Pengelompokan Kepemilikan Jaminan Kesehatan Menggunakan Metode Fuzzy C-Means Algorithm

Transkripsi

1 Prosidig SI MaNIs (Semiar Nasioal Itegrasi Matematika da Nilai Islami) Vol.1, No.1, Juli 2017, Hal p-issn: ; e-issn: X Halama 299 Pegelompoka Kepemilika Jamia Kesehata Megguaka Metode Fuzzy C-Meas Algorithm Aissa Karmila Islami 1, Edy Widodo 2 Program Studi Statistika Fakultas MIPA Uiversitas Islam Idoesia Ifo Artikel Riwayat Artikel: Diterima: 15 Mei 2017 Direvisi: 1 Jui 2017 Diterbitka: 31 Juli 2017 Kata kuci: Kesehata Ideks Xie Bei Fuzzy C-Meas ABSTRAK Kesehata merupaka suatu kebutuha utama da merupaka ivestasi berharga dalam pembagua. Hak atas kesehata merupaka hak dasar setiap isa yag dijami dalam perudag-udaga sesuai dega Udag-Udag No.36 Tahu 2009 tetag kesehata pada pasal 5 yaitu setiap orag memiliki hak yag sama dalam memperoleh akses atas sumber daya di bidag kesehata. Namu, belum semua masyarakat mampu meikmati pelayaa kesehata yag layak. Jawa Tegah yag merupaka salah satu provisi dega kepadata peduduk terbayak, utuk itu perlu dilakukaya pegelompoka kepemilika jamia kesehata di setiap kota/ kabupateya di Provisi Jawa Tegah pada Tahu Metode yag diguaka utuk pegelompoka kepemilika jamia kesehata adalah Fuzzy C-Meas Algorithm. Fuzzy C-Meas Algorithm merupaka suatu tekik pegelompoka data yag maa suatu cluster ditetuka oleh derajat keaggotaa. Dalam peelitia ii peetua bayakya cluster didasarka pada ideks xie da bei. Bayakya cluster yag dibetuk adalah 6 cluster. Hasil yag diperoleh dari pegelompoka cluster 1 sebayak 5 kabupate/kota, cluster 2 sebayak 2 kabupate/kota, cluster 3 sebayak 7 kabupate/kota, cluster 4 sebayak 13 kabupate/kota, cluster 5 sebayak 1 kabupate/kota, cluster 6 sebayak 7 kabupate/kota Copyright 2017 SI MaNIs. All rights reserved. Korespodesi: Aissa Karmila Islami, Program Studi Statistika Fakultas MIPA, Uiversitas Islam Idoesia, Jl. Kaliurag Km. 14,5 Yogyakarta Idoesia aissakislami@gmail.com 1. PENDAHULUAN Berdasarka kutipa latar belakag peerbita olie oleh Bada Pusat Statistik (BPS) [1] yaitu kesehata merupaka suatu kebutuha utama da merupaka ivestasi berharga dalam pembagua. Perkembaga tekologi dalam bidag kesehata megalami perkembaga yag cukup pesat. Namu, belum semua masyarakat mampu meikmati pelayaa kesehata yag layak. Pemeritah telah berupaya utuk memeuhi hak setiap warga egara utuk medapatka pelayaa kesehata yag layak.utuk mejami kemudaha akses terhadap pelayaa kesehata, pemeritah meyediaka jamia kesehata bagi seluruh rakyat. Jeis-jeis dari jamia kesehata diataraya : Bada Peyeleggara Jamia Sosial () kesehata, keteagakerjaa, Asurasi Kesehata (Askes), Jamia Sosial Teaga Kerja (Jamsostek), Jamia Kesehata Daerah (Jamkesda), Asurasi Swasta, da Kator/Perusahaa [1]. Meurut BPS, jamia kesehata merupaka program batua sosial utuk pelayaa kesehata dalam betuk kartu atau apapu yag dapat diguaka utuk pembiayaa kesehata bila ama yag tertera dalam kartu atau laiya melakuka perawata kesehata seperti ke dokter, puskesmas, rumah Lama Prosidig:

