Analisis Beberapa Faktor Yang Mempengaruhi Dinamika Kematian Bayi Di Propinsi Nusa Tenggara Timur Pada Tahun 2010

ANALISIS BEBERAPA FAKTOR YANG MEMPENGARUHI DINAMIKA KEMATIAN BAYI DI PROPINSI NUSA TENGGARA TIMUR PADA

TAHUN 2010

TUGAS AKHIR

SRI PUTRI AYU 102407090

PROGRAM STUDI D3 STATISTIKA DEPARTEMEN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA

ANALISIS BEBERAPA FAKTOR YANG MEMPENGARUHI DINAMIKA KEMATIAN BAYI DI PROPINSI NUSA TENGGARA TIMUR PADA

TAHUN 2010

TUGAS AKHIR

Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar AhliMadya

SRI PUTRI AYU 102407090

PROGRAM STUDI D3 STATISTIKA DEPARTEMEN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA

MEDAN 2013

PERSETUJUAN

Judul : ANALISIS BEBERAPA FAKTOR YANG

MEMPENGARUHI DINAMIKA KEMATIAN

BAYI DI PROPINSI NUSA TENGGARA TIMUR PADA TAHUN 2010

Kategori : TUGAS AKHIR

Nama : SRI PUTRI AYU

Nomor Induk Mahasiswa : 102407090

Program Studi : D3 STATISTIKA

Departemen : MATEMATIKA

Fakultas : MATEMATIKA DAN ILMU PENGETAHUAN

ALAM (FMIPA) UNIVERSITAS SUMATERA UTARA

Diluluskan di Medan, Juli 2013

Diketahui oleh

Departemen Matematika FMIPA USU

Ketua, Pembimbing,

Prof. Dr. Tulus, M.Si Drs. Henry Rani Sitepu, M.Si

PENGHARGAAN

Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Pemurah dan Maha Penyayang dengan limpah karunia-Nya, penulis dapat menyelesaikan penyusunan Tugas Akhir ini dengan judul : Analisis Beberapa Faktor yang Mempengaruhi Dinamika Kematian Bayi di Propinsi Nusa Tenggara Timur Pada Tahun 2010.

Terimakasih penulis sampaikan kepada Bapak Drs.Henry Rani Sitepu,M.Si selaku dosen pembimbing yang telah meluangkan waktunya selama penyusunan Tugas Akhir ini. Terimakasih kepada Bapak Faigiziduhu Bu’lolo,M.Si dan Bapak Drs.Suwarno Ariswoyo,M.Si selaku ketua dan sekretaris Program Studi D3 Statistika FMIPA USU Medan, Bapak Prof.Dr.Tulus,M.Si PhD dan ibu Dra.Mardianingsih,M.Si selaku ketua dan sekretaris Departemen Matematika FMIPA USU Medan, Bapak Drs.Sutarman,M.Sc selaku dekan FMIPA USU Medan, seluruh staff dan dosen Program Studi D3 Statistika FMIPA USU Medan, pegawai FMIPA USU Medan dan rekan-rekan kuliah.

Akhirnya tidak terlupakan kepada Ayahanda penulis, H.Manalu dan Ibunda penulis, M.br Simbolon dan keluarga yang selama ini memberikan doa, bantuan dan dorongan yang diperlukan dalam proses penyusunan Tugas Akhir ini. Semoga Tuhan Yang Maha Esa akan membalasnya.

Medan, Juni 2013

Penulis

DAFTAR ISI

Halaman

Persetujuan i

Pernyataan ii

Penghargaan iii

Daftar isi iv

Daftar Tabel vi

Daftar Gambar vii

BAB 1 PENDAHULUAN

1.1 Latar Belakang 1

1.2 Identifikasi Masalah 4

1.3 Batasan Masalah 4

1.4 Tujuan Penelitian 5

1.5 Manfaat Penelitian 5

1.6 Metodologi Penelitian 6

1.7 Tinjauan Pustaka 7

1.8 Lokasi Penelitian 8

1.9 Sistematika Penulisan 8

BAB 2 LANDASAN TEORI

2.1 Pengertian Regresi dan Korelasi 10

2.1.1 Pengertian Regresi 10

2.1.2 Pengertian Korelasi 12

2.2 Regresi Linier Sederhana 14

2.3 Regresi Linier Berganda 15

2.4 Uji Keberartian Regresi 16

2.5 Pengujian Hipotesis 17

2.6 Uji Koefisien Regresi Linier Berganda 19

2.7 Koefisien Determinasi 20

BAB 3 GAMBARAN UMUM BADAN PUSAT STATISTIK

3.1 Visi dan Misi Badan Pusat Statistik 21

3.2 Struktur Organisasi Badan Pusat Statistik 22

BAB 4 PENGOLAHAN DATA

4.1 Pengolahan dan Evaluasi Data 24

4.2 Menentukan Persamaan Regresi Linier Berganda 25

4.4 Pengujian Koefisien Regresi Linier Berganda 36

4.5 Pengujian Koefisien Korelasi 39

4.5.1 Perhitungan Koefisien Korelasi antara Variabel

Bebas dan Variabel Terikat 41

4.5.2 Perhitungan Korelasi antar Variabel Bebas 43

4.6. Perhitungan Koefisien Determinasi 45

BAB 5 IMPLEMENTASI SISTEM

5.1 Pengertian Implementasi Sistem 47

5.2 Sekilas Tentang Program SPSS 47

5.3 Pengolahan Data dengan SPSS 48

5.4 Analisis Regresi dan Korelasi dengan SPSS 52

5.5 Hasil Output dengan SPSS 55

BAB 6 KESIMPULAN DAN SARAN

6.1 Kesimpulan 65

6.2 Saran 66

DAFTAR PUSTAKA LAMPIRAN

DAFTAR TABEL

Tabel 2.1 Interpretasi Nilai R 14

Tabel 4.1 Data yang akan diolah 24

Tabel 4.2 Nilai-nilai menghitung Koefisien Regresi dan Uji Regresi 26

Tabel 4.3 Penolong untuk kekeliruan taksiran baku 30

Tabel 4.4 Pengujian Regresi Linier Berganda 32

DAFTAR GAMBAR

Gambar 3.1Struktur Organisasi Badan Pusat Statistik 23

Gambar5.1 Tampilan Pengaktifan SPSS 17.0 48

Gambar 5.2 Tampilan Jendela Variabel View dalam SPSS 50

Gambar 5.3 Tampilan Jendela Pengisian Data View 52

Gambar 5.4 Pilih Analyze, Regression, Linear 53

Gambar 5.5 Kotak Dialog Linier Regression 53

Gambar 5.6 Kotak dialog Linear Regression Statistics 54

Gambar 5.7 Kotak dialog Linear Regression Plots 55

Gambar 5.8 Output Partial Regression Plot Pertama 62

Gambar 5.9 Output Partial Regression Plot Kedua 63

Gambar 5.10 Output Partial Regression Plot Ketiga 64

BAB 1

PENDAHULUAN

1.1 Latar Belakang

Kematian atau mortalitas adalah salah satu dari tiga komponen proses demografi

yang berpengaruh terhadap struktur penduduk. Tinggi rendahnya tingkat

mortalitas penduduk di suatu daerah tidak hanya mempengaruhi pertumbuhan

penduduk, tetapi juga merupakan barometer dari tinggi rendahnya tingkat

kesehatan masyarakat di daerah tersebut. Dengan memperhatikan trend dari

tingkat mortalitas di masa lampau dan estimasi perkembangan di masa

mendatang dapatlah dibuat sebuah proyeksi penduduk wilayah bersangkutan.

(Ida Bagoes Mantra, 2009)

Kematian bayi adalah kematian yang terjadi antara saat bayi lahir sampai

bayi berusia tepat satu tahun. Banyak faktor yang dikaitkan dengan kematian

bayi. Secara garis besar, dari sisi penyebabnya kematian bayi ada dua macam,

yaitu :

1. Kematian bayi endogen adalah kematian bayi yang terjadi pada

pertama setelah melahirkan, dan umumnya disebabkan oleh

faktor – faktor yang dibawa anak sejak lahir, yang diperoleh dari

2. Kematian bayi eksogen adalah kematian bayi yang terjadi setelah usia

satu bulan sampai menjelang usia satu tahun yang disebabkan oleh

faktor – faktor yang bertalian dengan pengaruh lingkungan.

Banyak faktor – faktor yang menyebabkan rendah atau tingginya jumlah

kematian bayi di Indonesia. Daerah-daerah kepulauan terpencil di Indonesia

identik dengan minimnya sarana dan prasarana kesehatan dan rendahnya kondisi

kesehatan masyarakat. Salah satu tanda kurangnya kondisi kesehatan tersebut

adalah tingginya angka kematian ibu melahirkan dan tingkat kematian bayi. Di

samping itu, rendahnya kesadaran akan keluarga berencana juga ikut ambil bagian

menurunkan kesadaran masyarakat akan kondisi kesehatannya. Selain itu

banyaknya jumlah penduduk miskin di suatu wilayah tersebut juga merupakan

salah satu faktor terbesar dalam meningkatnya jumlah kematian ibu dan bayi.

