ANALISIS REGRESI MULTIVARIAT BERDASARKAN FAKTOR-FAKTOR

YANG MEMPENGARUHI DERAJAT KESEHATAN DI PROVINSI JAWA TIMUR

1

2
1

Rosy Riskiyanti
Ir. Sri Pingit Wulandari, M.Si

Mahasiswa Jurusan Statistika FMIPA-ITS (1308 100 508)

2
Dosen Jurusan Statistika FMIPA-ITS

Abstrak
Salah satu aspek penting kesejahteraan adalah kualitas fisik penduduk yang dapat dilihat
dari derajat kesehatan penduduk. Kesehatan merupakan salah satu aspek yang sangat penting
dalam kehidupan manusia karena menyangkut hak-hak dasar warga negara yang mutlak untuk
dipenuhi. Berdasarkan nilai KICc faktor-faktor yang berpengaruh terhadap derajat kesehatan
adalah prosentase persalinan yang dilakukan oleh tenaga medis, dan prosentase imunisasi
lengkap. Dari hasil analisis dapat dijelaskan bahwa jika prosentase persalinan yang dilakukan
oleh tenaga medis bertambah satu persen maka angka kematian bayi akan turun sebanyak
0,377 persen, begitu pula jika prosentase imunisasi lengkap bertambah satu persen akan
berakibat angka kematian bayi berkurang 0,145 persen. Untuk angka harapan hidup jika
prosentase persalinan yang dilakukan oleh tenaga medis bertambah satu persen maka angka
harapan hidup akan meningkat sebanyak 0,21 persen, begitu pula jika prosentase imunisasi
lengkap bertambah satu persen akan berakibat angka angka harapan hidup meningkat sebesar
0,059 persen. Sedangkan, untuk status gizi buruk, jika prosentase persalinan yang dilakukan
oleh tenaga medis naik satu persen maka status gizi buruk akan berkurang sebesar 0,026
persen, begitu pula jika prosentase imunisasi lengkap bertambah satu persen akan berdampak
status gizi buruk menurun sebesar 0,017 persen.
Kata Kunci: Derajat Kesehatan, Angka Kematian Bayi, Angka Harapan Hidup, Status Gizi
Buruk

1. Pendahuluan

Salah satu aspek penting kesejahteraan adalah kualitas fisik penduduk yang dapat dilihat
dari derajat kesehatan penduduk. Indikator utama yang digunakan untuk melihat derajat
kesehatan penduduk adalah angka kematian bayi, angka harapan hidup, dan status gizi buruk
balita. Oleh karena itu usaha untuk meningkatkan dan memelihara mutu pelayanan kesehatan
melalui pemberdayaan sumber daya manusia secara berkelanjutan dan sarana prasarana dalam
bidang medis termasuk ketersediaan obat yang dapat dijangkau oleh masyarakat perlu mendapat
perhatian utama. Kesehatan merupakan salah satu aspek yang sangat penting dalam kehidupan
manusia karena menyangkut hak-hak dasar warga negara yang mutlak untuk dipenuhi.
Mengingat pentingnya kesehatan, dunia internasional merumuskannya ke dalam Millennium
Development Goals (MDGs). MDGs terdiri atas pencapaian pembangunan bidang kesehatan,
pendidikan, dan ekonomi. Ketiganya merupakan indikator yang mencerminkan sejauh mana
negara mampu memenuhi hak-hak dasar warga negara.
Salah satu usaha pemerintah untuk mewujudkan pembangunan kesehatan melalui
pencanangan Program Indonesia Sehat 2010. Tujuan dari Program Indonesia Sehat 2010 adalah
terciptanya pembangunan nasional berwawasan kesehatan, kemandirian masyarakat untuk hidup
sehat, memelihara, dan meningkatkan pelayanan kesehatan yang bermutu. Visi Indonesia Sehat
2010 yang telah dirumuskan oleh Depatemen Kesehatan menyatakan bahwa, gambaran
masyarakat Indonesia dimasa depan yang ingin dicapai melalui pembangunan kesehatan adalah
masyarakat, bangsa dan negara yang ditandai oleh penduduknya hidup dalam lingkungan dan
dengan perilaku yang sehat, memiliki kemampuan untuk menjangkau pelayanan kesehatan yang