2 Halama 300 p-issn: ; e-issn: X sakit, da sebagaiya. Peerapa jamia kesehata disesuaika dega kemampua ekoomi rakyat da bersifat wajib bagi seluruh rakyat. Peserta tersebut meliputi Peerima Batua Iura (PBI) meliputi orag yag tergolog fakir miski da orag tidak mampu da buka PBI meliputi: pekerja peerima upah da aggota keluargaya, pekerja buka peerima upah da aggota keluargaya, buka pekerja da aggota keluargaya, da peerima pesiu [2]. Berdasarka data hasil Sesus Peduduk dari Bada Pusat Statistik Provisi Jawa Tegah, jumlah peduduk Provisi Jawa Tegah pada tahu 2010 sebesar jiwa, dega kepadata peduduk 995 jiwa utuk setiap km 2 lebih tiggi dibadigka jumlah kepadata peduduk Nasioal 124 jiwa utuk setiap km 2. Wilayah terpadat adalah Kota Surakarta, dega tigkat kepadata peduduk sekitar jiwa per km 2. Wilayah terlapag adalah Kabupate Blora, dega tigkat kepadata peduduk sekitar 472 jiwa per km 2, dari data tersebut terlihat bahwa persebara peduduk di Jawa Tegah belum merata Dari permasalaha di atas, maka perlu adaya pegelompoka (clusterig) jumlah kepemilika jamia kesehata di Jawa Tegah yag tersedia di tiap-tiap Kabupate/Kota. Clusterig wilayah bertujua utuk membagi wilayah-wilayah dalam kelompok dega karakteristik yag memiliki tigkat kemiripa yag tiggi di dalam setiap kelompok da memiliki perbedaa atar kelompok. Proses clusterig perah dilakuka oleh Rizal da Hakim [3] dega membadigka aalisis K-Meas da Fuzzy C-Meas (FCM) utuk pegelompoka Ideks Pembagua Mausia di Kawasa Idoesia Timur tahu Dari hasil perbadiga tersebut meujukka bahwa fuzzy c-meas memberika hasil pegelompokka yag baik. FCM adalah suatu tekik cluster data yag maa keberadaa tiap-tiap data dalam suatu cluster ditetuka oleh ilai keaggotaa. Tekik ii pertama kali diperkealka oleh Jim Bezdek pada tahu Kosep dasar FCM, pertama kali adalah meetuka pusat cluster yag aka meadai lokasi ratarata utuk tiap-tiap cluster. Pada kodisi awal, pusat cluster ii masih belum akurat.tiap-tiap data memiliki derajat keaggotaa utuk tiap-tiap cluster. Dega cara memperbaiki pusat cluster da ilai keaggotaa tiap-tiap data secara berulag, maka aka dapat dilihat bahwa pusat cluster aka bergerak maju meuju lokasi yag tepat. [4] Metode fuzzy c-meas memberika hasil yag halus da cukup efektif [5]. Kehalusa yag dimaksud yaitu objek pegamata tidak mutlak utuk mejadi aggota satu cluster saja, aka tetapi bisa dega tigkat ukura keaggotaa yag berbeda-beda Berdasarka latar belakag yag telah diuraika, maka peulis megambil judul dalam peelitia ii adalah PENGELOMPOKKAN KEPEMILIKAN JAMINAN KESEHATAN MENGGUNAKAN FUZZY C-MEANS ALGORITHM. (Studi kasus pada Provisi Jawa Tegah 2015) Fuzzy C-Meas Fuzzy C Meas (FCM) adalah suatu tekik pegclustera data yag maa keberadaa tiap-tiap titik data dalam suatu cluster ditetuka oleh derajat keaggotaa. Tekik ii pertama kali diperkealka oleh Jim Bezdek pada