Propinsi Nusa Tenggara Timur merupakan salah satu provinsi yang

memiliki jumlah kematian bayi yang tinggi di Indonesia. Provinsi yang berbatasan

langsung dengan 2 negara tetangga, Timor Timur dan Australia ini memang

memiliki tingkat kesehatan yang bisa dibilang rendah dibanding provinsi lain di

Indonesia. Menurut Survei Dasar Kesehatan Indonesia (SDKI) terakhir tahun

2007, angka kematian ibu melahirkan di NTT sebesar 306 ibu dari 100.000

kelahiran. Padahal di tingkat nasional angkanya hanya 228 ibu dari 100.000

kelahiran. (http//www.google.com)

Sebanyak 1.253 bayi di Nusa Tenggara Timur (NTT) meninggal saat

dilahirkan. Pasalnya, kelahiran bayi tersebut tidak dilakukan di pusat layanan

kesehatan di masing – masing daerah disana, yang terdiri dari beberapa

kabupaten.

Gubernur Nusa Tenggara Timur, Frans Lebu Raya mengatakan pada tahun 2010

terdapat sebanyak 1.253 bayi yang meninggal saat dilahirkan ibunya. Pernyataan

Gubernur NTT terkait dengan masih tingginya angka kematian ibu dan anak di

daerah tersebut. Namun, Gubernur belum bisa memastikan rasio perbandingan

kematian ibu dan anak karena belum dilakukan perhitungan pada tahun 2011.

(http://www.google.com)

Banyak kalangan yang berpendapat soal ajal adalah urusan Tuhan. Akan

tetapi kita tidak dapat menutup mata adanya provinsi-provinsi lain yang

mempunyai jumlah kematian bayi yang tinggi. Salah satu langkah untuk

mencegahnya adalah menemukan akar permasalahan dari fenomena tersebut.

Ditemukannya akar permasalahan, berarti akan didapati faktor-faktor yang dapat

dikendalikan. Dalam hal ini Penulis memilih :

1. Jumlah Kematian Bayi di NTT

Sebagai variabel tak bebas, dan

1. Status Gizi Buruk di NTT

2. Pendidikan Tertinggi Wanita yang di Tamatkan Berumur 15 Tahun ke atas (tamat SD) di NTT

3. Banyaknya fasilitas pelayanan kesehatan (posyandu) di NTT

Sebagai variabel bebas.

Berdasarkan uraian di atas dan dengan mengetahui seberapa besar bangsa

Indonesia harus menekan jumlah kematian bayi, maka untuk

berjudul : “Analisis Beberapa Faktor yang Mempengaruhi Dinamika Kematian Bayi di Propinsi Nusa Tenggara Timur Pada Tahun 2010”

1.2 Identifikasi Masalah

Masalah kematian bayi dipengaruhi oleh beberapa faktor yang menyebabkan

tingginya jumlah kematian bayi. Dalam penelitian ini yang menjadi permasalahan

adalah bagaimana hubungan antara beberapa faktor yang mempengaruhi jumlah

kematian bayi tersebut dengan analisis regresi linier berganda sehingga akan

diperoleh persamaan penduga yang layak digunakan.

1.3 Batasan Masalah

Penulis membuat batasan permasalahan dari beberapa faktor yang ada yang

mempengaruhi jumlah kematian bayi, yakni Penulis hanya mengambil tiga faktor

yang mempengaruhi jumlah kematian bayi, yaitu : Status Gizi Buruk (X1),

Tingkat Pendidikan Ibu (X2), dan Banyaknya Fasilitas Kesehatan/Posyandu(X3).

Lalu akan dianalisis secara regresi linier berganda dan akan dicari apakah

faktor-faktor tersebut sangat mempengaruhi kenaikan jumlah kematian bayi.

1.4 Tujuan Penelitian

Adapun tujuan dari penelitian ini adalah sebagai berikut :

1. Untuk mengetahui faktor-faktor yang sangat berpengaruh terhadap

jumlah kematian bayi di NTT.

2. Untuk mengetahui seberapa besar faktor-faktor tersebut mempengaruhi

tingkat jumlah kematian bayi di NTT.

3. Untuk mengetahui faktor yang paling harus diperhatikan terhadap jumlah

kematian bayi di NTT.

1.5 Manfaat Penelitian

Adapun manfaat dari penelitian ini adalah :

1. Penulis dapat mengaplikasikan ilmu dengan membandingkan teori-teori

yang diperoleh selama kuliah.

2. Memberikan informasi tentang jumlah kematian bayi di Provinsi Nusa

Tenggara Timur serta faktor-faktor yang mempengaruhinya.

3. Sebagai sarana meningkatkan pengetahuan dan wawasan pembaca

mengenai analisis data.

4. Sebagai acuan untuk pemerintah untuk memperhatikan tingginya jumlah

kematian bayi di NTT khususnya pemerintah NTT.

1.6 Metodologi Penelitian

Metodologi yang digunakan Penulis dalam melaksanakan penelitian diantaranya

1. Metode Penelitian Kepustakaan (Studi Literatur).

Dalam hal ini penelitian dilakukan dengan membaca dan mempelajari

buku-buku ataupun literatur pelajaran yang didapat di perkuliahan ataupun

umum, serta sumber informasi lainnya yang berhubungan dengan objek

yang diteliti

2. Metode Pengumpulan Data

Pengumpulan data untuk keperluan penelitian dilakukan Penulis dengan

menggunakan data sekunder. Data sekunder adalah data yang diperoleh

oleh pihak lain yang umumnya disajikan dalam bentuk tabel-tabel atau

diagram. Data sekunder yang digunakan diperoleh dari Kantor Badan

Pusat Statistik Propinsi Sumatera Utara.

1.7 Tinjauan Pustaka

Metode analisis data adalah metode yang digunakan bertujuan untuk mendapatkan

informasi yang relevan yang terkandung dalam data tersebut dan menggunakan

hasil analisis tersebut untuk memecahkan suatu masalah. Permasalahan yang akan

dipecahkan biasanya dinyatakan dalam bentuk satu atau lebih hipotesis nol.

(Hartono. 2004)

Metode analisis data biasanya menggunakan variabel independent (bebas)

dan variabel dependent (terikat). Untuk melihat persamaan regresi liniernya dan

mengetahui hubungan setiap variabel digunakan analisis korelasi :

1) Menentukan kelompok data yang menjadi variabel terikat (Y) dan

variabel bebas (X).

2) Menetukan hubungan antara variabel bebas (X) dengan variabel terikat

(Y) sehingga di dapat regresi Y atas X1, X2, X3,…,Xk.

3) Uji regresi linier berganda untuk mengetahui seberapa besarnya

pengaruh variabel bebas (X) secara bersama-sama terhadap variabel

terikat (Y).

Secara umum model regresi linier berganda adalah sebagai berikut :

Ŷ= β0 + β1X1 + β2X2 + β3X3 +… + βnXn + ε

4) Uji korelasi untuk mengetahui bagaimana dan seberapa besar pengaruh

hubungan variabel-variabel bebas tersebut terhadap variabel

terikat.(Santoso.1992)

5) Uji koefisien-koefisien regresi untuk menguji taraf nyata

koefisein-koefisien regresi yang didapat dan seberapa besar kontribusinya.

1.8 Lokasi Penelitian

Penelitian atau pengumpulan data dilakukan di Kantor Badan Pusat Statistik

1.9 Sistematika Penulisan

Adapun sistematika penulisan yang diuraikan oleh Penulis antara lain :

BAB 1 : PENDAHULUAN

Bab ini menguraikan tentang latar belakang, identifikasi

masalah, tujuan penelitian, manfaat penelitian, metode

penelitian, lokasi penelitian, dan sistematika penulisan.

BAB 2 : LANDASAN TEORI

Bab ini berisi tentang suatu landasan teori yang

diaplikasikan dalam pengolahan data yang tepat, yaitu

menguraikan tentang pengertian regresi linier berganda, uji

regresi linier, uji korelasi, dan uji koefisien regresi linier

berganda.

BAB 3 : GAMBARAN UMUM TEMPAT RISET

Bab ini menjelaskan atau menceritakan tentang sejarah

singkat berdirinya perusahaan, visi dan misi, beserta

struktur organisasinya.

BAB 4 : PENGOLAHAN DATA

Bab ini menguraikan proses pengolahan data pada regresi

linier berganda, analisis korelasi ganda, uji keberartian

regresi dan koefisien regresi linier berganda.

BAB 5 : IMPLEMENTASI SISTEM

Bab ini menguraikan proses pengolahan data dengan

program yang akan digunakan yaitu SPSS mulai dari input

data hingga hasil outputnya yang membantu dalam

menyelesaikan permasalahan dalam penulisan.

