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

(1)

Jurusan Statistika

ITS: Institut Teknologi Sepuluh Nopember

| Rifki Aristia-1311.105.009 | | rifki11@mhs.statistika.its.ac.id |

Pembimbing : Ir. Mutiah Salamah, M. Kes

Juli 3, 2013

Faktor yang Mempengaruhi Kematian Ibu Hamil di Jawa Timur

Dengan Menggunakan Metode

(2)

Latar Belakang

Indonesia memiliki jumlah

kematian ibu hamil tertinggi di

ASEAN sebesar 307 per 100.000

kelahiran hidup.

(SDKI, 2003)

Jawa Timur

peringkat kelima dalam

hal jumlah kematian ibu

hamil di Indonesia

(Wahyuningsih, 2011)

(per 100.000 kelahiran hidup)

Tahun 2005, sebesar 446.

Tahun 2006, sebesar 354.

Tahun 2009, sebesar 90.

Tahun 2010, sebesar 101.

(Dinkes Jatim, 2011)

(BKKBN, 2010)

per 100.000 kelahiran hidup

(3)

Latar Belakang

Faktor Medis

• Pendarahan

• Hipertensi saat kehamilan

• Reproduksi

• Umur ibu melahirkan

• Jarak antara tiap kehamilan

Penyebab Kematian Ibu Hamil

Faktor Non-Medis

• kondisi sosial budaya

• Ekonomi

• Pendidikan

• kedudukan dan peran

wanita

• kondisi geografis

tiga terlambat

(terlambat mengambil keputusan, terlambat membawa ke tempat pelayanan dan terlambat memberikan pertolongan di tempat pelayanan)

empat terlalu

(terlalu banyak, terlalu muda, terlalu tua, dan terlalu rapat jarak

(4)

Rumusan

Masalah

• Bagaimana diskripsi kematian ibu hamil di tiap kabupaten / kota di Jawa Timur ?

• Faktor-faktor apa saja yang mempengaruhi kematian ibu hamil di Jawa Timur?

Tujuan

• Mendiskripsikan kematian ibu hamil dan faktor-faktor yang mempengaruhinya

di tiap kabupaten / kota di Jawa Timur.

• Mendapatkan model terbaik yang dapat mempresentasikan kematian ibu hamil

dan mengetahui faktor yang mempengaruhinya dengan pendekatan GWPR.

Latar Belakang

(5)

5

Manfaat

• Memberikan informasi kepada

instansi pemerintah untuk

mengevaluasi upaya penurunan

kematian ibu hamil

• Pengembangan implementasi

statistika dalam bidang kesehatan

masyarakat menggunakan metode

pendekatan GWPR.

• Penelitian ini menggunakan data

kematian ibu hamil di Provinsi

Jawa Timur pada tahun 2011

• Pembobot fungsi kernel yang

digunakan adalah dengan fix

gaussian kernel

Batasan

Masalah

(6)

6

Regresi Poisson

Digunakan untuk menganalisis data diskrit(count), dimana variabel

respon dari data berdistribusi Poisson dengan parameter

(

x

_i

T

)

i

n

i

=

exp

β

,

=

1 ,

2 ,...

µ

)

(

~

_i i

poisson

y

µ

Untuk penaksiran parameter menggunakan Metode Maximum Likelihood (MLE)

∑

=

+

−

=

n

1 i

n

1 i

n

1 i

i

(

)

-

ln(y

!

)

y

)

exp(

)

L(

ln

β

x

_i

T

β

x

_i

T

β

Metode iterasi

Newton-Raphson

(7)

7

Pengujian Parameter Regresi Poisson

Serentak

Parsial

0 β

:

H

₀

_j

=

0 β

:

H

₁ _j

≠

0 β

β

:

H

₀

₁

=

₂

=



=

_n

=

Minimal ada satu

:

H

₁

β

_j

≠

0 Statistik Uji:

Tolak

H jika

₀

𝐺

_{ℎ𝑖𝑖𝑖𝑖𝑖}

2 > 𝒳

_(𝛼,𝑖)

2 𝐺

2 = 2(𝑙𝑙𝑙 𝛺� − 𝑙𝑙𝑙 𝜔� )

)

ˆ

(

ˆ

j

se

z

β

=

)

2 α

1;

p

(n

hitung

z

>

₋

7

(8)

8

GWPR merupakan bentuk lokal dari regresi poisson

dengan asumsi bahwa data berdistribusi poisson, yang

membedakan metode ini memperhatikan pembobot letak lintang

dan bujur dari titik pengamatan yang diamati.

