Anda di halaman 1dari 32

SPATIAL AUTOREGRESSIVE

STRUCTURAL EQUATION MODELLING
PADA PREVALENSI DIARE
(STUDI KASUS DI PULAU JAWA DAN MADURA)
Oleh :
LILIK HARIYANTI
NPM : 140720090029
TESIS
Untuk memenuhi salah satu syarat ujian
Guna memperoleh gelar Magister Statistika Terapan
Program Pendidikan Magister Program Studi Statistika Terapan
Konsentrasi Statistika Sosial
PROGRAM PASCA SARJANA
UNIVERSITAS PADJADJARAN
2010
ii
SPATIAL AUTOREGRESSIVE
STRUCTURAL EQUATION MODELLING
PADA PREVALENSI DIARE
(STUDI KASUS DI PULAU JAWA DAN MADURA)
PENGESAHAN
Oleh :
LILIK HARIYANTI
NPM : 140720090029
TESIS
Untuk memenuhi salah satu syarat ujian
Guna memperoleh gelar Magister Statistika Terapan
Program Pendidikan Magister Program Studi Statistika Terapan
Telah disetujui oleh Tim Pembimbing pada tanggal
seperti tertera di bawah ini
Bandung, Agustus 2010
Dr Jadi Suprijadi, DEA
Ketua Tim Pembimbing
Yusep Suparman, S.Si., MSc.
Anggota Tim Pembimbing
iii
PERNYATAAN
Dengan ini saya menyatakan bahwa:
1. Karya Tulis saya, tesis ini adalah asli dan belum pernah diajukan untuk
mendapatkan gelar akademik (sarjana, magister, dan/atau doktor) baik di
Universitas Padjadjaran maupun di perguruan tinggi lain.
2. Karya tulis ini adalah murni gagasan, rumusan dan penelitian saya sendiri,
tanpa bantuan pihak lain, kecuali arahan Tim Pembimbing.
3. Dalam karya tulis ini dak terdapat karya atau pendapat yang telah ditulis
atau dipublikasikan orang lain, kecuali secara tertulis dengan jelas
dicantumkan sebagai acuan dalam naskah dengan disebutkan nama
pengarang dan dicantumkan dalam daftar pustaka.
4. Pernyataan ini saya buat dengan sesungguhnya dan apabila di kemudian
hari terdapat penyimpangan dan ketidakbenaran dalam pernyataan ini,
maka saya bersedia menerima sanksi akademik berupa pencabutan gelar
yang telah diperoleh karena karya ini, serta sanksi lainnya sesuai dengan
norma yang berlaku di perguruan tinggi ini,
Bandung, Agustus 2010
Yang membuat pernyataan,
(Lilik Hariyanti)
NPM. 140720090029
iv
ABSTRAK
Judul Tesis : Spatial Autoregressive Structural Equation Modelling
pada Prevalensi Diare (Studi Kasus di Pulau Jawa dan
Madura)
Kata kunci : Diare, Spatial Dependence, Spatial Autoregressive,
Structural Equation Modelling.
Nama : Lilik Hariyanti
NPM : 140720090029
Progran Studi : Statistika Terapan
Konsentrasi : Statistika Sosial
Tim Pembimbing : 1. Dr Jadi Suprijadi, DEA
2. Yusep Suparman, S.Si., MSc.
Tahun Kelulusan : 2010
Abstrak
Diare mempunyai sifat menular, sehingga kejadian diare di suatu daerah
dapat mempengaruhi kejadian diare di sekitar daerah tersebut. Hal ini biasa
disebut spatial dependence. Sehingga untuk memodelkan kejadian diare
diperlukan suatu model yang mampu mengakomodasi spatial dependence , dalam
hal ini spatial autoregressive model. Untuk model ini, pendekatan kuadrat terkecil
tidak menghasilkan taksiran terbaik atau taksirannya bersifat tidak konsisten dan
tidak efisien. Sehingga metode yang digunakan adalah Maximum Likelihood
(ML). ML akan menghasilkan taksiran parameter yang konsisten dan efisien.
Sebagai alternatif dari pendekatan yang standar, Folmer dan Oud (2008)
mengusulkan pendekatan Structural Equation Modeling (SEM ) untuk memodelkan
spatial autoregressive. Kelebihan menggunakan SEM di antaranya SEM
dirancang untuk persamaan simultan, jadi formulasi spatial model dalam SEM
akan memudahkan dalam menganalisa suatu sistem persamaan spasial secara
simultan, SEM mampu mengakomodasi galat dan selain itu, SEM mampu
mengukur hubungan kausal yang terjadi di antara variabel-variabel laten.
Dalam Tesis ini ditaksir model kejadian diare dengan menggunakan
spatial autoregressive SEM berdasarkan data Susenas pada Juli 2009 (BPS).
Dari hasil penaksiran diperoleh bahwa setiap penurunan rata-rata prevalensi diare
v
di sekitar suatu kabupaten/kota sebesar 1% akan menurunkan prevalensi diare di
kabupaten/kota tersebut sebesar 0,1020%. Selain itu diperoleh juga bahwa
kontribusi terbesar terhadap penurunan prevalensi diare diperoleh dari
peningkatan persentase rumah tangga yang menggunakan toilet sendiri, kemudian
sumber air minum bukan ledeng dan ledeng, yang mana untuk setiap peningkatan
10% secara berurut masing-masing akan menurunkan prevalensi diare sebesar
0,169%, 0,114% dan 0,085%.
Abstract
Diarrhea is a contagious disease. Hence, the occurrence of diarrhea in a
region can be influenced by the occurrence of diarrhea in the areas neighboring
to the region (spatial dependence). Accordingly, a model that can accommodate
spatial dependence is required to model diarrhea prevalence i.e. a spatial
autoregressive model. For the model, the least square approach produces
inconsistent and inefficient estimates while the Maximum Likelihood approach
produces consistent and efficient estimates. Alternative to the standard approach,
Folmer and Oud (2008) proposed structural equation modelling approach to the
model under the Maximum Likelihood framework. There are some advantages of
using SEM . SEM is designed for simultaneous equations. Thus analyzing
simultaneous spatial model can be done easily. Moreover, SEM can handle
measurement galat and include latent variable explicitly in the model.
In this thesis, we estimated a spatial autoregressive SEM based on
Susenas 2009 data. We find out that each percentage decrease of average
diarrhea prevalence in the surrounding areas of a region decreases 0.102% of
diarrhea prevalence in the region. Furthermore, the most influential diarrhea
factors are presence of toilet, non-piped safe water and piped water.
Respectively, for each 10% increase of these factors, the prevalence diarrhea in a
region decreases by 0.169%, 0.114% and 0.085%.
vi
KATA PENGANTAR
Puji syukur penulis panjatkan kehadirat Allah SWT yang telah
melimpahkan rahmat, taufik dan hidayah-Nya, sehingga berkat kuasa-Nya tesis
berjudul Spatial Autoregressive Structural Equation Modelling pada Prevalensi
Diare (Studi Kasus di Pulau Jawa dan Madura) dapat diselesaikan.
Pada kesempatan ini penulis mengucapkan terima kasih dan penghargaan
yang setinggi-tingginya kepada :
1. Bapak DR Jadi Suprijadi, DEA, selaku Ketua Jurusan FMIPA dan Ketua
Pembimbing yang telah memberikan bimbingan dan arahan selama
penyusunan tesis ini.
2. Bapak Yusep Suparman, S.Si., M.Sc, selaku Pembimbing yang telah sabar
memberikan bimbingan, ilmu, arahan dan waktu selama penyusunan tesis ini.
3. Bapak Bernik dan Bapak Satwiko, selaku Tim Penguji yang telah
memberikan saran dan masukan.
4. Bapak dan Ibu dosen pengajar Jurusan Statistika Terapan FMIPA yang telah
membagi ilmunya selama perkuliahan.
5. Kepala BPS, Kepala Pusdiklat BPS dan seluruh jajaran BPS yang telah
memberikan kesempatan kepada penulis untuk mengikuti program Magister
Statistika di Universitas Padjadjaran.
6. Orang tua, mertua dan saudara yang tidak bosan-bosannya mendoakan dan
membantu kelancaran studi ini.
7. Belahan jiwaku, yaitu suami dan anakku tercinta yang telah mendukung
dengan segenap hati dan pengorbanannya.
8. Teman-teman sekelas yang telah mengajarkan arti persahabatan.
9. Serta semua pihak yang tidak dapat penulis sebutkan satu per satu.
Penulis menyadari bahwa tesis ini masih jauh dari sempurna, baik isi
maupun susunannya. Oleh karena itu, kritik dan saran yang membangun sangat
penulis harapkan demi perbaikan tesis ini.
Semoga tesis ini bermanfaat bagi banyak pihak.
Bandung, Juli 2010
Lilik Hariyanti
140720090029
vii
DAFTAR ISI
Hal
PENGESAHAN...................................................................................................... ii
PERNYATAAN..................................................................................................... iii
ABSTRAK............................................................................................................. iv
KATA PENGANTAR ........................................................................................... vi
DAFTAR ISI......................................................................................................... vii
DAFTAR LAMPIRAN.......................................................................................... ix
BAB I PENDAHULUAN.................................................................................... 1
1.1 LATAR BELAKANG........................................................................ 1
1.2 IDENTIFIKASI MASALAH.............................................................. 2
1.3 MAKSUD DAN TUJUAN PENELITIAN......................................... 3
1.4. MANFAAT PENELITIAN ............................................................... 3
BAB II TINJAUAN PUSTAKA.......................................................................... 5
2.1 PENDAHULUAN.............................................................................. 5
2.2 TINJAUAN KRITIS........................................................................... 5
BAB III SPATIAL AUTOREGRESSIVE STRUCTURAL EQUATION
MODELLING PADA STUDI KASUS PREVALENSI DIARE ............................ 9
3.1 PENDAHULUAN.............................................................................. 9
3.2 SPATIAL AUTOREGRESSIVE........................................................... 9
viii
3.3 STRUCTURAL EQUATION MODELLING ..................................... 12
3.4 SPATIAL AUTOREGRESSIVE SEM................................................ 15
3.5 DATA DAN TAHAPAN ANALISIS .............................................. 17
BAB IV HASIL DAN PEMBAHASAN........................................................... 24
4,1 HASIL............................................................................................... 24
4.2 PEMBAHASAN............................................................................... 27
BAB V KESIMPULAN DAN SARAN............................................................. 31
5.1 KESIMPULAN................................................................................. 31
5.2 SARAN............................................................................................. 31
DAFTAR PUSTAKA........................................................................................... 33
LAMPIRAN.......................................................................................................... 34
ix
DAFTAR LAMPIRAN
Hal
Lampiran 1 Tabel Data Variabel Prevalensi Diare pada 117 Kabupaten/Kota di
Pulau Jawa dan Madura................................................................. 35
Lampiran 2 Matriks Moment Prevalensi Diare.................................................. 36
