PEMODELAN ANGKA KEMATIAN IBU DI INDONESIA DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED POISSON REGRESSION
Keywords: GWPR, Poisson regression, angka kematian ibu, maternal mortality, modeling, pemodelan, regresi Poisson
Abstract
Maternal Mortality Rate (MMR) is one of the important indicators of a country's health development and is one of the targets of achieving Sustainable Development Goals (SDGs). This study aims to develop a model on the relationship of MMR with provincial health development variables using the Geographically Weighted Poisson Regression (GWPR) method; as well as mapping the model to the provincial map. Estimation of model parameters using PODES data for 2011 and the projected health and projection profile of 2010-2013. The obtained model consists of four variables that influence the number of maternal deaths: (1) the ratio of health facilities, (2) the ratio of midwives, (3) the percentage of deliveries assisted by health personnel, and (4) the percentage of pregnant women received Fe tablets. The mapping of the four variables into the provincial map yields three groups of regions with different levels of significance of variables. The AIC value and the GWPR model deviance are lower than Poisson regression, indicated that the AKI model with GWPR is better than Poisson regression.
Angka Kematian Ibu (AKI) merupakan salah satu indikator penting pembangunan kesehatan suatu negara danmenjadi salah satu target pencapaian Sustainable Development Goals (SDGs). Penelitian ini bertujuan menyusun model hubungan AKI dengan variabel-variabel pembangunan kesehatan provinsi menggunakan metode Geographically Weighted Poisson Regression (GWPR) dan memetakan model tersebut kedalam peta provinsi. Estimasi parameter model menggunakan data PODES tahun 2011 dan profil kesehatan dan proyeksi penduduk tahun 2010-2013. Model yang diperoleh terdiri dari empat variabel yang mempengaruhi jumlah kematian ibu yaitu rasio sarana kesehatan, rasio bidan, persentase persalinan ditolong tenaga kesehatan, dan persentase ibu hamil mendapat tablet Fe. Pemetaan empat variabel tersebut ke dalam peta provinsi menghasilkan tiga kelompok wilayah dengan tingkat signifikansi variabel yang berbeda-beda. Nilai AIC dan deviance model GWPR lebih rendah dari regresi Poisson menunjukkan bahwa model AKI dengan GWPR lebih baikdari regresi Poisson.
Downloads
References
Azmi, A. I. (2014). Pemodelan geographically weighted Poisson regression semiparametric pada data kematian ibu tahun 2012 (Studi Kasus di Provinsi Jawa Timur dan Jawa Tengah). Jurusan Matematika FMIPA Universitas Brawijaya.
Badan Pusat Statistik. (2016). Sistem Informasi Rujukan Statistik - View Indikator. Diakses pada 19 Agustus 2016, 17:35 melalui http://sirusa.bps.go.id/index.php?r=indikator/view&id=80
Cameron, A., C., & Trivedi, P., K. (2013). Regression analysis of count data (Second Edition). New York: Cambridge University Press.
Fotheringham, A. S., Brunsdon, C., & Charlton, M. (2002). Geographically weighted regression: the analysis of spatially varying relationships. John Wiley & Sons Inc.
Harahap, H. A. (2015). Geographically Weighted Poisson Regression Untuk Analisis Jumlah Kematian Ibu di Indonesia Tahun 2011. Jakarta: Sekolah Tinggi Ilmu Statistik (Skripsi).
McCullagh, P., & Nelder, J. A. (1989). Generalized linear models (Second Edition). London: Chapman & Hall.
Nakaya, T., Brunsdon, C., Charlton, M., & Fotheringham, A. S. (2005). Geographically weighted Poisson regression for disease association mapping.Statistics in Medicine, 24, 2695-2717. (doi:10.1002/sim.2129).
Neter, J., Wasserman, W., & Kutner, M. H. (1983). Applied Linear Regression Model. Illinois: Richard D. Irwin Inc.
Novita, L., Salamah, M., & Sutikno. (2012). Pemodelan Maternal Mortality di Jawa Timur dengan Pendekatan Geographically Weighted Poisson Regression (GWPR). Diakses pada 19 Agustus 2016, 19:21 melalui http://digilib.its.ac.id/public/ITS-Undergraduate-17952-Paper-438473.pdf.
PBB. (2015). Transforming our world: the 2030 Agenda for Sustainable. PBB.
Qomariyah, N., Purnami, S. W., & Pramono, M. S. (2013). Pemodelan Faktor-Faktor yang Mempengaruhi Jumlah Kematian Ibu di Jatim dengan Pendekatan GWPR (Geographically Weighted Poisson Regression) Ditinjau dari Segi Fasilitas Kesehatan. JURNAL SAINS DAN SENI POMITS, 2337-3520.
Ramadhan, R,F. & Kurniawan, R. (2016). Pemodelan Data Kematian Bayi dengan Geographically Weighted Negative Binomial Regression. Media Statistika, Vol. 9. No. 2, 95-106.
Rogerson, P. (2001). Statistical methods for geography. Sage.
Saefuddin, A., Saepudin, D., & Kusumaningrum, D. (2013). Geographically Weighted Poisson Regression (GWPR) for Analyzing The Malnutrition Data in Java-Indonesia. ERSA conference papers. Vienna: European Regional Science Association.
Yasin, H. (2011). Pemilihan Variabel Pada Model Geographically Weighted Regression. Media Statistika Vol. 4 No. 2, 63-72.