)

poisson(

μ

~

y

_i _i













=

_∑

= k 0 j ij i i j i

exp

β

(u

,

v

)x

μ

Titik pengamatan dengan koordinat lintang u

_i

dan

koordinat bujur v

_i

GWPR

(9)

9

Penaksiran Parameter GWPR dengan Metode MLE

!

y

)

exp(

ln

!

y

)

exp(

ln

))

v

,

u

(

L(

β

ln

i y i i n 1 i n 1 i i y i i i i i i

−

µ

=

µ

−

=

_∏

_∑

= =

Selanjutnya digunakan prosedur iterasi numeric Newton Rhapson Iteratively

Reweighted Least Square (IRLS) sampai konvergen

Pengujian Kesesuaian Model GWPR

k

,

2 ,

1 ,

0 j

;

n

,

2 ,

1 i

;

))

v

u

(

:

H

₀

β

_j _i_, _i

=

β

_j

=



=



j i , i j 1

:

(

u

v

))

H

β

≠

β

Statistik Uji:

Devians =

D

(

β

ˆ

)

=

2 (ln

L

(

Ω

ˆ

)

−

ln

L

(

ω

ˆ

))

Tolak

H

0

jika

)

df

,

df

,

(

hit

F

_A _B

F

>

_α

ε

γ

₍_m₊₁₎

−

₍_m₎

≤

_{, dimana ε merupakan bilangan yang sangat kecil.}

9 B A hit

df

del B

Devians Mo

df

del A

Devians Mo

F

=

(10)

0 )

v

u

(

)

v

u

(

)

v

u

(

)

v

u

(

:

H

₀

β

₁ ₁_, ₁

=

β

₂ ₂_, ₂

=

β

₃ ₃_, ₃

=



=

β

_p _p_, _p

=

:

H

₁

_{Minimal ada satu}

β

_j

(

u

_j

,

v

_j

)

≠

0 Tolak

H

₀

jika

D

(

β

ˆ

)

>

χ

₍

2 _α

_;

_p

₎

Statistik Uji:

D

(

β

ˆ

)

=

2 (ln

L

(

Ω

ˆ

)

−

ln

L

(

ω

ˆ

₎₎

(

)

(

0 i i

)

i n 1 i i y i i

_;

_ˆ

_exp

ˆ

_u

_,

_v

!

y

ˆ

)

ˆ

exp(

)

ˆ

(

L

i

β

=

µ

−

=

ω

_∏

=

(

)

_









 β

=

µ

−

=

Ω

_∏

_∑

= = p 0 j ij i i j i n 1 i i y i i

x

v

,

u

ˆ

exp

ˆ

;

!

y

)

exp(

)

ˆ

(

L

i

Serentak

Pengujian Parameter GWPR

10

(11)

11

Pengujian Parameter GWPR

Parsial

0 )

v

,

u

(

:

H

₀

β

_j

_i

=

0 )

v

,

u

(

:

H

₁

β

_j

_i

≠

Statistik Uji:

))

,

(

ˆ

(

)

,

(

ˆ

i i j i i j

v

u

se

v

u

z

β

=

Tolak

H

0

jika

z

hitung

>

z

(

n

−

k

−

1 ;

α

₂

)

Bandwith dan Pembobot Optimum

Metode yang digunakan untuk

memilih bandwidth optimum

adalah

Cross Validation (CV):

(

)

∑

= ≠

−

=

n i i i

y

s

y

s

CV

1 2

)

(

ˆ

)

(

Bobot yang digunakan untuk masing-masing

lokasi pengamatan adalah fungsi fixed

gaussian kernel.