Lampiran 3 Syntax Program Mx........................................................................ 37
Lampiran 4 Luaran Program Mx........................................................................ 39
Lampiran 5 Luaran Estimasi yang Dihitung dengan Menggunakan metode
OLS................................................................................................ 42
1
BAB I
PENDAHULUAN
1.1 Latar Belakang
Kesehatan manusia dipengaruhi oleh lingkungan, perilaku, keturunan, dan
pelayanan kesehatan. Namun, lingkungan merupakan faktor yang memiliki
pengaruh terbesar terhadap kesehatan masyarakat. Salah satu penyakit terbanyak
yang disebabkan oleh buruknya sanitasi di lingkungan masyarakat adalah diare.
Berdasarkan data BPS, pada Juli 2009, jumlah penduduk Indonesia yang
mengalami keluhan penyakit diare sebesar 4,10% dari jumlah penduduk sebanyak
231.369,5 ribu (BPS, 2009). Hal itu menunjukkan betapa banyaknya penderita
diare, sehingga perlu dilakukan kebijakan yang mampu mengurangi masalah
tersebut, karena diketahui bahwa diare adalah salah satu penyebab kematian
terbesar terutama pada anak-anak.
Faktor penyebab penyakit diare adalah secara langsung dan tidak
langsung. Faktor langsung diare adalah masalah infeksi (bakteri, virus, dan
parasit), gangguan malabsorbsi, makanan basi, makanan tidak bersih dan beracun,
alergi, dan imunodefisiensi. Sedangkan faktor tidak langsung diare (Nguyen,
2006) adalah kebersihan sanitasi, keadaan gizi, kepadatan penduduk, sosial
ekonomi, sosial budaya dan faktor lain seperti iklim. Dengan demikian, salah satu
bentuk intervensi yang dapat dilakukan oleh pemerintah untuk mengurangi
2
prevalensi diare adalah melalui peningkatan sarana air bersih dan sanitasi. Suatu
program pemerintah dalam pelaksanaannya memerlukan kajian terlebih dahulu.
Terutama untuk program peningkatan sarana air bersih dan sanitasi perlu
dilakukan kajian ekonomis yaitu cost and benefit analysis, artinya harus ada
penilaian secara sistematis terhadap semua biaya dan manfaat dari program
tersebut, atau biaya yang harus dikeluarkan dan keuntungan yang akan diperoleh
dari program tersebut dilakukan evaluasi terlebih dahulu. Dalam pelaksanaannya,
dalam salah satu pendekatan yang dapat dipergunakan, diperlukan informasi
tentang kontribusi dari peningkatan sarana air bersih dan sanitasi terhadap
penurunan prevalensi diare.
Penaksiran kontribusi sarana air bersih dan sanitasi terhadap prevalensi
diare merupakan hubungan kausal. Untuk itu diperlukan suatu alat analisis
kausalitas. Structural Equation Modelling (SEM) merupakan alat analisis
kausalitas yang dapat mengakomodasi banyak model statistik yang
menggambarkan hubungan kausalitas. Selain itu terdapat kelebihan lain dari SEM
dibandingkan alat analisis standar seperti analisis regresi dan varians. SEM dapat
mengatasi kendala akibat kesalahan pengukuran dan multikolinieritas, secara
eksplisit memasukkan variabel laten ke dalam model, dan mengakomodasi suatu
sistem persamaan simultan.
1.2 Identifikasi Masalah
SEM dapat dipergunakan untuk menaksir kontribusi sarana air bersih dan
sanitasi terhadap kejadian diare. Namun demikian, SEM diturunkan berdasarkan
3
asumsi bahwa setiap pengamatan saling independen satu dengan lainnya. Hal ini
tentunya berbeda dengan kasus kejadian diare, dimana kejadian diare di suatu
wilayah mempengaruhi dan dipengaruhi oleh kejadian diare di wilayah lain di
sekitar wilayah tersebut. Dengan demikian asumsi bahwa pengamatan saling
independen tidak terpenuhi. Jika kita memaksakan menggunakan SEM standar,
taksiran akan bersifat tidak konsisten dan tidak efisien. Dengan demikian
diperlukan SEM yang mampu mengakomodasi spatial dependence sedemikian
sehingga taksiran kontribusi sarana air bersih dan sanitasi terhadap kejadian diare
menjadi konsisten dan efisien.
1.3 Maksud dan Tujuan Penelitian
Berdasar permasalahan tersebut di atas, penelitian ini bermaksud mengkaji
spatial autoregressive SEM sebagai pendekatan alternatif dari pendekatan
tradisional untuk mengakomodasi spatial dependence di antara prevalensi diare
sehingga diperoleh taksiran konstribusi peningkatan sarana air bersih dan sanitasi
terhadap diare yang konsisten dan efisien.
1.4. Manfaat Penelitian
Manfaat dari penelitian ini adalah kontribusi dalam bidang keilmuan
mengenai manfaat penggunaan metode statistik dalam hal ini spatial dependence
dan SEM sebagai alat uji model yang melibatkan variabel laten. Selain dari itu,
hasil taksiran dapat dipergunakan sebagai input dalam cost and benefit analysis
4
pada kebijakan tentang peningkatan sarana air bersih dan sanitasi terkait dengan
penurunan prevalensi diare.
5
BAB II
TINJAUAN PUSTAKA
2.1 Pendahuluan
Diare terus menjadi salah satu penyebab morbiditas dan mortalitas yang
penting pada anak-anak di Indonesia (Edmunson, 1989). Tindakan-tindakan
untuk mencegah penyebaran diare masih dibutuhkan seperti ketersediaan sarana
air bersih dan sanitasi untuk pencegahan penyakit diare pada anak. Oleh karena
itu penelitian ini akan melakukan pengukuran kontribusi sarana air bersih dan
sanitasi terhadap prevalensi diare, dengan menggunakan model spatial
autoregressive SEM . Pada bagian selanjutnya akan dilakukan tinjauan kritis
terhadap penelitian-penelitian yang relevan dengan model tersebut, sehingga
diperoleh kejelasan bahwa model tersebut tepat untuk digunakan menyelesaikan
masalah spatial dependence.
2.2 Tinjauan Kritis
Pengukuran kontribusi sarana air bersih dan sanitasi terhadap prevalensi
diare merupakan kausal efek, karena adanya hubungan sebab akibat (kausal),
artinya ada akibat/dampak yang akan ditimbulkan dengan adanya sarana air
bersih dan sanitasi khususnya dalam prevalensi diare. Metode analisis yang dapat
dipergunakan untuk mengukur pola hubungan sebab akibat antara suatu variabel
6
yang dijelaskan (dependent variable) dengan satu atau lebih variabel eksplanatori
(independent variable) disebut sebagai analisis regresi.
Kutner dkk (2005) membagi analisis regresi menurut variabel responnya,
seperti berikut ini:
1) Variabel respon berbentuk diskrit:
(1) Jika responnya memiliki sifat biner seperti simple logistic regression
(Logit) pada distribusi Bernoulli jika 1 kali percobaan dan distribusi
Binomial jika ada beberapa percobaan, dan probit pada distribusi normal.
(2) Jika responnya memiliki sifat count variabel dan hanya mengambil non
negative integer value seperti Regresi Poisson.
2) Variabel respon berbentuk kontinu menggunakan multiple regression.
Karena data yang variabel respon dalam penelitian ini berasal dari
pengukuran yang disebut sebagai kontinu, sehingga analisis regresi yang
digunakan adalah multiple regression. Biasanya estimasi parameter dalam
multiple regression menggunakan OLS, yang bekerja dengan meminimumkan
jumlah kuadrat residual. Dengan metode OLS akan diperoleh estimator yang
bersifat linier tidak bias dan variansnya minimum yang biasa disebut dengan
BLUE (Best Linier Unbiased Estimator). Sifat tersebut akan tercapai jika asumsi
Gauss Markov dapat dipenuhi oleh model regresi. Berikut adalah asumsi Gaus-
Markov:
1) Rata-rata kekeliruan model adalah nol untuk semua pengamatan.
2) Tidak terdapat korelasi antar kekeliruan.
3) Setiap kekeliruan mempunyai varians yang sama.
7
4) Kekeliruan dan variabel bebas saling independen. (Verbekee, 2002)
Seperti diungkapkan sebelumnya bahwa kejadian diare mempunyai sifat
dari spatial dependence. Jika spatial effect ini tidak dimasukkan ke dalam model
akan mengakibatkan adanya korelasi antar galat sehingga penaksir menjadi tidak
efisien. Selain itu, adanya variabel penting yang tidak masuk dalam model, yaitu
faktor neighbors, mengakibatkan estimator menjadi bias (Anselin, 2002). Dengan
demikian pendekatan regresi klasik kurang tepat digunakan dalam analisis spasial
dan dibutuhkan metode statistik yang bisa mengatasi permasalahan yang terkait
dengan spatial dependence.
Kajian Statistika yang terkait dengan permasalahan spatial dependence
adalah spasial ekonometrik . Spasial ekonometrik digunakan untuk menganalisis
spatial effect, yaitu spatial dependence dan spatial heterogeneity, yang
sebenarnya merupakan fenomena yang terjadi dalam data spasial (cross section).
Dalam hal ini diuji seberapa besar interaksi variabel independen maupun variabel
dependen di daerah lain terhadap variabel dependen di suatu daerah (Anselin,
1999).
Berkaitan dengan kejadian diare yang bersifat menular dimana kejadian di
suatu wilayah akan mempengaruhi kejadian di sekitarnya, hal seperti ini
merupakan fenomena spatial dependence, model spasial yang dipergunakan
adalah spatial autoregressive model. Model ini mengakomodasi spatial dependence
dan spillover effect pada data bergeoreferens. Jadi untuk mengukur kontribusi
sarana air bersih dan sanitasi terhadap prevalensi diare akan digunakan spatial
autoregressive model.
8
Spatial ekonometrik secara tradisional menggunakan pendekatan analisis
regresi. Sebagai alternatif, Folmer dan Oud (2008) mengusulkan pendekatan SEM
terutama untuk spatial autoregressive model. Beberapa keuntungan menggunakan
pendekatan SEM dibandingkan dengan pendekatan analisis regresi, yaitu SEM
dirancang untuk persamaan simultan sehingga formulasi spatial model dalam
SEM akan memudahkan dalam menganalisa suatu sistem persamaan spasial
secara simultan; SEM mampu mengakomodasi galat; selain itu, SEM mampu
mengukur hubungan kausal yang terjadi di antara variabel-variabel laten.
Dengan memperhatikan keuntungan yang tersebut di atas, model spatial
autoregresive SEM akan digunakan untuk menaksir kontribusi sarana air bersih
dan sanitasi terhadap prevalensi diare. Uraian mengenai spatial autoregressive
model, SEM, spatial autoregresive SEM , data dan langkah-langkah analisis data
disajikan dalam Bab III.
9
BAB III
SPATIAL AUTOREGRESSIVE
STRUCTURAL EQUATION MODELLING
PADA STUDI KASUS PREVALENSI DIARE
3.1 Pendahuluan
Dalam bagian ini akan dibahas aplikasi spatial autoregresive SEM dalam
kasus prevalensi diare pada 117 kabupaten/kota di Pulau Jawa dan Madura.
Sebelum mengkaji spatial autoregressive SEM, terlebih dahulu akan diuraikan
mengenai model spatial autoregressive dalam regresi yang menjadi dasar
digunakannya model tersebut, kemudian dilanjutkan dengan tahap analisis melalui
penggunaan SEM, akhirnya akan dijelaskan mengenai SEM yang mengakomodasi
spatial autoregresive. Berikut ini uraian tersebut.
3.2 Spatial Autoregressive
Model spasial umum (Anselin, 1988) diekspresikan sebagai
ܡ෤ = ߩ܅ܡ෤ +܆

