PENAKSIRAN PARAMETER DAN PENGUJIAN HIPOTESIS MIXED GEOGRAPHICALLY WEIGHTED BIVARIATE GENERALIZED POISSON REGRESSION

ESIS SS450 PENAKSIRAN PARAMEER DAN PENGUJIAN HIPOESIS MIXED GEOGRAPHICALLY WEIGHED BIVARIAE GENERALIZED POISSON REGRESSION (Stud Kasus: Jumlah Kemata Ibu da Bay d Provs Jaa mur ahu 05) ANNISA AYU UAMI NRP. 35007 DOSEN PEMBIMBING Dr. Purhad, M.Sc Dr. Bambag Wdjaarko Otok, M.S PROGRAM MAGISER DEPAREMEN SAISIKA FAKULAS MAEMAIKA DAN ILMU PENGEAHUAN ALAM INSIU EKNOLOGI SEPULUH NOPEMBER SURABAYA 07

ESIS SS450 PARAMEER ESIMAION AND HYPOHESES ESING OF GEOGRAPHICALLY WEIGHED BIVARIAE GENERALIZED POISSON REGRESSION (Case Study: Number of Materal ad Ifat Mortalty East java 05) ANNISA AYU UAMI NRP. 35007 SUPERVISOR Dr. Purhad, M.Sc Dr. Bambag Wdjaarko Otok, M.S MAGISER PROGRAM SAISICS DEPAREMEN FACULY OF MAHEMAICS AND NAURAL SCIENCES SEPULUH NOPEMBER INSIUE OF ECHNOLOGY SURABAYA 07

Scaed by CamScaer

PENAKSIRAN PARAMEER DAN PENGUJIAN HIPOESIS MIXED GEOGRAPHICALLY WEIGHED BIVARIAE GENERALIZED POISSON REGRESSION (Stud Kasus : Jumlah Kemata Ibu da Bay d Provs Jaa mur ahu 05) Nama Mahassa : Asa Ayu Utam NRP : 35007 Dose Pembmbg : Dr. Purhad, M.Sc Dr. Bambag Wdjaarko Otok, M.S ABSRAK Regres posso adalah aalss regres oler yag varabel respoya berdstrbus posso. Pemodela regres posso dega satu varabel respo dsebut regres uvarat posso sedagka apabla terdapat dua varabel respo yag salg berkorelas dsebut regres bvarat posso. Regres posso memlk syarat asums yatu atara mea da varas harus sama atau dsebut dega ekudpers. Apabla asums tdak terpeuh atau pelaggara asums sepert la mea lebh besar dar varas maka dsebut overdspers. Salah satu metode statstk yag dguaka utuk megatas pelaggara asums tersebut adalah dega megguaka bvarate geeralzed posso regresso (BGPR). Aalss bvarate geeralzed posso regresso (BGPR) aka meghaslka satu model yag dsebut dega model global. Selajutya, pegembaga dar model regres geeralzed posso yag memperhatka aspek spasal dsebut dega Geographcally Weghted Bvarate Geeralzed Posso Regresso (GWBGPR). Pada keyataaya, dalam regres beberapa varabel predktor berpegaruh secara global, sedagka yag laya mempertahaka pegaruh lokalya. Oleh karea tu, selajutya model GWBGPR dkembagka mejad model Mxed Geographcally Weghted Bvarate Geeralzed Posso (MGWBGPR). Kemata bay da kemata bu merupaka dua hal yag salg terkat karea selama dalam kaduga bu, ja sagat bergatug pada gz yag dkosums oleh buya. Aalss yag dguaka utuk memodelka jumlah kemata bay da jumlah kemata bu serta faktor-faktor yag mempegaruhya d setap kabupate/kota d Jaa mur adalah MGWBGPR. Peaksra parameter model MGWBGPR megguaka MLE da peguja hpotess meguaka MLR. Peerapa model Mxed Geographcally Weghted Bvarate Geeralzed Posso Regresso yag terbetuk varabel predktor yag berpegaruh secara sgfka terhadap jumlah kemata bu d Jaa mur tahu 05 adalah varabel komplkas kebdaa yag dtaga, fasltas kesehata da kepadata peduduk. Sedagka model Mxed Geographcally Weghted Bvarate Geeralzed Posso Regresso yag terbetuk varabel predktor yag berpegaruh secara sgfka terhadap jumlah kemata bay d Jaa mur tahu 05 adalah varabel teaga kesehata, persetase bu haml medapat tablet Fe 3, komplkas kebdaa yag dtaga, fasltas kesehata, kepadata peduduk da persetase rumah tagga ber-phbs. Kata Kuc: Jumlah Kemata Bay, Kemata Ibu, Overdspers, Bvarate Geeralzed Posso, Mxed Geographcally Weghted Bvarate Geeralzed Posso Regresso v

(Halama segaja dkosogka) v

PARAMEER ESIMAION AND HYPOHESIS ESING ON MIXED GEOGRAPHICALLY WEIGHED BIVARIAE GENERALIZED POISSON REGRESSION (Case Study : he Number of Materal ad Ifat Death East Java05) Name : Asa Ayu Utam Studet ID. Number : 35007 Supervsor : Dr. Purhad, M.Sc Dr. Bambag Wdjaarko Otok, M.S ABSRAC Posso regresso s a olear regresso aalyss th respose varable s posso dstrbuted. Posso regresso modelg th oe respose varable s called uvarate posso regresso hereas f there are to correlated respose varables called posso bvarate regresso. Posso regresso has a assumpto codto betee mea ad varace must be equal or called equdperso. If ths assumpto s volato of assumptos such as mea greater tha varace the called overdsperso. Oe of the statstcal methods used to overcome these assumpto volatos s by usg bvarate geeralzed posso regresso (BGPR). he bvarate geeralzed posso regresso (BGPR) aalyss ll produce a model called the global model. Furthermore, geeralzed posso regresso model th spatal aspect s called Geographcally Weghted Bvarate Geeralzed Posso Regresso (GWBGPR). I fact, regresso have some predctor varables are globally sgfcat, hle others reta ther local fluece. herefore, GWBGPR model as developed to a Mxed Geographcally Weghted Bvarate Geeralzed Posso (MGWBGPR) model. Ifat mortalty ad materal mortalty are to thgs that are related because durg the mother's pregacy, the fetus s very depedet o the utrets cosumed by the mother. he aalyss used to model the umber of fat deaths ad the umber of materal deaths ad the factors that affect them each dstrct or cty East Java s MGWBGPR. Estmato of MGWBGPR model parameters usg MLE ad hypothess testg usg MLR. he applcato of the Mxed Geographcally Weghted Bvarate Geeralzed Posso Regresso model hch s the predctor varable that sgfcatly affects the umber of materal deaths East Java 05 s the varable of obstetrc complcatos hadled, health facltes ad populato desty. Whle the Mxed Geographcally Weghted Bvarate Geeralzed Posso Regresso model that predctors sgfcatly fluece the umber of fat deaths East Java 05 s the varable of health orker, the percetage of pregat ome receved Fe 3 tablets, obstetrc complcatos hadled, health facltes, populato desty ad percetage Households th PHBS. Keyords: Number of Ifat Death, Materal Death, Overdsperso, Bvarate Geeralzed Posso, Mxed Geographcally Weghted Bvarate Geeralzed Posso Regresso v

(Halama segaja dkosogka) v

KAA PENGANAR Segala puj da syukur kehadrat Allah SW atas berkat rahmat da rdho-nya sehgga peuls dapat meyelesaka hess dega judul Peaksra Parameter da Peguja Hpotess Mxed Geographcally Weghted Bvarate Geeralzed Posso Regresso (Stud Kasus: Jumlah Kemata Ibu da Bay d Provs Jaa mur ahu 05. Peuls meyadar baha skrps tdak terlepas dar batua berbaga phak, utuk tu peuls meyampaka terma kash kepada:. Isttut ekolog Sepuluh Nopember da Departeme Statstka yag telah memberka kesempata bag peuls utuk memba bayak lmu yag kelak aka bergua d masa yag aka datag.. Dr. rer. pol. Her Kusato, M.S selaku Kaprod Pascasarjaa Statstka da Dr. rer. pol. Ded D P, M.S selaku sekretars Prod Pascasarjaa Statstka yag terus memompa semagat mahassa agar segera lulus. 3. Dr. Kartka Fthrasar, M.S selaku Dose Wal yag dega kharsma kebuaya selalu member ashat kepada kam. 4. Dr. Purhad, M.Sc da Dr. Bambag Wdjaarko Otok, M.S selaku Dose Pembmbg yag tak perah lelah membmbg kam bak pag, sag maupu sore har. 5. Dr. Sutko, M.S da Dr. R. Moh. Atok, M.S selaku Dose Peguj yag telah memberka bayak lmu, sara gua tulsa mejad lebh bak. 6. Bapak Abu Hasa da Umk Edag Sr Rahayu, serta Aba H. Sholeh da Ibu Hj.Namah termakash atas doa yag selama selalu dpajatka utuk kam da dukuga yag tak terla, termakash bayak. 7. Mas suam sayag Zau Ahmad Zuhr, yag telah sabar da mau bersusah payah membersama str yag sedag kulah. x

8. Adk-adk tersayag Hasa, Almas, Aufa serta Rheza da As yag selalu meber ara dalam hdup. 9. ema tema Statstka 06 da keluarga tarbyah, termakash atas ukhuah yag dah. Peuls berharap agar hess dapat memberka mafaat bag masyarakat pada umumya da khususya bag peuls. Aam. Surabaya, Jul 07 Asa Ayu Utam x

DAFAR ISI ABSRAK... v ABSRAC... v KAA PENGANAR... x DAFAR ISI... x DAFAR ABEL... xv DAFAR GAMBAR... xv DAFAR LAMPIRAN... xx BAB PENDAHULUAN.... Latar Belakag.... Rumusa Masalah... 6.3 ujua Peelta... 6.4 Mafaat Peelta... 7.5 Batasa Masalah... 7 BAB INJAUAN PUSAKA... 9. Dstrbus Posso... 9.. Dstrbus Uvarat Posso... 9.. Dstrbus Bvarat Posso... 0. Regres Bvaraat Posso..... Model Regres Bvarat Posso..... Peaksr Parameter Model Regres Bvarat Posso.....3 Peguja Parameter Model Regres Bvarat Posso...3 Dstrbus Geeralzed Posso... 4.4 Dstrbus Bvarate Geeralzed Posso... 5.5 Peguja Dstrbus Bvarat Posso... 5.6 Bvarate Geeralzed Posso Regresso... 6.6. Peaksr Parameter Bvarate Geeralzed Posso... 6.6. Peguja Parameter Bvarate Geeralzed Posso... 8.7 Geographcally Weghted Bvarate Geeralzed Posso x

Regresso (GWBGPR)... 9.7. Peaksra Parameter Model GWBGPR... 9.7. Peguja Parameter Model GWBGPR....8 Model Regres MGWBGPR... 5.9 Pemlha Model erbak... 6.0 Koefse Korelas... 6. Multkolertas... 7. Efek Spasal... 8.. Spatal Heterogety... 8.. Matrks Pembobot Spasal... 9.3 Algortma Nelder Mead... 3.4 Jumlah Kemata Ibu da Bay... 3.3. Kemata Bay... 33.3. Kemata Ibu... 34.3.3 Faktor-Fatktor yag Dduga Mempegaruh Kemata Ibu da Bay... 34 BAB 3 MEODOLOGI PENELIIAN... 39 3. Sumber Data... 39 3. Varabel Peelta... 39 3.3 Kaja eorts... 4 BAB 4 HASIL DAN PEMBAHASAN... 47 4. Peaksra Parameter Model Mxed Geographcally Weghted Bvarate Geeralzed Posso Regresso... 47 4. Peguja Hpotess Secara Seretak Parameter Model Mxed Geographcally Weghted Bvarate Geeralzed Posso Regresso... 70 4.3 Pemodela Jumlah Kemata Ibu da Bay d Jaa mur ahu 05... 85 x

4.3. Deskrps Jumlah Kemata Ibu da Bay d Jaa mur ahu 05... 85 4.3. Pemerksaa Korelas Varabel Respo... 88 4.3.3 Peguja Dstrbus Bvarat Posso... 89 4.3.4 Pemerksaa Multkolertas... 89 4.3.5 Pemodela Jumlah Kemata Ibu da Bay d Jaa mur ahu 05 dega Bvarate Geeralzed Posso Regresso... 9 4.3.6 Peguja Heterogetas Spasal pada Jumlah Kemata Ibu da Bay d Jaa mur ahu 05... 9 4.3.7 Pemodela Jumlah Kemata Ibu da Bay d Jaa mur ahu 05 dega Geographcally Weghted Bvarate Geeralzed Posso Regresso... 93 4.3.8 Pemodela Jumlah Kemata Ibu da Bay d Jaa mur ahu 05 dega Mxed Geographcally Weghted Bvarate Geeralzed Posso Regresso... 97 BAB 5 KESIMPULAN DAN SARAN... 03 5. Kesmpula... 03 5. Sara`... 04 DAFAR PUSAKA... 05 LAMPIRAN... 07 x

(Halama segaja dkosogka) xv

DAFAR ABEL abel 3. Varabel Peelta... 40 abel 3. Struktur Data Peelta... 4 abel 4. Statstka Deskrptf Varabel Respo... 86 abel 4. Statstka Deskrptf Varabel Predktor... 87 abel 4.3 Koefse Korelas Atar Varabel Respo... 90 abel 4.4 Hasl Pemerksaa Multkolertas... 90 abel 4.5 Hasl Peaksra Parameter Bvarate Geeralzed Posso Regresso... 9 abel 4.6 Pegelompoka Kabupate/Kota d Jaa mur Pada Kasus Jumlah Kemata Ibu dega GWBGPR... 95 abel 4.7 Pegelompoka Kabupate/Kota d Jaa mur Pada Kasus Jumlah Kemata Bay dega GWBGPR... 96 abel 4.8 Hasl Peaksra Model Geographcally Weghted Bvarate Geeralzed Posso Regresso Kabupate Pacta... 97 abel 4.9 Pegelompoka Kabupate/Kota d Jaa mur pada Kasus Jumlah Kemata Ibu dega MGWBGPR... 99 abel 4.0 Pegelompoka Kabupate/Kota d Jaa mur pada Kasus Jumlah Kemata Bay dega MGWBGPR... 00 abel 4. Hasl Peaksra Model Mxed Geographcally Weghted Bvarate Geeralzed Posso Regresso... 0 xv

DAFAR GAMBAR Gambar. Model Koseptual Hubuga Kemata Bay da Kemata Ibu dega Faktor-faktor yag Mempegaruh... 35 Gambar 3. Wlayah Admstras Jaa mur... 39 Gambar 4. Peta Persebara Kemata Ibu d Jaa mur... 86 Gambar 4. Peta Persebara Kemata Bay d Jaa mur... 87 xv

DAFAR LAMPIRAN Lampra. Peurua Fugs Lkelhood MGWBGPR (dbaah populas)... 07 Lampra. Data Jumlah Kemata Ibu da Bay d Provs Jaa mur ahu 05... 5 Lampra 3. Statstka Deskrptf... 7 Lampra 4. Uj Korelas atar Varabel Respo... 8 Lampra 5. Peguja VIF... 9 Lampra 6. Sytax R utuk Peguja Parameter BGPR... 33 Lampra 7. Output BGPR... 36 Lampra 8. Sytax R utuk Peguja Heterogetas Spasal... 37 Lampra 9. Sytax R utuk Perhtuga Matrks Pembobot... 39 Lampra 0. Jarak Euclda... 40 Lampra. Matrks Pembobot... 4 Lampra. Sytax R utuk Perhtuga GWBGPR... 4 Lampra 3. Output GWBGPR... 45 xx

(Halama segaja dkosogka) xx

BAB PENDAHULUAN. Latar Belakag Aalss regres merupaka metode statstka yag palg serg dguaka dalam bdag lmu pegetahua. Aalss bertujua utuk memodelka hubuga atara dua varabel, yag terdr dar varabel respo da varabel predktor. Pada umumya aalss regres dguaka pada varabel respo yag bersfat kotu, amu juga serg djumpa pada varabel respo yag bersfat dskrt. Varabel yag bersfat dskrt tersebut berupa data cout. Data cout adalah data yag berla o-egatf da meyataka bayakya kejada dalam terval, aktu, ruag atau volume tertetu. Regres posso merupaka metode yag serg dguaka utuk megaalss data cout (Agrest, 007). Suatu persta aka megkut dstrbus posso jka persta tu jarag sekal terjad dalam suatu ruag sampel yag besar (Camero da rved, 03). Model regres posso memlk asums yag spesfk, yatu varas dar varabel respo sama dega mea, keadaa sepert dkeal dega stlah ekudspers. Pada keyataaya, ekudspers pada data sagat jarag terjad, karea pada umumya serg dtemu data dskrt dega varas lebh besar dbadgka dega mea atau dsebut dega stlah overdspers (Hlbe, 0). Jka la varas lebh kecl dar la mea dsebut uderdspers (McCullagh da Nelder, 989). Pelaggara dar asums aka meyebabka parameter yag dhaslka dar regres posso mejad kurag akurat. Beberapa metode regres yag dapat dguaka utuk megatas permasalah overdspers atau uderdspers adalah bomal egatf, posso vers Gaussa, zero-flated posso regresso (ZIP) da geeralzed posso. Metode Geeralzed Posso Regresso lebh efse dbadgka dega regres bomal egatf (Famoye, dkk., 004), sedagka zero-flated posso regresso (ZIP) dguaka apabla data yag aka dguaka dalam peelta megadug bayak ol data. Peelta yag la juga dlakuka oleh Ftraa Fadhllah (0) meyataka

baha berdasarka uj kebaka model, model Geeralzed Posso Regresso lebh bak dbadgka regres posso da regres bomal egatf. Geeralzed Posso Regresso dega dua varabel respo dsebut Bvarate Geeralzed Posso Regresso. Bvarate Geeralzed Posso Regresso adalah pegembaga dar regres bvarate posso pada data yag megalam kasus overdspers. Meurut Zama, Farough da Ismal (03) Bvarate Geeralzed Posso Regresso dapat dguaka bak pada data cout bvarate yag memlk korelas postf maupu egatf pada data cout bvarate yag megalam kasus uderdspers da overdspers. Peaksra parameter Bvarate Geeralzed Posso Regresso dlakuka dega megguaka metode Maxmum Lkelhood Estmato (MLE) da peguja hpotess megguaka Maxmum Lkelhood Rato est (MLR). Pemodela Bvarate Geeralzed Posso Regresso meghaslka model regres yag bersfat global utuk seluruh lokas pegamata yag daalss. Iterpretas dar model yag bersfat global megaggap baha setap lokas memlk karakterstk yag sama padahal dalam beberapa kasus tertetu setap lokas memlk karakterstk yag berbeda-beda. Perbedaa karakterstk dpegaruh oleh beberapa faktor sepert keadaa alam atau geografs, kebudayaa da la-la. Karakterstk pada masg-masg layah sagat mugk mempegaruh jumlah kejada pada layah tersebut sepert halya kejada yag berdstrbus posso. Setap layah memlk sekumpula data yag berbeda-beda atara layah yag satu dega layah yag laya sehgga utuk megatas keragama tersebut dapat dguaka aalss data spasal. Aalss terhadap data spasal memerluka perhata yag lebh dbadgka dega data ospasal, khususya ketka dguaka dalam aalss regres. Regres spasal merupaka hasl pegembaga dar metode regres ler klask. Pegembaga tu berdasarka adaya pegaruh tempat atau spasal pada data yag daalss (Asel, 988). Pemodela regres spasal yag dlakuka terhadap dua varabel respo yag berupa data cout da memlk korelas serta bergatug pada karakterstk lokas yag damat dapat megguaka Geographcally Weghted Bvarate Posso Regresso (GWBPR).

Pemodela regres spasal yag dlakuka terhadap dua varabel respo berupa data cout yag berkorelas da megalam kasus overdspers serta bergatug pada karakterstk lokas yag damat megguaka Geographcally Weghted Bvarate Geeralzed Posso Regresso (GWBGPR). GWBGPR merupaka pegembaga dar Bvarate Geeralzed Posso Regresso yag memperhatka pembobot berupa letak ltag da letak bujur dar ttk-ttk pegamata yag damat. Pada keyataaya sergkal tdak semua varabel dalam model GWBGPR berpegaruh secara lokal, amu terkadag dketahu beberapa varabel predktor berpegaruh secara global, sedagka yag laya dapat mempertahaka pegaruh lokal atau spasalya. Oleh karea tu, selajutya model GWBGPR dkembagka mejad model Mxed Geographcally Weghted Bvarate Geeralzed Posso Regresso (MGWBGPR). Model MGWBGPR adalah gabuga dar model regres Bvarate Geeralzed Posso global dega model GWBGPR, sehgga pada model MGWBGPR aka dhaslka peaksr parameter yag sebaga bersfat global da sebaga laya bersfat lokal sesua dega pegamata data. Pemodela MGWBGPR daplkaska pada data kasus jumlah kemata bay da kemata bu d Jaa mur tahu 03. Kemata bay ddefska sebaga kemata yag terjad atara bay lahr sampa bay belum berusa tepat satu tahu. Kemata bay atau Ifat Mortalty Rate (IMR) adalah bayakya bay yag meggal sebelum mecapa usa satu tahu. Kemata bu merupaka salah satu dkator dampak kegata Kesehata Ibu da Aak (KIA), dsampg kemata bay. Kemata bu da kemata bay merupaka dkator keberhasla pembagua daerah da juga dguaka sebaga pertmbaga dalam meetuka Ideks Pembagua Mausa (Dkes, 05). Kemata bu dgambarka dega stlah Agka Kemata Ibu (AKI). AKI d Jaa mur cederug meuru tga tahu terakhr. Meurut MDG s tahu 05, target utuk AKI sebesar 0 per 00.000 kelahra hdup. Pada tahu 05 AKI d Jaa mur mecapa 89.6 per 00.000 kelahra hdup. Agka megalam peurua dbadgka tahu 04 yag mecapa 93.5 per 00.000 kelahra hdup. Sedagka gambara AKI per kabupate/kota d Jaa 3

mur pada tahu 05 meujukka AKI yag beragam da beberapa kabupate/kota mash belum mecapa target MDG s tahu 05. AKI tertgg pada tahu 05 terdapat d kabupate Bodooso yatu sebesar 88 per 00.000 kelahra hdup (Dkes, 05). Kemata bay dgambarka dega stlah Agka Kemata Bay (AKB). Meurut UNICEF (0) target MDG s utuk AKB pada tahu 05 adalah 7 kemata per.000 kelahra hdup. Namu data dar Dkes (05) meujukka baha AKB d Jaa mur mula tahu 005 sampa tahu 05 ada kecederuga staga d agka 30 per.000 kelahra hdup, pada tahu 0 pada poss 8.3, tahu 03 AKB pada poss 7.3, sedagka tahu 04 AKB 6.66 da pada tahu 05 5.3 sampa dega tahu 05 da mash belum mecapa target MDG s. Berdasarka data tersebut datas perlu dlakuka berbaga upaya utuk terus meuruka jumlah kemata bu da kemata bay d Jaa mur. Salah satu yag dapat dlakuka utuk meuruka jumlah kemata bu da kemata bay adalah dega megetahu faktor-faktor yag berpegaruh sgfka terhadap jumlah kemata bu da kemata bay bak dar seg kesehata, sosal, budaya, maupu ekoom sehgga upaya-upaya yag dlakuka lebh efektf da tepat sasara. Peelta berkata dega kemata bu da kemata bay d Idoesa sudah bayak dlakuka, amu yag megkaj kemata bu da kemata bay serta faktor-faktor yag mempegaruh dega tjaua aspek spasal mash terbatas. Aspek spasal petg utuk dkaj, karea atara satu layah dega layah la mempuya perbedaa karakterstk. Semetara tu keuka karakterstk suatu layah sergkal kurag teramat feomeaya. Iformas tetag karakterstk lokas bsa dtagkap dega megguaka aalss data spasal. Selama kurag lebh satu abad, para pakar geograf, pakar ekoom, perecaa kota, para ahl strateg bss, lmua regoal da lmua laya telah mecoba memberka pejelasa tetag megapa da dmaa suatu aktvtas berlokas. Hal medorog semak marakya peelta tetag efek lokas atau spasal sebaga tempat berlagsugya berbaga aktvtas, bak aktvtas ekoom maupu aktvtas sosal laya (Mochamad Setyo Pramoo, 4

dkk., 0). Berdasarka peelta oleh Mochamad Setya Pramoo, dkk (0) meympulka baha terjad spasal depedes atar kabupate/kota terhadap kemata bay. Artya ada hubuga besara kemata bay dega faktor kelayaha. Wlayah Madura da daerah Padaluga (tapal kuda) memlk la kemata bay yag cukup tgg. Jka dkatka dega polaya ada dugaa faktor trads da budaya berpera pada besara jumlah kemata bay. Peelta yag megembagka kasus yatu Sarmaar Djaja da Affah (0) terkat pecapaa tataga status kesehata materal d Idoesa meympulka baha pemerksaa kehamla (ANC), pertologa persala oleh teaga kesehata, proses kelahra d fasltas kesehata serta komplkas persala yag merupaka komplkas yag membutuhka peagaa yag cepat da dlakuka oleh teaga ahl sagat medukug utuk megkatka program kesehata bu. Sela tu dalam rgkasa kaja UNICEF (0) meyataka baha kemata bay perkotaa telah megalam pegkata pada masa eoatal. re tampakya terkat dega urbasas yag cepat, sehgga meyebabka kepadata peduduk yag berlebha, kods satas yag buruk pada peduduk msk perkotaa, yag dperburuk oleh perubaha dalam masyarakat yag telah meyebabka hlagya jarg pegama sosal tradsoal. Sela tu kualtas pelaya yag kurag optmal d daerah-daerah msk perkotaa juga merupaka faktor peyebab. Kemata bu da kemata bay merupaka dua hal yag salg berkorelas. Hal terjad karea selama masa kaduga gz yag dperoleh ja dsalurka dar tubuh bu melalu plaseta sehgga kods bu selama masa kehamla aka berpegaruh pada ja da bay yag aka dlahrkaya kelak. Pera bu juga sagat berpegaruh dalam meraat bay mula saat dlahrka hgga berumur satu tahu. Data megea jumlah kemata bu da kemata bay d Jaa mur pada tahu 05 dduga megalam uder atau overdspers. Pada peelta aka megkaj tetag peaksra parameter da statstk uj Mxed Geographcally Weghted Bvarate Geeralzed Posso Regresso pada kasus jumlah kemata bu da kemata bay d Jaa mur pada tahu 05. Hasl kaja dharapka dapat meetuka faktor-faktor yag berpegaruh sgfka terhadap jumlah kemata bu da kemata bay d provs Jaa mur. 5