 −

=

2

exp

)

,

(

g

d

v

u

w

_j _i _i ij 11

(12)

12

Penentuan Kriteria Model Terbaik

Pemilihan model terbaik adalah dengan menggunakan metode AIC (Akaike’s

Information Criterion)

D(G) adalah devians model dengan bandwidth (G), K(G)

adalah jumlah parameter dalam model bandwidth (G). Model

terbaik yang dipilih adalah model dengan nilai AIC paling kecil.

AIC = D(G) + 2K(G)

Dengan :

(

)

∑

β

+

−

=

n i i i i i i i i i

i

log

yˆ

(

u

,

v

),

G

)

/

y

(

y

yˆ

(

u

,

v

),

G

)

y

)

G

(

D

12

(13)

Metodologi Penelitian

Data yang digunakan dalam penelitian ini adalah data sekunder berasal dari

Dinas Kesehatan Provinsi Jawa Timur (Jatim) tahun 2011. Unit penelitian terdiri

dari 29 Kabupaten dan 9 Kota di Propinsi Jatim.

Jumlah kematian Ibu Hamil pada Kabupaten / Kota di Jawa Timur (Y)

X

₁

Presentase Ibu hamil melaksanakan program

K1 (akses pelayanan ibu hamil)

X

6

Persentase bidan di setiap Kabupaten / Kota

di Jawa Timur

X

₂

Persentase persalinan dibantu oleh tenaga

non kesehatan tiap Kabupaten / Kota

X

7

Persentase sarana kesehatan

X

3

Persentase ibu hamil yang mendapatkan tablet

Fe1

X

8

Persentase penduduk miskin

X

₄

Persentase ibu hamil berisiko tinggi/komplikasi

yang ditangani

X

9

Persentase pelayanan kesehatan ibu nifas

X

₅

Persentase rumah tangga berperilaku hidup

(14)

1. Mendeskripsikan kabupaten di Jawa Timur dengan menggunakan peta tematik.

2. Identifikasi pola hubungan antar variabel

3. Pengujian adanya multikolinieritas antar variabel prediktor

4. Menganalisis model regresi poisson

a. Penaksiran parameter dengan metode MLE

b. Menguji signifikansi parameter model

c. Menghitung nilai AIC

5. Menganalisis model GWPR

a. Menghitung jarak euclidian antar lokasi pengamatan berdasarkan posisi geografis.

b. Mengurutkan jarak euclidien dari seluruh lokasi terhadap suatu lokasi i, sehingga diperoleh urutan

tetangga terdekat dari lokasi i.

c. Menentukan bandwidth optimum berdasarkan kriteria CV minimum.

d. Menghitung matriks pembobot dengan menggunakan fungsi pembobot kernel.

e. Menaksir parameter model.

f. Pengujian kesesuaian model.

g. Membandingkan hasil analisis dengan menggunakan GWPR dan Regresi Poisson berdasarkan nilai AIC.

6. Mendapatkan model terbaik untuk pemodelan kematian ibu hamil dengan kriteria AIC minimum.

14

(15)

Peta Tematik -> Deskriptif

(a) Jumlah Kematian Ibu

_{(b) Presentase K1}

(c) Presentase persalinan non-nakes

_{(d) Presentase Fe1}

Catatan:

(a) Variabel Y

(b) Variabel X1

(c) Variabel X2

(d) Variabel X3

15

(16)

Peta Tematik -> Deskriptif

(e) Presentase ibu hamil berisiko

_{(f) Presentase PHBS}

(g) Presentase bidan

_{(h) Presentase sarana kesehatan}

Catatan:

(e) Variabel X4

(f) Variabel X5

(g) Variabel X6

(h) Variabel X7

16

(17)

Peta Tematik -> Deskriptif

Catatan:

(i) Variabel X8

(j) Variabel X9

(i) Presentase penduduk miskin

_{(j) Presentase pelayanan kesehatan ibu nifas}

(18)

Regresi Poisson

Pemeriksaan Multikolinieritas

18

Variabel X(1) X(2) X(3) X(4) X(5) X(6) X(7) X(8) X(9)

(19)

Regresi Poisson

Pengujian Secara Serentak

2 ) 9 ; 05 . 0 (

χ

sebesar 16,919

Didapatkan nilai devians

D

(

β

ˆ

)

sebesar 172,86

Jadi keputusannya tolak H

₀

artinya bahwa minimal

terdapat salah satu parameter yang berpengaruh

secara signifikan terhadap model.

