Faktor yang Mempengaruhi Kematian Ibu Hamil di Jawa Timur Dengan Menggunakan Metode Geographically Weighted Poisson Regression

Transkripsi

1 Faktor yang Mempengaruh Kematan Ibu Haml d Jawa Tmur Dengan Menggunakan Metode Geographcally Weghted Posson Regresson Rfk Arsta rfk11@mhs.statstka.ts.ac.d Pembmbng : Ir. Mutah Salamah, M. Kes Jul 3, 2013 Jurusan Statstka ITS: Insttut Teknolog Sepuluh Nopember

2 Latar Belakang (BKKBN, 2010) per kelahran hdup Indonesa memlk jumlah kematan bu haml tertngg d ASEAN sebesar 307 per kelahran hdup. (SDKI, 2003) (Dnkes Jatm, 2011) (Wahyunngsh, 2011) (per kelahran hdup) Tahun 2005, sebesar 446. Tahun 2006, sebesar 354. Tahun 2009, sebesar 90. Tahun 2010, sebesar 101. Jawa Tmur perngkat kelma dalam hal jumlah kematan bu haml d Indonesa 2

3 Latar Belakang Penyebab Kematan Ibu Haml Faktor Meds Pendarahan Hpertens saat kehamlan Reproduks Umur bu melahrkan Jarak antara tap kehamlan Faktor Non-Meds konds sosal budaya Ekonom Penddkan kedudukan dan peran wanta konds geografs empat terlalu (terlalu banyak, terlalu muda, terlalu tua, dan terlalu rapat jarak kehamlannya) tga terlambat (terlambat mengambl keputusan, terlambat membawa ke tempat pelayanan dan terlambat memberkan pertolongan d tempat pelayanan) 3

4 Latar Belakang Rumusan Masalah Bagamana dskrps kematan bu haml d tap kabupaten / kota d Jawa Tmur? Faktor-faktor apa saja yang mempengaruh kematan bu haml d Jawa Tmur? Tujuan Mendskrpskan kematan bu haml dan faktor-faktor yang mempengaruhnya d tap kabupaten / kota d Jawa Tmur. Mendapatkan model terbak yang dapat mempresentaskan kematan bu haml dan mengetahu faktor yang mempengaruhnya dengan pendekatan GWPR. 4

5 Manfaat Memberkan nformas kepada nstans pemerntah untuk mengevaluas upaya penurunan kematan bu haml Pengembangan mplementas statstka dalam bdang kesehatan masyarakat menggunakan metode pendekatan GWPR. Peneltan n menggunakan data kematan bu haml d Provns Jawa Tmur pada tahun 2011 Pembobot fungs kernel yang dgunakan adalah dengan fx gaussan kernel Batasan Masalah 5 5

6 Regres Posson Dgunakan untuk menganalss data dskrt(count), dmana varabel respon dar data berdstrbus Posson dengan parameter y posson( µ ) ~ µ ( ), 1,2 n x T exp =,... = β Untuk penaksran parameter menggunakan Metode Maxmum Lkelhood (MLE) ln L( β) = n n n T T ln(y! ) = 1 = 1 = 1 exp( x β) + y ( x β) - Metode teras Newton- Raphson 6

7 Pengujan Parameter Regres Posson Serentak H0 :β1 = β2 = = βn = : Mnmal ada satu H 1 β j 0 0 Parsal H H :β :β 0 j = 1 j 0 0 G 2 = 2(lll Ω lll ω ) Statstk Uj: z = ˆ β j se( ˆ β ) j 2 G h 2 > X (α,n) Tolak H jka 0 z htung > z (n p 1; α ) 2 7 7

8 GWPR merupakan bentuk lokal dar regres posson dengan asums bahwa data berdstrbus posson, yang membedakan metode n memperhatkan pembobot letak lntang dan bujur dar ttk pengamatan yang damat. y GWPR ~ posson(μ ) k μ = exp β (u,v )x j j= 0 j Ttk pengamatan dengan koordnat lntang u dan koordnat bujur v 8 8