. Rumusa Masalah Mxed Geographcally Wehted Bvarate Geeralzed Posso Regresso merupaka pegembaga dar regres bvarate posso pada data yag megalam kasus overdspers. Pemodela aka meghaslka taksra parameter yag bersfat global da lokal utuk seluruh lokas pegamata. Adaya pegaruh lokas yag merupaka faktor petg terhadap pemodela apabla dlakuka d setap lokas yag berbeda-beda, karea dalam pemodela mempertmbagka efek spasal dmaa data tersebut dambl. Jumlah kemata bu da kemata bay merupaka dua hal yag salg terkat erat karea selama dalam kaduga bu, ja bergatug pada gz yag dkosums oleh buya. Berdasarka uraa datas, maka rumusa masalah dalam peelta adalah. Bagamaa betuk peaksr parameter model Mxed Geographcally Wegted Bvarate Geeralzed Posso Regresso. Bagamaa betuk statstk uj model Mxed Geographcally Wegted Bvarate Geeralzed Posso Regresso 3. Faktor-faktor yag berpegaruh terhadap jumlah kemata bu da kemata bay d Provs Jaa mur ahu 05 megguaka model Mxed Geographcally Wegted Bvarate Geeralzed Posso Regresso.3 ujua Peelta Berdasarka rumusa masalah d atas, maka tujua yag g dcapa dalam peelta adalah. Medapatka peaksr model Mxed Geographcally Weghted Bvarate Geeralzed Posso Regresso. Medapatka betuk statstk uj model Mxed Geographcally Wegted Bvarate Geeralzed Posso Regresso 3. Meetuka faktor-faktor yag berpegaruh terhadap jumlah kemta bu da kemata bay d Provs Jaa mur ahu 05 megguaka model Mxed Geographcally Weghted Bvarate Geeralzed Posso Regresso. 6

.4 Mafaat Peelta Mafaat yag dharapka dar peelta adalah sebaga pegembaga metode statstk khususya peaksra parameter da statstk uj model MGWBGPR yag aka daplkaska pada bdag kesehata yatu tetag jumlah kemata bu da kemata bay d Jaa mur tahu 05. Bag masyarakat, megetahu faktor-faktor yag berhubuga dega jumlah kemata bu da kemata bay yag berpotes dalam megkatka jumlah kemata bu da kemata bay sehgga dapat mejad betuk pergata d agar lebh aspada da berhat-hat terhadap terjadya kasus tersebut..5 Batasa Masalah Batasa masalah dalam peelta adalah. Ruag lgkup peelta dbatas pada jumlah kemata bu da kemata bay d Provs Jaa mur ahu 05 yag merupaka Data Profl Das Kesehata Provs Jaa mur ahu 05.. Peaksra parameter Mxed Geographcally Weghted Bvarate Geeralzed Posso Regresso dlakuka dega metode Maxmum Lkelhood Estmato (MLE) da peetua statstk uj megguaka Maxmum Lkelhood Raso est (MLR). 7

(Halama segaja dkosogka) 8

BAB II INJAUAN PUSAKA. Dstrbus Posso Dstrbus Posso merupaka suatu dstrbus utuk persta yag probabltas kejadaya kecl, dmaa kejada tergatug pada terval aktu tertetu atau d suatu daerah tertetu dega hasl pegamata berupa varabel dskrt da atar varabel predktor salg depede. Iterval aktu tersebut dapat berupa berapa saja pajagya, msalya semet, sehar, semggu, sebula atau bahka setahu. Daerah tertetu yag dmaksudka dapat berupa suatu gars, luasa, volume, atau mugk baha (Walpole, 98). Dstrbus posso memberka suatu model yag realsts utuk berbaga macam feomea radom selama la dar varabel radom posso adalah blaga bulat yag tdak egatf. Bayak feomea radom utuk suatu cout dar beberapa respo (varabel yag dtelt) merupaka suatu calo utuk pemodela yag megasumska dstrbus posso. Msalka suatu cout berupa jumlah pegujug museum tap mggu, bayakya pegujug perpustakaa tap mggu, bayakya orag yag mejad pegusaha da la la. Beberapa karakterstk dar percobaa yag megkut dstrbus posso atara la :. Kejada yag terjad pada populas yag besar dega probabltas yag kecl.. Kejada bergatug pada terval aktu tertetu. 3. Kejada yag termasuk ke dalam coutg process. 4. Perulaga dar kejada yag megkut sebara dstrbus bomal... Dstrbus Uvarat Posso Meurut Camero da rved (03) varabel radom dskrt Y dkataka berdstrbus posso dega parameter λ jka da haya jka fugs probabltasya berbetuk sepert persamaa (.). Dmaa λ adalah rata-rata suatu kejada (y) yag berla lebh besar dar atau sama dega ol. y e, y 0,,, f( y) y!, >0 0, y yag la (.) 9

la mea da varas dar dstrbus posso adalah sebaga berkut EY ( ) da Var( Y ).. Dstrbus Bvarat Posso Msalka varabel radom Y da Y sebaga berkut Y X X 0 da Y X X 0 dega X 0, X, X merupaka varabel radom yag masg masg berdstrbus posso dega parameter 0,,. Jka X 0 da X salg depede serta X 0 da X salg depede maka dperoleh : EY ( ) da EY ( ) 0 0 setelah dketahu la ekspektas dar masg masg varabel radom Y da Y maka dapat dketahu pula E( YY ) adalah sebaga berkut: E( YY ) 0 0 0 sehgga dperoleh la varas da covaras adalah sebaga berkut Var( Y ) ( 0 ), Var( Y ) ( 0 ) da Cov( Y, Y ) 0 dega fugs pembagkt mome bersama dar bvarat posso Y, Y adalah: ty ty ( YY ) (, ) ( ) M t t E e ( YY ) t ( XX0 ) t ( X X0 ) M ( t, t ) E( e ) t t ( t t ) M ( t, t ) exp e e e ( YY ) 0 ( t t ) t t M ( t, t ) exp e e e ( YY ) 0 0 sehgga secara bersama sama varabel radom Y da Y berdstrbus bvarat posso dega fugs probabltas bersamaya berbetuk sepert pada persamaa berkut S yk yk k ( 0 ) 0 e ; y, y 0,,, f( y) ( y k)!( y k) k! (.) k0 0; y, y yag la dmaa s = m(y,y ) (Kaamura, 973) 0

. Regres Bvarat Posso Regres bvarat posso adalah metode yag dguaka utuk memodelka sepasag cout data berdstrbus posso yag memlk korelas dega beberapa varabel predktor (Karls & Ntozoufras, 005). Varabel predktor tersebut adalah varabel yag dduga sama-sama berpegaruh utuk kedua varabel respo... Model Regres Bvarat Posso Model regres bvarat posso meurut Karls & Ntozoufras (005) adalah sepert persamaa (.3) Y, Y PB,, 0 j j 0 e ; j, x β (.3) dega x adalah vektor dar varabel predktor yag dotaska sebaga berkut x x xk β adalah parameter regres posso yag dotaska sebaga berkut: β j j0 j, j, jk.. Peaksr Parameter Model Regres Bvarat Posso Peaksra parameter regres bvarat posso dlakuka dega megguaka metode Maksmum Lkelhood Estmato (MLE). Metode MLE yatu dega memaksmumka fugs lkelhoodya. Msalka dberka sampel radom dar varabel radom, ~,, Y Y PB 0. Fugs lkelhood meurut Jug da Wkelma (993) dapat dtuls sepert persamaa persamaa (.0).

L m( y, y ) y k y k 0 0, β, 0 e (.4) y k! y k k! k0 trasformas model regres persamaa (.3) ke dalam persamaa (.4) maka dperoleh fugs lkelhood sepert pada persamaa (.5),, x β x β 0 exp0 L e e B β β (.5) dega la B adalah B m y, y k0 x x β e e y k yk k 0 0 0 y k! y k k! fugs l lkelhood adalah sebaga berkut 0 0 l L β, β, exp x β exp x β l B (.6) proses medapatka peaksr parameter dar model aka ddapat persamaa (.6) dturuka terhadap masg-masg parameterya kemuda d samaka dega ol. Namu haslya tdak dapat dselesaka secara aaltk, sehgga perlu dguaka prosedur teratf. Dega cara yag sama pada peaksra parameter model regres bvarat posso yatu megguaka teras umerk Nelder Mead...3 Peguja Parameter Model Regres Bvarat Posso Peguja parameter model regres bvarat posso dlakuka dega metode Maxmum Lkelhood Rato est (MLR) dega hpotess H 0 : β j = β j =... = β jk = 0 dega j=, H : palg sedkt ada satu β jl 0 dega j=, ; l=,,...,k hmpua parameter dbaah populas adalah,,,, ;, 0 j0 j jk j hmpua parameter dbaah H 0 adalah L ; ; j,.0 j0 adalah la maksmum lkelhood utuk model legkap dmaa melbatka varabel predktor. L k adalah la maksmum lkelhood utuk model

sederhaa tapa melbatka predktor. Lkelhood rato test dapat dtuls sepert persamaa (.8). D( ) l L l L θ (.8) sehgga dperoleh Dθ 0 exp exp l B x β x β exp exp l B (.9).0.0.0.0 D() θ adalah devas dar model regres bvarat posso. dega derajat bebas ( ) Dθ megkut dstrbus a b. Dmaa a adalah jumlah paramater dbaah populas da b adalah jumlah parameter dbaah H 0. Krtera peguja adalah tolak H 0 apabla la D θ ( a; a b). Nla devas semak kecl jka parameter ddalam model semak bertambah (McCullagh da Nelder, 989). Apabla keputusa peguja secara seretak adalah tolak H 0 maka lagkah selajutya adalah melakuka peguja parameter secara parsal utuk megetahu parameter maa saja yag memberka pegaruh yag sgfka terhadap model. Hpotess yag dguaka adalah sebaga berkut: H 0 : β jl = 0 H : β jl 0 statstk uj yag dguaka adalah sepert persamaa berkut: ˆ jl Z ; j,; l,,, k se ˆ jl jl se merupaka stadar error dar jl.nla jl (.0) se dperoleh dega metode Bootstrap. Metode bootstrap adalah metode resamplg yag dguaka dega pegembala megguaka B jumlah replkas. Metode bootstrap dguaka jka pada proses estmas tersebut la parameterya yag dcar sagat sult utuk mecapa la yag koverge. (Karls & Ntzoufras, 005). Algortma bootstrap utuk megestmas stadard error dar parameter adalah sebaga berkut (Efro & bshra, 993). 3

. Memlh sampel depede bootsrap (y) dega cara membagktka data yag berdstrbus posso dega parameter λ masg-masg terdr dar data yag dambl dega pegembala dar y.. Melakuka pembetuka model dega meregreska y dega varabel predktor secara bvarat sehgga ddapatka estmas parameterya. 3. Meympa la estmas parameter dar hasl pemodela. 4. Megulag lagkah sampa 3 sebayak B kal replkas. 5. Megestmas stadard error dega rumusa sebaga berkut : dega : se B B j jl B = la rata-rata hasl estmas parameter se B = la estmas stadar error bootstrap jl = la estmas parameter bootstrap ke j, dmaa j =,,...,B. Bayak replkas bootstrap utuk megestmas stadard error basaya atara 5 00, dega kata la B adalah 5 hgga 00. Krtera peguja parsal adalah tolak H 0 apabla la dar Z lebh besar dar la Z / dmaa adalah tgkat sgfkas yag dguaka. /.3 Dstrbus Geeralzed Posso Meurut Ismal da Jema (005), dstrbus Geeralzed Posso mempuya fugs kepadata peluag : y y ( y) ( y) f( y,, ) exp, 0 y! mea da varas dstrbus geeralzed posso adalah sebaga berkut: EY ( ) da Var( Y) ( ) (.) mea Kods overdspers pada data dtujukka dega la, sedagka uderdspers pada data dtujukka dega la. 4

.4 Dstrbus Bvarate Geeralzed Posso Fugs kepadata peluag dar Bvarate Geeralzed Posso Dstrbuto adalah f ( y, y ) exp ( ) y y 0 0 m y, y y k y k k y k y k k 0 0 y k! y k! k! k 0 0 exp k( ) (.) mea da Varas dstrbus Bvarat Geeralzed Posso adalah sebaga berkut EY ( ) 0 0 Var( Y ) 0 0 EY ( ) 0 0 (Verc, 997) Var( Y ) 0 0 mea Kods overdspers pada data dtujukka dega la 0, atau, sedagka uderdspers pada data dtujukka dega la 0, atau..5 Peguja Dstrbus Bvarat Posso Peguja dstrbus bvarat posso dlakuka utuk megetahu apakah varabel respo (Y da Y ) megkut dstrbus bvarat posso. Loukas da Kemp s (986) dalam Best (999) melakuka peguja dstrbus bvarat posso dega megguaka pedekata dex of dsperso test (I B ). Hpotess yag dguaka adalah H 0 : Varabel respo (Y da Y ) megkut dstrbus bvarat posso H : Varabel respo (Y da Y ) tdak megkut dstrbus bvarat posso statstk uj yag dguaka adalah I B ( YSY m Y SY ) YY m (.3) 5

dega = jumlah data pada varabel respo (Y da Y ) Y = la rata rata varabel respo (Y ) Y = la rata rata varabel respo (Y ) S Y m Y Y da S Y Y Y Y Y Y Y krtera peguja adalah tolak H 0 bla I (Best, 999) B ( ;3).6 Bvarate Geeralzed Posso Regresso Bvarate Geeralzed Posso Regresso adalah pegembaga regres bvarat posso pada data yag megalam kasus overdspers atau uderdspers. Jka ( Y, Y ) ~ GPB(,,, ) maka model dar Bvarate Geeralzed Posso Regresso adalah l( ) x β x x... x j j j0 j j jk k exp( x β ) exp( x x... x ) (.4) j j j0 j j jk k d maa x x, xk β j j0 j, j, jk,,..., merupaka bayak pegamata..6. Peaksr Parameter Bvarate Geeralzed Posso Regresso Peaksr parameter model bvarat geeralzed posso regresso dlakuka dega metode Maxmum Lkelhood Estmato (MLE). Kemuda utuk medapatka estmas parameter yag koverge dlakuka teras dega metode teras Nelder Mead. 6

Peaksra parameter regres bvarat geeralzed posso dlakuka dega megguaka metode Maksmum Lkelhood Estmato (MLE). Metode MLE yatu dega memaksmumka fugs lkelhoodya. Fugs lkelhood dar Bvarate Geeralzed Posso yatu L L,,,,, exp y y θ 0 0 0 0 y y m, k 0 y k y k k y k y k 0 k 0 exp k y k! y k! k! (.5) 0 dega melakuka trasformas j j 0 e x β, sehgga ddapatka fugs l lkelhood sebaga berkut: x x β l L l l e l e dega : 0 0 0 0 x β x β (.6) e e y y lw 0 0 B B B m( y, y ) B B k0 x e β 0 y k exp k 0 y k! x β 0 y y k k e y k k 0 0 y k! k! k da utuk medapatka taksra parameter model BGPR, maka fugs l L dturuka terhadap masg-masg parameterya da dsamaka dega ol. Persamaa yag dhaslka tdak dapat dselesaka secara aaltk, sehgga peyelesaaya megguaka teras Nelder Mead. 7

.6. Peguja Parameter Bvarate Geeralzed Posso Regresso Peguja parameter model bvarate geeralzed posso regresso dlakuka dega metode Maxmum Lkelhood Rato est (MLR) dega hpotess H :... 0;, da 0 0 j j jk j H : palg sedkt ada satu jl 0; dega j=, da l=,,...,k da ada salah satu 0; j, j statstk uj yag dguaka adalah ˆ L ˆ D l l L ˆ l L ˆ L ˆ tolak H 0 apabla la D v,. (.7) Apabla keputusa peguja secara seretak adalah tolak H 0 maka lagkah selajutya adalah melakuka peguja parameter secara parsal utuk megetahu parameter maa saja yag memberka pegaruh yag sgfka terhadap model. Hpotess yag dguaka adalah parameter β H : 0 0 H : 0 dega j, da l,,..., k jl jl statstk uj yag dguaka adalah ˆ jl ZHtug se ˆ la se ˆ var ˆ jl jl jl d maa la var ˆ jl utama dar matrks vara kovara dar persamaa berkut: Cov ˆ ˆ - θ = - H θ tolak H 0 jka la Z htug > Z / dega α adalah taraf sgfkas parameter α H 0 : 0 j j H : 0 dega j, dperoleh dar eleme dagoal 8

statstk uj yag dguaka adalah ˆ j ZHtug se ˆ la se ˆ j var j j d maa la var ˆ j utama dar matrks vara kovara dar persamaa berkut: Cov ˆ ˆ - θ = - H θ tolak H 0 apabla Zhtug Z / dega α adalah taraf sgfkas. dperoleh dar eleme dagoal.7 Geographcally Wegted Bvarate Geeralzed Posso Regresso (GWBGPR) Model GWBGPR merupaka pegembaga dar regres bvarat geeralzed posso (BGPR) dega megguaka pembobot geografs pada peaksra parameterya. Betuk persamaa GWBGPR adalah sebaga berkut: l( u, v ) u, v u, v x u, v x... u, v x jl j0 j j jk k (.8) atau exp x β u, v j j d maa x x, xk β j j0 j u, v u, v u, v jk, j,,,..., merupaka bayak pegamata.7. Peaksra Parameter Model Geographcally Weghted Bvarate Geeralzed Posso Regresso (GWBGPR) Model GWBGPR merupaka pegembaga dar model regres bvarate geeralzed posso. Model meghaslka estmas parameter model yag bersfat lokal utuk setap ttk atau lokas dmaa data tersebut dkumpulka. Dalam model GWBGPR varabel respo yag dpredks dega varabel predktor yag masgmasg koefse regresya bergatug pada lokas d maa data tersebut damat. 9

Metode peaksra yag dguaka dalam model GWBGPR adalah Maxmum Lkelhood Estmato (MLE) dega fugs lkelhood-ya sebaga berkut: L u, v, u, v, u, v, u, v, u, v, u, v ;,,, 0 0 u, v u, v u, v exp u, v u, v u, v y u, v y u, v 0 0 u, v y k u, v y k! y y y m, p0 k exp k u, v u, v u, v 0 y k k u, v y k u, v 0 u, v k 0 u, v y k! k! kemuda fugs lkelhood tersebut dubah dalam betuk logartma atural mejad: Q l L u, v, u, v, u, v, u, v, u, v, u, v = 0 0 u v u v u v u v u v u v y u v y u v l,,, exp,,,,, 0 0 u, v y k u, v y k! y y y m, p0 k exp k u, v u, v u, v y k k u, v y k u, v 0 u, v k 0 u, v y k! k! 0 dtrasformaska kedalam, u, v u, v e x β u v j sehgga ddapatka fugs lkelhood yatu j 0,,,,,,,,,,, L u v u v u v u v u v u v 0 0,,, 0, u v 0, u v 0, exp 0, u v u v x β e u v x β e u v x β u v e 0 u, v x β u, v e 0 u, v y u, v y u, v B (.9) dega B adalah m y, y B B B k 0 0

y k x u, v e 0 u, v y k u, v B exp k u, v u, v 0 u, v y k! y k x β u, v e 0 u,, k v y k u v 0u, v k0u, v B y k! k! Fugs l lkelhood dar Geographcally Weghted Bvarate Geeralzed Posso Regresso (GWBGPR) mejad: Q l L u, v, u, v, u, v, u, v, u, v, u, v 0 0, x β x β u, v u v l u, v l e u, v l e u, v 0 0 0,, x β u v x β u v 0 u, v e 0 u, v l e 0 u, v y u, v y u, v l B Pada model GWBGPR faktor yag dperhatka sebaga pembobot adalah faktor geografs dar tap ttk-ttk pegamata (daerah). etuya setap daerah memlk faktor geografs yag berbeda-beda sehgga hal meujukka baha setap daerah meujukka sfat lokal pada model GWBGPR. Jad, betuk fugs l lkelhood dega pembobot geografs utuk masg-masg lokas adalah sebaga berkut: x β u v, x βu, v Q l 0 u, v l e 0 u, v l e 0 u, v x u, v x β u, v u, v e u, v l e u, v 0 0 0 y u, v y u, v l B (.0) Dega adalah pembobot geografs. Utuk medapatka taksra parameter model GWBGPR pada masg-masg lokas, maka fugs pada persamaa (.0) dturuka masg-masg terhadap parameterya.