bermutu secara adil dan merata, serta memiliki derajat kesehatan yang setinggi-tingginya
diseluruh wilayah Republik Indonesia.
Penelitian mengenai kesehatan telah dilakukan oleh Purwaningsih (2006) yang
menganalisis mengenai pengelompokan wilayah Jawa Timur berdasarkan indikator derajat
kesehatan masyarakat dengan menggunakan analisis kelompok nonhirarki untuk memperoleh
pengelompokan wilayah Jawa Timur menjadi dua kelompok yaitu wilayah dengan derajat
kesehatan buruk dan baik. Talangko (2009) mengungkapkan bahwa faktor-faktor yang
mempengaruhi derajat kesehatan adalah adanya jamban dalam rumah, penggunaan air bersih,
adanya tempat pengelolaan limbah, perilaku hidup bersih dan sehat, pemberian ASI eksklusif,
persalinan dengan tenaga kesehatan, dan tumbuh kembang balita melalui pelayanan kesehatan.
Berdasarkan penelitian sebelumnya mengenai kesehatan maka informasi kesehatan dalam
bentuk statistik kesehatan digunakan sebagai bahan evaluasi pembangunan khususnya di bidang
kesehatan dan untuk menyusun rencana kerja di bidang kesehatan yang perlu dilakukan
selanjutnya. Berdasarkan penelitian yang telah dilakukan sebelumnya mengenai derajat
kesehatan, dapat dijadikan teori untuk mendukung penelitian yang akan dilakukan. Penelitian
ini menggunakan regresi multivariat karena terdapat variabel respon lebih dari satu dan antara
variabel respon saling memiliki hubungan antara satu dengan yang lain. Sehingga dapat
diketahui variabel-variabel mana saja yang mempengaruhi angka kematian bayi, angka harapan
hidup, dan status gizi buruk
Berdasarkan uraian diatas, maka rumusan masalah adalah bagaimana gambaran kesehatan
masyarakat di setiap kabupaten/kota di Provinsi Jawa Timur berdasarkan faktor-faktor derajat
kesehatan di Provinsi Jawa Timur dan Faktor-faktor apa saja yang mempengaruhi angka
kematian bayi, angka harapan hidup, dan status gizi buruk di Provinsi Jawa Timur. Tujuan yang
ingin dicapai adalah untuk mengetahui Mengetahui gambaran kesehatan masyarakat di setiap
kabupaten/kota di Provinsi Jawa Timur berdasarkan derajat kesehatan di Provinsi Jawa Timur
dan menentukan faktor-faktor apa saja yang mempengaruhi angka kematian bayi, angka harapan
hidup, dan status gizi buruk di Provinsi Jawa Timur

2. Tinjauan Pustaka

Analisis Regresi
Salah satu tujuan dari Analisis Regresi adalah untuk menentukan bentuk hubungan antara
variabel-variabel dari sekumpulan data dimana data tersebut bisa berbentuk univariat maupun
multivariat. Model regresi linear terbagi menjadi dua, yaitu model regresi linear sederhana
apabila variabel bebas (dependent) dari model tersebut hanya dipengaruhi oleh satu variabel
bebas, dengan model umum Yi = 0 + 1 X i + i . Dan model regresi linear berganda apabila
variabel bebas (dependent) dari model tersebut tidah hanya dipengaruhi oleh satu variabel
bebas. Model umunya adalah Yi = 0 + 1 X i1 + 2 X i 2 + + p X ip + i
Analisis Multivariat
Analisis multivariat adalah analisis statistika yang dikenakan pada data yang terdiri dari banyak
variabel dan antar variabel saling berkorelasi. Data Multivariat tidak hanya terdiri atas satu
variabel saja melainkan dapat terdiri atas lebih dari satu variabel. Misal data dari n pengamatan
pada p variabel Sehingga dapat disusun matriks dengan n baris dan p kolom, dinotasikan X
seperti berikut (Morrison, 2005):

X=

x11

x12

x1 p

x 21

x 22

x2 p

x n1

xn 2

x np

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, 2007;
Rencher, 2002). Misalkan terdapat variabel respon berjumlah q yaitu Y1 , Y2 , , Yq dan p
variabel prediktor yaitu X 1 , X 2 ,

, X p , maka model linear multivariat respon ke-q adalah:

Y1 = 01 + 11 X 1 + ... + p1 X p + 1
Y2 = 02 + 12 X 1 + ... + p 2 X p + 2
Yq = 0 q + 1q X 1 + ... + pq X p + q
Model regresi multivariat yang terdiri dari q model linear secara simultan dapat
ditunjukkan bentuk matriks pada Persamaan sebagai berikut:
Y( nxq) = X n x ( p +1) ( p +1) x q + ( n x q ) dengan E (i ) = 0 , dan Cov (i ) , (i ) = ii I.