9 Penaksran Parameter GWPR dengan Metode MLE ln L(β(u,v y n exp( µ ) µ n exp( µ ) µ )) = ln = ln = 1 y! = 1 y! Selanjutnya dgunakan prosedur teras numerc Newton Rhapson Iteratvely Reweghted Least Square (IRLS) sampa konvergen γ γ ( m + 1) ( m) Pengujan Kesesuaan Model GWPR H 0 : ( β j(u, v )) = β j ; = 1,2,n; j = 0,1,2,k H : ( β (u v )) β 1 j, j Statstk Uj: ε, dmana ε merupakan blangan yang sangat kecl. F = Devans = D (ˆ) β = 2(ln L( Ωˆ ) ln L( ωˆ )) ht Devans Model A df Devans Model B df A B Tolak H0 jka F ht y > F ( α,df A,df B ) 9 9

10 Pengujan Parameter GWPR Serentak H : β (u v ) = β (u v ) = β (u v ) = = β 0 1 1, 1 2 2, 2 3 3, 3 p(u p, vp) = 0 H 1 : Mnmal ada satu β j u,v ) 0 D(ˆ) β > χ 2 Tolak H jka 0 ( j j Statstk Uj: D(ˆ) β = 2(ln L( Ωˆ ) ln L( ωˆ )) y n exp( µ ˆ ) µ ˆ ( ( )) L( ωˆ ) = ; µ ˆ = exp βˆ u, v 0 = 1 y! L( Ωˆ ) = n = 1 exp( µ ) µ y! y ; µ ˆ = exp p j= 0 βˆ ( α;p) j ( u,v ) x j 10

11 Pengujan Parameter GWPR Parsal H : β (u,v ) = 0 j H1 : β j(u,v) 0 0 Bandwth dan Pembobot Optmum Metode yang dgunakan untuk memlh bandwdth optmum adalah Cross Valdaton (CV): CV ( s) = n ( y yˆ ( s) ) = 1 2 Statstk Uj: z = ˆ β j ( u, v ) se( ˆ β ( u, v )) Tolak H0 jka z htung > z ( n k 1; α ) Bobot yang dgunakan untuk masng-masng lokas pengamatan adalah fungs fxed gaussan kernel. w j ( u, v d ) = exp g j j

12 Penentuan Krtera Model Terbak Pemlhan model terbak adalah dengan menggunakan metode AIC (Akake s Informaton Crteron) Dengan : AIC = D(G) + 2K(G) D(G) = n ( y log ŷ ( β(u,v ),G) / y + (y ŷ (u,v ),G ) ) D(G) adalah devans model dengan bandwdth (G), K(G) adalah jumlah parameter dalam model bandwdth (G). Model terbak yang dplh adalah model dengan nla AIC palng kecl

13 Metodolog Peneltan Data yang dgunakan dalam peneltan n adalah data sekunder berasal dar Dnas Kesehatan Provns Jawa Tmur (Jatm) tahun Unt peneltan terdr dar 29 Kabupaten dan 9 Kota d Propns Jatm. X 1 X 2 X 3 X 4 X 5 Jumlah kematan Ibu Haml pada Kabupaten / Kota d Jawa Tmur (Y) Presentase Ibu haml melaksanakan program K1 (akses pelayanan bu haml) Persentase persalnan dbantu oleh tenaga non kesehatan tap Kabupaten / Kota Persentase bu haml yang mendapatkan tablet Fe1 Persentase bu haml bersko tngg/komplkas yang dtangan Persentase rumah tangga berperlaku hdup bersh sehat X 6 X 7 X 8 X 9 Persentase bdan d setap Kabupaten / Kota d Jawa Tmur Persentase sarana kesehatan Persentase penduduk mskn Persentase pelayanan kesehatan bu nfas 13

