VIF Distribusi Poisson Regresi Poisson Kematian Bayi Kematian Ibu Kematian wanita saat melahirkan dan saat 42 hari setelah melahirkan bukan dikarenakan kecelakaan 1 Pendaharan terberat pada masa nifas Program pemerintah Tablet Fe 3 Tablet penambah darah 29
VIF Distribusi Poisson Regresi Poisson Kematian Bayi Kematian Ibu 2 gagal ginjal, kejang, dan koma saat kehamilan atau pasca melahirkan 3 malaria, tuberkulosis, dan hepatitis Hidup Bersih &Sehat Program pemerintah Program K4 Pelayanan kesehatan bumil 30
Sumber Data Variabel Penelitian Metode Analisis Metode Analisis Data sekunder tahun 2011 Unit penelitian : Kabupaten/kota di Jawa Timur (38 kabupaten/kota) Sumber data Profil Kesehatan Jawa Timur 31
Sumber Data Variabel Penelitian Struktur Data Metode Analisis Kode Variabel Tipe Variabel Y 1 Jumlah kematian bayi Diskrit Y 2 Jumlah kematian ibu Diskrit X 1 Persentase persalinan oleh tenaga kesehatan Kontinu X 2 Persentase tenaga kesehatan Kontinu X 3 Persentase ibu hamil beresiko tinggi ditangani Kontinu X 4 Persentase ibu hamil melaksanakan program K4 Kontinu X 5 Persentase ibu hamil mendapatkan tablet Fe3 Kontinu X 6 Persentase rumah tangga berperilaku hidup bersih dan sehat Kontinu 32
Sumber Data Variabel Penelitian Struktur Data Metode Analisis Kab/Kota Y 1 Y 2 X 1 X 2 X 5 X 6 1 y 11 y 21 x 11 x 21 x 51 x 61 2 y 12 y 22 x 12 x 22 x 52 x 62 3 y 13 y 23 x 13 x 23 x 53 x 63 4 y 14 y 24 x 14 x 24 x 54 x 64 5 y 15 y 25 x 15 x 25 x 55 x 65 : : : : : : : : 36 y 136 y 236 x 136 x 236 x 536 x 636 37 y 137 y 237 x 137 x 237 x 537 x 637 38 y 138 y 238 x 138 x 238 x 538 x 638 33
Sumber Data Variabel Penelitian Struktur Data Metode Analisis Mendapatkan data Mendeskripsikan data menggunakan statistika deskriptif Membuat matriks korelasi Uji multikolinieritas variabel prediktor Pemodelan jumlah kematian bayi dan jumlah kematian ibu dengan regresi univariat poisson Pemodelan jumlah kematian bayi dan jumlah kematian ibu dengan regresi bivariat poisson Penaksiran parameter Pengujian signifikansi parameter secara serentak dan parsial Memperoleh model Menarik kesimpulan 34
Jumlah Kematian Bayi Jumlah Kematian Ibu Jumlah Kematian Bayi Jumlah Kematian Ibu 1 0,842 0,842 1 Berkorelasi 35
Variabel Mean Variance y 1 160,5 11890,4 36
Variabel Mean Variance y 2 12,79 73,52 37
Variabel Mean Variance Minimum Maximum Jumlah Kematian Bayi (y 1 ) 160,5 11890,4 23,0 465,0 Jumlah Kematian Ibu (y 2 ) 12,79 73,52 1,00 40,00 %Persalinan oleh Tenaga Kesehatan (x 1 ) 0,1842 0,0254 0,0503 0,7427 % Tenaga Kesehatan (x 2 ) 0,1842 0,0254 0,0503 0,7427 %Bumil Risti Ditangani (x 3 ) 79,23 224,49 53,51 98,77 %Bumil K4 (x 4 ) 88,711 26,372 74,003 99,800 %Bumil Fe3 (x 5 ) 84,82 75,25 50,35 98,57 % RT Ber-PHBS (x 6 ) 37,79 185,49 7,00 65,66 38
No Variabel VIF 1 x 1 1,377410 2 x 2 1,623377 VIF < 10 3 x 3 1,142857 4 x 4 1,858736 5 x 5 1,246883 Tidak terjadi Multiko 6 x 6 1,1415525 39
Tolak H0 Pada Uji Serentak Variabel Estimasi Standard Error Z Hitung Intercept 6,38763 0,479419 13,324* x 1-0,01466 0,005804-2,526* x 2-2,81162 0,138411-20,314* x 3 0,01127 0,000961 11,722* x 4-0,03710 0,003622-10,244* x 5 0,02841 0,002065 13,760* x 6 0,01282 0,000954 13,324* Signifikan Alfa 10% 40
AIC = 1745,3 Jika persentase persalinan oleh tenaga kesehatan (X 1 ) meningkat 1% Menurunkan rata-rata jumlah kematian bayi sebesar exp(-0,01466) *bila variabel lain tidak dilibatkan dalam model 41
Tolak H0 Pada Uji Serentak Variabel Estimasi Standard Error Z Hitung Intercept 7,93600 1,65761 4,788* x 1-0,06720 0,01973-3,405* x 2-3,42287 0,51841-6,603* x 3-0,00053 0,00331-0,159 x 4-0,00329 0,01197-0,275 x 5 0,01439 0,00703 2,048* x 6 0,01772 0,00341 5,198* Signifikan Alfa 10% 42