( )

Pengujian Kebebasan Antar Variabel Respon

Variabel Y1 , Y2 ,..., Yq dikatakan bersifat saling bebas (independent)

jika matriks

korelasi antar variabel membentuk matriks identitas. Untuk menguji kebebasan antar variabel
ini dapar dilakukan uji Bartlett Sphericity berikut (Morrison, 2005):
Hipotesis :
H0 : Antar variabel respon bersifat independent
H1 : Antar variabel respon bersifat dependent
2q + 5
2
Statistik uji : hitung
= n 1
ln R
6
Dimana q adalah jumlah variabel respon dan ln R adalah nilai nilai determinan matrik
2
korelasi dari masing-masing variabel respon. Gagal Tolak H0 jika hitung
2 1

; q ( q 1)

yang berarti

antar variabel bersifat independent

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
d (3n p q 1)
KICc = n ln + q +
n p q 1
dengan:
d = qp + 0,5q (q + 1)
q = jumlah variabel respon
p = jumlah parameter
n = jumlah data
= penaksir matriks varian-kovarian error
Kriteria pemilihan model terbaik jika didapatkan nilai KICc terkecil yang berarti
semakin kecil nilai dari KICc maka semakin baik model yang digunakan

Hubungan Antara Variabel Respon dan Variabel Prediktor

Pada regresi linear 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.
2 = 1

Nilai berada pada interval 0 dan 1. Artinya, semakin mendekati 1 berarti hubungan antara
2

variabel respon dan variabel prediktor semakin erat. Karena nilai melibatkan nilai dari
Wilks Lambda yang mana nilai Wilks Lambda memperhitungkan antar variabel respon, hal
tersebut dapat ditunjukkan dalam rumus terdapat nilai Y T Y .
2

Uji Hipotesis
Pengujian ini dilakukan untuk menguji apakah secara keseluruhan parameter tidak sama
dengan nol. Hipotesis yang digunakan adalah sebagai berikut: (Rencher, 2002)
H 0 : 11 = 12 = = p1 = = pq = 0
H 1 : Paling sedikit ada satu pq 0

Dengan B =

T
0

B1

01
11

02
21

0q
1q

p1 p 2

pq

Statistik uji yang digunakan adalah Wilks lamda

E
E+H

Y T Y B T X T Y
Y T Y ny y T

Dimana y adalah vektor rata-rata dari matriks Y

H0 ditolak jika hitung ,q , p ,n p1 . Nilai ,q , p ,n p 1 adalah nilai tabel ktitis untuk Wilks
Lamda.
Uji Asumsi Residual IIDN
Asumsi yang harus dipenuhi dalam melakukan pemodelan regresi multivariat adalah
residual memiliki matriks varian-kovarian yang homogen. Untuk menguji syarat ini dapat
dipergunakan statistik uji Boxs M. (Rencher,2002)
Hipotesis
H0 : 1 = 2 = ... = k =
H1 : Minimal ada satu i j untuk i j
Statistik uji:
H0 : 1 = 2 = ... = k =
H1 : Minimal ada satu k l untuk k l
Statistik uji:
u = 2(1 c1 ) ln M
Dimana:
k

S pool =

l =1
k

vk S k

l =1

vk

ln M =

1
2

k
l =1

vl ln S l

1
2

k
l =1

vl ln S pool

dengan c1 =

k
l =1

2 p2 + 3 p 1
6( p + 1)(k 1)

1
1
k
vl
vl

vl = nl 1

l =1

Asumsi

Residual

independen,

digunakan

uji

Bartlett

Sphericity.

Variabel

1 , 2 ,..., q dikatakan bersifat saling bebas (independent) jika matriks korelasi antar residual
membentuk matriks identitas. Untuk menguji kebebasan antar residual dapat dilakukan uji
Bartlett Sphericity berikut (Morrison, 2005):
Hipotesis :
H0 : Residual bersifat independent
H1 : Residual bersifat dependent
2
Statistik uji : hitung
= n 1

Gagal Tolak H0 jika hitung 1

2

2q + 5
ln R
6

q ( q 1)

yang berarti antar residual bersifat independen

Asumsi yang harus dipenuhi dalam pemodelan regresi linier multivariat adalah residual
yang memiliki distribusi multivariat normal. Pemeriksaan distribusi multivariat normal dapat
2
dilakukan dengan cara membuat q-q plot dari nilai di (Johnson & Wichern, 2007).
Hipotesis yang digunakan adalah sebagai berikut.
H0 : Residual berdistribusi normal multivariat
H1 : Residual tidak berdistribusi normal multivariat

d i2 = ( i

)T S 1 ( i ) ,

i = 1,2,..., n

Kesimpulan adalah gagal tolak H0 atau data dikatakan berdistribusi normal multivariat
2
2
jika ada sejumlah data yang memiliki nilai d i q , 0,5 lebih dari 50%.
Derajat Kesehatan
Menurut Henrik L Blum, peningkatan derajat kesehatan masyarakat yang dapat diukur
dari tingkat mortalitas dan morbiditas penduduk yang dipengaruhi oleh empat faktor penentu,
yaitu : faktor-faktor lingkungan (45 persen), perilaku kesehatan (30 persen), pelayanan
kesehatan (20 persen) dan kependudukan/keturunan (5 persen).
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 kematian Bayi
D
dapat dihitung dengan menggunakan rumus sebagai berikut: AKB = 0 1.000
B
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).
Status Gizi
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. Untuk
mengetahui status gizi balita digunakan rumus sebagai berikut:

