PEMODELAN REGRESI SPLINE UNTUK RATA- RATA BANYAK ANAK YANG DILAHIRKAN HIDUP DI KOTA SURABAYA, KABUPATEN SITUBONDO DAN KABUPATEN BANGKALAN
Oleh : Servianie Purnamasari (1310 030 079) Dosen Pembimbing : Prof. Dr. Drs. I Nyoman Budiantara, M.Si Dosen Penguji : Dr. Dra Ismaini Zain, M.Si Dr. Vita Ratnasari, M.Si SIDANG LAPORAN TUGAS AKHIR
BAB I
PENDAHULUAN
2
Latar Belakang
Kelahiran (Fertilitas)
Kematian (mortalitas) Perpindahan Penduduk
(Suhermanto, 2012)
3
Latar Belakang
(TUTORIALTO.COM, 2012)
Jumlah Penduduk Indonesia
tahun 2010 : 237.556.363 jiwa
tahun 2011 : sekitar 240 juta jiwa
Tahun 2012 : 257.516.167 jiwa
LEDAKAN PENDUDUK : -Lingkungan -Sosial
-Kesehatan 1. Transmigrasi
2. Keluarga Berencana (KB)
4
Berjalan Lancar atau Tidak
Data rata-rata anak lahir hidup per perempuan usia
15-49 tahun di tiga
kabupaten atau kota di Jawa Timur yaitu kota Surabaya,
kabupaten Situbondo dan kabupaten Bangkalan pada
tahun 2011
Statistika deskriptif Regresi Spline
Latar Belakang
5
6
Wibowo (2010)
Analisis Pemilihan Cara Kontrasepsi Dalam Upaya Pelaksanaan Program Keluarga Berencana Di Jawa Timur Dengan Pemodelan
Regresi Logistik Multinomial
Sulistyorini dan Melanian
(2007)
Perbandingan Metode Brass dengan Metode Trussel Dalam Menghasilkan Angka Harapan
Hidup
Dwimayanti (2006)
Aplikasi Regresi Spline Untuk Memperkirakan Tingkat Fertilitas Berdasarkan Rata-Rata
Paritas
Latar Belakang
Permasalahan Penelitian :
Bagaimana karakteristik dan pemodelan regresi Spline untuk rata- rata banyak anak lahir hidup di kabupaten dan kota di Jawa Timur, yaitu kota Surabaya, kabupaten Situbondo dan kabupaten
Bangkalan ?
Tujuan Penelitian :
Mengidentifikasi karakteristik dan memodelkan rata-rata banyak anak lahir hidup di kabupaten dan kota di Jawa Timur, yaitu kota Surabaya, kabupaten Situbondo dan kabupaten Bangkalan
dengan menggunakan regresi Spline.
Tujuan Penelitian Permasalahan
Penelitian
7
1. Bagi Peneliti :
Menerapkan teori statistika dan mengembangkan kemampuan peneliti dalam melakukan penelitian.
2. Bagi Pemerintah :
Mampu memberikan informasi sekaligus masukan kepada
pemerintah dan pihak BKKBN tentang keberhasilan atau tidaknya program keluarga berencana (KB) yang sudah dijalankan di Jawa
Timur yang dilihat dari hasil pemodelan regresi Spline pada rata-rata banyak anak lahir hidup per perempuan usia 15-49 tahun
Manfaat Penelitian
8
9
1
•Data rata-rata banyak anak lahir hidup di Jawa Timur, yang digunakan : kota Surabaya, kabupaten Situbondo, dan
Kabupaten Bangkalan
2
•Kota Surabaya mewakili kabupaten atau kota yang rata-rata banyak anak lahir hidup adalah rendah
•kabupaten Situbondo mewakili kabupaten atau kota yang rata-rata banyak anak lahir hidup adalah sedang
•kabupaten Bangkalan mewakili kabupaten atau kota yang rata-rata banyak anak lahir hidup adalah tinggi.
Batasan Masalah Penelitian
BAB II
TINJAUAN PUSTAKA
10
11 Pengumpulan
Data
Penyajian Data
Walpole (1995)
Statistika Deskriptif Tinjauan
Statistika
Dan lain-lain
Budiantara, 2005 : Pendekatan regresi nonparametrik digunakan apabila informasi mengenai bentuk dan pola hubungan antara variabel prediktor dengan variabel respon tidak diketahui
Eubank, 1988 : pola hubungan antara dua variabel atau lebih tidak selalu berpola parametrik seperti linier, kuadratik, kubik dan lainnya tetapi
terdapat banyak kasus dimana pola hubungan antar variabel berpola nonparametrik
Analisis Regresi Nonparametrik Tinjauan
Statistika
12
Regresi Spline adalah regresi dimana fungsi regresi f dihampiri dengan fungsi Spline.