BAB 6 : KESIMPULAN DAN SARAN

Bab ini terdiri atas kesimpulan dari hasil analisis yang

telah dilakukan serta saran berdasarkan kesimpulan yang

diperoleh tentunya bermanfaat bagi pembaca dan pihak

BAB 2

LANDASAN TEORI

2.1 Pengertian Regresi dan Korelasi

2.1.1 Pengertian Regresi

Regresi adalah suatu metode statistika yang berguna untuk memeriksa atau

memodelkan hubungan diantara variabel-variabel. Variabel-variabel tersebut

dengan menggunakan analisis regresi dapat melihat adanya pengaruh suatu

karakteristik terhadap data lain. Dengan kata lain jika kita mempunyai dua atau

lebih variabel maka kita dapat mencari suatu cara bagaimana variabel-variabel itu

berhubungan. Dan hubungan tersebut secara matematika dinyatakan sebagai

hubungan fungsional antara variabel-variabel.

Regresi pertama kali dipergunakan sebagai konsep statistika oleh Sir

Farncis Galton (1822-1911). Beliau memperkenalkan model peramalan,

penaksiran, atau pendugaan, yang selanjutnya dinamakan regresi, sehubungan

dengan penelitiannya terhadap tinggi badan manusia. Galton melakukan suatu

penelitian di mana penelitian tersebut membandingkan antara tinggi anak laki-laki

dan tinggi badan ayahnya. Galton menunjukkan bahwa tinggi badan anak laki-laki

dari ayah yang tinggi setelah beberapa generasi cenderung mundur (regressed)

mendekati nilai tengah populasi. Dengan kata lain, anak laki-laki dari ayah yang

badannya sangat tinggi cenderung lebih pendek daripada ayahnya, sedangkan

anak laki-laki dari ayah yang badannya sangat pendek cenderung lebih tinggi dari

ayahnya, jadi seolah-olah semua anak laki-laki yang tinggi dan anak laki-laki

yang pendek bergerak menuju kerata-rata tinggi dari seluruh anak laki-laki yang

menurut istilah Galton disebut dengan “regression to mediocrity”. Dari uraian

tersebut dapat disimpukan bahwa pada umumnya tinggi anak mengikuti tinggi

orangtuanya.

Istilah “regresi” pada mulanya bertujuan untuk membuat perkiraan nilai

satu variabel (tinggi badan anak) terhadap suatu variabel yang lain (tinggi badan

orangtua). Pada perkembangan selanjutnya analisis regresi dapat digunakan

sebagai alat untuk membuat perkiraan nilai suatu variabel dengan menggunakan

beberapa variabel lain yang berhubungan dengan variabel tersebut.

Jadi prinsip dasar yang harus dipenuhi dalam membangun suatu

persamaan regresi adalah bahwa antara suatu variabel tidak bebas (dependent

variabel) dengan variabel-variabel bebas (independent variabel) lainnya memiliki

sifat hubungan sebab akibat (hubungan kausal), baik didasarkan pada teori, hasil

penelitian sebelumnya, maupun yang didasarkan pada penjelasan logis tertentu.

Korelasi adalah istilah statistik yang menyatakan derajat hubungan linier antara

dua variabel atau lebih. Korelasi ditemukan oleh Karl Pearson pada awal tahun

1900 sehingga korelasi sering disebut Korelasi Pearson Product Moment (PPM).

Produk korelasi atau pengukuran digunakan untuk melihat kuat lemahnya korelasi

disebut koefisien korelasi yang sering disimbolkan dengan r atau R (penggunaan r

biasanya pada korelasi parsial sedangkan R digunakan pada korelasi berganda).

Untuk mendapatkan nilai koefisien korelasi maka dapat digunakan rumus

sebagai berikut :

Untuk menghitung koefisien korelasi antara variabel tak bebas Y dengan

tiga variabel bebas X₁, X₂, X₃ yaitu :

1. Koefisien korelasi antara Y dengan X₁ r y1 =

























 2 2 2 1 2 1 1 12 ) ( ) ( ) )( ( i i i i i i i i Y Y n X X n Y X Y X n

2. Koefisien korelasi antara Y dengan X₂

3. Koefisien korelasi antara Y dengan X₃ r y2 =



























 2 2 2 2 2 2 2 2 ) ( ) ( ) )( ( i i i i i i i i Y Y n X X n Y X Y X n r y3 =



























 2 2 2 2 3 3 3 ) ( ) 3 ( ) )( ( i i i i i i i i Y Y n X X n Y X Y X n r yx=

























 2 2 2 2 ) ( ) ( ) )( ( i i i i i i i i Y Y n X X n Y X Y X n

Untuk menghitung koefisien korelasi antara Variabel Bebas X, yaitu :

1. Koefisien Korelasi antara X1 dengan X2

r

12=



























 2 2 2 2 2 1 2 1 2 1 2 1 ) ( ) ( ) )( ( i i i i i i i i X X n X X n X X X X n

2. Koefisien Korelasi antara X1 dengan X3

r

13=



























 2 3 2 3 2 1 2 1 3 1 3 1 ) ( ) ( ) )( ( i i i i i i i i X X n X X n X X X X n

3. Koefisien Korelasi antara X2 dengan X3

r

23=



























 2 3 2 3 2 2 2 2 3 2 3 2 ) ( ) ( ) )( ( i i i i i i i i X X n X X n X X X X n

Koefisien korelasi memiliki nilai antara -1 hingga +1. Sifat nilai koefisien

korelasi adalah plus (+) atau minus (-) yang menunjukan arah korelasi.

Sifat korelasi akan menentukan arah dari korelasi. Keeratan korelasi dapat

Tabel 2.1 Interpretasi dari nilai R

R Interpretasi

0 Tidak ada korelasi

0.01-0.20 Sangat Lemah

0.21-0.40 Lemah

0.41-0.70 Kuat

0.71-0.90 Sangat Kuat

0.91-0.99 Sangat Kuat Sekali

1 Korelasi Sempurma

Sumber : Algifari, 1997

2.2 Regresi Linier Sederhana

Regresi linier sederhana digunakan untuk memperkirakan hubungan antara dua

variabel di mana hanya terdapat satu variabel bebas/peubah bebas X dan satu

variabel tak bebas Y.

Dalam bentuk persamaan umum, model regresi sederhana adalah :

dimana:

Y : adalah variabel terikat/tak bebas (dependent)

X : adalah variabel bebas (independent)

a : adalah penduga bagi intercept

b : adalah penduga bagi koefisien regresi

Y = a + bX

2.3 Regresi Linier Berganda

Regresi linier berganda adalah analisis regresi yang menjelaskan hubungan antara

peubah respon (variabel dependent) dengan faktor-faktor yang menjelaskan yang

mempengaruhi lebih dari satu predictor (variabel independent).

Dalam pembahasan mengenai regresi sederhana, simbol yang digunakan

untuk variabel bebasnya adalah X. Dalam regresi berganda, persamaan regresinya

memiliki lebih dari satu variabel bebas maka perlu menambah tanda bilangan

pada setiap variabel tersebut, dalam hal ini X₁, X₂, . . . , Xk.

Secara umum persamaan regresi berganda dapat ditulis sebagai berikut :

Yi = b0+ b1X1i+b2X2i+ b₃X_3i

dimana :

Y : Variabel tak bebas

X : Variabel bebas

b0, b1, b2, b3, : Koefisien regresi untuk data sampel

Koefisien-koefisien b0,b1,b2,b3 dapat dihitung dengan menggunakan persamaan :

Harga-harga b0,b1,b2, dan b3 didapat dengan menggunakan persamaan di atas

dengan metode eliminasi atau substitusi. Dalam penelitian ini penulis

menggunakan software dari komputer.

2.4 Uji Keberartian Regresi

Uji keberartian regresi dilakukan untuk mengetahui apakah sekelompok variabel

bebas secara bersamaan mempunyai pengaruh terhadap variabel tak bebas.

Pada dasarnya pengujian hipotesa tentang parameter koefisien regresi secara

keseluruhan menggunakan uji statistik F.

Untuk itu diperlukan dua macam jumlah kuadrat (JK) yaitu Jumlah Kuadrat

untuk regresi yang ditulis JK

reg dan Jumlah Kuadrat untuk sisa (residu) yang

ditulis dengan JK

res

Jika x_1i= X_1i– X ₁, x_2i= X_2i– X₂, . . . , x_k= X_ki– X_k dan y_i= Y_i– Y maka secara umum jumlah kuadrat-kuadrat tersebut dapat dihitung dari :

dengan derajat kebebasan dk = (n – k – 1) untuk sampel berukuran n.

Dengan demikian uji keberartian regresi berganda dapat dihitung dengan :

Dimana statistik F yang menyebar mengikuti distribusi F dengan derajat

kebebasan pembilang V₁= k dan penyebut V₂= n – k – 1.

JK_reg= b₁



x1iyi+b2



x2iyi ...bk



xkiyi

JKres=



(Y_i– 2

^

)

i Y

F_hitung =

) 1 /(

/

 k n JK

k JK

res reg

2.5 Pengujian Hipotesis

Pengujian hipotesis merupakan salah satu tujuan yang akan dibuktikan dalam

penelitian. Jika terdapat deviasi antara sampel yang ditentukan dengan jumlah

populasi maka tidak menutup kemungkinan untuk terjadinya kesalahan dalam

mengambil keputusan antara menolak atau menerima suatu hipotesis.

