Pemodelan Jumlah Kematian Bayi di Propinsi Jawa Timur dengan Pendekatan Geographically Weighted Poisson Regression Semi Parametric (GWPRS)

Seminar

 

Tugas

 

Akhir

Pemodelan Jumlah Kematian Bayi di Propinsi Jawa Timur

d

d k

dengan Pendekatan

Geographically

 

Weighted

 

Poisson

 

Regression Semi

‐

Parametric

 

(GWPRS)

Oleh :

Dessy Puspa Rani

(GWPRS)

Dessy Puspa Rani 1306. 100. 034

Dosen Pembimbing : Dr. Purhadi, M.Sc

PENDAHULUAN

AKB di AKB  k b AKB di Indonesia  masih tinggi merupakan  indikator yang  penting Lambannya  Penurunan AKB Upaya Menurunkan FAKTA_{1990 : 70} PENELITIAN TERDAHULU : • Ardiyanti (2010), % persalinan dil k k d b t Menurunkan AKB dengan Mengetahui Faktor‐ 1990 : 70 1995 : 66 1997 : 50 2003 : 35 yang dilakukan dengan bantuan

non medis.

• Listiani (2010), % rata‐rata

pengeluaran rumah tangga _faktornya 2003 : 35

2004 ‐ 2007 : 34 pengeluaran rumah tangga

(dalam rupiah) perbulan.

Pemodelan dengan Pemodelan

GWPR

Pemodelan dengan memperhitungkan faktor

PENDAHULUAN

Per m san Masalah

Bagaimana model terbaik untuk data jumlah kematian

Perumusan Masalah

Bagaimana model terbaik untuk data jumlah kematian

bayi (Infant Mortality Rate) di Propinsi Jawa Timur

serta faktor yang berpengaruh secara signifikan.

Tujuan Penelitian

Mendapatkan Model terbaik dan faktor yang 

j

berpengaruh terhadap data jumlah kematian bayi

PENDAHULUAN

Manfaat Penelitian

Mendapatkan faktor yang berpengaruh secara signifikan terhadap jumlah

Manfaat Penelitian

kematian bayi yang masih cukup tinggi serta dapat meningkatkan

pemahaman mengenai studi ekologi secara spasial dalam menangani masalah tingginya jumlah kematian bayi.

tingginya jumlah kematian bayi.

Batasan Masalah

Penelitian ini menggunakan Metode GWPRS dengan pembobot  yang 

TINJAUAN

 

PUSTAKA

Uji

 

Kolinieritas

Pendeteksian adanya kasus kolinieritas dapat dilihat sebagai berikut (Hocking, 1996).

1. VIF (Variance Inflation Factors) > 10.

Variance Inflation Factors (VIF) dinyatakan dalam :

(1)

2. Nilai koefisien korelasi Pearson  antar variabel‐variabel prediktor. 

3 Nilai eigen pada matriks korelasi

TINJAUAN

 

PUSTAKA

Regresi

 

Poisson

Suatu bentuk model standar yang digunakan untuk menganalisis data

diskrit (count data) dan termasuk dalam model regresi nonlinear (Cameron

& Trivedi 1998) Probabilitas distribusi Poisson dituliskan sebagai berikut & Trivedi, 1998). Probabilitas distribusi Poisson dituliskan sebagai berikut (Myers, 1990). (2) ...) , 2 , 1 , 0 ( ! ) ; ( = = − y y e y p y μ μ μ (2)

Dimana μ adalah mean dari distribusi Poisson. Maka model regresi Poisson

dinyatakan sebagai berikut (Myers, 1990).

(3)

( )

! y (3) Dengan :

( )

_i i Poisson y ~ μ

TINJAUAN

 

PUSTAKA

‰

Estimasi Parameter Model Regresi Poisson

‰

Estimasi Parameter Model Regresi Poisson

Metode Maximum Likelihood Estimation (MLE).