Dengan fungsi truncated (potongan) :
Dengan menggunakan data sebanyak n, maka bentuk persamaan dapat ditulis :
Analisis Regresi
Nonparametrik Analisis Regresi Spline
Bentuk umum Regresi Spline orde m
# dengan :
Tinjauan Statistika
13 Estimator kurva regresi
nonparametrik sangat tergantung pada Knot λ = K1, K2, …Kk. Untuk mendapatkan Spline terbaik, perlu
dipilih titik Knot yang optimal (Budiantara, 2004)
Ukuran kinerja atas estimator tersebut adalah Generalized Cross-Validation (GCV) (Eubank, 1988).
GCV(λ) diharapkan memiliki nilai yang minimum, sehingga didapat model regresi spline terbaik yang berkaitan dengan nilai λ yang optimal.
Analisis Regresi Spline
Pemilihan Regresi Spline
dengan Knot Optimum
Tinjauan Statistika
14 Fungsi GCV
Uji Signifikansi Parameter Serentak
# Hipotesis :
Ho : β0 = β1 =β2...= βj
=
0 H1 : minimal ada satu βj≠
0,j=0,1,2,...,k
# Statistik uji :
F = KT Regresi / KT Error
# Daerah kritis :
tolak H0 jika Fhitung> Ftabel (α;(k,n-k-1))
atau (Pvalue <α)
Uji Signifikansi Parameter Individual
# Hipotesis :
Ho : βj
=
0 (βj tidak berpengaruh signifikan)H1 : βj
≠
0 (βj berpengaruh signifikan)# Statistik Uji :
# Daerah kritis :
tolak H0 jika |thitung|< t(/2, n-k)
Analisis Regresi Spline
Uji
Signifikansi Parameter
Tinjauan Statistika
(Drapper, 1992) 15
Asumsi Identik
Ho : (residual berdistribusi identik)
H1 :
(residual tidak berdistribusi identik)
Statistik Uji :
Daerah kritis : Tolak H0 jika Fhitung
> Ftabel (α;(k,k-m-1)) atau P-value
< α
Asumsi Independen
Cara mendeteksi residual
bersifat independen atau tidak pada penelitian ini
menggunakan cara visual yaitu melalui Autocorrelation
Function (ACF). Apabila nilai residual tidak melebihi batas interval ± (1,96/sqrt(n)), maka residual bersifat
independen
Analisis Regresi Spline
Pemeriksaan Asumsi Residual IIDN
Tinjauan Statistika
(Gujarati, 2006) 16
Asumsi Berdistribusi Normal
Uji kenormalan data juga dapat dilihat dari nilai Dhitung yang diperoleh dari hasil uji Kolmogorov-Smirnov.
Hipotesis :
H0: Residual berdistribusi normal
H1: Residual tidak berdistribusi normal Statistik uji :
Dhit = supx|Fn (x) – F0 (x)|
Daerah penolakan :
Tolak H0, jika nilai Dhitung > Dα atau
Pvalue <α
(residual tidak berdistribusi normal)Analisis Regresi Spline
Pemeriksaan Asumsi Residual IIDN
Tinjauan Statistika
(Drapper, 1992) 17
Anak lahir hidup artinya banyaknya kelahiran hidup dari sekelompok atau beberapa kelompok wanita selama masa reproduksinya.
Cara Perhitungan :
(BPS, 2012)Konsep Anak Lahir Hidup
Tinjauan Non Statistika
18
BAB III
METODOLOGI PENELITIAN
19
Data Sekunder
Variabel Respon (Y) : rata-rata banyak anak yang lahir hidup
Definisi operasional : rata-rata anak lahir hidup didapatkan dari jumlah anak lahir hidup yang dimiliki seorang wanita kawin pada kelompok umur tertentu dibagi jumlah wanita pada kelompok umur tertentu.
Variabel Prediktor (X) :
umur wanita yang terdiri dari beberapa kelompok umur, dimana umur yang diambil adalah nilai tengah dari nilai kelompok umur tersebut
Definisi operasional : kelompok umur ibu yang memiliki anak lahir hidup.