Pengujian hipotesis dapat didasarkan dengan menggunakan dua hal, yaitu:

tingkat signifikansi atau probabilitas (α) dan tingkat kepercayaan atau confidence

interval. Didasarkan tingkat signifikansi pada umumnya digunakan 0,05. Kisaran

tingkat signifikansi mulai dari 0,01 sampai dengan 0,1. Yang dimaksud dengan

tingkat signifikansi adalah probabilitas melakukan kesalahan, yaitu kesalahan

menolak hipotesis ketika hipotesis tersebut benar. Tingkat kepercayaan pada

umumnya ialah sebesar 95%, yang dimaksud dengan tingkat kepercayaan ialah

tingkat dimana sebesar 95% nilai sampel akan mewakili nilai populasi dimana

sampel berasal. Dalam melakukan uji hipotesis terdapat dua hipotesis, yaitu: Ho

(hipotesis nol) dan H1 (hipotesis alternatif). Ho bertujuan untuk memberikan

usulan dugaan kemungkinan tidak adanya perbedaan antara perkiraan penelitian

dengan keadaan yang sesungguhnya yang diteliti. H1 bertujuan memberikan

usulan dugaan adanya perbedaan perkiraan dengan keadaan sesungguhnya yang

diteliti.

Pembentukan suatu hipotesis memerlukan teori-teori maupun hasil

penelitian terlebih dahulu sebaagai pendukung pernyataan hipotesis yang

1) Hipotesis nol dan hipotesis alternatif yang diusulkan

2) Daerah penerimaan dan penolakan serta teknik arah pengujian (satu arah

ataudua arah)

3) Penentuan nilai hitung statistik

4) Menarik kesimpulan apakah menerima atau menolak hipotesis yang

diusulkan

Dalam uji keberartian regresi, langkah-langkah yang dibutuhkan untuk

pengujian hipotesis ini antara lain :

1) Ho: Tidak terdapat hubungan fungsional yang signifikan antara variabel

bebas dengan variabel tak bebas.

H1: Terdapat hubungan fungsional yang signifikan antara variabel bebas

Dengan variabel tak bebas.

2) Pilih taraf α yang diinginkan

3) Hitung statistik F

hitung dengan menggunakan rumus :

4)Nilai F_tabel menggunakan daftar tabel F dengan taraf signifikansi α yaitu

F_tabel= F_{(1)(nk1)}

5)Kriteria pengujian : jika F_hitung > F_tabel, maka Ho ditolak dan H1 diterima.

Sebaliknya Jika F_hitung < F_tabel, maka Ho diterima dan H1 ditolak.

F_hitung =

) 1 /(

/

 k n JK

k JK

res reg

2.6 Uji Koefisien Regresi Linier Berganda

Untuk mengetahui bagaimana keberartian setiap variabel bebas dalam regresi,

perlu diadakan pengujian tersendiri mengenai koefisien-koefisien regresi.

Pengujian dapat dilakukan dengan merumuskan hipotesis berikut :

Ho : Variabel bebas Xi tidak berpengaruh terhadap Y dimana i = 1,2,…,k

H1 : Variabel bebas Xi berpengaruh terhadap Y) dimana i = 1, 2, . . ., k

Dimana :

Tolak H0 jika thitung > ttabel

Terima H0 jika thitung < ttabel

Untuk menguji hipotesis ini digunakan kekeliruan baku taksiran s_y.12...k, jumlah kuadrat-kuadrat ∑x2

ijdengan xij= Xj- Xj dan koefisien korelasi ganda

antara masing-masing variabel bebas X dengan variabel tak bebas Y dalam regresi yaitu R.

Dengan besaran-besaran ini dibentuk kekeliruan baku koefisien biyakni :

s

i

b =

Selanjutnya hitung statistik

ti=

i b i s

b

Yang akan berdistribusi t dengan derajat kebebasan dk = (n-k-1) dan

ttabel = t(1-α)(n-k-1)

s

i

b =

) 1 )( x

( 2_ij 2

2 ... 12 .

2.7 Koefisien Determinasi

Koefisien determinasi yang disimbolkan dengan R2 _{bertujuan untuk mengetahui}

seberapa besar kemampuan variabel independent menjelaskan variabel dependent.

Nilai R2dikatakan baik jika berada di atas 0,5 karena nilai R2 berkisar antara 0

dan 1. Pada umumnya model regresi linier berganda dapat dikatakan layak dipakai

untuk penelitian, karena sebagian besar variabel dependen dijelaskan oleh variabel

independen yang digunakan dalam model.

Sehingga rumus umum koefisien determinasi yaitu :

R2=





n

1 i

2 i reg

y JK

BAB 3

GAMBARAN UMUM BADAN PUSAT STATISTIK

3.1 Visi dan Misi BPS (Badan Pusat Statistik) Propinsi Sumatera Utara

A. Visi BPS (Badan Pusat Statistik)

Badan Pusat Statistik mempunyai visi menjadikan informasi statistik sebagai

tulang punggung informasi pembangunan nasional dan regional, didukung

Sumber Daya Manusia yang berkualitas, ilmu pengetahuan dan teknologi

informasi yang mutakhir.

B. Misi BPS (Badan Pusat Statistik)

Dalam menunjuk pembangunan nasional Badan Pusat Statistik mengemban misi

mengarahkan pembangunan statistik pada penyediaan data statistik yang bermutu,

handal, efektif dan efisien, peningkatan kesadaran masyarakat akan arti dan

2.3 Struktur Organisasi Badan Pusat Statistik Propinsi Sumatera Utara

Setiap perusahaan baik perusahaan pemerintah maupun swasta mempunyai

struktur organisasi, karena perusahaan juga merupakan organisasi. Dimana

organisasi adalah suatu sistem dari aktivitas kerjasama yang terorganisir, yang

dilaksanakan oleh sejumlah orang untuk mencapai tujuan bersama.

Dalam struktur organisasi ditetapkan tugas-tugas, wewenang dan tanggung

jawab setiap orang dalam mencapai tujuan yang telah ditetapkan serta bagaimana

hubungannya yang satu dengan yang lain.

Dengan adanya struktur organisasi perusahaan yang baik, maka dapat

diketahui pembagian tugas antara para pegawai dalam rangka pencapaian tujuan.

Adapun struktur organisasi yang dipakai oleh Badan Pusat Statistik Provinsi

Sumatera Utara adalah berbentuk Lini dan staff

1. Bagian Tata Usaha/Kepegawaian

2. Bidang Statistik Produksi

3. Bidang Statistik Distribusi

4. Bidang Statistik Kependudukan

5. Bidang Pengolahan, Penyajian dan Pelayanan Statistik

6. Bidang Neraca Wilayah dan Analisis Statistik

[image:31.612.141.518.131.647.2]

STRUKTUR ORGANISASI BADAN PUSAT STATISTIK PROVINSI

BAB 4

PENGOLAHAN DATA

4.1 Pengolahan dan Evaluasi Data

Data diambil dari Badan Pusat Statistik Provinsi Sumatera Utara, yaitu berupa

data Angka Kematian Bayi, Banyaknya Fasilitas Pelayanan Kesehatan

[image:32.612.125.512.350.653.2]

(Posyandu), Pendidikan Terakhir Ibu(Tamat SD), dan Penderita Gizi Buruk.

Tabel 4.1 Jumlah Kematian Bayi, Banyak Posyandu, Tamat SD, Penderita Gizi Buruk Pada Tahun 2010 di Provinsi Nusa Tenggara Timur

No Kabupaten/Kota

Jumlah Kematian

Bayi

Banyak

Posyandu Tamat SD Gizi Buruk

1 Sumba Barat 24 180 13.325 9.504

2 Sumba Timur 32 499 29.075 11.516

3 Kupang 112 676 38.129 9.839

4 Timor Tengah Selatan 108 712 61.036 14.871

5 Timor Tengan Barat 43 459 39.434 9.168

6 Belu 32 788 47.159 8.498

7 Alor 32 420 31.411 10.305

8 Lembata 38 315 21.237 6.038

9 Flores Timur 62 530 36.466 7.491

10 Sikka 44 598 43.083 9.839

11 Ende 28 586 38.011 12.411

12 Ngada 41 279 26.369 9.392

13 Manggarai 77 549 45.677 13.417

14 Rote Ndao 33 319 20.691 12.970

15 Manggarai Barat 68 400 38.088 8.498

16 Sumba Barat Daya 59 325 31.326 9.616

17 Sumba Tengah 17 154 6.661 8.721

18 Nagekeo 36 228 23.893 6.261

19 Manggarai Timur 80 476 51.636 13.082

20 Sabu Raijun 16 184 10.750 9.727

21 Kota Kupang 143 265 32.019 14.566

Sumber : Diolah dari Nusa Tenggara Timur Dalam Angka tahun 2011

Dari data di atas dapat disimbolkan :

Y = Jumlah Kematian Bayi

X1 = Banyak Posyandu

X2 = Tamat SD

X3 = Gizi Buruk

Setelah mellihat data yang tersedia penulis mengelompokkan penganalisaan dan

pembahasan menjadi 5 kelompok yaitu :

1. Menentukan persamaan regresi linier berganda

2. Uji keberartian regresi

3. Uji koefisien regresi berganda

4. Menentukan nilai korelasi

5. Uji koefisein determinasi

4.2 Menentukan Persamaan Regresi Linier Berganda

Untuk melihat hubungan antara variabel-variabel bebas (banyak posyandu, tamat

SD, dan gizi buruk) terhadap variabel terikat (jumlah kematian bayi) maka

langkah pertama yang harus dilakukan adalah menentukan persamaan regresi

linier berganda.

