1
Principal Component Analysis (PCA) Dan Analisis
Faktor Pada Cakupan Imunisasi TT (Tetanus Toxoid)
Ibu Hamil Di Provinsi Jambi Tahun 2007
Anindya Shafira Putri (06211540000058)[1], Dewi Damayanti (06211540000071) [2], Dr. Bambang Widjanarko O., S.Si., M.Si[3].
Departemen Statistika, Fakultas Matematika, Komputasi dan Sains Data,
Institut Teknologi Sepuluh Nopember (ITS)
Jl. Arief Rahman Hakim, Surabaya 60111
E-mail : anindyashafira97@gmail.com[1], dmy.dewi@gmail.com[2]
Abstrak – Pembangunan kesehatan menitikberatkan pada
program-program penurunan Angka Kematian Bayi (AKB)
sebagai salah satu indikator penting dalam kesehatan
masyarakat. Penyebab utama kematian dan kesakitan
maternal dan neonatal diakibatkan oleh Tetanus (TN).
Cakupan imunisasi TT terhadap ibu hamil di Indonesia masih
rendah. Ada 14 faktor yang berhubungan dengan pencapaian
cakupan imunisasi TT ibu hamil. Sehingga pada praktikum
ini, peneliti melakukan analisis multivariat dengan metode
Principal Component Analysis (PCA) untuk mereduksi dimensi
variabel yang ada dan digunakan metode analisis faktor untuk
mengelompokkan variabel cakupan imunisasi TT ibu hamil di
Provinsi Jambi tahun 2007. Dari hasil analisis diketahui hanya
11 variabel yang layak dimasukkan dalam analisis faktor. Dan
dari 11 variabel tersebut dapat dikelompokkan menjadi empat
komponen utama dimana empat komponen utama ini dapat
menjelaskan sebesar 67,224% dari keragaman data. Empat
faktor yang terbentuk yaitu faktor Manajemen Imunisasi,
Pendukung, Pengalaman Petugas dan Kualitas Instansi
Kesehatan.
Kata kunci – Factor Analysisi, Imunisasi TT, Principal
Component Analysis
I. PENDAHULUAN
Keberhasilan Pembangunan Kesehatan merupakan hal
sangat penting bagi suatu daerah. Pembangunan kesehatan
menitikberatkan pada program-program penurunan Angka
Kematian Bayi (AKB) sebagai salah satu indikator penting
dalam kesehatan masyarakat. Penyebab utama kematian dan
kesakitan maternal dan neonatal diakibatkan oleh Tetanus
(TN). Di Indonesia sekitar 9,8 % (18032 bayi) dari 184 ribu
kelahiran bayi menghadapi kematian: imunisasi tetanus tetap
rendah[1]. Rendahnya cakupan imunisasi TT terhadap ibu
hamil di Indonesia menyebabkan kontribusi kematian karena
TN terhadap kematian neonatal masih cukup tinggi yaitu 22
%[2].
Imunisasi yang berkaitan dengan upaya penurunan
kematian bayi diantaranya adalah pemberian imunisasi TT
(Tetanus Toxoid) kepada calon pengantin wanita dan ibu
hamil. Pada ibu hamil imunisasi TT ini diberikan selama
masa kehamilannya dengan frekuensi dua kali dan interval
waktu minimal empat minggu. Oleh karena itu cakupan
imunisasi TT ibu hamil perlu ditingkatkan secara sungguh-
sungguh dan menyeluruh[3].
Di Provinsi Jambi, pencapaian imunisasi TT pada ibu
hamil masih rendah dan cenderung menurun. Pada tahun
2007 cakupan TT1 dan TT2 ibu hamil menurun menjadi
69,27 % untuk TT1 dan 62,88 % untuk TT2, sedangkan TT
Ulang hanya 15,24 %[4].
Banyak faktor yang berhubungan dengan pencapaian
cakupan imunisasi TT ibu hamil diantaranya adalah waktu
pelayanan imunisasi, stok vaksin, pengelolaan rantai vaksin,
peralatan rantai vaksin, peralatan suntik imunisasi, pelatihan
petugas imunisasi, kerja sama lintas program, kerja sama
lintas sektoral, pencatatan, dan penyuluhan oleh petugas[5].
Selain itu, pada pelaksanaan di lapangan ada faktor lain yang
dapat mempengaruhi pencapaian cakupan imunisasi
diantaranya adalah pendidikan petugas imunisasi, lama kerja
petugas, jumlah petugas pelaksana imunisasi dan
pengetahuan ibu hamil.