tahu 1981 [6] Fuzzy diyataka dalam derajat dari suatu keaggotaa da derajat dari kebeara, maka fuzzy dapat dikataka sebagia bear da sebagia salah pada waktu yag sama [4]. Logika dari fuzzy memugkika ilai keaggotaa atara 0 da 1 dega tigkat keabua da juga hitam da putih, kosep tidak seperti sedikit, lumaya da sagat [4]. Kelebiha dari teori logika fuzzy yaitu kemampua dalam proses pealara secara bahasa (liguistic reasoig). Sehigga dalam peracagaya tidak memerluka persamaa matematik dari objek yag aka dikedalika. Utuk meghitug FCM dibuat terlebih dahulu jumlah kelas yag aka dijadika basis klasifikasi. Kemudia dilakuka iterasi sampai medapatka keaggotaa kelompok tersebut. Metode ii memberika hasil yag smooth (halus) karea pembobota yag diguaka berdasarka himpua fuzzy. Kehalusa berarti objek pegamata tidak mutlak utuk mejadi satu aggota kelompok saja, aka tetapi memugkika utuk mejadi aggota kelompok yag lai dega ukura tigkat keaggotaa yag berbeda-beda [7]. Kosep dasar FCM, pertama kali adalah meetuka pusat cluster, yag aka meadai lokasi ratarata utuk tiap-tiap cluster. Pada kodisi awal, pusat cluster ii masih belum akurat. Tiap-tiap titik data memiliki derajat keaggotaa utuk tiap-tiap cluster. Dega cara memperbaiki pusat cluster da derajat keaggotaa tiap-tiap titik data secara berulag, maka aka dapat dilihat bahwa pusat cluster aka bergerak meuju likasi yag tepat. Perulaga ii didasarka pada miimisasi fugsi objektif yag meggambarka jarak dari titik data yag diberika ke pusat cluster yag terbobot oleh derajat keaggotaa titik data tersebut [6]. Output dari FCM merupaka dereta pusat cluster da beberapa derajat keagotaa utuk tiap-tiap titik data. Iformasi ii dapat diguaka utuk membagu suatu fuzzy iferece system. Prosidig SI MaNIs (Semiar Nasioal Itegrasi Matematika da Nilai Islami) Vol.1, No.1, Juli 2017:

3 Prosidig SI MaNIs (Semiar Nasioal Itegrasi Matematika da Nilai Islami) Halama 301 Algoritma FCM diberika sebagai berikut [7]: 1. Iput data yag aka di cluster X, berupa matriks berukura x m, ( = jumlah data, da m = jumlah variabel) (kriteria). X ij = data sampel ke-i (i = 1,2,,) atribut ke-j (j = 1,2,,m) 2. Tetuka : a. Jumlah cluster yag aka dibetuk = c ( 2) b. Pagkat (pembobot) = w (> 1) c. Maksimum iterasi = MaxIter d. Error terkecil yag diharapka = ξ e. Fugsi objektif awal = P 0 = 0 f. Iterasi awal = t = 1; 3. Bagkitka bilaga radom μ ik, i=1,2,,; k=1,2,,c; sebagai eleme-eleme matriks partisi awal U. Matriks partisi (U) pada pegelompokka fuzzy memeuhi kodisi sebagai berikut (Klawo & Keller, 1997): µ ik [0,1]; 1 i ; 1 k c (2.1) µ ik adalah derajat keaggotaa yag merujuk pada seberapa besar kemugkia suatu data bias mejadi aggota ke dalam suatu cluster. Hitug jumlah setiap kolom (atribut): Qi = c µik k = 1 4. Hitug pusat cluster ke-k: V kj, dega k=1,2,,c; da j=1,2,,m (2.2) V kj = i=1 [(μ ik) w x ij [(μ ik ) w i=1 5. Hitug fugsi objektif pada iterasi ke-t, Pt: Fugsi obyektif diguaka