Nilai-nilai yang diperlukan untuk menghitung koefisien-koefisien regresi b1, b2, b3

Tabel 4.2 Nilai-Nilai untuk Menghitung Koefisien-Koefisien Regresi dan Perhitungan Uji Regresi

No Y X1 X2 X3 yi x1i x2i

1 24 180 13.235 9.504 -29,57 -245,81

-19.402,40

2 32 499 29.075 11.516 -21,57 73,19 -3.562,43

3 112 676 38.129 9.839 58,43 250,19 5.491,57

4 108 712 61.036 14.871 54,43 286,19 28.398,57

5 43 459 39.434 9.168 -10,57 33,19 6.796,57

6 32 788 47.159 8.498 -21,57 362,19 14.521,57

7 32 420 31.411 10.305 -21,57 -5,81 -1.226,43

8 38 315 21.237 6.038 -15,57 -110,81 -11.400,4

9 62 530 36.466 7.491 8,43 104,19 3.828,571

10 44 598 43.083 9.839 -9,57 172,19 10.445,57

11 28 586 38.011 12.411 -25,57 160,19 5.373,571

12 41 279 26.369 9.392 -12,57 -146,81 -6.268,43

13 77 549 45.677 13.417 23,43 123,19 13.039,57

14 33 319 20.691 12.970 -20,57 -106,81 -11.946,4

15 68 400 38.088 8.498 14,43 -25,81 5.450,571

16 59 325 31.326 9.616 5,43 -100,81 -13.11,43

17 17 154 6.661 8.721 -36,57 -271,81 -25.976,4

18 36 228 23.893 6.261 -17,57 -197,81 -8.744,43

19 80 476 51.636 13.082 26,43 50,19 18.998,57

20 16 184 10.750 9.727 -37,57 -241,81 -21.887,4

21 143 265 32.019 14.566 89,43 -160,81 -618,43

Jumlah 1.125 8.942 685.386 215.730

[image:34.612.125.528.129.532.2]

Sambungan Tabel 4.2 Nilai-nilai Untuk Menghitung Koefisien-Koefisien Regresi dan Perhitungan Uji Regresi.

No _x3i yi2 x1ix2i x2ix3i x1ix3i x1iyi

1 _-768,86 874,47 4.769.301,7 14.917.695,8 188.992 7.268,94 2 1.243,14 465,33 -260.735,84 -4.428.607,6 90.986,2 -1.578,82 3 -433,86 3.413,90 1.373.938,90 -2.382.557,5 -108.547 14.618,27 4 4.598,14 2.962,47 8.127.400,70 130.580.688 1.315.945 15.576,94 5 _-1.104,86 111,76 225.581,44 -7.509.240,5 -36.671 -350,87 6 -1.774,86 465,33 5.259.574,9 -25.773.715 -642.836 -7.812,97 7 32,14 465,33 7.124,966 -39.420,918 -186,73 125,32 8 _-4.234,86 242,47 1.263.276,1 48.279.186,4 469.263 1.725,46 9 -2.781,86 71,05 398.900,68 -10.650.539 -289.843 878,18 10 _-433,86 91,62 1.798.627,9 -4.531.885,8 -74.706 -1.648,11 11 _2.138,14 653,90 860.794,97 11.489.463,4 342.510 -4.096,30 12 _-880,86 158,05 920.265,01 5.521.590,08 129.318 1.845,61 13 _3.144,14 548,90 1.606.35 40.998.275,4 387.328 2.886,18 14 2.697,14 423,19 1.275.992,3 -32.221.224 -288.081 2.197,22 15 -1.774,86 208,19 -140.676,65 -9.673.985,6 45.808,2 -372,39 16 _-656,86 29,47 132.204,49 861.421,224 66.217,5 -547,25 17 _-1.551,86 1.337,47 7.060.640,7 40.311.706,2 421.810 9.940,47 18 -4.011,86 308,76 1.729.731,3 35.081.398,2 793.584 3.475,80 19 _2.809,14 698,47 953.547,35 53.369.701,2 140.992 1.326,46 20 _-545,86 1.411,62 5.292.588,7 11.947.409,2 131.993 9.085,13

21

4.293,14 7.997,47 99.449,20 -2.655.002,2 -690.378

-14.380,97

Sambungan Tabel 4.2 Nilai-nilai Untuk Menghitung Koefisien-koefisien Regresi dan Perhitungan Uji Regresi

No x2iyi x3iyi x1i2 x2i2 x3i2

1 573.757,50 22736,2 60422,322 376.454.234,51 591.141,31 2 76.846,67 -26816,4 5356,8458 12.690.897,33 1.545.404,16 3 320.864,70 -25349,7 62595,2744 30.157.356,76 188.232,02 4 1.545.694 250.270,3 81.904,99 806.478.859,20 21.142.917,73 5 -71.849,47 11.679,92 1.101,61 46.193.383,18 1.220.709,31 6 -313.251 38.286,20 131.181,94 210.876.036,81 3.150.117,88

7 26.455,82 -693,37 33,76 1.504.127,04 1.033,16

8 177.521 65.942,78 12.278,75 129.969.771,60 17.934.015,02 9 32.269,39 -23.447,10 10.855,65 14.657.959,18 7.738.729,16 10 -99.979,04 4.152,63 29.649,56 109.109.962,50 188.232,02 11 -137.409,9 -54.675,40 25.660,99 28.875.269,90 4.571.654,88 12 78.803,10 11.073,63 21.553,04 39.293.196,76 775.909,31 13 305.498,50 73.662,78 15.175,89 170.030.423 9.885.634,31 14 245.755,10 -55.484,10 11.408,27 142.717.155,60 7.274.579,59 15 78.643,96 -25.608,70 666,13 29.708.728,90 3.150.117,88 16 -7.119,18 -3.565,80 10.162,56 1.719.844,90 431.461,31 17 949.995,10 56.753,63 73.880,42 674.774.841,30 2.408.260,59 18 153.652,10 70.494,06 39.128,61 76.465.031,04 16.094.997,73 19 502.105,10 74.241,63 2.519,09 360.945.716,30 7.891.283,59 20 822.342 20.508,63 58.471,84 479.059.529,50 297.960,02 21 -55.305,18 383.929,60 25.859,70 382.453,89 18.431.075,59

Jumlah 5.205.290 868.091,70 679.867,24 3.742.064.779,80 124.913.466,67

Sehingga didapat suatu persamaan :

∑x1y = b1 ∑x12 + b2∑x1x2 + b3∑x1x3

∑x2y = b1 ∑x1x2 + b2∑x22 + b3∑x2x3

∑x3y = b1 ∑x1x3 + b2∑x2x3 + b3x32

Dapat kita substitusikan nilai-nilai yang bersesuaian, sehingga diperoleh

persamaan :

40.162 = 679.867,24b1 + 42.753.880 b2 + 2.393.498b3

5.205.290 = 42.753.880 b1 + 3.742.064.779b2 + 293.492.357 b3

868.091,7 = 2.393.498 b1 + 293.492.357 b2 + 124.913.466,6 b3

Setelah persamaan di atas diselesaikan, maka diperoleh koefisien-koefisien regresi

linier berganda seperti berikut:

b1 = -0,082 b2 = 0,002 b3 = 0,004

untuk mendapatkan b0 dengan cara :

b0 =฀ - b1 X1 – b2X2 – b3X3

b0 = 53,57 – (-0,082)(404,38) – (0,002)(32.637,43) – (0,004)(10.255,71)

b0 = -16,322

Untuk menghitung kekeliruan baku taksiran diperlukan harga-harga Ŷ

yang diperoleh dari persamaan regresi di atas untuk tiap harga X1, X2, dan X3

[image:38.612.123.529.228.588.2]

yang diketahui :

Tabel 4.3 Nilai-nilai yang Diperlukan untuk Menghitung Nilai Taksiran Baku No Y X1 X2 X3 Ŷ (Y - Ŷ ) (Y - Ŷ )²