0 :

₁ ₂ ₃ ₄ ₅ ₇ ₈ ₉ 0

β

=

β

=

β

=

β

=

β

=

β

=

β

=

β

=

H

19

:

1

(20)

Regresi Poisson

Pengujian Secara Parsial

0 :

0 j

=

H

β

0 :

1 j

≠

H

β

(

2 ,

741

0 ,

117

1

0 ,

159

2

0 ,

278

5

0 ,

15

6

0 ,

142

7

0 ,

17

8

)

exp

ˆ

=

−

X

+

X

+

X

−

X

−

X

+

X

µ

( )

ˆ

(

2 ,

741

0 ,

117

1

0 ,

159

2

0 ,

278

5

0 ,

15

6

0 ,

142

7

0 ,

17

8

)

ln

µ

=

−

X

+

X

+

X

−

X

−

X

+

X

₂₀

Variabel Estimasi Standart Error Z hitung intercept

2,74113

0,042228 64,91286* X(1) -0,116696 0,04709 -2,47813* X(2) 0,158816 0,072867 2,179535* X(3) -0,033957 0,053904 -0,62996 X(4) -0,043887 0,041937

-1,04651

X(5) 0,278203 0,043753 6,358547* X(6) -0,150321 0,045319 -3,31695* X(7) -0,142439 0,043039 -3,30949* X(8) 0,170267 0,058218 2,924677* X(9) 0,045273 0,060482 0,748535

Model Regresi Poisson.

(21)

Geographically Weighted Poisson Regression

Bandwidth Masing Kabupaten/Kota di Jawa Timur

No Kab/Kota G No Kab/Kota G No Kab/Kota G 1 Kab. Pacitan 3.551 14 Kab. Tuban 3.551 27 Kab. Blitar 3.551

2 Kab. Ponorogo 3.551 15 Kab. Lamongan 3.551 28 Kab. Kediri 3.551

3 Kab. Trenggalek 3.551 16 Kab. Bangkalan 3.551 29 Kab. Mojokerto 3.551

4 Kab. Tulungagung 3.551 17 Kab. Pamekasan 3.551 30 Kab. Banyuwangi 3.551

5 Kab. Lumajang 3.551 18 Kota Kediri 3.551 31 Kab. Gresik 3.551

6 Kab. Bondowoso 3.551 19 Kota Blitar 3.551 32 Kab. Jember 3.551

7 Kab. Pasuruan 3.551 20 Kota Malang 3.551 33 Kab. Malang 3.551

8 Kab. Jombang 3.551 21 Kota Probolinggo 3.551 34 Kab. Probolinggo 3.551

9 Kab. Nganjuk 3.551 22 Kota Pasuruan 3.551 35 Kab. Sampang 3.551

10 Kab. Madiun 3.551 23 Kota Mojokerto 3.551 36 Kab. Sidoarjo 3.551

11 Kab. Magetan 3.551 24 Kota Madiun 3.551 37 Kab. Situbondo 3.551

12 Kab. Ngawi 3.551 25 Kota Surabaya 3.551 38 Kab. Sumenep 3.551

13 Kab. Bojonegoro 3.551 26 Kota Batu 3.551

(22)

Geographically Weighted Poisson Regression

No Kab/Kota _{Euclid pembobot}Jarak No Kab/Kota _{Euclid Gaussian}Jarak N_o Kab/Kota _{Euclid pembobot}Jarak 1 Kab. Pacitan 0 1 14 Kab. Tuban 1.852 0.873 27 Kab. Blitar 0.943 0.965