sebagai syarat perulaga utuk medapatka pusat cluster yag tepat. Sehigga diperoleh kecederuga data utuk masuk ke cluster maa pada step akhir. Utuk iterasi awal ilai t=1 c m P t = i=1 k=1 ([ j=1(x ij V kj ) 2 w ]μ ik (2.4) 6. Hitug perubaha matriks partisi: m U = [ j=1 (X ij v kj ) 2 ] 1 w 1 [ m (X ij V kj ) 2 1 c w 1 k=1 j=1 ] 7. Cek kodisi berheti jika: a. Pt Pt-1 < ξ atau (t>maxiter) maka berheti; b. Jika tidak, iterasi diaikka t=t+1, ulagi lagkah ke-4 Ideks XB (Xie da Bei) Ukura kevalida cluster yag diguaka adalah ideks XB yag ditemuka oleh Xie da Bei yag pertama kali dikemukaka pada tahu Ukura kevalida cluster merupaka proses evaluasi dari hasil clusterig utuk meetuka cluster maa yag terbaik. Ada dua kriteria dalam megukur kevalida suatu cluster, yaitu[8]: 1. Compactess, yaitu ukura kedekata atar aggota pada setiap cluster. 2. Separatio, yaitu ukura keterpisaha atar cluster dega cluster yag laiya. Rumus dari kevalida suatu cluster atau ideks Xie-Bei (XB) yaitu: C 2 (2.3) (2.5) XB = i=1 j=1 μ ik w v i x j (2.6) mi ij v i v j 2 Semaki kecil ilai XB, maka pegelompoka tersebut semaki valid. dega: µ ik meyataka derajat keaggotaa dari sebuah cluster X j X i 2 meyataka jarak observasi dega pusat cluster meyataka bayakya objek yag aka dikelompoka V i V j 2 meyataka jarak miimum atara pusat cluster V i da Vj 2. METODE PENELITIAN Jeis data dalam peelitia ii adalah data sekuder yag diperoleh dari Publikasi di website BPS Provisi Jawa Tegah.Publikasi yag diberi judul Profil Kesehata Jawa Tegah Data yag diguaka adalah data persetase jumlah kepemilika jamia kesehata di tiap Kabupate/Kota di Provisi Jawa Tegah.Variabel peelitia ii diataraya Bada Peyeleggara Jamia Sosial () Pegelompoka Kepemilika Jamia Kesehata Megguaka Metode Fuzzy C-Meas Algorithm

4 Halama 302 p-issn: ; e-issn: X keteagakerjaa, kesehata, Askes/Asabri/Jamsostek, Jamkesmas, Jamkesda, Asurasi Swasta, Perusahaa/Kator. Dalam peelitia ii megguaka metode aalisis Fuzzy C Meas (FCM). Pada metode ii, lagkah awal yaitu meetuka pusat cluster yag aka meadai lokasi rata-rata dari tiap-tiap cluster dega cara memperbaiki pusat cluster da ilai keaggotaa utuk tiap data secara berulag. Dari proses perulaga tersebut maka aka dapat dilihat bahwa pusat cluster aka bergerak meuju lokasi yag tepat. Perulaga ii didasarka pada miimisasi fugsi objektif yag meggambarka jarak dari titik data yag diberika ke pusat cluster yag terbobot oleh derajat keaggotaa titik data tersebut. Alat batu yag diguaka dalam aalisis ii yaki peragkat luak Microsoft excel 2007 da Software R. i Berikut diagram alur dalam peelitia ii. Gambar 1. Diagram Alur Peelitia 3. HASIL DAN PEMBAHASAN 3.1. Pemiliha Matriks Matriks utuk kepemilika jamia kesehata berukura 35 x 7, 35 merupaka bayakya kabupate/kota di Provisi Jawa Tegah, sedagka 7 merupaka variabel jeis-jeis jamia kesehata Peetua Jumlah Cluster, maksimum iterasi Pada peetua jumlah cluster peeliti megambil bayakya cluster