kematian wanita saat melahirkan dan saat 42 hari setelah...

Distribusi Poisson

Regresi Poisson

Kematian Bayi

Kematian Ibu VIF

29

Kematian wanita saat melahirkan dan saat 42 hari setelah melahirkan bukan dikarenakan kecelakaan

1 Pendaharan terberat pada masa nifas

Tablet penambah darah

Program pemerintah

Tablet Fe 3

Regresi Bivariat Poisson Dalam Pemodelan Jumlah Kematian Bayi Dan Jumlah Kematian Ibu Di Jawa Timur

Distribusi Poisson

Regresi Poisson

Kematian Bayi

Kematian Ibu VIF

30

gagal ginjal, kejang, dan koma saat kehamilan atau pasca melahirkan

malaria, tuberkulosis, dan hepatitis 3

2

Pelayanan kesehatan bumil Program K4

Program pemerintah Hidup

Bersih &Sehat


31

Sumber Data

Variabel Penelitian

Metode Analisis

Metode Analisis

Profil Kesehatan Jawa Timur

Data sekunder tahun 2011 Unit penelitian : Kabupaten/kota di Jawa Timur

(38 kabupaten/kota)

Sumber data


32

Sumber Data

Variabel Penelitian

Struktur Data

Metode Analisis

Kode Variabel Tipe Variabel

Y1 Jumlah kematian bayi Diskrit Y2 Jumlah kematian ibu Diskrit X1 Persentase persalinan oleh tenaga kesehatan Kontinu

X2 Persentase tenaga kesehatan Kontinu X3 Persentase ibu hamil beresiko tinggi ditangani Kontinu X4 Persentase ibu hamil melaksanakan program K4 Kontinu X5 Persentase ibu hamil mendapatkan tablet Fe3 Kontinu

X6 Persentase rumah tangga berperilaku hidup bersih dan sehat

Kontinu


33

Sumber Data

Variabel Penelitian

Struktur Data

Metode Analisis

Kab/Kota Y1 Y2 X1 X2 … X5 X6

1 y11 y21 x11 x21 … x51 x61

2 y12 y22 x12 x22 … x52 x62

3 y13 y23 x13 x23 … x53 x63

4 y14 y24 x14 x24 … x54 x64

5 y15 y25 x15 x25 … x55 x65

: : : : : : : :

36 y136 y236 x136 x236 … x536 x636

37 y137 y237 x137 x237 … x537 x637

38 y138 y238 x138 x238 … x538 x638


34

Sumber Data

Variabel Penelitian

Metode Analisis

Struktur Data

Mendapatkan data

Mendeskripsikan data menggunakan statistika deskriptif

Membuat matriks korelasi

Uji multikolinieritas variabel prediktor

Pemodelan jumlah kematian bayi dan jumlah kematian ibu dengan

regresi univariat poisson

Pemodelan jumlah kematian bayi dan jumlah kematian ibu dengan regresi bivariat poisson

Penaksiran parameter

Pengujian signifikansi parameter secara serentak dan parsial

Menarik kesimpulan

Memperoleh model


35

Jumlah

Kematian Bayi Jumlah

Kematian Ibu Jumlah

Kematian Bayi 1 0,842

Jumlah Kematian Ibu

0,842 1

Berkorelasi


36

Variabel Mean Variance y1 160,5 11890,4


37

Variabel Mean Variance

y2 12,79 73,52


38

Variabel Mean Variance Minimum Maximum Jumlah Kematian Bayi (y1) 160,5 11890,4 23,0 465,0 Jumlah Kematian Ibu (y2) 12,79 73,52 1,00 40,00 %Persalinan oleh Tenaga Kesehatan (x1)

0,1842 0,0254 0,0503 0,7427

% Tenaga Kesehatan (x2) 0,1842 0,0254 0,0503 0,7427 %Bumil Risti Ditangani (x3) 79,23 224,49 53,51 98,77 %Bumil K4 (x4) 88,711 26,372 74,003 99,800 %Bumil Fe3 (x5) 84,82 75,25 50,35 98,57 % RT Ber-PHBS (x6) 37,79 185,49 7,00 65,66