Variabel Penelitian Sumber Data
Rata-rata anak lahir hidup per perempuan (ibu) usia 15 – 49 tahun di Jawa Timur (SUSENAS, 2011)
20
Langkah-langkah dalam metode analisis data sebagai berikut : 1. Analisis Statistika Deskriptif diagram dan grafik
2. Analisis Regresi Nonparametrik Spline
a. Membuat scatterplot antara variabel respon dengan variabel prediktor.
b. Memilih titik knot yang optimal berdasarkan nilai GCV minimum dengan berbagai model Spline (linier,kuadrat, kubik) dengan satu, dua, atau tiga knot
c. Estimasi model dan uji signifikansi parameter secara serentak dan individual
d. Output Nilai Koefisien Determinasi (R2) dan MSE e. Melakukan uji IIDN pada residual
f. Menginterpretasikan model yang diperoleh g. Membuat kesimpulan dan saran
Metode Analisis Data
21
BAB IV
ANALISIS DAN PEMBAHASAN
22
23
Konsep Anak yang masih Hidup
Analisis &
Pembahasan
Kota Surabaya
Kabupaten Situbondo Kabupaten Bangkalan
Spline Knot Titik Knot GCV Minimum R2 Linier
1 38 0.0217173 0,9912
2 17,5 ; 35 0.000133203 0,9999
3 17,5 ; 34,5 ; 39 2.96053 x 10-5 0,9999 Kuadratik
1 25 0.001670864 0,9996
2 26 ; 42 0.000245579 0,9999
3 24 ; 32,5 ; 38 1.14 x 10-6 1
Kubik 1 39 0.007458543 0,9992
24 Analisis Regresi
Spline
Pemilihan Titik Knot
Optimal
Analisis &
Pembahasan
Spline Knot Titik Knot GCV Minimum R2
Linier
1 31 0.003093 0,9982
2 20 ; 32,5 0.002971 0,9991
3 23 ; 34,5 ; 40 3.68 x 10-5 0,9999 Kuadratik
1 42 0.002943 0,9990
2 32 ; 37,5 0.001059 0,9999
3 26 ; 29 ; 38 1.89 x 10-6 0,9999
Kubik 1 39 0.002625 0,9996
Spline Knot Titik Knot GCV Minimum R2
Linier
1 35 0.031553 0,9930
2 25 ; 29 0.003361 0,9996
3 17,5 ; 35,5 ; 38 0.00073 0,9999 Kuadratik
1 22 0.021343 0,9973
2 27 ; 37 7.86 x 10-5 0,9999
3 20 ; 29 ; 7 1.75 x 10-6 1
Kubik 1 39 0.023257 0,9987
Kota Surabaya
Kabupaten Situbondo
Kabupaten Bangkalan
Parsimony Model
Hipotesis :
H0 : β1=β2 = β3 = 0
H1 : Minimal ada satu βj ≠ 0, j=1,2,3
25 Analisis Regresi
Spline
Pengujian Signifikansi
Parameter
Analisis &
Pembahasan
SERENTAK
Statistik Uji :
Kota Surabaya Kabupaten Situbondo Kabupaten Bangkalan
Fhitung > Ftabel (0,1;(3,3)) = 5,39
Tolak H
0Hipotesis :
H0 :βj = 0 (βj tidak signifikan) H1 :βj ≠ 0, j=1,2,3 (βj signifikan)
26 Analisis Regresi
Spline
Pengujian Signifikansi
Parameter
Analisis &
Pembahasan
PARSIAL
Statistik Uji :
Kota Surabaya Kabupaten Situbondo Kabupaten Bangkalan
|thitung| > t (0,1/2,4) = 2,132
Tolak H
027 Analisis Regresi
Spline Estimasi
Model
Analisis &
Pembahasan
Kota Surabaya
Model Spline Kuadratik Satu Titik Knot di Umur Wanita 25 tahun
28
Kabupaten Situbondo
Model Spline Kuadratik Satu Titik Knot di Umur Wanita 42 tahun Analisis Regresi
Spline Estimasi
Model
Analisis &
Pembahasan
29
Kabupaten Bangkalan
Model Spline Kuadratik Satu Titik Knot di Umur Wanita 25 tahun Analisis Regresi
Spline Estimasi
Model
Analisis &
Pembahasan
30
Kabupaten/Kota Model Koefisien Determinasi (R2)
MSE
Surabaya Kuadratik 1 titik knot 0,9996196 0,000716 Situbondo Kuadratik 1 titik knot 0,9990839 0,001261 Bangkalan Kuadratik 1 titik knot 0,9973315 0,009147
> 75%
SANGAT BAIK
Model Spline yang diperoleh layak digunakan untuk
memodelkan rata-rata anak yang dilahirkan hidup di Kota Surabaya, Kabupaten Situbondo dan Kabupaten Bangkalan
