pemodelan jumlah kematian ibu di jawa timur...
TRANSCRIPT
ERISKA EVADIANTI
1310 100083
DOSEN PEMBIMBING:
DR. PURHADI M.SC
Surabaya, 23 Juni 2014
SEMINAR HASIL TUGAS AKHIR
PEMODELAN JUMLAH KEMATIAN IBU DI
JAWA TIMUR DENGAN GEOGRAPHICALLY
WEIGHTED NEGATIVE BINOMIAL
REGRESSION (GWNBR)
OUTLINE
• PENDAHULUAN
• TINJAUAN PUSTAKA
•METODOLOGI PENELITIAN
•ANALISIS DAN PEMBAHASAN
•KESIMPULAN DAN SARAN
2011 627 kasus 104,4
2012 582 kasus 97,4
2013 642 kasus
BATASAN
MASALAH
RUMUSAN &
TUJUAN MASALAH
MANFAAT
PENELITIANLATAR
BELAKANG
TAHUN
2015
Tercapainya kesejahteraan dan
pembangunan masyarakat
mengurangi dua per
tiga rasio kematian ibu
NAIK
Jumlah Kematian Ibu Data Count Regresi Poisson
OverdispersiRegresi Binomial
Negatif
BATASAN
MASALAH
RUMUSAN &
TUJUAN MASALAH
MANFAAT
PENELITIANLATAR
BELAKANG
Geographically
Weighted Negative
Binomial Regression
BATASAN
MASALAH
RUMUSAN &
TUJUAN MASALAH
MANFAAT
PENELITIANLATAR
BELAKANG
nama tahun variabel yang signifikan
Pertiwi 2012
Persentase persalinan dibantu oleh dukun
Persentase rumah tangga hidup bersih sehat
Persentase sarana kesehatan
Novita 2012
Persentase ibu yang melaksanakan K1
Persentase persalinan yang dibantu dukun
Persentase ibu hamil yang mendapatkan Fe1
Persentase ibu hamil yang mengalami Resiko tinggi dan
komplikasi
Persentase rumah tangga berperilaku hidup bersih sehat
Qomariyah 2013
Persentase ibu yang melaksanakan K1
Persentase Ibu nifas yang mendapatkan pelayanan kesehatan
Persentase puskesmas yang melakukan kegiatan pelayanan
antenatal terintegrasi
Persentase puskesmas yang memiliki pedoman pencegahan dan
penanganan malaria pada ibu hamil
Aristia 2013 Persentase rumah tangga berperilaku hidup bersih sehat
• Model Regresi Binomial NegatifTerboboti Geografis untuk DataKematian Bayi
Afri (2013)
• Estimasi dan Pengujian Hipotesis ModelGeographically Weighted NegativeBinomial Regression (GWNBR)
Lieztyanto (2014)
BATASAN
MASALAH
MANFAAT
PENELITIANLATAR BELAKANG RUMUSAN &
TUJUAN MASALAH
RUMUSAN
MASALAH
Bagaimana deskriptif data jumlah kasus
kematian ibu di Jawa Timur tahun 2013
beserta faktor faktor yang diduga
mempengaruhinya?
Bagaimana model dan jumlah kematian ibu
di Jawa Timur tahun 2013 dengan Regresi
Binomial Negatif dan faktor apa saja yang
mempengaruhinya ?
Bagaimana model jumlah kematian ibu di
setiap kabupaten/kota di Jawa Timur tahun
2013 dengan Geographically Weighted
Negative Binomial Regression (GWNBR) dan
faktor apa saja yang mempengaruhinya ?
BATASAN
MASALAH
MANFAAT
PENELITIANLATAR BELAKANG RUMUSAN &
TUJUAN MASALAH
TUJUAN MASALAH
Mendiskriptifkan data jumlah kasus kematian ibu di Jawa
Timur tahun 2013 beserta faktor faktor yang diduga
mempengaruhinya.
Mendapatkan model jumlah kematian ibu di Jawa Timur
tahun 2013 dengan Regresi Binomial Negatif beserta faktor
faktor yang mempengaruhinya.
Mendapatkan model jumlah kematian ibu di setiap
kabupaten/kota di Jawa Timur tahun 2013 dengan
Geographically Weighted Negative Binomial Regression
(GWNBR) beserta faktor faktor yang mempengaruhinya.