39

No Variabel VIF

1 x1 1,377410

2 x2 1,623377

3 x3 1,142857

4 x4 1,858736

5 x5 1,246883

6 x6 1,1415525

VIF < 10

Tidak terjadi Multiko


40

Variabel Estimasi Standard Error Z Hitung Intercept 6,38763 0,479419 13,324*

x1 -0,01466 0,005804 -2,526* x2 -2,81162 0,138411 -20,314* x3 0,01127 0,000961 11,722* x4 -0,03710 0,003622 -10,244* x5 0,02841 0,002065 13,760* x6 0,01282 0,000954 13,324*

Signifikan Alfa 10%

Tolak H0 Pada Uji Serentak


41

AIC = 1745,3

Jika persentase persalinan oleh tenaga kesehatan (X1) meningkat 1% Menurunkan rata-rata jumlah kematian bayi sebesar exp(-0,01466)

*bila variabel lain tidak dilibatkan dalam model


42


x1 -0,06720 0,01973 -3,405* x2 -3,42287 0,51841 -6,603* x3 -0,00053 0,00331 -0,159 x4 -0,00329 0,01197 -0,275 x5 0,01439 0,00703 2,048* x6 0,01772 0,00341 5,198*

Signifikan Alfa 10%



43

AIC = 274,08

Jika persentase tenaga kesehatan (X2) meningkat 1%

Menurunkan rata-rata jumlah kematian ibu sebesar exp(– 3,42287) *bila variabel lain tidak dilibatkan dalam model

Regresi Bivariat Poisson Dalam Pemodelan

Jumlah Kematian Bayi Dan Jumlah Kematian Ibu Di Jawa Timur

44

Kematian Bayi

Variabel Estimasi Standard Error Z Hitung

Intercept 6,143069 0,519652 11,8215*

x1 -0,012540 0,000231 -54,267*

x2 -2,846196 0,003059 -930,451* x3 0,011711 0,006085 1,924631* x4 -0,039320 0,152765 -0,25739 x5 0,030073 0,001269 23,70756* x6 0.013245 0.003486 3.799967*

Kematian Ibu

Variabel Estimasi Standard Error Z Hitung Intercept 7,222303 133,0901 0,054266

x1 -0,090328 0,026709 -3,38202* x2 -6,146584 0,391715 -15,6915* x3 -0,003896 1,258516 -0,0031 x4 -0,002374 73,1113 -0,000032

x5 0,035904 0,235406 0,152521

x6 0,036182 0,57293 0,063153 λ0 = 7,2534


*signifikan dalam model

Signifikan Alfa 10%


45

Jumlah Kematian Bayi

Variabel Estimasi Standard Error Z Hitung

Intercept 6,59415394 0,484706 13,60445*

x1 -0,0117707 0,004986 -2,36072* x2 -2,72585524 0,138747 -19,6463*

Jumlah Kematian Ibu


x1 -0,05114828 0,034813 -1,46923 x2 -5,74730148 3,316028 -1,73319*

Variabel Estimasi Standard Error Z Hitung λ0 7,066086708 0,396289 17,83065*


Hasil pemodelan kembali dengan hanya melibatkan variabel Dimana variabel tersebut dari hasil sebelumnya signifikan pada kedua model

*signifikan dalam model

Signifikan Alfa 10%


46

λ0 = 7,066

Jika persentase persalinan oleh tenaga kesehatan (X1) meningkat 1% Menurunkan rata-rata jumlah kematian bayi sebesar exp(-0,0117707)


λ1 * = exp(6,59415394 – 0,0117707 X1 – 2,72585524 X2)


47

AIC = 2597,114

λ2 * =exp(7,46420062 - 0,05114828 X1 – 5,74730148 X2)

Jika persentase tenaga kesehatan (X2) meningkat 1% Menurunkan rata-rata jumlah kematian ibu sebesar exp(-5,74730148)




Rata-rata jumlah kematian bayi di Jawa Timur mencapai 161 jumlah kematian dari 38 kabupaten/kota dengan kasus terbesar berjumlah 465 kematian yang terjadi di Kota Surabaya. Rata-rata jumlah kematian ibu sebesar 13 jumlah kematian dengan catatan kejadian terendah terjadi di Kota Mojokerto yaitu tercatat sebesar 1 kasus kematian.