2 Kab. Ponorogo 0.78 0.976 15 Kab. Lamongan 1.573 0.907 28 Kab. Kediri 1.162 0.948

3 Kab. Trenggalek 0.371 0.995 16 Kab. Bangkalan 1.759 0.885 29 Kab. Mojokerto 1.453 0.92

4 Kab. Tulungagung 0.477 0.991 17 Kab. Pamekasan 2.439 0.79 30 Kab. Banyuwangi 3.15 0.675

5 Kab. Lumajang 2.07 0.844 18 Kota Kediri 1.126 0.951 31 Kab. Gresik 1.56 0.908

6 Kab. Bondowoso 2.496 0.781 19 Kota Blitar 1.032 0.959 32 Kab. Jember 2.261 0.817

7 Kab. Pasuruan 1.798 0.88 20 Kota Malang 1.422 0.923 33 Kab. Malang 1.409 0.924

8 Kab. Jombang 1.33 0.932 21 Kota Probolinggo 2.163 0.831 34 Kab. Probolinggo 1.937 0.862

9 Kab. Nganjuk 0.885 0.969 22 Kota Pasuruan 1.65 0.898 35 Kab. Sampang 2.313 0.809

10 Kab. Madiun 0.796 0.975 23 Kota Mojokerto 1.451 0.92 36 Kab. Sidoarjo 1.598 0.904

11 Kab. Magetan 0.732 0.979 24 Kota Madiun 0.778 0.976 37 Kab. Situbondo 2.591 0.766

12 Kab. Ngawi 0.893 0.969 25 Kota Surabaya 1.687 0.893 38 Kab. Sumenep 2.69 0.751

13 Kab. Bojonegoro 1.123 0.951 26 Kota Batu 1.387 0.927

Jarak Euclid dan Pembobot di Kabupaten Pacitan

(23)

Geographically Weighted Poisson Regression

Pengujian Kesesuaian Model GWPR

:

0

H

β

_j

(

u

_i_,

v

_i

)

=

β

_j

j

=

0 ,

1 ,...,

13 F-hitung sebesar 0,82,

F

₍₀_.₀₅_;₂₈_;₁₃₎

=

2 ,

392 dapat disimpulkan gagal tolak H

₀

, artinya tidak ada perbedaan antara model

poisson dengan model GWPR dan juga menginformasikan bahwa terjadi

overdispersi dimana nilai devians dibagi df (degree of freedom) lebih dari 1

Model Devians

df

Devians/df F hitung

Global

172,86

28 6,174

0,82

GWPR

98,354 13,059

7,532

23

:

1

H

β

_j

(

u

_i_,

v

_i

)

≠

β

_j

(24)

Geographically Weighted Poisson Regression

Pengujian Parameter Model GWPR

keputusannya yaitu tolak H

₀

artinya bahwa minimal terdapat salah satu

parameter yang berpengaruh secara signifikan terhadap model.

:

0

H

β

₁

(

u

₁_,

v

₁

)

=

β

₂

(

u

₂_,

v

₂

)

=

β

₃

(

u

₃_,

v

₃

)

=



=

β

₁₃

(

u

₁₃_,

v

₁₃

)

=

0 :

1

H

paling tidak ada salah satu

β

_j

(

u

_j

,

v

_j

)

≠

0 Didapatkan nilai devians

D

(

β

ˆ

)

sebesar 98,35

χ

₍

2 ₀

_.

₀₅

_;

₉

₎

sebesar 16,919

• Secara Serentak

(25)

Variabel

Estimasi Standart error Z-hitung

intercept

2,497

0,104 23,950*

X(1)

-0,084

0,089

-0,947

X(2)

-0,102

0,143

-0,719

X(3)

0,389

0,098

3,956*

X(4)

-0,117

0,080

-1,449

X(5)

0,212

0,090

2,354*

X(6)

-0,007

0,101

-0,068

X(7)

-0,067

0,080

-0,835

X(8)

-0,129

0,119

-1,078

X(9)

-0,296

0,133 -2,225*

model yang dapat dibentuk adalah sebagai berikut

Geographically Weighted Poisson Regression

(

2 ,

497

0 ,

389 ₃

0 ,

212 ₅

0 ,

296 ₉

)

exp

ˆ

_i

=

+

X

+

X

−

X

µ

( )

ˆ

2 ,

497

0 ,

389 ₃

0 ,

212 ₅

0 ,

296 ₉

ln

µ

_i

=

+

X

+

X

−

X

25

(26)

