ANALISIS REGRESI MULTIVARIAT

BERDASARKAN FAKTOR-FAKTOR YANG

MEMPENGARUHI DERAJAT KESEHATAN
DI PROVINSI JAWA TIMUR
Rosy Riskiyanti
1308.100.508
Dosen Pembimbing
Ir. Sri Pingit Wulandari, M.Si
Latar Belakang
Aspek
Kesejahteraan
MDGs
Visi Indonesia
Sehat 2010
Tolak Ukur
keberhasilan
Pembangunan
Bahan Evaluasi pembangunan
khususnya bidang kesehatan dan
menyusun rencana kerja di
bidang kesehatan
Permasalahan
Bagaimana gambaran kesehatan masyarakat di setiap
kabupaten/kota berdasarkan faktor-faktor derajat
kesehatan di Provinsi Jawa Timur?
Faktor-faktor apa saja yang mempengaruhi angka
kematian bayi, angka harapan hidup, dan status gizi
buruk di Provinsi Jawa Timur?
Tujuan
Mengetahui gambaran kesehatan masyarakat di setiap
kabupaten/kota berdasarkan derajat kesehatan di
Provinsi Jawa Timur
Menentukan faktor-faktor apa saja yang
mempengaruhi angka kematian bayi, angka harapan
hidup, dan status gizi buruk di Provinsi Jawa Timur
Batasan Masalah
Data yang digunakan adalah merupakan data sekunder dari Badan
Pusat Statistik (BPS) tahun 2007. Dan hasil kesimpulan penelitian ini
terbatas pada hubungan antara variabel angka kematian bayi, angka
harapan hidup, dan status gizi buruk dengan indikator derajat kesehatan
Manfaat
Penelitian ini diharapkan dapat memberi masukan dan sekaligus
bahan pertimbangan bagi pihak pemerintah khususnya Badan
Perencanaan Pembangunan Daerah (Bapedda) dan Dinas Kesehatan
Provinsi Jawa Timur dalam merencanakan pembangunan, khususnya
dalam bidang kesehatan. Dan juga sebagai bahan informasi bagi pihak-
pihak yang membutuhkan
Penelitian Terdahulu
Pramasita (2005) Faktor-faktor yang Mempengaruhi Angka
Kematian Bayi di Wilayah Jawa Timur Tahun 2002.
Purwaningsih (2006) Analisis Pengelompokan Wilayah Jawa
Timur Berdasarkan Indikator-indikator Derajat Kesehatan
Masyarakat
Talangko (2009) Pemodelan Persamaan Struktural dengan
Maximum Likelihood dan Bootstrap pada Derajat
Kesehatan Di Provinsi Sulawesi Selatan
Analisis Regresi Multivariat
Model regresi multivariat adalah model regresi dengan
lebih dari satu variabel respon yang saling berkorelasi dan satu
atau lebih variabel prediktor (Johnson dan Wichern, 1998;
Rencher, 2002).
Model regresi multivariat yang terdiri dari q model linear
secara simultan dapat ditunjukkan dalam bentuk persamaan
berikut ini:
Koefisien Korelasi
Koefisien korelasi (r
xy
) merupakan suatu ukuran (indikator)
hubungan liniear antara 2 variabel, misal variabel X dan Y
(Draper, 1992)
Korelasi berkisar antara -1 sampai 1 (-1 r
xy
1). Artinya,
semakin mendekati 1, berarti hubungan antara dua variabel
tersebut semakin erat secara liniear dan juga sebaliknya

= =
=
|
.
|

\
|

|
.
|

\
|

|
.
|

\
|

|
.
|

\
|

=
n
i
n
i
i i
n
i
i i
xy
y y x x
y y x x
r
1 1
2
_
2
_
1
_ _
Pengujian Kebebasan Antar Variabel Respon
Untuk menguji kebebasan antar variabel ini dapar dilakukan uji Bartlett
Sphericity berikut (Morrison, 2005):
Hipotesis :
H
0
: Antar variabel respon bersifat independen
H
1
: Antar variabel respon bersifat dependen
Statistik uji :
Gagal Tolak H
0
jika yang berarti antar variabel bersifat
independen
R
q
n
hitung
ln
6
5 2
1
2
)
`