Pada praktikum ini, peneliti melakukan analisis
multivariat dengan menggunakan data cakupan imunisasi TT
pada ibu hamil di Provinsi Jambi. Metode statistik yang
digunakan adalah Principal Component Analysis (PCA)
untuk mereduksi dimensi variabel yang ada dan digunakan
metode analisis faktor untuk mengelompokkan variabel
cakupan imunisasi TT ibu hamil tersebut hingga menjadi satu
atau beberapa faktor namun masih memuat sebagian besar
informasi yang terkandung dalam variabel asli (original
variable).
II. TINJAUAN PUSTAKA
A. Analisis Faktor
Tujuan dari analisis faktor adalah untuk menggambarkan
hubungan-hubungan kovarian antara beberapa variabel yang
mendasari tetapi tidak teramati, kuantitas random yang
disebut faktor[6]. Vektor random teramati X dengann p
komponen, memiliki rata-rata μ dan matriks kovarian ∑.
Model analisis faktor adalah sebagai berikut:
𝑋𝑝 − 𝜇𝑝 = ℓ𝑝1 𝐹1 + ℓ𝑝2 𝐹2 + ⋯ + ℓ𝑝𝑚 𝐹𝑚 + 𝜀𝑝 (1)
atau dapat ditulis dalam notasi matriks sebagai berikut:
𝑋(𝑝×1) = 𝜇(𝑝×1) + 𝐿(𝑝×𝑚) 𝐹(𝑚×1) + 𝜀(𝑝×1) (2)
dengan
𝜇𝑖 = rata-rata variabel i
𝜀𝑖 = faktor spesifik ke-i
𝐹𝑗 = common factor ke-j
ℓ𝑖𝑗 = loading dari variabel ke-i pada faktor ke-j
Bagian dari varian variabel ke–i dari m common faktor
disebut komunalitas ke–i yang merupakan jumlah kuadrat
dari loading variabel ke–i pada m common faktor [1],
dengan rumus:
ℎ𝑖2 = ℓ2𝑖1 + ℓ2𝑖2 + ⋯ + ℓ2𝑖𝑚 (3)
Tujuan analisis faktor adalah menggunakan matriks
korelasi hitungan untuk: 1) Mengidentifikasi jumlah terkecil
dari faktor umum (yaitu model faktor yang paling
parsimoni) yang mempunyai penjelasan terbaik atau
menghubungkan korelasi diantara variabel indikator. 2)
Mengidentifikasi, melalui faktor rotasi, solusi faktor yang
paling masuk akal. 3) Estimasi bentuk dan struktur loading,
komunality dan varian unik dari indikator. 4) Intrepretasi
 2

dari faktor umum. 5) Jika perlu, dilakukan estimasi faktor Principal Axis Factoring, Unweighted Least Squares,
skor[7]. Generalized Least Squares, dan Maximum Likelihood.
Metode ekstraksi faktor yang digunakan dalam penelitian ini
B. Kaiser Meyer Oikin (KMO)
adalah metode analisis komponen utama (Principal
Dalam melakukan analisis faktor, keputusan pertama
Components Analysis).
yang harus diambil adalah menganalisis data yang ada
Analisis komponen utama merupakan suatu teknik
cukup memenuhi syarat analisis faktor atau tidak. Langkah
analisis untuk mentransformasi variabel-variabel asli yang
ini dilakukan dengan mencari matriks korelasi antara
masih saling berkorelasi satu dengan yang lain menjadi satu
indikator-indikator yang diobservasi. Metode KMO paling
variabel baru yang tidak berkorelasi lagi. Variabel-variabel
banyak digunakan untuk melihat syarat kecukupan data
baru yang baru terbentuk itu disebut sebagai komponen
untuk analisis faktor. Metode ini mengukur kecukupan
utama (Principal Component).
sampel secara menyeluruh dan mengukur kecukupan sampel
untuk setiap indikator. Adapun formula untuk menghitung E. Penentuan Jumlah Faktor
KMO adalah sebagai berikut : Tujuan dari melakukan analisis faktor adalah mencari
𝑝 𝑝 2
∑𝑖=1 ∑𝑗=1 𝑟𝑖𝑗 variabel baru yang disebut faktor yang saling tidak
𝐾𝑀𝑂 = ∑𝑝 𝑝 𝑝 𝑝 (4) berkorelasi, bebas satu sama lain, lebih sedikit jumlahnya
∑ 𝑟 2 +∑𝑖=1 ∑𝑗=1 𝑎𝑖𝑗
𝑖=1 𝑗=1 𝑖𝑗
2

i = 1, 2, …, p dari variabel asli, akan tetapi dapat menyerap dan

j = 1, 2, …, p menerangkan sebagian besar informasi yang terkandung
dalam variabel asli. Beberapa prosedur bisa disarankan yaitu
𝑟𝑖𝑗 = koefisien korelasi antara variabel i dan j
penentuan secara apriori (ditentukan terlebih dahulu,
𝑎𝑖𝑗 = koefisien korelasi parsial variabel i dan j misalnya dari variabel yang ada bisa ditarik sekian faktor),
Apabila nilai KMO lebih besar dari 0,5 maka dapat atau berdasarkan Eigenvalues, Scree Plot, Percentage Of
disimpulkan jumlah data telah cukup difaktorkan. Variance Accounted For, Split-Half Reliability, dan
C. Uji Bartlett (Kebebasan Antar Variabel) Significance Test. Dalam penelitian ini penentuan
Uji Bartlett bertujuan untuk mengetahui apakah terdapat berdasarkan eigen values.