48

1


Semua variabel berpengaruh signifikan pada regresi univariat poisson jumlah kematian bayi, yaitu persentase persalinan oleh tenaga kesehatan (X1), persentase tenaga kesehatan (X2), persentase ibu hamil beresiko tinggi ditangani (X3), persentase ibu hamil melaksanakan program K4 (X4), persentase ibu hamil mendapat tablet Fe3 (X5) dan persentase rumah tangga ber-PHBS (X6).

• Model univariat poisson yang didapatkan tersebut memiliki nilai AIC sebesar 1745,3

49

2


(Lanjutan)

Pada kasus jumlah kematian ibu variabel yang signifikan dalam model adalah persentase persalinan oleh tenaga kesehatan (X1), persentase tenaga kesehatan (X2), persentase ibu hamil mendapat tablet Fe3 (X5) dan persentase rumah tangga ber-PHBS (X6)

• Model univariat poisson yang didapatkan tersebut memiliki

nilai AIC sebesar 274,08

50

2


Model bivariat poisson yang terbentuk untuk jumlah kematian bayi adalah

Pada model yang terbentuk untuk kasus jumlah kematian bayi variabel persentase persalinan oleh tenaga kesehatan dan persentase tenaga kesehatan signifikan dalam model & dapat menurunkan jumlah kematian bayi .

Model bivariat poisson yang terbentuk untuk jumlah kematian ibu

adalah Variabel signifikan dan dapat menurunkan jumlah kematian ibu

adalah persentase tenaga kesehatan (X2) • Nilai AIC dari model bivariat poisson sebesar 2597,114

51

3 λ1 * = exp(6,59415394 – 0,0117707 X1 – 2,72585524 X2)

λ2 * =exp(7,46420062 - 0,05114828 X1 – 5,74730148 X2)


Mengembangkannya metode bivariat poisson yang dapat mengatasi apabila terjadi overdispersi karena model yang terbentuk akan semakin baik

52

1

Meningkatkan jumlah tenaga medis Menurunkan persalinan dengan tenaga non medis

2

Regresi Bivariat Poisson Dalam Pemodelan Jumlah Kematian Bayi Dan Jumlah Kematian Ibu Di Jawa Timur 53

Aditie, N. B. 2011. Spatial Durbin Model untuk Mengidentifikasi Faktor- Faktor yang Mempengaruhi Angka Kematian Bayi di Jawa Timur. Tugas Akhir Statistika-FMIPA. Surabaya : Institut Teknologi Sepuluh Nopember. Badan Pusat Statistik. 2009. Angka Kematian Bayi, Data Statistik Indonesia. http://www.datastatistik-indonesia.com. [diunduh pada tanggal 28 januari 2013]. Cameron,A.C. dan Trivedi, P.K. 1998. Regression Analysis of Count Data. USA: Cambridge University Press. Darnah. 2009. Pendekatan Ukuran R2 Devians Pada Model Regresi Poisson (Aplikasi Pada Data Maternal Mortality di Jawa Timur). Surabaya: Program Pasca Sarjana, Institut Teknologi Sepuluh Nopember. Departemen Kesehatan Republik Indonesia. 2011. Profil Data Kesehatan

Republik Indonesia2011. http://www.depkes.go.id/downloads/PROFILDATA_KESEHATAN_INDONESIA_TAHUN_2011.pdf. [ diunduh pada tanggal 28 Januari 2013].