Pada turua pertama dperoleh persamaa yag tdak close form, sehgga utuk medapatka estmas parameter GWBGPR dlakuka dega megguaka teras Nelder Mead..7. Peguja Parameter Model Geographcally Weghted Bvarate Geeralzed Posso Regresso (GWBGPR) Fugs lkelhood yag berhubuga dega model Geographcally Weghted Bvarate Geeralzed Posso Regresso yatu L da L. L adalah la maxmum lkelhood utuk model dega melbatka varabel predktor da L adalah la maxmum lkelhood utuk model sederhaa tapa melbatka varabel predktor. Metode yag dguaka Peguja seretak parameter pada model Geographcally Weghted Bvarate Geeralzed Posso Regresso adalah Maxmum Lkelhood Rato est (MLR). Peguja seretak parameter model Geographcally Weghted Bvarate Geeralzed Posso Regresso dlakuka utuk megetahu sgfkas parameter β da secara bersama-sama dega hpotess sebaga berkut: u, v u, v 0 H : u, v u, v... u, v 0; j, da 0 j j jk H : palg sedkt ada satu u, v 0; dega j=, da l=,,...,k ada salah satu u v jk, 0; j, j fugs lkelhood dbaah populas L sebaga berkut: L u, v, u, v, u, v, u, v, u, v, u, v ;,,, 0 0,,, 0, u v 0, u v 0, exp 0, u v u v x β e u v x β e u v x β u v e 0 u, v x β u, v e 0 u, v y u, v y u, v B dega B adalah m y, y B B B k 0

y k x u, v e 0 u, v y k u, v B exp k u, v u, v 0 u, v y k! y k x β u, v e 0 u,, p v y p u v 0u, v k0u, v B y k! k! Sehgga ddapatka x u, v x βu, v l L l 0 u, v l e 0 u, v l e 0 u, v x u, v x β u, v 0 u, v e 0 u, v l e 0 u, v,, l y u v y u v B dega la u, v, u, v, u, v, u, v, u, v, u, v β β merupaka 0 0 la peaksr parameter yag dperoleh dega megguaka metode teras Nelder Mead. Sedagka fugs l lkelhood utuk model yag tdak melbatka varabel predktor dbetuk pada hmpua dbaah H 0 dsebut sebaga L. Fugs lkelhood dbaah H 0 adalah sebaga berkut..0 u, v.0 u, v.0 u, v L( ) 0 u, v e 0 u, v e 0 u, v exp 0 u, v e 0 u, v.0 u, v e 0 u, v y u, v y u, v B.0 dega B adalah m y, y B B B.0.0.0 k 0 y k.0 u, v e 0 u, v y k u, v B.0 exp k u, v u, v 0 u, v y k! y k.0 u, v k e 0 u, v y k u, v 0u, v k0u, v B.0 y k! k! 3

fugs l lkelhood dbaah H 0 adalah.0,.0 u, v u v l L( ) l u, v l e u, v l e u, v 0 0 0.0,.0, u v u v 0 u, v e 0 u, v l e 0 u, v y u, v y u, v l B.0 Selajutya l L( ) dkalka dega pembobot geografs sehgga fugsya mejad :.0, u v.0 u l l, v L 0 u, v l e 0 u, v l e 0 u, v.0, u v.0 u, v 0 u, v e 0 u, v l e 0 u, v y u, v y u, v l B.0 pada turua pertama dperoleh persamaa yag tdak close form maka dselesaka megguaka teras Nelder Mead. Setelah medapatka peaksra parameter utuk u, v, u, v, u, v, u, v, u, v, u, v 0.0.0 0 maka dapat dlakuka perhtuga utuk memperoleh statstk uj dega persamaa sebaga berkut: L k L L l l k L L l l k L sehgga ddapatka D β ~ v 4

L Dβ l l L l L ~ v (.) L Dβ merupaka pedekata dar dstrbus dega derajat bebas v, dmaa v adalah jumlah parameter dbaah populas dkurag jumlah parameter dbaah ~ v H 0. Krtera olak H 0 apabla, D β maka terdapat varabel predktor yag berpegaruh terhadap varabel respo dega α adalah taraf sgfkas (Agrest, 007)..8 Model Regres Mxed Geographcally Weghted Bvarate Geeralzed Posso Regresso (MGWBGPR) Apabla tdak semua varabel predktor pada GWBGPR pada persmaa (.8) mempuya pegaruh secara lokal, sebaga berpegaruh secara global maka model yag sepert dsebut Mxed Geographcally Weghted Bvarate Geeralzed Posso Regresso (MGWBGPR). Pada MGWBGPR beberapa koefse pada GWBGPR dasumska kosta utuk seluruh lokas pegamata, sedagka yag la bervaras sesua lokas pegamata data. MGWBGPR dega varabel predktor bersfat lokal da varabel dmaa varabel predktor yag bersfat global, serta dega megasumska tersep model bersfat lokal dyataka sebaga berkut: l( u, v ) u, v u, v x u, v x... u, v x jl j0 j j jq q x x x j, p p, j, p p, j, k k, ( u, v ) x x (.) lj l g j g dega j0 j lj da gj jp j, p j, p jk, 5

xp, x p, x g da xk, x l x x 3 x p.9 Pemlha Model erbak Akake Iformato Crtera (AIC) adalah krtera kesesuaa model dalam meduga model secara statstk. Krtera AIC dguaka apabla pemodela regres bertujua utuk megdetfkas faktor-faktor yag berpegaruh terhadap model. Pemlha model terbak dar Mxed Geographcally Weghted Bvarate Geeralzed Posso Regresso (MGWBGPR) megguaka la AIC. Pegguaa la AIC ddasarka pada metode Maxmum Lkelhood Estmato (MLE). Perhtuga la AIC megguaka persamaa (.): AIC l ˆ d jk d (.3) = jumlah pegamata ˆ d j = jumlah varabel respo k = jumlah varabel predktor model regres terbak adalah model regres yag meghaslka la AIC terkecl (Akake, 978). ujua dar peelta adalah utuk megetahu faktor-faktor yag berpegaruh terhadap jumlah kemata bu da bay d Jaa mur, da pegguaa AIC sesua utuk tujua tersebut..0 Koefse Korelas Koefse korelas merupaka suatu dkator atau suatu la dalam hubuga lear atara dua varabel (Draper & Smth, 99). Koefse korelas ddefska sepert pada persamaa (.4) 6

r y, y y y y y y y y y (.4) koefse korelas dapat meujukka dua hubuga, yatu postf da egatf. Nla postf da egatf dkareaka la korelas berksar atara - hgga atau dapat dtuls r y, y. Apabla la korelas medekat, bak tu postf maupu egatf hal tersebut berart kedua varabel memlk hubuga yag erat. Nla korelas 0 meujukka baha kedua varabel tdak memlk hubuga erat secara ler. Nla korelas yag postf meujukka adaya hubuga berbadg lurus pada dua varabel tersebut, sedagka la korelas yag egatf meujukka hubuga yag berbadg terbalk. Peguja korelas utuk varabel respo dlakuka dega hpotess sebaga berkut: H 0 : tdak terdapat hubuga atara Y da Y H : terdapat hubuga atara Y da Y Statstk uj yag dguaka pada peguja adalah sebaga berkut. t r y, y r y, y krtera keputusa adalah tolak H 0 apabla tht t /;( ) (.5). Multkolertas Multkolertas adalah suatu kods dmaa varabel-varabel predktor berkorelas tgg. Adaya kasus multkolertas dapat megakbatka hasl taksra parameter mejad tdak akurat. Hal dkareaka stadar error yag besar dar hasl taksra parameter dega sgfkas yag kecl, bahka mejad tdak sgfka pada peguja dvdu amu sagat sgfka pada peguja smulta. Idetfkas masalah multkolertas dalam pemodela regres posso juga sagat petg. Varabel predktor yag berkorelas tgg dega varabel predktor la megakbatka kedua varabel predktor tersebut mempuya la yag sebadg. Nla yag sebadg meyebabka matrks dar varabel 7

predktor tdak memlk vers sehgga proses peaksra dalam model regres posso tdak dapat dlakuka. Meurut Gujarat (004) salah satu cara megdetfkas adaya kasus multkolertas yatu dega melhat la Varace-Iflatg Factor (VIF) yag lebh dar 0. Nla VIF meujukka bagamaa varas dar hasl taksra parameter megkat karea adaya multkolertas. Nla VIF drumuska oleh persamaa (.3) VIF R l (.6) R adalah koefse determas atara x l j dega varabel predktor laya. Masalah multkolertas juga dapat datas dega beberapa cara, dataraya yatu dega megeluarka varabel predktor yag berkorelas tgg, melakuka trasformas data, meambah data, megguaka regres rdge atau dapat juga megguaka Prcpal Compoet Aalyss (PCA).. Efek Spasal Pemodela pada data spasal dapat dkelompokka berdasarka tpe data spasal yag dguaka yatu spasal ttk da spasal area. Masg-masg tpe data spasal tersebut dapat dkelompokka lag berdasarka jes data yag dguaka yatu cross sectoal da tme-seres. Pemodela data spasal selalu melbatka matrks pembobot spasal. Sedagka efek spasal pada data dapat berupa error yag salg berkorelas (depedes spasal) maupu keragama (heterogetas) spasal atar lokas... Spatal Heterogety Dalam pemodela data spasal sagat dmugkka adaya varas secara kelayaha yag dsebut dega heterogetas spasal yag meujukka adaya keberagama dalam hubuga secara kelayaha. Hpotess yag dguaka utuk melhat apakah terdapat heterogetas spasal adalah sebaga berkut. H0 : (tdak terdapat heterogetas spasal) H : mmal ada ;,,, (terdapat heterogetas spasal) 8

peguja hpotess tersebut dapat dlakuka dega metode glejser, yatu melakuka uj seretak dar model regres ; j, ;,, x x x jl j0 j j... jk k formula hpotess utuk uj glejser adalah H : 0; h,,, p 0 h h hk H : palg sedkt ada satu 0 h,,, p; l,,, k statstk uj G k j k l ~ dmaa hl, pk (.7) adalah matrks vara kovara dbaah H 0 da adalah matrks vara kovara dbaah populas (Johso da Wcher, 007). Krtera keputusa yatu tolak H 0 jka la G > ( ; pk)... Matrks Pembobot Spasal Pembobot memlk peraa petg pada data spasal, karea la suatu pembobot merupaka perakla dar lokas dmaa masg-masg data dambl. Iformas megea suatu lokas dapat drepresetaska oleh sebuah ttk koordat, sepert Gars Ltag da Gars Bujur. Berdasarka formas spasal tersebut dapat dperhtugka jarak ttk koordat atar lokas sehgga dharapka kekuata dar depedes spasal aka meuru dega adaya jarak tersebut. Lokas yag berdekata seharusya meujukka hubuga kemrpa, begtu juga sebalkya. Lokas yag berjauha juga memperlhatka adaya keragama spasal. Keragama spasal atara lokas yag satu dega lokas yag la dtujukka dega adaya matrks pembobot W yag etr-etrya merupaka fugs dar jarak Euclda atar lokas. Pembetuka fugs pembobot dar jarak Euclda salah satuya dapat megguaka fugs kerel (kerel fucto). Fugs pembobot W yag dguaka merupaka fugs kotu dar jarak Euclda karea parameter yag dhaslka dapat berubah secara drasts ketka lokas pegamata berubah. Meurut Nakaya, dkk (005) salah satu alteratf fugs pembobot yag dguaka adalah fugs Adaptve Bsquare Kerel. Fugs kerel adaptf yatu 9

fugs kerel yag memlk baddth yag berbeda pada setap lokas pegamata. Fugs Adaptve Bsquare Kerel yatu: d ;utuk d h 0; utuk d dega h h (.8) d u u v v d adalah jarak Euclda atara lokas ke- da lokas ke-. Sedagka h adalah parameter peghalus atau yag dsebut sebaga baddth dar lokas ke-. Baddth dapat daalogka sebaga radus suatu lgkara, sehgga sebuah ttk yag berada ddalam radus lgkara daggap mash memlk pegaruh. Peetua baddth optmum juga memlk peraa petg dalam pembetuka matrks pembobot. Besar keclya baddth yag dguaka aka berpegaruh pada ketepata model yag berkata dega varas da bas dar peaksr yag dhaslka. Oleh karea tu, baddth optmum dperluka utuk megatur besar keclya varas da bas tersebut (Nakaya, dkk, 005). Pemlha baddth optmum dapat dlakuka dega metode Geeralzed Cross Valdato (GCV). m ˆ ˆ Y Y h Y Y h v m y y h (.9) v dega y h : la peaksr pada peaksra meujukka jumlah lokas pegamata v r( S ) y ketka pegamata d lokas ( u, v ) tdak dkutsertaka S = matrks yag meakl la estmas GWBGPR da setap bars pada matrks S bers matrks r, u v u, v r X X W X X W 30

Proses utuk medapatka baddth yag memmumka la GCV bsa dlakuka dega megguaka tekk golde secto search (Fothergham, Brusdo & Charlto, 00). Proses tersebut dlakuka dega cara megevaluas fugs dega tga la yag berbeda, msalya a,b, da c, dmaa a<b<c. a merupaka batas baah la baddth yag mugk da c merupaka batas atas la baddth yag mugk. Nla a dperoleh dar la mmum d j da c dperoleh dar la maksmum d. Nla fugs yag dhaslka pada tga ttk tersebut adalah f(a), f(b) da f(c), yag dsebut sebaga trplet. Fugs tersebut devaluas lag pada suatu la baru d yag bsa dtetuka datara a da b atau datara b da c sehgga meghaslka la fugs baru, yatu f(d), kemuda buag salah satu la a atau c utuk membetuk trplet baru. Atura yag dguaka pada tekk golde secto search (Fothergham, Brusdo & Charlto, 00) adalah f ( b) f ( d) : trplet baru yag dguaka adalah a b d f ( b) f ( d) : trplet baru yag dguaka adalah b d c Proses tersebut berulag sampa dega dua la f( d ) yag dhaslka medekat sama atau selshya lebh kecl darpada suatu la yag dtetuka, msalya x0 6.3 Algortma Nelder Mead atau sampa suatu la teras maksmum yag dperbolehka. Algortma Nelder Mead yag juga dkeal dega metode smpleks Nelder Mead adalah suatu metode yag umumya dguaka utuk mecar pemecaha masalah optmas yag tdak ler. Algortma Nelder Mead dapat djelaska sebaga berkut. Msalka dberka la meetuka la x yag memmumka x da h x x. etuka, x,, x da htuglah la. Urutka sehgga 3. Htug ttk refleks h r h x h 4. Bla hr h r SSE sebaga berkut: h x h x, h x,, h x h h x h h x h h x x x x x r x terma r da hetka teras., prosedur x x dega. Htug 3

h 5. Bla r h h Bla hr, terma x h da bla hr teras. h 6. Bla r h r, htug la ekspas x x x x h h x htug x terma r, selajutya hetka, tetuka ttk ekspas atara x x da x atau r h hr h a. Bla xc x xr x costracto), htug, meujukka kotraks ss luar (outsde hc h xc htug. Bla hc hr x terma c h da hetka teras. Sedagka bla c hr, lajutka ke tahap 7 (tahap shrked). h b. Bla r h, tujukka kotraks ss dalam (sde costracto), xcc x x x hcc h xcc htug htug h hetka teras. Sedagka bla cc h (tahap shrked). x terma cc da, lajutka ke tahap 7 v x x x 7. ahap shrked. Evaluas utuk ttk.,3,, x. Kembal ke lagkah dega meggat v,3,,. dega dega Meurut Nelder Mead, la parameter,, da..4 Jumlah Kemata Ibu da Bay Utuk mela derajat kesehata suatu bagsa WHO da berbaga lembaga Iterasoal laya meetapka beberapa alat ukur atau dkator, sepert morbdtas peyakt, mortaltas kelompok raa sepert bay, balta da bu saat melahrka. Alat ukur yag palg bayak dpaka oleh Negara-egara ddua adalah usa harapa hdup (lfe expectacy), Jumlah kemata bu da kemata bay dgambarka dega stlah AKI da AKB. Agka Kemata Bay (AKB) da Agka Kemata Ibu (AKI). Agka-agka pula yag mejad baga petg dalam membetuk deks pembagua mausa atau Huma Developmet Idex (HDI), yag meggambarka tgkat kemajua suatu bagsa. 3

.3. Kemata Bay Kemata bay yag dgambarka dega stlah AKB adalah bayakya bay yag meggal sebelum mecapa usa satu tahu per 000 kelahra hdup dalam satu tahu tertetu. Cara meghtug agka kemata bay adalah sebaga berkut: dmaa: = Jumlah kemata bay berumur kurag tahu dalam satu tahu tertetu d daerah tertetu. = Jumlah kelahra hdup dalam satu tahu tertetu d daerah tertetu. AKB dklasfkaska mejad empat kelompok yatu:. Redah jka.. Sedag jka. 3. gg jka. 4. Sagat gg jka. Bayak faktor yag dkatka dega kemata bay. Secara umum, kemata bay dbedaka mejad dua faktor peyebab yatu faktor edoge da faktor eksoge. Kemata bay edoge atau kemata eoatal adalah kemata bay yag terjad pada bula pertama setelah dlahrka, da umumya dsebabka oleh faktor-faktor yag dbaa aak sejak lahr yag dperoleh dar orag tuaya. Sedagka kemata bay eksoge atau kemata post eo-atal adalah kemata bay yag terjad setelah usa satu bula sampa mejelag usa satu tahu yag dsebabka oleh faktor lgkuga (UNICEF, 0). gkat mortaltas atau kemata peduduk merupaka salah satu dkator perkembaga derajat kesehata yatu utuk mela keberhasla pelayaa kesehata da program pembagua kesehata laya. Kemata bay merupaka salah satu parameter yag berpegaruh terhadap perkembaga derajat kesehata masyarakat. Kemata bay d suatu layah sagat dpegaruh oleh kods kehamla bu, peolog persala, peraata bay baru lahr, tgkat gz yag dberka kepada bay, da kualtas tempat tggal (BPS, 04). 33

.3. Kemata Ibu Pada Iteratoal Statstcal Classfcato of Dseases Health Problems, eth Revso, 99 (ICD-0), WHO medefska kemata bu adaah kemata seorag ata saat haml atau dalam 4 har setelah termas kehamla, terlepas dar duras da lokas kehamla, peyebab yag berhubuga atau dperburuk oleh kehamla atau pegelolaaya, tetap buka dar sebab-sebab kebetula atau sdetal (Helmzar, 04). Kemata bu dbag mejad kemata lagsug da tdak lagsug. Kemata bu lagsug adalah sebaga akbat komplkas kehamla, persala, atau masa fas, da segala terves atau peagaa tdak tepat dar komplkas tersebut. Kemata bu tdak lagsug adalah merupaka akbat dar peyakt yag sudah ada atau peyakt yag tmbul seaktu kehamla yag berpegaruh terhadap kehamla, msalya malara, aema, HIV/AIDS, da peyakt kardovaskular (Prarohardjo, 008)..3.3 Faktor-Faktor yag Dduga Mempegaruh Kemata Ibu da Bay d Provs Jaa mur Keragka kosep kemata bay yag dkemukaka oleh Mosley da Che serta kemata bu oleh McCarthy da Mae, haddeus da Mae meyajka dasar utuk aalss lebh jauh megea hubuga atar varabel depede da depede dalam hal jumlah kemata bay da bu d Provs Jaa mur. Dalam peelta dlakuka beberapa modfkas terhadap model McCarthy da Mae (99) berkut. 34

Determa Kotekstual Determa Atara Determa Proks Soso-ekoom -Persetase Kemska -Kepadata Peduduk Status Kesehata: - Zat bes bu haml (tablet Fe 3 ) Status Reproduks: - Umur perkaa pertama Akses ke Pelayaa Kesehata: - Fasltas kesehata Perlaku Sehat: - Peolog persala - Kujuga K4 - Rumah agga ber-phbs Komplkas - Komplkas kehamla dtaga Kemata Bay da Ibu Gambar. Model Koseptual Hubuga Kemata Bay da Ibu dega Faktor-Faktor yag Mempegaruh. (McCarthy da Mae, 99 & UNICEF, 0). Faktor-faktor yag dduga mempegaruh kemata bu da bay d Provs Jaa mur sebaga berkut:. Determa Kostektual a. Persetase Kemska Kemska merupaka suatu keadaa dmaa seseorag tdak bsa memeuh kebutuha dasar hdupya. Pada dasarya kemska berhubuga dega kuragya akses seseorag terhadap fasltas peddka, kesehata, da frastruktur. Kemska telah mejad masalah klask yag dalam oleh setap Negara. Permasalaha harus dlhat dar berbaga aspek karea kemska merupaka masalah multdmes yag tdak haya berhubuga dega kods ekoom tetap juga sosal budaya (Idkator Kesejahteraa Rakyat, 06). 35

b. Kepadata Peduduk Kepadata peduduk d Jaa mur dar tahu ke tahu megalam pegkata serg dega pegkata jumlah peduduk alaupu semak tahu pertumbuhaya semak melada. Pada tahu 06 kepadata peduduk Jaa mur sektar 87 ja per km. Bla dlhat dar kabupate/kota, d Jaa mur terjad ketmpaga dstrbus peduduk d desa da kota. Pada umumya kepadata peduduk yag tgg berada d Kota. Kepadata peduduk tertgg adalah Kota Surabaya sektar 45.48 ja per km (Idkator Kesejahteraa Rakyat, 06).. Determa Proks yatu komplkas kehamla resko tgg Komplkas kehamla da persala, merupaka peyebab lagsug kemata bu, yatu perdaraha, feks, eklamsa, partus macet, da ruptura uterus.iterves yag dlakuka utuk megatas komplkas obstetr merupaka terves jagka pedek yag haslya dapat segera terlhat dalam betuk peurua AKI (Dkes, 03). 3. Determa Atara a. Ibu haml medapatka tablet Fe 3 Upaya pecegaha da peaggulaga Aema Gz Bes dlaksaaka melalu pembera ablet ambah Darah (D) yag dprortaska pada bu haml, karea prevales Aema pada kelompok cukup tgg. D sampg tu, kelompok bu haml merupaka kelompok raa yag sagat berpotes member kotrbus terhadap tggya Agka Kemata Ibu (AKI). Mecegah Aema Gz pada bu haml dlakuka suplemetas D dega doss pembera sehar sebayak (satu) tablet (60 mg Elemetal Iro da 0,5 mg Asam Folat) berturut-turut mmal 90 har selama masa kehamla (Dkes, 03). Pera tablet bes sagat petg selama kehamla karea dapat membatu proses pembetuka sel darah merah sehgga mecegah aema pada buml. Buml merupaka kelompok yag reta aka masalah gz terutama aema akbat kekuraga zat bes (Fe). Hasl Surve Kesehata Rumah agga (SKR) d Idoesa meyataka baha secara asoal prevales aema buml cukup 36

tgg yatu 50,9%. Kekuraga zat bes (aema defses zat bes) selama haml berdampak tdak bak bag bu maupu ja. Perdaraha yag bayak seaktu melahrka berefek lebh buruk pada buml yag aema. b. Fasltas kesehata Meurut Mae da haddeus (994) peyebab kemata tga terlambat (terlambat megambl keputusa, sehgga terlambat utuk medapatka peagaa, terlambat sampa ke tempat rujuka karea kedala trasportas, terlambat medapat peagaa karea terbatasya saraa da sumber daya mausa) berkata dega fasltas layaa kesehata. McCarthy da Mae (99) megemukaka baha salah satu determa kotekstual kemata bu adalah status masyarakat yatu ketersedaa pelayaa kesehata. Dsampg peolog persala, kemata bu terkat erat dega tempat/fasltas persala. Persala d fasltas kesehata terbukt berkotrbus terhadap turuya rsko kemata bu (Dkes, 03). c. Peolog persala oleh teaga kesehata McCarthy da Mae (99) salah satu determa kotekstual adalah perlaku sehat yatu peolog persala. Persala yag dtolog teaga kesehata terbukt berkotrbus terhadap turuya rsko kemata bu (Dkes, 03). d. Kujuga Ibu Haml K4 Ibu haml yag medapatka pelayaa ateatal sesua stadar palg sedkt empat kal, dega dstrbus pembera pelayaa yag dajurka adalah mmal satu kal pada trula pertama, satu kal pada trula kedua da dua kal pada trula ketga umur kehamla. Pelayaa yag mecakup mmal : () mbag bada da ukur tgg bada, () Ukur tekaa darah, (3) Nla status gz (ukur lga lega atas), (4) (ukur) tgg fudus uter, (5) etuka presetas ja & deyut jatug ja(djj), (6) Skrg status musas tetaus da pembera etaus oksod, (7) Pembera tablet bes (90 tablet selama kehamla), (8) est laboratorum sederhaa (Hb, Prote Ure) da atau berdasarka dkas (HbsAg, Sfls, HIV, Malara, BC), (9) ata laksaa kasus, (0) emu cara (pembera komukas terpersoal da koselg (Dkes, 03). 37

e. Rumah tagga ber-phbs Rumah tagga yag seluruh aggotaya berperlaku hdup bersh da sehat, yag melput 0 dkator, yatu pertologa persala oleh teaga kesehata, bay dber ASI eksklusf, balta dtmbag setap bula, megguaka ar bersh, mecuc taga dega ar bersh dasabu, megguaka jamba sehat, memberatas jetk d rumah sekal semggu, maka sayur da buah setap har, melakuka aktvtas fsk setap har, da tdak merokok d dalam rumah (Dkes, 03). 38