14 Metode Analss Data 1. Mendeskrpskan kabupaten d Jawa Tmur dengan menggunakan peta tematk. 2. Identfkas pola hubungan antar varabel 3. Pengujan adanya multkolnertas antar varabel predktor 4. Menganalss model regres posson a. Penaksran parameter dengan metode MLE b. Menguj sgnfkans parameter model c. Menghtung nla AIC 5. Menganalss model GWPR a. Menghtung jarak eucldan antar lokas pengamatan berdasarkan poss geografs. b. Mengurutkan jarak euclden dar seluruh lokas terhadap suatu lokas, sehngga dperoleh urutan tetangga terdekat dar lokas. c. Menentukan bandwdth optmum berdasarkan krtera CV mnmum. d. Menghtung matrks pembobot dengan menggunakan fungs pembobot kernel. e. Menaksr parameter model. f. Pengujan kesesuaan model. g. Membandngkan hasl analss dengan menggunakan GWPR dan Regres Posson berdasarkan nla AIC. 6. Mendapatkan model terbak untuk pemodelan kematan bu haml dengan krtera AIC mnmum. 14

15 Peta Tematk -> Deskrptf (a) Jumlah Kematan Ibu (b) Presentase K1 Catatan: (a) Varabel Y (b) Varabel X1 (c) Varabel X2 (d) Varabel X3 (c) Presentase persalnan non-nakes (d) Presentase Fe1 15

16 Peta Tematk -> Deskrptf (e) Presentase bu haml bersko (f) Presentase PHBS Catatan: (e) Varabel X4 (f) Varabel X5 (g) Varabel X6 (h) Varabel X7 (g) Presentase bdan (h) Presentase sarana kesehatan 16

17 Peta Tematk -> Deskrptf () Presentase penduduk mskn Catatan: () Varabel X8 (j) Varabel X9 (j) Presentase pelayanan kesehatan bu nfas 17

18 Regres Posson Pemerksaan Multkolnertas Varabel X(1) X(2) X(3) X(4) X(5) X(6) X(7) X(8) X(9) VIF 1, ,641 1,089 1,377 1,264 1,222 1,924 2,192 18

19 Regres Posson Pengujan Secara Serentak H β = β β β β β β β 0 : 1 2 = 3 = 4 = 5 = 7 = 8 = 9 = H 1 : palng tdak ada salah satu β j 0 Ddapatkan nla devans D (βˆ ) sebesar 172,86 2 χ (0.05;9) sebesar 16,919 0 Jad keputusannya tolak H 0 artnya bahwa mnmal terdapat salah satu parameter yang berpengaruh secara sgnfkan terhadap model. 19

20 ˆ µ ln Regres Posson Pengujan Secara Parsal H 0 : β j = H : β 1 j 0 0 Model Regres Posson. = exp( 2,741 0,117X 1 + 0,159X 2 + 0,278X5 0,15X 6 0,142X 7 + 0, 17X8) ( ˆ ) = ( 2,741 0,117X + 0,159X + 0,278X 0,15X 0,142X + 0, X ) Varabel Estmas Standart Error Z htung ntercept 2, , ,91286* X(1) -0, , ,47813* X(2) 0, , ,179535* X(3) -0, , ,62996 X(4) -0, , ,04651 X(5) 0, , ,358547* X(6) -0, , ,31695* X(7) -0, , ,30949* X(8) 0, , ,924677* X(9) 0, , , µ

21 Geographcally Weghted Posson Regresson Bandwdth Masng Kabupaten/Kota d Jawa Tmur No Kab/Kota G No Kab/Kota G No Kab/Kota G 1 Kab. Pactan Kab. Tuban Kab. Bltar Kab. Ponorogo Kab. Lamongan Kab. Kedr Kab. Trenggalek Kab. Bangkalan Kab. Mojokerto Kab. Tulungagung Kab. Pamekasan Kab. Banyuwang Kab. Lumajang Kota Kedr Kab. Gresk Kab. Bondowoso Kota Bltar Kab. Jember Kab. Pasuruan Kota Malang Kab. Malang Kab. Jombang Kota Probolnggo Kab. Probolnggo Kab. Nganjuk Kota Pasuruan Kab. Sampang Kab. Madun Kota Mojokerto Kab. Sdoarjo Kab. Magetan Kota Madun Kab. Stubondo Kab. Ngaw Kota Surabaya Kab. Sumenep Kab. Bojonegoro Kota Batu