઻ +ઽ෤, ...(1)
ઽ = ૃ܅ઽ + ૄ,
dengan ૄ ~ N(૙, σ

۷),
ܡ෤ : vektor observasi (N × 1) pada variabel dependen y ;
10
ߩ : parameter spatial dependence yang mengukur rata-rata pengaruh
contiguity ;
܅ : matriks contiguity (N × N);
܆

: matriks observasi (N × ݍ) pada variabel eksplanatori q ;
઻ : koefisien vektor regresi (ݍ × 1) dari variabel eksplanatori q ;
ૃ : koefisien dalam struktur spatial autoregressive;
ઽ : vektor galat (N × 1).
Spatial autoregressive model atau lebih lengkapnya lagi disebut mixed regression-
spatial autoregressive model adalah hal khusus pada Persamaan (1) dengan
mengambil nilai ߣ = 0, sehingga diperoleh model yang akan dipergunakan untuk
menaksir kontribusi sarana air bersih dan sanitasi terhadap prevalensi diare, yaitu
ܡ = ߩ܅ܡ +܆઻ +ઽ. ...(2)
Koefisien ߩ menunjukkan bahwa rata-rata kekuatan dependensi kejadian diare antar
lokasi dijelaskan dengan pola dependensi yang dituangkan dalam matrik W.
Akibat keberadaan spatial dependence, penaksir Ordinary Least Square (OLS) akan
menjadi tidak efisien dan tidak konsisten (Anselin, 1988). Oleh karena itu, metode
penaksiran yang tepat dipergunakan adalah Maximum Likelihood (ML). Berikut ini
dijelaskan kerangka pemikiran mengenai penaksir ML.
Fungsi densitas peluang bersama untuk ઽ, adalah:
f(ઽ) = ቀ

√ଶ஠ఙ



exp


ଶఙ



ઽቁ
...(3)
Jika dimisalkan
11
ۯ = ۷ − ߩ܅ ...(4)
Maka Persamaan (1) dapat ditulis sebagai
ۯܡ = ܆઻ + ઽ ...(5)
Atau
ۯܡ − ܆઻ = ઽ ...(6)
Pada Persamaan (6), setiap elemen dalam ઽ merupakan variabel acak yang
mengikuti distribusi normal identik dengan rata-rata nol dan variansnya ߪ

yang
saling independen. Secara umum ditulis dalam bentuk implisit dari model linier.
݂(ܡ, ܆, ી) = ઽ
Pada Persamaan (3) menunjukkan bahwa ઽ merupakan joint distribution, tetapi tidak
dapat digunakan sebagai observasi, sehingga fungsi likelihood harus berdasarkan y.
Oleh karena itu, perlu diterapkan konsep Jacobian yang menjelaskan joint
distribution y yang berasal dari ઽ. Jacobian digunakan untuk mentransformasikan
vektor acak ઽ menjadi vektor acak y menggunakan Persamaan (6)
ܬ = det(∂ઽ/ ∂ܡ)
sehingga diperoleh
ܬ = |ۯ| ...(7)
Berdasarkan joint normal distribution untuk ઽ , dan menggunakan Persamaan (7),
fungsi log-likelihood untuk vektor observasi y dapat ditunjukkan sebagai berikut
L = −ቀ


ቁ ln(2π) −ቀ


ቁ lnߪ

+ ln|ۯ| − (

ଶఙ

ઽ′ઽ) ...(8)
Dengan ઽ = (ۯܡ– ܆઻)
12
Taksiran parameter dalam model yaitu ߩ, ߛ dan ߪ

diperoleh dengan
memaksimumkan Persamaan (8).
3.3 Structural Equation Modelling
Berikut adalah Model SEM (Joreskog, 1996) :
1. Model Struktural
િ = ۰િ + ડ૆ + ા ...(9)
2. Model Pengukuran
- Untuk variabel laten endogen
ܡ = ઩

િ + ઽ ...(10)
- Untuk variabel laten eksogen
ܠ = ઩

૆ + ઼ ...(11)
Keterangan :
ܡ : vektor (݌ × 1) variabel respon
ܠ : vektor (ݍ × 1) variabel prediktor
િ : vektor (݉ × 1)variabel laten endogen
૆ : vektor (݊ × 1)variabel laten eksogen
ઽ : vektor (݌ × 1) galat pengukuran dari variabel y
઼ : vektor (ݍ × 1) galat pengukuran dari variabel x


: matriks (݌ × ݉) koefisien regresi y pada િ


: matriks (ݍ × ݊)koefisien regresi x pada ૆
B : matriks parameter (݉ × ݉) hubungan struktural antara variabel laten endogen
13
ડ : matriks parameter (݉ × ݊) efek variabel laten eksogen pada variabel laten
endogen
ા : vektor (݉ × 1) galat hubungan struktural antara િ dan ૆
Dengan matriks kovarians sebagai berikut :
Cov(૆) = ઴(݊ × ݊)
Cov(ા) = શ(݉ × ݉)
Cov(ઽ) = દ

(݌ × ݌)
Cov(઼) = દ

(ݍ × ݍ)
Dalam model di atas diasumsikan bahwa:
1) Cov(ઽ, િ) = 0,
2) Cov(઼, ૆) = 0,
3) Cov(ા, ૆) = 0,
4) ા, ઽ, dan ઼ saling tidak berkorelasi.
Penelitian ini dibatasi pada estimator ML, yang memaksimumkan fungsi
log-likelihood dari elemen-elemen bebas dalam 8 matriks parameter model, pada
data Z (termasuk variabel observasi endogenus dan eksogenus) :
ℓ(ી|܈) = −
ܰ
2
ln|઱| −
ܰ
2
tr(܁઱
−૚
) −
(݌+ݍ)ܰ
2
ln 2π ...(12)
Keterangan :
ી : estimasi parameter pada 8 matriks
܈
(ே ×(௣ା௤))
: matriks data (N baris replikasi independen dari p-variat vektor y dan
q-variat vektor x biasanya berasal dari sampel subjek yang acak)

௣ ×௣
: model implikasi kovarians atau matriks momen sebuah fungsi ઱(ી) dari ી
14
઱ = ቈ


۶൫ડ઴ડ

+શ൯۶




+ દ



۶ડ઴઩




઴ડ

۶






઴઩


+ દ

቉ dengan ۶ = (۷ −۰)
ିଵ
...(13)
Sehingga, ܁
௣ ×௣
=


܈

܈ adalah kovarians sampel atau matriks momen
Estimator-ML yaitu ી

= argmax ℓ(ી|܈) diperoleh dengan memilih nilai ી yang
memaksimumkan ℓ(ી|܈). Jika variabel observasi menunjukkan distribusi
multivariat normal baku, maka maksimum dari ℓ(ી|܈) memberikan nilai estimasi
ML yang tepat. Estimator tersebut bersifat konsisten. Walaupun demikian,
standard error yang dihasilkan oleh Lisrel 8 dan program SEM yang lain
seharusnya diinterpretasikan dengan seksama. Hal ini berlaku pula untuk berbagai
statistik yang digunakan pengevaluasian bahwa model fit, khususnya
menggunakan statistik ߯

.
Secara umum software SEM yang standar meminimumkan fungsi fit,
padahal seharusnya memaksimumkan fungsi log-likelihood pada Persamaan (12),
sehingga diperoleh
F
ܯܮ
= ln|઱| + tr൫܁઱
ି૚
൯ − ln|܁| − ݌ ...(14)
Dalam hal ini statistik ߯

berbentuk ߯

= (ܰ −1) F
ெ௅
. Karena matriks S adalah
konstan, maka Persamaan (12) dan (14) mempunyai hubungan linier.
Dengan menganggap vektor variabel eksogenus ૆ dalam Persamaan (9)
sebagai fix dan terukur, log-likelihood dalam Persamaan (14) menjadi
र(ી|܇