Nilai Z-score = ( Nilai Pengukuran Perorangan Nilai Median Acuan )

Simpangan Baku Populasi Acuan

3. Metodologi Penelitian
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
a. Variabel Respon
Y1 = Prosentase angka kematian bayi
Y2 = Prosentase angka harapan hidup
Y3 = Prosentase status gizi buruk
b. Variabel Prediktor
Aspek Perumahan dan Lingkungan
X1 = Prosentase rumah tangga yang menggunakan jamban dengan tangki septik
X2 = Prosentase rumah yang menggunakan air bersih untuk minum/masak (air kemasan,
PAM, pompa, sumur terlindung dan mata air terlindung)
Aspek Perilaku
X3 = Prosentase peran aktif masyarakat dalam posyandu purnama dan mandiri.
X4 = Prosentase rata-rata lamanya bayi diberi ASI Eksklusif pada usia 0-2 tahun
Aspek Pelayanan Kesehatan
X5 = Prosentase persalinan yang dilakukan oleh tenaga medis
X6 = Prosentase Imunisasi lengkap yang mencakup imunisasi BCG, DPT, Polio, Campak,
dan hepatitis
Langkah Analisis
Adapun langkah analisis yang digunakan untuk menjawab permasalahan yaitu :
1. Untuk mencapai tujuan pertama yaitu mengetahui gambaran kondisi kesehatan masyarakat
Jawa Timur maka metode analisis yang digunakan adalah statistik deskriptif dengan
menggunakan nilai rata-rata, nilai minimum, dan maksimum. Untuk statistik deskriptif
secara visual digunakan diagram batang dan scatter plot. Variabel yang digunakan
Y1 , Y2 , dan Y3 dari 38 kabupaten/kota di Provinsi Jawa Timur.
2. Untuk mencapai tujuan kedua yaitu mengetahui faktor-faktor yang mempengaruhi derajat
kesehatan di Provinsi Jawa Timur maka metode yang digunakan untuk mencapai tujuan ini
adalah menggunakan analisis regresi multivariat dengan variabel yang digunakan adalah
Y1 , Y2 , dan Y3 sebagai variabel respon dan X1 , X 2 ...., X 6 sebagai variabel prediktor.
Sedangkan langkah analisis yang dilakukan untuk mencapai tujuan ini adalah :
a. Melakukan pengujian korelasi antar variabel respon dengan menggunakan uji
Bartlett Test. Jika terbukti variabel respon berkorelasi maka analisis dapat
dilanjutkan pada tahap selanjutnya dengan metode multivariat, jika tidak maka
metode yang digunakan adalah metode univariat.
b. Melakukan pemilihan model dengan menggunakan metode KICc berdasarkan
faktor-faktor yang mempengaruhi derajat kesehatan di Provinsi Jawa Timur.
c. Melakukan pengujian estimasi parameter model regresi multivariat.
d. Melakukan pengujian signifikansi parameter model regresi multivariat
e. Melakukan pengujian asumsi residual IIDN (Idenik, Independen, dan Distribusi
Normal).
f. Mendapatkan faktor-faktor yang berpengaruh terhadap angka kematian bayi, angka
harapan hidup, dan status gizi buruk di Provinsi Jawa Timur dan kesimpulan.

4. Analisis Data dan Pembahasan

Statistik Deskriptif Variabel Respon

Statistik deskriptif variabel respon yang diteliti, bertujuan untuk mengetahui karakteristik
dari masing-masing variabel respon.
Tabel 1. Statistik Deskriptif Variabel Respon

Variabel
AKB (%)
AHH (%)
Gizi Buruk (%)

Rata-Rata
46,85
67,35
2,649

Minimal Maksimal
36,8
64,56
60,21
71,52
1,34
4,82

Berdasarkan Tabel 1 dapat dijelaskan bahwa prosentase angka kematian bayi terendah
yaitu sebesar 36,8 persen terjadi pada kota Blitar dan yang tertinggi adalah sebesar 64,56 persen
terjadi di Kabupaten Probolinggo. Untuk prosentase angka harapan hidup prosentase yang
paling kecil terjadi di Kabupaten Probolinggo yaitu sebesar 60,21 persen dan yang tertinggi
terjadi pada kota Blitar adalah sebesar 71,52 persen. Sedangkan, untuk prosentase status gizi
buruk terendah terjadi pada Kabupaten Blitar yaitu sebesar 1,34 persen dan prosentase terbesar
terjadi di Kabupaten Pamekasan yaitu sebesar 4,82 persen
Statistik Deskriptif Variabel Respon
Untuk statistik deskriptif variabel respon dapat dilihat pada rabel berikut ini:
Tabel 2. Statistik Deskriptif Variabel Prediktor

Variabel
Prosentase Jamban (X1)
Prosentase Air (X2)
Prosentase Posyandu (X3)
Prosentase ASI (X4)
Prosentase Salin_Medis (X5)
Prosentase Imunisasi (X6)