Dinas Kesehatan Propinsi Jawa Timur. 2008. Profil Kesehatan Provinsi Jawa Timur. Surabaya : Dinkes Jatim.

http://www.depkes.go.id/downloads/PROFILDATA_KESEHATAN_INDONESIA_TAHUN_2011.pdf

http://www.depkes.go.id/downloads/PROFILDATA_KESEHATAN_INDONESIA_TAHUN_2011.pdf

Regresi Bivariat Poisson Dalam Pemodelan Jumlah Kematian Bayi Dan Jumlah Kematian Ibu Di Jawa Timur 54

Draper, N. dan Smith, H. 1992. Analisis Regresi Terapan. Jakarta : Gramedia. Gujarati, D. N. 2004. Basic Econometrics, fourth edition. New York : The McGraw-Hill. Hocking, R. 1996. Methods and Application of Linier Models, John Wiley and Sons, Inc., New York. Karlis, Dimitri. 2002. Multivariate Poisson Models. http://www.stat-

athens.aueb.gr/~karlis/multivariate%20Poisson%20models.pdf. [diunduh pada tanggal 04 Maret 2013]

Karlis, D. dan Ntzoufras, I. 2003. Analysis of Sports Data by Using Bivariate Poisson Models. Journal The Statistician. 381-393. Karlis, D. dan Ntzoufras, I. 2005. Bivariate Poisson and Diagonal Inflated Bivariate Poisson Regression Models in R. Journal of Statistical Software , 1-36. Kleinbaum, D. E. 1988. Aplied Regression Analysis and other Multivariate Methods. USA: PWS-KENT Publishing Company. Listiani, Yayuk. 2010. Pemodelan Regresi Generalized Poisson Pada Faktor-

Faktor yang Mempengaruhi Angka Kematian Bayi Di Jawa Timur Tahun 2007. Tugas Akhir Statistika-FMIPA. Surabaya : Institut Teknologi Sepuluh Nopember.

http://www.stat-athens.aueb.gr/~karlis/multivariate Poisson models.pdf



Pemodelan Jumlah Kematian Bayi Dan Kematian Ibu Di Jawa Timur Dengan Pendekatan Regresi Bivariat Poisson 55

Myers, R. H. 1990. Classical and Modern Regression with Applications, second edition. Boston: PWS-KENT Publishing Company. Novita, Laili. 2012. Pemodelan Maternal Mortality di Jawa Timur dengan Pendekatan Geographically Weighted Poisson Regression (GWPR). Tugas Akhir Statistika- FMIPA. Surabaya : Institut Teknologi Sepuluh Nopember. Pertiwi, L. D. 2012. Spatial Durbin Model Untuk Mengidentifikasi Faktor- Faktor Yang Mempengaruhi Kematian Ibu Di Jawa Timur. Tugas Akhir Statistika-FMIPA. Surabaya : Institut Teknologi Sepuluh Nopember. Rani, D. P. 2010. Pemodelan Jumlah Kematian Bayi di Propinsi jawa Timur

dengan Pendekatan Geographically Weighted Poisson Regression Semiparametric (GWPRS). Tugas Akhir Statistika-FMIPA. Surabaya : Institut Teknologi Sepuluh Nopember.

Walpole, R. E. 1992. Pengantar Statistika, edisi Ketiga. Jakarta : Gramedia Pustaka Utama. Winarno, Deddy. 2009. Analisis Angka Kematian Bayi di Jawa Timur dengan

Pendekatan Model Regresi Spasial. Surabaya: Program Pasca Sarjana, Institut Teknologi Sepuluh Nopember.

REGRESI BIVARIAT POISSON DALAM

PEMODELAN JUMLAH KEMATIAN BAYI DAN JUMLAH KEMATIAN IBU DI JAWA TIMUR

Seminar Hasil Tugas Akhir

Selasa, 02 Juli 2013

ELVIRA PRITASARI (1309100028)

Pembimbing : Dr. Purhadi, M.Sc

Jurusan Statistika Fakultas Matematika dan Ilmu Pengetahuan Alam

Institut Teknologi Sepuluh Nopember

kematian wanita saat melahirkan dan saat 42 hari setelah...

Documents