) = −


ln|઱

| −


∑ (࢟
଴௜
− ࣆ
଴௜
)



ିଵ ே
௜ୀଵ
(࢟
଴௜
− ࣆ
଴௜
) −




ln2ߨ ...(15)
dimana
15
- subscript 0 pada ܇

, ࢟

, dan ࣆ

mengindikasikan bahwa fix dan terukur pada
variabel eksogenus diabaikan,
- ݌

adalah jumlah variabel observasi acak pada ܇

dan ࢟

,
- ૄ

= ۳(࢟

) = ࢫ

(۷ −۰)
ିଵ
ડܠ ...(16)
- ઱

= ۳[(ܡ

− ૄ

)(ܡ

− ૄ

)

] = ઩

શ઩


+ દ

...(17)
3.4 Spatial Autoregressive SEM
Sebelumnya kita perlu menunjukkan perbedaan penting antara definisi
tradisional SEM pada bentuk variabel [Persamaan (9) – (11)] dengan SEM yang
didefinisikan dalam unit observasi sebagai standar spasial ekonometrik. Jika
biasanya vektor menunjukkan unit observasi yang biasa diberi tanda tilde (~),
maka pada spasial ekonometrik SEM menunjukkan vektor dan matriks suatu
variabel.
Persamaan spatial autoregressive SEM dapat dituliskan dengan
ܡ = ߩܡ
ܟ
+ ઻
܂
܆ + ઽ (18)
Dimana ܡ
ܟ
spatial lag pada variabel dependen dan X adalah vektor variabel
independen.
Untuk mengembangkan estimator dalam persamaan (18) supaya konsisten
dan efisien maka perlu memperhitungkan ܡ
ܟ
sebagai transformasi ܅࢟෥ pada
variabel dependen. Oleh karena itu, tidak dapat diasumsikan tidak berkorelasi
dengan galat.
16
Seperti halnya pada Sub Bab 3.2, akan diterapkan konsep Jacobian,
sehingga diperoleh persamaan sebagai berikut
ℓ(ી|࢟෥) = ln|ۯ| −


ln ߪ



ଶ ఙ

∑ (ܡ

− ૄ

)
ଶ ே
௥ୀଵ



ln2π ...(19)
dengan ૄ
ܚ
= ߩܡ
ܟ
ܚ
+ ઻
܂
ܠ
ܚ
dan subscript r menotasikan observasi individual r.
Persamaan (19) menunjukkan bahwa komponen ln|ۯ| ditambahkan pada standar
univariat log-likelihood. Program SEM Mx memungkinkan komponen ini
ditambahkan langsung pada fungsi kecocokan standar. Mx meminimumkan
߯

= (ܰ −1)F
ܯܮ
= −2 ቀ
ேିଵ

ቁ [ℓ(ી|܇) + constant].
Koreksi yang akan diterapkan untuk mendapatkan solusi ML dalam program Mx
adalah
−2 (
ܰ−1
ܰ
) ln|ۯ| ...(20)
Jika terdapat N buah unit observasi dan p buah independen variabel, kita akan
mempunyai matrix data (y, ܡ
ܟ
, ܠ

, ܠ

, ..., 1) dengan ukuran (N × (p+3)). Dengan
adanya unit konstan dalam data, moment matriks S mengandung rata-rata sampel
pada baris dan kolom terakhirnya. Untuk sebuah model persamaan tunggal
dengan hanya variabel teramati,


= ۷
(ଵ×ଵ)
, ઩

= ۷
(௣×ଶ)(௣×ଶ)
, દ

= 0, દ

= 0, ઠ = 0
Sedemikian sehingga, model implied moment matriks pada model (13) menjadi:
઱(ી) = ൤
ડ઴ડ
܂
+ ૐ ડ઴
઴ડ
܂


Sedangkan matriks ડ, ઴ dan ૐ adalah:
17

൫૚×(࢖ା૛)൯
=
( )
0 2 1
2 1
1
γ γ γ γ ρ
x x x y
p
p w


઴ =
(
(
(
(
(
(
(
(
(
(
¸
(

¸

E E E E
E E E
E E
E
÷ ÷ ÷
1
) ( ) ( ) ( ) (
) ( ) ( ) (
) ( ) (
) (
1
2 1
2
2 1 1 1 1
2
2 1 2 2
2
1 1
2
2 1
p w
x x x y
p p p w p
w
w
w
p w
x x x x x y x
x x x y x
x y x
y
x x x y
µ µ µ µ 

  


(ଵ×ଵ)
= [ߪ

]
3.5 Data dan Tahapan Analisis
Sumber data yang dipergunakan untuk tinjauan dari metode dan teori yang
melatarbelakangi penelitian ini adalah data Susenas. Susenas merupakan survei
yang dirancang untuk mengumpulkan data sosial kependudukan yang relatif
sangat luas. Data yang dikumpulkan antara lain menyangkut bidang-bidang
pendidikan, kesehatan/gizi, perumahan, sosial ekonomi lainnya, kegiatan sosial
budaya, konsumsi/pengeluaran dan pendapatan rumah tangga, perjalanan, dan
pendapat masyarakat mengenai kesejahteraan rumah tangganya. setiap tahun
dalam Susenas tersedia perangkat data yang dapat digunakan untuk memantau
taraf kesejahteraan masyarakat, merumuskan program pemerintah yang khusus
ditujukan untuk meningkatkan kesejahteraan sektor-sektor tertentu dalam
masyarakat, dan menganalisis dampak berbagai program peningkatan
kesejahteraan penduduk. (BPS, 2005)
18
Populasi Susenas adalah seluruh kabupaten/kota di Indonesia dengan
sampel blok-blok sensus (BS) yang bisa berubah setiap tahunnya. Sedangkan
yang akan digunakan dalam penelitian ini adalah data Susenas tahun 2009 pada
kabupaten/kota di Pulau Jawa dan Madura sebanyak 117 kabupaten/kota. Data ini
tidak dianggap sebagai sampel karena hasil Susenas merupakan estimasi
kabupaten/kota.
Seperti dijelaskan pada latar belakang masalah, penelitian ini ingin
membentuk suatu model yang mengakomodasi spatial depedence dalam kejadian
diare, untuk mengetahui kontribusi sarana air bersih dan sanitasi. Sehubungan
dengan hal tersebut maka kontribusi sarana air bersih dan sanitasi akan terkait
dengan sarana sanitasi dan perilaku sanitasinya, yang akan diwakili oleh:
1) Perilaku higienis yang direpresentasikan oleh tingkat pendidikan dalam
persentase kemampuan membaca dan menulis (literacy) ibu (ݔ

)
2) Persentase rumah tangga yang menggunakan toilet sendiri (ݔ

)
3) Persentase rumah tangga yang toiletnya menggunakan septitank (ݔ

)
4) Persentase rumah tangga dengan sumber air minum yang berasal dari air
ledeng (ݔ

)
5) Persentase rumah tangga dengan sumber air minum yang bukan berasal dari
air ledeng (ݔ

)
Yang menjadi responden dalam penelitian ini adalah persentase penduduk yang
mengalami keluhan diare dalam satu bulan terakhir pada saat dilakukan survei.
Langkah-langkah analisis sebagai berikut :
1) Spesifikasi model
19
SEM dimulai dengan menspesifikasikan model penelitian yang akan
diestimasi. Spesifikasi model penelitian, yang merepresentasikan permasalan
yang diteliti, adalah penting dalam SEM . Menurut Hoyle (1998) mengatakan
bahwa analisis tidak akan dimulai sampai peneliti menspesifikasikan sebuah
model yang akan menunjukkan hubungan di antara variabel-variabel yang
akan dianalisis. Seperti dijelaskan sebelumnya bahwa ada 6 variabel teramati
dan 1 variabel respon yang menjadi variabel laten. Dengan memasukkan
variabel ke dalam model sehingga menjadi :
ݕ = ߩݕ



ݔ



ݔ



ߛ



ݔ



ݔ




Dengan ݕ

sebagai transformasi ܅࢟෥ pada variabel dependen
) 117 117 (
0
0 0
0 1 0
0 0 0 0
0 0 0 1 0
0 0 0 1 1 0
0 0 0 0 1 1 0
0 0 0 1 0 1 1 0
0 0 0 0 0 0 0 0 0
3676
3202
3201
3175
3174
3173
3172
3171
3101
3676 3202 3201 3175 3174 3173 3172 3171 3101
©
(
(
(
(
(
(
(
(
(
(
(
(
(
(
¸
(

¸

=
 










W
Kemudian
20
(
(
(
(
(
(
(
(
(
¸
(

¸

=
1 0 0 0 0 0 0
1 0 0 0 0 0
1 0 0 0 0
1 0 0 0
1 0 0
1 0
1
1
5
4
3
2
1
x
x
x
x
x
y
w
x
Λ
(21)
| | 1 y =
y
Λ (22)
| | 0 = Β (23)
| |
0 5 4 3 2 1
¸ ¸ ¸ ¸ ¸ ¸ µ = Γ (24)
(
(
(
(
(
(
(
(
(
¸
(

¸

E E E E
E E E
E E
E
=
1
) ( ) ( ) ( ) (
) ( ) ( ) (
) ( ) (
) (
1
5 2 1
2
5 2 6 1 6 6
2
2 1 2 2
2
1 1
2
5 2 1
x x x y
w
w
w
w
w
w
x x x x x y x
x x x y x
x y x
y
x x x y
µ µ µ µ 

  