22 Geographcally Weghted Posson Regresson Jarak Eucld dan Pembobot d Kabupaten Pactan No Kab/Kota Jarak Jarak N Jarak pembobot No Kab/Kota Gaussan Kab/Kota Eucld Eucld o Eucld pembobot 1 Kab. Pactan Kab. Tuban Kab. Bltar Kab. Ponorogo Kab. Lamongan Kab. Kedr Kab. Trenggalek Kab. Bangkalan Kab. Mojokerto Kab. Tulungagung Kab. Pamekasan Kab. Banyuwang Kab. Lumajang Kota Kedr Kab. Gresk Kab. Bondowoso Kota Bltar Kab. Jember Kab. Pasuruan Kota Malang Kab. Malang Kab. Jombang Kota Probolnggo Kab. Probolnggo Kab. Nganjuk Kota Pasuruan Kab. Sampang Kab. Madun Kota Mojokerto Kab. Sdoarjo Kab. Magetan Kota Madun Kab. Stubondo Kab. Ngaw Kota Surabaya Kab. Sumenep Kab. Bojonegoro Kota Batu

23 Geographcally Weghted Posson Regresson Pengujan Kesesuaan Model GWPR H0 H1 : β u v ) = β : β j (, j ( u, v ) β j j j = 0,1,...,13 Model Devans df Devans/df F htung Global 172, ,174 0,82 GWPR 98,354 13,059 7,532 F-htung sebesar 0,82, F 2, 392 ( 0.05;28;13) = dapat dsmpulkan gagal tolak H 0, artnya tdak ada perbedaan antara model posson dengan model GWPR dan juga mengnformaskan bahwa terjad overdspers dmana nla devans dbag df (degree of freedom) lebh dar 1 23

24 Geographcally Weghted Posson Regresson Pengujan Parameter Model GWPR Secara Serentak H : β u v ) = β ( u v ) = β ( u v ) = = β ( u v ) ( 1, 1 2 2, 2 3 3, , 13 = H : palng tdak ada salah satu β ( u, v ) 0 1 j j j Ddapatkan nla devans D (βˆ ) sebesar 98,35 2 χ sebesar 16,919 (0.05;9) keputusannya yatu tolak H 0 artnya bahwa mnmal terdapat salah satu parameter yang berpengaruh secara sgnfkan terhadap model. 24

25 Geographcally Weghted Posson Regresson Secara Parsal d Kabupaten Pactan Varabel Estmas Standart error Z-htung ntercept 2,497 0,104 23,950* X(1) -0,084 0,089-0,947 X(2) -0,102 0,143-0,719 X(3) 0,389 0,098 3,956* X(4) -0,117 0,080-1,449 X(5) 0,212 0,090 2,354* X(6) -0,007 0,101-0,068 X(7) -0,067 0,080-0,835 X(8) -0,129 0,119-1,078 X(9) -0,296 0,133-2,225* model yang dapat dbentuk adalah sebaga berkut ˆ µ ln = exp( 2, ,389X 3 + 0,212X 5 0, 296X 9 ) ( ˆ µ ) = 2, ,389X 3 + 0,212X 5 0, 296X 9 25

