan Baru Petam, Kasukwe, Sarmi Sel., Kabupaten Sarmi, Papua 99373 SORENDIWERI_KORIDO, Supiori Tim., Kabupaten Supiori, Papua 98161 Karubaga, Tolikara Regency, Papua 99567 Waren Satu, Waropen Bawah, Waropen Regency, Papua 98261 (Puskesmas) JL. Trikora, PO. BOX 108, Wamena, 99511 Jl Trans Elelim, Apahapsili, Elelim, Kabupaten Yalimo, Papua 99558 (Puskesmas) JL. Megapura Skyline, Mandala, Jayapura Utara, Kota Jayapura, Papua 99225 Jl. Sentani Kotaraja - Jayapura, Vim, Abepura, Jayapura City, Papua 99225 Sumber: (Peneliti, 2020)



51



52



4.1.2 Jarak Antartitik Koordinat Dinas Kesehatan Kabupaten/Kota di Provinsi Papua Tabel 4.2 berikut menunjukkan jarak antartitik koordinat Dinas Kesehatan setiap kabupaten/kota di Provinsi Papua. Data tersebut diperoleh melalui aplikasi Google Maps untuk memperoleh jarak antartitik yang dapat dijangkau dengan kendaraan darat, sedangkan untuk lokasi yang tidak dapat ditampilkan jaraknya oleh Google Maps (tidak dapat dijangkau dengan kendaraan darat) diasumsikan menggunakan kendaraan udara berupa helikopter. Jarak antartitik untuk lokasi yang tidak terjangkau oleh kendaraan darat diperoleh dengan menggunakan aplikasi Movable Type Scripts. Data jarak antartitik koordinat ini akan digunakan untuk menghitung biaya distribusi vaksin antartitik koordinat Dinas Kesehatan kabupaten/kota di Provinsi Papua.



Tabel 4.2 Jarak Antartitik Koordinat Dinas Kesehatan Kabupaten/Kota di Provinsi Papua Matriks 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24



1 0



2 3 4 5 6 7 538.8 251.7 264.4 288.6 234.3 421.9 0 724.9 320.5 316.8 306.7 515.1 0 503.6 530.3 449.3 392.9 0 40.5 89.57 493.4 0 115.9 519.6 0 403.9 0



8 183.9 457.8 269.5 294.8 323.4 215.2 241.9 0



9 413.6 558.6 356 512.9 540 424.3 71.7 241.8 0



10 460.1 80.54 654.1 241.4 239.6 226.9 477.9 390.5 517.4 0



11 182.5 407.1 317.9 240.5 268.8 158.3 272.1 85 281.1 337.1 0



12 362.9 252.6 494.3 275.2 294.3 196.5 273 226.1 311.7 205.7 183.6 0



13 362.9 252.6 494.3 275.2 294.3 196.5 273 226.1 311.7 205.7 183.6 0 0



14 170.4 697.5 124 434.8 458.7 399.5 460.5 273.1 433.4 621 321.6 472.2 472.2 0



15 412.1 946.1 268.7 671.8 693.2 645.6 661.3 514.4 622.9 869.1 570.5 701.4 701.4 248.9 0



16 186.7 376.6 427.1 77.79 103.3 82.29 454.9 235.8 467.7 296 143.7 365.4 365.4 357.1 595.6 0



53



Matriks 25 26 27 28 29



1



2



3



4



5



6



7



8



9



10



11



12



13



14



15



16



Sumber: (Peneliti, 2020)



Tabel 4.2 Jarak Antartitik Koordinat Dinas Kesehatan kabupaten/kota di Provinsi Papua Matriks 1 2 3 4 5 6 7 8 9 10 11 12



17 378.6 252.9 615.3 114.2 92.23 175.2 559.7 390.3 586.8 185.7 287.6 440.5



18 108.1 461.2 272.8 240.3 268.6 176.8 325.7 83.92 325.1 386.5 83.73 278.2



19 260.3 311.7 495.6 25.4 63.1 72.35 476.3 280.7 496.3 231.9 179.1 371.1



20 284.4 655.8 134.6 490 518.5 417.8 262.1 206.3 222.5 593 306.6 325.7



21 183 358.4 380.6 149.9 178.3 71.29 352.5 145.7 367.1 281.5 44.15 264.8



22 203.6 355.6 370.9 191.4 219.1 104.8 305.7 114.9 322.1 283.2 24.52 217.8



23 400.1 309.9 489.4 352.8 373.4 269.4 277 235.7 346 276.7 228.7 74.04



24 595.9 58.54 783.4 370.3 364 362.8 564.7 516.1 609.7 135.9 436.7 433.9



25 210.1 388.1 337.8 245.6 273.4 159.3 255.6 69.86 269 320.7 56.03 181.9



26 415.7 125 613.2 199.9 200.7 182.3 456.8 352.2 493.6 44.69 263.1 326.8



27 192.9 534.4 198.5 362.4 391 288.1 240.6 77.78 224.1 468.1 176.7 247.3



28 238.1 470.8 276.1 343.6 371.9 259.3 184.5 58.56 183.3 409.8 149.6 168.4



29 435.8 538 393.1 515.2 541.6 425.8 34.6 258.1 53.9 501.4 331.7 155.6



54



Matriks 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29



17 440.5 549 785.2 202.8 0



18 278.2 237.9 501.1 170.4 347.1 0



19 371.1 430.6 669.9 74.35 119.8 229.4 0



20 325.7 231.3 400.5 421 592.6 250.7 478 0



21 264.8 339.4 587.8 102.7 246.1 107.9 135.2 346.6 0



22 217.8 345.6 587.8 150.2 277.8 107.7 175.3 321 47.65 0



23 74.04 508.7 746.7 343.6 388.4 292.6 335 386.8 250.7 208.5 0



24 433.9 755.5 1004 430.2 292.1 519.6 363 713.2 416.3 414.2 360 0



25 181.9 329.7 575.7 199.6 331.4 102.6 229.7 274.2 98.08 54.53 190.1 446.5 0



26 326.8 577.3 825.2 251.8 158.7 344 189.3 556.4 238.1 242.4 261.6 180.6 160.3 0



27 247.3 227.2 455.2 296.5 463.1 127.3 349.7 129.9 217 191.5 292.4 592.5 360.6 429.9 0



28 168.4 304 534.8 289.7 432.2 142.3 328.4 185.2 193.8 154.8 213.4 528 333.1 375.2 79.62 0



29 155.6 466.3 660.7 475.2 582.7 342 498.2 260.3 373.1 326.6 309 587.3 494.8 480.4 250.6 199.9 0



Sumber: (Peneliti, 2020)



55



56



Pada Tabel 4.2, cell yang berwarna hijau menandakan bahwa jarak tersebut ditempuh dengan menggunakan kendaraan darat, sedangkan cell yang tidak diberi warna menandakan bahwa jarak tersebut ditempuh dengan menggunakan kendaraan udara (helikopter).



4.1.3 Jenis, Konsumsi Bahan Bakar, dan Biaya Bahan Bakar Kendaraan Distribusi Vaksin Kendaraan darat yang digunakan untuk mendistribusikan vaksin di Provinsi Papua dalam penelitian ini adalah mobil jenis Toyota Hilux. Hal ini didasarkan pada jenis kendaraan operasional penunjang layanan kesehatan di Kabupaten Jayapura (kabarpapua.co, 2016). Mobil ini menggunakan bahan bakar biosolar dengan tingkat konsumsi bahan bakar 11,5 km/liter (Widiutomo, 2018). Harga biosolar yang berlaku sebesar Rp 5.150,- per liter (Laucereno, 2019). Kendaraan udara yang digunakan untuk mendistribusikan vaksin di Provinsi Papua diasumsikan menggunakan helikopter Bolkow BO105. Hal ini didasarkan pada jenis helikopter yang digunakan oleh PMI (Halik, 2020). Pemilihan helikopter sebagai kendaraan udara yang digunakan dikarenakan helikopter memiliki kemampuan untuk mendarat serta lepas landas secara vertikal yang akan mempermudah proses distribusi jika tempat tujuan tidak memiliki landasan pacu yang luas (Prattama, 2019). Helikopter Bolkow BO-105 memiliki kapasitas tangki 570 liter dengan jarak tempuh 555 km yang menghasilkan konsumsi bahan bakar sebesar 0,9737 km/liter (Pike, 1999). Bahan



57



bakar yang digunakan adalah avgas dengan harga Rp 4.011.920,- per drum (200 liter) sehingga menghasilkan harga avgas Rp 20.059,60 per liter per Juli 2020 belum termasuk pajak (Pertamina, 2016; Pertamina Aviation, 2020).