+
= _
2
) 1 (
2
1
;
2

s
q q
hitung
o
_ _
Kullbacks Information Criterion Corrected
(KICc)
Menurut Hafidi dan Mkhadri (2006) kriteria KICc (Kullbacks Information
Criterion Corrected) merupakan koreksi dari metode KIC dan akan
menghasilkan model terbaik jika digunakan pada sampel kecil untuk
pemilihan model linear multivariat. Hafidi dan Mkhadri (2006) menyatakan
bahwa besarnya KICc adalah :
Kriteria pemilihan model terbaik jika didapatkan nilai KICc terkecil yang
berarti semakin kecil nilai dari KICc maka semakin baik model yang
digunakan
( )
( )
1
1 3

ln


+ + E =
q p n
q p n d
q n KICc ( ) 1 5 , 0 + + = q q qp d
Hubungan Antara Variabel Respon dan Variabel
Prediktor
Pada regresi multivariat, ukuran yang digunakan untuk mengukur
hubungan antara variabel respon dan prediktor adalah Wilks Lambda. Ukuran
dinyatakan dengan rumus sebagai berikut: (Rencher, 2002)
dengan adalah nilai Wilks lambda
Nilai berada pada interval 0 dan 1. Semakin mendekati 1 berarti
hubungan antara variabel respon dan variabel prediktor semakin erat. Dengan
kata lain nilai menyatakan prosentase dari variabel respon yang dapat
dijelaskan oleh variabel prediktor
A =
A
1
2
q
2
A
q
2
A
q
Uji Hipotesis
Pengujian ini dilakukan untuk menguji apakah secara keseluruhan
parameter tidak sama dengan nol. Hipotesis yang digunakan adalah sebagai
berikut: (Rencher, 2002)
Statistik uji yang digunakan adalah Wilks Lamda
Dimana adalah vektor rata-rata dari matriks Y
H
0
ditolak jika Nilai adalah nilai tabel ktitis
untuk Wilks Lambda.
y
1 , , ,
A s A
p n p q hitung o
1 , , ,
A
p n p q o
0 satu ada sedikit Paling :
0 :
1 1
1 0
=
=
B
B
H
H
T
y y n

=
+
= A
Y Y
Y X B Y Y
H E
E
T
T T T

Uji Asumsi Residual Identik
Untuk menguji syarat ini dapat dipergunakan statistik uji Boxs M.
Hipotesis
H
0
:
H
1
: Minimal ada satu untuk
Statistik uji :
Terima hipotesis nol jika yang berarti matriks varians-
kovarians bersifat homogen
j i =
= E = = E = E
k
...
2 1
j i
E = E
M c u ln ) 1 ( 2
1
=
pool
k
i
i
k
i
i i
v v M S S ln
2
1
ln
2
1
ln
1 1
|
.
|

\
|
=

= =
(

+
+
(
(
(
(

=
=
) 1 )( 1 ( 6
1 3 2 1 1
2
1
1
1
k p
p p
v
v
c
k
i
k
i
i
i 1 =
i i
n v
2
) 1 ( ) 1 (
2
1
; +
s
p p k
u
o
_
Uji Asumsi Residual Independen
Untuk menguji syarat ini dapat dipergunakan statistik uji Bartlett Sphericity
Hipotesis
H
0
: Residual bersifat independent
H
1
: Residual bersifat dependent
Statistik uji :
Gagal Tolak H
0
jika yang berarti antar residual bersifat
independen
R
q
n
hitung
ln
6
5 2
1
2
)
`

+
= _
2
) 1 (
2
1
;
2

s
q q
hitung
o
_ _
Uji Asumsi Residual Distribusi Normal
Pemeriksaan distribusi normal multivariat dapat dilakukan
dengan cara membuat q-q plot dari nilai (Johnson & Wichern,
2007).
Hipotesis yang digunakan adalah sebagai berikut.
H
0
: Residual berdistribusi normal multivariat
H
1
: Residual tidak berdistribusi normal multivariat
Statistik Uji:
Kesimpulan adalah gagal tolak H
0
atau data dikatakan
berdistribusi normal multivariat jika ada sejumlah data yang
memiliki nilai lebih dari 50%
2
i
d
( ) ( ) n i S d
i
T
i i
1,2,..., ,
1 2
= =