‰

_{Pengujian Parameter Model Regresi Poisson}

Pengujian parameter model regresi Poisson secara serentak dengan

menggunakan metode Maximum Likelihood Ratio Test (MLRT), dinotasikan

dengan : L(ωˆ )

Λ

de ga :

(4) Distribusi Poisson termasuk ke dalam keluarga distribusi eksponensial, sehingga persamaan (4) dapat dinyatakan sebagai berikut

( ) ˆ ( ) L Λ = Ω

sehingga persamaan (4) dapat dinyatakan sebagai berikut. ˆ ( ) ˆ ( ) 2 ln 2 ln ˆ ( ) L D L ω ⎛ ⎞ = − Λ = − _{⎜ ⎟} Ω ⎝ ⎠

β

D

( )

β

ˆ

_{merupakan devians model regresi Poisson}

2 ) 1 ; (

)

ˆ

(

>

_{n −k −}

D

β

χ

_α

TINJAUAN

 

PUSTAKA

(

)

D

(

βˆ βˆ βˆ_{j i} βˆ_j βˆ_k

)

adalah devians yang dihitung tanpa melibatkan

Dβ₁,β₂,K,β ₋,β ₊₁,Kβ adalah devians yang dihitung tanpa melibatkan       

ke dalam model

ˆ ( )

L ω

Λ

Pengujian parameter model regresi Poisson secara parsial adalah sebagai 

berikut. ( ) ˆ ( ) L Λ = Ω

Keputusan : Tolak H apabila D(β |βˆ βˆ βˆ βˆ βˆ ) _> χ 2

ˆ

( )

D

β

_{merupakan devians model regresi Poisson}

Keputusan : Tolak H₀ apabila

Hal ini berarti variabel ke‐j berpengauh secara signifikan terhadap 

variabel respon pada model (Kleinbaum, 1988).

) ,..., , ,..., , | ( _{j 1 2 j 1 j 1 k} D β β β β ₋ β ₊ β > χ (α ;1)

TINJAUAN

 

PUSTAKA

Geographically

 

Weighted

 

Regression

 

(GWR)

Model GWR dapat dituliskan sebagai berikut (Fotheringham & Brudson, 2002).

p i = 1, 2, 3, ..., n      (5) dengan :

(

,

)

(

,

)

; 1 0 i i ik i p k k i i i u v u v x y = β +

∑

β +ε = dengan : 

: nilai observasi variabel respon ke‐i (i=1,2, ..., n)

: nilai observasi variabel prediktor k pada pengamatan ke‐i

k fi i i

: koefisien regresi

: menyatakan titik koordinat (lintang, bujur) lokasi i 

TINJAUAN

 

PUSTAKA

WLS

‰

Estimasi

 

Parameter

 

Model

 

GWR

Penaksir parameter model GWR

WLS

(

u_i,v_i

)

=

(

X TW

(

u_i,v_i

)

X

)

−1XTW

(

u_i,v_i

)

y

β

)

‰

Pengujian

 

Hipotesis

(

u_i,v_i

)

(

X W

(

u_i,v_i

)

X

)

X W

(

u_i,v_i

)

y

β

Uji Kesesuaian Model GWR

(

)

GWR) dan OLS model antara signifikan yang perbedaan ada (tidak ,..., 2 , 1 , , : 0 u v k p H β_{k i i} = β_k = ) v (u lokasi dengan n berhubunga yang ) v (u satu ada sedikit Paling : _{k i i i i} 1 β H j GWR) dan OLS model antara signifikan yang perbedaan (ada ) v , (u lokasi dengan n berhubunga yang ) v , (u satu ada sedikit Paling : _{k i i i i} 1 β H Statistik uji :

( )

[

2 2

]

( )

[

]

( )

/ 1 / / ₁2 ₂2 1 * − − = k n H SSE H SSE

TINJAUAN

 

PUSTAKA

WLS

‰

Estimasi

 

Parameter

 

Model

 

GWR

Penaksir parameter model GWR

WLS

(

u_i,v_i

)