4.1.4 Proyeksi Pertumbuhan Jumlah Penduduk Tabel 4.3 berikut menunjukkan proyeksi pertumbuhan jumlah penduduk tahun 2019-2020 yang diperoleh dari selisih proyeksi jumlah penduduk per kabupaten/kota di Provinsi Papua tahun 2019-2020. Data proyeksi pertumbuhan penduduk ini akan digunakan sebagai bobot dalam perhitungan Center of Gravity. Tabel 4.3 Proyeksi Pertumbuhan Jumlah Penduduk Tahun 2019-2020



Kabupaten Asmat Biak Numfor Boven Digoel Deiyai Dogiyai Intan Jaya Jayapura Jayawijaya Keerom Kepulauan Yapen Lanny Jaya Mamberamo Raya Mamberamo Tengah Mappi Merauke Mimika Nabire Nduga Paniai



Jumlah Penduduk Proyeksi (Jiwa) 2019



2020



97490 152401 69211 73199 97902 49293 131802 217887 57100 101204 178995 24086 48201 103292 227411 219689 150308 98595 177410



98885 155504 72122 74529 99277 50599 134180 220112 57903 103313 180305 24773 48811 108914 228681 223605 152821 99817 180502



Proyeksi Pertumbuhan Jumlah Penduduk (Jiwa) 1395 3103 2911 1330 1375 1306 2378 2225 803 2109 1310 687 610 5622 1270 3916 2513 1222 3092



58



Kabupaten Pegunungan Bintang Puncak Puncak Jaya Sarmi Supiori Tolikara Waropen Yahukimo Yalimo Kota Jayapura Provinsi Papua



Jumlah Penduduk Proyeksi (Jiwa) 2019



2020



75788 113204 129300 40515 20710 139111 31514 190887 62605 300192 3379302



76586 115323 133712 41279 21188 140413 32100 192627 63789 303760 3435430



Proyeksi Pertumbuhan Jumlah Penduduk (Jiwa) 798 2119 4412 764 478 1302 586 1740 1184 3568 56128



Sumber: (Badan Pusat Statistik, 2020) 4.2



Pengolahan Data 4.2.1 Perhitungan Matriks Biaya Distribusi Vaksin Tahap yang harus dilakukan setelah pengumpulan data adalah melakukan perhitungan matriks biaya distirbusi vaksin. Matriks biaya distribusi



diperlukan



sebagai



data



yang



selanjutnya



akan



dikelompokkan menggunakan metode Hierarchical Clustering. Perhitungan ini dilakukan dengan mengalikan matriks jarak (km) dengan konsumsi bahan bakar sesuai alat trasportasi yang digunakan (liter/km) dan harga bahan bakar (Rupiah/liter). Tabel 4.4 menampilkan hasil perhitungan matriks biaya distribusi vaksin antarkabupaten/kota.



Tabel 4.4 Matriks Biaya Distribusi Vaksin Antarkabupaten/Kota Matriks 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



1 0 11100043,63 5185376,728 5447014,727 5945569,025 4826912,067 8691737,948 3788600,637 8520746,185 9478712,088 3759758,653 7476254,329 7476254,329 3510481,504 8489844,059 3846284,605 7799696,58 2227013,207 5362548,917 5859043,073 3770059,361 4194448,557 8242627,051 12276384,55 4328357,769



2 11100043,63 0 14933967,38 6602754,236 6526528,993 6318454,678 10611790,04 9431328,828 11507951,69 1659238,147 8386836,972 5203918,003 5203918,003 14369488,55 19491000,88 7758493,746 5210098,429 9501373,647 6421461,764 13510409,45 7383547,951 7325863,983 6384379,213 1206006,967 7995410,044



3 5185376,728 14933967,38 0 10374873,74 10924931,58 9256216,781 8094296,847 5552081,955 7334104,55 13475387,04 6549190,552 10183280,56 10183280,56 2554575,742 5535600,822 8798865,318 12676052,05 5620066,632 10210062,4 2772950,765 7840899,415 7641065,667 10082333,61 16139150,29 6959158,755



4 5447014,727 6602754,236 10374873,74 0 18136,95652 1845268,945 10164739,28 6073297,812 10566466,92 4973182,13 4954640,854 5669510,034 5669510,034 8957496,231 13840032,12 1602584,25 2352681,853 4950520,571 11374,78261 10094694,46 3088152,449 3943111,266 7268180,014 7628704,817 5059708,083



5 5945569,025 6526528,993 10924931,58 18136,95652 0 51903,04348 10704496,42 6662498,347 11124765,33 4936099,579 5537660,963 6062997,104 6062997,104 9449870,104 14280902,45 2128126,404 1900068,715 5533540,68 28257,82609 10681834,86 3673232,7 4513770,525 7692569,21 7498915,888 5632427,483



6 4826912,067 6318454,678 9256216,781 1845268,945 51903,04348 0 8320912,437 4433424,997 8741181,349 4674461,58 3261204,355 4048178,494 4048178,494 8230266,201 13300274,99 1695290,628 3609368,306 3642330,574 1490512,54 8607272,137 1468675,037 2159028,53 5550021,814 7474194,187 3281805,772



7 8691737,948 10611790,04 8094296,847 10164739,28 10704496,42 8320912,437 0 4983482,839 32109,13043 9845417,315 5605645,64 5624186,916 5624186,916 9486952,655 13623717,24 9371584,718 11530613,25 6709881,606 9812455,048 5399631,468 7261999,589 6297853,261 124047,8261 11633620,33 5265722,255



8 3788600,637 9431328,828 5552081,955 6073297,812 6662498,347 4433424,997 4983482,839 0 4981422,697 8044853,446 38065,21739 4657980,446 4657980,446 5626247,058 10597369,05 4857814,193 8040733,162 1728870,938 5782817,829 4250072,384 3001626,497 2367102,845 4855754,052 10632391,46 1439215,011 59



Matriks 26 27 28 29



1 8564009,161 3974013,392 4905197,453 8978097,648



2 2575177,159 11009397,39 9699147,253 11083562,49



3 12632789,07 4089381,329 5688051,309 8098417,131



4 4118223,313 7465953,62 7078646,975 10613850,18



5 4134704,447 8055154,154 7661667,084 11157727,6



6 3755638,369 5935268,317 5341947,499 8772083,475



7 9410727,411 4956700,996 3800961,487 15494,78261



8 7255819,164 1602378,236 1206418,996 5317225,799



Sumber: (Peneliti, 2020)



Tabel 4.4 Matriks Biaya Distribusi Vaksin Antarkabupaten/Kota Matriks 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15



9 8520746,185 11507951,69 7334104,55 10566466,92 11124765,33 8741181,349 32109,13043 4981422,697 0 10659173,3 5791058,396 6421461,764 6421461,764 8928654,247 12832622,82



10 9478712,088 1659238,147 13475387,04 4973182,13 4936099,579 4674461,58 9845417,315 8044853,446 10659173,3 0 6944737,763 4237711,533 4237711,533 12793480,13 17904691,75



11 3759758,653 8386836,972 6549190,552 4954640,854 5537660,963 3261204,355 5605645,64 38065,21739 5791058,396 6944737,763 0 3782420,212 3782420,212 6625415,795 11753108,55



12 7476254,329 5203918,003 10183280,56 5669510,034 6062997,104 4048178,494 5624186,916 4657980,446 6421461,764 4237711,533 3782420,212 0 0 9727989,237 14449834,08



13 7476254,329 5203918,003 10183280,56 5669510,034 6062997,104 4048178,494 5624186,916 4657980,446 6421461,764 4237711,533 3782420,212 0 0 9727989,237 14449834,08



14 3510481,504 14369488,55 2554575,742 8957496,231 9449870,104 8230266,201 9486952,655 5626247,058 8928654,247 12793480,13 6625415,795 9727989,237 9727989,237 0 5127692,76



15 8489844,059 19491000,88 5535600,822 13840032,12 14280902,45 13300274,99 13623717,24 10597369,05 12832622,82 17904691,75 11753108,55 14449834,08 14449834,08 5127692,76 0



16 3846284,605 7758493,746 8798865,318 1602584,25 2128126,404 1695290,628 9371584,718 4857814,193 9635282,859 6098019,513 2960423,662 7527757,872 7527757,872 7356766,109 12270204,13 60



Matriks 16 17 18 19 20 21 22 23 24 25 26 27 28 29



9 9635282,859 12088911,66 6697520,756 10224483,39 4583815,344 7562780,281 6635716,504 154947,8261 12560684,11 5541781,247 10168859,57 4616777,611 3776239,786 24137,82609



