Faktor yang Mempengaruhi Kematian Ibu Hamil di Jawa Timur ... · • kondisi sosial budaya •...

Jurusan Statistika ITS: Institut Teknologi Sepuluh Nopember

| Rifki Aristia-1311.105.009 | | [email protected] | Pembimbing : Ir. Mutiah Salamah, M. Kes

Juli 3, 2013

Faktor yang Mempengaruhi Kematian Ibu Hamil di Jawa Timur Dengan Menggunakan Metode

Geographically Weighted Poisson Regression

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

2

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 kehamilannya) 3

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

4

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

5

6

Regresi Poisson Digunakan untuk menganalisis data diskrit(count), dimana variabel

respon dari data berdistribusi Poisson dengan parameter

( ) nixTii ,...2,1,exp == βµ

)(~ ii poissony µ

Untuk penaksiran parameter menggunakan Metode Maximum Likelihood (MLE)

∑ ∑ ∑= = =

+−=n

1i

n

1i

n

1iii )!ln(y-)(y)exp()L(ln βxβxβ T

iT

i

Metode iterasi Newton-Raphson

7

Pengujian Parameter Regresi Poisson Serentak Parsial

0β:H j0 =0β:H j1 ≠

0βββ:H n210 ====

Minimal ada satu :H1 0β j ≠

Statistik Uji:

Tolak 0H jika 𝐺ℎ𝑖𝑖𝑖𝑖𝑖2 > 𝒳(𝛼,𝑖)2

𝐺2 = 2(𝑙𝑙𝑙 𝛺 − 𝑙𝑙𝑙 𝜔 ) )ˆ(

ˆ

j

j

sez

ββ

=

)2α1;p(nhitung zz

−−>

7

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 ii

= ∑

=

k

0jijiiji )xv,(uβexpμ

Titik pengamatan dengan koordinat lintang ui dan koordinat bujur vi

GWPR

8

9

Penaksiran Parameter GWPR dengan Metode MLE

!y)exp(ln

!y)exp(ln))v,u(L(βln

i

yii

n

1i

n

1i i

yii

ii

ii µµ−=

µµ−= ∑∏

==

Selanjutnya digunakan prosedur iterasi numeric Newton Rhapson Iteratively Reweighted Least Square (IRLS) sampai konvergen

Pengujian Kesesuaian Model GWPR k,2,1,0j;n,2,1i;))vu((:H ji,ij0 ==β=β

ji,ij1 ))vu((:H β≠β

Statistik Uji:

Devians = ))ˆ(Lln)ˆ(L(ln2)ˆ(D ω−Ω=β

Tolak 0H jika

)df,df,(hit BAFF α>

εγγ ≤−+ )()1( mm , dimana ε merupakan bilangan yang sangat kecil.

9 B

Ahit

dfdel BDevians Mo

dfdel ADevians Mo

F =

0)vu()vu()vu()vu(:H p,pp3,332,221,110 =β==β=β=β

:H1 Minimal ada satu 0)v,u( jjj ≠β

Tolak 0H jika 2)p;()ˆ(D αχ>β

Statistik Uji: ))ˆ(Lln)ˆ(L(ln2)ˆ(D ω−Ω=β

( )( )ii0i

n

1i i

yii v,uêxpˆ;

!yˆ)êxp()ˆ(L

i

β=µµµ−

=ω ∏=

( )

β=µ

µµ−=Ω ∑∏

==

p

0jijiiji

n

1i i

yii xv,uêxpˆ;

!y)exp()ˆ(L

i

Serentak

Pengujian Parameter GWPR

10

11

Pengujian Parameter GWPR

Parsial

0)v,u(:H iij0 =β0)v,u(:H iij1 ≠β

Statistik Uji: )),(ˆ(),(ˆ

iij

iij

vusevu

zββ

=

Tolak 0H jika )2;1( α−−>

knhitung zz

Bandwith dan Pembobot Optimum Metode yang digunakan untuk memilih bandwidth optimum adalah Cross Validation (CV):

( )∑=

≠−=n

iii syysCV

1

2)(ˆ)(

Bobot yang digunakan untuk masing-masing lokasi pengamatan adalah fungsi fixed gaussian kernel.