BATASAN
MASALAH
RUMUSAN &
TUJUAN MASALAHLATAR BELAKANG MANFAAT
PENELITIAN
Memberikan wawasan pengetahuan tentang
penanganan kasus overdispersi pada regresi poisson
dengan menggunakan regresi Binomial Negatif serta
metode Geographically Weighted Negative Binomial
Regression (GWNBR) beserta aplikasinya.
Memberikan informasi dan masukkan tentang faktor
faktor yang mempengaruhi kematian ibu di setiap
kabupaten/kota untuk membantu pengambilan
kebijakan dalam upaya penurunan jumlah kematian
ibu.
RUMUSAN &
TUJUAN MASALAH
MANFAAT
PENELITIANLATAR BELAKANG BATASAN
MASALAH
Penelitian ini menggunakan data
jumlah kematian ibu di Jawa Timur
tahun 2013 dengan unit penelitian tiap
kabupaten/kota.
Pembobotan menggunakan fungsi
Adaptive bisquare kernel.
TINJAUAN PUSTAKA
• REGRESI POISSON
• OVERDISPERSI
• REGRESI BINOM NEGATIF
• SPASIAL
• GWNBR
• KEMATIAN IBU
Binomial Negatif SpasialOverdispersiRegresi
Poisson
Distribusi poisson merupakan bentuk distribusi untuk peristiwa yang
probabilitas kejadiannya sangat kecil dan bergantung pada interval
waktu tertentu dengan hasil pengamatan berupa variabel diskrit.
Regresi Poisson merupakan suatu bentuk analisis regresi yang digunakan
untuk memodelkan data yang berbentuk count (jumlah), misalnya data
tersebut dilambangkan dengan Y yaitu banyaknya kejadian yang terjadi
dalam suatu periode waktu dan/atau wilayah tertentu.
13
Penaksiran
parameter model
regresi poisson
menggunakan
metode Maximum
Likelihood
Estimation (MLE)
LANGKAH
Binomial Negatif SpasialOverdispersiRegresi
Poisson
14
Penaksiran
parameter model
regresi poisson
menggunakan
metode Maximum
Likelihood
Estimation (MLE)
LANGKAH
Binomial Negatif SpasialOverdispersiRegresi
Poisson
16
Overdispersi dalam regresi poisson terjadi apabila nilai
variansnya lebih besar daripada nilai rata ratanya.
Parameter
konsisten namun
tidak efisien
Standar Error
UnderestimateTidak Valid
REGRESI
BINOMIAL NEGATIF
Binomial Negatif SpasialOverdispersiRegresi Poisson
Regresi Binomial Negatif merupakan salah satu alternatif
yang dapat digunakan untuk mengatasi kasus overdispersi
pada data jumlahan menggunakan regresi Poisson.
Regresi Binomial Negatif merupakan penerapan dari GLM,
maka distribusi binomial negatif memiliki tiga komponen yaitu
komponen random, komponen sistematik dan fungsi link .
17
Overdispersi SpasialBinomial
NegatifRegresi Poisson
18
Estimasi parameter dari regresi binomial negatif digunakan metode maksimum
likelihood dengan prosedur Newton Raphson. Langkah Langkah:
Overdispersi SpasialBinomial
NegatifRegresi Poisson
20
Mengetahui apakah pengamatan suatu lokasi berpengaruh terhadap
pengamatan dilokasi lain yang berdekatan
Overdispersi Binomial NegatifSpasial
Regresi Poisson
21
Adaptive Bisquare
Kernel
digunakan metode cross validation (CV) untuk meminimumkan bandwidth optimum
Overdispersi Binomial NegatifSpasial
Regresi Poisson
22
Model Geographically Weighted Negative Binomial Regression
(GWNBR) adalah salah satu metode yang cukup efektif
menduga data yang memiliki heterogenitas spasial untuk cacah
yang memiliki overdispersi. Model GWNBR akan menghasilkan
penduga parameter lokal dengan masing masing lokasi akan
memiliki parameter yang berbeda beda.