10 6098019,513 3825683,188 7962447,777 4777468,666 12216640,44 5799298,963 5834321,372 5700412,16 2799732,608 6606874,52 920677,338 9643523,426 8442460,799 10329550,62



11 2960423,662 5924967,608 1724956,668 3689713,834 6316394,536 909552,5727 505146,7516 4711544,131 8996638,924 1154297,41 5420232,885 3640270,432 3081972,024 6833490,11



12 7527757,872 9074924,309 5731314,286 7645185,95 6709881,606 5455255,294 4486988,682 1525328,935 8938954,955 3747397,802 6732543,165 5094730,492 3469278,669 3205580,528



13 7527757,872 9074924,309 5731314,286 7645185,95 6709881,606 5455255,294 4486988,682 1525328,935 8938954,955 3747397,802 6732543,165 5094730,492 3469278,669 3205580,528



14 7356766,109 11310178,08 4901077,17 8870970,278 4765107,816 6992121,023 7119849,81 10479940,97 15564370,75 6792287,275 11893198,19 4680642,005 6262830,851 9606440,875



15 12270204,13 16176232,84 10323370,2 13800889,43 8250867,618 12109513,07 12109513,07 15383078,28 20683822,94 11860235,92 17000289,53 9377765,143 11017637,96 13611356,39



16 0 4177967,423 3510481,504 1531715,374 8673196,672 2115765,554 3094332,875 7078646,975 8862729,711 4112042,888 5187436,87 6108320,222 5968230,584 9789793,489



Sumber: (Peneliti, 2020)



Tabel 4.4 Matriks Biaya Distribusi Vaksin Antarkabupaten/Kota Matriks 1 2 3 4 5



17 7799696,58 5210098,429 12676052,05 2352681,853 1900068,715



18 2227013,207 9501373,647 5620066,632 4950520,571 5533540,68



19 5362548,917 6421461,764 10210062,4 11374,78261 28257,82609



20 5859043,073 13510409,45 2772950,765 10094694,46 10681834,86



21 3770059,361 7383547,951 7840899,415 3088152,449 3673232,7



22 4194448,557 7325863,983 7641065,667 3943111,266 4513770,525



23 8242627,051 6384379,213 10082333,61 7268180,014 7692569,21



24 12276384,55 1206006,967 16139150,29 7628704,817 7498915,888 61



Matriks 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29



17 3609368,306 11530613,25 8040733,162 12088911,66 3825683,188 5924967,608 9074924,309 9074924,309 11310178,08 16176232,84 4177967,423 0 7150751,936 2468049,789 12208399,88 5070008,791 5723073,719 8001590,469 6017673,986 6827309,685 3269444,921 9540516,34 8903932,546 12004445,85



18 3642330,574 6709881,606 1728870,938 6697520,756 7962447,777 1724956,668 5731314,286 5731314,286 4901077,17 10323370,2 3510481,504 7150751,936 0 4725965,123 5164775,311 2222892,924 2218772,64 6027974,694 10704496,42 2113705,412 7086887,542 2622560,419 2931581,678 7045684,708



19 1490512,54 9812455,048 5782817,829 10224483,39 4777468,666 3689713,834 7645185,95 7645185,95 8870970,278 13800889,43 1531715,374 2468049,789 4725965,123 0 9847477,457 2785311,615 3611428,448 6901474,787 7478314,471 4732145,548 3899848,29 7204315,621 6765505,433 10263626,09



20 8607272,137 5399631,468 4250072,384 4583815,344 12216640,44 6316394,536 6709881,606 6709881,606 4765107,816 8250867,618 8673196,672 12208399,88 5164775,311 9847477,457 0 7140451,227 6613054,945 7968628,202 14692930,8 5648908,617 11462628,57 2676124,104 3815382,479 5362548,917



21 1468675,037 7261999,589 3001626,497 7562780,281 5799298,963 909552,5727 5455255,294 5455255,294 6992121,023 12109513,07 2115765,554 5070008,791 2222892,924 2785311,615 7140451,227 0 981657,5331 5164775,311 8576370,011 2020587,006 4905197,453 4470507,549 3992554,668 7686388,785



22 2159028,53 6297853,261 2367102,845 6635716,504 5834321,372 505146,7516 4486988,682 4486988,682 7119849,81 12109513,07 3094332,875 5723073,719 2218772,64 3611428,448 6613054,945 981657,5331 0 4295395,502 8533107,035 1123395,284 4993783,547 3945171,408 3189099,394 6728422,882



23 5550021,814 124047,8261 4855754,052 154947,8261 5700412,16 4711544,131 1525328,935 1525328,935 10479940,97 15383078,28 7078646,975 8001590,469 6027974,694 6901474,787 7968628,202 5164775,311 4295395,502 0 7416510,219 3916329,424 5389330,759 6023854,411 4396342,446 138378,2609



24 7474194,187 11633620,33 10632391,46 12560684,11 2799732,608 8996638,924 8938954,955 8938954,955 15564370,75 20683822,94 8862729,711 6017673,986 10704496,42 7478314,471 14692930,8 8576370,011 8533107,035 7416510,219 0 9198532,813 3720615,96 12206339,74 10877548,32 12099212,37



Sumber: (Peneliti, 2020)



62



Tabel 4.4 Matriks Biaya Distribusi Vaksin Antarkabupaten/Kota Matriks 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 4328357,769 7995410,044 6959158,755 5059708,083 5632427,483 3281805,772 5265722,255 1439215,011 5541781,247 6606874,52 1154297,41 3747397,802 3747397,802 6792287,275 11860235,92 4112042,888 6827309,685 2113705,412 4732145,548 5648908,617 2020587,006 1123395,284 3916329,424 9198532,813



26 8564009,161 2575177,159 12632789,07 4118223,313 4134704,447 3755638,369 9410727,411 7255819,164 10168859,57 920677,338 5420232,885 6732543,165 6732543,165 11893198,19 17000289,53 5187436,87 3269444,921 7086887,542 3899848,29 11462628,57 4905197,453 4993783,547 5389330,759 3720615,96



27 3974013,392 11009397,39 4089381,329 7465953,62 8055154,154 5935268,317 4956700,996 1602378,236 4616777,611 9643523,426 3640270,432 5094730,492 5094730,492 4680642,005 9377765,143 6108320,222 9540516,34 2622560,419 7204315,621 2676124,104 4470507,549 3945171,408 6023854,411 12206339,74



28 4905197,453 9699147,253 5688051,309 7078646,975 7661667,084 5341947,499 3800961,487 1206418,996 3776239,786 8442460,799 3081972,024 3469278,669 3469278,669 6262830,851 11017637,96 5968230,584 8903932,546 2931581,678 6765505,433 3815382,479 3992554,668 3189099,394 4396342,446 10877548,32



29 8978097,648 11083562,49 8098417,131 10613850,18 11157727,6 8772083,475 15494,78261 5317225,799 24137,82609 10329550,62 6833490,11 3205580,528 3205580,528 9606440,875 13611356,39 9789793,489 12004445,85 7045684,708 10263626,09 5362548,917 7686388,785 6728422,882 138378,2609 12099212,37



63



Matriks 25 26 27 28 29



25 0 3302407,189 7428871,069 6862332,094 10193581,27



26 3302407,189 0 8856549,286 7729651,761 9896920,859



27 7428871,069 8856549,286 0 1640284,843 5162715,169



28 6862332,094 7729651,761 1640284,843 0 4118223,313



29 10193581,27 9896920,859 5162715,169 4118223,313 0 Sumber: (Peneliti, 2020)



64



65



4.2.2 Perhitungan Hierarchical Clustering Hierarchical Clustering merupakan metode pengelompokan yang biasanya digunakan apabila jumlah kelompok yang akan dipilih belum diketahui (Februariyanti & Santoso, 2017). Perhitungan Hierarchical Clustering ini dilakukan dengan bantuan aplikasi SPSS 26 dengan metode Ward’s Linkage dan Squared Euclidean Distance. Tabel



4.5



menampilkan



hasil



perhitungan



Hierarchical



Clustering yang menunjukkan terbentuknya 2 kelompok dari 29 kabupaten/kota di Provinsi Papua berdasarkan biaya distribusi. Gambar 4.1 menunjukkan tahap pembentukan kelompok-kelompok. Hasil perhitungan Hierarchical Clustering akan digunakan sebagai jumlah kelompok dalam perhitungan K-Means Clustering.