sebayak 6 cluster yag diperoleh dari ilai Ideks Xie Bei (XB) yag optimum. Diguaka Ideks XB (Xie da Bei) karea memiliki ketepata da keadala yag tiggi, baik utuk memberika bayak cluster optimum pada metode hard partitio seperti K-meas clusterig maupu FCM [8]. Nilai dari ideks Xie da Bei diperoleh megguaka batua software Ri dega library e107. Dalam peetua jumlah iterasi diguaka iterasi maksimum sebayak 100 iterasi, amu iterasi maksimum yag terbetuk dega cluster 6 sebayak 94 iterasi. Meetuka pagkat atau pembobot ke fuzzy-a dalam peelitia ii ilai m yag diguaka yaki 2 [9] meyataka bahwa peetapa agka pagkat sebesar 2 aka meghasilka tigkat akurasi yag lebih tiggi Hasil Cluster Dega megguaka software R didapat sejumlah hasil sebagai berikut : Pusat Cluster Pusat Cluster dibagi mejadi 6 sesuai dega pembagia cluster yag terbetuk dega 7 variabel. Pusat cluster berfugsi utuk meeragka bahwa tiap-tiap cluster memiliki derajat keaggotaa masig- Prosidig SI MaNIs (Semiar Nasioal Itegrasi Matematika da Nilai Islami) Vol.1, No.1, Juli 2017:

5 Prosidig SI MaNIs (Semiar Nasioal Itegrasi Matematika da Nilai Islami) Halama 303 masig terhadap tiap variabel yag ada, maka dapat disimpulka pusat cluster utuk masig-masig variabel yag terbetuk adalah sebagai berikut: Tabel 3.1 Pusat Cluster utuk tiap Variabel kesehata keteagakerjaa Askes/Asabri/Ja msostek Jamkesmas Jamkesda Asurasi Swasta Kator/Perusah a Cluster 1 6,52 1,06 4,47 42,30 1,61 0,32 0,31 Cluster 2 12,17 2,41 9,97 20,11 29,07 1,21 3,05 Cluster 3 8,05 2,01 20,11 21,97 3,37 0,68 0,56 Cluster 4 6,08 0,92 29,07 31,71 2,19 0,52 0,38 Cluster 5 11,01 6,06 1,21 16,89 81,42 0,41 0,38 Cluster 6 17,12 3,15 3,05 18,03 5, ,42 Dari tiap pusat cluster yag terbetuk, masig-masig cluster memiliki ciri-ciri keaggotaa dari tiap variabelya. Berikut adalah ciri-ciri keaggotaa tiap variabel pembetuk pada tiap cluster. 1. Cluster 1 bayakya jumlah kepemilika jamia kesehata di tiap kabupate/kota yaitu kesehata sebayak 6.52%, keteagakerjaa sebayak 1.06%, Askes/Asabri/Jamsostek sebayak 4.47%, Jamkesmas sebayak 42,30%, Jamkesda sebayak 1,61%, Asurasi Swasta sebayak 0.32%, da perusahaa/kator sebayak 0.31%. 2. Cluster 2 bayakya jumlah kepemilika jamia kesehata di tiap kabupate/kota yaitu kesehata sebayak 12.17%, keteagakerjaa sebayak 2.41%, Askes/Asabri/Jamsostek sebayak 9.97%, Jamkesmas sebayak 20.11%, Jamkesda sebayak 29.07%, Asurasi Swasta sebayak 1.21%, da perusahaa/kator sebayak 3.05%. 3. Cluster 3 bayakya jumlah kepemilika jamia kesehata di tiap kabupate/kota yaitu kesehata sebayak 8.05%, Keteagakerjaa sebayak 2.01%, Askes/Asabri/Jamsostek sebayak 6.31%, Jamkesmas sebayak 21.97%, Jamkesda sebayak 3.37%, Asurasi Swasta sebayak 0.68%, da perusahaa/kator sebayak 0.56%. 4. Cluster 4 bayakya jumlah kepemilika jamia kesehata di tiap kabupate/kota yaitu kesehata sebayak 6.08%, keteagakerjaa sebayak 0.92%, Askes/Asabri/Jamsostek sebayak 4.56%, Jamkesmas sebayak 31.71%, Jamkesda sebayak 2.91%, Asurasi Swasta sebayak 0.52%, da perusahaa/kator sebayak 0.38%. 