Rata-Rata
51,66
84,31
41,8
48,01
87,55
56,06

Minimal Maksimal
10,93
92,35
28
99,91
12,16
88,12
17,34
88,02
61,61
99,33
24,36
90,14

Dari Tabel 2 diatas, dapat diketahui prosentase rumah tangga yang menggunakan jamban
dengan tangki septik terbesar yaitu di kota Surabaya yaitu sebesar 92,35 persen dan terendah di
Kabupaten Sampang yaitu sebesar 12,35 persen. Untuk penggunaan air bersih untuk
minum/masak yang terdiri dari air kemasan, PAM, pompa, sumur terlindung dan mata air
terlindung terbesar di kota Surabaya yaitu sebesar 99,91 persen dan terendah di Kabupaten
Pacitan yaitu sebesar 28,01 persen. Sedangkan untuk prosentase terbesar untuk peran aktif
masyarakat dalam posyandu purnama dan mandiri terdapat di Kabupaten Jember dengan tingkat
prosentase sebesar 88,12 persen dan terendah terdapat di Kabupaten Pamekasan dengan tingkat
prosentase sebesar 12,16 persen. Untuk prosentase rata-rata lamanya bayi diberi ASI Eksklusif
pada usia 0-2 tahun terbesar di Kabupaten Pacitan yaitu sebesar 88,02 persen dan terkecil
terdapat di Kabupaten Ponorogo sebesar 17,34 persen. Untuk prosentase persalinan yang
dilakukan oleh tenaga medis prosentase terbesar terdapat di Kota Kediri dengan nilai prosentase
99,33 persen sedangkan yang terkecil terdapat di Kabupaten Sampang dengan nilai prosentase
sebesar 61,61 persen. Sedangkan untuk prosentase imunisasi lengkap yang mencakup imunisasi
BCG, DPT, Polio, Campak, dan hepatitis prosentase terbesar dicapai oleh Kabupaten Jombang
dengan nilai prosentase sebesar 90,14 persen dan prosentase terkecil terdapat di Kabupaten
Sampang dengan nilai prosentase sebesar 24,36 persen.

Gambar 1 Penyebaran Data Variabel Respon Dan Prediktor

Untuk melihat penyebaran data dari setiap variabel respon dan variabel prediktor dapat
dilihat dari gambar scatter plot diatas. Pada gambar tersebut terlihat semuanya memiliki pola
menyebar atau dengan kata lain tidak membentuk pola tertentu. Untuk melihat penyebaran data
dari setiap variabel respon dan variabel prediktor dapat dilihat dari gambar scatter plot yang
dapat dilihat pada Gambar 1 diatas kecenderungan dari semua data liniear atau tidak
membentuk suatu pola tertentu, misalnya membentuk pola corong atau membentuk pola
setengah lingkaran. Sehingga dengan kata lain pola tersebut cenderung liniear
Regresi Multivariat
Sebelum diuji dengan menggunakan regresi multivariat, dilakukan pengujian korelasi
terlebih dahulu terhadap variabel respon apakah terdapat korelasi atau tidak. Jika tidak terjadi
korelasi maka analisis dilanjutkan dengan menggunakan regresi univariat, tetapi jika terdapat
korelasi antar variabel respon maka dilanjutkan dengan menggunakan regresi multivariat
Tabel 3 Hubungan Antar 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

Nilai korelasi antara variabel respon dapat dilihat pada Tabel 3 diatas, Angka Kematian
Bayi (AKB) dan Angka Harapan Hidup (AHH) sebesar -0,727 hal ini dapat diartikan bahwa
antara angka kematian bayi dan angka harapan hidup memiliki nilai hubungan yang berbanding
terbalik, artinya jika angka kematian bayi tinggi maka angka harapan hidup yang rendah,
sedangkan untuk nilai korelasi antara angka kematian bayi dengan status gizi buruk yaitu
sebesar 0,513. Ini berbanding lurus, yang menandakan bahwa jika angka kematian bayi tinggi
maka status gizi buruk juga mengalami peningkatan. Sedangkan nilai korelasi antara Angka
Harapan Hidup dengan status gizi buruk adalah sebesar -0,641. Ini berarti jika angka harapan
hidup tinggi maka status gizi buruk berkurang. Jika menggunakan uji Bartlett Spericity hasilnya
dapat dilihat sebagai berikut dengan hipotesis: (Morrison, 2005).
H0 : Antar variabel respon bersifat independent
H1 : Antar variabel respon bersifat dependent
Statistik ujinya adalah
2q + 5
hit2 = n 1
ln R
6
dimana q adalah jumlah variabel respon . Dengan memasukkan nilai determinan matrik korelasi
2
dari masing-masing variabel respon diperoleh nilai hitung
untuk ketiga variabel respon tersebut
2
yaitu sebesar 45,34. Karena nilai hitung
untuk ketiga variabel respon lebih besar dari