Tabel 4.5 Hasil Perhitungan Hierarchical Clustering



Stage 1 20 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18



Cluster Combined Cluster 1 Cluster 2 12 13 7 9 4 5 21 22 4 19 11 21 27 28 8 18 10 26 3 14 6 16 7 29 2 24 11 25 4 6 12 23 1 8 10 17



Agglomeration Schedule Coefficients Stage Cluster First Appears Next Stage Cluster 1 Cluster 2 0,000 0 0 16 3940638650858,530 0 0 12 8517513798573,190 0 0 5 15550993351526,400 0 0 6 24918304737250,900 3 0 15 42575291231359,300 0 4 14 60332650655993,500 0 0 20 78995988941023,600 0 0 17 99835951491490,000 0 0 18 120928889935921,000 0 0 19 147780779741021,000 0 0 15 175669943484608,000 2 0 23 206415109618341,000 0 0 21 248768002246600,000 6 0 22 303988044995830,000 5 11 25 376933438616174,000 1 0 23 450738416267859,000 0 8 20 529277980235960,000 9 0 21



Selisih 1,16146 0,82577 0,60236 0,7086 0,41708 0,30934 0,26381 0,21128 0,22205 0,18872 0,17502 0,20518 0,22197 0,23996 0,1958 0,17425 0,14963



Jumlah Kelompok 28 27 26 25 24 23 22 21 20 19 18 17 16 15 14 13 12 11



66



Cluster Combined Stage Cluster 1 Cluster 2 19 3 20 20 1 27 21 2 10 22 1 11 23 7 12 24 3 15 25 2 4 26 1 7 27 1 3 28 1 2



Agglomeration Schedule Stage Cluster First Appears Next Stage Cluster 1 Cluster 2 608475147840571,000 10 0 24 716003749755457,000 17 7 22 928006738460431,000 13 18 25 1193913144582160,000 20 14 26 1614480680083210,000 12 16 26 2170838069125990,000 19 0 27 3028063070515510,000 21 15 28 4120573478558360,000 22 23 27 6292017394589770,000 26 24 28 9621815692681260,000 27 25 0 Rata-rata Coefficients



Selisih Jumlah Kelompok 10 0,17672 9 0,29609 8 0,28653 7 0,35226 6 0,3446 5 0,39488 4 0,3608 3 0,52698 2 0,52921 1 -1 0,36694



Sumber: (Pengolahan Data Sekunder, 2020)



67



68



Gambar 4.1 Dendogram Hasil Perhitungan Hierarchical Clustering Sumber: (Pengolahan Data Sekunder, 2020)



Berdasarkan Tabel 4.5, tahap penggabungan ke-27 memiliki nilai perbandingan perubahan koefisien pada tahap berikutnya dengan tahap sebelumnya sebesar 0,52921. Nilai tersebut merupakan nilai terbesar terakhir pada tahap penggabungan yang melebihi nilai rata-rata dari seluruh perbandingan perubahan koefisien pada tahap berikutnya



69



dengan tahap sebelumnya (tahap 1 tidak termasuk sebagai perhitungan nilai rata-rata dikarenakan tahap penggabungan awal tidak terdapat nilai koefisien, dan tahap 28 tidak termasuk sebagai perhitungan nilai rata-rata dikarenakan tidak ada kelompok yang terbentuk). Garis horizontal dendogram yang menunjukkan 2 kelompok pada Gambar 4.1 merupakan garis terpanjang dibandingkan garis horizontal lainnya sehingga jumlah k kelompok yang terpilih adalah 2.



4.2.3 Perhitungan K-Means Clustering K-Means Clustering merupakan metode pengelompokan yang memerlukan penentuan jumlah kelompok terlebih dahulu untuk mengolah data (Sarstedt & Mooi, 2019). Dalam perhitungan ini, jumlah kelompok telah ditentukan menggunakan metode Hierarchical Clustering dimana diperoleh hasil terbentuknya 2 kelompok data. Selanjutnya, dengan data matriks biaya dan hasil perhitungan Hierarchical Clustering, perhitungan K-Means Clustering dilakukan dengan bantuan aplikasi SPSS 26. Tabel 4.6 menampilkan hasil perhitungan K-Means Clustering yang menentukan keanggotaan dari masing-masing kelompok. Tabel 4.6 Hasil Perhitungan K-Means Clustering No. 1 2 3 4 5 6 7



Kabupaten Asmat Biak Numfor Boven Digoel Deiyai Dogiyai Intan Jaya Jayapura



Keanggotaan Kelompok 2 2 1 2 2 2 2



70



No. 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29



Kabupaten Jayawijaya Keerom Kepulauan Yapen Lanny Jaya Mamberamo Raya Mamberamo Tengah Mappi Merauke Mimika Nabire Nduga Paniai Pegunungan Bintang Puncak Puncak Jaya Sarmi Supiori Tolikara Waropen Yahukimo Yalimo Kota Jayapura



Keanggotaan Kelompok 2 2 2 2 2 2 1 1 2 2 2 2 1 2 2 2 2 2 2 2 2 2



Sumber: (Pengolahan Data Sekunder, 2020) Berdasarkan Tabel 4.6, dapat dilihat bahwa kelompok 1 memiliki anggota Kabupaten Boven Digoel, Kabupaten Mappi, Kabupaten Merauke, dan Kabupaten Pegunungan Bintang. Kelompok 2 memiliki anggota Kabupaten Asmat, Kabupaten Biak Numfor, Kabupaten Deiyai, Kabupaten Dogiyai, Kabupaten Intan Jaya, Kabupaten Jayapura, Kabupaten Jayawijaya, Kabupaten Keerom, Kabupaten Kepulauan Yapen, Kabupaten Lanny Jaya, Kabupaten Mamberamo Raya, Kabupaten Mamberamo Tengah, Kabupaten Mimika, Kabupaten Nabire, Kabupaten Nduga, Kabupaten Paniai, Kabupaten Puncak, Kabupaten Puncak Jaya, Kabupaten Sarmi, Kabupaten Supiori, Kabupaten Tolikara, Kabupaten Waropen, Kabupaten Yahukimo,



71



Kabupaten Yalimo, dan Kota Jayapura. Hasil pengelompokan ini akan digunakan untuk membandingkan kinerja dari metode K-Means Clustering dengan metode Two Step Clustering menggunakan perhitungan Silhouette Index.



4.2.4 Perhitungan Two Step Clustering Two Step Clustering merupakan metode pengelompokan yang dapat langsung menentukan jumlah kelompok dan keanggotaan kelompok. Perhitungan Two Step Clustering ini dilakukan dengan bantuan aplikasi SPSS 26 dengan metode pengukuran jarak Log Likehood dan penentuan anggota kelompok berdasarkan Akaike Information Criterion (AIC). Tabel 4.7 menampilkan hasil perhitungan Two Step Clustering yang menentukan keanggotaan dari 2 kelompok yang terbentuk. Tabel 4.7 Hasil Perhitungan Two Step Clustering No. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15



Kabupaten Asmat Biak Numfor Boven Digoel Deiyai Dogiyai Intan Jaya Jayapura Jayawijaya Keerom Kepulauan Yapen Lanny Jaya Mamberamo Raya Mamberamo Tengah Mappi Merauke



Keanggotaan Kelompok 2 1 2 1 1 1 2 2 2 1 2 2 2 2 2



72



No. 16 17 18 19 20 21 22 23 24 25 26 27 28 29



Kabupaten Mimika Nabire Nduga Paniai Pegunungan Bintang Puncak Puncak Jaya Sarmi Supiori Tolikara Waropen Yahukimo Yalimo Kota Jayapura



Keanggotaan Kelompok 1 1 2 1 2 2 2 2 1 2 1 2 2 2 Sumber: (Peneliti. 2020)



Berdasarkan Tabel 4.7, dapat dilihat bahwa kelompok 1 memiliki anggota Kabupaten Biak Numfor, Kabupaten Deiyai, Kabupaten Dogiyai, Kabupaten Intan Jaya, Kabupaten Kepulauan Yapen, Kabupaten Mimika, Kabupaten Nabire, Kabupaten Paniai, Kabupaten Supiori, dan Kabupaten Waropen. Kelompok 2 memiliki anggota Kabupaten Asmat, Kabupaten Boven Digoel, Kabupaten Jayapura, Kabupaten Jayawijaya, Kabupaten Keerom, Kabupaten Lanny Jaya, Kabupaten Mamberamo Raya, Kabupaten Mamberamo Tengah, Kabupaten Mappi, Kabupaten Merauke, Kabupaten Nduga, Kabupaten Pegunungan Bintang, Kabupaten Puncak, Kabupaten Puncak Jaya, Kabupaten Sarmi, Kabupaten Tolikara, Kabupaten Yahukimo, Kabupaten Yalimo, dan Kota Jayapura. Hasil pengelompokan ini akan digunakan untuk membandingkan kinerja dari metode Two Step



73



Clustering dengan metode K-Means Clustering menggunakan perhitungan Silhouette Index.