=

(

X TW

(

u_i,v_i

)

X

)

−1XTW

(

u_i,v_i

)

y

β

)

‰

Pengujian

 

Hipotesis

(

u_i,v_i

)

(

X W

(

u_i,v_i

)

X

)

X W

(

u_i,v_i

)

y

β

Uji P t M d l GWR

(

,

)

0 : 0 k ui vi = H β

(

u v

)

k p H₁ :β_{k i}, _i ≠ 0; =1,2,...,

Uji Parameter Model GWR

K t T l k H bil

(

_{i i}

)

k u v T β , ˆ >t T Statistik uji :

Keputusan : Tolak H₀ apabila

(

)

kk i i k g T σ β ˆ , = ⎟ ⎠ ⎞ ⎜ ⎝ ⎛ _{− −} > 1 ; 2 n p Hit t T _α

TINJAUAN

 

PUSTAKA

Geographically

 

Weighted

 

Regression

 

Poisson

 

(GWPR)

Model GWPR pada persamaan (3) dapat ditulis sebagai berikut (Nakaya et al., 2005) 2005). (6)

(

)

⎟ ⎠ ⎞ ⎜ ⎝ ⎛ =

_∑

k k i i ik i exp

β

u ,v x

μ

Dimana : ⎠ ⎝

TINJAUAN

 

PUSTAKA

‰

Estimasi

 

Parameter

 

Model

 

GWPR

Penaksir

 

parameter

 

model

 

GWPR

MLE

‰

Pengujian

 

Hipotesis

(tidak ada perbedaan yang signifikan antara model regresi Poisson dan GWPR) Uji Kesesuaian Model GWPR (tidak ada perbedaan yang signifikan antara model regresi Poisson dan GWPR) Paling sedikit ada satu yang berhubungan dengan lokasi

TINJAUAN

 

PUSTAKA

P ji k i d l GWPR k b di il i

Pengujian kesesuaian model GWPR menggunakan perbandingan nilai

devians model regresi Poisson dan Model GWPR. Dimisalkan model regresi

Poisson dinyatakan dengan model A dengan derajat bebas dan model GWPR 

dinyatakan dengan model B dengan derajat bebas _. Maka :

TINJAUAN

 

PUSTAKA

™ P ji t d l GWPR i l

™ Pengujian parameter model GWPR secara parsial.

Uji Parameter Model GWPR

; k=1,2,…,p

Statistik uji :

TINJAUAN

 

PUSTAKA

B b t i l d t di k t l i b i b ik t

‰

Pemilihan

 

Pembobot

 

Spasial

Bobot spasial yang dapat digunakan antara lain sebagai berikut.

1. Fungsi Gauss Kernel 3. Tricube

TINJAUAN

 

PUSTAKA

‰

Pemilihan

 

Model

 

Terbaik

Metode yang digunakan untuk memilih bandwidth optimum Cross Validation

(CV) dan pemilihan model terbaik untuk Geographically Weighted Poisson 

Regression Semi‐parametric adalah model dengan nilai AIC terkecil.

) ( 2 ) (G K G D AIC = + dengan :

D (G) = merupakan devians  model dengan bandwidth (G). 

TINJAUAN

 

PUSTAKA

Kematian

 

Bayi

Kematian bayi adalah kematian yang terjadi antara saat setelah bayi

lahir sampai bayi belum berusia tepat satu tahun

Beberapa faktor yang sangat mempengaruhi tinggi rendahnya kematian 

bayi adalah sebagai berikut

lahir sampai bayi belum berusia tepat satu tahun.

Angka Kematian Bayi (AKB) adalah banyaknya kematian bayi berusia

dib h h 000 k l hi hid d h

bayi adalah sebagai berikut.