1 24 180 13.325 9.504 33,37 -9,37 87,83

2 32 499 29.075 11.516 46,93 -14,93 222,97

3 112 676 38.129 9.839 43,83 68,17 4.646,88

4 108 712 61.036 14.871 106,81 1,19 1,41

S 43 459 39.434 9.168 61,54 -18,54 343,81

6 32 788 47.159 8.498 46,73 -14,73 217,03

7 32 420 31.411 10.305 53,24 -21,24 451,22

8 38 315 21.237 6.038 24,43 13,57 184,09

9 62 530 36.466 7.491 43,07 18,93 358,27

10 44 598 43.083 9.839 60,13 -16,13 260,24

11 28 586 38.011 12.411 61,25 -33,25 1.105,70

12 41 279 26.369 9.392 51,07 -10,07 101,44

13 77 549 45.677 13.417 83,64 -6,64 44,11

14 33 319 20.691 12.970 50,74 -17,74 314,78

15 68 400 38.088 8.498 61,01 6,99 48,83

16 59 325 31.326 9.616 58,10 0,89 0,80

17 17 154 6.661 8.721 19,21 -2,21 4,89

18 36 228 23.893 6.261 37,77 -1,77 3,14

19 80 476 51.636 13.082 100,21 -20,21 408,52

20 16 184 10.750 9.727 28,96 -12,96 168,01

21 143 265 32.019 14.566 84,21 58,79 3.456,03

Jumlah 1.125 8.942 685.386 215.730 1.156,29 -31,292 12.393,02

Dengan k = 3, n = 21 dan ∑(Yi – Ŷ)2 = 12.293,022 didapat :

s

2 .. 12 . k y

=

1 ² ) (Y ^ i   



k n Y

s²

y.12..k

=

1 3 21 022 , 393 . 12  

=

17 022 , 430 . 12

=

729

s

y.12..k

=

1 ) (Y ^ i   



k n Y

=

√729

= 27

Ini berarti bahwa rata-rata jumlah angka kematian bayi akan menyimpang dari

[image:40.612.130.509.173.606.2]

4.3 Pengujian Keberartian Regresi

Tabel 4.4 Nilai-nilai yang Diperlukan untuk Pengujian Regresi Linier Berganda

No yi x2i x2i x3i yi2 x1i2

1 -29,57 -245,81 -19.402,4 -768,86 874,47 60.422,32

2 -21,57 73,19 -3.562,43 1.243,14 465,33 5.356,85

3 58,43 250,19 5.491,57 -433,86 3.413,90 62.595,27

4 54,43 286,19 28.398,5

7 4.598,14 2.962,47 81.904,99

5 -10,57 33,19 6.796,57 -1.104,9 111,76 1.101,61

6 -21,57 362,19 14.521,5

7 -1.774,90 465,33

131.181,9 4

7 -21,57 -5,81 -1.226,43 32,14 465,33 33,75

8 -15,57 -110,81 -11.400,4 -4234,9 242,47 12.278,75

9 8,42 104,19 3.828,57 -2781,9 71,04 10.855,66

10 -9,57 172,19 10.445,5

7 -433,86 91,61 29.649,56

11 -25,57 160,19 5.373,57 2138,14 653,89 25.660,99

12 -12,57 -146,81 -6.268,43 -880,86 158,04 21.553,04

13 23,43 123,19 13.039,5

7 3144,14 548,90 15.175,89 14 -20,57 -106,81 -11.946,4 2697,14 423,18 11.408,27

15 14,43 -25,81 5.450,57

1 -1774,9 208,18 666,13

16 5,43 -100,81 -1.311,43 -656,86 29,47 10.162,56

17 -36,57 -271,81 -25.976,4 -1551,9 1.337,47 73.880,42 18 -17,57 -197,81 -8.744,43 -4011,9 308,76 39.128,61

19 26,43 50,19 189.98,5

7 2809,14 698,47 2.519,08

20 -37,57 -241,81 -21.887 -545,86 1.411,61 58.471,85 21 89,43 -160,81 -618,43 4293,14 7.997,47 25.859,71

Jumla h

22.939,1 4

679.867,2 4

Sambungan Tabel 4.4 Nilai-nilai yang Diperlukan untuk Pengujian Regresi Linier Berganda

No x2i2 x3i2 x1iyi x2iyi x3iyi

1 376.454.234,5 591.141,31 7.268,94 573.757,53 22.736,21 2 12.690.897,33 1.545.404,16 -1.578,82 76.846,67 -26.816,36 3 30.157.356,76 188.232,02 14.618,28 320.864,67 -25.349,65 4 806.478.859,2 21.142.917,7 15.576,94 15.45.693,60 250.270,34 5 46.193.383,18 1.220.709,30 -350,87 -71.849,47 11.679,91 6 210.876.036,8 3.150.117,8 -7.812,97 -313.251 38.286,20

7 1.504.127,04 1.033,16 125,32 26.455,82 -693,37

8 129.969.771,6 17.934.01 1725,46 177.520,96 65.942,77 9 14.657.959,18 7.738.729,16 878,18 32.269,39 -23.447,08 10 109.109.962,5 188.232,02 -1.648,11 -99.979,04 4.152,64 11 28.875.269,9 4.571.654,87 -4.096,30 -137.409,80 -54.675,36 12 39.293.196,76 775.909,31 1.845,60 78.803,10 11.073,63 13 170.030.423 9.885.634,30 2.886,18 305.498,53 73.662,78 14 142.717.155,6 7.274.579,59 2.197,22 245.755,10 -55.484,08 15 29.708.728,9 3.150.117,87 -372,39 78.643,96 -25.608,65 16 1.719.844,89 431.461,31 -547,25 -7.119,18 -3.565,79 17 674.774.841,3 2.408.260,59 9.940,46 949.995,10 56.753,63 18 76.465.031,04 16.094.997,7 3.475,79 153.652,10 70.494,06 19 360.945.716,3 7.891.283,59 1.326,46 502.105,12 74.241,64 20 479.059.529,5 297.960,02 9.085,13 822.341,95 20.508,63 21 382.453,89 18.431.075,5 -14.380,96 -55.305,18 383.929,63

Perumusan Hipotesa :

H0: Tidak terdapat pengaruh yang signifikan antara variabel bebas yaitu, banyak

posyandu, pendidikan ibu (tamat SD), dan gizi buruk terhadap jumlah

kematian bayi.

H1: Terdapat pengaruh yang signifikan antara variabel bebas yaitu, banyak

posyandu, pendidikan ibu (tamat SD), dan gizi buruk terhadap jumlah

kematian bayi.

Kriteria Pengujian Hipotesisnya :

Jika Fhitung > Ftabel maka tolak H0

Jika Fhitung < Ftabel maka terima H0

Untuk menguji model regresi yang telah terbentuk, maka dapat diambil :

x1i = X1i - X1



x2i = X2i – X2



x3i = X3i – X3

yi = Yi – ฀

Dan diperlukan harga – harga yang akan dicantumkan pada tabel 4.4

Menguji keberartian regresi linier ganda ini dimaksudkan untuk

meyakinkan apakah regresi (berbentuk linier) yang didapat berdasarkan penelitian

ada artinya bila dipakai untuk membuat kesimpulan mengenai hubungan peubah.

JK

reg

=

b1



x1iyi

+

b2



x2iyi...bk



x3iyi

= (-0,082)(40.162,29) + (0,002)(5.205.289,8) + (0,004)(868.091,71)

= 10.546,12

JK

res

=



(Yi

–

2 ^

)

i Y

=

12.393,022

Jadi F hitung dapat dicari dengan :

F

hitung

=

) 1 /( /  k n JK k JK res reg

=

17 / 022 , 393 . 12 3 / 12 , 546 . 10

=

0013 , 729 37 , 515 . 3

= 4,822

Dengan demikian dapat disimpulkan bahwa :

Dari tabel distribusi Ftabel untuk dkpembilang = V1 = 3, dkpenyebut = V2 = 17 dan α =

5% = 0,05 maka Ftabel = F(α)(V1;V2) = F(0,05)(3;17) = 3,20 sehingga didapat Fhitung >

Hal ini berarti persamaan regresi linier ganda Y atas X1, X2,dan X3

bersifat nyata. Yang berarti terdapat pengrauh yang signifikan antara variabel

bebas yaitu, banyak posyandu, pendidikan ibu (tamat SD), dan gizi buruk

terhadap jumlah kematian bayi.

4.4 Pengujian Koefisien Regresi Linier Berganda

Dari hasil perhitungan didapat persamaan penduga regresi berganda

Ŷ = -16,322 - 0,082 X1 + 0,002 X2 + 0,004 X3

Untuk mengetahui bagaimana keberartian adanya setiap variabel bebas dalam

persamaan regresi di atas, perlu diadakan pengujian tersendiri mengenai

koefisien-koefisien regresinya.

1. Hipotesis Pengujian

H0 :Tidak ada pengaruh yang signifikan antara koefisien X1,X2,X3 terhadap

Y.

H1 :Ada pengaruh yang signifikan antara koefisien X1, X2, X3 terhadap Y.

2. Taraf nyata signifikansi (α) diambil sebesar 0,05

3. Kriteria pengujian : terima H0 jika ti < ttabel dan tolak H0 jika ti >ttabel,

4. Ambil kesimpulan berdasarkan kriteria pengujian .

Dapat dihitung kekeliruan baku koefisien bi sebagai berikut :

Sb1 =

² .