BAB 3 MEODOLOGI PENELIIAN 3. Sumber Data Data yag dguaka dalam peelta adalah data sekuder yag berasal dar Profl Kesehata Provs Jaa mur yag dkeluarka Das Kesehata Provs Jaa mur tahu 05. Ut pegamata sebayak 38 ut pegamata terdr dar 9 kabupate da 9 kota. Gambar 3. Wlayah Admstras Jaa mur 3. Varabel Peelta Varabel peelta yag dguaka dalam peelta terdr dar dua varabel respo (Y) da tujuh varabel predktor (X). abel 3. meyajka uraa dar setap varabel : 39

abel 3. Varabel Peelta Varabel Keteraga Jumlah kemata bay d kabupate/kota provs Jaa mur tahu 05 Jumlah kemata bu d kabupate/kota provs Jaa mur tahu 05 Persetase persala oleh teaga kesehata Persetase bu haml medapatka tablet Fe 3 Persetase komplkas kebdaa yag dtaga Raso jumlah fasltas kesehata per 00.000 peduduk Persetase peduduk msk Kepadata Peduduk per.000 km Persetase rumah tagga berperlaku hdup bersh da sehat (ber- PHBS) Adapu defs operasoal varabel peelta adalah. Jumlah kemata bay adalah jumlah kemata yag terjad pada bay sebelum mecapa usa satu tahu d tap kabupate /kota d provs Jaa mur tahu 05.. Jumlah kemata bu adalah jumlah kemata perempua pada saat haml atau kemata dalam kuru aktu 4 har sejak termas kehamla tapa memadag lama kehamla atau tempat persala, yak kemata yag dsebabka karea kehamla atau pegelolaa, tetap buka karea sebab-sebab la sepert kecelakaa, terjatuh da la-la d tap kabupate /kota d provs Jaa mur tahu 05. 3. Persetase persala oleh teaga kesehata adalah jumlah bu bersal yag dtolog oleh teaga kesehata yag memlk kompetes kebdaa (dokter kaduga da kebdaa, dokter umum, da bda) d satu layah kerja pada kuru aktu tertetu dbag dega jumlah bu bersal d satu layah kerja pada kuru aktu yag sama dkal 00%. 40

4. Persetase bu haml medapatka tablet Fe 3 jumlah bu haml yag medapat (90) tablet Fe 3 selama perode kehamlaya pada layah da kuru aktu tertetu dbag jumlah bu haml pada layah da kuru aktu yag sama dkal 00%. 5. Persetase komplkas kebdaa dtaga adalah jumlah bu haml, bu bersal da bu fas dega komplkas yag dtaga oleh teaga kesehata dbag 0% dar jumlah sasara bu haml dalam tahu dkal 00%. 6. Raso jumlah fasltas kesehata adalah perbadga jumlah fasltas kesehata terhadap jumlah peduduk dkalka 00.000 d tap kabupate /kota d provs Jaa mur. 7. Persetase peduduk msk adalah jumlah peduduk msk d satu layah kerja pada kuru aktu tertetu dbag dega jumlah peduduk d satu layah kerja pada kuru aktu yag sama dkal 00%. 8. Kepadata peduduk adalah perbadga dar jumlah peduduk dbag dega luas layahya. 9. Persetase rumah tagga yag ber-perlaku hdup bersh da sehat (PHBS) adalah jumlah rumah tagga yag melaksaaka 0 dkator PHBS d satu layah kerja pada kuru aktu tertetu dbag dega rumah tagga yag dpatau d satu layah kerja pada kuru aktu yag sama dkal 00%. Struktur data utuk peelta dtujukka pada abel 3. abel 3. Struktur Data Peelta Wlayah 3 4

abel 3. (Lajuta) 4 38 3.3 Kaja eorts Lagkah-lagkah dalam aalss data utuk setap tujua peelta sebaga berkut :. Lagkah-lagkah utuk medapatka peaksr parameter pada model Mxed Geographcally Weghted Bvarate Geeralzed Posso Regresso (GWBGPR) yatu sebaga berkut: a. Membetuk fugs lkelhood dar model MGWBGPR yag megacu pada persamaa (.0) yatu sebaga berkut L l( u, v ) u, v u, v x u, v x... jl j0 j j u, v x x x x jp p j, p p, j, p p, j, k k, b. Meetuka fugs l lkelhood dar model MGWBGPR yatu Q l L l u, v jl Q l u, v u, v x... u, v x x x j0 j jp p j, p p, j, k k, c. Meetuka logartma atural dar fugs kemugka (lkelhood fucto), kemuda megalka dega pembobot geografs, u v sehgga dperoleh fugs Q. d. Meuruka fugs Q terhadap parameter-parameterya, kemuda dsamadegaka ol. 4

e. Apabla hasl peurua pertama terhadap masg-masg parameter meghaslka betuk yag tdak close form maka utuk meyelesakaya megguaka teras Nelder Mead.. Lagkah lagkah utuk medapatka statstk uj pada model Mxed Geographcally Weghted Bvarate Geeralzed Posso Regresso (GWBGPR) adalah sebaga berkut: a. Melakuka peguja kesamaa model MGWBGPR dega model GWBGPR utuk meguj sgfkas faktor geografs terhadap parameter lokal yag dhaslka. Hpotess yag dguaka dalam peguja adalah jl jp jl jp H :,,,,, 0 u v u v u v,,, ; j,; l,,, p ; k p, p,, k (tdak ada perbedaa yag sgfka atara model GWBGPR dega model MGWBGPR. H : palg sedkt ada satu jl u, v, jp jl u, v, jp u, v (ada perbedaa yag sgfka atara model GWBGPR dega model MGWBGPR). b. Meetuka la devas model GWBGPR da MGWBGPR. c. Membadgka la devas model GWBGPR da MGWBGPR. d. Meetuka krtera peolaka H 0 3. Melakuka peguja secara seretak parameter model Mxed Geographcally Weghted Bvarate Geeralzed Posso Regresso (MGWBGPR). a. Membuat hpotess j, p 0 j0 j jp p p, j, k k, H : u, v u, v x u, v x x x 0,,, ; j,; l,,, p; p p, p,, k H : palg sedkt ada satu H u v :, 0 atau 0 jl b. Meetuka hmpua parameter parameter dbaah H gj 0 43

c. Membuat fugs lkelhood dbaah H0 L d. Meetuka hmpua parameter parameter dbaah populas e. Membuat fugs lkelhood d baah populas L f. Meetuka statstk uj dega megguaka metode Maxmum Lkelhood Rato est (MLR) ˆ L ˆ D l l L ˆ l L ˆ L ˆ g. Meetuka krtera peolaka H 0 D ˆ H0 dtolak jka la dar ; v 4. Lagkah lagkah utuk megdetfkas faktor-faktor yag berpegaruh terhadap jumlah kemata buda bay dega pedekata model Mxed Geographcally Weghted Bvarate Geeralzed Posso Regresso (GWBGPR) adalah sebaga berkut: a. Melakuka aalss deskrptf terhadap varabel respo da varabel predktor. b. Medeteks korelas atar varabel respo sepert pada persamaa (.3). c. Medeteks multkolertas dar varabel predktor dega megguaka krtera uj VIF sepert pada persamaa (.4). d. Memodelka dega BGPR sepert pada persamaa (.4). e. Heterogetas spasal sepert pada persamaa (.5). f. Membetuk matrk pembobot spasal sepert pada persamaa (.6). g. Memodelka dega GWBGPR, meyeleks varabel bebas yag berpegaruh secara global sepert pada persamaa (.9). h. Memodelka dega MGWBGPR sepert pada persamaa (.0).. Melakuka peguja kesamaa parameter model MGWBGPR dega GWBGPR. 44

j. Melakuka peguja hpotess seretak da parsal utuk model MGWBGPR. k. Melakuka terpretas model yag ddapatka. l. Membuat kesmpula dar hasl aalss. 45

Pegumpula Data Membuat Aalss Deskrptf Meguj Korelas Varabel Respo Uj Multkolertas Pemodela regres bvarate geeralzed posso Peguja Heterogetas Spasal Pemodela GWBGPR Pemodela MGWBGPR Peguja kesamaa parameter model GWBGPR dega MGWBGPR Peguja parameter model MGWBGPR secara seretak da parsal Iterpretas Model Kesmpula Gambar 3. Dagram Alr Peelta 46

BAB 4 HASIL DAN PEMBAHASAN Pada bab aka dbahas megea proses peaksra parameter pada model Mxed Geographcally Weghted Bvarate Geeralzed Posso Regresso (MGWBGPR) megguaka metode Maxmum Lkelhood Estmato (MLE). Selajutya model MGWBGPR aka dguaka utuk memodelka jumlah kemata bu da bay d Provs Jaa mur ahu 05 serta megetahu faktor-faktor yag mempegaruhya. 4. Peaksra Parameter Model Mxed Geographcally Weghted Bvarate Geeralzed Posso Regresso Metode pedugaa parameter Mxed Geographcally Weghted Bvarate Geeralzed Posso Regresso (MGWBGPR) adalah Maxmum Lkelhood Estmato (MLE) dega fugs probabltas sebaga berkut:,,,, 0 0u, v u, v u, v y u, v y u, v f y y u v u v u v e y y u, v y k u, v u, v y k u, v y k! y k! m, y k yk k 0 k 0u, v k0u, v k u, v u, v u, v k! e 0 kemuda dbetuk fugs lkelhood dar persamaa (4.) yatu L u, v, u, v, u, v, u, v, u, v, u, v,,,, 0 0 (4.) 0 u, v u, v u, v y u, v y u, v 0 u, v u, v u, v e y y u, v y k u, v u, v y k u, v y k! y k! m, y k yk k 0 k 0u, v k0u, v k u, v u, v u, v k! e 0 (4.) 47

setelah tu dbetuk fugs l lkelhood dar persamaa (4.) utuk meaksr parameter Q l L u, v, u, v, u, v, u, v, u, v, u, v,, 0 0 l L u, v u, v u, v e 0 0 u, v u, v u, v y u, v yu, v y m, k y y k0 y k! y k k 0u, v k0u, v k u, v u, v u, v u, v y k u, v u, v y k u, v k! e 0! y k Utuk medapatka fugs lkelhood dar model Mxed Geographcally Weghted Bvarate Geeralzed Posso Regresso (MGWBGPR), sebelumya kta megetahu baha model global dar Bvarate Geeralzed Posso Regresso adalah j 0 exp x β j,,,, ; j, x x xk dmaa x k, j0 j j jk k 0 x x, j, ;,,, j j j k jk sedagka model lokal adalah x β j 0 j u, v u, v exp u, v,,,, ; j, x xk x, j u, v dmaa x k u, v j0 u, v j u, v k jk u, v u, v x u, v x u, v j j0 j k jk 48

utuk membetuk model MGWBGPR maka dlakuka parts terlebh dahulu yatu sebaga berkut: x x x x x q x xq x kk xk xq x k parts dar vektor x adalah x x x q q, x x x x q, q, sedagka model MGWBGPR adalah j 0 k kq u, v u, v x β j x β j x β j x β j u, v u, v e e e,,,, ; j, x x q x, j u, v ( q) j0 j u, v u, v u, v jq ( q) x x x x q, q, k kq, j jk j, q j, q ( kq) dmaa u, v u, v x u, v x u, v x j j0 j q jq x j xq, j, q xq, j, q xk jk 49

kemuda dtrasformaska kedalam j 0 x u, v x j e e 0 u, v x β, u v x β j e e 0 u, v x β j u, v x β j u, v u, v e e,,,, ; j, sehgga ddapatka fugs lkelhood yatu L u, v, u, v, u, v, u, v, u, v, u, v,, 0 0,, 0, x β u v x β 0, x β u v x β u 0, v e e u v e e u v exp,,,, 0 x β u v x β 0 x β u v x β u v e e u v e e 0 u,,, v y u v y u v B (4.3) dega B B B m y, y k 0 x u, v x e e 0 u, v y k u, v B B x β x β 0 y k y k,, 0, y k u, v k! k u v u v u v e e u, v y k u, v u, v k u, v 0 0 y k! k! kemuda dbetuk fugs l lkelhood dar Mxed Geographcally Weghted Bvarate Geeralzed Posso Regresso (MGWBGPR): Q l L u, v, u, v, u, v, u, v, u, v, u, v,, 0 0 x u, v x β u, v l 0 u, v l e e x β 0 u, v l e e x β 0 u, v 0u, v e e 0u, v x β u, v x β u, v y u, v y u, v lb e x β x β e e u, v pada model MGWBGPR faktor yag dperhatka sebaga pembobot adalah faktor geografs dar tap ttk-ttk pegamata (daerah). etuya setap daerah memlk faktor geografs yag berbeda-beda, sehgga hal meujukka baha setap daerah memlk sfat lokal pada model MGWBGPR. Jad, betuk 0 50

fugs l lkelhood dega pembobot geografs adalah sebaga berkut: x u, v x 0 0 Q l u, v l e e u, v x, β u v x β l e e u, v u, v 0 0 x, β u v x β u, v, x x β 0 0 e e u v e e y u, v y u, v lb dega utuk masg-masg lokas u, v adalah pembobot geografs. Utuk medapatka taksra parameter model MGWBGPR pada masg-masg lokas fugs Q dturuka terhadap masg-masg parameterya. dega B adalah m y, y B B B k 0 y k x u, v x e e 0 u, v y k u, v B y k! y k x β u, v x β 0 B y k! k u, v u, v 0 u, v k 0 0 u, v e e u, v y k u, v u, v k e k! turua pertama dar fugs l lkelhood terhadap u, v 0 Q u, v x 0, 0, β u v u v x β e e 0 u, v 3, x β u v x β e e 0, 0 u, v B u v kemuda B dturuka terhadap u, v 0 B B B m y, y B B 0 u, v k 0 0 u, v 0 u, v kemuda B dturuka terhadap u, v 0 B (4.4) (4.5) 5

x u, v x y k e e 0 u, v y k u, v B u, v y k! 0 exp k u, v u, v u, v 0 y k (4.6) kemuda B dturuka terhadap u, v 0 B u, v u 0 x β u, v x β e e 0 u, v y k u, v u ' v uv ' x β u, v x β u, v k u, v 0, y k y k e e u, v y k u, v u ' y k! v v ' 0 0 0 k! k u v k u sehgga ddapatka k! y k k, v 0! k x β u, v x β e e u, v y k u, v u, v k u, v 0 0 k y k y k B 0 gh 0 u, v y k! g h k! y k k x β u, v x β e e u, v y k u, v 0 u, v k0 u, v 0 (4.7) persamaa (4.6) da persamaa (4.7) dsubsttuska kedalam persamaa (4.5): B B B m y, y B B 0 u, v k 0 0 u, v 0 u, v 5

k u, v u, v 0 u, v x β, u v x 0,, m y, y B y k e e u v y k u v u, v y k! e 0 k 0 u, v k0 u, v 0 x β u, v x β x β u, v x β,, y k! e e 0 u v y k u v k x β u, v x β k! y k!,, y k! e e 0 u v y k u v maka ddapatka turua pertama y k,, e e 0 u v y k u v y k Q terhadap u, v 0 y k y k gh (4.8) Q u, v x 0, 0, β u v u v x β e e 0 u, v 3 x β u, v x β e e 0 u, v m y, y k 0 m y, y k0 m y, y x u, v x y k 0,, y k u, v 0,, k u, v k u, v e e u v y k u v x β x β e e u v y k u v k0 0 0 (4.9) turua kedua Q terhadap, 0 u v adalah Q, 0 u, 0, u v v u v e e u, v m y, y y k x β u, v x β k 0 x u, v x e e 0 u, v e e 0 u, v y k u, v k0 x x 0 m y, y y k k0 x β u, v x β e e 0 u v y k u v m y, y k u, v k u, v 0 0,, 53

turua kedua u, v terhadap u, v 0 u, v u, v 0 k0 Q m y, y x u, v x e adalah x u, v x e x x u, v x e e u, v,, x u, v x x y k e e 0 e e u v y k u v 0 turua kedua u, v terhadap u, v 0 u, v u, v 0 k0 Q m y, y x β u, v x β e adalah x β u, v x β e x x β u, v x β e e u, v 0 x β u, v x β x y k e e,, e e u v y k u v 0 turua kedua u, v terhadap, Q 0 u, v u, v 0 m y, y k0 u v adalah x β x β u, v turua kedua u, v terhadap, Q 0 u, v u, v 0 m y, y k0 y k y k,, e e u v y k u v x β x β u v adalah u, v 0 y k y k,, e e u v y k u v turua kedua 0 u, v terhadap 0 u, v adalah m y,,, y Q k k u v u v k0 u, v k u, v 0 0 0 0 turua kedua, Q u, v 0 m y, y k0 u v terhadap adalah 0 x u, v x x u, v x e x x u, v x e e u, v e 0 x u, v x x y k e e,, 0 e e u v y k u v 0 54

turua kedua, Q u, v 0 m y, y k0 u v terhadap adalah 0 x β u, v x β x β u, v x β e x x β u, v x β e e u, v e 0 x β u, v x β x y k e e,, e e u v y k u v 0 turua pertama dar fugs l lkelhood Q terhadap u, v Q u, v u, v e e u, v x x 0 kemuda x u, v x x e e x, x β u v B x B u, v e e B dturuka terhadap u, v B B B m y, y B B u, v k 0 u, v u, v kemuda B dturuka terhadap u, v (4.0) (4.) B 0 u, v x x u, v x x u, v x 0,, e e y k e e u v y k u v y k exp k u, v u, v u, v kemuda B u, v 0 B dturuka terhadap u, v 0! y k (4.) sehgga B m y, y u, v k 0 u, v B B 55

B u, v x u, v x x u, v x 0,, e e y k e e u v y k u v y k exp k u, v u, v u, v B u, 0 v x x u, v x x u, v x m y, y e e y k e e 0 u, v y k u, v e k 0 k u, v u, v 0 u, v u, v k u, v 0 0 k! y! k x β u, v x β e e 0 u, v y k u, v k maka ddapatka turua y! k Q terhadap u, v Q u, v u, v e e u, v x x 0! x u, v x x e e x, x β u v B x B u, v e e y k x, β u v x Q e e x x u, v x,, u v e e x x β u v x β e e 0 u, v B B u, v x, β u v x Q e e x x u, v x,, u v e e x x β u v x β e e 0 u, v x u, v x y k e e x x u, v x e e 0 u, v y k u, v m y, y k0 y k y k (4.3) (4.4) 56

turua kedua u, v terhadap u, v adalah x,, β u v x β x β u v x e e x x e e x x Q x,,,, β u v u 0, u v v u v x β e e u v x β x β e e 0 u, v x, β u v x e e 0 u, v y k u, v x u, v x xx e e x u, v x m y, y y k e e xx k0 x u, v x y k e e xx x, β u v x e e 0 u, v y k u, v turua kedua u, v terhadap u, v Q u, v u, v 0 turua kedua u, v terhadap, Q u, v u, v adalah u v adalah x u, v x e e 0 u, v y k u, v x u, v x m y, y y k y k e e x k0 turua kedua u, v terhadap, Q 0 u v adalah u, v u, v turua kedua u, v terhadap, Q u, v u, v 0 0 0 u v adalah 57

turua kedua u, v terhadap x u, v x xx adalah x,, β u v x β x β u v x e e x x e e x x Q x,, β u v u v x β e e 0 u, v e e u, v x, β u v x e e 0 u, v y k u, v e e x u, v x m y, y y k e e xx k0 x u, v x y k e e xx x, β u v x e e 0 u, v y k u, v turua kedua u, v Q u, v terhadap adalah 0 turua pertama dar fugs l lkelhood x, β u v x β e x Q e, u v e e u, v x β u, v x β 0 x, β u v x 0 Q terhadap u, v kemuda x, β u v x B β x B u, v e e B dturuka terhadap u, v B B B m y, y B B u, v k 0 u, v u, v kemuda B dturuka terhadap u, v (4.5) B u, v 0 58

kemuda B dturuka terhadap u, v B u, v x u, v k u, v x β u, v x β x β u, v x β 0,, e e y k e e u v y k u v 0 0 k y k! (4.6) sehgga B m y, y B u u, v k 0 u, v B, v x B x β u, v x β x β u, v x β m y, y e e y k e e 0 u, v y k u, v k k0 k x u, v x 0,, 0 u, 0, v k u e e u v y k u v v k! y k! y! k exp k u, v u, v u, v 0 maka ddapatka turua Q terhadap u, v! y k y k y k (4.7) x, β u v x β Q e e x x β u, v x β,, u v e e x x β u v x β e e 0 u, v B B u, v x, β u v x β Q e e x x β u, v x β,, u v e e x x β u v x β e e 0 u, v x β u, v x β y k e e x x β u, v x β e e 0 u, v y k u, v m y, y k0 (4.8) 59

turua kedua dar u, v terhadap u, v adalah x,, β u v x β x β u v x β e e x x e e x x Q x,,,, β u v u 0, u v v u v x β e e u v x β x β e e 0 u, v x, β u v x β e e 0 u, v y k u, v x β u, v x β xx e e x β u, v x β m y, y y k e e xx k0 x β u, v x β y k e e xx x, β u v x β e e 0 u, v y k u, v turua kedua dar u, v terhadap, Q u, v u, v 0 u v adalah turua kedua dar u, v terhadap, Q u, v u, v u v adalah x β u, v x β e e 0 u, v y k u, v x β u, v x β m y, y y k y k e e x k0 turua kedua dar u, v terhadap, Q u, v u, v 0 0 turua kedua dar u, v Q u, v 0 0 terhadap adalah u v adalah 60

turua kedua dar u, v terhadap adalah x β u, v x β xx x,, β u v x β x β u v x β e e x x e e x x Q x,, β u v u v x β e e 0 u, v e e u, v x, β u v x β e e 0 u, v y k u, v e e x β u, v x β m y, y y k e e xx k0 x β u, v x β y k e e xx x, β u v x β e e 0 u, v y k u, v turua pertama dar fugs l lkelhood Q B y u, v B u, v kemuda B dturuka terhadap u, v B B B x, β u v x β 0 Q terhadap u, v m y, y B B u, v k 0 u, v u, v kemuda B u, v u u ' v B dturuka terhadap u, v u ' v uv ' x u, v x e e 0 u, v y k u, v e k v ' k e,, 0, x u, v x! y k y k y k e e u, v y k u, v 0 k u v u v u v y u, v u, v u, v 0 k y k! (4.9) y k 6

B u, v,, 0, x u, v x y k y k e e u, v y k u, v e 0 k u v u v u v y k! x u, v x e e 0 u, v y k u, v exp k u, v u, v u, v 0 y k x u, v x e e u, v y k u, v B u, v y k! 0 kemuda B u, v e,, 0, k u v u v u v y k y k x u, v x e e 0 u, v y k u, v B dturuka terhadap u, v 0 sehgga ddapatka B m y, y u, v k 0 u, v e B B x u, v x e e 0 u, v y k u, v,, 0, k u v u v u v y k y k y k x u, v x e e 0 u, v y k u, v!! y k y k k y k k y k k (4.0) 6

x β u, v x β e e 0 u, v y k u, v u, v k u, v 0 0 k! maka ddapatka turua y k k Q terhadap u, v! y k (4.) Q B y u, v B u, v m, y y y k y k y k, x β u v x k0 e e 0 u, v y k u, v turua kedua u, v terhadap, u v adalah y k y k m y, y Q k0 x β x β u, v 0 u, v e e u, v y k u, v turua kedua u, v terhadap, Q u, v u, v 0 u v adalah turua kedua u, v terhadap, Q u, v u, v 0 turua kedua, Q u, v 0 0 u v terhadap adalah u v adalah x u, v x e e 0 u, v y k u, v x u, v x m y, y y k y k e e x k0 turua kedua, u v terhadap adalah (4.) Q u, v 0 63

turua pertama dar fugs l lkelhood Q B y u, v B u, v Q terhadap u, v kemuda B dturuka terhadap u, v B B B m y, y B B u, v k 0 u, v u, v (4.3) kemuda B dturuka terhadap u, v x u, v x e e u, v y k u, v B u, v y k! 0 exp k u, v u, v u, v kemuda B u 0 B dturuka terhadap u, v, v u, v k u, v y k x β u, v x β y k y k e e u, v y k u, v 0 0 0 sehgga k! k y k! y k y k k y k m y, y B Bk B x β x β k0 u, v 0 u, v e e u, v y k u, v m y, y B k x β x β k0 y k y k (4.4) (4.5) u, v e e 0 u, v y k u, v (4.6) 64

maka ddapatka turua Q u, v y Q terhadap u, v m y, y k0 k x β x β y k y k u, v e e 0 u, v y k u, v (4.7) turua kedua u, v terhadap, u v adalah y k y k m y, y Q k0 x β x β u, v 0 u, v e e u, v y k u, v turua kedua u, v terhadap, Q u, v u, v 0 turua kedua, Q 0 u, v turua kedua, Q u, v 0 0 u v terhadap adalah u v terhadap adalah u v adalah x β u, v x β e e 0 u, v y k u, v x β u, v x β m y, y y k y k e e x k0 turua pertama dar fugs l lkelhood Q terhadap u, v 0 Q B 0 0 u, v B u, v kemuda B dturuka terhadap u, v 0 B B B m y, y B B 0 u, v k 0 0 u, v 0 u, v (4.8) 65

kemuda B dturuka terhadap u, v 0 x u, v x e e u, v y k u, v B u, v y k! 0 0 kemuda k e,, 0, k u v u v u v B dturuka terhadap u, v 0 x β u, v x β e e u, v y k u, v B u, v y k! 0 0 sehgga k k 0 u, v k0 u, v k! k k k m y, 0 y B Bk B u, 0 0, 0, v k u v k u v k k u, v k u, v m y, y B k k0 0 0 maka ddapatka turua Q terhadap u, v 0 y k y k (4.9) (4.30) (4.3) Q B 0 0 u, v B u, v k k m y,, y Q u v u, v k u, v 0 k0 0 0 turua kedua u, v terhadap, 0 u v adalah 0 k k k Q m y, y 0 0 u, k v 0 u, v k 0 u, v turua kedua, u v terhadap adalah 0 (4.3) Q 0 u, v 0 66

turua kedua, u v terhadap adalah Q u, v 0 0 turua pertama dar fugs l lkelhood Q terhadap Q x u v x x x u v x x β, x β x u v,, e e e e 0 u, B v B dturuka terhadap B B B e e B m y, y B B k0 kemuda B dturuka terhadap x,, 0 x β x β x β y k u v u v B y k e e x e e u, v y k u, v y k! (4.33) exp k u, v u, v u, v kemuda 0 B dturuka terhadap B 0 sehgga B β e B m y, y k 0 B B y k! x,, m, x β x β x u v u v y x β y y k e e e e 0 u, v y k u, v k0 ku, v u, v 0 u, v x β u, v x β e e 0 u, v y k u, v y k y k! k 0 u, v k0 u, v (4.34) k! y k 67

sehgga ddapatka baha, x β u v x e e x x u, v x, u v e e x x β x e e 0 u, v Q m y, y k0 x u, v x x u, v x x,, y k e e e e u v y k u v 0 (4.35) turua kedua terhadap adalah x u, v x x u, v x Q e e x x e e x x, x β u v x β, e e 0 u, u v v x β x β e e 0 u, v x u, v x x x e e m y, y k0 x u, v x y k e e x x x u, v x e e 0 u, v y k u, v x u, v x e e x x x, β u v x e e 0 u,, v y k u v turua kedua terhadap adalah Q 0 turua pertama dar fugs l lkelhood Q terhadap Q x β u v x β x x β u v x β x β, x β x u v,, e e e e 0 u, B v kemuda e e B B dturuka terhadap B B B m y, y B B k0 (4.36) kemuda B dturuka terhadap B 0 68

kemuda B dturuka terhadap y y k! (4.37) x β,, x β x β x u v u v y x β k e e e e 0 u, v y k u, v B u, v k u, v 0 0 k! k sehgga ddapatka baha B B B m y, y k 0 x β u, v x β x β u, v x β m y, y y k e e x e e 0 u, v y k u, v B u, v k u, v y k! k0 y k k x u, v x e e 0 u, v y k u, v 0 0 k! y k! exp k u, v u, v u, v sehgga ddapatka 0 (4.38) k y k Q x β, u v x β e e x x β u, v x β x β, x β x e e u v e e 0 u, v m y, y k0 x β u, v x β x β u, v x β x,, y k e e e e u v y k u v 0 (4.39) turua kedua terhadap adalah x β u, v x β x β u, v x β e e x x e e x x, x β u v x β, e e 0 u, u v v x β x β e e 0 u, v Q x β u, v x β x x e e m y, y k0 x β u, v x β y k e e x x x β u, v x β e e 0 u, v y k u, v x β u, v x β e e x x x, β u v x β e e 0 u,, v y k u v 69