Variabel yang signifikan di setiap Kabupaten/Kota

Geographically Weighted Poisson Regression

No Kabupaten/Kota Variabel No Kabupaten/Kota Variabel No Kabupaten/Kota Variabel

1 Pacitan X(3),X(5),X(9) _{13 Kota Pasuruan} X(5),X(6),X(7),X(8) _{26 Bondowoso} X(1),X(3),X(5),X(7),X(8)

2 Ponorogo X(3),X(5),X(9) 14 Sampang X(5),X(6),X(7),X(8) 27 Lamongan X(5),X(6),X(7),X(8),X(9)

3 Trenggalek X(3),X(5),X(9) _{15 Kota kediri} X(5),X(6),X(8),X(9) _{28 Bangkalan} X(5),X(6),X(7),X(8),X(9)

4 Tulungagung X(3),X(5),X(9) _{16 Kediri} X(5),X(6),X(8),X(9) _{29 Mojokerto} X(5),X(6),X(7),X(8),X(9)

5 Nganjuk X(3),X(5),X(9) _{17 Banyuwangi} X(3),X(4),X(5),X(8) _{30 Gresik} X(5),X(6),X(7),X(8),X(9)

6 Madiun X(3),X(5),X(9) _{18 Blitar} X(3),X(5),X(6),X(8) _{31 Jombang} X(5),X(6),X(7),X(8),X(9)

7 Magetan X(3),X(5),X(9) _{19 Jember} X(1),X(5),X(7),X(8) _{32 Malang} X(5),X(6),X(7),X(8),X(9)

8 Ngawi X(3),X(5),X(9) 20 Sumenep X(1),X(5),X(7),X(8) 33 Sidoarjo X(5),X(6),X(7),X(8),X(9)

9 Bojonegoro X(3),X(5),X(9) _{21 Situbondo} _{X(1),X(3),X(5),X(7),X(8) 34 Kota Mojokerto X(5),X(6),X(7),X(8),X(9)}

10 Kota madiun X(3),X(5),X(9) _{22 Probolinggo} _{X(1),X(5),X(6),X(7),X(8) 35 Kota Surabaya} X(5),X(6),X(7),X(8),X(9)

11 Kota blitar X(5),X(6),X(8) _{23 Pamekasan} _{X(1),X(5),X(6),X(7),X(8) 36 Kota Batu} X(5),X(6),X(7),X(8),X(9)

12 Tuban X(5),X(6),X(9) _{24 Kota Probolinggo X(1),X(5),X(6),X(7),X(8) 37 Kota Malang} X(5),X(6),X(7),X(8),X(9)

(27)

Secara ringkas terdapat 11 pengelompokan

Kabupaten/Kota.

Geographically Weighted Poisson Regression

27

Kabupaten/Kota Variabel signifikan

Pacitan, Ponorogo, Trenggalek,

Tulungagung, Nganjuk, Madiun, Magetan, Ngawi, Bojonegoro, Kota Madiun

1. Persentase Ibu hamil yang mendapatkan tablet Fe1 2.Persentase rumah tangga hidup bersih sehat

3.Persentase pelayanan kesehatan ibu nifas

Kota Blitar

1.Persentase rumah tangga hidup bersih sehat 2.Persentase bidan

3.Persentase penduduk miskin

Tuban 1. Persentase rumah tangga hidup bersih sehat 2.Persentase bidan

3.Persentase pelayanan kesehatan ibu nifas

Pasuruan, Kota Pasuruan, Sampang

3.Sarana Kesehatan

Kota Kediri, Kediri

(28)

Secara ringkas Pengelompokan Kabupaten/Kota (Lanjutan).

Geographically Weighted Poisson Regression

28

Banyuwangi

3.Persentase ibu hamil berisiko tinggi atau komplikasi yang ditangani 4.Persentase penduduk miskin

Blitar

3.Persentase bidan

Jember, Sumenep

1.Persentase ibu hamil melaksanakan program K1 2. Persentase rumah tangga hidup bersih sehat 3. Sarana Kesehatan

Situbondo

1.Persentase Ibu hamil melaksanakan program K1 2. Persentase Ibu hamil yang mendapatkan tablet Fe1 3.Persentase rumah tangga hidup bersih sehat

4.Sarana Kesehatan

(29)

Secara ringkas Pengelompokan Kabupaten/Kota (Lanjutan).