Φ
(25)
| |
2
o = Ψ (26)
| |
) 1 7 (
0
×
=
δ
Θ (27)
| |
) 1 1 (
0
×
=
ε
Θ (28)
Grafik 1 Konsep Path Diagram
2) Identifikasi model
Tahap ini berkaitan dengan pengkajian tentang kemungkinan diperolehnya
nilai yang unik untuk setiap parameter yang ada di dalam
ini kita harus mengetahui ju
fredom, sehingga akan diketahui apakah model kita
identified atau over
Banyak variabel pengamatan
Banyak parameter
1) Matriks Γ pada poin (2
2) Matriks Φ pada poin (2
3) Matriks Ψ pada poin (2
Path DiagramPrevalensi Diare
Identifikasi model
Tahap ini berkaitan dengan pengkajian tentang kemungkinan diperolehnya
nilai yang unik untuk setiap parameter yang ada di dalam model. Dalam tahap
ini kita harus mengetahui jumlah data, jumlah parameter dan
, sehingga akan diketahui apakah model kita under
over-identified.
variabel pengamatan : (ݕǡ ݕ

ǡ ݔ

ǡ ݔ

ǡ ݔ

ǡ ݔ

ǡ ݔ

, 1)
:
(8×9)
2
= 36
parameter yang diestimasi :
pada poin (24) sebanyak 7
pada poin (25) sebanyak (7*8)/2 = 28
pada poin (26) sebanyak 1
21
Tahap ini berkaitan dengan pengkajian tentang kemungkinan diperolehnya
model. Dalam tahap
ah parameter dan degree of
under-identified, just-
22
Jadi dari 3 matriks di atas diperoleh total parameter = 36
Model yang dispesifikasikan adalah just-identified karena jumlah parameter
yang diestimasi sama dengan jumlah data yang diketahui. Namun, karena
adanya transformasi y menjadi ܡ
ܟ
sehingga degree of freedom(df) = 0 + 1 = 1
(Folmer & Oud, 2008).
3) Estimasi parameter
Setelah kita mengetahui bahwa identifikasi dari model adalah over-identified,
maka tahap berikutnya kita melakukan estimasi untuk memperoleh nilai dari
parameter-parameter yang ada di dalam model. Seperti yang disebutkan
sebelumnya, dalam melakukan estimasi kita berusaha memperoleh nilai
parameter-parameter ( ડ, ઴, ૐ) sedemikian sehingga matrik kovarians yang
diturunkan dari model ઱(ી) sedekat mungkin atau sama dengan matrik
kovarians populasi dari variabel-variabel teramati S .
Dengan menggunakan fungsi ML untuk memaksimalkan Persamaan (19)
melalui penggunaan program Mx, maka diperoleh
઱(ી) = ൤
ડ઴ડ
܂
+ ૐ ડ઴
઴ડ
܂


4) Evaluasi nilai estimasi
Mengevaluasi estimasi artinya mengevaluasi validitas dari estimasi, karena
semua koefisien kausalitas harus berdasarkan teori, maka pertama-tama
adalah mencocokkan dengan teorinya, apakah sudah sesuai atau belum. Jika
tidak sesuai harus ada penjelasannya, namun jika tidak ada penjelasan dari
teorinya dimungkinkan ada kesalahan spesifikasi model, misal tanda yang
23
seharusnya positif menjadi negatif, nilai yang seharusnya 5 menjadi 50,
sehingga perlu dilihat validitas dari taksiran tersebut. Selain itu kita harus
melihat hasilnya secara teknis, dalam analisis SEM dimungkinkan diperoleh
nilai taksiran varians yang negatif, sehingga kita harus evaluasi nilai-nilai
yang diberikan oleh SEM . Kondisi seperti ini disebut sebagai heywood cases.
Untuk uji kecocokan dalam model spatial autoregressive SEM , didasarkan
pada p-value dari ߯

, dimana semakin besar nilai p-value semakin fit suatu
model.
5) Respesifikasi model
Respesifikasi dilakukan jika hasil dari evaluasi tidak sesuai dengan yang
diharapkan. Alasan harus dilakukannya respesifikasi model adalah :
- Modelnya tidak cocok/fit
- Parameter tidak sesuai, jika dipandang dari sudut teori, misalnya
pendidikan ibu seharusnya mampu menurunkan tingkat prevalensi diare
namun dari hasil evaluasi meningkatkan sehingga hal ini perlu dilakukan
respesifikasi model
- Heywood cases
Secara tehnik ada acuan untuk membuat model kembali. Software mampu
memberikan modifikasi indices, dimana akan dikeluarkan usulan-usulan
untuk memperbaiki model. Namun dalam prakteknya harus ada legalisasi
dari teori dan logika yang mendasarinya.

SPATIAL AUTOREGRESSIVE STRUCTURAL EQUATION MODELLING PADA PREVALENSI DIARE (STUDI KASUS DI PULAU JAWA DAN MADURA)

PENGESAHAN

Oleh : LILIK HARIYANTI NPM : 140720090029

TESIS
Untuk memenuhi salah satu syarat ujian Guna memperoleh gelar Magister Statistika Terapan Program Pendidikan Magister Program Studi Statistika Terapan Telah disetujui oleh Tim Pembimbing pada tanggal seperti tertera di bawah ini

Bandung, Agustus 2010

Dr Jadi Suprijadi, DEA Ketua Tim Pembimbing

Yusep Suparman, S.Si., MSc. Anggota Tim Pembimbing

ii

PERNYATAAN

Dengan ini saya menyatakan bahwa: 1. Karya Tulis saya, tesis ini adalah asli dan belum pernah diajukan untuk mendapatkan gelar akademik (sarjana, magister, dan/atau doktor) baik di Universitas Padjadjaran maupun di perguruan tinggi lain. 2. Karya tulis ini adalah murni gagasan, rumusan dan penelitian saya sendiri, tanpa bantuan pihak lain, kecuali arahan Tim Pembimbing. 3. Dalam karya tulis ini dak terdapat karya atau pendapat yang telah ditulis atau dipublikasikan orang lain, kecuali secara tertulis dengan jelas dicantumkan sebagai acuan dalam naskah dengan disebutkan nama pengarang dan dicantumkan dalam daftar pustaka. 4. Pernyataan ini saya buat dengan sesungguhnya dan apabila di kemudian hari terdapat penyimpangan dan ketidakbenaran dalam pernyataan ini, maka saya bersedia menerima sanksi akademik berupa pencabutan gelar yang telah diperoleh karena karya ini, serta sanksi lainnya sesuai dengan norma yang berlaku di perguruan tinggi ini,

Bandung, Agustus 2010 Yang membuat pernyataan,

(Lilik Hariyanti) NPM. 140720090029

iii

Yusep Suparman. dalam hal ini spatial autoregressive model. Hal ini biasa disebut spatial dependence. Structural Equation Modelling. sehingga kejadian diare di suatu daerah dapat mempengaruhi kejadian diare di sekitar daerah tersebut. Dari hasil penaksiran diperoleh bahwa setiap penurunan rata-rata prevalensi diare iv . Dr Jadi Suprijadi. S. Sehingga metode yang digunakan adalah Maximum Likelihood (ML). Spatial Autoregressive. Sebagai alternatif dari pendekatan yang standar. SEM mampu mengakomodasi galat dan selain itu. SEM mampu mengukur hubungan kausal yang terjadi di antara variabel-variabel laten. Spatial Dependence. pendekatan kuadrat terkecil tidak menghasilkan taksiran terbaik atau taksirannya bersifat tidak konsisten dan tidak efisien. Untuk model ini. DEA 2.. Sehingga untuk memodelkan kejadian diare diperlukan suatu model yang mampu mengakomodasi spatial dependence . ML akan menghasilkan taksiran parameter yang konsisten dan efisien. jadi formulasi spatial model dalam SEM akan memudahkan dalam menganalisa suatu sistem persamaan spasial secara simultan.ABSTRAK Judul Tesis : Spatial Autoregressive Structural Equation Modelling pada Prevalensi Diare (Studi Kasus di Pulau Jawa dan Madura) Kata kunci : Diare. Folmer dan Oud (2008) mengusulkan pendekatan Structural Equation Modeling (SEM ) untuk memodelkan spatial autoregressive. Nama NPM Progran Studi Konsentrasi Tim Pembimbing : Lilik Hariyanti : 140720090029 : Statistika Terapan : Statistika Sosial : 1.Si. Kelebihan menggunakan SEM di antaranya SEM dirancang untuk persamaan simultan. Tahun Kelulusan Abstrak : 2010 Diare mempunyai sifat menular. Dalam Tesis ini ditaksir model kejadian diare dengan menggunakan spatial autoregressive SEM berdasarkan data Susenas pada Juli 2009 (BPS). MSc.

For the model.114% dan 0. the most influential diarrhea factors are presence of toilet.169%. Moreover. There are some advantages of using SEM .169%. v . 0. Thus analyzing simultaneous spatial model can be done easily. non-piped safe water and piped water. We find out that each percentage decrease of average diarrhea prevalence in the surrounding areas of a region decreases 0. 0.085%. SEM can handle measurement galat and include latent variable explicitly in the model. Furthermore. Abstract Diarrhea is a contagious disease. the occurrence of diarrhea in a region can be influenced by the occurrence of diarrhea in the areas neighboring to the region (spatial dependence).1020%. a spatial autoregressive model.114% and 0. we estimated a spatial autoregressive SEM based on Susenas 2009 data.e. yang mana untuk setiap peningkatan 10% secara berurut masing-masing akan menurunkan prevalensi diare sebesar 0. Accordingly. Folmer and Oud (2008) proposed structural equation modelling approach to the model under the Maximum Likelihood framework. Hence. Alternative to the standard approach. In this thesis. Respectively.di sekitar suatu kabupaten/kota sebesar 1% akan menurunkan prevalensi diare di kabupaten/kota tersebut sebesar 0.102% of diarrhea prevalence in the region. for each 10% increase of these factors. the least square approach produces inconsistent and inefficient estimates while the Maximum Likelihood approach produces consistent and efficient estimates.085%. the prevalence diarrhea in a region decreases by 0. SEM is designed for simultaneous equations. Selain itu diperoleh juga bahwa kontribusi terbesar terhadap penurunan prevalensi diare diperoleh dari peningkatan persentase rumah tangga yang menggunakan toilet sendiri. a model that can accommodate spatial dependence is required to model diarrhea prevalence i. kemudian sumber air minum bukan ledeng dan ledeng.