Pada turua pertama dperoleh persamaa yag tdak close form, sehgga utuk medapatka estmas parameter MGWBGPR dlakuka dega megguaka teras Nelder Mead. dega matrks Hessa sebaga berkut: H θ u, v ( m) Q smetrs 0 Q Q 0 Q Q Q 0 β β β β Q Q Q Q 0 β β Q Q Q Q Q 0 β Q Q Q Q Q Q 0 0 0 β 0 0 0 00 Q Q Q Q Q Q Q 0 β 0 Q Q Q Q Q Q Q Q 0 β β β β β β β β β β β dega: 0 u, v ;β β u, v ;β β u, v u, v ; u, v ; u, v 0 0 0 0 4. Peguja Hpotess secara Seretak Parameter Model Mxed Geographcally Weghted Bvarate Geeralzed Posso Regresso Fugs lkelhood yag berhubuga dega model Geographcally Weghted Bvarate Geeralzed Posso Regresso yatu ˆ L da ˆ (4.40) L. L ˆ adalah la maxmum lkelhood utuk model dega melbatka varabel predktor da L ˆ adalah la maxmum lkelhood utuk model sederhaa tapa melbatka varabel predktor. Metode yag dguaka Peguja seretak 70

parameter pada model Geographcally Weghted Bvarate Geeralzed Posso Regresso adalah Maxmum Lkelhood Rato est (MLR). Peguja seretak parameter model Mxed Geographcally Weghted Bvarate Geeralzed Posso Regresso dlakuka utuk megetahu sgfkas parameter β da secara bersama-sama dega hpotess sebaga berkut: a. Parameter β H : u, v u, v... u, v 0; j,;,,, 0 j j jk jk H : palg sedkt ada satu u, v 0; j, dega l,,..., k b. Parameter α u v u v H :,, 0 0 H : ada salah satu u, v 0, j, j Fugs lkelhood d baah populas L sebaga berkut L u, v, u, v, u, v, u, v, u, v, u, v,,,,,, 0 0,, 0, x β u v x β 0, x β u v x β u 0, v e e u v e e u v exp,,,, 0 x β u v x β 0 x β u v x u v e e u v e e β, 0,, dega B B B m y, y k 0 x u, v x e e 0 u, v y k u, v B B x β x β 0 y k u v y u v y u v B y k,, 0, y k u, v k! k u v u v u v e e u, v y k u, v u, v k u, v 0 0 y k! k! e da 7

x u, v x β u, v x u, v x β u, v x β 0 x β 0 0 l L l u, v l e e u, v l e e u, v 0 u, v e e x β 0 u, v e e x β 0 u, v dega y u, v y u, v lb u, v, u, v, u, v, u, v, u, v, u, v,,,,,, 0 0 merupaka la peaksr parameter yag dperoleh dega megguaka metode teras Nelder Mead. Sedagka fugs l lkelhood utuk model yag tdak melbatka varabel predktor dbetuk pada hmpua d baah H 0 u, v, u, v, u, v, u, v, u, v, u, v,,,,,, 0.0.0 0.0.0 da dmaksmalka sehgga dperoleh L. Fugs lkelhood d baah H 0 sebaga berkut β.0 u, v.0 β.0 u, v β.0 0 0 0 l L u, v e e u, v e e u, v β.0 u, v.0 β.0 u, v β.0 exp u, v e e u, v e e u, v y u, v y u, v B dega 0 0 0.0 m y, y B B B.0.0.0 k0 y k.0 u, v.0 e e 0 u, v y k u, v ku, v u, v 0 u, v.0 e y k! y k β.0 u, v β.0 k e e 0 u, v y k u, v 0u, v k0u, v.0 y k! k! B B fugs l lkelhood dbaah H 0 adalah β.0 u, v β.0 β.0 u, v β β.0 u, v β.0 u, v.0 0 0 l L l u, v l e e u, v l e e u, v u, v 0 0.0 β.0 e e 0 u, v e e 0 u, v y u, v y u, v lb.0 (4.4) 7

Setelah fugs l lkelhood d baah H 0 terbetuk maka lagkah selajutya persamaa l L ˆ d turuka terhadap masg-masg parameter d baah H 0. Sehgga dperoleh hasl sebaga berkut turua pertama fugs l L terhadap u, v ˆ L u v 0 l β.0, β.0 0 u, v 0 u, v e e 0 u, v 3 β.0, β u v.0 e e u v m y, y 0, y k u v,, y k u v,, k u, v k u, v e e u v y k u v β.0,.0 k0 0 m y, y β.0, β.0 k0 0 m y, y e e u v y k u v k0 0 0 (4.4) turua kedua u, v terhadap, 0 0 ˆ L u v u v adalah β.0,.0 0 u, v 0 u, v e e 0 u, v m y, y y k β.0 u, β.0 β.0, v u.0 0 0, v e e u k v e e 0 u, v y k u, v m y, y k0 k0 m y, y e β u, v β.0.0 k u, v k u, v 0 0 y k,, e u v y k u v 0 turua kedua u, v terhadap, 0 ˆ.0 u v adalah L e e β.0 u, v.0 β.0, β 0 u,.0, u v v u v.0 e e 0 u, v m y, y k0 β.0 u, v.0,, y k e e β.0 u, v.0 e e 0 u v y k u v 73

turua kedua u, v terhadap, 0 ˆ.0 u v adalah L e e β.0 u, v β.0 β.0, β 0 u,.0, u v v u v.0 e e 0 u, v m y, y k0 β.0 u, v β.0,, y k e e β.0 u, v β.0 e e 0 u v y k u v turua kedua u, v terhadap, 0 ˆ u v adalah m y, y L y k y k β.0, 0 β 0 u,, u v v u v k.0 e e 0 u, v y k u, v turua kedua u, v terhadap, 0 ˆ u v adalah m y, y L y k y k β.0, 0 β 0 u,, u v v u v k.0 e e 0 u, v y k u, v turua kedua 0 u, v terhadap 0 u, v adalah m, ˆ y 0 0 y L k k u, v u, v k0 0 u, v k0 u, v turua kedua, adalah ˆ 0 u v terhadap.0 L e e β.0 u, v.0 β.0, β 0 u, u.0 v v.0 e e 0 u, v m y, y k0 β.0 u, v.0,, y k e e β.0 u, v.0 e e 0 u v y k u v turua kedua, ˆ u v terhadap.0 adalah 0 L e e β.0 u, v β.0 β.0, β 0 u, u.0 v v.0 e e 0 u, v m y, y k0 β.0 u, v β.0,, y k e e β.0 u, v β.0 e e 0 u v y k u v turua pertama fugs l L terhadap u, v.0 74

β.0 u, v.0 ˆ l L β.0 u, v.0 β.0,.0.0 u v e e u, v e e 0 u, v m y, y k0 β.0 u, v.0 y k e e β.0 u, v.0 e e 0 u, v y k u, v e e turua kedua u, v terhadap,.0.0 u v adalah (4.43) ˆ β.0 u, v β β.0 u, v.0.0 L e e e e β.0 u, v.0 β.0, β.0 u,.0,.0 0, u v v u v e e u v e e 0 u, v β u, v β β.0 u, v.0 y k e e β.0 u, v.0 e e 0 u,, v y k u v.0.0 e e m y, y k0 β.0 u, v β.0 y k e e xx β.0 u, v.0 e e 0 u, v y k u, v turua kedua u, v terhadap,.0 L ˆ u, v u, v.0.0 0.0 turua kedua u, v terhadap,.0 L ˆ u, v u, v u v adalah u v adalah β.0 u, v.0 e e 0 u, v y k u, v β.0 u, m.0, v y y y k y k e e.0 k0 turua kedua u, v terhadap,.0 u v adalah L ˆ 0.0 u, v u, v turua kedua u, v terhadap,.0 L ˆ u, v u, v.0 0 turua kedua, 0 0 u v adalah u v terhadap.0 adalah.0 75

β u, v β.0.0 β.0 u, v β.0 y k e e xx. 0 u, v.0 e e 0 u,, v y k u v.0.0 e e β.0 u, v β.0 e xx β, β ˆ u v L e e e β.0 u, v.0.0 u, v.0 e e 0 u, v e e u, v m y, y k0 β.0 u, v.0 y k e e β.0 u, v.0 e e 0 u, v y k u, v turua kedua u, v u, v L ˆ.0.0.0 terhadap.0 0 adalah turua pertama fugs l L terhadap u, v β.0 u, v.0 0.0 β.0 u, v β.0 ˆ l L β.0 u, v β.0 β.0, β.0.0 u v e e u, v e e 0 u, v m y, y k0 e e β.0 u, v β.0 y k e e β.0 u, v β.0 e e 0 u, v y k u, v sehgga ddapatka turua kedua dar u, v terhadap u, v L ˆ.0 β u, v β β u, v adalah.0 β.0 u, v β.0 β.0, β.0 u,.0,.0 0, u v v u v e e u v e e 0 u, v β u, v β β.0 u, v β.0 y k e e β.0 u, v β.0 e e 0 u,, v y k u v.0.0.0 β.0 e e e e.0.0 e e m y, y k0 β.0 u, v β.0 y k e e β.0 u, v β.0 e e 0 u, v y k u, v (4.44) 76

turua kedua dar u, v terhadap,.0 L ˆ u, v u, v.0 0 u v adalah turua kedua dar u, v terhadap, L ˆ u, v u, v.0 u v adalah β.0 u, v β.0 e e 0 u, v y k u, v β.0 u, m β.0, v y y y k y k e e.0 k0 turua kedua dar u, v terhadap,.0 L ˆ u, v u, v.0 0 0 turua kedua dar u, v u, v L ˆ.0.0.0 0 u v adalah terhadap.0 adalah 0 turua kedua dar u, v.0 terhadap.0 adalah β ˆ L β.0 u, v β.0 e e β.0 u, v m β y.0, y y k e e β.0 u, v β.0 k e e 0 u,, v y k u v β.0 u, v β.0 y k e e xx β.0 u, v β.0 e e 0 u, v y k u, v β.0 u, v.0 β.0 u, v β.0 e e e e β.0, β u v.0, β.0,, u v β.0,.0 u v.0 e e 0 u v e e 0 u v 0 turua pertama fugs l L terhadap u, v l m, ˆ y y L y k y k y β.0 u, β.0, v u v k 0 e e 0 u, v y k u, v (4.45) 77

turua kedua u, v terhadap, u v adalah m, ˆ y y L y k y k k0 β.0 u, v.0 0 u, v e e u, v y k u, v turua kedua u, v terhadap, L ˆ u, v u, v 0 u v adalah turua kedua u, v terhadap, L ˆ u, v u, v 0 turua kedua, L ˆ 0 m, u, v.0 0 u v adalah u v terhadap.0 adalah k0 turua kedua, L u, v ˆ.0 y k y k e e β.0 u, v.0 e e 0 u, v y k u, v β.0 u, v y y.0 u v terhadap.0 adalah 0 turua pertama fugs l L terhadap u, v l m, ˆ y y L y k y k y k β.0 u, β.0, v u v k 0 e e 0 u, v y k u, v turua kedua u, v terhadap, u v adalah m, ˆ y y L y k y k k0 β.0 u, v β.0 0 u, v e e u, v y k u, v turua kedua u, v terhadap, L ˆ u, v u, v 0 turua kedua, L u, v ˆ.0 0 0 u v adalah u v terhadap.0 adalah 0 (4.49) 78

turua kedua, L ˆ u v terhadap.0 adalah m, u, v.0 k0 y k y k e e β.0 u, v β.0 e e 0 u, v y k u, v β.0 u, v y y β.0 turua pertama fugs l L terhadap u, v 0 ˆ m y, y l L k k u, v u, v k u, v 0 k0 0 0 turua kedua u, v terhadap, 0 0 u v adalah L ˆ k k m y, y k 0 0 u, k v 0 u, v k 0 u, v turua kedua, L u, v ˆ 0.0 u v terhadap.0 adalah 0 0 turua kedua, L u, v ˆ 0.0 u v terhadap.0 adalah 0 turua pertama fugs l ˆ u v L terhadap.0 l L e e β.0,.0 β.0 u, v.0 β.0 u, β v e e.0.0 e e 0 u, v m y, y y k e e k0 β.0 u, v.0 (4.46) (4.47) turua kedua.0 terhadap.0 adalah ˆ u v β.0 u, β.0.0, v β.0 L e e e e β.0, β.0 e e u, v x u, v x e e u, v u v.0.0 0 0 β.0 u, v.0 e e m y, y k0 β.0 u, v.0 y k e e β.0 u, v.0 e e 0 u,, v y k u v 79

β.0 u, v.0 e e β.0 u, v.0 e e 0 u,, v y k u v turua kedua.0 terhadap.0 adalah L ˆ.0.0 0 turua pertama fugs l ˆ u v l L e e L terhadap.0 β, β.0.0 β.0 u, v β.0 β.0, β e e u v.0.0 0 m y, y e e u, v β.0 u, v β.0,, y k e e β.0 u, v β.0 k0 e e 0 u v y k u v turua kedua.0 terhadap.0 adalah ˆ u v β.0 u, β.0.0, v β β.0 L e e e e β.0 u, v β.0 e e β.0, β.0 e e u, v β.0 u, v β.0 e e u, v u v.0.0 0 0 m y, y k0 β.0 u, v β.0 e e 0 u, v y k e e β.0 u, v β.0 y k u, v β.0 u, v β.0 e e β.0 u, v β.0 e e 0 u,, v y k u v pada turua pertama dperoleh persamaa yag tdak close form maka dselesaka megguaka teras Nelder Mead. (4.48) 80

dega matrks hessa sebaga berkut: H θ u, v Q smetrs 0 Q Q 0.0.0.0 Q Q Q 0 β.0.0β.0 β.0β.0 Q Q Q Q 0.0 β.0 Q Q Q Q Q 0.0 β.0 Q Q Q Q Q Q 0 0.00 β.00 0 0 0 0 Q Q Q Q Q Q Q 0.0.0.0 β.0.0.0.0 0.0.0.0 Q Q Q Q Q Q Q Q β β β β β β β β β β β β 0.0.0.0.0.0.0.0 0.0.0.0.0.0 dega: u, v ;β β u, v ;β β u, v u, v ; u, v ; u, v 0 0.0.0 0 0 (4.49) Setelah medapatka peaksr parameter 0 u, v,β.0 u, v,β.0 u, v, u, v, u, v, 0 u, v,.0, β.0 maka dapat dlakuka perhtuga utuk memperoleh statstk uj dega persamaa sebaga berkut L k L L l l k L L l l k L 8

Sehgga ddapatka D ˆ ~ ( a b ) ˆ L ˆ D l l L ˆ l L ˆ L ˆ dega a b x u, v x β u, v x u, v x β u, v x β 0 x β 0 0 l L l u, v l e e u, v l e e u, v 0 u, v e e x β 0 u, v e e x β 0 u, v y u, v y u, v lb da fugs l lkelhood dbaah H 0 adalah β.0 u, v β.0 β.0 u, v β β.0 u, v β.0 u, v.0 0 0 l L l u, v l e e u, v l e e u, v u, v 0 0.0 β.0 e e 0 u, v e e 0 u, v,, l y u v y u v B.0 D ˆ merupaka pedekata dar dstrbus dega derajat bebas a-b, dmaa a adalah jumlah parameter dbaah H 0. pembukta statstk uj dstrbus adalah sebaga berkut. Peaksr parameter dbaah populas dparts sebaga berkut θ θ θ Dega θ θ k, da 0.0.0 0 Peaksr parameter dbaah H 0 dparts sebaga berkut D ˆ megkut 8

θ θ θ.0.0.0 Dega θ.0( ) 0 0 0, da θ kx.0 0.0.0 0.0.0 peguja hpotess dtulska sebaga berkut. H 0 : θ θ.0 H : θ θ.0 statstk uj Dθ duraka pada persamaa berkut. θ l θ l θ.0 D L L.0.0.0 D θ l L θ l L θ l L θ l L θ (4.50) msalka lθ l Lθ, maka fugs l θ.0.0 aylor derajat dua d sektar θ sebaga berkut. l θ.0 l θ g θ θ.0 θ θ.0 θ Iθ θ.0 θ dega g θ karea gθ l θ θ θ θ da Iθ 0, sehgga dperoleh..0 l θ θ θ θ θ l l.0.0.0 dapat dhampr oleh ekspas θ θ θ θ I θ θ θ (4.5) sedagka jka fugs l θ θ.0 dperoleh. l.0 dhampr oleh ekspas aylor derajat dua d sektar θ.0 l θ.0 g θ θ.0 θ.0 θ.0 θ.0 Iθ θ.0 θ.0 atau dapat dtuls l.0 l.0.0.0.0.0 θ θ θ θ I θ θ θ (4.5) 83

berdasarka persamaa (4.5) da (4.5), statstk uj pada persamaa (4.50) dapat dtuls sebaga berkut..0.0.0.0.0.0 D θ θ θ I θ θ θ θ θ I θ θ θ (4.53) msalka, I θ I I (kx k ) (kx3) ( k 3)( k 3) (3x k ) (3x3) I I I, da (kx k) (kx3) I θ (k 3)(k 3), I (3x k ) I (3x3) I da berdasarka sfat dstrbus bersyarat, jka dberka θ θ.0, θ, da θ, maka dperoleh. I θ θ I θ θ (4.54).0.0 atau dega memperhatka formula dar vers suatu parts matrks, maka persamaaya dapat dtuls : θ θ I I θ θ.0.0 pada peguja hpotess dbaah H 0, karea.0.0,.0 memperhatka persamaa berkut θ θ θ θ I I θ θ, maka.0.0 θ.0 θ.0 Iθ θ.0 θ.0 θ.0 θ I θ.0 θ θ.0 θ.0 I θ θ.0 θ.0 (4.55) θ θ 0 θ θ, da.0.0 θ θ I I I I θ θ θ θ I I θ θ statstk uj Dθ pada persamaa (4.60) dapat dtulska sebaga berkut. θ θ θ.0 θ θ.0 D I I I I D θ θ θ.0 I θ θ.0 dega memperhatka sfat ormaltas utuk MLE, maka dstrbus dar parts parameter adalah 84

θ θ I I ~ N 0I, θ0 θ θ I I sehgga dperoleh : θ θ N 0 I ~ (, ) / I θ θ ~ N0, I ab θ θ θ θ θ D I a b.0.0 ( ) daerah peolaka H 0 adalah Dθ,ab maka terdapat varabel predktor yag berpegaruh terhadap varabel respo dega α adalah taraf sgfkas (Agrest, 00) 4.3 Pemodela Jumlah Kemata Ibu da Bay d Jaa mur ahu 05 Sebelum membuat pemodela jumlah kasus kemata bu da bay d Jaa mur tahu 05, aka dlakuka aalss deskrptf terlebh dahulu utuk megetahu karakterst dar varabel-varabel yag dguaka dalam pemodela. 4.3. Deskrps Jumlah Kemata Ibu da Bay d Jaa mur ahu 05 Provs Jaa mur terdr atas 38 layah kabupate/kota terbag mejad 9 kabupate da 9 kota. Berdasarka data Das Kesehata Provs Jaa mur tahu 05, kemata bu merupaka salah satu dkator dampak Kegata Kesehata Ibu da Aak (KIA), dsampg kemata bay. Kemata bu da bay merupaka dkator keberhasla pembagua daerah da juga dguaka sebaga salah satu pertmbaga dalam meetuka Ideks Pembagua Mausa (IPM). Masalah yag terkat dega KIA, baha mula tahu 005 sampa dega tahu 05 ada kecederuga kemata bay yag staga d agka 30 per.000 kelahra hdup. Kemata bay d Jaa mur sampa dega tahu 05 mash datas target MDG s. Dalam peelta terdapat lma varabel predktor yag dduga berpegaruh terhadap jumlah kemata bu da bay d provs Jaa mur. Dega megguaka data pada Lampra, maka 85

dperoleh statstk deskrptf terhadap varabel respo yag dguaka da dsajka pada abel 4. berkut. abel 4. Statstka Deskrptf Varabel Respo Varabel Rata-rata Ragam Mmal Maksmal Jumlah Kemata Ibu 4,6 9,8,00 38,00 Jumlah Kemata Bay 50,97 95,67 5,00,00 Berdasarka abel 4. meujukka baha rata-rata jumlah kemata bu d setap kabupate/kota d Jaa mur sebesar 9 kemata selama tahu 05 dega kemata tertgg sebesar 38 kemata d kota Surabaya da teredah kemata d kota Bltar. Nla ragam sebesar 9 meujukka baha terdapat kabupate/kota dega jumlah kemata bu yag tgg da ada kabupate/kota dega jumlah kemata bu yag redah. Sedagka jumlah kemata bay d setap kabupate/kota d Jaa mur sebesar 50 kemata selama tahu 05 dega kemata tertgg sebesar kemata d kabupate Bojoegoro da teredah 5 kemata d kota Batu. Nla ragam sebesar 95 meujukka baha terdapat kabupate/kota dega jumlah kemata bay ratusa da terdapat kabupate/kota dega jumlah kemata bay puluha. Berkut juga dsajka gambara persebara kasus jumlah kemata bu da bay d 38 kabupate/kota d Jaa mur tahu 05. Gambar 4. Peta Persebara Jumlah Kemata Ibu d Jaa mur ahu 05 86