26 Geographcally Weghted Posson Regresson Varabel yang sgnfkan d setap Kabupaten/Kota No Kabupaten/Kota Varabel No Kabupaten/Kota Varabel No Kabupaten/Kota Varabel 1 Pactan X(3),X(5),X(9) 13 Kota Pasuruan X(5),X(6),X(7),X(8) 26 Bondowoso X(1),X(3),X(5),X(7),X(8) 2 Ponorogo X(3),X(5),X(9) 14 Sampang X(5),X(6),X(7),X(8) 27 Lamongan X(5),X(6),X(7),X(8),X(9) 3 Trenggalek X(3),X(5),X(9) 15 Kota kedr X(5),X(6),X(8),X(9) 28 Bangkalan X(5),X(6),X(7),X(8),X(9) 4 Tulungagung X(3),X(5),X(9) 16 Kedr X(5),X(6),X(8),X(9) 29 Mojokerto X(5),X(6),X(7),X(8),X(9) 5 Nganjuk X(3),X(5),X(9) 17 Banyuwang X(3),X(4),X(5),X(8) 30 Gresk X(5),X(6),X(7),X(8),X(9) 6 Madun X(3),X(5),X(9) 18 Bltar X(3),X(5),X(6),X(8) 31 Jombang X(5),X(6),X(7),X(8),X(9) 7 Magetan X(3),X(5),X(9) 19 Jember X(1),X(5),X(7),X(8) 32 Malang X(5),X(6),X(7),X(8),X(9) 8 Ngaw X(3),X(5),X(9) 20 Sumenep X(1),X(5),X(7),X(8) 33 Sdoarjo X(5),X(6),X(7),X(8),X(9) 9 Bojonegoro X(3),X(5),X(9) 21 Stubondo X(1),X(3),X(5),X(7),X(8) 34 Kota Mojokerto X(5),X(6),X(7),X(8),X(9) 10 Kota madun X(3),X(5),X(9) 22 Probolnggo X(1),X(5),X(6),X(7),X(8) 35 Kota Surabaya X(5),X(6),X(7),X(8),X(9) 11 Kota bltar X(5),X(6),X(8) 23 Pamekasan X(1),X(5),X(6),X(7),X(8) 36 Kota Batu X(5),X(6),X(7),X(8),X(9) 12 Tuban X(5),X(6),X(9) 24 Kota Probolnggo X(1),X(5),X(6),X(7),X(8) 37 Kota Malang X(5),X(6),X(7),X(8),X(9) 13 Pasuruan X(5),X(6),X(7),X(8) 25 Lumajang X(1),X(5),X(6),X(7),X(8) 26

27 Geographcally Weghted Posson Regresson Secara rngkas terdapat 11 pengelompokan Kabupaten/Kota. Kabupaten/Kota Pactan, Ponorogo, Trenggalek, Tulungagung, Nganjuk, Madun, Magetan, Ngaw, Bojonegoro, Kota Madun Kota Bltar Tuban Pasuruan, Kota Pasuruan, Sampang Kota Kedr, Kedr Varabel sgnfkan 1. Persentase Ibu haml yang mendapatkan tablet Fe1 2.Persentase rumah tangga hdup bersh sehat 3.Persentase pelayanan kesehatan bu nfas 1.Persentase rumah tangga hdup bersh sehat 2.Persentase bdan 3.Persentase penduduk mskn 1. Persentase rumah tangga hdup bersh sehat 2.Persentase bdan 3.Persentase pelayanan kesehatan bu nfas 1.Persentase rumah tangga hdup bersh sehat 2.Persentase bdan 3.Sarana Kesehatan 4.Persentase penduduk mskn 1.Persentase rumah tangga hdup bersh sehat 2.Persentase bdan 3.Persentase penduduk mskn 4.Persentase pelayanan kesehatan bu nfas 27

28 Banyuwang Bltar Jember, Sumenep Stubondo Geographcally Weghted Posson Regresson Secara rngkas Pengelompokan Kabupaten/Kota (Lanjutan). Kabupaten/Kota Varabel sgnfkan 1. Persentase Ibu haml yang mendapatkan tablet Fe1 2.Persentase rumah tangga hdup bersh sehat 3.Persentase bu haml bersko tngg atau komplkas yang dtangan 4.Persentase penduduk mskn 1. Persentase Ibu haml yang mendapatkan tablet Fe1 2.Persentase rumah tangga hdup bersh sehat 3.Persentase bdan 4.Persentase penduduk mskn 1.Persentase bu haml melaksanakan program K1 2. Persentase rumah tangga hdup bersh sehat 3. Sarana Kesehatan 4.Persentase penduduk mskn 1.Persentase Ibu haml melaksanakan program K1 2. Persentase Ibu haml yang mendapatkan tablet Fe1 3.Persentase rumah tangga hdup bersh sehat 4.Sarana Kesehatan 5.Persentase penduduk mskn 28