2
5 , 0 ,
2
p i
d _ s
Angka Kematian Bayi
Kematian bayi adalah kematian yang terjadi setelah bayi lahir hidup
hingga berumur kurang dari satu tahun, sedangkan angka kematian bayi
adalah jumlah kematian bayi yang terjadi setelah bayi lahir hidup hingga
berumur kurang dari satu tahun dibagi jumlah kelahiran dikalikan dengan
suatu konstanta yaitu 1000 kelahiran (Depkes, RI).
Angka Harapan Hidup (AHH)
Kemampuan untuk bertahan hidup lebih lama atau rata-rata tahun
hidup yang akan dijalani oleh bayi yang baru lahir pada suatu tahun tertentu
yang diukur dengan angka harapan hidup pada saat lahir (life expectacy at
birth) yang biasa dinotasikan dengan e
0
Status Gizi Buruk
Status gizi merupakan keadaan tubuh yang diakibatkan oleh
keseimbangan antara asupan zat gizi (intake) dan jumlah yang dibutuhkan
tubuh untuk berbagai fungsi biologis termasuk pertumbuhan fisik,
perkembangan, aktifitas, pemeliharaan kesehatan dan lainnya
Sumber Data
Data yang digunakan adalah merupakan data
sekunder dari hasil pendataan Badan Pusat Statistik
(BPS) yaitu Analisa Penyusunan Kinerja Makro
Ekonomi dan Sosial Jawa Timur Tahun 2007, Profil
Kesehatan Provinsi Jawa Timur 2007, serta Survei
Sosial Ekonomi Nasional (SUSENAS) tahun 2007
Variabel Penelitian
Variabel Respon
Y
1
Prosentase angka kematian bayi
Y
2
Prosentase angka harapan hidup
Y
3
Prosentase status gizi buruk
Variabel Prediktor
X
1
Prosentase rumah tangga yang menggunakan jamban dengan tangki septik
X
2
Prosentase rumah yang menggunakan air bersih untuk minum/masak (air
kemasan, PAM, pompa, sumur terlindung dan mata air terlindung)
X
3
Prosentase peran aktif masyarakat dalam posyandu purnama dan mandiri
X
4
Prosentase rata-rata lamanya bayi diberi ASI Eksklusif pada usia 0-2 tahun
X
5
Prosentase persalinan yang dilakukan oleh tenaga medis
X
6
Prosentase Imunisasi lengkap yang mencakup imunisasi BCG, DPT, Polio,
Campak, dan hepatitis
Langkah-Langkah Penelitian
Mulai
Analisis Regresi
Multivariat
Pemilihan variabel prediktor
dengan menggunakan KICc
Pengujian
Korelasi Antar
Variabel
Respon
Analisis Regresi
Univariat
Menaksir
Parameter
Interpretasi Model
Selesai
Uji Asumsi Residual IIDN
Tidak Ya
Statistik Deskriptif Variabel Respon
Variabel Rata-Rata Minimal Maksimal
AKB (%) 46,85 36,80 64,56
AHH (%) 67,35 60,21 71,52
Gizi Buruk (%) 2,649 1,34 4,82
0,00
10,00
20,00
30,00
40,00
50,00
60,00
70,00
Angka Kematian Bayi
54,00
56,00
58,00
60,00
62,00
64,00
66,00
68,00
70,00
72,00
Angka Harapan Hidup
0,00
0,50
1,00
1,50
2,00
2,50
3,00
3,50
4,00
4,50
5,00
GIZI BURUK
Statistik Deskriptif Variabel Prediktor
Variabel Rata-Rata Min Maks
Prosentase Jamban (X
1
) 51,66 10,93 92,35
Prosentase Air (X
2
) 84,31 28,00 99,91
Prosentase Posyandu (X
3
) 41,80 12,16 88,12
Prosentase ASI (X
4
) 48,01 17,34 88,02
Prosentase Salin_Medis (X
5
) 87,55 61,61 99,33
Prosentase Imunisasi (X
6
) 56,06 24,36 90,14
Y
1
60
50
40
90 60 30 90 60 30 80 60 40
Y
2
70
65
60
X1
Y
3
100 50 0
5
3
1
X2 X3
90 60 30
X4 X5
100 80 60
X6
Analisa Hubungan Variabel Respon
Variabel Respon AKB (Y1) AHH (Y2) Gizi Buruk (Y3)
AKB (Y1) 1 -0,727 0,513
AHH (Y2) -0,727 1 -0,641
Gizi Buruk (Y3) 0,513 -0,641 1
Jika menggunakan uji Bartlett Spericity hasilnya dapat dilihat sebagai
berikut dengan hipotesis: (Morrison, 2005).
H
0
: Antar variabel respon bersifat independent
H
1
: Antar variabel respon bersifat dependent
Statistik uji:
Diperoleh nilai untuk ketiga variabel respon tersebut yaitu sebesar 45,34.
Karena nilai untuk ketiga variabel respon lebih besar dari nilai
sebesar 7,815 maka kesimpulannya tolak H
0
atau antar variabel respon saling
berkorelasi sehingga dapat digunakan analisis regresi multivariat
2
2 5
1 ln
6
hit
q
n _
+