4.2.5 Perhitungan Silhouette Index Silhouette



Index



digunakan



untuk



memvalidasi



kualitas



pembagian kelompok dan keanggotaan kelompok yang telah terbentuk. Perhitungan ini dilakukan dengan bantuan aplikasi Microsoft Excel 2016. Nilai a diperoleh dari rata-rata biaya distribusi pada salah satu titik ke titik lainnya di dalam cluster yang sama. Nilai b diperoleh dari rata-rata biaya distribusi pada salah satu titik ke titik lainnya di cluster yang berbeda. Nilai SI diperoleh dari selisih nilai a dan b yang dibagi dengan nilai terbesar antara a atau b. Berikut merupakan contoh perhitungan nilai a, b, dan SI pada titik 3. 𝑎3 = =



𝑏𝑖𝑎𝑦𝑎3−14 + 𝑏𝑖𝑎𝑦𝑎3−15 + 𝑏𝑖𝑎𝑦𝑎3−20 3



2986368,966 + 6471268,879 + 3241655,345 3 = 4233097,73



𝑏3 = =



𝑏𝑖𝑎𝑦𝑎3−1 + 𝑏𝑖𝑎𝑦𝑎3−2 + ⋯ + 𝑏𝑖𝑎𝑦𝑎3−28 + 𝑏𝑖𝑎𝑦𝑎3−29 25



6061847,238 + 17458216,64 + ⋯ + 6649487,672 + 9467271,293 25 = 10685998,83 𝑆𝐼3 =



𝑏−𝑎 10685998,83 − 4233097,73 = = 0,603865039 max(𝑎, 𝑏) 10685998,83



74



Tabel 4.8 dan Tabel 4.9 menampilkan hasil perhitungan Silhouette Index dari K-Means Clustering, sedangkan Tabel 4.10 dan Tabel 4.11 menampilkan hasil perhitungan Silhouette Index dari Two Step Clustering. Tabel 4.8 Nilai Silhouette Index dari K-Means Clustering pada Kelompok 1 a3 3621042,443 b3 9140931,25 SI3 a14 4149125,439 b14 8770600,173 SI14 a15 6304720,4 b15 13629485,64 SI15 a20 5262975,4 b20 7848563,142 SI20



0,603865039 0,526927992 0,537420519 0,329434534



Sumber: (Pengolahan Data Sekunder, 2020)



Tabel 4.9 Nilai Silhouette Index dari K-Means Clustering pada Kelompok 2 a1 a2 a4 a5 a6 a7 a8 a9 a10 a11 a12 a13 a16 a17 a18 a19 a21 a22 a23



6457514,245 7641626,026 5298592,254 5551825,649 4364426,895 6933348,643 4826712,662 7268996,748 6184657,057 4224902,344 5242494,157 5242494,157 5272786,825 6649476,534 5020951,666 5219131,962 4367560,55 4216165,884 4936906,018



b1 b2 b4 b5 b6 b7 b8 b9 b10 b11 b12 b13 b16 b17 b18 b19 b21 b22 b23



5761186,341 15576216,57 10816774,14 11334384,75 9848507,528 9151149,553 6506442,611 8419799,24 14097549,84 7811027,36 10267746,37 10267746,37 9274758,057 13092715,71 6502322,327 10682349,89 8520746,185 8370870,874 10978495,27



SI1 SI2 SI4 SI5 SI6 SI7 SI8 SI9 SI10 SI11 SI12 SI13 SI16 SI17 SI18 SI19 SI21 SI22 SI23



-0,10783219 0,509404226 0,510150421 0,510178473 0,556843828 0,242352165 0,258164107 0,136678139 0,561295606 0,459110543 0,489421148 0,489421148 0,431490634 0,492123966 0,227821782 0,511424732 0,487420414 0,496328883 0,550311231



75



a24 a25 a26 a27 a28 a29



8594859,783 4817984,787 5751134,566 6095787,693 5387854,324 7277657,276



b24 b25 b26 b27 b28 b29



16770068,7 7815147,643 13247226,34 5205978,145 6695975,65 9169690,829



SI24 SI25 SI26 SI27 SI28 SI29



0,487488099 0,383506876 0,565861229 -0,14597122 0,195359331 0,206335588



Sumber: (Pengolahan Data Sekunder, 2020)



Tabel 4.10 Nilai Silhouette Index dari Two Step Clustering pada Kelompok 1 a2 a4 a5 a6 a10 a16 a17 a19 a24 a26



4919801,569 3239212,365 3024749,095 3435010,253 3851618,083 4338040,435 3647892,957 3123000,389 5854098,733 3509085,185



b2 b4 b5 b6 b10 b16 b17 b19 b24 b26



10217543,97 7435810,494 7966242,774 5959220,175 8955652,946 6558081,689 9427750,687 7362187,534 11614211,63 8391282,541



SI2 SI4 SI5 SI6 SI10 SI16 SI17 SI19 SI24 SI26



0,5184947 0,564376692 0,620304178 0,423580577 0,569923253 0,338519915 0,61306858 0,575805374 0,495953844 0,581817777



Sumber: (Pengolahan Data Sekunder, 2020)



Tabel 4.11 Nilai Silhouette Index dari Two Step Clustering pada Kelompok 2 a1 a3 a7 a8 a9 a11 a12 a13 a14



5743217,327 6664672,941 5644367,189 3925105,283 5603186,596 4253594,882 5652731,324 5652731,324 6828683,113



b1 b3 b7 b8 b9 b11 b12 b13 b14



7464717,535 11942229,57 10140635,62 7121497,923 10727776,02 5607705,782 6514168,142 6514168,142 10879608,46



SI1 SI3 SI7 SI8 SI9 SI11 SI12 SI13 SI14



0,230618265 0,441923897 0,443391184 0,448837123 0,477693551 0,241473243 0,132240495 0,132240495 0,372341097



76



a15 a18 a20 a21 a22 a23 a25 a27 a28 a29



11161275,62 4541296,307 5555973,334 5224382,078 4718869,079 5278700,548 5007975,635 4505415,506 4312426,007 5851764,718



b15 b18 b20 b21 b22 b23 b25 b27 b28 b29



15874834,11 6476879,577 11199548,47 4486556,053 4973182,13 6738311,562 5674866,402 8602533,811 7846873,826 10601077,3



SI15 SI18 SI20 SI21 SI22 SI23 SI25 SI27 SI28 SI29



0,296920173 0,29884503 0,503910953 -0,14122742 0,051136887 0,216613762 0,117516558 0,476268783 0,450427508 0,448002825



Sumber: (Pengolahan Data Sekunder, 2020) Berdasarkan Tabel 4.8 dan Tabel 4.9, dapat diperoleh nilai ratarata Silhouette Index dari K-Means Clustering sebesar 0,396632319. Berdasarkan Tabel 4.10 dan Tabel 4.11, dapat diperoleh nilai rata-rata Silhouette Index dari Two Step Clustering sebesar 0,377276527. Berdasarkan hasil yang diperoleh, dapat diketahui bahwa nilai Silhouette Index dari K-Means Clustering lebih baik daripada nilai Silhouette Index dari Two Step Clustering. Oleh sebab itu, hasil pengelompokan menggunakan metode K-Means Clustering akan digunakan untuk perhitungan Center of Gravity.



4.2.6 Perhitungan Center of Gravity Perhitungan Center of Gravity digunakan untuk mengetahui titik koordinat gudang vaksin yang akan dibangun. Perhitungan ini dilakukan dengan bantuan aplikasi Microsoft Excel 2016. Tabel 4.12 menampilkan data perkalian antara absis dan ordinat dengan volume yang akan digunakan untuk menghitung titik koordinat gudang vaksin pada masing-masing kelompok data.