hubungan antar variabel dalam kasus multivariat. Jika Teknik yang paling umum digunakan dalam menentukan
variabel X1, X2, …, Xp independent (bersifat saling bebas), jumlah faktor yang dipilih adalah kriteria nilai eigen. Di
maka matriks korelasi antar variabel sama dengan matriks dalam pendekatan ini, hanya faktor dengan eigen values
identitas. Sehingga untuk menguji kebebasan antar variabel lebih besar dari 1 (satu) yang dipertahankan, jika lebih kecil
ini, uji Bartlett menyatakan hipotesis sebagai berikut: dari l (satu), faktornya tidak diikutsertakan dalam model.
H0 : ρ = 1 F. Rotasi Faktor
H1 : ρ ≠ 1 Rotasi faktor digunakan untuk mencari faktor yang
Statistik uji: mampu mengoptimalkan korelasi antar indikator yang
1
𝑟̅𝑘 = ∑𝑝 𝑟 , 𝑘 = 1, 2, … , 𝑝 diobservasi. Rotasi faktor ini diperlukan jika metode
𝑝−1 𝑖=1 𝑖𝑘
(5) ekstraksi faktor belum dapat menghasilkan komponen faktor
2
𝑟̅ = ∑ ∑ 𝑖<𝑘 𝑟𝑖𝑘 (6) utama yang jelas. Gambaran umum dari tujuan melakukan
𝑝(𝑝−1)
rotasi faktor adalah agar dapat memperoleh struktur faktor
(𝑝−1)2 [1−(1−𝑟̅ )2 ] yang lebih sederhana agar mudah diinterpretasikan.
𝛾̂ =
𝑝−(𝑝−2)(1−𝑟̅ )2 (7) Rotasi faktor merupakan alat yang penting dalam
melakukan interpretasi terhadap faktor yang dihasilkan.
Keterangan, Terdapat dua metode yang dapat digunakan dalam rotasi
𝑟̅𝑘 = rata-rata elemen diagonal pada kolom atau baris ke-k faktor yaitu rotasi orthogonal dan rotasi oblique. Prosedur
dari matriks R (matriks korelasi) rotasi orthogonal dengan asumsi bahwa secara matematis
𝑟̅ = rata-rata keseluruhan dari elemen diagonal faktor yang ada bebas dan rotasinya harus tegak lurus
Daerah penolakan : dengan sudut 90°, dan terjadi hal yang sebaliknya pada
tolak H0 jika rotasi oblique. Bagian dari rotasi orthogonal yang bisa
(𝑛−1) 𝑝 2 digunakan adalah Varimax, Quartimax dan Equamax.
𝑇= [∑ ∑𝑖<𝑘(𝑟𝑖𝑘 − 𝑟̅)2 − 𝛾̂ ∑𝑘=1(𝑟̅𝑘 − 𝑟̅)2 ] > 𝜒(𝑝+1)(𝑝−2)
(1−𝑟̅ )2
(8) 2
;𝛼 Dalam penelitian ini digunakan metode Varimax. Varimax
Maka variabel-variabel saling berkorelasi, hal ini berarti method adalah metode rotasi orthogonal untuk
terdapat hubungan antar variabel. Jika H0 ditolak maka meminimalkan jumlah indikator yang mempunyai faktor
analisis multivariat layak untuk digunakan terutama metode loading tinggi pada setiap faktor.
analisis komponen utama dan analisis faktor.