AIC = 274,08 Jika persentase tenaga kesehatan (X 2 ) meningkat 1% Menurunkan rata-rata jumlah kematian ibu sebesar exp( 3,42287) *bila variabel lain tidak dilibatkan dalam model 43
Kematian Bayi Variabel Estimasi Standard Error Z Hitung Intercept 6,143069 0,519652 11,8215* x 1-0,012540 0,000231-54,267* x 2-2,846196 0,003059-930,451* x 3 0,011711 0,006085 1,924631* x 4-0,039320 0,152765-0,25739 x 5 0,030073 0,001269 23,70756* x 6 0.013245 0.003486 3.799967* Kematian Ibu Tolak H0 Pada Uji Serentak Variabel Estimasi Standard Error Z Hitung Intercept 7,222303 133,0901 0,054266 x 1-0,090328 0,026709-3,38202* x 2-6,146584 0,391715-15,6915* x 3-0,003896 1,258516-0,0031 x 4-0,002374 73,1113-0,000032 x 5 0,035904 0,235406 0,152521 x 6 0,036182 0,57293 0,063153 λ0 = 7,2534 Signifikan Alfa 10% *signifikan dalam model 44
Jumlah Kematian Bayi Variabel Estimasi Standard Error Z Hitung Intercept 6,59415394 0,484706 13,60445* x 1-0,0117707 0,004986-2,36072* x 2-2,72585524 0,138747-19,6463* Jumlah Kematian Ibu Variabel Estimasi Standard Error Z Hitung Intercept 7,46420062 3,33297 2,239504* x 1-0,05114828 0,034813-1,46923 x 2-5,74730148 3,316028-1,73319* Variabel Estimasi Standard Error Z Hitung λ 0 7,066086708 0,396289 17,83065* Tolak H0 Pada Uji Serentak Signifikan Alfa 10% *signifikan dalam model Hasil pemodelan kembali dengan hanya melibatkan variabel Dimana variabel tersebut dari hasil sebelumnya signifikan pada kedua model 45
λ 0 = 7,066 λ 1 * = exp(6,59415394 0,0117707 X 1 2,72585524 X 2 ) Jika persentase persalinan oleh tenaga kesehatan (X 1 ) meningkat 1% Menurunkan rata-rata jumlah kematian bayi sebesar exp(-0,0117707) *bila variabel lain tidak dilibatkan dalam model 46
AIC = 2597,114 λ 2 * =exp(7,46420062-0,05114828 X 1 5,74730148 X 2 ) Jika persentase tenaga kesehatan (X 2 ) meningkat 1% Menurunkan rata-rata jumlah kematian ibu sebesar exp(-5,74730148) *bila variabel lain tidak dilibatkan dalam model 47
1 Rata-rata jumlah kematian bayi di Jawa Timur mencapai 161 jumlah kematian dari 38 kabupaten/kota dengan kasus terbesar berjumlah 465 kematian yang terjadi di Kota Surabaya. Rata-rata jumlah kematian ibu sebesar 13 jumlah kematian dengan catatan kejadian terendah terjadi di Kota Mojokerto yaitu tercatat sebesar 1 kasus kematian. 48
2 Semua variabel berpengaruh signifikan pada regresi univariat poisson jumlah kematian bayi, yaitu persentase persalinan oleh tenaga kesehatan (X 1 ), persentase tenaga kesehatan (X 2 ), persentase ibu hamil beresiko tinggi ditangani (X 3 ), persentase ibu hamil melaksanakan program K4 (X 4 ), persentase ibu hamil mendapat tablet Fe3 (X 5 ) dan persentase rumah tangga ber-phbs (X 6 ). Model univariat poisson yang didapatkan tersebut memiliki nilai AIC sebesar 1745,3 49
2 (Lanjutan) Pada kasus jumlah kematian ibu variabel yang signifikan dalam model adalah persentase persalinan oleh tenaga kesehatan (X 1 ), persentase tenaga kesehatan (X 2 ), persentase ibu hamil mendapat tablet Fe3 (X 5 ) dan persentase rumah tangga ber-phbs (X 6 ) Model univariat poisson yang didapatkan tersebut memiliki nilai AIC sebesar 274,08 50
3 Model bivariat poisson yang terbentuk untuk jumlah kematian bayi adalah λ 1 * = exp(6,59415394 0,0117707 X 1 2,72585524 X 2 ) Pada model yang terbentuk untuk kasus jumlah kematian bayi variabel persentase persalinan oleh tenaga kesehatan dan persentase tenaga kesehatan signifikan dalam model & dapat menurunkan jumlah kematian bayi. Model bivariat poisson yang terbentuk untuk jumlah kematian ibu adalah λ 2 * =exp(7,46420062-0,05114828 X 1 5,74730148 X 2 ) Variabel signifikan dan dapat menurunkan jumlah kematian ibu adalah persentase tenaga kesehatan (X 2 ) Nilai AIC dari model bivariat poisson sebesar 2597,114 51