77



Tabel 4.12 Data Perkalian Absis/Ordinat dengan Volume No. Kabupaten/Kota Absis (x) Ordinat (y) Volume (v) 1 Asmat -5.541000 138.139600 1270 2 Biak Numfor -1.163612 136.057688 2225 3 Boven Digoel -6.080153 140.349241 2378 4 Deiyai -4.036096 136.292056 2513 5 Dogiyai -4.012249 136.034906 2109 6 Intan Jaya -3.739997 137.042882 3103 7 Jayapura -2.549409 140.480018 3092 8 Jayawijaya -4.097704 138.949375 4412 9 Keerom -2.906702 140.772730 3916 10 Kepulauan Yapen -1.866248 136.233577 2911 11 Lanny Jaya -3.930596 138.457158 5622 12 Mamberamo Raya -2.279026 138.037926 1395 13 Mamberamo Tengah -2.279026 138.037926 1740 14 Mappi -6.525963 139.320390 798 15 Merauke -8.495924 140.393314 1302 16 Mimika -4.455538 136.853507 764 17 Nabire -3.370972 135.507741 803 18 Nduga -4.599720 138.384227 586 19 Paniai -3.942796 136.423227 478 20 Pegunungan Bintang -4.901921 140.626184 687 21 Puncak -3.971505 137.642088 1222 22 Puncak Jaya -3.715991 137.986920 1310 23 Sarmi -1.990116 138.720093 610 24 Supiori -0.753579 135.727440 1184 25 Tolikara -3.682016 138.477183 2119 26 Waropen -2.240693 136.379656 1375 27 Yahukimo -4.493236 139.527938 1306 28 Yalimo -3.792621 139.379660 1330 29 Kota Jayapura -2.561745 140.692192 3568



x.v -7037.07 -2589.0367 -14458.60383 -10142.70925 -8461.833141 -11605.21069 -7882.772628 -18079.07005 -11382.64503 -5432.647928 -22097.81071 -3179.24127 -3965.50524 -5207.718474 -11061.69305 -3404.031032 -2706.890516 -2695.43592 -1884.656488 -3367.619727 -4853.17911 -4867.94821 -1213.97076 -892.237536 -7802.191904 -3080.952875 -5868.166216 -5044.18593 -9140.30616



Sumber: (Pengolahan Data Sekunder, 2020) Tabel 4.12 Data Perkalian Absis/Ordinat dengan Volume No. 1 2 3 4 5 6 7 8 9



Kabupaten/Kota Asmat Biak Numfor Boven Digoel Deiyai Dogiyai Intan Jaya Jayapura Jayawijaya Keerom



Absis (x) -5.541000 -1.163612 -6.080153 -4.036096 -4.012249 -3.739997 -2.549409 -4.097704 -2.906702



Ordinat (y) Volume (v) 138.139600 1270 136.057688 2225 140.349241 2378 136.292056 2513 136.034906 2109 137.042882 3103 140.480018 3092 138.949375 4412 140.772730 3916



y.v 175437.292 302728.3558 333750.4951 342501.9367 286897.6168 425244.0628 434364.2157 613044.6425 551266.0107



78



No. Kabupaten/Kota Absis (x) Ordinat (y) Volume (v) Kepulauan Yapen 10 -1.866248 136.233577 2911 Lanny Jaya 11 -3.930596 138.457158 5622 12 Mamberamo Raya -2.279026 138.037926 1395 13 Mamberamo Tengah -2.279026 138.037926 1740 Mappi 14 -6.525963 139.320390 798 Merauke 15 -8.495924 140.393314 1302 Mimika 16 -4.455538 136.853507 764 Nabire 17 -3.370972 135.507741 803 Nduga 18 -4.599720 138.384227 586 Paniai 19 -3.942796 136.423227 478 20 Pegunungan Bintang -4.901921 140.626184 687 Puncak 21 -3.971505 137.642088 1222 Puncak Jaya 22 -3.715991 137.986920 1310 Sarmi 23 -1.990116 138.720093 610 Supiori 24 -0.753579 135.727440 1184 Tolikara 25 -3.682016 138.477183 2119 Waropen 26 -2.240693 136.379656 1375 Yahukimo 27 -4.493236 139.527938 1306 Yalimo 28 -3.792621 139.379660 1330 Kota Jayapura 29 -2.561745 140.692192 3568



y.v 396575.9426 778406.1423 192562.9068 240185.9912 111177.6712 182792.0948 104556.0793 108812.716 81093.15702 65210.30251 96610.18841 168198.6315 180762.8652 84619.25673 160701.289 293433.1508 187522.027 182223.487 185374.9478 501989.7411



Sumber: (Pengolahan Data Sekunder, 2020) Nilai koordinat absis gudang vaksin diperoleh dari hasil pembagian antara jumlah x.v masing-masing kelompok dengan jumlah volume masing-masing kelompok. Nilai koordinat ordinat gudang vaksin diperoleh dari hasil pembagian jumlah y.v masing-masing kelompok dengan jumlah volume masing-masing kelompok. Tabel 4.13 menampilkan hasil titik koordinat gudang vaksin pada masingmasing kelompok. Tabel 4.13 Titik Koordinat Gudang Vaksin Kelompok 1 dan Kelompok 2 Absis (x) Ordinat (y) Kelompok 1 -6.601284624 140.2382284 Kelompok 2 -3.243720058 138.2122867 Sumber: (Pengolahan Data Sekunder, 2020)



79



Berdasarkan Tabel 4.13 dapat diketahui bahwa letak koordinat gudang vaksin pada kelompok 1 adalah -6.601284624, 140.2382284, yaitu Getentiri, Jair, Kabupaten Boven Digoel, Papua. Pada kelompok 2, letak koordinat gudang vaksin adalah -3.243720058, 138.2122867, yaitu Arebe, Wari/Taiyeve, Kabupaten Tolikara, Papua. Gambar 4.2 berikut memperlihatkan lokasi dari 2 buah gudang vaksin yang baru dan kabupaten/kota yang akan dilayani. Warna merah menunjukkan gudang vaksin dan kabupaten/kota pada kelompok 1, sedangkan warna biru menunjukkan gudang vaksin dan kabupaten/kota pada kelompok 2.



Gambar 4.2 Ilustrasi Letak Gudang Vaksin dan Pengelompokan Kabupaten/Kota di Provinsi Papua Sumber: (Peneliti, 2020)



BAB 5 PENUTUP



5.1



Kesimpulan Berdasarkan hasil analisis dan pembahasan yang telah diuraikan sebelumnya, maka kesimpulan yang diperoleh yaitu: 1. Jumlah gudang vaksin yang baru untuk menampung keseluruhan kebutuhan vaksin di Provinsi Papua diperoleh berdasarkan hasil perhitungan dengan menggunakan metode Hierarchical Clustering, yaitu 2 buah gudang. 2. Berdasarkan perhitungan Center of Gravity, letak koordinat gudang vaksin yang baru pada kelompok 1 adalah -6.601284624, 140.2382284, sedangkan pada kelompok 2 adalah -3.243720058, 138.2122867. 3. Berdasarkan perhitungan K-Means Clustering, daerah yang dilayani oleh gudang vaksin pada kelompok 1 adalah Kabupaten Boven Digoel, Kabupaten Mappi, Kabupaten Merauke, dan Kabupaten Pegunungan Bintang. Daerah yang dilayani oleh gudang vaksin pada kelompok 2 adalah Kabupaten Merauke, Kabupaten Jayawijaya, Kabupaten Nabire, Kabupaten Kepulauan Yapen, Kabupaten Biak Numfor, Kabupaten Paniai, Kabupaten Puncak Jaya, Kabupaten Mimika, Kabupaten Boven Digoel, Kabupaten Mappi, Kabupaten Asmat, Kabupaten Yahukimo, Kabupaten Sarmi, Kabupaten Keerom, Kabupaten Waropen, Kabupaten Supiori, Kabupaten



80



81



Nduga, Kabupaten Lanny Jaya, Kabupaten Mamberamo Tengah, Kabupaten Yalimo, Kabupaten Puncak, Kabupaten Dogiyai, Kabupaten Intan Jaya, Kabupaten Deiyai, dan Kota Jayapura. 4. Hasil perbandingan kinerja analisis clustering berdasarkan nilai Silhouette Index menunjukkan bahwa metode Hierarchical Clustering & K-Means Clustering menghasilkan nilai SI sebesar 0,396632319, sedangkan Two Step Clustering menghasilkan nilai SI sebesar 0,377276527 sehingga keanggotaan kelompok yang dihasilkan oleh Hierarchical Clustering & K-Means Clustering digunakan untuk perhitungan Center of Gravity.



5.2



Saran Berdasarkan hasil analisis dan pembahasan yang telah diuraikan sebelumnya, maka beberapa saran yang dapat diberikan yaitu: 1. Penelitian ini dapat dijadikan referensi bagi pemerintah Provinsi Papua dalam memperhatikan kapasitas penyimpanan vaksin untuk mengurangi biaya distribusi vaksin dari Pulau Jawa. 2. Menentukan kapasitas gudang yang akan dibangun dan jalur distribusi darat maupun udara untuk mencukupi kebutuhan vaksin dari seluruh kabupaten/kota di Provinsi Papua pada penelitian selanjutnya. 3. Mempertimbangkan pendekatan eksak maupun metaheuristik.