G. Skor Faktor
D. Ekstraksi Faktor Untuk tujuan pengelompokan, maka tahap selanjutnya
Setelah terpenuhi syarat kecukupan data, maka akan adalah mencari skor faktor. Skor faktor adalah merupakan
dilakukan langkah selanjutnya dalam analisis faktor adalah ukuran individual pada faktor yang merupakan nilai rata-rata
mencari faktor atau ekstraksi faktor. Dalam analisis faktor terbobot, dan bobot yang diberikan itu sesuai dengan
ekstraksi faktor (extraction) adalah suatu metode yang besarnya muatan faktor. Penentuan pembentukan faktor
digunakan untuk mereduksi data dari beberapa indikator dapat dilakukan dengan melakukan (cut off) atau
untuk menghasilkan faktor yang lebih sedikit yang mampu pemotongan terhadap skor faktor yang dirotasi.
menjelaskan korelasi antara indikator yang diobservasi. Ada
H. Naming the Factors
beberapa metode yang bisa digunakan untuk melakukan
Langkah terakhir adalah menamai (labeling) faktor yang
ekstraksi faktor yaitu Principal Component Analisis,
terbentuk dari proses ekstraksi dan rotasi. Nama diberikan
 3

berdasarkan kesamaan ciri variabel/item yang menjadi 5. Melakukan analisis dengan metode Principle Component
muatan faktor[8]. Analysis (PCA) pada data cakupan imunisasi TT ibu
hamil di Provinsi Jambi tahun 2007.
I. Imunisasi TT 6. Melakukan analisis faktor pada data cakupan imunisasi
Penyakit tetanus neonatorum adalah penyakit tetanus TT ibu hamil di Provinsi Jambi tahun 2007.
yang terjadi pada neonates (bayi berusia kurang dari 1 7. Menarik kesimpulan berdasarkan analisis yang telah
bulan) yang disebabkan oleh clostridium tetani, yaitu kuman dilakukan.
yang mengeluarkan racun dan menyerang sistem saraf pusat.
Spora kuman tersebut masuk ke dalam tubuh bayi melalui IV. ANALISIS DAN PEMBAHASAN
pintu masuk satu-satunya, yaitu tali pusat, yang dapat terjadi A. Deteksi Missing Value dan Outlier pada Data Cakupan
pada saat pemotongan tali pusat ketika bayi lahir mapun Imunisasi TT Ibu Hamil Provinsi Jambi Tahun 2007
pada ssat perawatan sebelum puput (terlepasnya tali pusat). Dalam penelitian ini, sebelum melakukan analisis lebih
Penyakit infeksi dan tetanus neonatorum sebenarnya lanjut terlebih dahulu melakukan pre-processing pada data
dapat dicegah dengan imunisasi Tatanus Toxid (TT) yang dengan mendeteksi missing value dan juga outlier.
lengkap pada wanita usia subur dan wanita hamil. Seorang Tabel 2. Hasil Analisis Missing Value
wanita yang sudah diimunisasi TT lengkap dengan interval Variabel N
Missing
Variabel N
Missing
4-6 minggu diharapkan mempunyai kekbalan terhadap (Count) (Count)
tetanus selama 3 tahun. Imunisasi itu sendiri bertujuan untuk X1 78 0 X8 78 0
mencegah terjadinya infeksi pada ibu, sedangkan pada bayi X2 78 0 X9 78 0
X3 78 0 X10 78 0
bertujuan untuk mencegah terjadinya infeksi neonatorum
X4 78 0 X11 78 0
pada tali pusat[9]. X5 78 0 X12 78 0
III. METODOLOGI PENELITIAN X6 78 0 X13 78 0
X7 78 0 X14 78 0
A. Sumber Data Berdasarkan tabel diatas, dapat diketahui bahwa tidak
Data yang digunakan dalam laporan ini adalah data terdapat data yang hilang untuk semua variabel, sehingga
sekunder yang diperoleh dari Skripsi Mahasiswa Universitas data dapat digunakan untuk analisis lebih lanjut tanpa perlu
Sumatera Utara yaitu mengenai Cakupan Imunisasi TT diatasi.
(Tetanus Toxoid) Ibu Hamil di Provinsi Jambi Tahun 2007. Selanjutnya, mendeteksi data outlier univariate secara
Data yang digunakan sebanyak 78 data hasil survei kepada visual dengan menggunakan Boxplot untuk semua variabel
petugas pelaksana imunisasi puskesmas dan puskesmas pada data cakupan imunisasi TT. Berdasarkan hasil boxplot,
pembantu di Provinsi Jambi. diketahui bahwa terdapat 17 data outlier dari total 1.092
B. Variabel Penelitian data yang diamati. Sehingga, jumlah data outlier masih
Variabel yang digunakan dalam penelitian ini adalah dalam batasan normal dan data tidak perlu diatasi.
sebagai berikut. B. Uji Barlett’s dan Pemeriksaan Data dengan Kaiser
Tabel 1. Variabel Penelitian Meyer Olkin (KMO) Awal
Variabel Keterangan Skala Pegukuran Dalam penelitian ini, pencapaian cakupan imunisasi TT
X1 Pendidikan Petugas Interval
ibu hamil di Provinsi Jambi tahun 2007 dipengaruhi oleh 14
X2 Lama Kerja Petugas Interval
X3 Jumlah Tenaga Pelaksana Imunisasi Interval faktor. Maka perlu dilakukan uji Barlett’s dan pemeriksaan
X4 Pelatihan Petugas Interval faktor dengan melihat nilai KMO (Kaiser Meyer Olkin
X5 Waktu Pelayanan Imunisasi Interval Measure of Sampling Adequacy).