Belahan jiwaku. 8. Serta semua pihak yang tidak dapat penulis sebutkan satu per satu. mertua dan saudara yang tidak bosan-bosannya mendoakan dan membantu kelancaran studi ini. Kepala BPS.Sc. Pada kesempatan ini penulis mengucapkan terima kasih dan penghargaan yang setinggi-tingginya kepada : 1. Bapak Yusep Suparman. taufik dan hidayah-Nya. Penulis menyadari bahwa tesis ini masih jauh dari sempurna. Kepala Pusdiklat BPS dan seluruh jajaran BPS yang telah memberikan kesempatan kepada penulis untuk mengikuti program Magister Statistika di Universitas Padjadjaran. S. Bandung. Oleh karena itu.Si. ilmu. 5.KATA PENGANTAR Puji syukur penulis panjatkan kehadirat Allah SWT yang telah melimpahkan rahmat. 2. Bapak Bernik dan Bapak Satwiko. selaku Ketua Jurusan FMIPA dan Ketua Pembimbing yang telah memberikan bimbingan dan arahan selama penyusunan tesis ini. 4. sehingga berkat kuasa-Nya tesis berjudul Spatial Autoregressive Structural Equation Modelling pada Prevalensi Diare (Studi Kasus di Pulau Jawa dan Madura) dapat diselesaikan. Teman-teman sekelas yang telah mengajarkan arti persahabatan. DEA. Juli 2010 Lilik Hariyanti 140720090029 vi . 7. Orang tua. 6. arahan dan waktu selama penyusunan tesis ini. 9. selaku Tim Penguji yang telah memberikan saran dan masukan. yaitu suami dan anakku tercinta yang telah mendukung dengan segenap hati dan pengorbanannya. baik isi maupun susunannya. Semoga tesis ini bermanfaat bagi banyak pihak. selaku Pembimbing yang telah sabar memberikan bimbingan.. Bapak dan Ibu dosen pengajar Jurusan Statistika Terapan FMIPA yang telah membagi ilmunya selama perkuliahan. M. 3. Bapak DR Jadi Suprijadi. kritik dan saran yang membangun sangat penulis harapkan demi perbaikan tesis ini.

................................................ 3 BAB II TINJAUAN PUSTAKA...............................................................................................................1 PENDAHULUAN ............ 5 BAB III SPATIAL AUTOREGRESSIVE STRUCTURAL EQUATION MODELLING PADA STUDI KASUS PREVALENSI DIARE ............................... 2 1............................ vii DAFTAR LAMPIRAN........................................1 PENDAHULUAN ...................................................... 3 1.... 5 2....................................................................................................................................... 5 2...........................DAFTAR ISI Hal PENGESAHAN .... 1 1................ ix BAB I PENDAHULUAN ..............................2 SPATIAL AUTOREGRESSIVE ..........3 MAKSUD DAN TUJUAN PENELITIAN......................................... MANFAAT PENELITIAN ................................................................................................. ii PERNYATAAN................................................................................................................................... iv KATA PENGANTAR ........ 9 3..2 IDENTIFIKASI MASALAH............ 9 3...................................................................... 9 vii ..2 TINJAUAN KRITIS....................................... 1 1............. vi DAFTAR ISI......................................................................... iii ABSTRAK ..........................................................................................1 LATAR BELAKANG .....................4.............................................................................................................................................................................

.....2 SARAN ........ 24 4............ 17 BAB IV HASIL DAN PEMBAHASAN ................... 33 LAMPIRAN........................................ 24 4................................................................ 27 BAB V KESIMPULAN DAN SARAN...................................................................................................................1 KESIMPULAN...5 DATA DAN TAHAPAN ANALISIS ........................................... 31 5..............................................4 SPATIAL AUTOREGRESSIVE SEM......... 12 3...3..........................3 STRUCTURAL EQUATION MODELLING ...................2 PEMBAHASAN ..........................1 HASIL................................................................................................................ 15 3.................................................................................................................................... 31 DAFTAR PUSTAKA .............................................................. 31 5..................... 34 viii .......................................

........................................................................ 37 Luaran Program Mx............................ 39 Luaran Estimasi yang Dihitung dengan Menggunakan metode OLS............................................................................ 42 ix ......... 35 Lampiran 2 Lampiran 3 Lampiran 4 Lampiran 5 Matriks Moment Prevalensi Diare............................................................................................................ 36 Syntax Program Mx.......................................................DAFTAR LAMPIRAN Hal Lampiran 1 Tabel Data Variabel Prevalensi Diare pada 117 Kabupaten/Kota di Pulau Jawa dan Madura........

sosial budaya dan faktor lain seperti iklim.1 Latar Belakang Kesehatan manusia dipengaruhi oleh lingkungan.5 ribu (BPS. kepadatan penduduk. virus. sosial ekonomi. Berdasarkan data BPS. keadaan gizi. Hal itu menunjukkan betapa banyaknya penderita diare. makanan tidak bersih dan beracun. dan parasit). Namun. lingkungan merupakan faktor yang memiliki pengaruh terbesar terhadap kesehatan masyarakat. perilaku. keturunan. Dengan demikian. pada Juli 2009. dan imunodefisiensi. Faktor penyebab penyakit diare adalah secara langsung dan tidak langsung. karena diketahui bahwa diare adalah salah satu penyebab kematian terbesar terutama pada anak-anak. 2009). Salah satu penyakit terbanyak yang disebabkan oleh buruknya sanitasi di lingkungan masyarakat adalah diare. dan pelayanan kesehatan. sehingga perlu dilakukan kebijakan yang mampu mengurangi masalah tersebut. salah satu bentuk intervensi yang dapat dilakukan oleh pemerintah untuk mengurangi 1 .369. makanan basi. Sedangkan faktor tidak langsung diare (Nguyen.10% dari jumlah penduduk sebanyak 231. Faktor langsung diare adalah masalah infeksi (bakteri. gangguan malabsorbsi. 2006) adalah kebersihan sanitasi.BAB I PENDAHULUAN 1. alergi. jumlah penduduk Indonesia yang mengalami keluhan penyakit diare sebesar 4.

diperlukan informasi tentang kontribusi dari peningkatan sarana air bersih dan sanitasi terhadap penurunan prevalensi diare. atau biaya yang harus dikeluarkan dan keuntungan yang akan diperoleh dari program tersebut dilakukan evaluasi terlebih dahulu. secara eksplisit memasukkan variabel laten ke dalam model. Penaksiran kontribusi sarana air bersih dan sanitasi terhadap prevalensi diare merupakan hubungan kausal. Suatu program pemerintah dalam pelaksanaannya memerlukan kajian terlebih dahulu. artinya harus ada penilaian secara sistematis terhadap semua biaya dan manfaat dari program tersebut. dan mengakomodasi suatu sistem persamaan simultan.2 Identifikasi Masalah SEM dapat dipergunakan untuk menaksir kontribusi sarana air bersih dan sanitasi terhadap kejadian diare. 1. Untuk itu diperlukan suatu alat analisis kausalitas. Namun demikian. SEM dapat mengatasi kendala akibat kesalahan pengukuran dan multikolinieritas. Terutama untuk program peningkatan sarana air bersih dan sanitasi perlu dilakukan kajian ekonomis yaitu cost and benefit analysis. Dalam pelaksanaannya. Structural Equation Modelling (SEM) merupakan alat analisis kausalitas yang dapat mengakomodasi banyak model statistik yang menggambarkan hubungan kausalitas.2 prevalensi diare adalah melalui peningkatan sarana air bersih dan sanitasi. SEM diturunkan berdasarkan . Selain itu terdapat kelebihan lain dari SEM dibandingkan alat analisis standar seperti analisis regresi dan varians. dalam salah satu pendekatan yang dapat dipergunakan.

hasil taksiran dapat dipergunakan sebagai input dalam cost and benefit analysis .3 Maksud dan Tujuan Penelitian Berdasar permasalahan tersebut di atas. taksiran akan bersifat tidak konsisten dan tidak efisien. dimana kejadian diare di suatu wilayah mempengaruhi dan dipengaruhi oleh kejadian diare di wilayah lain di sekitar wilayah tersebut. Dengan demikian diperlukan SEM yang mampu mengakomodasi spatial dependence sedemikian sehingga taksiran kontribusi sarana air bersih dan sanitasi terhadap kejadian diare menjadi konsisten dan efisien. Manfaat Penelitian Manfaat dari penelitian ini adalah kontribusi dalam bidang keilmuan mengenai manfaat penggunaan metode statistik dalam hal ini spatial dependence dan SEM sebagai alat uji model yang melibatkan variabel laten. Dengan demikian asumsi bahwa pengamatan saling independen tidak terpenuhi. Hal ini tentunya berbeda dengan kasus kejadian diare.3 asumsi bahwa setiap pengamatan saling independen satu dengan lainnya. 1. penelitian ini bermaksud mengkaji spatial autoregressive SEM sebagai pendekatan alternatif dari pendekatan tradisional untuk mengakomodasi spatial dependence di antara prevalensi diare sehingga diperoleh taksiran konstribusi peningkatan sarana air bersih dan sanitasi terhadap diare yang konsisten dan efisien. Selain dari itu.4. 1. Jika kita memaksakan menggunakan SEM standar.

4 pada kebijakan tentang peningkatan sarana air bersih dan sanitasi terkait dengan penurunan prevalensi diare. .