1. Faktor Individu, antara lain :

a. Tradisi persalinan dengan tenaga nonmedis

b B k it b h t di b h i 17 t h

dibawah satu tahun, per 1000 kelahiran hidup pada satu tahun

tertentu.

b. Banyaknya wanita yang berumah tangga di bawah usia 17 tahun

c. Kurangnya kesadaran akan pentingnya pemberian ASI ekslusif

d. Tingkat pendidikan wanita

Kematian bayi sangat dipengaruhi oleh kondisi kesehatan perumahan

dan keadaan sosial ekonomi orang tua (BPS, 2009).

2. Faktor rumah tangga antara lain pendapatan dan kekayaan.

3. Faktor masyarakat antara lain lingkungan dan sistem masyarakat 

yaitu jumlah tenaga medis di suatu wilayah dan jumlah sarana 

METODOLOGI

 

PENELITIAN

Sumber

 

Data

Hasil Survei  SUSENAS 2007 BPS SUSENAS 2007  (AKB) Data Propinsi  Jawa Timur 2007

Pada penelitian ini yang dijadikan unit observasi adalah kabupaten/kota di Propinsi Jawa Timur yaitu 38 kabupaten/kota.

METODOLOGI

 

PENELITIAN

Variabel

 

Penelitian

No. Nama Variabel Tipe Variabel

Tabel 1. Variabel Penelitian

(1) (2) (3)

1 Y  Jumlah kematian bayi pada tiap kabupaten/kota Diskrit

l h k h ( d k ) d i

2 X₁ Jumlah sarana kesehatan (RS dan Puskesmas) pada tiap

kabupaten/kota Diskrit

3 X Jumlah tenaga medis (dokter dan bidan) pada tiap Di k i

3 X₂ g ( ) p p

kabupaten/kota Diskrit

4 X Persentase persalinan yang dilakukan dengan bantuan Kontinu 4 X₃

METODOLOGI

 

PENELITIAN

Tabel 1. Variabel Penelitian (lanjutan)

No. Nama Variabel Tipe Variabel

(1) (2) (3)

5 X₄ Rata‐rata usia perkawinan pertama pada  tiap 

kabupaten/kota Kontinu

Rata rata lama sekolah wanita berstatus kawin pada 6 X₅ Rata‐rata lama sekolah wanita berstatus kawin  pada  

tiap kabupaten/kota Kontinu

Rata‐rata jumlah pengeluaran rumah tangga (dalam 7 X₆ Rata rata jumlah pengeluaran rumah tangga (dalam 

rupiah) pada  tiap kabupaten/kota Kontinu 8 X Persentase daerah yang berstatus desa pada  tiap  K ti 8 X₇

METODOLOGI

 

PENELITIAN

Tabel 1. Variabel Penelitian (lanjutan)

No. Nama Variabel Tipe Variabel

(1) (2) (3)

9 X₈ Rata‐rata lama pemberian ASI eksklusif pada  tiap 

kabupaten/kota Kontinu

Persentase rumah tangga yang memiliki air bersih pada 10 X₉ Persentase rumah tangga yang memiliki air bersih pada  

tiap kabupaten/kota Kontinu

11 X₁₀ Persentase penduduk miskin pada tiap kabupaten/kota Kontinu 11 X₁₀ Persentase penduduk miskin pada  tiap kabupaten/kota Kontinu 12 U Letak astronomi (lintang/ longitude) tiap 

kabupaten/kota Kontinu

METODOLOGI

 

PENELITIAN

Metode

 

Penelitian

Metode penelitian yang digunakan adalah sebagai berikut.

1. Mengkaji penaksir parameter dan pengujian hipotesis model GWPRS.

Langkah‐langkahnya :

Langkah langkahnya :

a. Penaksiran  parameter model GWPRS

Membuat Fungsi  likelihoodnya

Memaksimalkan  

fungsi likelihood

IRLS

b. Mengkaji prosedur uji hipotesis model GWPRS

‰ Pengujian kesesuaian model (goodness of fit).

likelihoodnya fungsi likelihood

Memformulasikan hypotesis null  Menentukan parameter  di bawah populasi Menentukan parameter  di bawah H

MLRT

METODOLOGI

 