=
`
)
R
2
hitung
_
2
hitung
_
2
3 ; 05 , 0
_
Distribusi Normal Multivariat Variabel Respon
Asumsi selanjutnya yang harus dipenuhi dalamanalisis regresi multivariat
adalah variabel respon berdistribusi normal multivariat. Bentuk hipotesisnya
adalah:
H
0
: Variabel respon berdistribusi normal multivariat
H
1
: Variabel respon tidak berdistribusi normal multivariat
Diperoleh nilai dari
sebanyak 55,26 persen,
sehingga dapat
disimpulkan bahwa ketiga
variabel respon
berdistribusi normal
multivariat
dd
q
12 10 8 6 4 2 0
12
10
8
6
4
2
0
Scatterplot of q vs dd
2
5 , 0 ; 3
2
_ s
i
d
Pemilihan Model dengan Metode KICc Untuk Variabel Prediktor
No Prediktor AICC KICC No Prediktor AICC KICC
1 X1 320,677 332,677 33 X2X3X5 284,466 302,466
2 X2 325,748 337,748 34 X2X3X6 313,362 331,362
3 X3 323,988 335,988 35 X2X4X5 279,488 297,488
4 X4 324,338 336,338 36 X2X4X6 310,967 328,967
5 X5 274,638 286,638 37 X2X5X6 272,881 290,881
6 X6 303,927 315,927 38 X3X4X5 282,085 300,085
7 X1X2 326,24 341,24 39 X3X4X6 313,37 331,37
8 X1X3 324,521 339,521 40 X3X5X6 274,877 292,877
9 X1X4 322,803 337,803 41 X4X5X6 271,409 289,409
10 X1X5 282,524 297,524 42 X1X2X3X4 333,005 354,005
11 X1X6 302,776 317,776 43 X1X2X3X5 293,547 314,547
12 X2X3 327,86 342,86 44 X1X2X3X6 316,241 337,241
13 X2X4 326,884 341,884 45 X1X2X4X5 288,494 309,494
14 X2X5 277,831 292,831 46 X1X2X4X6 312,751 333,751
15 X2X6 307,729 322,729 47 X1X2X5X6 281,195 302,195
16 X3X4 326,28 341,28 48 X1X3X4X5 290,931 311,931
17 X3X5 280,233 295,233 49 X1X3X4X6 313,872 334,872
18 X3X6 309,045 324,045 50 X1X3X5X6 283,471 304,471
19 X4X5 276,082 291,082 51 X1X4X5X7 279,918 300,918
20 X4X6 307,864 322,864 52 X2X3X4X5 286,544 307,544
21 X5X6 268,168 283,168 53 X2X3X4X6 316,952 337,952
22 X1X2X3 330,96 348,96 54 X2X3X5X6 280,474 301,474
23 X1X2X4 328,012 346,012 55 X2X4X5X6 276,169 297,169
24 X1X2X5 286,252 304,252 56 X3X4X5X6 278,658 299,658
25 X1X2X6 308,917 326,917 57 X1X2X3X4X5 296,305 320,305
26 X1X3X4 327,005 345,005 58 X1X2X3X4X6 320,576 344,576
27 X1X3X5 288,586 306,586 59 X1X2X3X5X6 289,487 313,487
28 X1X3X6 309,195 327,195 60 X1X2X4X5X6 285,165 309,165
29 X1X4X5 284,372 302,372 61 X1X3X4X5X6 287,839 311,839
30 X1X4X6 306,931 324,931 62 X2X3X4X5X6 284,326 308,326
31 X1X5X6 276,194 294,194 63 X1X2X3X4X5X6 294,134 321,134
32 X2X3X4 329,14 347,14
Estimasi Parameter
Variabel Respon Parameter B t Sig.
Angka Kematian Bayi (Y
1
)
Intercept 89,947 12,196 0,000
X
5
-0,377 -3,933 0,000
X
6
-0,145 -2,359 0,024
Angka Harapan Hidup (Y
2
)
Intercept 45,605 23,957 0,000
X
5
0,21 8,324 0,000
X
6
0,059 3,653 0,001
Gizi Buruk (Y
3
)
Intercept 5,894 6,085 0,000
X
5
-0,026 -2,035 0,049
X
6
-0,017 -2,061 0,047
AKB = 89,947 0,377 X
5
0,145 X
6
AHH = 45,605 + 0,21 X
5
+ 0,059 X
6
Gizi Buruk = 5,894 0,026 X
5
0,017 X
6
Dengan Nilai Ini dapat dikatakan variabel prediktor
mampu menjelaskan 83,7 persen variansi data pada variabel respon,
sedangkan 16,3 persen dijelaskan oleh variabel-variabel prediktor lain yang
tidak diteliti.
837 , 0 163 , 0 1
2
= =
A
q
Pengujian Signifikansi Parameter
H
0
: = 0
H
1
: Paling sedikit ada satu
Statistik uji
= 0,163
Melalui pengujian hipotesis diketahui bahwa nilai Wilks Lamda adalah
0,163. Karena nilai Wilks Lamda hitung kurang dari sebesar 0,6556 maka
kesimpulannya adalah tolak H
0
yang berarti secara serentak multivariat,
paling tidak ada satu parameter yang signifikan berpengaruh terhadap model
36 35 26 25 16 15
| | | | | | = = = = =
0 =
pq
|
T T
T T T
y y n Y Y
Y X Y Y
H E
E