(∑ ) ( )

=

( . , ) ( , )

= √0,0019

= 0,044

Sb2 =

² .

(∑ ) ( )

=

( . . . )( , )

=

3,585

= 1,893

Sb3 =

² .

(∑ ) ( )

=

( . . , )( , )

= √1,074

Diperoleh distribusi student

t

i

=

t

1

=

t

2

=

= ,

, =

, ,

= -1,299 = 2,235

t

3

=

=

, ,

= 1,365

Dari tabel distribusi t dengan dk = 17 dan α = 0,05 diperoleh ttabel sebesar

= 2,11 dan hasil dari perhitungan di atas diperoleh :

1. t1 = -1,299 < 2,11

2. t2 = 2,235 > 2,11

3. t3 = 1,365 < 2,11

Maka dapat dikatakan bahwa variabel X2 (pendidikan ibu) mempunyai hubungan

yang signifikan terhadap jumlah kematian bayi. Ini berarti pendidikan ibu

benar-benar berpengaruh terhadap jumlah kematian bayi sedangkan variabel X1 (banyak

posyandu) dan variabel X3 (gizi buruk) tidak benar-benar berpengaruh terhadap

jumlah kematian bayi.

[image:47.612.124.547.155.498.2]

4.5 Pengujian Koefisien Korelasi

Tabel 4.5 Nilai-nilai yang Diperlukan untuk Uji Koefisien Korelasi

No Y X1 X2 X3 X12 X22 X32

1 24 180 13.235 9.504 32.400 175.165.225 90.326.016

2 32 499 29.075 11.516 249.001 845.355.625 132.618.256

3 112 676 38.129 9.839 456.976 1.453.820.641 96.805.921

4 108 712 61.036 14.871 506.944 3.725.393.296 221.146.641

5 43 459 39.434 9.168 210.681 1.555.040.356 84.052.224

6 32 788 47.159 8.498 620.944 2.223.971.281 72.216.004

7 32 420 31.411 10.305 176.400 986.650.921 106.193.025

8 38 315 21.237 6.038 99.225 451.010.169 36.457.444

9 62 530 36.466 7.491 280.900 1.329.769.156 56.115.081

10 44 598 43.083 9.839 357.604 1.856.144.889 96.805.921

11 28 586 38.011 12.411 343.396 1.444.836.121 154.032.921

12 41 279 26.369 9.392 77.841 695.324.161 88.209.664

13 77 549 45.677 13.417 301.401 2.086.388.329 180.015.889

14 33 319 20.691 12.970 101.761 428.117.481 168.220.900

15 68 400 38.088 8.498 160.000 1.450.695.744 72.216.004

16 59 325 31.326 9.616 105.625 981.318.276 92.467.456

17 17 154 6.661 8.721 23.716 44.368.921 76.055.841

18 36 228 23.893 6.261 51.984 570.875.449 39.200.121

19 80 476 51.636 13.082 226.576 2.666.276.496 171.138.724

20 16 184 10.750 9.727 33.856 115.562.500 94.614.529

21 143 265 32.019 14.566 70.225 1.025.216.361 212.168.356

Sambungan Tabel 4.5 Nilai-nilai yang diperlukan untuk Uji Koefisien Korelasi

No _X

1Y X2Y X3Y Y2 X1X2 X2X3 X1X3

1 _{4.320 317.640 228.096 576 2.382.300 125.785.440 1.710.720} 2 _{15.968 930.400 368.512 1.024 14.508.425 334.827.700 5.746.484} 3 _{75.712 4.270.448 1.101.968 12.544 25.775.204 375.151.231 6.651.164} 4 _{76.896 6.591.888 1.606.068 11.664 43.457.632 907.666.356 10.588.152} 5 _{19.737 1.695.662 394.224 1.849 18.100.206 361.530.912 4.208.112} 6 _{25.216 1.509.088 271.936 1.024 37.161.292 400.757.182 6.696.424} 7 _{13.440 1.005.152 329.760 1.024 13.192.620 323.690.355 4.328.100} 8 _{11.970 807.006 229.444 1.444 6.689.655 128.229.006 1.901.970} 9 _{32.860 2.260.892 464.442 3.844 19.326.980 273.166.806 3.970.230} 10 _{26.312 1.895.652 432.916 1.936 25.763.634 423.893.637 5.883.722} 11 _{16.408 1.064.308 347.508 784 22.274.446 471.754.521 7.272.846} 12 _{11.439 1.081.129 385.072 1.681 7.356.951 247.657.648 2.620.368} 13 _{42.273 3.517.129 1.033.109 5.929 25.076.673 612.848.309 7.365.933} 14 _{10.527 682.803 428.010 1.089 6.600.429 268.362.270 4.137.430} 15 _{27.200 2.589.984 577.864 4.624 15.235.200 323.671.824 3.399.200} 16 _{19.175 1.848.234 567.344 3.481 10.180.950 301.230.816 3.125.200} 17 _{2.618 113.237 148.257 289 102.5794 58.090.581 1.343.034} 18 _{8.208 860.148 225.396 1.296 544.7604 149.594.073 1.427.508} 19 _{38.080 4.130.880 1.046.560 6.400 24.578.736 675.502.152 6.227.032} 20 _{2.944 172.000 155.632 256 1.978.000 104.565.250 1.789.768} 21

37.895 45.78.717 2.082.938 20.449 8.485.035 466.388.754 3.859.990

Jlh _{519.198 41.922.397 12.425.056 83.207 334.597.766 7.334.364.823 9.425.387}

4.5.1 Perhitungan Korelasi antara Variabel Bebas dan Variabel Terikat

Untuk mengukur besarnya pengaruh variabel bebas terhadap variabel tidak

bebas, maka dari tabel 4.5 dapat dihitung besar koefisien korelasinya, yaitu :

1. Koefisien korelasi antara angka kematian bayi (Y) dengan banyaknya

posyandu (X1) :

r

y1

=



























 2 2 2 1 2 1 1 1 ) ( ) ( ) )( ( i i i i i i Y Y n X X n Y X Y X n

=

( )( ) ( ) ( ) {( )( ) ( )²}{( ) ( ) ( )²}

=

{( )}{( )}

=

( )( )

=

,

=

0,32

2. Koefisien korelasi antara angka kematian bayi (Y) dengan pendidikan

tertinggi (tamat SD) (X2) :

r

y2=

=

( ) ( )

=

,

= 0,57

3. Koefisien korelasi antara angka kematian bayi (Y) dengan gizi buruk (X3) :

r

y3 =



























 2 2 2 2 3 3 3 ) ( ) 3 ( ) )( ( i i i i i i Y Y n X X n Y X Y X n

=

( ) ( ) ( ) ( ) {( ) ( ) ( )²}{( ) ( ) ( )²}

=

{( ) }{( ) }

=

( )( )

=

,

= 0,51

4.5.2 Perhitungan Korelasi antara Variabel Bebas

1. Koefisien korelasi antara banyaknya posyandu (X1) dengan Tamat SD (X2) :

r

₁₂ =



























 2 2 2 2 2 1 2 1 2 1 2 1 ) ( ) ( ) )( ( i i i i i i i i X X n X X n X X X X n

=

( ) ( ) ( ) ( ) {( )( ) ( )²}{( ) ( ) ( )²}

=

{( )}{( ) }

=

( )( )

=

,

= 0,85

2. Koefisien korelasi antara banyaknya posyandu (X1) dengan gizi buruk (X3) :

r

₁₃ =

=

( )( )

=

,

= 0,26

3. Koefisien korelasi antara tamat SD (X2) dengan gizi buruk (X3) :

r

₂₃ =



























 2 3 2 3 2 2 2 2 3 2 3 2 ) ( ) ( ) )( ( i i i i i i i i X X n X X n X X X X n

=

( ) ( ) ( )( ) {( ) ( ) ( ) ²}{( ) ( ) ( ) ²}

=

{ ( ) } {( ) }

=

( ) ( )

=

, = 0,43

Dari perhitungan didapat nilai kofisien korelasi :

1. ry1 = 0,32 ; Variabel X1 berkorelasi lemah terhadap variabel Y

2. ry2 = 0,57 ; Variabel X2 berkorelasi kuat terhadap variabel Y

3. ry3 = 0,51 ; Variabel X3 berkorelasi kuat terhadap variabel Y

4. r12 = 0,85 ; Variabel X1 berkorelasi sangat kuat terhadap variabel X2

5. r13 = 0,26 ; Variabel X1 berkorelasi lemah terhadap variabel X3

6. r23 = 0,43 ; Variabel X2 berkorelasi lemah terhadap variabel X3

4.6 Perhitungan Koefisien Determinasi

Berdasarkan tabel 4.4 didapat harga ∑yi2 = 22939,14 , sedangkan JKreg yang telah

dihitung adalah : 10546,12. Maka selanjutnya dengan rumus :

R

2

=





n

1 i

2 i reg

y JK

Sehingga didapat koefisien determinasi :

R2

=

14 , 22939 10546,12

Dan untuk koefisien korelasi ganda, kita gunakan :

R = ²

= √0,460234

= 0,682209

Dari hasil perhitungan didapat nilai koefisien determinasi sebesar 0,46 dan

dengan mencari akar dari R2, diperoleh koefisien korelasi gandanya sebesar 0,68. Nilai tersebut digunakan untuk mengetahui pengaruh variabel independent

terhadap perubahan variabel dependent. Artinya, 46% jumlah kematian bayi

dipengaruhi oleh banyak posyandu, tingkat pendidikan ibu dan gizi buruk.