nilai 02, 05 ;3 sebesar 7,815 maka kesimpulannya tolak H0 atau antar variabel respon saling
berkorelasi sehingga dapat digunakan analisis regresi multivariat.
Distribusi Normal Multivariat Variabel Respon
Asumsi selanjutnya yang harus dipenuhi dalam analisis regresi multivariat adalah
variabel respon berdistribusi normal multivariat. Bentuk hipotesisnya adalah:
H0 : Variabel respon berdistribusi normal multivariat
H1 : Variabel respon tidak berdistribusi normal multivariat
Pemeriksaan distribusi normal multivariat dapat dilakukan dengan cara membuat q-q plot
dari nilai d i2 (Johnson & Wichern, 2007). Jika hasil q-q plot nilai d i2 untuk variabel respon
menunjukkan ada lebih 50 persen yang memiliki nilai d i2 32; 0 , 5 maka keputusan yang diambil
adalah gagal menolak H0. Hasil diperoleh menunjukkan bahwa nilai d i2 32; 0 , 5 sebanyak 55,26
persen, sehingga dapat disimpulkan bahwa ketiga variabel respon berdistribusi normal
multivariat.
Pemilihan Model dengan Metode KICc Untuk Variabel Prediktor
Langkah awal untuk pemilihan model dengan menggunakan kriteria KICc adalah
membentuk 63 macam model dengan memasukkan satu persatu variabel prediktor, hasilnya
dapat dilihat pada Tabel 4 dibawah ini.
No
1
2
3
4
5
6
7
8
9
10
11
12
13
14

Prediktor
X1
X2
X3
X4
X5
X6
X1X2
X2X3
X2X4
X2X5
X2X6
X3X4
X3X5
X3X6

Tabel 4 Pemilihan Variabel Prediktor

KICC
No
Prediktor
332,677
15
X4X5
337,748
16
X4X6
335,988
17
X5X6
336,338
18
X1X2X3
286,638
315,927
42
X1X2X3X4
341,24
342,86
57
X1X2X3X4X5
341,884
58
X1X2X3X4X6
292,831
59
X1X2X3X5X6
322,729
60
X1X2X4X5X6
341,28
61
X1X3X4X5X6
295,233
62
X2X3X4X5X6
324,045
63
X1X2X3X4X5X6

KICC
291,082
322,864
283,168
348,96
354,005
320,305
344,576
313,487
309,165
311,839
308,326
321,134

Dari 63 model regresi multivariat didapatkan faktor yang berpengaruh terhadap

Prosentase angka kematian bayi (Y1), Prosentase angka harapan hidup (Y2), dan Prosentase
status gizi buruk (Y3) dengan menggunakan kriteria diperoleh nilai minimum KICc sebesar
283,168 yaitu variabel X5 dan X6 yaitu variabel prosentase persalinan yang dilakukan oleh
tenaga medis dan prosentase imunisasi lengkap yang mencakup imunisasi BCG, DPT, polio,
campak, dan hepatitis.
Estimasi Parameter
Berdasarkan nilai KICC yang masuk dalam model didapatkan variabel X5 dan X6 yang
masuk dalam model, maka selanjutnya dilakukan pengujian signifikansi parameter yang
dilanjutkan dengan pengujian estimasi parameter tersebut. Hasil estimasi parameter disajikan
dalam Tabel 5

Variabel Respon

Tabel 5 Estimasi Parameter

Parameter B
t
Sig.
Intercept
89,947
12,196
0
Angka Kematian Bayi (Y1)
X5
-0,377
-3,933
0
X6
-0,145
-2,359
0,024
Intercept
45,605
23,957
0
Angka Harapan Hidup (Y2)
X5
0,21
8,324
0
X6
0,059
3,653
0,001
Intercept
5,894
6,085
0
Gizi Buruk (Y3)
X5
-0,026
-2,035
0,049
X6
-0,017
-2,061
0,047
Model regresi multivariat untuk masing-masing variabel respon Angka Harapan Hidup
(Y1), Angka Kematian Bayi (Y2), dan Status Gizi Buruk (Y3) masing-masing adalah sebagai
berikut:
AKB
= 89,947 0,377 X5 0,145 X6
AHH
= 45,605 + 0,21 X5 + 0,059 X6
Gizi Buruk
= 5,894 0,026 X5 0,017 X6
Sehingga, berdasarkan model diatas dapat disimpulkan bahwa yang mempengaruhi angka
kematian bayi, angka harapan hidup, dan status gizi buruk adalah prosentase persalinan yang
dilakukan oleh tenaga medis dan prosentase imunisasi lengkap. Dan besarnya hubungan antara
variabel respon dan variabel prediktor diperoleh nilai 2 = 1 0,163 = 0,837 . Ini dapat dikatakan
bahwa model dapat menjelaskan informasi data sebesar 83,7 persen.
Pengujian Signifikansi Parameter
Hipotesis yang digunakan untuk menguji parameter model untuk masing-masing respon adalah :
H0 : 15 = 16 = 25 = 26 = 35 = 36 = 0
H1 : Paling sedikit ada satu pq 0
Statistik uji yang digunakan adalah