=
+
= A
|

(
(
(

(
(
(

=
936 , 27 842 , 67 44 , 129
842 , 67 166 , 401 06 , 704
441 , 129 057 , 704 26 , 2277
4341 , 18 1077 , 13 15 , 21
1077 , 13 1963 , 71 13 , 52
1471 , 21 1333 , 52 79 , 1021
31 , 2 , 3 , 05 , 0
A
Variabel prosentase persalinan yang dilakukan oleh tenaga medis (X
5
)
H
0
:
H
1
: Paling sedikit ada satu
Variabel prosentase imunisasi lengkap yang mencakup imunisasi BCG, DPT, polio,
campak, dan hepatitis (X
6
)
H
0
:
H
1
: Paling sedikit ada satu
Didapatkan informasi nilai Wilks Lambda dari variabel X
5
yaitu prosentase persalinan
yang dilakukan oleh tenaga medis sebesar 0,686 dan nilai Wilks Lambda dari variabel X
6
prosentase imunisasi lengkap yang mencakup imunisasi BCG, DPT, Polio, Campak, dan
hepatitis yaitu sebesar 0,322 dengan menggunakan uji Wilks Lambda didapatkan bahwa
nilai dari sebesar 0,779. Sehingga dapat disimpulkan tolak H
0
0
35 25 15
= = = | | |
0 =
pq
|
0
36 26 16
= = = | | |
Parameter Wilk's Lambda P_value
Intercept 0,032 0,000
X
5
0,686 0,000
X
6
0,322 0,005
0 =
pq
|
) 31 , 1 , 3 ; 05 , 0 ( hitung tabel
A s A
Asumsi Residual Identik
Pengujian dilakukan terhadap nilai dari resiual dengan hipotesis sebagai
berikut:
H
0
:
H
1
: Minimal ada untuk
Diperoleh nilai statistik uji Boxs-M adalah 12,872 lebih kecil dari yaitu
sebesar dengan nilai P value sebesar 0,508. Nilai ini
lebih besar dari = 0,05, sehingga dapat disimpulkan matriks varians-kovarian
residual homogen
3 2 1
= =
j i
E = E j i =
2
tabel
_
026 , 21
2
12 ; 05 , 0
2
) 1 ( ) 1 (
2
1
;
= =
+
_ _
o p p k
Pengujian asumsi ini dilakukan dengan uji Bartlett Spericity (Morrison, 2005).
Bentuk hipotesisnya adalah
H
0
: Residual bersifat independent
H
1
: Residual bersifat dependent
Statistik ujinya adalah :
Diperoleh nilai = 6,572. Karena nilai untuk residual lebih kecil dari
nilai sebesar 7,815, maka kesimpulannya gagal menolak H
0
atau nilai
residual saling bebas
Asumsi Residual Distribusi Independen
2
2 5
1 ln
6
hit
q
n _
+