Kematian IbuGWNBR
23
Penaksiran
parameter
model GWNBR
menggunakan
metode
Maximum
Likelihood
Estimation (MLE)
LANGKAH
Kematian IbuGWNBR
26
Kematian IbuLangsung
Tidak Langsung1 • Mendapatkan Fe 3
2 • Ibu Hamil Resti
3• Ibu Hamil dg Komplikasi
4• Persalinan dibantu dukun
5 • Ibu Nifas mendapatkan pelayanan
6 • Ibu Nifas mendapatkan vit A
7 • Rasio Sarana Rumah Sakit
8 • Rasio Sarana Puskesmas
GWNBR Kematian
Ibu
Langkah Penelitian Diagram AlirVariabel PenelitianSumber
Data
28
Data
Sekunder
Laporan LB3 KIA Sie Kesga Dinas Kesehatan Provinsi
Jawa Timur tahun 2013
38 Kabupaten
/Kota
Langkah Penelitian Diagram AlirSumber Data
29
Variabel
Penelitian
Variabel Keterangan
Y Jumlah kematian Ibu di tiap kabupaten/kota
X1 Persentase ibu hamil mendapatkan Fe 3
X2 Persentase ibu hamil beresiko tinggi
X3 Persentase penanganan ibu mengalami komplikasi
X4 Persentase persalinan dibantu dukun
X5 Persentase Ibu Nifas mendapatkan pelayanan
X6 Persentase Ibu Nifas mendapatkan vitamin A
X7 Rasio sarana kesehatan Rumah Sakit
X8 Rasio sarana kesehatan Puskesmas
ui Lintang (longitude) kabupaten/ kota ke-i
vi Bujur (latitude) kabupaten/kota ke-i
Diagram AlirVariabel PenelitianSumber Data
30
Langkah
Penelitian
1. Mendeskripsikan variabel respon dan prediktor.
2. Mengidentifikasi dan menyelesaikan adanya kasus
multikolinieritas.
3. Melakukan pemeriksaan overdispresi data.
4. Mendapatkan model Binomial Negatif
a) Menaksir parameter model regresi binomial negatif.
b) Menguji signifikasi parameter model regresi binomial
negatif secara serentak
c) Menguji signifikasi parameter model regresi binomial
negatif secara parsial.
5. Melakukan pengujian spasial
Diagram AlirVariabel PenelitianSumber Data
31
Langkah
Penelitian
6. Mendapatkan model GWNBR dengan langkah- langkah
sebagai berikut:
a. Menaksir parameter model GWNBR.
b. Menghitung jarak euclidian antar lokasi pengamatan
berdasarkan posisi geografisnya
c. Mendapatkan bandwidth optimal untuk setiap lokasi
pengamatan.
d. Menghitung matrik pembobot
e. Melakukan pengujian kesamaan model GWNBR dengan
regresi binomial negatif, pengujian signifikasi parameter
model secara serentak maupun parsial.
7. Melakukan intepretasi model GWNBR dan membentuk peta
pengelompokkan.
ANALISIS & PEMBAHASAN
• DESKRIPTIF
• MULTIKOLINEARITAS
• REGRESI POISSON
• OVERDISPERSI
• REGRESI BINOM NEGATIF
• SPASIAL
• GWNBR
Regresi Poisson OverdispersiMultikolinearitasDeskriptif
Pesebaran AKI
MALANG
JEMB ER
TUBA N
BANYUW ANGI
BLITAR
KEDIRI
NGAW I
LUM AJANGPACITAN
BOJONE GORO
LA MONGAN
MADIUN
SITUBONDO
GRES IK
PASURUAN
NGANJUK
SAMP ANG
PONOROGO
SUMENEP
PROB OLINGGO
BONDOW OSO
JOM BANG
BANGKALAN
TRENGGALEK
MOJOK ERTO
TULUNGA GUNG
MAGETA N
SIDOARJO
PAME KASA N
SURABAY A (KOTA)
BATU (K OTA)KEDIRI (KOTA)
MALANG (K OTA)
PASURUAN (KOTA)
BLITAR (KOTA)
PROB OLINGGO (K OTA)
MADIUN (KOTA)
MOJOK ERTO (KOTA) Keterangan
1 - 4
5 - 13
14 - 20
21 - 28
29 - 49
100 0 100 200 Miles
N
EW
S
Pesebaran Jumlah Kasus Kematian Ibu di Jawa Timur
Regresi Poisson OverdispersiMultikolinearitasDeskriptif
Persentase dibantu dukun
MALANG
JEMB ER
TUBA N
BANYUW ANGI
BLITAR
KEDIRI