Sedangkan 64% sisanya dipengaruhi oleh faktor-faktor lain.

BAB 5

IMPLEMENTASI SISTEM

5.1 Pengertian Implementasi Sistem

Implementasi sistem adalah prosedur yang dilakukan untuk menyelesaikan desain

sistem yang ada dalam desain sistem yang disetujui, menginstal dan memulai

sistem yang diperbaiki.

Tahapan implementasi sistem merupakan tahapa penerapan hasil desain

yang tertulis ke dalam programming. Pengolahan data pada tugas akhir ini

menggunakan software SPSS versi 17.0

5.2 Sekilas Tentang Program SPSS

SPSS merupakan salah satu paket program komputer yang digunakan untuk

mengolah data statistik. Analisis data akan menjadi lebih cepat, efisien dengan

hasil perhitungan yang akurat dengan program untuk analisis statistic yang paling

SPSS pertama kali diperkenalkan oleh tiga mahasiswa Standford

University pada tahun 1968. Tahun 1948 SPSS sebagai software muncul dengan

nama SPSS/PC+ dengan sistem Dos. Lalu sejak tahun 1992 SPSS mengeluarkan

versi Windows. SPSS dengan sistem Windows telah mengeluarkan software

dengan beberapa versi yang berkembang dalam penggunannya dalam mengolah

data statistika.

5.3 Pengolahan Data dengan SPSS

1. Memulai SPSS pada window yaitu sebagai berikut :

 Pilih menu Start dari Windows

 Selanjutnya pilih menu Program

[image:56.612.133.508.416.678.2]

 Pilih SPSS Statistic 17

Gambar 5.1 Tampilan Pengaktifan SPSS 17.0

[image:57.612.134.510.81.328.2]

Gambar 5.1 Tampilan Pengaktifan SPSS 17.0

2. Memasukkan data ke dalam SPSS

SPSS Data Editor mempunyai 2 tipe lingkungan kerja yaitu : Data View dan

Variable View. Untuk menyusun defenisi variabel, posisi tampilan SPSS Data Editor harus berada pilih “Variable View”. Lakukan dengan mengklik tab sheet Variable View yang berada di bagian kiri bawah atau langsung menekan Ctrl+T.

tampilan Variable View juga dapat dimunculkan dari View lalu pilih Variable.

[image:58.612.133.513.77.357.2]

Gambar 5.2 Tampilan Jendela Variabel View dalam SPSS

Pada tampilan jendela Variabel View terdapat kolom-kolom berikut :

Name : untuk memasukkan nama variabel yang akan diuji

Type : untuk mendefinisikan tipe variabel apakah bersifat numeric/string

Widht : untuk menuliskan panjang pendek variabel

Decimals : untuk menuliskan jumlah decimal di belakang koma

Label : untuk menuliskan label variabel

Values : untuk menuliskan nilai kuantitatif dari variabel yang skala pengukurannya ordinal atau nominal bukan scale

Missing : untuk menuliskan ada tidaknya jawaban kosong

Coloumns : untuk menuliskan lebar kolom

Align : untuk menuliskan rata kanan, kiri atau tengah penempatan teks atau angka data view

Measure : untuk menentukan skala pengukuran variabel, misalnya nominal,ordinal atau scale

2.1 Pengisian Variabel

Tempatkan pointer pada baris pertama di bawah Name

Name : Klik ganda pada sel tersebut dan ketik angka kematian bayi

Type : Pilih Numeric karena data dalam bentuk angka

Widht : Untuk keseragaman ketik 8

Decimal : Ketik 0

Label : Tidak Perlu diisi

Values and missing : Abaikan karena data tidak dikategorisasikan

Align : Pilih Center

Measure : Pilih nominal

Begitu seterusnya untuk mengisi variabel Y, X1, X2, dan X3 dengan Name dan

Label yang sesuai dengan Variabel yang dimaksudkan.

2.2 Pengisian Data

1. Aktifkan jendela dengan mengklik Data View

2. Ketikkan data yang sesuai dengan setiap variabel yang telah didefinisikan

[image:60.612.134.510.132.423.2]

Tampilannya adalah sebagai berikut :

Gambar 5.3 Tampilan Jendela Pengisian Data View

5.4 Analisis Regresi dan Korelasi Dengan SPSS

Langkah-langkahnya adalah sebagai berikut :

1. Tampilkan lembar kerja dimana sudah terdapat data yang akan dianalisis

2. Dari menu utama SPSS, klik menu Analyze, lalu pilih sub menu

Regression dan klik Linear seperti gambar berikut :

[image:61.612.134.506.80.310.2]

Gambar 5.4 Pilih Analyze, Regression, Linear

3. Setelah itu akan muncul kotak dialog Linear Regression, pada kotak dialog ini

akan diatmpilkan variabel-variabel yang akan diuji. Masukkan variabel tak

bebas Y (Angka Kematian Bayi) pada kotak Dependent, dan variabel bebas X

(Banyak Posyandu, Tamat SD, dan Gizi Buruk) pada kotak Independent

seperti gambar dibawah ini :

[image:61.612.134.506.458.673.2]

4. Klik kotak Statistics pada kotak dialog Linear Regression, kemudian aktifkan

[image:62.612.135.508.183.429.2]

Estimate, Model Fit, Descriptive dan Part and Partial Correlations lalu klik Continue untuk melanjutkan seperti pada gambar berikut :

Gambar 5.6 Kotak Dialog Linear Regresion : Statistics

5. Selanjutnya klik kotak Plots pada kotak dialog Linear Regression dan berikan tanda ceklist pada pilihan Produce All Partial Plot. Lalu ketik continue untuk melanjutkan seperti pada gambar berikut :

[image:63.612.133.506.79.291.2]

Gambar 5.7 Kotak Dialog Linear Regression : Plots/Option

6. Kemudian klik Ok untuk mengakhiri pengisian prosedur analisis.

5.5 Hasil Output Pengolahan Data dalam SPSS

a. Bagian Descriptive Statistics

Descriptive Statistics

Mean Std. Deviation N

Jumlah_Kematian_Bayi 53.57 33.867 21

Banyak_Posyandu 425.81 184.373 21

Tamat_SD 32637.43 13678.569 21

Interpretasi :

1. Rata-rata jumlah kelahiran (dengan jumlah data 21) adalah : 53,57 jiwa dengan standard deviasi 33,867.

2. Rata-rata banyak posyandu (dengan jumlah data 21) adalah : 425,81 unit dengan standard deviasi 184,373.

3. Rata-rata pendidikan ibu (tamat SD) (dengan jumlah data 21) adalah : 32.637,43 dengan standard deviasi 13.678,569.

4. Rata-rata jumlah gizi buruk (dengan jumlah data 21) adalah : 10.272,86 dengan standard deviasi 2.499,135.

b. Bagian Correlations

Correlations

Jumlah_Kematian

_Bayi

Banyak_

Posyandu

Tamat_

SD

Gizi_

Buruk

Pearson Correlation Jumlah_Kematian_Bayi 1.000 .322 .562 .513

Banyak_Posyandu .322 1.000 .848 .260

Tamat_SD .562 .848 1.000 .429

Gizi_Buruk .513 .260 .429 1.000

Sig. (1-tailed) Jumlah_Kematian_Bayi . .078 .004 .009

Banyak_Posyandu .078 . .000 .128

Tamat_SD .004 .000 . .026

Gizi_Buruk .009 .128 .026 .

N Jumlah_Kematian_Bayi 21 21 21 21

Banyak_Posyandu 21 21 21 21

Tamat_SD 21 21 21 21

Gizi_Buruk 21 21 21 21

Interpretasi :

1. Besar hubungan antar variabel jumlah kematian bayi dengan banyak posyandu

yang dihitung dengan koefisien korelasi adalah 0,322. Variabel jumlah

kematian bayi dengan pendidikan ibu (tamat SD) diperoleh 0,562. Dan

variabel jumlah kematian bayi dengan gizi buruk diperoleh 0,513. Karena

korelasi jumlah kematian bayi dengan pendidikan ibu lebih besar, maka

variabel pendidikan ibu(tamat SD) lebih berpengaruh terhadap jumlah

kematian bayi dibanding dengan variabel banyak posyandu dan gizi buruk.

2. Terjadi korelasi yang kuat antara variabel banyak posyandu dengan

pendidikan ibu (tamat SD), yaitu sebesar 0,848. Dan korelasi yang lemah

antara variabel banyak posyandu dengan gizi buruk yaitu sebesar 0,260 dan

antara variabel gizi buruk dengan banyak posyandu yaitu sebesar 0,260. <