Geographically Weighted Poisson Regression

29

Probolinggo, Pamekasan, Kota Probolinggo, Lumajang, Bondowoso

1.Persentase Ibu hamil melaksanakan program K1 2. Persentase rumah tangga hidup bersih sehat 3.Persentase bidan

4.Sarana Kesehatan

Lamongan, Bangkalan, Mojokerto, Gresik, Jombang, Malang, Sidoarjo, Kota Malang, Kota Surabaya, Kota Batu, Kota Mojokerto

1. Persentase rumah tangga hidup bersih sehat 2.Persentase bidan

3.Sarana Kesehatan

(30)

30 30

Persebaran Variabel yang Signifikan

(31)

Perbandingan Model Regresi Poisson dengan Model GWPR

Geographically Weighted Poisson Regression

Model

AIC

Regresi Poisson

192,86

GWPR

140,81

model GWPR lebih tepat digunakan dalam

_{analisis jumlah kematian ibu hamil di Jawa Timur}

(32)

Kesimpulan dan Saran

• Jumlah kematian ibu hamil terbesar di Jawa Timur terdapat pada Kabupaten Jember dan Kota

Surabaya.

• Terdapat tiga variabel yang telah melaksanakan program pencegahan tingkat kematian ibu

hamil dengan rata-rata 90% yaitu persentase ibu hamil melaksanakan program K1, presentase

ibu hamil mendapatkan Fe1, dan presentase pelayanan kesehatan terhadap ibu nifas

• Untuk presentase bidan, presentase sarana kesehatan, presentase rumah tangga hidup bersih

sehat dirasakan kurang maksimal pelaksanaan dan persebarannya pada tiap daerah, karena

rata-rata pelaksanaannya hanya 30% di tiap Kabupaten/kota Jawa Timur

• Dan untuk variabel presentase persalinan yang tidak ditolong tenaga kesehatan, presentase ibu

hamil beresiko tinggi di tangani, serta presentase penduduk miskin memiliki resiko

kemungkinan terhadap kematian ibu hamil.

Kesimpulan

32

(33)

Kesimpulan dan Saran

• Pemodelan GWPR pada data jumlah kematian ibu hamil di Jawa Timur

terdapat variabel yang signifikan di semua daerah di Kabupaten/kota Jawa

Timur, yaitu presentase rumah tangga hidup bersih sehat.

• sebaliknya juga terdapat salah satu variabel yang yang tidak signifikan di

seluruh Kabupaten/kota Jawa Timur yaitu variabel presentase persalinan

yang tidak di tolong oleh tenaga kesehatan.

• Untuk beberapa variabel yang lainnya, terdapat 11 pengelompokkan

kesamaan signifikansi variabel prediktor di kabupaten/kota yang

berdekatan sehingga menunjukkan adanya persamaan perilaku antar

lokasi yang berdekatan.

Kesimpulan

33

(34)

Kesimpulan dan Saran

• Pemodelan jumlah kematian ibu hamil hanya menggunakan variabel-variabel dari faktor

non-kesehatan sehingga didapatkan model regresi Poisson dan GWPR tidak ada perbedaan yang

signifikan. Penelitian selanjutnya perlu kajian yang lebih komprehensif atau lebih luas

berkaitan dengan kematian ibu hamil baik dari faktor pendidikan, sosial, ekonomi, budaya dan

lingkungan.

• Terkait dengan permasalahan yang ada bahwa untuk variabel penduga yang digunakan,

terdapat variabel yang signifikan secara global di semua wilayah sebaiknya dilakukan

pengembangan metode yaitu GWPRS(Geographically Weighted Poisson Regression

Semi-parametric) untuk menggali lebih dalam pada wilayah yang signifikan secara global dan lokal.

• Di samping itu, obyek penelitian yang digunakan lebih kecil lagi seperti kecamatan atau

persebaran puskesmas di Kabupaten/kota, sehingga nantinya akan didapatkan hasil analisis

yang lebih tepat lagi.

(35)

Terima Kasih

:)

(36)

36 Kernel AIC

Fix Gaussian 140.8124 Fix Bi-square 146.9054