PENELITIAN

Metode

 

Penelitian

‰ Pengujian parameter secara spasial

Memformulasikan Menggunakan sifat‐sifat

2. Menganalisis data Jumlah Kematian Bayi di Propinsi Jawa Timur. Langkah-langkahnya :

hipotesis null  mengkonstruksi statistik uji T Langkah langkahnya :

Mendapatkan

Model Regresi Mendapatkan Model GWPR

Menganalisis Model GWPRS

Global Model GWPR Model GWPRS

Pemilihan Model  Terbaik

ANALISIS

 

DAN

 

PEMBAHASAN

Geographically

 

Weighted

 

Regression

 

Poisson

 

Semi

‐

parametric

 

(GWPRS)

Model GWPR pada persamaan (3) dapat ditulis sebagai berikut (Nakaya et al., 2005)

(GWPRS)

2005).

(6)

ANALISIS

 

DAN

 

PEMBAHASAN

‰

Estimasi

 

Parameter

 

Model

 

GWPRS

Penaksir

 

parameter

 

model

 

GWPRS

MLE

Dimana

 

:

matriks prediktor parametrik yang tidak bergantung pada 

lokasi, dinotasikan sebagai berikut

Matrik pembobot varians yang berhubungan dengan Fisher

Matrik pembobot varians yang berhubungan dengan Fisher 

ANALISIS

 

DAN

 

PEMBAHASAN

ANALISIS

 

DAN

 

PEMBAHASAN

‰

Pengujian

 

Hipotesis

™ Pengujian kesesuaian model (Goodness of fit) dilakukan dengan

Uji Kesesuaian Model GWPRS

™ Pengujian kesesuaian model (Goodness of fit) dilakukan dengan

menggunakan metode MLRT pada koefisien parameter secara serentak.

j

(tidak ada perbedaan yang signifikan antara model regresi Poisson 

dan GWPRS)

Paling sedikit ada satu yang berhubungan dengan lokasi

(ada perbedaan yang signifikan antara model regresi poisson dan

) GWPRS)

ANALISIS

 

DAN

 

PEMBAHASAN

™ Pengujian parameter model GWPRS secara parsial.

Uji Parameter Model GWPRS

; k=1,2,…,p

statistik uji

2 ( 1)

hi

t

>

t

Keputusan : Tolak H₀ apabila

t

_hit

>

t

_{α 2;n− +(p 1)}

Keputusan : Tolak H₀ apabila 

Selanjutnya, untuk mendapatkan model terbaik digunakan kriteria nilai AIC 

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

ANALISIS

 

DAN

 

PEMBAHASAN

Analisis

 

Jumlah

 

Kematian

 

Bayi

 

Jawa

 

Timur

St ti tik D k i i

Statistik

 

Deskripsi

Tabel 1. Statistik Deskripsi

Variabel Mean StDev Min Max

Y 21,03 19,1 0 60 X₁₁ 24,58, 12,3, 3 53 X₂ 63,21 37,1 12 230 X₃ 15,11 17,4 0 68 X₄ 19,631 1 18 22 X₄ 19,631 1 18 22 X₅ 6,756 1,8 2 10 X₆ 265744 67469 191840 456992 X₇₇ 55,25, 31,1, 0 92 X₈ 8,956 1,5 7 12 X 62,15 12,3 41 99

ANALISIS

 

DAN

 

PEMBAHASAN

Estimasi

 

Model

 

Regresi

 

Poisson

Parameter Estimasi Standar Error Z_hit

Tabel 2. Estimasi Parameter Model Regresi Poisson

2,9921 0,0375 79,7826* 0,5518 0,0924 5,9707* ‐0,6893 0,0992 ‐6,9459* ‐0,0417 0,0499 ‐0,8358 ‐0,0143 0,0765 ‐0,1871 0 2806 0 0423 6 6310* 0,2806 0,0423 6,6310 0,4501 0,0514 8,7420* 0,0417 0,0701 0,5953