5. Cluster 5 bayakya jumlah kepemilika jamia kesehata di tiap kabupate/kota yaitu kesehata sebayak 11.01%, keteagakerjaa sebayak 6.06%, Askes/Asabri/Jamsostek sebayak 9.51%, Jamkesmas sebayak 42,30%, Jamkesda sebayak 81.42%, Asurasi Swasta sebayak 0.41%, da perusahaa/kator sebayak 0.38%. 6. Cluster 6 bayakya jumlah kepemilika jamia kesehata di tiap kabupate/kota yaitu kesehata sebayak 17.12%, keteagakerjaa sebayak 3.15%, Askes/Asabri/Jamsostek sebayak 6.46%, Jamkesmas sebayak 18.03%, Jamkesda sebayak 5.88%, Asurasi Swasta sebayak 1.61%, da perusahaa/kator sebayak 1.42% Keaggotaa Tiap Cluster da Hasil Cluster Pada keaggotaa tiap cluster diperoleh dari ilai keaggotaa palig besar. Berdasarka hasil dari keaggotaa tiap cluster diperoleh hasil cluster berdasarka pada ilai fugsi keaggotaa dega ilai tertiggi pada setiap kabupate/kota. Maka diperoleh hasil cluster dari tiap kelompok sebagai berikut: Kabupate/kota yag tergolog dalam cluster 1 adalah Kab. Purbaligga, Kab. Kebume, Kab. Rembag, Kab. Demak, Kab. Brebes Kabupate/kota yag tergolog dalam cluster 2 adalah Kab. Kudus da Kota Magelag Kabupate/kota yag tergolog dalam cluster 3 adalah Kabupate Bajaregara, Boyolali, Woogiri, Karagayar, Srage, Blora, da Kabupate Kedal Kabupate/kota yag tergolog dalam cluster 4 adalah Kabupate Bayumas, Purworejo, Woosobo, Magelag, Klate, Groboga, Pati, Jepara, Temaggug, Batag, Cilacap, Pekaloga, da Kabupate Pemalag Kabupate/kota yag tergolog dalam cluster 5 adalah Kabupate Semarag Kabupate/kota yag tergolog dalam cluster 6 adalah Kabupate Sukoharjo, Tegal, Kota Surakarta, Salatiga, Semarag, Pekaloga, da kota Tegal Rata-Rata Tiap Cluster Pegelompoka Kepemilika Jamia Kesehata Megguaka Metode Fuzzy C-Meas Algorithm

6 Halama 304 p-issn: ; e-issn: X Kesehata Keteagak erjaa Tabel 3.2 Rata-rata tiap cluster Askes/Asabri/J Jamkesmas Jamkesda Asurasi amsostek Swasta Cluster Cluster Cluster Cluster Cluster Cluster Kator/Per usahaa Berdasarkailai rata-rata tiap cluster da hasil clusterberdasarka pada ilai fugsi keaggotaa diperoleh karakteristik pembagia wilayah Provisi Jawa Tegah berdasarka kepemilika jamia kesehata ke dalam 6 cluster: 1. Cluster 1 yaki kabupate/kotaya memiliki jumlah kepemilika asurasi swasta da kepemilika jamia kesehata dari perusahaa/kator teredah sebesar 0.3%, sedagka utuk jamkesmas cukup tiggi di kabupate tersebut 2. Cluster 2 yaki kabupate/kotaya memiliki jumlah kepemilika asurasi swasta teredah sebesar 1.1%, sedagka utuk jamkesda cukup tiggi di kabupate tersebut 3. Cluster 3 da cluster 4 yaitu kabupate/kotaya memiliki jumlah kepemilika jamia kesehata dari perusahaa/kator teredah sebesar 0.4%, sedagka utuk jamkesmas cukup tiggi di kabupate tersebut 4. Cluster 5 yaitu kabupate/kotaya memiliki jumlah kepemilika jamia kesehata yag sagat tiggi berupa jamkesda sebesar 90.4%. Sebagia besar masyarakat yag ada pada cluster 5 memiliki jamkesda. 