Tindakan-tindakan untuk mencegah penyebaran diare masih dibutuhkan seperti ketersediaan sarana air bersih dan sanitasi untuk pencegahan penyakit diare pada anak. Oleh karena itu penelitian ini akan melakukan pengukuran kontribusi sarana air bersih dan sanitasi terhadap prevalensi diare.2 Tinjauan Kritis Pengukuran kontribusi sarana air bersih dan sanitasi terhadap prevalensi diare merupakan kausal efek. sehingga diperoleh kejelasan bahwa model tersebut tepat untuk digunakan menyelesaikan masalah spatial dependence. karena adanya hubungan sebab akibat (kausal). Pada bagian selanjutnya akan dilakukan tinjauan kritis terhadap penelitian-penelitian yang relevan dengan model tersebut. Metode analisis yang dapat dipergunakan untuk mengukur pola hubungan sebab akibat antara suatu variabel 5 .1 Pendahuluan Diare terus menjadi salah satu penyebab morbiditas dan mortalitas yang penting pada anak-anak di Indonesia (Edmunson. dengan menggunakan model spatial autoregressive SEM . 2. artinya ada akibat/dampak yang akan ditimbulkan dengan adanya sarana air bersih dan sanitasi khususnya dalam prevalensi diare. 1989).BAB II TINJAUAN PUSTAKA 2.

seperti berikut ini: 1) Variabel respon berbentuk diskrit: (1) Jika responnya memiliki sifat biner seperti simple logistic regression (Logit) pada distribusi Bernoulli jika 1 kali percobaan dan distribusi Binomial jika ada beberapa percobaan. Sifat tersebut akan tercapai jika asumsi Gauss Markov dapat dipenuhi oleh model regresi. Biasanya estimasi parameter dalam multiple regression menggunakan OLS. (2) Jika responnya memiliki sifat count variabel dan hanya mengambil non negative integer value seperti Regresi Poisson. Karena data yang variabel respon dalam penelitian ini berasal dari pengukuran yang disebut sebagai kontinu. Dengan metode OLS akan diperoleh estimator yang bersifat linier tidak bias dan variansnya minimum yang biasa disebut dengan BLUE (Best Linier Unbiased Estimator). 3) Setiap kekeliruan mempunyai varians yang sama. . 2) Variabel respon berbentuk kontinu menggunakan multiple regression. sehingga analisis regresi yang digunakan adalah multiple regression. dan probit pada distribusi normal. 2) Tidak terdapat korelasi antar kekeliruan. Berikut adalah asumsi GausMarkov: 1) Rata-rata kekeliruan model adalah nol untuk semua pengamatan. yang bekerja dengan meminimumkan jumlah kuadrat residual. Kutner dkk (2005) membagi analisis regresi menurut variabel responnya.6 yang dijelaskan (dependent variable) dengan satu atau lebih variabel eksplanatori (independent variable) disebut sebagai analisis regresi.

Berkaitan dengan kejadian diare yang bersifat menular dimana kejadian di suatu wilayah akan mempengaruhi kejadian di sekitarnya. mengakibatkan estimator menjadi bias (Anselin. 2002) Seperti diungkapkan sebelumnya bahwa kejadian diare mempunyai sifat dari spatial dependence. Dalam hal ini diuji seberapa besar interaksi variabel independen maupun variabel dependen di daerah lain terhadap variabel dependen di suatu daerah (Anselin.7 4) Kekeliruan dan variabel bebas saling independen. yaitu faktor neighbors. Kajian Statistika yang terkait dengan permasalahan spatial dependence adalah spasial ekonometrik . 1999). hal seperti ini merupakan fenomena spatial dependence. Spasial ekonometrik digunakan untuk menganalisis spatial effect. adanya variabel penting yang tidak masuk dalam model. Selain itu. (Verbekee. Jadi untuk mengukur kontribusi sarana air bersih dan sanitasi terhadap prevalensi diare akan digunakan spatial autoregressive model. Jika spatial effect ini tidak dimasukkan ke dalam model akan mengakibatkan adanya korelasi antar galat sehingga penaksir menjadi tidak efisien. yaitu spatial dependence dan spatial heterogeneity. yang sebenarnya merupakan fenomena yang terjadi dalam data spasial (cross section). Model ini mengakomodasi spatial dependence dan spillover effect pada data bergeoreferens. 2002). . model spasial yang dipergunakan adalah spatial autoregressive model. Dengan demikian pendekatan regresi klasik kurang tepat digunakan dalam analisis spasial dan dibutuhkan metode statistik yang bisa mengatasi permasalahan yang terkait dengan spatial dependence.

yaitu SEM dirancang untuk persamaan simultan sehingga formulasi spatial model dalam SEM akan memudahkan dalam menganalisa suatu sistem persamaan spasial secara simultan. Beberapa keuntungan menggunakan pendekatan SEM dibandingkan dengan pendekatan analisis regresi. Dengan memperhatikan keuntungan yang tersebut di atas. data dan langkah-langkah analisis data disajikan dalam Bab III. SEM mampu mengukur hubungan kausal yang terjadi di antara variabel-variabel laten. Folmer dan Oud (2008) mengusulkan pendekatan SEM terutama untuk spatial autoregressive model. SEM. Uraian mengenai spatial autoregressive model. spatial autoregresive SEM . Sebagai alternatif. selain itu. model spatial autoregresive SEM akan digunakan untuk menaksir kontribusi sarana air bersih dan sanitasi terhadap prevalensi diare. . SEM mampu mengakomodasi galat.8 Spatial ekonometrik secara tradisional menggunakan pendekatan analisis regresi.

෤= ෤+ ෩ ઽ = ૃ‫ ܅‬ઽ+ ૄ. Model spasial umum (Anselin.2 Spatial Autoregressive ෤ ‫ + ઻܆ ܡ ܅ߩ ܡ‬ઽ. ෤ 9 . 3.BAB III SPATIAL AUTOREGRESSIVE STRUCTURAL EQUATION MODELLING PADA STUDI KASUS PREVALENSI DIARE 3. terlebih dahulu akan diuraikan mengenai model spatial autoregressive dalam regresi yang menjadi dasar digunakannya model tersebut. 1988) diekspresikan sebagai .(1) dengan ૄ ~ N(૙. akhirnya akan dijelaskan mengenai SEM yang mengakomodasi spatial autoregresive. Berikut ini uraian tersebut. kemudian dilanjutkan dengan tahap analisis melalui penggunaan SEM. ‫ : ܡ‬vektor observasi (N × 1) pada variabel dependen y .. σଶ۷ ).. Sebelum mengkaji spatial autoregressive SEM.1 Pendahuluan Dalam bagian ini akan dibahas aplikasi spatial autoregresive SEM dalam kasus prevalensi diare pada 117 kabupaten/kota di Pulau Jawa dan Madura.

Akibat keberadaan spatial dependence. Koefisien ߩ menunjukkan bahwa rata-rata kekuatan dependensi kejadian diare antar lokasi dijelaskan dengan pola dependensi yang dituangkan dalam matrik W.10 ߩ : parameter spatial dependence yang mengukur rata-rata pengaruh ‫܅‬ ෩ ‫ : ܆‬matriks observasi (N × ‫ )ݍ‬pada variabel eksplanatori q . adalah: ᇱ ଵ f(ઽ) = ቀ√ଶ஠ఙమቁ exp ቀଶఙమ ઽ ઽቁ ே ଵ . metode penaksiran yang tepat dipergunakan adalah Maximum Likelihood (ML).. ઻ : koefisien vektor regresi (‫ )1 × ݍ‬dari variabel eksplanatori q .(2) dijelaskan kerangka pemikiran mengenai penaksir ML. : matriks contiguity (N × N). Spatial autoregressive model atau lebih lengkapnya lagi disebut mixed regressionmengambil nilai ߣ = 0.. . Berikut ini Fungsi densitas peluang bersama untuk ઽ...(3) Jika dimisalkan . 1988). Oleh karena itu. penaksir Ordinary Least Square (OLS) akan menjadi tidak efisien dan tidak konsisten (Anselin. yaitu ‫ + ઻܆ + ܡ ܅ߩ = ܡ‬ઽ. contiguity . ઽ : vektor galat (N × 1). ૃ : koefisien dalam struktur spatial autoregressive. sehingga diperoleh model yang akan dipergunakan untuk spatial autoregressive model adalah hal khusus pada Persamaan (1) dengan menaksir kontribusi sarana air bersih dan sanitasi terhadap prevalensi diare.

... ݂(‫ . tetapi tidak dapat digunakan sebagai observasi. perlu diterapkan konsep Jacobian yang menjelaskan joint vektor acak ઽmenjadi vektor acak y menggunakan Persamaan (6) ‫ =ܬ‬det(∂ઽ/ ∂‫)ܡ‬ ‫|ۯ| =ܬ‬ sehingga diperoleh Berdasarkan joint normal distribution untuk ઽ. setiap elemen dalam ઽ merupakan variabel acak yang . dan menggunakan Persamaan (7).(7) fungsi log-likelihood untuk vektor observasi y dapat ditunjukkan sebagai berikut L = − ቀଶቁln(2π) − ቀଶቁlnߪଶ + ln|‫( − |ۯ‬ଶఙమ ઽ′ઽ) Dengan ઽ = (‫)઻܆ –ܡۯ‬ ே ே ଵ distribution y yang berasal dari ઽ. Oleh karena itu.. sehingga fungsi likelihood harus berdasarkan y..(4) Maka Persamaan (1) dapat ditulis sebagai ‫ + ઻܆ = ܡۯ‬ઽ Atau ‫ = ઻܆ − ܡۯ‬ઽ . .܆ .(8) . Jacobian digunakan untuk mentransformasikan .... Secara umum ditulis dalam bentuk implisit dari model linier.ܡ‬ી) = ઽ Pada Persamaan (3) menunjukkan bahwa ઽmerupakan joint distribution.(6) mengikuti distribusi normal identik dengan rata-rata nol dan variansnya ߪଶ yang saling independen..(5) Pada Persamaan (6).11 ‫܅ߩ −۷ = ۯ‬ ..