NGAW I
LUM AJANGPACITAN
BOJONE GORO
LA MONGAN
MADIUN
SITUBONDO
GRES IK
PASURUAN
NGANJUK
SAMP ANG
PONOROGO
SUMENEP
PROB OLINGGOBONDOW OSO
JOM BANG
BANGKALAN
TRENGGALEK
MOJOK ERTO
TULUNGA GUNG
MAGETA N
SIDOARJO
PAME KASA N
SURABAY A (KOTA)
BATU (K OTA)KEDIRI (KOTA)
MALANG (K OTA)
PASURUAN (KOTA)
BLITAR (KOTA)
PROB OLINGGO (K OTA)
MADIUN (KOTA)
MOJOK ERTO (KOTA) Keterangan: (%)0 - 0.85
0.85 - 2.37
2.37 - 5.1
100 0 100 200 MilesS
Pesebaran Persentase Persalinan Dibantu Dukun
Regresi Poisson OverdispersiDeskriptifMultikolinearitas
Variabel VIF
X1 1,953
X2 1,606
X3 1,428
X4 1,276
X5 1,249
X6 2,034
X7 1,231
X8 1,229
NILAI VIF < 10
Tidak terdapat kasus
multikolinearitas pada data,
maka dapat dilanjutkan dengan
Regresi Poisson.
Multikolinearitas OverdispersiDeskriptif Regresi
Poisson
Parameter Estimasi Zhitung Pr(|Z|>)β0 2,630 52,976 <2e-16 β1 0,294 4,897 0,000β2 0,012 0,238 0,812β3 0,174 3,256 0,001β4 0,018 0,397 0,692β5 -0,068 -1,278 0,201β6 -0,166 -2,622 0,009β7 -0,507 -6,359 0,000β8 -0,435 -8,264 < 2e-16
AIC= 287,14Devians= 103,42 ; df= 29
Output software R
didapat :
Multikolinearitas OverdispersiDeskriptif Regresi
Poisson
Parameter Estimasi Zhitung Pr(|Z|>)
β0 2,630 52,976 <2e-16
β1 0,294 4,897 0,000
β2 0,012 0,238 0,812
β3 0,174 3,256 0,001
β4 0,018 0,397 0,692
β5 -0,068 -1,278 0,201
β6 -0,166 -2,622 0,009
β7 -0,507 -6,359 0,000
β8 -0,435 -8,264 < 2e-16
AIC= 287,14
Devians= 103,42 ; df= 29
Pengujian serentak:
Keterangan:
Pengujian Parsial:
Multikolinearitas OverdispersiDeskriptif Regresi
Poisson
Model yang terbentuk adalah:
Variabel yang memberikan pengaruh signifikan terhadap
jumlah kematian ibu adalah Persentase ibu hamil yang
mendapatkan Fe3 (X1), Persentase penanganan ibu yang
mengalami komplikasi (X3), Persentase Ibu Nifas yang
mendapatkan vitamin A (X6), Persentase sarana kesehatan Rumah
Sakit (X7), dan Persentase sarana kesehatan Puskesmas (X8).
Multikolinearitas Regresi PoissomDeskriptifOverdispersi
Kriteria nilai db nilai/db
Deviance 103,42 29 3,566
OVERDISPERSI
REGRESI
BINOMIAL NEGATIF
GWNBRSpasialRegresi Binomial
Negatif
Parameter Estimasi Zhitung Pr(|Z|>)β0 2,62765 30,182 0,0000β1 0,28008 2,328 0,027071β2 0,03428 0,322 0,749552β3 0,13784 1,328 0,194427β4 0,01975 0,211 0,834449β5 -0,06575 -0,647 0,522886β6 -0,17822 -1,436 0,161737β7 -0,56153 -4,476 0,000108β8 -0,39158 -3,955 0,000452
AIC= 265,33Devians= 29,148 ; df= 29
Output software R
didapat :
Pengujian serentak:
Pengujian Parsial:
GWNBRSpasialRegresi Binomial
Negatif
Parameter Estimasi Zhitung Pr(|Z|>)
β0 2,62765 30,182 0,00000
β1 0,28008 2,328 0,027071
β2 0,03428 0,322 0,749552
β3 0,13784 1,328 0,194427
β4 0,01975 0,211 0,834449
β5 -0,06575 -0,647 0,522886
β6 -0,17822 -1,436 0,161737
β7 -0,56153 -4,476 0,000108
β8 -0,39158 -3,955 0,000452
AIC= 265,33
Devians= 29 ; df= 29
Keterangan:
GWNBRSpasialRegresi Binomial
Negatif
Model yang terbentuk adalah:
Variabel yang memberikan pengaruh signifikan
terhadap jumlah kematian ibu adalah Persentase ibu hamil
yang mendapatkan Fe3 (X1), Persentase sarana kesehatan
Rumah Sakit (X7), dan Persentase sarana kesehatan
Puskesmas (X8).