X6 Stok Vaksin Interval Tabel 3. Hasil Uji Barlett’s dan KMO Awal
X7 Pengelolaan Rantai Vaksin Interval Nilai Kaiser-Meyer-Olkin 0.692
X8 Peralatan Rantai Vaksin Interval
X9 Peralatan Suntik Imunisasi Interval Barlett's Test Approx. Chi-Square 316.712
X10 Kerjasama Lintas Program Interval df 91
X11 Kerjasama Lintas Sektorial Interval
X12 Pencatatan Laporan Imunisasi Interval Sig. .000
X13 Penyuluhan Oleh Petugas Interval Berdasarkan uji korelasi dengan menggunakan Bartlett’s
X14 Pengetahuan Ibu Hamil Interval diperoleh nilai p-value (Sig.) sebesar 0,000. Sehingga dapat
diambil keputusan tolak H0, karena nilai p-value (Sig.) < α
C. Langkah Analisis yaitu 0,000 < 0,05 yang berarti terdapat dependensi antar
Tahapan yang dilakukan untuk melakukan analisis data semua variabel cakupan imunisasi TT dan memiliki matriks
dalam penelitian ini adalah sebagai berikut. korelasi bukan matriks identitas. Berdasarkan nilai KMO
1. Mencari data sekunder. sebesar 0,692, diketahui bahwa nilai KMO > 0,5 sehingga
2. Menginput data sekunder yaitu data cakupan imunisasi semua variabel cakupan imunisasi TT telah memenuhi
TT ibu hamil di Provinsi Jambi tahun 2007. asumsi kecukupan data.
3. Melakukan uji Bartlett’s pada data cakupan imunisasi
TT ibu hamil di Provinsi Jambi tahun 2007.
4. Melakukan pemeriksaan data dengan Kaiser Meyer C. Nilai Anti Image Correlation Awal
Oikin (KMO) pada data cakupan imunisasi TT ibu hamil Tabel 4. Nilai Diagonal Anti Image
di Provinsi Jambi tahun 2007. Variabel Diagonal Anti Image Correlation
X1 ,496a
X2 ,534a
X3 ,595a
 4

Berdasarkan Tabel 6, didapatkan nilai communalities

untuk setiap variabel. Variabel yang mempunyai nilai
Tabel 4. Nilai Diagonal Anti Image (Lanjutan)
Variabel Diagonal Anti Image Correlation
terbesar yaitu peralatan rantai vaksin sebesar 0,824, artinya
X4 ,522a sebesar 82,4% variabel peralatan rantai vaksin mampu
X5 ,532a menjelaskan keragaman faktor yang terbentuk. Pada hal ini,
X6 ,483a faktor yang terbentuk benar-benar mewakili variabel
X7 ,783a peralatan rantai vaksin. Sedangkan nilai terendah yaitu
X8 ,714a variabel jumlah tenaga pelaksana imunisasi sebesar 0,524,
X9 ,724a artinya sebesar 52,4% variabel jumlah tenaga pelaksana
X10 ,783a imunisasi mampu menjelaskan keragaman faktor yang
X11 ,786a terbentuk.
X12 ,695a
X13 ,615a F. Penentuan Jumlah Principal Component
X14 ,653a Dalam menentukan berapa komponen utama yang
Nilai pada tabel diatas, merupakan diagonal dari nilai anti terbentuk, dapat menggunakan scree plot dan eigen value.
image correlation yang menandakan besaran KMO sebuah Berikut ditampilkan scree plot berdasarkan nilai eigen.
variabel. Pada nilai diagonal setiap variabel, terdapat dua
variabel dengan nilai diagonal < 0,5, maka variabel yang
memiliki nilai terkecil akan dikeluarkan dari pemilihan
variabel. Variabel yang mempunyai nilai terkecil adalah stok
vaksin (0,483). Maka variabel stok vaksin dikeluarkan
sehingga variabel berkurang menjadi 13 variabel dan
dilakukan proses pengujian ulang.
D. Uji Barlett’s dan Pemeriksaan Data dengan Kaiser
Meyer Olkin (KMO) Akhir
Pengujian data dilakukan ulang setelah nilai diagonal
pada anti image diatasi, dengan cara mengeluarkan variabel
dengan nilai terkecil yaitu sebanyak 3 variabel.