Relatif kecil
Analisis Regresi Spline
Koefisien Determinasi
dan MSE
Analisis &
Pembahasan
Kota Surabaya
Sumber db JK KT F P
Regresi 1 0,0000000 0,0000000 0,00 1,000 Residual Error 5 0,0021483 0,0004297
Total 6 0,0021483
Hipotesis :
H0 : Residual berdistribusi identik
H1 : Residual tidak berdistribusi identik Statistik Uji :
P-value > α = 1,000 > 0,1
IDENTIK
Kabupaten Situbondo
Sumber db JK KT F P
Regresi 1 0,0000000 0,0000000 0,00 1,000 Residual Error 5 0,0037836 0,0007567
Total 6 0,0037836
P-value > α = 1,000 > 0,1 Kabupaten
Bangkalan
Sumber db JK KT F P
Regresi 1 0,0000000 0,0000000 0,00 1,000 Residual Error 5 0,027441 0,005488
Total 6 0,027441
P-value > α = 1,000 > 0,1
31 Analisis Regresi
Spline
Pengujian Asumsi Residual IIDN
Analisis &
Pembahasan
32
6 5
4 3
2 1
1.0 0.8 0.6 0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0
Lag
Autocorrelation
Autocorrelation Function for Surabaya (with 5% significance limits for the autocorrelations)
Kota Surabaya
Kabupaten Situbondo
Kabupaten Bangkalan
6 5
4 3
2 1
1.0 0.8 0.6 0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0
Lag
Autocorrelation
Autocorrelation Function for resiSITUBONDO (with 5% significance limits for the autocorrelations)
INDEPENDEN
6 5
4 3
2 1
1.0 0.8 0.6 0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0
Lag
Autocorrelation
Autocorrelation Function for Bangkalan (with 5% significance limits for the autocorrelations)
Analisis Regresi Spline
Pengujian Asumsi Residual IIDN
Analisis &
Pembahasan
33
Hipotesis :
H0 : Residual berdistribusi normal
H1 : Residual tidak berdistribusi normal Statistik Uji :
NORMAL
0.05 0.04 0.03 0.02 0.01 0.00 -0.01 -0.02 -0.03 -0.04 99
95 90
80 70 60 50 40 30 20
10 5
1
Surabaya
Percent
Mean -1.42857E-11
StDev 0.01892
N 7
KS 0.235
P-Value >0.150
Probability Plot of Surabaya Normal
0.050 0.025
0.000 -0.025
-0.050 -0.075
99
95 90
80 70 60 50 40 30 20
10 5
1
resiSITUBONDO
Percent
Mean -2.65180E-14
StDev 0.02511
N 7
KS 0.137
P-Value >0.150
Probability Plot of resiSITUBONDO Normal
0.2 0.1
0.0 -0.1
-0.2
99
95 90 80 70 60 50 40 30 20 10 5
1
Bangkalan
Percent
Mean -3.55782E-10
StDev 0.06763
N 7
KS 0.214
P-Value >0.150
Probability Plot of Bangkalan Normal
> 0,15 > 0,1 GAGAL TOLAK H0
RESIDUAL BERDISTRIBUSI
NORMAL Analisis Regresi
Spline
Pengujian Asumsi Residual IIDN
Analisis &
Pembahasan
Kesimpulan :
1. Rata-rata anak lahir hidup yang dilahirkan oleh wanita kawin di Kota Surabaya, Kabupaten Situbondo, dan Kabupaten Bangkalan menurut
kelompok umur wanita cenderung meningkat dengan bertambahnya umur dan memiliki pola yang berubah-ubah pada kelompok umur yang berbeda.
2. Model Spline :
a. Kota Surabaya
b. Kabupaten Situbondo
c. Kabupaten Bangkalan
34
Kesimpulan & Saran
Saran :
(i) Variabel prediktor yang digunakan dapat dikembangkan lebih dari satu variabel
prediktor sehingga dapat menjelaskan model lebih baik.
(ii) Dalam pemodelan menggunakan Spline dapat digunakan software yang dalam pemilihan
modelnya diperoleh dengan cara simultan agar hasil yang diperoleh lebih praktis.
35
Kesimpulan & Saran
Daftar Pustaka
36
Daftar Pustaka
37
Sekian & Terima Kasih ^.^
38