E
E+H

Y T Y T X T Y
Y T Y ny y T

1021,79 52,1333 21,1471

52,13 71,1963 13,1077
21,15 13,1077 18,4341
2277,26 704,057 129,441
704,06 401,166
67,842
129,44
67,842 27,936

= 0,163

Melalui pengujian hipotesis diketahui bahwa nilai Wilks Lamda adalah 0,162731. Karena
nilai Wilks Lamda kurang dari 0,05,3,6,31 sebesar 0,4022 maka kesimpulannya adalah tolak H0
yang berarti secara serentak multivariat, paling tidak ada satu parameter yang signifikan
berpengaruh terhadap model atau terhadap angka kematian bayi, angka harapan hidup, dan
status gizi buruk.
a) Variabel prosentase persalinan yang dilakukan oleh tenaga medis
H0 : 15 = 25 = 35 = 0
H1 : Paling sedikit ada satu pq 0

b) Variabel prosentase imunisasi lengkap yang mencakup imunisasi BCG, DPT, polio, campak,
dan hepatitis
H0 : 16 = 26 = 36 = 0
H1 : Paling sedikit ada satu pq 0
Statistik uji yang digunakan adalah Wilks Lambda, hasil disajikan pada Tabel dibawah
ini
Tabel 6 Uji signifikansi parameter

Parameter
Intercept
X5
X6

Wilk's Lambda
0,032
0,686
0,322

P_value
0,000
0,000
0,005

Berdasarkan Tabel 6 diatas, didapatkan informasi bahwa dengan menggunakan uji Wilks
Lambda ternyata nilai dari Wilks Lambda dari variabel X5 yaitu prosentase persalinan yang
dilakukan oleh tenaga medis sebesar 0,686 dengan nilai P value sebesar 0,000 dan nilai Wilks
Lambda dari variabel X6 prosentase imunisasi lengkap yang mencakup imunisasi BCG, DPT,
Polio, Campak, dan hepatitis yaitu sebesar 0,322 dan nilai P value sebesar 0,005. Berdasarkan
nilai dari Wilks Lambda tabel 0,05,3,1,31 yaitu 0,779 yang berarti hitung > tabel sehingga
dapat disimpulkan bahwa variabel X5 dan X6 dalam model berpengaruh terhadap variabelvariabel respon secara multivariat.
Asumsi Residual Identik
Asumsi selanjutnya yang harus dipenuhi dalam pemodelan secara multivariat adalah
matriks varianskovarian residual homogen. Pengujian dilakukan terhadap nilai dari resiual
dengan hipotesis sebagai berikut:
H0 : 1 = 2 = 3 =
H1 : Minimal ada satu i j untuk i j
Nilai statistik uji Boxs-M adalah 12,872 lebih kecil dari tabel yaitu sebesar
= 122 = 21,026 dengan nilai P value sebesar 0,508. Nilai ini lebih besar dari = 0,05,
2

12
2

( k 1) p ( p +1)

sehingga dapat disimpulkan matriks varians-kovarian residual homogen

Asumsi Residual Saling Bebas (Independen)
Selain asumsi matrik varian-kovarian homogen, asumsi residual saling bebas juga harus
dipenuhi. Pengujian asumsi ini dilakukan dengan uji Bartlett Spericity (Morrison, 2005). Bentuk
hipotesisnya adalah
H0 : Residual bersifat independent
H1 : Residual bersifat dependent
Statistik ujinya adalah
2q + 5
2
hit
= n 1
ln R
6
2
Dengan memasukkan nilai determinan matrik korelasi dari residual diperoleh nilai hitung
untuk

residual tersebut. Sehingga diperoleh nilai

2
2
hitung
6,572. Karena nilai hitung
untuk residual

lebih kecil dari nilai 02, 05;3 sebesar 7,815, maka kesimpulannya gagal menolak H0 atau nilai
residual saling bebas sehingga model regresi multivariat dari ketiga variabel respon tersebut
dapat digunakan.

Asumsi Residual Saling Bebas (Independen)

Salah satu asumsi model regresi multivariat adalah matriks residual berdistribusi normal
multivariat. Bentuk hipotesisnya adalah:
H0 : Residual berdistribusi normal multivariat
H1 : Residual tidak berdistribusi normal multivariat
Jika hasil q-q plot nilai d i2 untuk residual menunjukkan ada lebih 50 persen yang
memiliki nilai d i2 32; 0 , 5 maka keputusan yang diambil adalah gagal menolak H0. Hasil
menunjukkan bahwa d i2 32; 0 , 5 sebanyak 63,16 persen, sehingga dapat disimpulkan bahwa
residual telah berdistribusi normal multivariat.