=
`
)
R
2
hitung
_
2
hitung
_
2
3 ; 05 , 0
_
H
0
: Residual berdistribusi normal multivariat
H
1
: Residual tidak berdistribusi normal multivariat
Diperoleh hasil q-q plot
nilai sebanyak
63,16 persen, sehingga
dapat disimpulkan
bahwa residual telah
berdistribusi normal
multivariat
Asumsi Residual Distribusi Normal Multivariat
dd
q
12 10 8 6 4 2 0
12
10
8
6
4
2
0
Scatterplot of q vs dd
2
5 , 0 ; 3
2
_ s
i
d
Kesimpulan
Variabel Respon Variabel Prediktor
Prediktor Kriteria
Kabupaten/
Kota
Nilai
(%)
Jamban
Rendah Sampang 12,35
Tinggi Surabaya 92,35
Air Bersih
Rendah Pacitan 28,01
Tinggi Surabaya 99,91
Posyandu
Rendah Pamekasan 12,16
Tinggi Jember 88,12
ASI
Rendah Ponorogo 17,34
Tinggi Pacitan 88,02
Persalinan
Rendah Sampang 61,61
Tinggi Kediri 99,33
Imunisasi
Rendah Sampang 24,36
Tinggi Jombang 90,14
Respon Kriteria
Kabupaten/
Kota
Nilai
(%)
AKB
Rendah Kota Blitar 36,8
Tinggi Probolinggo 64,56
AHH
Rendah Probolinggo 60,21
Tinggi Kota Blitar 71,52
Gizi
Buruk
Rendah
Kabupaten
Blitar
1,34
Tinggi Pamekasan 4,82
Kesimpulan
Faktor-faktor yang mempengaruhi angka harapan hidup, angka kematian bayi,
dan status gizi buruk adalah prosentase persalinan yang dilakukan oleh tenaga
medis dan prosentase imunisasi lengkap yang meliputi imunisasi BCG, DPT,
Polio, Campak, dan Hepatitis. Dengan model sebagai berikut:
AKB = 89,947 0,377 X
5
0,145 X
6
AHH = 45,605 + 0,21 X
5
+ 0,059 X
6
Gizi Buruk = 5,894 0,026 X
5
0,017 X
6
Dan besarnya hubungan antara variabel respon dan variabel prediktor
diperoleh nilai . Ini dapat dikatakan variabel prediktor mampu
menjelaskan 83,7 persen variansi data pada variabel respon, sedangkan 16,3
persen dijelaskan oleh variabel-variabel prediktor lain yang tidak diteliti
837 , 0 163 , 0 1
2
= =
A
q
Saran
Untuk pemerintah lebih difokuskan pada persalinan tenaga
medis dan pemberian imunisasi pada bayi untuk menekan angka
kematian bayi dan mengurangi status gizi buruk serta dapat
meningkatkan angka harapan hidup di provinsi Jawa Timur.
Untuk penelitian selanjutnya dapat digunakan faktor-faktor lain
yang berpengaruh dengan tidak melepaskan faktor-faktor yang
berpengaruh