5. Cluster 6 yaitu kabupate/kotaya memiliki jumlah kepemilika asurasi swasta da asurasi dari perusahaa/kator teredah yaitu sebesar 1.7%, sedagka utuk jamkesmas masih cukup tiggi di kabupate tersebut 4. KESIMPULAN Berdasarka rumusa masalah yag telah dijelaska pada bab sebelumya, maka diperoleh kesimpula: 1. Gambara kepemilika jamia kesehata provisi Jawa Tegah yaitu jamia kesehata terbayak di Provisi Jawa Tegah adalah jamia kesehata Jamkesmas (968,3%), kesehata (314,57%), Jamkesda (246,56%), askes/asabri/jamsostek (203,73%), keteagakerjaa (63,96%), Asurasi Swasta (29,43%), da jamia kesehata dari perusahaa/kator (28,57%) 2. Hasil cluster megguaka metode fuzzy c-meas dari seluruh kabupate/kota di Provisi Jawa Tegah yag masuk kedalam cluster 1 sebayak 6 kabupate/kota, cluster 2 sebayak 2 kabupate/kota, cluster 3 sebayak 7 kabupate/kota, cluster 4 sebayak 12 kabupate/kota, cluster 5 sebayak 1 kabupate/kota, cluster 6 sebayak 7 kabupate/kota UCAPAN TERIMAKASIH Alhamdulillah peulis ucapka kepada Allah SWT yag telah melimpahka rahmat, hidayah, serta iayah-nya sehigga peulis dapat meyelesaika peelitia ii. Peelitia ii tidak terlepas dari batua, araha, da bimbiga dari berbagai pihak. Utuk itu peulis igi megucapka terima kasih atas segala batua da bimbiga yag telah diberika kepada peulis semoga medapatka balasa dari Allah SWT. Peulis meyadari aka keterbatasa kemampua dalam meyelesaika peelitia ii, oleh karea itu peulis megharapka kritik da sara yag membagu demi kesempuraa peyusua peelitia ii. Semoga peelitia ii dapat bermafaat bagi semua pihak. DAFTAR PUSTAKA Prosidig SI MaNIs (Semiar Nasioal Itegrasi Matematika da Nilai Islami) Vol.1, No.1, Juli 2017:

7 Prosidig SI MaNIs (Semiar Nasioal Itegrasi Matematika da Nilai Islami) Halama 305 [1] BPS Jawa Tegah Profil Kesehata Jawa Tegah Semarag: BPS Jawa Tegah [2] Depkes RI Buku Pegaga Sosialisasi JKN dalam Sistem Jamia Sosial Nasioal. Jakarta: Depkes RI [3] Rizal, S.A da Hakim, F Metode K-Meas Cluster Da Fuzzy C-Meas Cluster (Studi kasus: Ideks Pembagua Mausia di Kawasa Idoesia Timur tahu 2012). Yogyakarta : Uiversitas Islam Idoesia [4] Kusumadewi, S da Sri H Neuro Fuzzy. Yogyakarta: Graha Ilmu [5] Sukim Studi Tetag Metode C-Meas Cluster da Fuzzy C-Meas Cluster Serta Aplikasiya Pada Kasus Pegelompokka Desa/Keluraha Berdasarka Status Ketertiggala. Istitut Tekologi Sepuluh Nopember, Surabaya [6] Kusumadewi, S & Puromo, H Aplikasi Logika Fuzzy Utuk Pedukug Keputusa. Yogyakarta : Graha Ilmu [7] Widodo P. P, Hadayato, R. T, & Herlawati Peerapa Data Miig Dega Matlab. Badug: Rekayasa Sais [8] Duo, C., Xue, L. da Du-Wu, C A Adaptve Cluster Validity Idex for the Fuzzy C-Meas, Iteratioal Joural of Computer Sciece ad Network Security, Vol.7 No.2, Hal: [9] Aggraei, Wula Peetua Pagkat Pada Algoritma Fuzzy C-Meas : Faktor Exacta 8(3): , 2015 ISSN: X Pegelompoka Kepemilika Jamia Kesehata Megguaka Metode Fuzzy C-Meas Algorithm