Pada tabel sebelumya dketahu rata-rata kemata bu sebesar 4,6, sehgga berdasarka Gambar 4. datas dapat dkataka baha terdapat 8 kabupate/kota d Jaa mur yag memlk jumlah kemata bu datas rata-rata kemata bu d Jaa mur. Gambar 4. Peta Persebara Jumlah Kemata Bay d Jaa mur ahu 05 Pada tabel sebelumya dketahu rata-rata kemata bay sebesar 50,97, sehgga berdasarka Gambar 4. datas dapat dkataka baha terdapat kabupate/kota d Jaa mur yag memlk jumlah kemata bay datas ratarata kemata bay d Jaa mur. abel 4. Statstka Deskrptf Varabel Predktor Varabel Rata-rata Ragam Mmal Maksmal Persetase Persala Oleh 95,05 4,8 86,5 00,65 eaga Kesehata Persetase Ibu Haml 89, 6,5 80,4 97,5 Medapatka ablet Fe 3 Persetase Komplkas 97,7 455,03 67,75 33,7 Kebdaa yag Dtaga Persetase Fasltas,7 0,49, 4,35 Kesehata per 00.000 peduduk Persetase Peduduk Msk,7 5,34 4,60 5,69 87

Berdasarka abel 4. dketahu rata-rata persetase persala oleh teaga kesehata sebesar 95,05 perse d maa kabupate Sampag da Malag memlk memlk persetase tertgg sebesar 00 perse da kabupate Bodooso memlk persetase teredah sebesar 86 perse. Rata-rata persetase bu haml medapatka tablet Fe 3 sebesar 89, perse d maa kota Madu memlk persetase tertgg sebesar 97,5 perse da kabupate Mojokerto memlk persetase teredah sebesar 80 perse. Rata-rata komplkas kebdaa yag dtaga sebesar 33,7 perse d maa kabupate Probolggo memlk persetase tertgg sedagka kabupate Bagkala memlk persetase teredah sebesar 67 perse. Rata-rata persetase fasltas kesehata sebesar,7 perse d maa kabupate Pacta memlk persetase tertgg yatu sebesar 4,35 perse sedagka kabupate Sdoarjo memlk persetase teredah sebesar, perse. Rata-rata persetase peduduk msk sebesar,7 perse d maa kabupate Sampag memlk persetase tertgg sebesar 5,69 perse sedagka kota Malag memlk persetase teredah sebesar 4,6 perse. Rata-rata kepadata peduduk sebesar 849 d maa kota Surabaya memlk persetase tertgg sebesar 8035 sedagka kabupate Bayuag memlk persetase teredah sebesar 7.3. Rata-rata persetase rumah tagga ber-phbs sebesar 48.64 perse d maa kabupate Gresk memlk persetase tertgg sebesar 8. perse sedagka kabupate Bodooso memlk persetase teredah sebesar 0. perse. 4.3. Pemerksaa Korelas Varabel Respo Aalss regres bvarat megasumska adaya hubuga atara varabek respo. Koefse korelas atar varabel respo dapat meujukkka apakah jumlah kasus kemata bu berkorelas dega kasus kemata bay. Dega megguaka persamaa (.3) dperoleh koefse korelas atar varabel respo sebesar 0,75. Hpotess yag dguaka utuk peguja korelas: H 0 : dak ada hubuga atara Y da Y H : erdapat hubuga atara Y da Y 88

Statstk uj yag dguaka dalam peelta berdasarka persmaa (.3) adalah sebaga berkut 0.75 38 t 0.75 36.6077 Nla thtug 36.6077 lebh besar dbadgka t 0.05 ;38 sebesar 0.000 <.08 da la p-value = 0.05, dapat dsmpulka baha olak H 0. Kesmpula yag dhaslka adalah terdapat hubuga yag sgfka atara jumlah kasus kemata bu da bay d Jaa mur tahu 05. Utuk hasl pemerksaa korelas secara legkap dapat dlhat pada (Lampra 4). 4.3.3 Peguja Dstrbus Bvarat Posso Aalss Mxed Geographcally Weghted Bvarat Posso Regresso megasumska baha varabel respo yag dguaka megkut dstrbus bvarate posso dlakuka dega megguaka persamaa (.3). Hpotess yag dguaka adalah H0: F( x) F0( x) utuk Y da Y H: F( x) F0( x) utuk Y da Y Statstk uj yag dguaka berdasarka persamaa (.3) adalah I B 38 4.6 97.60 5.4 50.97 88.87 50.974.6 5.4 6.43 Nla I 6.43 lebh kecl dbadgka t 93.945 B tabel sehgga dapat dsmpulka baha hpotess ol gagal dtolak. Kesmpula yag dhaslka adalah varabel respo ( Y da Y ) megkut dstrbus bvarat posso. 4.3.4 Pemerksaa Multkolertas Pemerksaa multkolertas dlakuka utuk megetahu apakah terdapat hubuga atau kasus multkolertas atar varabel predktor. Nla yag dguaka sebaga acua utuk pemerksaa multkolertas adalah la korelas atar varabel predktor da la VIF (Varace Iflato Factor). Cara pertama 89

adalah dega melhat koefse korelas sepert yag tercatum dalam lampra 5 atar varabel predktor, apabla la tersebut melebh ± 0,95 maka dkataka terjad multkolertas. abel 4.3 Koefse Korelas Atar Varabel Predktor X X X 3 X 4 X 5 X 6 X 0,666 X 3 0,097-0,08 X 4-0,88-0,075 0,45 X 5 0,53-0,067 0,65 0,040 X 6-0,034 0,6-0,04 0,055-0,69 X 7 0,07 0,36-0,74 0,09-0,34 0,85 Berdasarka abel 4.3, terlhat baha korelas atar varabel predktor yag dguaka tdak ada yag melebh agka ± 0.95, sehgga dapat dsmpulka baha tdak terjad multkolertas pada varabel predktor yag dguaka. Namu utuk melhat multkolertas yag lebh vald megguaka krtera VIF. L (000) la VIF yag lebh dar 0 merupaka bukt baha terdapat multkolertas atar varabel yag dguaka. Hasl pemerksaa multkolertas dsajka pada abel 4.4. Utuk hasl peguja VIF secara legkap dapat dlhat pada (Lampra 5). abel 4.4 Hasl Pemerksaa Multkolertas Varabel Predktor Nla VIF Kesmpula X 0,648,840 X 0,60,506 dak terjad X 3 0,67,00 multkolertas X 4 0,58,347 atar varabel X 5 0,5,087 predktor X 6 0,450,88 X 7 0,,83 Berdasarka abel 4.4 seluruh varabel predktor mempuya la VIF < 0, sehgga dapat dsmpulka baha tdak terdapat kasus multkolertas pada tujuh varabel predktor yag dguaka. Oleh karea tu, semua varabel 90

predktor tersebut dapat dguaka dalam pemodela megguaka Mxed Geographcally Weghted Bvarate Geeralzed Posso Regresso. 4.3.5 Pemodela Jumlah Kemata Ibu da Bay d Jaa mur ahu 05 dega Bvarate Geeralzed Posso Regresso Peaksra parameter model Bvarate Geeralzed Posso Regresso meghaslka la taksra yag bersfat global atau sama utuk masg-masg kabupate/kota d Jaa mur, sehgga faktor-faktor yag mempegaruh jumlah kemata bu da bay d Jaa mur daggap sama utuk setap kabupate/kota. Berdasarka hasl Lampra 7 dperoleh la taksra parameter model Bvarate Geeralzed Posso Regresso yag dsajka pada abel 4.5. abel 4.5 Hasl Peaksra Parameter Bvarate Geeralzed Posso Regresso Parameter Koefse Std. Error Z value P-value.0,5093 0,000 855,00 0,0000. -0,693 0,03-0,4738 0,0000. 0,37 0,0067 55,405 0,0000.3-0.08 0,054-5,47 0,0000.4-0,67 0,0007-950,90 0,0000.5 0,044 0,0309,485 0,530.6-0,0000 0,0000-56,30 0,0000.7-0,004 0,00-0,003 0,840.0 4,435 0,0009 4638,700 0,0000. 0,85 0,0353 5,603 0,0000. -0,794 0,0374-4,787 0,0000.3-0,035 0,00-3,900 0,004.4 0,3457 0,080,3073 0,0000.5-0,833 0,0669-4,37 0,0000.6-0,0005 0,0000-586,540 0,0000.7 0,0396 0,07,3077 0,00 0,3884 0,0000 70877,0000 0,0000 0 0,859 0,0000 70,0000 0,0000 0,06 0,00794,5988 0,098 0,0486 0,003 4,6965 0,0000 ) sgfka dega taraf sgfkas 5% 9

Pemodela jumlah kemata bu da bay dega Bvarate Geeralzed Posso Regresso dega taraf sgfkas 5%, meghaslka kesmpula baha faktor-faktor yag berpegaruh terhadap jumlah kemata bu adalah varabel persala oleh teaga kesehata, persetase bu haml medapatka tablet Fe 3, persetase komplkas kebdaa yag dtaga, persetase fasltas kesehata, da kepadata peduduk. Sedagka utuk varabel jumlah kemata bay, adalah varabel persala oleh teaga kesehata, persetase bu haml medapatka tablet Fe 3, persetase komplkas kebdaa yag dtaga, persetase fasltas kesehata, persetase peduduk msk, kepadata peduduk da persetase rumah tagga ber-phbs. Sehgga dar hasl semua peaksra parameter maka dperoleh model sebaga berkut: ˆ exp,5093 0, 693X 0,37 X 0, 08X 0, 67X 0, 044X 0, 00009X 0, 004X 3 4 5 6 7 ˆ exp 4, 435 0,85X 0,794 X 0, 035X 0, 3457X 0, 833X 0, 0005X 0, 0396X 3 4 5 6 7 Kebaka model Bvarate Geeralzed Posso Regresso dapat dlhat dar la devas dar model yag terbetuk. Berdasarka hasl output pada Lampra 7 maka dperoleh la devas sebesar 0.034 da la (0.05;0) adalah 8,0370, keputusa peguja adalah tolak H 0 karea la devas (0.05;0) yag berart baha seluruh parameter secara bersama-sama mempuya pegaruh dalam model. 4.3.6 Peguja Heterogetas Spasal pada Jumlah Kemata Ibu da Bay d Jaa mur ahu 05 Perbedaa karakterstk atar layah yag satu dega layah yag la meyebabka terjadya heterogetas atau keragama spasal. Adaya keragama spasal pada data jumlah kemata bu da bay serta faktor-faktor yag mempegaruhya ddetfkas dega megguaka uj Glejser dega hpotess sebaga berkut. H : (dak terdapat heterogetas spasal) 0 H mmal ada satu ;,,, : 9

Berdasarka hasl peguja heterogetas spasal pada Lampra 8, statstk uj G adalah sebesar 95.053 da la (0.05;0) adalah 8,0370. Keputusa peguja adalah tolak H 0 karea la G (0.05;0) yag berart baha jumlah kemata bu da bay d Jaa mur mempuya heterogetas atau keragama spasal atar layah. 4.3.7 Pemodela Jumlah Kemata Ibu da Bay d Jaa mur ahu 05 dega Geographcally Weghted Bvarate Geeralzed Posso Regresso Pemodela GWBGPR dlakuka dega memasukka pembobot spasal. Matrks pembobot yag dguaka merupaka matrks yag bers fugs kerel yag terdr dar jarak atar lokas da badth, utuk tu lagkah pertama yag harus dlakuka dalam pemodela GWBGPR adalah meetuka jarak Euclda atar lokas pegamata. Jarak Euclda atar pegamatab yag dhtug dega softare R dapat dlhat pada Lampra 0. Fugs kerel yag dguaka dalam pemodela GWBGPR adalah fugs adaptve bsquare kerel karea pegamata tersebut secara megelompok, sehgga membutuhka baddth yag berbeda d tap lokas. Setelah medapatka baddth maka dperoleh matrks pembobot spasal dega memasukka la baddth da jarak Euclda ke dalam fugs kerel. Matrks pembobot spasal yag dperoleh utuk tap-tap lokas kemuda dguaka utuk membetuk model GWBGPR sehgga tap-tap lokas memlk model yag berbeda-beda. Matrks pembobot spasal yag dperoleh dapat dlhat pada Lampra. Peguja sgfkas model GWBGPR secara seretak dlakuka utuk meguj apakah secara bersama-sama varabel predktor berpegaruh terhadap model. Hpotess yag dguaka dalam peguja sgfkas model GWBGPR secara seretak adalah sebaga berkut: H : u, v u, v... u, v 0; j,;,,, 0 j j jk H : palg sedkt ada satu u, v 0; j, dega l,,..., k jk Berdasarka hasl aalss, peguja sgfkas parameter secara seretak dperoleh dar la devas sebesar 0.034 dega la adalah 8,0370. (0.05;0) 93

sehgga dapat dsmpulka baha H 0 dtolak karea la devas (0.05;0) dega kata la secara seretak varabel predktor berpegaruh terhadap model. Peguja sgfkas model GWBGPR secara parsal dlakuka utuk megetahu parameter-parameter yag sgfka d setap layah. Hpotess yag dguaka dalam peguja sgfkas model GWBGPR secara parsal adalah sebaga berkut 0 H : u, v 0; j, jl H : u, v 0; j, dega l,,..., k jl da u v H :, 0; j, 0 j H : u, v 0; j, dega l,,..., k j Berdasarka hasl peguja sgfkas parameter dega softare R, dperoleh parameter yag sgfka berbeda-beda utuk tap kabupate/kota. Hasl estmas parameter GWBGPR da parameter yag sgfka d setap kabupate/kota pada kasus jumlah kemata bu meghaslka 3 kelompok kabupate/kota. Pembaga kelompok kabupate/kota pada jumlah kemata bu dsajka pada abel 4.6 da pembaga kelompok kabupate/kota pada jumlah kemata bay dsajka pada abel 4.7 Pada abel 4.6 mejelaska baha pembobot fugs Adaptve Bsquare Kerel pada kasus kemata bu meghaslka tga belas kelompok kabupate/kota berdasarka kesamaa varabel predktor yag sgfka sedagka pada kasus kemata bay meghaslka 3 kelompok kabupate/kota berdasarka kesamaa varabel predktor yag sgfka. Sedagka pada abel 4.7 mejelaska baha pembobot fugs Adaptve Bsquare Kerel pada kasus kemata bay meghaslka sepuluh kelompok kabupate/kota berdasarka kesamaa varabel predktor yag sgfka. 94

abel 4.6 Pegelompoka Kabupate/Kota d Jaa mur Pada Kasus Jumlah Kemata Ibu dega GWBGPR No Kabupate/Kota Varabel yag sgfka Pacta, Poorogo, ulugagug, Madu, Nga, uba, Kota Pasurua reggalek, Bayuag, Bodooso, Probolggo, Pasurua, Mojokerto, Jombag, Mageta, Gresk, Pamekasa, Sumeep, Kota Probolggo, Kota Madu, Kota Surabaya X 3, X 4, X 6 X, X, X 3, X 4, X 5, X 6, X 7 3 Bltar, Bagkala, Kota Kedr, Kota Bltar X 3, X 4, X 6, X 7 4 Kedr X 3, X 4, X 6 5 Malag X, X, X 4, X 6, X 7 6 Lumajag X4, X6 7 Jember, Sdoarjo, Bojoegoro X, X, X 3, X 4, X 6, X 7 8 Stubodo X, X, X 3, X 4, X 5, X 6 9 Ngajuk X, X 3, X 4, X 6 0 Lamoga X, X 4, X 5, X 6 Sampag X, X, X 4, X 6, X 7 Kota Mojokerto X, X, X 4, X 5, X 6, X 7 3 Kota Batu X, X, X 3, X 4, X 6 95

abel 4.7 Pegelompoka Kabupate/Kota pada Kasus Jumlah Kemata Bay dega GWBGPR No Kabupate/Kota Varabel yag sgfka Pacta, Jember, Stubodo, Gresk X, X, X 3, X 4, X 6, X 7 Poorogo, ulugagug, Bltar, Madu, Nga, uba, Bagkala, Kota Bltar, Kota Malag X 3, X 4, X 6 3 reggalek X 4, X 5, X 6 4 Kedr, Lumajag X4, X6 5 Probolggo, Pasurua, Mojokerto, Jombag, Mageta, Lamoga, Sampag, Kota Madu X, X, X 3, X 4, X 5, X 6, X 7 6 Bayuag, Sumeep, Kota Probolggo X, X, X 4, X 5, X 6 7 Bodooso, Bojoegoro X, X, X 4, X 6 8 Sdoarjo X, X, X 3, X 4, X 6 9 Ngajuk, Pamekasa X, X, X 3, X 4, X 5, X 6 0 Kota Kedr X 3, X 4, X 6, X 7 Kota Pasurua X 3, X 4, X 5, X 6 Kota Mojokerto X, X 3, X 4, X 5, X 6, X 7 3 Kota Surabaya, Kota Batu X, X, X 4, X 5, X 6, X 7 Berdasarka peguja parameter secara parsal, sebaga cotoh aka dsajka peguja parameter pada lokas. Pemodela Geographcally Weghted Bvarate Geeralzed Posso Regresso aka meghaslka model m lokal dmaa seluruh kabupate/kota d Provs Jaa mur mempuya model yag berbeda-beda atar layah. Pada abel 4.8 aka dtujukka estmas parameter utuk Kabupate Pacta. 96

abel 4.8 Hasl Peaksra Parameter Model Geographcally Weghted Bvarate Geeralzed Posso Regresso Kabupate Pacta Parameter Kemata Ibu Kemata Bay Koefse Z value P-value Koefse Z value P-value 0,034 0,0046 0,0000 4,5640 0,0003 0,0000 0,766 0,0997 0,0764 0,655 0,065 0,007-0,93 0,3 0,453-0,989 0,069 0,0040 3-0,0435 0,00 0,038 0,03 0,0068 0,0007 4-0,087 0,049 0,0009 -,4796 0,049 0,0000 5-0,088 0,09 0,348-0,070 0,058 0,50 6-0,0004 0,0000 0,0000-0,0003 0,0000 0,0000 7-0,0303 0,0 0,694 0,09 0,008 0,0045 0,3699 0,0000 0,0000,3699 0,0000 0,0000 0 0,055 0,0000 0,0000 0,055 0,0000 0,0000 0,7758 0,093 0,0000 0,7758 0,093 0,0000 0,043 0,00 0,0000 0,043 0,00 0,0000 ) sgfkas dega taraf sgfkas 5% Berdasarka abel 4.8 d Kabupate Pacta dketahu baha terdapat tga varabel predktor yag berpegaruh secara sgfka terhadap jumlah kemata bu da eam varabel predktor yag berpegaruh secara sgfka terhadap jumlah kemata bay. model GWBGPR utuk kabupate Pacta adalah sebaga berkut: Kemata Ibu ˆ exp, 034 0,766X 0,93X 0, 0435X 0, 087X 0, 088X 0, 0004X 0, 0303X 3 4 5 6 7 Kemata Bay ˆ exp 4, 5640 0,655X 0,989 X 0, 03X, 4796X 0, 070X 0, 0003X 0, 09X 3 4 5 6 7 4.3.8 Pemodela Jumlah Kemata Ibu da Bay d Jaa mur ahu 05 dega Mxed Geographcally Weghted Bvarate Geeralzed Posso Regresso Berdasarka aalss GWBGPR meujukka baha varabel predktor berpegaruh terhadap seluruh lokas, sedagka varabel 97

haya berpegaruh pada beberapa lokas saja (berpegaruh secara lokal). Oleh karea tu dega varabel tersebut aka dbetuk MGWBGPR utuk megetahu jumlah kemata bu da bay d Jaa mur. Pada aalss MGWBGPR varabel predktor sebaga varabel predktor globalya da varabel predktor sebaga varabel predktor lokal. Pemodela jumlah kemata bu da bay megguaka MGWGPR dharapka memperoleh hasl yag lebh bak darpada pemodela dega megguaka GWBGPR. Peguja sgfkas model GWBGPR secara seretak dlakuka utuk meguj apakah secara bersama-sama varabel predktor berpegaruh terhadap model. Hpotess yag dguaka dalam peguja sgfkas model GWBGPR secara seretak adalah sebaga berkut: H : u, v u, v... u, v ; j, 0 j j jk H : palg sedkt ada satu u, v 0; j, jk Peguja hpotess selajutya yatu sgfkas model MGWBGPR secara parsal dlakuka utuk megetahu varabel global da lokal yag berpegaruh sgfka. Hpotess yag dguaka dalam peguja sgfkas model MGWBGPR varabel global adalah sebaga berkut: H : 0; j, 0 jk H : 0; j, jk Sedagka peguja sgfkas utuk varabel lokal adalah sebaga berkut: 0 H : u, v 0; j, jk H : u, v 0; j, jk Berdasarka hasl peguja sgfkas parameter dega softare R, dperoleh parameter yag sgfka berbeda-beda utuk tap kabupate/kota. Dketahu baha varabel X 4 da X 6 merupaka varabel global. Hasl estmas parameter MGWBGPR da parameter yag sgfka secara lokal d setap kabupate/kota dapat dlhat pada abel 4.9. 98

abel 4.9 Pegelompoka Kabupate/Kota d Jaa mur Pada Kasus Jumlah Kemata Ibu dega MGWBGPR No Kabupate/Kota Varabel yag sgfka Pacta, Poorogo, ulugagug, Madu, Nga, uba, Kota Pasurua X3 reggalek, Bayuag, Bodooso, Probolggo, Pasurua, Mojokerto, Jombag, Mageta, Gresk, Pamekasa, Sumeep, Kota Probolggo, Kota Madu, Kota Surabaya X, X, X 3, X 5, X 7 3 Bltar, Bagkala, Kota Kedr, Kota Bltar X3, X7 4 Kedr X3 5 Malag X, X, X 7 7 Jember, Sdoarjo, Bojoegoro X, X, X 3, X 7 8 Stubodo X, X, X 3, X 5 9 Ngajuk X, X3 0 Lamoga X, X5 Sampag X, X, X 7 Kota Mojokerto X, X, X 5, X 7 3 Kota Batu X, X, X 3 Pada tabel 4.9 mejelaska baha pada kasus kemata bu meghaslka kelompok kabupate/kota berdasarka kesamaa varabel predktor yag sgfka sedagka pada kasus kemata bay meghaslka kelompok kabupate/kota berdasarka kesamaa varabel predktor yag sgfka. Selegkapya pembaga kelompok tersebut djelaska pada abel 4.0. 99

abel 4.0 Pegelompoka Kabupate/Kota pada Kasus Jumlah Kemata Bay dega MGWBGPR No Kabupate/Kota Varabel yag sgfka Pacta, Jember, Stubodo, Gresk X, X, X 3, X 7 Poorogo, ulugagug, Bltar, Madu, Nga, uba, Bagkala, Kota Bltar, Kota Malag 3 reggalek X5 4 Probolggo, Pasurua, Mojokerto, Jombag, Mageta, Lamoga, Sampag, Kota Madu X 3 X, X, X 3, X 5, X 7 5 Bayuag, Sumeep, Kota Probolggo X, X, X 5 6 Bodooso, Bojoegoro X, X 7 Sdoarjo X, X, X 3 8 Ngajuk, Pamekasa X, X, X 3, X 5 9 Kota Kedr X3, X7 0 Kota Pasurua X3, X5 Kota Mojokerto X, X 3, X 5, X 7 Kota Surabaya, Kota Batu X, X, X 5, X 7 Berdasarka peguja parameter secara parsal, sebaga cotoh aka dsajka peguja parameter pada lokas. Pemodela Mxed Geographcally Weghted Bvarate Geeralzed Posso Regresso aka meghaslka model yag berbeda utuk setap kabupate/kota yatu model gabuga atara model global da model lokal. Pada abel 4. aka dtujukka estmas parameter utuk Kabupate Pacta. 00

abel 4. Hasl Peaksra Parameter Model Mxed Geographcally Weghted Bvarate Geeralzed Posso Regresso Parameter Kemata Ibu Kemata Bay Koefse Z value P-value Koefse Z value P-value 0,034 0,0046 0,0000 4,5640 0,0003 0,0000 0,766 0,0997 0,0764 0,655 0,065 0,007-0,93 0,3 0,453-0,989 0,069 0,0040 3-0,0435 0,00 0,038 0,03 0,0068 0,0007 4-0,087 0,049 0,0009 0,3457 3,47 0,0000 5-0,088 0,09 0,348-0,070 0,058 0,50 6 0,0000-0,40 0,0000-0,0003 0,0000 0,0000 7-0,0303 0,0 0,694 0,09 0,008 0,0045 0,3699 0,0000 0,0000,3699 0,0000 0,0000 0 0,055 0,0000 0,0000 0,055 0,0000 0,0000 0,7758 0,093 0,0000 0,7758 0,093 0,0000 0,043 0,00 0,0000 0,043 0,00 0,0000 ) sgfkas dega taraf sgfkas 5% Berdasarka abel 4. d Kabupate Pacta dketahu baha terdapat tga varabel predktor yag berpegaruh secara sgfka terhadap jumlah kemata bu da eam varabel predktor yag berpegaruh secara sgfka terhadap jumlah kemata bay. Model MGWBGPR utuk kabupate Pacta adalah sebaga berkut: a. Jumlah Kemata Ibu ˆ exp, 034 0,766 X 0,93X 0, 0435X 0, 087 X 0, 088X 0, 00009X 0, 0303X 3 4 5 6 7 Dar model datas dapat dsmpulka baha setap peambaha % komplkas kebdaa yag dtaga (X 3 ) maka aka meuruka rata-rata jumlah kemata bu sebayak exp(0,0435) =,04 kal dega asums varabel la kosta. Setap peambaha % fasltas kesehata (X 4 ) maka aka meuruka rata-rata jumlah kemata bu sebayak exp(0,087) =,08 kal dega asums varabel la kosta. Setap peambaha % kepadata peduduk (X 6 ) maka aka 0

meuruka rata-rata jumlah kemata bu sebayak exp(0,00009) = kal dega asums varabel la kosta. b. Jumlah Kemata Bay ˆ exp 4, 5640 0,655X 0,989 X 0, 03X 0, 3457X 0, 070X 0, 0003X 0, 09X 3 4 5 6 7 Dar model datas dapat dsmpulka baha setap peambaha % persala yag dtaga oleh teaga kesehata (X ) maka aka meambah rata-rata jumlah kemata bay sebayak exp(0,655) =,7 kal dega asums varabel la kosta. Setap peambaha % bu haml medapatka tablet Fe 3 (X ) maka aka meuruka rata-rata jumlah kemata bu sebayak exp(0,989) =, kal dega asums varabel la kosta. Setap peambaha % komplkas kebdaa yag dtaga (X 3 ) maka aka meambah rata-rata jumlah kemata bu sebayak exp(0,03) =,0 kal dega asums varabel la kosta. Setap peambaha % fasltas kesehata (X 4 ) maka aka meuruka rata-rata jumlah kemata bu sebayak exp(0,3457) =,4 kal dega asums varabel la kosta. Setap peambaha % kepadata peduduk (X 6 ) maka aka meuruka rata-rata jumlah kemata bu sebayak exp(0,00009) = kal dega asums varabel la kosta. Setap peambaha % rumah tagga ber- PHBS (X 7 ) maka aka meambah rata-rata jumlah kemata bu sebayak exp(0,099) = kal dega asums varabel la kosta. 0