Tabel 5. Hasil Uji Barlett’s dan KMO Akhir
Nilai Kaiser-Meyer-Olkin 0.750 Gambar 1. Scree Plot Data Cakupan Imunisasi TT
Pada Gambar 1, dapat diketahui pada scree plot yang
Barlett's Test Approx. Chi-Square 262.450 memiliki eigen value lebih dari 1 adalah pada variabel 1,2, 3,
df 55 dan 4. Pada keempat komponen tersebut terjadi penurunan
Sig. 0.000 yang cukup curam, di saat itulah ditunjukkan banyak faktor
Berdasarkan uji korelasi dengan menggunakan Bartlett’s yang terbentuk, yaitu 4. Sedangkan komponen 5-11 hanya
diperoleh nilai p-value (Sig.) sebesar 0,000. Sehingga sedikit kontribusinya terhadap solusi faktor, ditunjukkan
terdapat dependensi antar semua variabel cakupan imunisasi dengan plot eigen value yang berada di bawah angka 1.
TT dan memiliki matriks korelasi bukan matriks Selain melalui visualisai dengan scree plot, penentuan
identitas.karena nilai 0,000 < 0,05. Berdasarkan nilai KMO banyaknya faktor juga dapat dilihat dari eigen value. Berikut
sebesar 0,750, diketahui bahwa nilai KMO > 0,5 sehingga nilai eigen value dari 11 komponen tersebut.
Tabel 7. Nilai Eigen Value
semua variabel cakupan imunisasi TT telah memenuhi
Initial Eigenvalues
asumsi kecukupan data. Pada pengujian ini, diperoleh juga Component
Total % of Variance Cumulative %
hasil anti image correlation dimana nilai diagonal untuk 1 3,627 32,972 32,972
semua variabel > 0,5 pada sehingga didapatkan 11 variabel 2 1,421 12,921 45,893
untuk dilakukan analisis lebih lanjut yaitu variabel X2, X3, 3 1,328 12,076 57,969
X4, X7, X8, X9, X10, X11, X12, X13, dan X14. 4 1,018 9,255 67,224
5 0,847 7,702 74,926
E. Communalities 6 0,712 6,475 81,401
Communalities pada dasarnya menunjukkan seberapa 7 0,649 5,897 87,298
besar tiap variabel mampu menjelaskan atau mewakili faktor 8 0,552 5,016 92,314
yang terbentuk. Berikut adalah nilai communalities pada tiap 9 0,366 3,331 95,646
variabel. 10 0,333 3,031 98,676
Tabel 6. Nilai Communalities 11 0,146 1,324 100,000
Variabel Initial Extraction Berdasarkan Tabel 7 didapat komponen yang memiliki
X2 1 0,713 nilai eigen value lebih dari 1 ada 4, yaitu komponen 1, 2, 3,
X3 1 0,524 dan 4. Sehingga dari 11 variabel yang ada dapat
X4 1 0,609 dikelompokkan menjadi 4 Principal Component (PC).
X7 1 0,659
Variabel 1,2, 3, dan 4 dapat menjelaskan keragaman data
X8 1 0,824
X9 1 0,750 masing-masing sebesar 32,972%, 12,921%, 12,076%, dan
X10 1 0,684 9,255%. Sedangkan secara kumulatif variansi variabel 1
X11 1 0,663 dapat menjelaskan keragaman data sebesar 32,972%, variansi
X12 1 0,678 variabel 2 sebesar 45,893%, variansi variabel 3 sebesar
X13 1 0,646 57,969%, dan variansi variabel 4 sebesar 67,224%.
X14 1 0,646
 5

Setelah didapatkan banyaknya komponen utama yaitu 4 TT ibu hamil diperlukan suatu perencanaan dan persiapan
berdasarkan eigen value, maka untuk persamaan komponen dari cara kerja sesuai prosedur, adanya alat pemantau kinerja
utama itu sendiri berdasarkan pada nilai eigen vektornya. program serta koordinasi dengan berbagai pihak.
Didapatkan 4 persamaan komponen utama yaitu sebagai Variabel penyuluhan oleh petugas, dan pengetahuan
berikut. ibu hamil masuk dalam faktor 2 yaitu faktor Pendukung.