DAFTAR PUSTAKA



Abdurrahman, G. (2019). Clustering Data Kredit Bank Menggunakan Algoritma Agglomerative Hierarchical Clustering Average Linkage. Jurnal Sistem dan Teknologi



Informasi



Indonesia,



4(1),



13–20.



https://doi.org/10.32528/justindo.v4i1.2418 Anshori, M., Fudhla, A. F., & Hidayat, A. (2017). Penentuan Lokasi Fasilitas Crossdock pada Kota Metropolis dengan Pendekatan Center of Gravity. Teknika:



Engineering



and



Sains



Journal,



1(2),



83–88.



https://doi.org/10.5281/zenodo.1116473 Astria, C., Windarto, A. P., Wanto, A., & Irawan, E. (2019). Metode K-Means pada Pengelompokan Wilayah Pendistribusian Listrik. Seminar Nasional Sains & Teknologi Informasi, 306–312. Badan Pusat Statistik. (2015). Indeks Pembangunan Manusia 2014 Metode Baru. Jakarta Pusat: Badan Pusat Statistik. Badan Pusat Statistik. (2019a). Indeks Pembangunan Manusia Menurut Provinsi, 2010-2018



(Metode



Baru).



Diambil



10



Agustus



2019,



dari



https://www.bps.go.id/linkTableDinamis/view/id/1211 Badan Pusat Statistik. (2019b). Peringkat Indeks Pembangunan Manusia Menurut Provinsi, 2010-2018 (Metode Baru). Diambil 10 Agustus 2019, dari https://www.bps.go.id/dynamictable/2019/04/16/1615/peringkat-indekspembangunan-manusia-menurut-provinsi-2010-2018-metode-baru-.html Badan Pusat Statistik. (2020). Jumlah Penduduk Hasil Proyeksi Menurut Kabupaten/Kota di Provinsi Papua, 2010-2020.



82



83



Bio



Farma.



(2015).



Biofarma



Company



Profile



2015.



Diambil



dari



http://www.biofarma.co.id/wp-content/uploads/Company-ProfileBiofarma.compressed.pdf Bio



Farma.



(2016).



Laporan



Tahunan



2016.



http://www.biofarma.co.id/wp-content/uploads/AR



Diambil Bio



dari Farma



2016_Bahasa_all_29May.compressed.pdf Cahyadi, B., & Aulia, B. (2018). Penentuan Titik Pusat Warehouse dan Sistem Distribusi Portland Composite Cement di Wilayah Wonogiri. Seminar Nasional Sains dan Teknologi 2018, 1(1), 1–9. Chopra, S., & Meindl, P. (2016). Supply Chain Management: Strategy, Planning, and Operation (Edisi 6). Boston: Pearson. Dewi, N. (2017). Pengaruh Kemiskinan dan Pertumbuhan Ekonomi terhadap Indeks Pembangunan Manusia di Provinsi Riau. Jurnal Online Mahasiswa Fakultas Ekonomi, 4(1), 870–882. Februariyanti, H., & Santoso, D. B. (2017). Hierarchical Agglomerative Clustering untuk Pengelompokan Skripsi Mahasiswa. Prosiding Seminar Nasional Teknologi



Informasi



dan



Aplikasi



Komputer,



1,



33–40.



https://doi.org/10.1016/0031-3203(79)90049-9 Fendi. (2018). Aloysius Giyai: Cakupan Imunisasi di Papua Masih Rendah. Diambil



19



Agustus



2019,



dari



Wartaplus



website:



https://www.wartaplus.com/read/714/Aloysius-Giyai-Cakupan-Imunisasidi-Papua-Masih-Rendah Ferreira, L., & Hitchcock, D. B. (2009). A Comparison of Hierarchical Methods for Clustering Functional Data. Communications in Statistics: Simulation and



84



Computation, 38, 1925–1949. https://doi.org/10.1080/03610910903168603 Halik, A. (2020). Korban Banjir Terisolasi, PMI Kerahkan Helikopter Salurkan Bantuan.



Diambil



16



Juli



2020,



dari



Berita



Satu



website:



https://www.beritasatu.com/nasional/594364-korban-banjir-terisolasi-pmikerahkan-helikopter-salurkan-bantuan Hariyanto, M., & Shita, R. T. (2018). Clustering pada Data Mining untuk Mengetahui Potensi Penyebaran Penyakit DBD Menggunakan Metode Algoritma K-Means dan Metode Perhitungan Jarak Euclidean Distance. Sistem Komputer dan Teknik Informatika, 1(1), 117–122. Kaufman, L., & Rousseeuw, P. J. (2005). Finding Groups in Data (1 ed.). Hoboken: John Wiley & Sons, Inc. Keller, W., & Yeaple, S. R. (2009). Gravity in The Weightless Economy. NBER ITO



Conference,



1–53.



Diambil



dari



http://www.freit.org/WorkingPapers/Papers/ForeignInvestment/FREIT201.p df Kementerian Kesehatan Republik Indonesia. (2015). Program Indonesia Sehat untuk Atasi Masalah Kesehatan. Diambil 10 Agustus 2019, dari http://www.depkes.go.id/article/view/15020400002/program-indonesiasehat-untuk-atasi-masalah-kesehatan.html Kementerian Kesehatan Republik Indonesia. (2016). Pengelolaan Vaksin di Indonesia. Jakarta: Kementerian Kesehatan Republik Indonesia. Kementerian Kesehatan Republik Indonesia. (2017). Peraturan Menteri Kesehatan Republik Indonesia Nomor 12 Tahun 2017 tentang Penyelenggaraan Imunisasi.



Diambil



12



Agustus



2019,



dari



85



http://hukor.kemkes.go.id/uploads/produk_hukum/PMK_No._12_ttg_Penye lenggaraan_Imunisasi_.pdf Kementerian Kesehatan Republik Indonesia. (2019). Data dan Informasi Profil Kesehatan Indonesia 2018. Jakarta: Kementerian Kesehatan Republik Indonesia. Khodra, M. L., & Wibisono, Y. (2016). Pengelompokan Artikel Berita Berbahasa Indonesia dengan Agglomerative Clustering. Konferensi Nasional Sistem Informasi 2016, 1–5. Kirana, I. O., Nasution, Z. M., & Wanto, A. (2019). Proyeksi Indeks Pembangunan Manusia di Indonesia Menggunakan Metode Statistical Parabolic dalam Menyongsong Revolusi Industri 4.0. Jurnal Pendidikan Teknologi dan Kejuruan, 16(2), 202–212. Kumar, S., & Toshniwal, D. (2016). Analysis of Hourly Road Accident Counts Using Hierarchical Clustering and Cophenetic Correlation Coefficient (CPCC). Journal of Big Data, 3(1), 1–11. https://doi.org/10.1186/s40537016-0046-3 Laucereno, S. F. (2019). Jokowi Sama Ratakan Harga BBM di Seluruh Indonesia. Diambil



24



Februari



2020,



dari



https://finance.detik.com/energi/d-



4429742/jokowi-sama-ratakan-harga-bbm-di-seluruh-indonesia Maharjan, R., & Hanaoka, S. (2017). Warehouse Location Determination for Humanitarian Relief Distribution in Nepal. Transportation Research Procedia, 25, 1151–1163. https://doi.org/10.1016/j.trpro.2017.05.128 Maisa, I., Musiasa, I. N., & Shibab, M. (2017). Komunikasi Pasca Krisis Vaksin Palsu di RS Karya Medika II Tambun. Prosiding Magister Ilmu Komunikasi,



86



1(2). Marlina, D., Putri, N. F., Fernando, A., & Ramadhan, A. (2018). Implementasi Algoritma K-Medoids dan K-Means untuk Pengelompokan Wilayah Sebaran Cacat pada Anak. Jurnal CoreIT: Jurnal Hasil Penelitian Ilmu Komputer dan Teknologi Informasi, 4(2), 64–71. https://doi.org/10.24014/coreit.v4i2.4498 Muzakir, A. (2014). Analisa dan Pemanfaatan Algoritma K-Means Clustering pada Data Nilai Siswa sebagai Penentuan Penerima Beasiswa. Prosiding Seminar Nasional Aplikasi Sains & Teknologi, 195–200. Pagnuco, I. A., Pastore, J. I., Abras, G., Brun, M., & Ballarin, V. L. (2016). Analysis of Genetic Association in Listeria and Diabetes Using Hierarchical Clustering and



Silhouette



Index.