BAB 5 KESIMPULAN DAN SARAN 5. Kesmpula Berdasarka aalss yag telah dlakuka, dperoleh beberapa kesmpula sebaga berkut:. Model MGWBGPR adalah suatu pemodela yag meggabugka model Bvarate Geeralzed Posso Regreso (BGPR) dega model Geographcally Weghted Bvarate Geeralzed Posso Regreso (GWBGPR), sehgga pada model MGWBGPR aka dhaslka peaksr parameter yag sebaga bersfat global da sebaga laya bersfat lokal sesua dega pegamata data. Peaksra parameter model MGWBNBR dlakuka dega megguaka metode Maxmum Lkelhood Estmato (MLE) dega batua teras umerk Neto- Raphso. Statstk uj model MGWBNBR meguaka metode Maxmum Lkelhood Rato est (MLR) dega membadgka atara la lkelhood d baah da lkelhood dbaah populas. Peguja hpotess dlakuka secara seretak da secara parsal.. Pemodela MGWBGPR dega pembobot Adaptve Bsquare Kerel membetuk 3 kelompok kabupate/kota berdasarka kesamaa varabel predktor yag sgfka pada kasus kemata bay da 4 kelompok kabupate/kota berdasarka kesamaa varabel predktor yag sgfka pada kemata bay. Varabel predktor yag berpegaruh sgfka terhadap seluruh kelompok bak kemata bu da bay adalah varabel kepadata peduduk da persetase fasltas kesehata, yag berart baha varabel bersfat global utuk seluruh kab/kota d Jaa mur. 5. Sara Dega memperhatka kesmpula yag dperoleh, maka ada beberapa hal yag dapat dsaraka utuk peelta selajutya, dataraya: 03

. Berdasarka hasl peelta, sara yag bsa dberka kepada Pemertah Daerah (PEMDA) setempat d Provs Jaa mur adalah megkatka sosalsas tetag kemata bu da bay serta solus utuk mecegah hal tersebut.. MGWBGPR mampu megkombaska karakterstk lokal da karakterstk global yag mampu dkombaska. Sehgga sela kebjaka umum dperluka juga kebjaka khusus pada beberapa aspek yag secara yata berbeda kodsya atar satu lokas dega lokas laya. 3. Kosep respos bvarat dalam model bsa dkembagka pada kasus-kasus laya yag berupa data cout. 04

DAFAR PUSAKA Agrest, A. (003). Categorcal Data Aayss. Ne York: Joh Wley ad Sos.Ic. Akake, H. (978). A Bayesa Aalyss of the Mmum AIC Procedure. Ne York: Sprger. BPS. (04). Profl Kesehata Ibu da Aak 04. Surabaya: Bada Pusat Statstk Jaa mur. Camero, A. C., & rved, P. K. (03). Regresso Aalyss of Cout Data Secod Edto. Ne York: Cambrdge Uversty. Dkes. (03). Profl Kesehata Provs Jaa mur. Surabaya: Das Kesehata Provs Jaa mur. Dkes. (05). Profl Kesehata Provs Jaa mur. Surabaya: Das Kesehata Provs Jaa mur. Djaja, S., & Affah,. (0). Pecapaa da ataga Status Kesehata Materal d Idoesa. Jural Ekolog Kesehata, 0-0. Draper, N. R., & Smth, H. (998). Appled Regresso Aalyss. Caada: Joh Wley & Sos, Ic. Efro, B., & bshra, R. (993). A Itroducto to the Bootstrap. Lodo: Chapma ad Hall. Fadhllah, F. (0). Aplkas Regres Bomal Negatf da Geeralzed Posso Dalam Megatas Overdspers Pada Regres Posso. Jakarta: Uverstas Islam Neger Syarf Hdayatullah. Famoye, F., Wulu, J.., & Sgh, K. P. (004). O the Geeralzed Posso Regresso Model th a Applcato to Accdet Data. Joural of Data Sceces, 87-95. Fothergham, A. S., & Chrs Brusdo, M. C. (00). Geographcally Weghted Regresso. Eglad: Joh Wley & Sos, Ltd. Gujarat, D. (004). Basc Ecoometrcs. Ne York: he MacGra Hll Compaes. 05

Helmzar. (04). Evaluas Kebjaka Jama Persala (Jampersal) Dalam Peurua Agka Kemata Ibu da Bay d Idoesa. Jural KESMAS, 97-05. Hlbe, J. M. (0). Negatve Bomal Regresso. Uted Kgdom: Cambrdge Uversty Press. Ismal, N., & A.A, J. (005). Geeralzed Posso Regresso: A Alteratve for Rsk Classfcato. Jural ekolog Uverst ekolog Malaysa, 39-54. Joh, B. D. (999). est of Ft ad Other Noparametrc Data Aalyss. Australa: Uversty of Wollogog. Jug, C., & Wkelma, R. (993). o Aspect of Labor Moblty: A Bvarate Posso Regresso Approach. Joural Emprcal Ecoomcs, 543-556. Karls, D., & Ntzoufras, I. (005). Bvarate Posso Dstrbuto. Koda Math SEM REP, 46-56. Kaamura, K. (973). he Structure of Bvarate Posso Dstrbuto. Koda Math SEM REP, 46-56. McCarthy, J., & Mae, D. (99). A Frameork for Aalyzg the Determat of Materal Mortalty. Study Fam Pla, 3-33. McCullagh, P., & Nelder, J. (989). Geeralzed Lear Models. Lodo: Chapma ad Hall. Nakaya,., Fothergham, A., Brudso, C., & Charlto, M. (005). Geographcally Weghted Posso Regresso For Dsease Assocato Mappg. Statstc Med, 965-77. Pramoo, M. S., Wulasar, S., & Sutko. (0). Pemetaa Determa Agka Kemata Bay d Jaa mur Berdasarka Ideks Pembagua Kesehata Masyarakat. Surabaya: Pusat Humaora Kemetra Kesehata. Prarohardjo, S. (008). Ilmu Kebdaa. Jakarta: Yayasa Ba Pustaka Saroo Prarohardjo. UNICEF. (0). Rgkasa Kaja. Jakarta: UNICEF. Verc, R. (997). O the Bvarate Geeralzed Posso Dstrbuto. Ast Bullet, 3-3. Walpole, R. (98). Pegatar Statstka. Jakarta: Grameda Pustaka Utama. 06

07 Lampra. Peurua Fugs Lkelhood MGWBGPR (dbaah populas) urua pertama dar Q terhadap u, v 0 Q 3 m y, y y k x u, v x k0 e e 0 u, v y k u, v m y, y k u, v k u, v x,, 0, 0, β u v u v u v u v x β x β x β e e 0 u, v e e 0 u, v y k,, x, β u v x β k0 e e 0 u v y k u v k 0 0 0 turua kedua u, v terhadap, 0 0 u v adalah m y, y, x β u v x β u, v 0 0 m y, y m y k y, y Q u, v u, v e e u, v e e u, v x x β 0 0 k0 x u, v x e e 0 u, v y k u, v k0 m y, y k0 k u, v k u, v 0 0 x β u, v x β y k,, e e u v y k u v 0

08 turua kedua u, v terhadap u, v Q 0 u, v u, v 0 turua kedua u, v terhadap u, v Q 0 u, v u, v 0 adalah x, u, v x β m y, y x β u v x β e e x y k e e x x u, v x k 0 u, v e e 0 u, v x β x β e e 0 u, v y k u, v turua kedua u, v terhadap, Q 0 u, v u, v 0 adalah x, β u, v x β m y, y x β u v x β e e x y k e e x x β u, v x β k0 x β u, v x β e e 0 u, v e e 0 u, v y k u, v m y, y k0 u v adalah x β x β u, v turua kedua u, v terhadap, Q 0 u, v u, v 0 m y, y k0 y k y k,, e e u v y k u v u v adalah x β x β u, v 0 y k y k,, e e u v y k u v 0

09 turua kedua u, v terhadap, 0 0 u v adalah kk m y,,, y Q u v u v u, v k u, v 0 0 k0 0 0 turua kedua, Q u, v 0 u v terhadap adalah 0 turua kedua, Q u, v 0 x, u, v x β m y, y x β u v x β e e x y k e e x x u, v x k 0 u, v e e 0 u, v x β x β e e 0 u, v y k u, v u v terhadap adalah 0 turua pertama x, β u, v x β m y, y x β u v x β e e x y k e e x x β u, v x β k0 x β u, v x β e e 0 u, v e e 0 u, v y k u, v Q terhadap u, v x u, v x Q e e x x u, v x,, u v e e x x β u v x β e e 0 u, v m y, y k 0 x u, v x y k e e x x u, v x e e 0 u, v y k u, v

0 Dubah betuk mejad Q u, v m y, y x,,,, x β x β x β u v x β u v x β u v x β e e e e 0 u v e e x x, u v x u, v x x x 0,, y k e e e e u v y k u v k 0 Dega x u, v x x u e e x u, v x ' xx u e e x u, v x 0, v e e u v v ' e x u, v x e x x u, v x e e 0 u, v da x, β u v x x x u, v x xx x, β u v x,, u y k e e u ' y k e e v e e u v y k u v 0 x, β u v x e e x x, β u v x 0 v ' e e u, v y k u, v

Sehgga ddapatka turua kedua u, v terhadap u, v adalah x x u, v 0 x,, β u v x β x β u v x Q e e x x e e x x x u, v x,,,, u v e e xx x β u 0, u v v u v x β e e u v x β x β e e 0 u, v u, v 0 x u, v x x u, v x m y, y y k e e x x y k e e k0 e e u, v y k u, v e e u, v y k u, v x β x β x β x β turua kedua u, v terhadap u, v Q u, v u, v Dketahu baha Q u, v m y, y 0 x adalah,,,, x β x β x β u v x β u v x β u v x β e e e e 0 u v e e x x, u v x u, v x x x 0,, y k e e e e u v y k u v k 0

Sehgga ddapatka turua kedua u, v terhadap, Q u, v u, v u v adalah x u, v x y k y k e e x x u, v x e e 0 u, v y k u, v m y, y k0 turua kedua u, v terhadap, Q 0 u v adalah u, v u, v turua kedua u, v terhadap, Q u, v u, v 0 0 0 u v adalah dketahu baha Q u, v m y, y x,,,, x β x β x β u v x β u v x β u v x β e e e e 0 u v e e x x, u v x u, v x x x 0,, y k e e e e u v y k u v k 0

3 dega x u, v x x u e e x u, v x ' xx u e e x u, v x v e e u, v v ' e x u, v x e x x u, v x e e 0 u, v 0 da x β, u v x x x u, v x xx x β, u v x,, u y k e e u ' y k e e v e e u v y k u v 0 x β, u v x e e x x β, u v x e e 0 u v y k u v ',, v Sehgga ddapatka turua kedua u, v terhadap adalah x,, β u v x β x β u v x Q e e x x e e x x x u, v x,,, u v e e xx x β u 0, u v v x β e e u v x β x β e e 0 u, v u, v 0 u, v 0 x u, v x x u, v x m y, y y k e e x x y k e e x x k0 e e u, v y k u, v e e u, v y k u, v x β x β x β x β

4 turua kedua u, v Q u, v terhadap 0 turua pertama adalah Q terhadap u, v x β, u v x β x Q e e x β u, v x β x β, x, x β e e u v u v e e 0 u, v x β u, v x β y k e e x x β u, v x β e e 0 u, v y k u, v m y, y k0 Kemuda dubah betuk mejad Q u, v m y, y x,,,, x β x β x β u v x β u v x β u v x β e e e e 0 u v e e x x β, u v x β u, v x x β x β 0,, y k e e e e u v y k u v k0

5 dega x β u, v x β x u e e x β u, v x β ' xx u e e x β u, v x β v e e u, v v ' e x β u, v x β e x x β u, v x β e e 0 u, v 0 da x, β u v x β x x β u, v x β xx x, β u v x β,, u y k e e u ' y k e e v e e u v y k u v 0 x, β u v x β e e x x, β u v x β 0 v ' e e u, v y k u, v sehgga ddapatka turua kedua dar u, v terhadap u, v adalah x x u, v 0 x,, β u v x β x β u v x β Q e e x x e e x x x β u, v x β,,,, u v e e xx x β u 0, u v v u v x β e e u v x β x β e e 0 u, v u, v 0 x β u, v x β x β u, v x β m y, y y k e e x x y k e e k0 e e u, v y k u, v e e u, v y k u, v x β x β x β x β turua kedua dar u, v terhadap, Q u, v u, v 0 u v adalah

6 dketahu baha Q u, v m y, y x,,,, x β x β x β u v x β u v x β u v x β e e e e 0 u v e e x x β, u v x β u, v x x β x β 0,, y k e e e e u v y k u v k0 Sehgga ddapatka turua kedua dar u, v terhadap, Q u, v u, v u v adalah x β u, v x β y k y k e e x x β u, v x β e e 0 u, v y k u, v m y, y k0 turua kedua dar u, v terhadap, Q u, v u, v 0 0 0 u v adalah turua kedua dar u, v Q u, v 0 terhadap adalah

7 dketahu baha Q u, v m y, y x,,,, x β x β x β u v x β u v x β u v x β e e e e 0 u v e e x x β, u v x β u, v x x β x β 0,, y k e e e e u v y k u v k0 dega x β u, v x β x u e e x β u, v x β ' xx u e e x β u, v x β v e e u, v v ' e x β u, v x β e x x β u, v x β e e 0 u, v 0 da x β, u v x β x x β u, v x β xx x β, u v x β,, u y k e e u ' y k e e v e e u v y k u v 0 v ' x β, u v x β e e x x β, u v x β e e 0 u, v y k u, v

8 sehgga ddapatka turua kedua dar u, v terhadap adalah x,, β u v x β x β u v x β Q e e x x e e x x x β u, v x β,,, u v e e xx x β u 0, u v v x β e e u v x β x β e e 0 u, v u, v 0 u, v 0 x β u, v x β x β u, v x β m y, y y k e e x x y k e e x x k0 turua pertama e e u, v y k u, v e e u, v y k u, v x β x β x β x β Q terhadap u, v Q B y u, v B u, v m, y y y k y k y, x β u v x e e 0 u, v y k u, v k 0 dketahu baha m y, y Q y k y k y, u v x u, v x β e e 0 u, v y k u, v k0

9 sehgga ddapatka turua kedua u, v terhadap, y k y k u v adalah m y, y Q k0 x β x β u, v 0 u, v e e u, v y k u, v turua kedua u, v terhadap, Q u, v u, v 0 u v adalah turua kedua u, v terhadap, Q u, v u, v 0 turua kedua, Q u, v 0 0 u v terhadap adalah u v adalah x u, v x y k y k e e x x u, v x e e 0 u, v y k u, v m y, y k0

0 turua kedua, u v terhadap adalah Q u, v 0 turua pertama Q terhadap u, v m, y y Q y k y k y, k, u v x β u v x β k0 e e 0 u, v y k u, v sehgga ddapatka turua kedua u, v terhadap, y k y k u v adalah m y, y Q k0 x β x β u, v 0 u, v e e u, v y k u, v 0 u v adalah turua kedua u, v terhadap, Q u, v u, v 0 0 turua kedua, u v terhadap adalah

Q 0 u, v turua kedua, Q u, v u v terhadap adalah x β u, v x β y k y k e e x x β u, v x β e e 0 u, v y k u, v m y, y k0 dketahu baha turua pertama Q terhadap u, v 0 k k m y, y Q u, v u, v k u, v 0 k0 0 0 k sehgga ddapatka turua kedua u, v terhadap, 0 k k Q m y, y 0 0 u, k v 0 u, v k 0 u, v turua kedua, 0 0 Q 0 u, v turua kedua, u v terhadap adalah u v terhadap adalah 0 u v adalah

Q u, v 0 0 dketahu turua pertama Q terhadap x β, u v x e e x x u, v x x β, x β x e e u v e e 0 u, v Q m y, y dega k0 x u, v x x u, v x x,, y k e e e e u v y k u v x u, v x x u e e x u, v x ' x x u e e x u, v x v e e u, v v ' e x u, v x e x x u, v x e e 0 u, v 0 0 da sehgga ddapatka turua kedua terhadap adalah x β, u v x x x u, v x x x x β, u v x,, u y k e e u ' y k e e v e e u v y k u v 0 x β, u v x e e x x β, u v x 0, v ' e e u v y k u, v

3 x, u v x x, u v x x x e e x x e e x u, v x x β, x x x e e u v, e e 0 u, x β u v x β v e e 0 u, v Q x, m, x, u v x β x y y u v y k e e x x e e x x x β, u v x k0 e e, 0 u,, x β u v x β v y k u v e e 0 u, v y k u, v turua kedua terhadap adalah Q 0 turua pertama Q terhadap adalah Q x β, u v x β e e x x β u, v x β x β, x β x e e u v e e 0 u, v m y, y k0 x β u, v x β x β u, v x β x,, y k e e e e u v y k u v 0 turua kedua terhadap adalah

4 x β, u v x β x β, u v x β x x e e x x e e x β u, v x β x β, x β x x e e u v, e e 0 u, x β u v x β v e e 0 u, v Q x β, m, x β, u v x β x β y y u v y k e e x x e e x x x β, u v x β k0 e e, 0 u,, x β u v x β v y k u v e e 0 u, v y k u, v

Lampra. Data Jumlah Kemata Bay da Ibu d Provs Jaa mur ahu 05 Kabupate / Kota Y Y X X X 3 X 4 Pacta 5 9 88.09 8.94 06.064 4.3558 Poorogo 0 59 9.40 86.05 8.506 3.5739 reggalek 0 7 93.05 90.4 98.33 3.9 ulugagug 6 65 9.49 87.88 86.359 3.0357 Bltar 4 65 94.93 9.40 04.640.0953 Kedr 7 68 94.7 9.8 85.394.399 Malag 30 0 00.53 9.78 98.73.538 Lumajag 4 56 98.69 89.65 6.869.467 Jember 3 73 9.7 9.78 0.639.0356 Bayuag 3 85 97. 9.9 93.095.89 Bodooso 9 6 86.5 8.0 90.48 3.843 Stubodo 3 45 97.05 88.9 6.6.5384 Probolggo 6 96.54 88. 33.70.8935 Pasurua 6 65 99.44 9.73 00.000.086 Sdoarjo 6 7 98.64 89.09 78.673.80 Mojokerto 9 57 9.09 80.4 07.890.499 Jombag 6 67 94.85 89.9 99.849.7398 Ngajuk 90 89.65 8.40 8.3.999 Madu 4 5 93.40 9.3 84.043 3.8457 Mageta 5 38 95.0 93.33 94.63 3.5065 Nga 0 39 93.49 90.0 7.066.8958 Bojoegoro 3 99.8 86.99 4.40.9 uba 77 97.07 9.30 83.430.863 Lamoga 3 4 99.8 90.84 99.79.7783 Gresk 9 9 9.35 87.6 96.457.547 Bagkala 4 39 99.77 9. 67.754.3053 Sampag 4 70 00.65 88.89 97.885.47 Pamekasa 8 0 99.78 93.70 94.444.3660 Sumeep 7 8 98.83 88.6 85.50.798 Kota Kedr 3 7 93. 84.86 97.74 3.4 Kota Bltar 89. 80.8 68.303.754 Kota Malag 8 39 90.73 87.54 80.669.760 Kota Probo 3 8 93.0 90.9 90.777.699 Kota Pasurua 4 9 9.7 83.57 88.43 4.065 Kota Mojokerto 7 98.86 95.0 0.665 3.9775 Kota Madu 3 98.56 97.5 9.450 3.487 Kota Surabaya 38 77 96.9 94.55 99.600.765 Kota Batu 3 5 95.06 88.73 0.59.4940 5

Lampra. (Lajuta) X 5 X 6 X 7 U V 6.68 39.83 60.9-7.36.53.9 657.9 55.9-7.4.6 3.39 593.57 9. -7. 3.5 8.57 954.49 4.7-7.00 3.5 9.97 846.35 5.0-8.0.4.9 0.3 53.4-8.6 3.3.53 709.8 30.8-7.47.74.5 568.53 38.9-7.54 3.49. 768.8 64.0-8.03.37 9.7 7.34 47.4-7.09.57 4.96 49.7 0. -7.09.00 3.63 395.70 0.3-7.39.4 0.8 66.60.3-7.07.53 0.7 056.8 4.6-7.39.9 6.44 354.78 58. -7.07.4 0.57 478.69 45. -7.7.4 0.79 098.09 54.4-8.08 3.56.69 840.79 4.8-7.3.4.54 644.06 65. -7.43 3.56.35 90.33 6.3-7.57.4 5.6 63. 39. -7.3 3.56 5.7 555.89 55.0-8.03.4 7.08 60.4 70. -7.0 3.56 5.38 673.69 65.0-8.0.9 3.63 033.7 8. -7.47.3.57 935.96 63.7-8..53 5.69 743.78 3. -6.5 3.8 7.4 046.8 30.4-7.34 4. 0. 59.75 3.7-7.0.03 8.5 435.98 5.6-7.58.06 7.9 468. 39.3-8.04.0 4.60 5789.96 55.0-7.38.6 8.7 3968.93 6. -7.4.44 7.47 5434. 37.3-7.37.30 6.6 7506.5 58.7-7.8.50 4.89 50.39 63.9-7.45 3. 5.8 8035.40 7.9-7.5.3 4.7 440.33 33.6-7.49.00 Sumber: Profl Kesehata Provs Jaa mur Das Kesehata Provs Jaa mur ahu 05 6

Lampra 3. Statstka Deskrptf Descrptve Statstcs: y, y, x, x, x3, x4, x5, x6, x7 Varable Mea SE Mea StDev Mmum Q Meda y 4.6.55 9.55.00 5.00 3.00 y 50.97 5.0 30.87 5.00 9.75 53.50 x 95.048 0.64 3.849 86.50 9.35 94.970 x 89.3 0.65 4.00 80.40 87.93 89.470 x3 97.7.35 4.46 67.75 86.5 97.80 x4.78 0.4 0.70.8.5.680 x5.65 0.87 5.034 4.600 8.45.55 x6 849 340 098 7 69 874 x7 48.64.53 5.58 0.0 36.38 5.30 Varable Maxmum y 38.00 y.00 x 00.650 x 97.50 x3 33.7 x4 4.356 x5 5.690 x6 8035 x7 8.0 7