PC1 = - 0.01677 Z1 - 0.14202 Z2 - 0.11199 Z3 - 0.40622 Z4 - Dinamakan faktor pendukung, karena variabel tersebut
0.44052 Z5 - 0.41749 Z6 - 0.39974 Z7 - 0.39035 Z8 - mendukung tercapainya cakupan imunisasi TT ibu hamil
0.24959 Z9 - 0.09737 Z10 - 0.22292 Z11 baik dari petugas maupun dari ibu hamil itu sendiri. Dengan
PC2 = - 0.39461 Z1+ 0.10168 Z2 - 0.25813 Z3 + 0.15973 Z4 - mengadakan penyuluhan oleh petugas dapat meningkatkan
0.10459 Z5 - 0.06920 Z6 + 0.18189 Z7 + 0.14543 Z8 + pengetahuan ibu hamil tentang imunisasi TT, karena di
0.29634 Z9 - 0.54670 Z10 - 0.53398 Z11 dalam penyuluhan diberikan semua materi pembelajaran
PC3 = - 0.41210 Z1 - 0.52375 Z2 - 0.41507 Z3 + 0.07191 Z4 + tentang imunisasi TT dan manfaat dari imunisasi tersebut.
0.27203 Z5 + 0.28471 Z6 - 0.15565 Z7 - 0.13207 Z8 - Variabel lama kerja masuk ke dalam faktor 3 yaitu
0.08732 Z9 + 0.37443 Z10 - 0.18401 Z11 Pengalaman Petugas. Dinamakan faktor pengalaman
PC4 = - 0.51051 Z1 + 0.26495 Z2 + 0.48569 Z3 + 0.13072 Z4 petugas karena dari variabel tersebut dapat mengetahui
+ 0.07698 Z5 + 0.06020 Z6 + 0.15587 Z7 -0.23654 Z8 intensitas atau jam terbang petugas imunisasi. Dimana,
- 0.55778 Z9 + 0.01111 Z10 - 0.12311 Z11 semakin lama petugas tersbut bekerja di bidang kesehatan
khusunya imunisasi maka semakin banyak pula pengalaman
G. Analisis Faktor
petugas tersebut.
Setelah didapat 4 komponen utama, selanjutnya
Faktor 4 yaitu faktor Kualitas Instansi Kesehatan yang
menentukan komponen faktor berdasarkan nilai matriks
terdiri dari variabel pendidikan petugas, jumlah tenaga
komponen. Ekstraksi faktor ini digunakan untuk memperoleh
pelaksana imunisasi, dan pencatatan laporan imunisasi.
struktur faktor yang lebih sederhana agar mudah
Dinamakan faktor kualitas instansi kesehatan karena
diinterpretasikan. Berikut adalah nilai matriks komponen
pendidikan petugas dan jumlah tenaga yang dimiliki oleh
yang dihasilkan untuk analisis faktor.
Tabel 8. Nilai Komponen Matriks
suatu instansi kesehatan menunjukkan kualitas instansi
Component teresbut dan pencatatan laporan imunisasi menunjukkan
1 2 3 4 bahwa instansi tersebut memiliki data dan laporan hasil
X2 0,032 0,470 0,475 0,515 imunisasi yang akurat.
X3 0,270 -0,121 0,604 -0,267
V. KESIMPULAN DAN SARAN
X4 0,213 0,308 0,478 -0,490
X7 0,774 -0,190 -0,083 -0,132 A. Kesimpulan
X8 0,839 0,125 -0,314 -0,078 Dari hasil analisis faktor terhadap faktor yang
X9 0,795 0,082 -0,328 -0,061 mempengaruhi cakupan imunisasi TT ibu hamil di Provinsi
X10 0,761 -0,217 0,179 -0,157
Jambi tahun 2007 maka dapat diambil beberapa kesimpulan
X11 0,743 -0,173 0,152 0,239
X12 0,475 -0,353 0,101 0,563 yaitu :
X13 0,185 0,652 -0,432 -0,011 1. Dari data cakupan imunisasi TT ibu hamil Provinsi Jambi
X14 0,425 0,637 0,212 0,124 tahun 2007, tidak terdapat missing value pada semua
Berdasarkan nilai korelasi pada matriks komponen yang variabel yang mempengaruhi. Hasil deteksi outlier
ditampilkan pada Tabel 8, penentuan kelompok didasarkan univariate dengan Boxplot, terdapat 17 data outlier dari
pada nilai korelasi yang paling tinggi. Pengelompokan 1.092 data pengamatan sehingga jumlah outlier masih
variabel dalam faktor serta penamaan kelompok faktor dalam batasan normal.
disajikan pada tabel berikut. 2. Variabel-variabel pada data cakupan imunisasi TT ibu
Tabel 9. Kelompok Faktor hamil Provinsi Jambi tahun 2007 telah memenuhi asumsi
Faktor Nama Faktor Variabel kecukupan data dan berkorelasi antar variabel.