1 Mengembangkannya metode bivariat poisson yang dapat mengatasi apabila terjadi overdispersi karena model yang terbentuk akan semakin baik 2 Meningkatkan jumlah tenaga medis Menurunkan persalinan dengan tenaga non medis 52
Aditie, N. B. 2011. Spatial Durbin Model untuk Mengidentifikasi Faktor- Faktor yang Mempengaruhi Angka Kematian Bayi di Jawa Timur. Tugas Akhir Statistika-FMIPA. Surabaya : Institut Teknologi Sepuluh Nopember. Badan Pusat Statistik. 2009. Angka Kematian Bayi, Data Statistik Indonesia. http://www.datastatistik-indonesia.com. [diunduh pada tanggal 28 januari 2013]. Cameron,A.C. dan Trivedi, P.K. 1998. Regression Analysis of Count Data. USA: Cambridge University Press. Darnah. 2009. Pendekatan Ukuran R 2 Devians Pada Model Regresi Poisson (Aplikasi Pada Data Maternal Mortality di Jawa Timur). Surabaya: Program Pasca Sarjana, Institut Teknologi Sepuluh Nopember. Departemen Kesehatan Republik Indonesia. 2011. Profil Data Kesehatan Republik Indonesia2011. http://www.depkes.go.id/downloads/profildata_kesehatan_in DONESIA_TAHUN_2011.pdf. [ diunduh pada tanggal 28 Januari 2013]. Dinas Kesehatan Propinsi Jawa Timur. 2008. Profil Kesehatan Provinsi Jawa Timur. Surabaya : Dinkes Jatim. 53
Draper, N. dan Smith, H. 1992. Analisis Regresi Terapan. Jakarta : Gramedia. Gujarati, D. N. 2004. Basic Econometrics, fourth edition. New York : The McGraw-Hill. Hocking, R. 1996. Methods and Application of Linier Models, John Wiley and Sons, Inc., New York. Karlis, Dimitri. 2002. Multivariate Poisson Models. http://www.statathens.aueb.gr/~karlis/multivariate%20poisson%20models.pdf. [diunduh pada tanggal 04 Maret 2013] Karlis, D. dan Ntzoufras, I. 2003. Analysis of Sports Data by Using Bivariate Poisson Models. Journal The Statistician. 381-393. Karlis, D. dan Ntzoufras, I. 2005. Bivariate Poisson and Diagonal Inflated Bivariate Poisson Regression Models in R. Journal of Statistical Software, 1-36. Kleinbaum, D. E. 1988. Aplied Regression Analysis and other Multivariate Methods. USA: PWS-KENT Publishing Company. Listiani, Yayuk. 2010. Pemodelan Regresi Generalized Poisson Pada Faktor- Faktor yang Mempengaruhi Angka Kematian Bayi Di Jawa Timur Tahun 2007. Tugas Akhir Statistika-FMIPA. Surabaya : Institut Teknologi Sepuluh Nopember. 54
Myers, R. H. 1990. Classical and Modern Regression with Applications, second edition. Boston: PWS-KENT Publishing Company. Novita, Laili. 2012. Pemodelan Maternal Mortality di Jawa Timur dengan Pendekatan Geographically Weighted Poisson Regression (GWPR). Tugas Akhir Statistika- FMIPA. Surabaya : Institut Teknologi Sepuluh Nopember. Pertiwi, L. D. 2012. Spatial Durbin Model Untuk Mengidentifikasi Faktor- Faktor Yang Mempengaruhi Kematian Ibu Di Jawa Timur. Tugas Akhir Statistika-FMIPA. Surabaya : Institut Teknologi Sepuluh Nopember. Rani, D. P. 2010. Pemodelan Jumlah Kematian Bayi di Propinsi jawa Timur dengan Pendekatan Geographically Weighted Poisson Regression Semiparametric (GWPRS). Tugas Akhir Statistika-FMIPA. Surabaya : Institut Teknologi Sepuluh Nopember. Walpole, R. E. 1992. Pengantar Statistika, edisi Ketiga. Jakarta : Gramedia Pustaka Utama. Winarno, Deddy. 2009. Analisis Angka Kematian Bayi di Jawa Timur dengan Pendekatan Model Regresi Spasial. Surabaya: Program Pasca Sarjana, Institut Teknologi Sepuluh Nopember. Pemodelan Jumlah Kematian Bayi Dan Kematian Ibu Di Jawa Timur Dengan Pendekatan Regresi Bivariat Poisson 55
REGRESI BIVARIAT POISSON DALAM PEMODELAN JUMLAH KEMATIAN BAYI DAN JUMLAH KEMATIAN IBU DI JAWA TIMUR Seminar Hasil Tugas Akhir Selasa, 02 Juli 2013 ELVIRA PRITASARI (1309100028) Pembimbing : Dr. Purhadi, M.Sc Jurusan Statistika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi Sepuluh Nopember