−=

2

exp),(gd

vuw ijiij

11

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

iiiiiiiiii )G),v,u(yy(y/)G),v,u((ylogy)G(D

12

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)

X1 Presentase Ibu hamil melaksanakan program K1 (akses pelayanan ibu hamil)

X6 Persentase bidan di setiap Kabupaten / Kota di Jawa Timur

X2 Persentase persalinan dibantu oleh tenaga non kesehatan tiap Kabupaten / Kota

X7 Persentase sarana kesehatan

X3 Persentase ibu hamil yang mendapatkan tablet Fe1

X8 Persentase penduduk miskin

X4 Persentase ibu hamil berisiko tinggi/komplikasi yang ditangani

X9 Persentase pelayanan kesehatan ibu nifas

X5 Persentase rumah tangga berperilaku hidup bersih sehat

13

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

Metode Analisis Data

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


(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


Catatan: (i) Variabel X8 (j) Variabel X9

(i) Presentase penduduk miskin

(j) Presentase pelayanan kesehatan ibu nifas

17

Regresi Poisson Pemeriksaan Multikolinieritas

18

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

VIF 1,483 3 1,641 1,089 1,377 1,264 1,222 1,924 2,192

Regresi Poisson Pengujian Secara Serentak

2)9;05.0(χ sebesar 16,919

Didapatkan nilai devians )ˆ(βD sebesar 172,86

Jadi keputusannya tolak H0 artinya bahwa minimal terdapat salah satu parameter yang berpengaruh secara signifikan terhadap model.

0: 987543210 ======== ββββββββH

19

:1H paling tidak ada salah satu 0≠jβ

Regresi Poisson Pengujian Secara Parsial

0:0 =jH β 0:1 ≠jH β

( )876521 17,0142,015,0278,0159,0117,0741,2expˆ XXXXXX +−−++−=µ ( ) ( )876521 17,0142,015,0278,0159,0117,0741,2ˆln XXXXXX +−−++−=µ 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.

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

21


No Kab/Kota Jarak Euclid pembobot No Kab/Kota Jarak

Euclid Gaussian No Kab/Kota Jarak

Euclid pembobot

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

22


Pengujian Kesesuaian Model GWPR

:0H jiij vu ββ =)( , 13,...,1,0=j

F-hitung sebesar 0,82, 392,2)13;28;05.0( =F

dapat disimpulkan gagal tolak H0, 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 jiij vu ββ ≠)( ,


Pengujian Parameter Model GWPR

keputusannya yaitu tolak H0 artinya bahwa minimal terdapat salah satu parameter yang berpengaruh secara signifikan terhadap model.

:0H 0)()()()( 13,13133,332,221,11 ===== vuvuvuvu ββββ

:1H paling tidak ada salah satu 0),( ≠jjj vuβ

Didapatkan nilai devians )ˆ(βD sebesar 98,35 2)9;05.0(χ sebesar 16,919

• Secara Serentak

24

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


( )953 296,0212,0389,0497,2expˆ XXXi −++=µ

( ) 953 296,0212,0389,0497,2ˆln XXXi −++=µ

25

• Secara Parsial di Kabupaten Pacitan

Variabel yang signifikan di setiap Kabupaten/Kota


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) 13 Pasuruan X(5),X(6),X(7),X(8) 25 Lumajang X(1),X(5),X(6),X(7),X(8) 26

Secara ringkas terdapat 11 pengelompokan Kabupaten/Kota.


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 4.Persentase pelayanan kesehatan ibu nifas

Secara ringkas Pengelompokan Kabupaten/Kota (Lanjutan).


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 5.Persentase penduduk miskin

Secara ringkas Pengelompokan Kabupaten/Kota (Lanjutan).


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 5.Persentase pelayanan kesehatan ibu nifas

30 30

Persebaran Variabel yang Signifikan

30

Perbandingan Model Regresi Poisson dengan Model GWPR


Model AIC Regresi Poisson 192,86 GWPR 140,81

model GWPR lebih tepat digunakan dalam analisis jumlah kematian ibu hamil di Jawa Timur

31

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

1.


• 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

2.


• 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.

Saran 34

Terima Kasih :)

36

Kernel AIC

Fix Gaussian 140.8124

Fix Bi-square 146.9054

Faktor yang Mempengaruhi Kematian Ibu Hamil di Jawa Timur ... · • kondisi sosial budaya •...

Documents

Transcript of Faktor yang Mempengaruhi Kematian Ibu Hamil di Jawa Timur ... · • kondisi sosial budaya •...