GWNBRRegresi Binomial
Negatif Spasial
p-value 0,1137899
alpha 0,1
DEPENDENSI SPASIAL
P-VALUE > ALPHA
TIDAK ADA DEPENDENSI
SPASIAL PADA DATA
HETEROGENITAS SPASIAL
BPtest 11,987
χ2(0.2;8) 11,03
BP test > χ2
Variansi antar lokasi
berbeda
45
SerentakKesamaan model GWNBR
dan BNParsial
PENGUJIAN
SpasialRegresi Binomial
Negatif GWNBR
Devians
BNdf
Devians
GWNBRdf Fhit
29 29 9997,68 29 0,029
Keterangan: F tabel=1,861
Tidak ada perbedaan
antara model BN dan
GWNBR
Pacitan 48.80 55.24 3.33 0.66 1.88 0.03 -0.08 -0.71 -9.90Ponorogo 45.27 52.53 3.22 0.61 1.75 0.02 -0.15 -0.63 -9.33Trenggalek 41.05 40.53 1.57 0.76 0.58 -0.28 -0.04 -0.69 -7.39Tulungagung 36.83 38.29 1.34 0.74 0.37 -0.33 -0.09 -0.55 -6.47
Blitar 43.60 47.89 3.09 0.67 1.77 0.15 0.08 -0.69 -8.62
Kediri 31.86 34.12 1.10 0.82 0.47 -0.01 0.27 -0.65 -5.20Malang 43.45 38.16 1.66 0.72 1.20 -0.10 0.22 -0.96 -7.90
β0 β1 β2 β3 β4 β5 β6 β7 β8
36.83 38.29 1.34 0.74 0.37 -0.33 -0.09 -0.55 -6.47
TULUNGAGUNG
Kel Kabupaten Variabel yang Signifikan
1
Pacitan, Ponorogo, Blitar, Jember, Banyuwangi, Bondowoso, Probolinggo, Pasuruan, Nganjuk, Ngawi, Bojonegoro,
Gresik, Pamekasan, kota Kediri, kota Blitar, kota Pasuruan, kota Mojokerto, kota
Surabaya, dan kota Batu
2Trenggalek, Tulungagung, Kediri,
Lumajang, Jombang, Madiun, Magetan, Tuban, Lamongan dan kota Madiun
3Malang, Situbondo, Sidoarjo, Mojokerto,
Bangkalan, Sampang ,Sumenep, kota Malang dan kota Probolinggo
MALANGJEM BER
TUBAN
BANYUW AN GI
BL ITAR
KEDIR I
NGAW I
LUM AJANGPACITAN
BOJONEGORO
LAMONGAN
MADIU N
SITU BON DO
GR ESIK
NGAN JUK
PASURUAN
SAMPANG
PONOR OGO
SUM ENEP
PROBOLINGGO
JOM BANG
BOND OW OSO
BANGKAL AN
TRENGGAL EK
MOJOKERTO
TULU NGAGU NG
MAGETAN
SID OAR JO
PAMEKASAN
BATU
SUR ABAYA
100 0 100 200 Miles
N
EW
S
View1
Keterangan
Kelompok 1
Kelompok 2
Kelompok 3
KESIMPULAN & SARAN
Regresi Poisson
5 variabel signifikan
Regresi Binomial Negatif
3 variabel signifikan
Nilai Devians lebih kecil
Dapat menangani
Overdispersi
KESIMPULAN & SARAN
3 KELOMPOKGeographically
Weighted Negative
Binomial Regression
1• Jenis Bobot
2• Faktor sosial, pendidikan, lingkungan.
