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
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
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
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
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
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 ipoisson
y
µ
Untuk penaksiran parameter menggunakan Metode Maximum Likelihood (MLE)
∑
∑
∑
=
=
=
+
−
=
n
1
i
n
1
i
n
1
i
i
i
(
)
-
ln(y
!
)
y
)
exp(
)
L(
ln
β
x
i
T
β
x
i
T
β
Metode iterasi
Newton-Raphson
7
Pengujian Parameter Regresi Poisson
Serentak
Parsial
0
β
:
H
0
j
=
0
β
:
H
1 j≠
0
β
β
β
:
H
0
1
=
2
=
=
n
=
Minimal ada satu
:
H
1
β
j≠
0
Statistik Uji:
Tolak
H jika
0𝐺
ℎ𝑖𝑖𝑖𝑖𝑖
2
> 𝒳
(𝛼,𝑖)
2
𝐺
2
= 2(𝑙𝑙𝑙 𝛺� − 𝑙𝑙𝑙 𝜔� )
)
ˆ
(
ˆ
j
j
se
z
β
β
=
)
2
α
1;
p
(n
hitung
z
z
>
−
−
78
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 iexp
β
(u
,
v
)x
μ
Titik pengamatan dengan koordinat lintang u
idan
koordinat bujur v
iGWPR
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
=
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
0β
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
0jika
)
df
,
df
,
(
hit
F
A BF
>
α
ε
γ
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
=
0
)
v
u
(
)
v
u
(
)
v
u
(
)
v
u
(
:
H
0β
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
0jika
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
iβ
=
µ
µ
µ
−
=
ω
∏
=(
)
β
=
µ
µ
µ
−
=
Ω
∏
∑
= = p 0 j ij i i j i n 1 i i y i ix
v
,
u
ˆ
exp
ˆ
;
!
y
)
exp(
)
ˆ
(
L
iSerentak
Pengujian Parameter GWPR
1011
Pengujian Parameter GWPR
Parsial
0
)
v
,
u
(
:
H
0
β
j
i
i
=
0
)
v
,
u
(
:
H
1
β
j
i
i
≠
Statistik Uji:
))
,
(
ˆ
(
)
,
(
ˆ
i i j i i jv
u
se
v
u
z
β
β
=
Tolak
H
0jika
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 iy
s
y
s
CV
1 2)
(
ˆ
)
(
Bobot yang digunakan untuk masing-masing
lokasi pengamatan adalah fungsi fixed
gaussian kernel.
−
=
2exp
)
,
(
g
d
v
u
w
j i i ij 1112
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 ii
log
yˆ
(
(
u
,
v
),
G
)
/
y
(
y
yˆ
(
u
,
v
),
G
)
y
)
G
(
D
12Metodologi 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
1Presentase Ibu hamil melaksanakan program
K1 (akses pelayanan ibu hamil)
X
6Persentase bidan di setiap Kabupaten / Kota
di Jawa Timur
X
2Persentase persalinan dibantu oleh tenaga
non kesehatan tiap Kabupaten / Kota
X
7Persentase sarana kesehatan
X
3Persentase ibu hamil yang mendapatkan tablet
Fe1
X
8Persentase penduduk miskin
X
4Persentase ibu hamil berisiko tinggi/komplikasi
yang ditangani
X
9Persentase pelayanan kesehatan ibu nifas
X
5Persentase rumah tangga berperilaku hidup
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
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
15Peta 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
16Peta Tematik -> Deskriptif
Catatan:
(i) Variabel X8
(j) Variabel X9
(i) Presentase penduduk miskin
(j) Presentase pelayanan kesehatan ibu nifas
Regresi Poisson
Pemeriksaan Multikolinieritas
18
Variabel X(1) X(2) X(3) X(4) X(5) X(6) X(7) X(8) X(9)
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
0artinya bahwa minimal
terdapat salah satu parameter yang berpengaruh
secara signifikan terhadap model.
0
:
1 2 3 4 5 7 8 9 0β
=
β
=
β
=
β
=
β
=
β
=
β
=
β
=
H
19
:
1Regresi Poisson
Pengujian Secara Parsial
0
:
0 j=
H
β
0
:
1 j≠
H
β
(
2
,
741
0
,
117
10
,
159
20
,
278
50
,
15
60
,
142
70
,
17
8)
exp
ˆ
=
−
X
+
X
+
X
−
X
−
X
+
X
µ
( )
ˆ
(
2
,
741
0
,
117
10
,
159
20
,
278
50
,
15
60
,
142
70
,
17
8)
ln
µ
=
−
X
+
X
+
X
−
X
−
X
+
X
20Variabel 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 0,748535Model Regresi Poisson.
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
Geographically Weighted Poisson Regression
No Kab/Kota Euclid pembobotJarak No Kab/Kota Euclid GaussianJarak No Kab/Kota Euclid pembobotJarak 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
Geographically Weighted Poisson Regression
Pengujian Kesesuaian Model GWPR
:
0H
β
j(
u
i,v
i)
=
β
jj
=
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:
1H
β
j(
u
i,v
i)
≠
β
jGeographically Weighted Poisson Regression
Pengujian Parameter Model GWPR
keputusannya yaitu tolak H
0artinya 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
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
25Variabel 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)
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
1.Persentase rumah tangga hidup bersih sehat 2.Persentase bidan
3.Sarana Kesehatan
4.Persentase penduduk miskin
Kota Kediri, Kediri
1.Persentase rumah tangga hidup bersih sehat 2.Persentase bidan
3.Persentase penduduk miskin
Secara ringkas Pengelompokan Kabupaten/Kota (Lanjutan).
Geographically Weighted Poisson Regression
28
Kabupaten/Kota Variabel signifikan
Banyuwangi
1. Persentase Ibu hamil yang mendapatkan tablet Fe1 2.Persentase rumah tangga hidup bersih sehat
3.Persentase ibu hamil berisiko tinggi atau komplikasi yang ditangani 4.Persentase penduduk miskin
Blitar
1. Persentase Ibu hamil yang mendapatkan tablet Fe1 2.Persentase rumah tangga hidup bersih sehat
3.Persentase bidan
4.Persentase penduduk miskin
Jember, Sumenep
1.Persentase ibu hamil melaksanakan program K1 2. Persentase rumah tangga hidup bersih sehat 3. Sarana Kesehatan
4.Persentase penduduk miskin
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
Secara ringkas Pengelompokan Kabupaten/Kota (Lanjutan).
Geographically Weighted Poisson Regression
29
Kabupaten/Kota Variabel signifikan
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
5.Persentase penduduk miskin
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
4.Persentase penduduk miskin
30 30
Persebaran Variabel yang Signifikan
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
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
32Kesimpulan 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
33Kesimpulan 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.
Terima Kasih
:)
36 Kernel AIC
Fix Gaussian 140.8124 Fix Bi-square 146.9054