5. Kesimpulan dan Saran

Kesimpulan
Prosentase angka kematian bayi terendah yaitu sebesar 36,8 persen terjadi pada kota
Blitar dan tertinggi sebesar 64,56 persen terjadi di Kabupaten Probolinggo. Untuk prosentase
angka harapan hidup prosentase yang paling kecil terjadi di Kabupaten Probolinggo yaitu
sebesar 60,21 persen, dan tertinggi terjadi pada kota Blitar sebesar 71,52 persen. Sedangkan,
untuk prosentase status gizi buruk terendah terjadi pada Kabupaten Blitar yaitu sebesar 1,34
persen dan prosentase terbesar terjadi di Kabupaten Pamekasan yaitu sebesar 4,82 persen.
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 X5 0,145 X6
AHH
= 45,605 + 0,21 X5 + 0,059 X6
Gizi Buruk = 5,894 0,026 X5 0,017 X6
Dan besarnya hubungan antara variabel respon dan variabel prediktor diperoleh
2
nilai = 1 0,163 = 0,837 . Ini dapat dikatakan bahwa model dapat menjelaskan informasi data
sebesar 83,7 persen.
Saran

Untuk pemerintah lebih difokuskan pada persalinan tenaga medis dan pemberian
imunisasi pada bayi untuk menekan angka kematian bayi dan status gizi buruk serta
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

6. Daftar Pustaka
Badan Pusat Statistik Jawa Timur. (2008). Analisa Penyusunan Kinerja Makro Ekonomi dan
Sosial Jawa Timur Tahun 2008. Badan Pusat Statistik Provinsi Jawa Timur, Surabaya
Badan Pusat Statistik Jawa Timur. (2008). Jawa Timur Dalam Angka 2008. Badan Pusat
Statistik Provinsi Jawa Timur, Surabaya
Badan Pusat Statistik Jawa Timur. (2008). Laporan Eksekutif Kesehatan Provinsi Jawa Timur
2007. Badan Pusat Statistik Provinsi Jawa Timur, Surabaya
Departemen Kesehatan RI (2003), Indikator Sehat Indonesia 2010 dan Pedoman Penetapan
Indikator Provinsi Sehat dan Kabupaten/Kota Sehat, Keputusan Menteri Kesehatan
No.1202/Menkes/SK/VIII/2003, Departemen Kesehatan RI, Jakarta
Draper, N, & Smith, H. (1992) .Analisis Regresi Terapan.Jakarta: Gramedia

Hafidi, B. dan Mkhadri, A. (2006), A Corrected Akaike Criterion Based on Kullbacks

Symmetric Divergence : Application in Time Series, Multiple and Multivariate
Regression, Computational Statistics and Data Analysis 50, hal. 1524-1550
Johnson, R.A., & Wichern, D.(2007). Applied Multivariat Statistical Analysis.New Jersey:
Prentice Hall
Marince, D. (2006). Klasifikasi Status Gizi Balita Dengan Pendekatan Analisis Diskriminan
Boostrap. Tugas Akhir Tidak Dipublikasikan, Institut Teknologi Sepuluh Nopember,
Surabaya
Maserul. (2001). Analisis Statistik Status Gizi Balita di Provinsi Jawa Timur. Tugas Akhir
Tidak Dipublikasikan, Institut Teknologi Sepuluh Nopember, Surabaya
Morrison, D.F. (2005), Multivariat Statistical Methods, Fourth Edition, The Wharton School
University of Pennsylvania
Pramasita, F. (2005). Faktor-Faktor yang Mempengaruhi Angka Kematian Bayi di Wilayah
Jawa Timur Tahun 2002. Tugas Akhir Tidak Dipublikasikan, Institut Teknologi Sepuluh
November, Surabaya
Purwaningsih, H. (2006).Analisis Pengelompokan Wilayah Jawa Timur Berdasarkan Indikatorindikator Derajat Kesehatan Masyarakat. Tugas Akhir Tidak Dipublikasikan, Institut
Teknologi Sepuluh November, Surabaya
Rencher, A.R., (2002). Methods Of Multivariat Analysis Second Edition. John Wiley & Sons,
Inc. New York.
Ristrini.(2000). Penerapan Model Upaya Peningkatan Utilisasi Polindes di Daerah
Terpencil.Jogjakarta : PPKT.
Talangko, L,P. (2009). Pemodelan Persamaan Struktural dengan Maximum Likelihood dan
Bootstrap pada Derajat Kesehatan Di Provinsi Sulawesi Selatan. Tesis Tidak
Dipublikasikan, Institut Teknologi Sepuluh Nopember, Surabaya
Walpole, R. E. (1995). Ilmu Peluang dan Statistika Untuk Insinyur dan Ilmuwan. Bandung:
itbpress