Sehingga model Regresi Poisson yang dapat dibentuk adalah :

ANALISIS

 

DAN

 

PEMBAHASAN

Uji

 

Kesesuaian

 

Model

 

GWPR

Tabel 4. Uji Goodness of Fit Model GWPR

Model

Devians

df

Devians/df

F

 

hit

Model Poisson 567 405

30 00

18 913

1 0839

Model

 

Poisson 567,405

30,00

18,913

1,0839

ANALISIS

 

DAN

 

PEMBAHASAN

Uji

 

Parameter

 

Model

 

GWPR

Parameter Estimasi T_hit

Tabel 5. Pengujian Parameter Model GWPR di Kabupaten Pacitan

2,7429 48,9033* ‐0,0771 ‐0,6288 ‐0 045340,04534 ‐0 35540,3554 ‐0,4446 ‐5,0828* ‐0,4164 ‐4,5184* 0,3315 6,6913* 0,5475 7,6483* ‐0,0741, ‐0,8249,

ANALISIS

 

DAN

 

PEMBAHASAN

Uji

 

Kesesuaian

 

Model

 

GWPRS

Tabel 7. Uji Goodness of Fit Model GWPRS

Model

Devians

df

Devians/df

F

 

hit

Model Poisson

567 405

30

18 913

1 0839

Model

 

Poisson

567,405

30

18,913

1,0839

Model

 

GWPR

370,689 21,313

17,393

1,087

369 678

22 336

16 551

ANALISIS

 

DAN

 

PEMBAHASAN

Uji

 

Parameter

 

Model

 

GWPRS

Parameter Estimasi T hit

Tabel 5. Pengujian Parameter Model GWPRS di Kabupaten Pacitan

Parameter Estimasi T_hit

2,5273 27,4013* ‐0,0344 ‐0,2684 0 09 0 39 ‐0,0941 ‐0,7739 ‐0,7224 ‐4,6703* ‐0,4370 ‐4,3606* V i b l 0,3032 6,000* 0,5273 7,6433* ‐0,0776 ‐0,8087 Variabel  Parametrik , ,

ANALISIS

 

DAN

 

PEMBAHASAN

Tabel 8. Variabel yang Signifikan Dalam Model GWPRS Tiap Kabupaten/Kota di Propinsi Jawa Timur

Kabupaten/Kota

Variabel Non 

Parametri Yang  Variabel Parametrik Yang  Signifikan

di Propinsi Jawa Timur

Signifikan Signifikan Pacitan, Trenggalek, Tulungagung, 

Nganjuk, Madiun, Kota Madiun X3, X6, X9 X8 Ponorogo, Jombang, Magetan, 

Ngawi X2, X3, X6, X9 X8

Blitar, Kediri, Kota Kediri X₁, X_2, X_3, X_6, X₉ X₈ M l Sid j M j k t T b

Malang, Sidoarjo, Mojokerto, Tuban,  Lamongan, Gresik, Kota Blitar, Kota  Probolinggo, Kota Pasuruan, Kota  Mojokerto Kota Surabaya Kota Batu

X₁, X_2, X_3, X_9, X₁₀ X₈ Mojokerto, Kota Surabaya, Kota Batu

ANALISIS

 

DAN

 

PEMBAHASAN

Tabel 8. Variabel yang Signifikan Dalam Model GWPRS Tiap Kabupaten/Kota di Propinsi Jawa Timur (Lanjutan)

di Propinsi Jawa Timur (Lanjutan)

Kabupaten/Kota

Variabel Non 

Parametri Yang  Variabel Parametrik Yang 

Si ifik p / g Signifikan Signifikan Banyuwangi, Bondowoso X_1, X_2, X_6, X₉ X₈ Situbondo Probolinggo Situbondo, Probolinggo,  Bangkalan, Sampang, 

Pamekasan, Sumenep, Kota 

Malang

X₁, X_2, X_6, X_9, X₁₀ X₈

Malang

Pasuruan X₁, X_2, X_3, X_6, X_9, X₁₀ X₈

ANALISIS

 

DAN

 

PEMBAHASAN

Perbandingan

 

Model

Tabel

 

9.