MALANGJEM BER
TUBAN
BANYUW AN GI
BL ITAR
KEDIR I
NGAW I
LUM AJANGPACITAN
BOJONEGORO
LAMONGAN
MADIU N
SITU BON DO
GR ESIK
NGAN JUK
PASURUAN
SAMPANG
PONOR OGO
SUM ENEP
PROBOLINGGO
JOM BANG
BOND OW OSO
BANGKAL AN
TRENGGAL EK
MOJOKERTO
TULU NGAGU NG
MAGETAN
SID OAR JO
PAMEKASAN
BATU
SUR ABAYA
100 0 100 200 Miles
N
EW
S
View1
Keterangan
Kelompok 1
Kelompok 2
Kelompok 3
• Afri, L. E. (2013). Model Regresi Binomial Negatif Terboboti Geografis untuk Data
Kematian Bayi. Jurnal Ilmiah Edu Research Vol.2 No.1
•Agresti, A. (2002). Categorical Data Analysis.Seond Edition. New York: John Wiley and
Sons.
•Anselin, L. (1988). Spatial Econometris: Methods and Models. Dordrecht: Kluwer
Academic Publishers.
•Aristia, R. (2013). Faktor Yang Mempengaruhi Jumlah Kematian Ibu Hamil di Jawa Timur
Menggunakan Regresi Binomial Negatif dan Geographically Weighted Poisson
Regression(GWPR). Surabaya: Institut Teknologi Sepuluh Nopember.
•Dinkes. (2014). Laporan LB3 KIA Sie Kesga Dinkes Prov. Jatim. Surabaya: Dinas
Kesehatan Jawa Timur.
•Dinkes. (2012). Profil Kesehatan Provinsi Jawa Timur Tahun 2012. Surabaya: Dinas
Kesehatan Jawa Timur.
•Greene, W. (2008). Functional forms for the negative binomial model for count data.
Economics Letters 99(3) , 585-590.
•Hardin, J. W., & Hilbe, J. M. (2007). Generalized Linear Models and Extensions Second
Edition. Texas: Stata Press.
•Hocking, R. R. (1996). Methods and applications of linear models: regression and the
analysis of variance. New York: John Wiley and Sons.52
•Lieztyanto, Y. G., & Purhadi. (2014). Estimasi dan Pengujian Hipotesis Model
Geographically Weighted Negative Binomial Regression (GWNBR). Seminar Nasional
Pendidikan Sains Tahun 2014 , 1107-1112.
•McCullagh, P., & Nelder, J. A. (1989). Generalized linear models. London: Chapman and
Hall.
•Mertha, W. P. (2008). Analisa Hubungan Kondisi Sektor Ekonomi dan Penelitian terhadap
Angka Kemiskinan di Jawa Timur menggunakan Metode GWR. Surabaya: Institut Teknologi
Sepuluh Nopember.
•Mukti, A. G. (2012, September 4). Kompas. Dipetik Februari 5, 2014, dari
http://health.kompas.com
•Novita, L. (2012). Pemodelan Maternal Mortality di Jawa Timur dengan Pendekatan
GWPR. Surabaya: Institut Teknologi Sepuluh Nopember.
•Pertiwi, L. D. (2012). Spatial Durbin Model Untuk Mengidentifikasi Faktor Faktor yang
Mempengaruhi Kematian Ibu di Jawa Timur. Surabaya: Institut Teknologi Sepuluh
Nopember.
•Qomariyah, N. (2013). Pemodelan Faktor-Faktor yang Mempengaruhi Jumlah Kematian
Ibu di Jatim dengan Pendekatan GWPR (Geographically Weighted Poisson Regression)
Ditinjau dari Segi Fasilitas Kesehatan . Surabaya: Institut Teknologi Sepuluh Nopember.
•Ricardo, A., & Carvalho, T. (2013). Geographically Weighted Negative Binomial
Regression-Incorporating Overdispersion. Business Media New York: Springer Science.
•WHO. (t.thn.). World Health Organozation. Dipetik 02 20, 2014, dari
http://www.who.int53