Lampra 4. Uj Korelas atar Varabel Respo MB > Correlato 'bu' 'bay'. Correlatos: bu, bay Pearso correlato of bu ad bay = 0.750 P-Value = 0.000 Uj Multkolertas Correlatos: x, x, x3, x4, x5, x6, x7 x x x3 x4 x5 x6 x 0.666 0.000 x3 0.36 0.038 0.44 0.8 x4-0.88-0.075 0.85 0.079 0.653 0.66 x5 0.53-0.067 0.58 0.040 0.5 0.689 0.344 0.809 x6-0.034 0.6-0.47 0.055-0.69 0.84 0.450 0.35 0.743 0.000 x7 0.07 0.36-0.4 0.09-0.34 0.85 0.97 0.053 0.98 0.585 0.58 0.083 Cell Cotets: Pearso correlato P-Value 8

Lampra 5. Peguja VIF Regresso Aalyss: x versus x, x3, x4, x5, x6, x7 he regresso equato s x = 34.6 + 0.666 x + 0.094 x3 -.59 x4 + 0.8 x5 + 0.0003 x6-0.075 x7 Predctor Coef SE Coef P Costat 34.559 9.786 3.53 0.00 x 0.666 0.084 6.4 0.000 x3 0.094 0.0038.44 0.59 x4 -.5906 0.64 -.59 0.05 x5 0.88 0.06.65 0.0 x6 0.00030 0.00057.5 0. x7-0.0748 0.0940-0.93 0.357 S =.49350 R-Sq = 64.8% R-Sq(adj) = 58.0% Regresso Aalyss: x versus x, x3, x4, x5, x6, x7 he regresso equato s x = 0.3 + 0.84 x - 0.044 x3 +.0 x4-0.09 x5-0.00094 x6 + 0.0596 x7 Predctor Coef SE Coef P Costat 0.8.76 0.8 0.46 x 0.844 0.34 6.4 0.000 x3-0.0443 0.030 -.06 0.97 x4.050 0.7308.40 0.7 x5-0.095 0.54 -.67 0.05 x6-0.000940 0.0009-0.67 0.50 x7 0.05957 0.0339.90 0.067 S =.77405 R-Sq = 60.% R-Sq(adj) = 5.4% 9

Regresso Aalyss: x3 versus x, x, x4, x5, x6, x7 he regresso equato s x3 = 0.4 +.4 x -.44 x + 0.7 x4-0.4 x5-0.00064 x6-0.59 x7 Predctor Coef SE Coef P Costat 0.43 98.84 0.00 0.997 x.4.483.44 0.59 x -.436.353 -.06 0.97 x4 0.67 5.45.96 0.059 x5-0.37.003-0.4 0.89 x6-0.000645 0.0045-0.9 0.776 x7-0.593 0.57-0.63 0.533 S =.683 R-Sq = 6.7% R-Sq(adj) = 0.6% Regresso Aalyss: x4 versus x, x, x3, x5, x6, x7 he regresso equato s x4 = 6.40-0. x + 0.058 x + 0.003 x3 + 0.048 x5 + 0.000067 x6 + 0.0099 x7 Predctor Coef SE Coef P Costat 6.405.849.5 0.03 x -0.8 0.0438 -.59 0.05 x 0.058 0.045.40 0.7 x3 0.003 0.00567.96 0.059 x5 0.0484 0.0304.4 0.67 x6 0.0000667 0.00006885 0.97 0.340 x7 0.00987 0.007886 0.38 0.707 S = 0.6636 R-Sq = 5.8% R-Sq(adj) =.4% 30

Regresso Aalyss: x5 versus x, x, x3, x4, x6, x7 he regresso equato s x5 = - 6.0 + 0.656 x - 0.394 x - 0.0044 x3 +.4 x4-0.004 x6 + 0.0008 x7 Predctor Coef SE Coef P Costat -5.99 7.45-0.9 0.367 x 0.6565 0.475.65 0.0 x -0.3943 0.360 -.67 0.05 x3-0.00438 0.033-0.4 0.89 x4.40.00.4 0.67 x6-0.004063 0.00033-4.49 0.000 x7 0.0008 0.04550 0.0 0.986 S = 3.80598 R-Sq = 5.% R-Sq(adj) = 4.8% Regresso Aalyss: x6 versus x, x, x3, x4, x5, x7 he regresso equato s x6 = - 49 + 49 x - 73 x - 4. x3 + 44 x4-80 x5 + 9.7 x7 Predctor Coef SE Coef P Costat -49 7860-0.53 0.598 x 49.0 9.4.5 0. x -7.8 09. -0.67 0.50 x3-4. 4.33-0.9 0.776 x4 440.6 454.7 0.97 0.340 x5-80.5 6.4-4.49 0.000 x7 9.66 0.00 0.98 0.333 S = 699.0 R-Sq = 45.0% R-Sq(adj) = 34.4% 3

Regresso Aalyss: x7 versus x, x, x3, x4, x5, x6 he regresso equato s x7 = -.0 -.00 x +.75 x - 0.079 x3 +.54 x4 + 0.03 x5 + 0.0054 x6 Predctor Coef SE Coef P Costat -.97 69.78-0.7 0.865 x -0.997.067-0.93 0.357 x.747 0.906.90 0.067 x3-0.0795 0.6-0.63 0.533 x4.54 4.07 0.38 0.707 x5 0.06 0.7089 0.0 0.986 x6 0.00537 0.00564 0.98 0.333 S = 5.03 R-Sq =.% R-Sq(adj) = 7.% 3

Lampra 6. Sytax R Utuk Peguja Parameter BGPR BGPR=fucto(data,alfa0) { lbrary(pracma) lbrary(mass) #optos(dgts=4) data=data.frame((data)) maxt=000 y=as.matrx((data[,])) y=as.matrx((data[,])) x=as.matrx((data[,-c(,)])) f=glm(formula=y~x,famly=posso) f=glm(formula=y~x,famly=posso) =ro(data) x=as.matrx(cbd(rep(,),(data[,-c(,)]))) p=col(x);pp=p beta0=f$coeffcets beta0=f$coeffcets alfa=summary(f)$dsperso alfa=summary(f)$dsperso alfa=c(alfa0,alfa,alfa) alfa=as.matrx(alfa) mu0=cov(y,y) roames(alfa)<-c('alfa', 'alfa','alfa3') start=as.matrx(c(beta0,beta0,mu0,alfa)) param=matrx(ro=p+4,col=) param=start Q=fucto(param) { be=as.matrx(param[:p]) mu=exp((x)%%be) 33

be=as.matrx(param[(p+):(p)]) mu=exp(x%%be) mu0=param[(p+)] alfa0=param[(p+)]; alfa=param[(p+3)] alfa=param[(p+4)] A=matrx(ro=,col=) for( :) { A=log(mu0mu[]mu[])+((-(mu0+mu[]+mu[])-(y[]alfa)- (y[]alfa))) kk=m(y[],y[]) B4=matrx(col=,ro=kk+) for (k 0:kk) { B=(lfactoral(y[]-k))+log((factoral(y[]-k))(factoral(k))) B=((y[]-k-)log(mu[]+(y[]-k)alfa))+((y[]-k-)log(mu[]+(y[]- k)alfa)) B3=((k-)log(mu0+kalfa0))+((k(alfa+alfa-alfa0))) B4[k+]=(B+B3)/B } A[]=A+sum(B4) } Q=sum(A);#prt(A) retur(q) } #ft=optm(start,q,cotrol = lst(fscale = -,maxt = maxt,reltol=e- 4),method="BFGS",hessa=RUE) ft=optm(start,q,cotrol = lst(fscale = -,maxt = maxt,abstol=0^- 0),hessa=RUE) parameter=as.matrx(ft$par) hes=ft$hessa v=dag(pv(-hes)) se=as.matrx(sqrt(abs(v))) z=parameter/se co=ft$covergece f (co==0) co='rue, terato covergece ' else co='false, terato reach maxmum lmt' 34

pv=porm(abs(z),loer.tal=false) colames(parameter)<-"estmate" colames(se)<-"std, Error" colames(z)<-"z value" colames(pv)<-"p-value" sho=cbd(parameter,se,z,pv) cat("coeffcets : ","\") prt(sho) cat("covergece =",co,"\") rte.table(sho,fle="d:/output BGPR//Hasl Estmas Parameter.csv",sep=";") #MLR x=as.matrx(rep(,));p= par0=parameter[-c((:(pp)),((pp+):(pp)))] valueft_h0=q(par0) G=((ft$value)-(valueft_h0)) v=(col(data)-) pvalf=pchsq((g),v,loer.tal=false) cat("mlr : ","\") cat("d (beta) =",G,"\") cat("pvalue_d (beta) =",pvalf,"\") ac=-(ft$value)+legth(parameter) cat("aic =",ac,"\") lst(z=z,parameter=parameter,koverges=co) } 35

Lampra 7. Output BGPR Coeffcets : Estmate Std, Error Z value P-value (Itercept).509397e+00.77053e-04 8.550e+03 0.000000e+00 xx -.693407e-0.35539e-0 -.047380e+0 3.687078e-93 xx 3.7487e-0 6.7005e-03 5.54057e+0 0.000000e+00 xx3-8.84e-0.547743e-0-5.47e+00.590938e-07 xx4-6.7533e-0 7.074337e-04-9.5090e+0 0.000000e+00 xx5 4.4568e-0 3.095796e-0.4857e+00.537e-0 xx6-9.33653e-05 5.9789e-07 -.5633e+0 0.000000e+00 xx7 -.4066e-03.07955e-0 -.003904e-0 8.475e-0 (Itercept) 4.4350e+00 9.48043e-04 4.63879e+03 0.000000e+00 xx.85064e-0 3.536688e-0 5.60375e+00.464554e-07 xx -.794067e-0 3.747577e-0-4.7877e+00.690647e-06 xx3-3.54705e-0.0760e-0-3.9008e+00.435e-03 xx4 3.457807e-0.809539e-0.30738e+0 8.6645e-35 xx5 -.833593e-0 6.696090e-0-4.37e+00.399e-05 xx6-5.40047e-04 9.0798e-07-5.86544e+0 0.000000e+00 xx7 3.966695e-0.78878e-0.30773e+00.0453e-0.3884e+0 3.3546e- 7.08778e+ 0.000000e+00.85945e-0 8.566440e-.7066e+09 0.000000e+00.68535e-0 7.933835e-03.59889e+00.098445e-0 4.865333e-0.03594e-0 4.696536e+00.6460e-06 Covergece = RUE, terato covergece MLR : D (beta) = 0068.93 pvalue_d (beta) = 0 AIC = 7638.37 36

Lampra 8. Sytax R Utuk Peguja Heterogetas Spasal data=read.csv("d:/datakb.csv",header=,sep=";") e=as.matrx((data[,])) e=as.matrx((data[,])) x=as.matrx((data[,-c(,)])) =ro(data) k=col(x) e=e^ e=e^ E=cbd(e,e) G=lm(E~x[,]+x[,]+x[,3]+x[,4]+x[,5]) g=g$ft h=g$coef covar=(t(e-g)%%(e-g))/ det=det(covar) g0=cbd(e-h[,],e-h[,]) covar0=(t(g0)%%g0)/ det0=det(covar0) Gvalue=(-k--0.5(-k+))log(det/det0) Glejser=pchsq(Gvalue,(k),loer.tal=RUE) > Gvalue [] 95.053 > Glejser [] 0 37

Lampra 9. Sytax R Utuk Perhtuga Matrks Pembobot data=read.csv("d:/datakb.csv",header=,sep=";") #htug bobot lbrary(spgr) bdtbsquare<-ggr.sel(y~x+x+x3+x4+x5+x6+x7,data=data, coords=cbd(data$u,data$v),adapt=rue,geght=gr.bsquare) GRGB<-ggr(Y~X+X+X3+X4+X5+X6+X7,data=data,coords=cbd(data$U, data$v),adapt=bdtbsquare,geght=gr.bsquare) bdtbsquare<-ggr.sel(y~x+x+x3+x4+x5+x6+x7,data=data, coords=cbd(data$u,data$v),adapt=rue,geght=gr.bsquare) GRGB<-ggr(Y~X+X+X3+X4+X5+X6+X7,data=data,coords=cbd(data$U, data$v),adapt=bdtbsquare,geght=gr.bsquare) bdtbsquare<-grgb$baddth bdtbsquare<-as.matrx(bdtbsquare) bdtbsquare<-grgb$baddth bdtbsquare<-as.matrx(bdtbsquare) =legth(data$y) BWm=rep(0,) #Jarak U<-as.matrx(data$U) V<-as.matrx(data$V) =ro(u) j=ro(v) lbrary(felds) jarak=matrx(ro=,col=j) for( :ro(u)) {for(j :ro(v)) jarak[,j]=sqrt((u[,]-u[j,])+(v[,]-v[j,]))} for ( :) BWm[]=m(bdtBsquare[],bdtBsquare[]) BWm<-as.matrx(BWm) <-ro(bwm) j<-col(bwm) pembobot<-matrx(ro=,col=) for( :) for(j :) 38

{pembobot[,j]=(-(jarak[,j]/bwm[,])) pembobot[,j]<-felse(jarak[,j]<bwm[,],pembobot[,j],0)} =pembobot rte.table(jarak,fle="d:/output sabssa//jarak.csv",sep=";") rte.table(bwm,fle="d:/output sabssa/badth.csv",sep=";") rte.table(,fle="d:/output sabssa/weght.csv",sep=";") 39

Lampra 0. Jarak Euclda 0 0.95466.63768.046.59545 0.7949 0.487647 0.95466 0.893806.6764.8787.08459 0.78089.63768.893806 0 0.379473 0.3336 0.96.08056.046.6764 0.379473 0 0.595483.303879.58754 0.66904 0.7964.95003.3568.79304.05768 0.785684.960638.5603.053803.75457 0.73763.0083.480304.499.497765 0.539073 0.9009 0.38056 0.43856 0.7407.96848.50089 0.54037 0.54037 0.380789.8038.490839.074477.3644.9854.53639 0.94803 0.5345 0.654599 0.7947 0.344384.58085.94087.5957 0.85088 0.5878 0.54033 0.75505.5039.568.76435 0.505 0.4 0.70634 0.9943 0.949.38533 0.88043 0.3894 0.6 0.9 0.3906.6077.9837.634778 0.895545 0.63037 0.343 0.6559.9785.3555.93093.64 0.8649 0.76694 0.994636 0.9373.798 0.95854 0.445533 0.483735 0.894539.60388 0.7455.943 0.777 0.64008 0.4743.53903.44859.043887.0857 0.76844.37387.667843 0.890898.6755 0.75690.3600 0.7969 0.9545 0.453.0307.307834 0.54004 0.43897 0.440454.5557.5653 0.9444.0607 0.857555.3004 0.70 0.53 0.4755.030394.3039 0.4568 0.33883 0.458803.64358.56935.400.40346.6669.499667 0.909065 0.53507 0.68405.046583.30457 0.40488 0.803 0.568.3553.6080.574706.869545.00668.4839 0.680074 0.848646.03857 0.6 0.899889.078378.45784 0.9900 0.8439 0.359 0.75 0.90934.89855.699.754 0.984073 0.7780.9459.4448 0.639 0.5359 0.943663.38600.6060.680075.95694.08589 0.77803.095536.90759.5085 0.604649 0.8008.4455.48035.775 0.564358 0.470956 0.5894 0.39446.4003.5777.064098.5958 0.94499 0.83346.096586.46493.8567.5706 0.60906 0.55009 0.7074 0.4.9078.8863.8637.05807 0.7483 0.9366.843 0.708.079 0.74739 0.3973 0.568 0.307 0.3605.86685.40759.8757.09657 0.70 0.97393.40645 0.669403.048094 0.64884 0.9839 0.543.59545.8787 0.3336 0.595483 0 0.89.074 0.7949.08459 0.96.303879 0.89 0 0.30644 0.487647 0.78089.08056.58754.074 0.30644 0 40

Lampra. Matrks Pembobot 0.9677 0.77963 0.06 0.05468 0.746497 0.90005 0.97088 0.645 0.0304 0.7704 0.6463 0.80685 0.0995 0.00708 0.97779 0.944687 0.609785 0.393347 0.07939 0.005604 0.948639 0.87596 0.47999 0.9663 0.8493 0.7904 0.505 0.00778 0.9089 0.665379 0.79545 0.0685 6.0E-05 0.6390 0.53385 0.7996 0.56643 0.383 0.49893 0.0047 0.7737 0.438447 0.883387 0.8545 0.596756 0.073307 0.0005 0.893088 0.893088 0.94655 0.54436 0.33876 0.3950 0.67 0.898 0.057805 0.5056 0.83436 0.74343 0.970064 0.95557 0.44473 0.055909 0.37556 0.78346 0.8653 0.8356 0.693853 0.374893 0.08655 0.353467 0.846705 0.908447 0.5965 0.3037 0.3563 0.04747 0.455 0.98674 0.939979 0.967547 0.960785 0.39099 0.05588 0.30503 0.7308 0.85396 0.963 0.9906 0.786 0.008395 0.50576 0.6687 0.79398 0.69456 0.4966 0.4890 0.7653 0.44538 0.86439 0.837747 0.349087 0.09703 0.5668 0.678 0.5377 0.9999 0.7833 0.05699 0.00055 0.67493 0.6534 0.8556 0.47649 0.95343 0.34340 0.086904 0.49646 0.06846 0.5408 0.95035 0.79798 0.07057 0.00705 0.9086 0.93440 0.933 0.59483 0.30586 0.300 0.045648 0.369 0.03334 0.58975 0.983096 0.83 0.07 0.003346 0.97334 0.96308 0.965 0.58 0.35794 0.34687 0.084 0.3063 0.06507 0.57483 0.866 0.74007 0.070374 0.004709 0.94759 0.99569 0.8978 0.48504 0.98589 0.08466.65E-07 0.504437 0.3074 0.75979 0.63059 0.4458 0.75784 0.4443 0.6995 0.04554 0.35304 0.9706 0.985735 0.808883 0.756 0.683 0.00633 0.0759 0.68355 0.7957 0.56 0.037845 0.87333 0.9034 0.739 0.4409 0.300573 0.0455 0.000 0.75956 0.87638 0.75483 0.36336 0.3583 0.80006 0.6640 0.4033 0.355 0.364399 0.8457 0.876045 0.98855 0.95696 0.08778 0.00064 0.8706 0.57587 0.74445 0.67798 0.480895 0.0567 0.079 0.35669 0.89844 0.85676 0.974796 0.9939 0.37095 0.00983 0.6046 0.65056 0.857 0.34838 0.837 0.58374 0.073 0.545783 0.863 0.7659 0.9899 0.99347 0.43598 0.007 0.6693 0.663763 0.88303 0.35965 0.08333 0.68634 0.476 0.65440 0.994 0.746585 0.04 0.00363 0.94967 0.8887 0.67745 0.43973 0.450 0.5064 0.30637 0.03 0.43099 0.90054 0.83636 0.609435 0.594 0.00889 0.300804 0.9388 4

Lampra. Sytax R Utuk Perhtuga GWBGPR BGPR=fucto(data,alfa0) { lbrary(pracma) lbrary(mass) #optos(dgts=4) = read.csv("d://output sabssa/weght.csv",sep=";",header=f) data=data.frame((data)) maxt=0000 y=as.matrx((data[,])) y=as.matrx((data[,])) x=as.matrx((data[,-c(,)])) f=glm(formula=y~x,famly=posso) f=glm(formula=y~x,famly=posso) =ro(data) x=as.matrx(cbd(rep(,),(data[,-c(,)]))) p=col(x);pp=p beta0=f$coeffcets beta0=f$coeffcets alfa=summary(f)$dsperso alfa=summary(f)$dsperso alfa=c(alfa0,alfa,alfa) alfa=as.matrx(alfa) mu0=cov(y,y) roames(alfa)<-c('alfa', 'alfa','alfa3') start=as.matrx(c(beta0,beta0,mu0,alfa)) param=matrx(ro=p+4,col=) param=start Q=fucto(param) { be=as.matrx(param[:p]) mu=exp((x)%%be) be=as.matrx(param[(p+):(p)]) mu=exp(x%%be) 4

mu0=param[(p+)] alfa0=param[(p+)]; alfa=param[(p+3)] alfa=param[(p+4)] A=matrx(ro=,col=) for( :) { A=sum((log(mu0mu[]mu[])+((-(mu0+mu[]+mu[])- (y[]alfa)-(y[]alfa))))[,]) kk=m(y[],y[]) B4=matrx(col=,ro=kk+) for (k 0:kk) { B=sum(((lfactoral(y[]-k))+log((factoral(y[]-k))(factoral(k))))[,]) B=sum(((y[]-k-)log(mu[]+(y[]-k)alfa))+((y[]-k- )log(mu[]+(y[]-k)alfa))[,]) B3=sum((((k-)log(mu0+kalfa0))+((k(alfa+alfa-alfa0))))[,]) #B4[hch(s.a(B4)==RUE)]=0 B4[k+]=(B+B3)/B } A[]=A+sum(B4) } #A[hch(s.a(A)==RUE)]=0 Q=sum(A);#prt(A) retur(q) } #ft=optm(start,q,cotrol = lst(fscale=-,trace = 3,maxt = maxt),method="l-bfgs-b",hessa=rue,loer=0.000,upper=0000) ft=optm(start,q,cotrol = lst(fscale = -,maxt = maxt,abstol=0^- 0),hessa=RUE) parameter=as.matrx(ft$par) hes=ft$hessa v=dag(pv(-hes)) se=as.matrx(sqrt(abs(v))) z=parameter/se co=ft$covergece f (co==0) co='rue, terato covergece ' else co='false, terato reach maxmum lmt' pv=porm(abs(z),loer.tal=false) 43

colames(parameter)<-"estmate" colames(se)<-"std, Error" colames(z)<-"z value" colames(pv)<-"p-value" sho=cbd(parameter,se,z,pv) cat("coeffcets : ","\") prt(sho) cat("covergece =",co,"\") rte.table(sho,fle="d:/output BGPR//Hasl Estmas Parameter ke-.csv",sep=";") summary(q) 44

Lampra 3. Output GWBGPR Coeffcets : Estmate Std, Error Z value P-value (Itercept).03e+00 4.604e-03 4.786e+0 0.000e+00 xx.767e-0 9.974e-0.77e+00 7.647e-0 xx -.94e-0.4e-0 -.6e+00.453e-0 xx3-4.350e-0.07e-0 -.47e+00 3.83e-0 xx4-8.70e-0.493e-0-3.37e+00 9.090e-04 xx5 -.88e-0.96e-0-9.845e-0 3.48e-0 xx6-4.464e-04 3.894e-06 -.46e+0 0.000e+00 xx7-3.038e-0.e-0 -.374e+00.695e-0 (Itercept) 4.564e+00 3.79e-04.39e+04 0.000e+00 xx.656e-0 6.59e-0.688e+00 7.86e-03 xx -.990e-0 6.93e-0 -.874e+00 4.054e-03 xx3.38e-0 6.870e-03 3.375e+00 7.388e-04 xx4 -.480e+00.495e-0-9.896e+0 0.000e+00 xx5 -.70e-0.583e-0-6.586e-0 5.0e-0 xx6-3.447e-04.68e-06 -.95e+0 0.000e+00 xx7.99e-0 8.07e-03.836e+00 4.567e-03.4e+0 4.780e-0 4.63e+ 0.000e+00.055e-0.33e-0 4.58e+08 0.000e+00 7.759e-0 9.39e-0 8.398e+00 4.548e-7.044e-0.07e-0 4.954e+00 7.75e-07 45

BIOGRAFI PENULIS Asa Ayu Utam lahr d Bodooso, 6 Agustus 99. Peuls merupaka aak pertama dar pasaga Bapak Abu Hasa da Edag Sr Rahayu. Peddka formal yag perah dtempuh peuls atara la K Al - Aref Prajeka, SDN Prajeka Kdul 0, SMPN Bodooso da SMAN Prajeka. Selepas lulus SMA peuls melajutka stud d Jurusa Statstka Uverstas Arlagga (0 05). Pada tahu 06 peuls melajutka stud Sd Jurusa Statstka Isttut ekolog Sepuluh Nopember. Krtk da sara yag berhubuga dega hess dapat dsampaka pada emal peuls sa.bssa@gmal.com 46