Perbandingan

 

Kesesuaian

 

Model

Model

Devians

AIC

Model

 

Regresi

g

 

Poisson

567,404

,

583,404

,

Model

 

GWPR

370,689

399,457

KESIMPULAN

 

DAN

 

SARAN

Kesimpulan

Dari hasil analisis, didapatkan bahwa variabel yang paling berpengaruh secara signifikan pada kasus jumlah kematian bayi di diseluruh secara signifikan pada kasus jumlah kematian bayi di diseluruh kabupaten/kota Propinsi Jawa Timur tahun 2007 adalah variabel jumlah

sarana kesehatan (x₁), jumlah tenaga medis (x₂) dan persentase persalinan

yang dilakukan dengan bantuan non medis (x ) Model GWPRS

yang dilakukan dengan bantuan non medis (x₃). Model GWPRS

menghasilkan variabel non parametrik dan variabel parametrik. Variabel

parametrik adalah variabel rata‐rata lama pemberian ASI eksklusif (x₈)

sedangkan sisanya merupaka variabel non parametrik. Model yang lebih baik digunakan untuk menganalisa data jumlah kematian bayi di tiap Kabupaten/Kota di Propinsi Jawa Timur berdasarkan nilai AIC yang terkecil adalah model GWPRS.

KESIMPULAN

 

DAN

 

SARAN

Saran

Model

 

GWPRS yang

 

mampu

 

menerangkan

 

karakteristik

 

lokal

 

akan

 

di

k

i i

i

di d

i

l k

sangat

 

tepat

 

digunakan

 

saat

 

ini

 

mengingat

 

di

 

Indonesia

 

pelaksanaan

 

otonomi

 

daerah

 

telah

 

dilakukan.

 

Dalam

 

penelitian

 

lebih

 

lanjut

 

mengenai

g

 

jumlah

j

 

kematian

 

bayi

y

 

di

 

Propinsi

p

 

Jawa

 

Timur,

,

 

hendaknya

y

 

sampel

 

yang

 

digunakan

 

sampai

 

ke

 

level

 

yang

 

lebih

 

kecil,

 

misal

 

kecamatan

 

dan

 

kelurahan

 

sehingga

 

mampu

 

mempertajam

 

analisis

 

i l

D

i b l

i b l

di

k

h

d k

spasialnya.

 

Dan

 

variabel

‐

variabel

 

yang

 

digunakan

 

hendaknya

 

memasukkan

 

unsur

 

sosial

 

budaya

 

yang

 

bersifat

 

lokal,

 

sehingga

 

hasil

 

akhir

 

analisis

 

diharapkan

p

 

mampu

p

 

menerangkan

g

 

kondisi

 

lokal

 

di

 

DAFTAR

 

PUSTAKA

Badan Pusat Statistika. 2009. Angka Kematian Bayi, Data Statistik Indonesia. http://g y , p //‐ www.datastatistik‐indonesia.com. [2 Februari 2010].

Cameron, A.C, dan Trivedi, P.K. 1998. Regression Analysis of Count Data. Cambridge: CambCambridge University Press.

Hocking, R. 1996. Methods and Application of Linier Models. John Willey & Sons, New York.

Kleinbaum, D.G., Kupper, L.L., dan Muller, K.E. 1988. Applied Regression Analysis and

Other Multivariate Methods, second edition. Boston: PWS‐KENT Publishing

Company.

Myers, R.H. 1990. Classical and Modern Regression with Applications, second edition. B PWS KENT P bli hi C

Boston: PWS‐KENT Publishing Company.

Nakaya T, Fotheringham AS, dan Brudson C. Geographically Weighted Poisson Regression For Disease Association Mapping. Journal of Statistics in Medicine 2005 24 2695 2717

TERIMA KASIH

TERIMA KASIH