Journal



of



Physics,



705,



1–9.



https://doi.org/10.1088/1742-6596/705/1/012002 Pemerintah Provinsi Papua. (2018). Dinkes Kekurangan Tempat Penyimpanan Vaksin. Diambil 19 Agustus 2019, dari https://papua.go.id/view-detailberita-5759/dinkes-kekurangan-tempat-penyimpanan-vaksin.html Permana, K. D., & Felecia. (2018). Analisis Perbandingan Solusi Penambahan Gudang Produk Jadi pada PT. X. Jurnal Titra, 06(2), 333–338. Pertamina. (2016). Avgas: Spesifikasi & Material Handling. Diambil dari http://knkt.dephub.go.id/knkt/ntsc_aviation/Article/ARF Cirebon 13 Oktober 2016/02 Sosialisasi Avgas dan Spesifikasinya V2.pdf Pertamina Aviation. (2020). Pertamina Posting Price. Diambil 16 Juli 2020, dari Pertamina website: https://www.pertamina.com/aviation/News.aspx?p=price Pike, J. (1999). PAH-1 BO 105. Diambil 16 Juli 2020, dari Federation of American Scientists website: https://fas.org/man/dod-101/sys/ac/row/bo105.htm



87



Pradnyana, G. A., & Permana, A. A. J. (2018). Sistem Pembagian Kelas Kuliah Mahasiswa dengan Metode K-Means dan K-Nearest Neighbors untuk Meningkatkan Kualitas Pembelajaran. Jurnal Ilmiah Teknologi Informasi, 16(1), 59–68. https://doi.org/10.12962/j24068535.v16i1.a696 Prasetyo, E. (2014). Data Mining: Mengolah Data Menjadi Informasi Menggunakan Matlab. Yogyakarta: Andi Publisher. Prattama, A. N. (2019). Hari Ini Dalam Sejarah: Kisah Penerbangan Helikopter untuk Pertama Kali. Diambil 16 Juli 2020, dari Kompas website: https://internasional.kompas.com/read/2019/06/26/17294481/hari-inidalam-sejarah-kisah-penerbangan-helikopter-untuk-kali-pertama?page=all Pujawan, I. N., & Er, M. (2017). Supply Chain Management. Surabaya: Guna Widya. Putra, A. K. P., Purwanto, Y., & Novianty, A. (2015). Analisis Sistem Deteksi Anomali Trafik Menggunakan Algoritma CURE (Clustering Using Representatives) dengan Koefisien Silhouette dalam Validasi Clustering. eProceeding of Engineering, 2(2), 3837–3842. Richards, G. (2017). Warehouse Management: A Complete Guide to Improving Efficiency and Minimizing Costs in The Modern Warehouse (Edisi 3). London: Kogan Page. Rully, T., & Aldenia, D. C. (2018). Penggunaan Metode Center of Gravity dalam Penentuan Lokasi Gudang terhadap Meminimkan Biaya Transportasi pada PT. Elangperdana Tyre Industry. Jurnal Ilmiah Manajemen dan Akuntansi Fakultas Ekonomi, 6(1), 64–69. https://doi.org/10.34203/jimfe.v6i1.494 Sadewo, M. G., Windarto, A. P., & Hartama, D. (2017). Penerapan Data Mining



88



pada Populasi Daging Ayam Ras Pedaging di Indonesia berdasarkan Provinsi Menggunakan K-Means Clustering. Jurnal Nasional Informatika dan Teknologi Jaringan, 2(1), 60–67. Sanggelorang, S. M. M., Rumate, V. A., & Siwu, H. F. D. (2015). Pengaruh Pengeluaran Pemerintah di Sektor Pendidikan dan Kesehatan terhadap Indeks Pembangunan Manusia di Sulawesi Utara. Jurnal Berkala Ilmiah Efisiensi, 15(2), 1–11. Sarstedt, M., & Mooi, E. (2019). A Concise Guide to Market Research (Edisi 3). Berlin: Springer International Publishing. Satria, F., & Aziz, R. A. (2016). Perbandingan Kinerja Metode Ward dan K-Means dalam Menentukan Cluster Data Mahasiswa Pemohon Beasiswa (Studi Kasus: STMIK Pringsewu).



Jurnal Teknologi Informasi Magister



Darmajaya, 02(01), 12–26. Setiaputri, K. A. (2019). Daftar Lengkap Imunisasi Wajib dan Pilihan untuk Bayi dan Anak-Anak. Diambil 12 Agustus 2019, dari Hellosehat website: https://hellosehat.com/parenting/tips-parenting/imunisasi-wajib-untuk-anak/ Setyanti, C. A. (2016). Penyebaran Vaksin di Indonesia Belum Merata. Diambil 12 Agustus



2019,



dari



CNN



Indonesia



website:



https://www.cnnindonesia.com/gaya-hidup/20160826133440-255154000/penyebaran-vaksin-di-indonesia-belum-merata SPSS. (2001). The SPSS TwoStep Cluster Component. Chicago: SPSS Inc. Suryana, H., & Fauzi, M. F. R. (2019). Analisis Segmentation Targeting Positioning & Models Center of Gravity untuk Menentukan Titik Lokasi Cabang Baru UD. Barokah. Jurnal Media Teknik dan Sistem Industri, 3(1), 43–48.



89



Susanty, A., Bakhtiar, A., & Sulistyawan, A. (2016). Penentuan Lokasi Gudang Darurat Bencana di Provinsi DKI Jakarta dengan Pendekatan AHP, Cluster Analysis, dan Topsis. Jurnal Ilmiah Manajemen, 6(3), 462–480. Susliansyah, Sumarno, H., Priyono, H., & Hikmah, N. (2019). Pengelompokan Data Pembelian Tinta dengan Menggunakan Metode K-Means. Jurnal Sains Komputer dan Informatika, 3(2), 381–392. https://doi.org/10.30645/jsakti.v3i2.156 Syam, A., Arifin, M., & Purba, H. H. (2018). Determining the Optimal Location of Central Spare Part Warehouse for the Leading Taxi Company in Indonesia. International Journal of Scientific Research Engineering & Technology, 7(12), 873–878. Thiele, S. R., Kubacki, K., Tkaczynski, A., & Parkinson, J. (2015). Using Two-Step Cluster Analysis to Identify Homogeneous Physical Activity Groups. Marketing



Intelligence



and



Planning,



33(4),



522–537.



https://doi.org/10.1108/MIP-03-2014-0050 Widaningsih, S., & Suheri, A. (2018). Pengelompokan Data Profil Dosen Kopertis Wilayah IV Menggunakan Metode Two Step Cluster Analysis. Konferensi Nasional Sistem Informasi 2018, 148–153. Widiutomo, A. (2018). FIRST DRIVE: Toyota Hilux 2.4 V A/T 4X4. Diambil 22 Februari 2020, dari https://otodriver.com/article/view/first-drive-toyotahilux-2-4-v-a-t4x4/WvDJM3UD2tHAdqexFUoWvoRN_LAGsUI5HDb5ELBBrzo Yozza, H., Rahmi, I., & Juliana. (2016). Pengelompokan Kabupaten/Kota di Indonesia Berdasarkan Fasilitas Kesehatan Dasar dengan Menggunakan



90



Analisis Klaster Dua Tahap. EKSAKTA, 1, 1–7.



RIWAYAT HIDUP



Nama



: Ruth Elisa Rumawan



NIM



: 33160002



Tempat/tanggal lahir



: Jakarta, 11 November 1997



Jenis kelamin



: Perempuan



Alamat



: Apartemen Elpis Residence, Jl. Gunung Sahari 12 No. 12, RT.18/RW.3, Kel. Gunung Sahari Utara, Kec. Sawah Besar, Kota Jakarta Pusat, 10720



No. Telp



: 0895351776887



Riwayat Pendidikan Taman Kanak-kanak



: TK Kristen Kalam Kudus 1 (2002-2004)



Sekolah Dasar



: SD Kristen Kalam Kudus 1 (2004-2010)



Sekolah Menengah Pertama : SMP Kristen Kalam Kudus 1 (2010-2013) Sekolah Menengah Atas



: SMA Kristen 2 Penabur Jakarta (2013-2016)



Strata 1 Teknik Industri



: Universitas Bunda Mulia (2016-2020)



Pengalaman Kerja Januari - Mei 2018



: Asisten dosen Menggambar Teknik dengan Komputer



Agustus - Desember 2018



: Asisten dosen Human Factors and Ergonomics



Januari - Mei 2019



: Asisten dosen Perancangan Sistem Kerja



Agustus 2018 - Januari 2019 : Staf Laboratorium Teknik Industri



91