Pengelolaan Rantai Vaksin 3. Dari 14 variabel yang mempengaruhi cakupan imunisasi
Peralatan Rantai Vaksin TT ibu hamil Provinsi Jambi tahun 2007, setelah
Manajemen
1 Peralatan Suntik Imunisasi dilakukan uji kelayakan faktor hanya 11 variabel yang
Imunisasi
Kerjasama Lintas Program
layak dimasukkan dalam analisis faktor.
Kerjasama Lintas Sektorial
Penyuluhan oleh Petugas 4. Variabel peralatan rantai vaksin memiliki nilai
2 Pendukung communalities terbesar dibandingkan variabel lain,
Pengetahuan Ibu Hamil
Pengalaman dimana sebesar 82,4% variabel peralatan rantai vaksin
3 Lama Kerja Petugas mampu menjelaskan keragaman faktor yang terbentuk.
Petugas
Pendidikan Petugas Dan begitu pula dengan variabel lain.
Kualitas Instansi Jumlah Tenaga Pelaksana 5. Variabel-variabel pada data cakupan imunisasi TT ibu
4
Kesehatan Imunisasi hamil Provinsi Jambi tahun 2007 dapat dikelompokkan
Pencatatan Laporan Imunisasi menjadi empat komponen utama. Secara kumulatif empat
Berdasarkan Tabel 9, dapat disimpulkan bahwa variabel komponen utama ini dapat menjelaskan sebesar 67,224%
pengelolaan rantai vaksin, peralatan rantai vaksin, peralatan dari keragaman data.
suntik imunisasi, kerjasama lintas program, dan kerjasama 6. Terdapat empat faktor untuk pengelompokan variabel.
lintas sektorial masuk dalam faktor 1 yaitu Manajemen Faktor 1 adalah faktor manajemen imunisasi yang terdiri
Imunisasi. Dinamakan faktor manajemen karena variabel dari variabel pengelolaan rantai vaksin, peralatan rantai
tersebut merupakan bagian dari manajemen program vaksin, peralatan suntik imunisasi, kerjasama lintas
imunisasi, yang mana di dalam mencapai cakupan imunisasi program, dan kerjasama lintas sectorial. Faktor 2 adalah
 6

faktor pendukung yang terdiri dari variabel penyuluhan

oleh petugas dan pengetahuan ibu hamil. Faktor 3 adalah
faktor pengalaman petugas yaitu variabel lama kerja
petugas. Faktor 4 adalah faktor kualitas instansi
kesehatan yang mencakup variabel pendidikan petugas,
jumlah tenaga pelaksana imunisasi, dan pencatatan
laporan imunisasi.
B. Saran
Dengan mengetahui faktor yang mempengaruhi cakupan
imunisasi TT ibu hamil, diharapkan Dinas Kesehatan
Provinsi Jambi dapat melakukan tindakan prioritas dalam
mencapai cakupan imunisasi TT ibu hamil di Provinsi Jambi.
Saran untuk peneliti, data yang akan dianalisis harus valid
sehingga didapatkan hasil yang akurat. Selain itu, penamaan
faktor harus mencakup variabel-variabel yang didalamnya
agar tidak memberikan kesimpulan yang salah.

DAFTAR PUSTAKA
[1] Depkes RI & WHO. 2006. Menggunakan Hak Azazi
Manusia Untuk Kesehatan Maternal Dan Neonatal.
Jakarta.
[2] Panitia Pekan Imunisasi Nasional. 1996. Petunjuk
Teknis Imunisasi Tetanus Toksoid Dalam Rangka
Akselerasi Eliminasi Tetanus Neonatorum. Jakarta.
[3] Azrul, A. 2002. Kompas, Upaya Turunkan Angka
Kematian Bayi. (http://www.kompas.com/kompas-
cetak/0208/29/iptek/upay/10htm.27k diakses pada 17
Maret 2018)
[4] Dinas Kesehatan Kota Jambi. 2007. Profil Kesehatan
Kota Jambi Tahun 2006. Jambi
[5] Depkes RI. 2005. Pedoman Teknis Imunisasi Tingkat
Puskesmas. Jakarta.
[6] Johnson, Richard A. & Dean W. Wichern. 2007.
Applied Multivariate Statistical Analysis. United State
of America: Pearson Education, Inc.
[7] Sharma, S. 1996. Applied Multivariate Techniques.
New-York: John Wiley & Sons, Inc.
[8] Maufiroh, W. 2015. [Online]. Available: digilib.uinsby.
ac.id
[9] Yunica, Joyce Angela. 2015. Hubungan Antara
Pengetahuan dan Umur dengan Kelengkapan Imunisasi
Tetanus Toxid (TT) pada Ibu Hamil di Desa Sungai
Dua Kecamatan Rambutan Kabupaten Banyuasin
Tahun 2014. Jurnal Kedokteran dan Kesehatan, Vol 2,
No. 1.