29 Geographcally Weghted Posson Regresson Secara rngkas Pengelompokan Kabupaten/Kota (Lanjutan). Kabupaten/Kota Probolnggo, Pamekasan, Kota Probolnggo, Lumajang, Bondowoso Lamongan, Bangkalan, Mojokerto, Gresk, Jombang, Malang, Sdoarjo, Kota Malang, Kota Surabaya, Kota Batu, Kota Mojokerto Varabel sgnfkan 1.Persentase Ibu haml melaksanakan program K1 2. Persentase rumah tangga hdup bersh sehat 3.Persentase bdan 4.Sarana Kesehatan 5.Persentase penduduk mskn 1. Persentase rumah tangga hdup bersh sehat 2.Persentase bdan 3.Sarana Kesehatan 4.Persentase penduduk mskn 5.Persentase pelayanan kesehatan bu nfas 29

30 Persebaran Varabel yang Sgnfkan 30 30

31 Geographcally Weghted Posson Regresson Perbandngan Model Regres Posson dengan Model GWPR Model AIC Regres Posson 192,86 GWPR 140,81 model GWPR lebh tepat dgunakan dalam analss jumlah kematan bu haml d Jawa Tmur 31

32 Kesmpulan dan Saran 1. Jumlah kematan bu haml terbesar d Jawa Tmur terdapat pada Kabupaten Jember dan Kota Surabaya. Terdapat tga varabel yang telah melaksanakan program pencegahan tngkat kematan bu haml dengan rata-rata 90% yatu persentase bu haml melaksanakan program K1, presentase bu haml mendapatkan Fe1, dan presentase pelayanan kesehatan terhadap bu nfas Untuk presentase bdan, presentase sarana kesehatan, presentase rumah tangga hdup bersh sehat drasakan kurang maksmal pelaksanaan dan persebarannya pada tap daerah, karena rata-rata pelaksanaannya hanya 30% d tap Kabupaten/kota Jawa Tmur Dan untuk varabel presentase persalnan yang tdak dtolong tenaga kesehatan, presentase bu haml beresko tngg d tangan, serta presentase penduduk mskn memlk resko kemungknan terhadap kematan bu haml. Kesmpulan 32

33 Kesmpulan dan Saran 2. Pemodelan GWPR pada data jumlah kematan bu haml d Jawa Tmur terdapat varabel yang sgnfkan d semua daerah d Kabupaten/kota Jawa Tmur, yatu presentase rumah tangga hdup bersh sehat. sebalknya juga terdapat salah satu varabel yang yang tdak sgnfkan d seluruh Kabupaten/kota Jawa Tmur yatu varabel presentase persalnan yang tdak d tolong oleh tenaga kesehatan. Untuk beberapa varabel yang lannya, terdapat 11 pengelompokkan kesamaan sgnfkans varabel predktor d kabupaten/kota yang berdekatan sehngga menunjukkan adanya persamaan perlaku antar lokas yang berdekatan. Kesmpulan 33

34 Kesmpulan dan Saran Pemodelan jumlah kematan bu haml hanya menggunakan varabel-varabel dar faktor nonkesehatan sehngga ddapatkan model regres Posson dan GWPR tdak ada perbedaan yang sgnfkan. Peneltan selanjutnya perlu kajan yang lebh komprehensf atau lebh luas berkatan dengan kematan bu haml bak dar faktor penddkan, sosal, ekonom, budaya dan lngkungan. Terkat dengan permasalahan yang ada bahwa untuk varabel penduga yang dgunakan, terdapat varabel yang sgnfkan secara global d semua wlayah sebaknya dlakukan pengembangan metode yatu GWPRS(Geographcally Weghted Posson Regresson Semparametrc) untuk menggal lebh dalam pada wlayah yang sgnfkan secara global dan lokal. D sampng tu, obyek peneltan yang dgunakan lebh kecl lag sepert kecamatan atau persebaran puskesmas d Kabupaten/kota, sehngga nantnya akan ddapatkan hasl analss yang lebh tepat lag. Saran 34

35 Terma Kash :)

36 Kernel AIC Fx Gaussan Fx B-square