(11) ‫ : ܡ‬vektor (‫ )1 × ݌‬variabel respon Keterangan : ‫ : ܠ‬vektor (‫ )1 × ݍ‬variabel prediktor િ : vektor (݉ × 1)variabel laten endogen ૆ : vektor (݊ × 1)variabel laten eksogen ઩௬ : matriks (‫ ) ݉ × ݌‬koefisien regresi y pada િ ઩௫: matriks (‫)݊ × ݍ‬koefisien regresi x pada ૆ ઽ: vektor (‫ )1 × ݌‬galat pengukuran dari variabel y ઼ : vektor (‫ )1 × ݍ‬galat pengukuran dari variabel x B : matriks parameter (݉ × ݉ ) hubungan struktural antara variabel laten endogen . Model Struktural િ = ۰િ + ડ૆ + ા ..12 Taksiran parameter dalam model yaitu ߩ.3 Structural Equation Modelling Berikut adalah Model SEM (Joreskog. ߛ dan ߪଶ diperoleh dengan memaksimumkan Persamaan (8).... 3..(10)  Untuk variabel laten eksogen . Model Pengukuran  Untuk variabel laten endogen ‫ = ܡ‬઩௬ િ + ઽ ‫ = ܠ‬઩௫ ૆+ ઼ . 1996) : 1.(9) 2..

. િ) = 0. dan ઼ saling tidak berkorelasi. 3) Cov(ા ૆ = 0.(12) ‫(܈‬ே ×(௣ା௤)) : matriks data (N baris replikasi independen dari p-variat vektor y dan ઱௣ ×௣ : model implikasi kovarians atau matriks momen sebuah fungsi ઱(ી) dari ી : estimasi parameter pada 8 matriks q-variat vektor x biasanya berasal dari sampel subjek yang acak) .13 ા : vektor (݉ × 1) galat hubungan struktural antara િ dan ૆ endogen ) Cov(૆ = ઴ (݊ × ݊) Dengan matriks kovarians sebagai berikut : ) Cov(ા = શ (݉ × ݉ ) Cov(ઽ) = દ ఌ(‫)݌ × ݌‬ 1) Cov(ઽ. ) Cov(઼) = દ ఋ(‫)ݍ × ݍ‬ ) 2) Cov(઼. ડ : matriks parameter (݉ × ݊) efek variabel laten eksogen pada variabel laten Dalam model di atas diasumsikan bahwa: 4) ા ઽ. yang memaksimumkan fungsi log-likelihood dari elemen-elemen bebas dalam 8 matriks parameter model. ૆ = 0. . Penelitian ini dibatasi pada estimator ML... pada data Z (termasuk variabel observasi endogenus dan eksogenus) : ℓ(ી|‫ 2 − = )܈‬ln|઱| − ܰ ܰ 2 Keterangan : ી tr(‫܁‬઱−૚) − (‫ܰ)ݍ+݌‬ 2 ln 2π .

. padahal seharusnya memaksimumkan fungsi log-likelihood pada Persamaan (12).(15) dimana . maka Persamaan (12) dan (14) mempunyai hubungan linier. maka maksimum dari ℓ(ી|‫ )܈‬memberikan nilai estimasi ML yang tepat.(14) sebagai fix dan terukur... khususnya Secara umum software SEM yang standar meminimumkan fungsi fit.(13) Sehingga.. Dengan menganggap vektor variabel eksogenus ૆ dalam Persamaan (9) ே ଶ ଵ ଶ ିଵ ∑ே (࢟଴௜ − ࣆ଴௜)் ઱଴ (࢟଴௜ − ࣆ଴௜) − ௜ ୀଵ ௣బே ଶ . Estimator tersebut bersifat konsisten.14 ઩୷۶൫ ડ୘ + શ ൯ ୘ ઩୘ + દ க ડ઴ ۶ ୷ ઩୷۶ડ઴ ઩୘ ୶ ઱= ቈ ቉ dengan ۶ = (۷− ۰)ିଵ ୘ ୘ ୘ ୘ ઩୶઴ ડ ۶ ઩୷ ઩୶઴ ઩୶ + દ ஔ . ‫܁‬௣ ×௣ = ே ‫ ܈ ்܈‬adalah kovarians sampel atau matriks momen ଵ ෡ Estimator-ML yaitu ી = argmax ℓ(ી|‫ )܈‬diperoleh dengan memilih nilai ી yang memaksimumkan ℓ(ી|‫ ... standard error yang dihasilkan oleh Lisrel 8 dan program SEM yang lain seharusnya diinterpretasikan dengan seksama. statistik yang digunakan pengevaluasian bahwa model fit. Karena matriks S adalah konstan. log-likelihood dalam Persamaan (14) menjadi र(ી|‫܇‬૙) = − ln|઱଴| − ln 2ߨ .)܈‬Jika variabel observasi menunjukkan distribusi multivariat normal baku. Hal ini berlaku pula untuk berbagai menggunakan statistik ߯ଶ. Walaupun demikian. sehingga diperoleh F‫ = ܮ ܯ‬ln|઱| + tr൫ ି૚൯− ln|‫݌ − |܁‬ ‫܁‬઱ Dalam hal ini statistik ߯ଶ berbentuk ߯ଶ = (ܰ − 1) Fெ ௅.

(16) . ࢟଴ .15  subscript 0 pada ‫܇‬଴ .. (18) ..4 Spatial Autoregressive SEM Sebelumnya kita perlu menunjukkan perbedaan penting antara definisi tradisional SEM pada bentuk variabel [Persamaan (9) – (11)] dengan SEM yang didefinisikan dalam unit observasi sebagai standar spasial ekonometrik.. Oleh karena itu. ෥ dan efisien maka perlu memperhitungkan ‫ ܟܡ‬sebagai transformasi ‫ ࢟ ܅‬pada Untuk mengembangkan estimator dalam persamaan (18) supaya konsisten variabel dependen. ૄ૙ = ۳(࢟૙ ) = ࢫ࢟ (۷− ۰)ିଵડ‫ܠ‬    ઱଴ = ۳[(‫ܡ‬଴ − ૄ଴)(‫ܡ‬଴ − ૄ଴)୘ ] = ઩୷શ ઩୘ + દ க ୷ ‫݌‬଴ adalah jumlah variabel observasi acak pada ‫܇‬଴ dan ࢟଴ . tidak dapat diasumsikan tidak berkorelasi dengan galat.. Jika biasanya vektor menunjukkan unit observasi yang biasa diberi tanda tilde (~).(17) 3. . dan ࣆ଴ mengindikasikan bahwa fix dan terukur pada variabel eksogenus diabaikan. Persamaan spatial autoregressive SEM dapat dituliskan dengan ‫ + ܆ ܂઻ + ܟܡߩ = ܡ‬ઽ Dimana ‫ ܟܡ‬spatial lag pada variabel dependen dan X adalah vektor variabel independen. maka pada spasial ekonometrik SEM menunjukkan vektor dan matriks suatu variabel.

ܟܡ‬૚.. model implied moment matriks pada model (13) menjadi: Sedangkan matriks ડ. Untuk sebuah model persamaan tunggal dengan hanya variabel teramati. ઴ dan ૐ adalah: . ઠ = 0 ડ઴ ડ‫ + ܂‬ૐ ઱(ી) = ൤ ઴ ડ‫܂‬ ડ઴ ൨ ઴ ln|‫|ۯ‬ . . akan diterapkan konsep Jacobian. Persamaan (19) menunjukkan bahwa komponen ln|‫ |ۯ‬ditambahkan pada standar univariat log-likelihood. ઩௬ = ۷ (ଵ×ଵ) .(19) Mx memungkinkan komponen ini ditambahkan langsung pada fungsi kecocokan standar. દ ఌ = 0. moment matriks S mengandung rata-rata sampel Sedemikian sehingga.. Program SEM ߯ଶ = (ܰ − 1)F‫ 2− = ܮ ܯ‬ቀ ே ିଵ ቁ [ℓ(ી|‫+ )܇‬ ே − ଵ ଶ ఙమ ∑ே (‫ܡ‬௥ − ૄ௥)ଶ − ௥ୀଵ ே ଶ ln 2π .16 Seperti halnya pada Sub Bab 3... Koreksi yang akan diterapkan untuk mendapatkan solusi ML dalam program Mx adalah −2 ( ܰ−1 ) ܰ mempunyai matrix data (y.(20) adanya unit konstan dalam data. Dengan Jika terdapat N buah unit observasi dan p buah independen variabel. ‫ܠ‬૛. ઩ ௫ = ۷ (௣×ଶ)(௣×ଶ) . kita akan pada baris dan kolom terakhirnya. 1) dengan ukuran (N × (p+3))..2.. Mx meminimumkan constant]. દ ఋ = 0.. sehingga diperoleh persamaan sebagai berikut ෥ ℓ(ી|࢟) = ln|‫− |ۯ‬ ே ln ߪଶ ଶ dengan ૄ‫ ܚܠ ܂઻ + ܚ ܟܡߩ = ܚ‬dan subscript r menotasikan observasi individual r. ‫ܠ .

Data yang dikumpulkan antara lain menyangkut bidang-bidang pendidikan. (BPS.5 Data dan Tahapan Analisis Sumber data yang dipergunakan untuk tinjauan dari metode dan teori yang melatarbelakangi penelitian ini adalah data Susenas. dan menganalisis dampak berbagai program peningkatan kesejahteraan penduduk. sosial ekonomi lainnya. konsumsi/pengeluaran dan pendapatan rumah tangga.17 ડ ૚×(࢖ା૛)൯ = ൫ yw ρ yw x1 x2  x p 1 γ0 γ1 γ 2  γ p   xp 1           1  x1 x2 2  ( y w )  2 ( x1 )  ( x1 y w ) 2  ( x y ) ( x2 x1 ) ( x 2 ) 2 w ઴ =       ( x y )  ( x x )  ( x x )   ( x 2 ) p1 w p 1 1 p 1 2 p     x1  x2   xp   yw  ૐ (ଵ×ଵ) = [ߪଶ] 3. 2005) . perumahan. setiap tahun dalam Susenas tersedia perangkat data yang dapat digunakan untuk memantau taraf kesejahteraan masyarakat. Susenas merupakan survei yang dirancang untuk mengumpulkan data sosial kependudukan yang relatif sangat luas. kesehatan/gizi. perjalanan. kegiatan sosial budaya. dan pendapat masyarakat mengenai kesejahteraan rumah tangganya. merumuskan program pemerintah yang khusus ditujukan untuk meningkatkan kesejahteraan sektor-sektor tertentu dalam masyarakat.

Sehubungan dengan hal tersebut maka kontribusi sarana air bersih dan sanitasi akan terkait dengan sarana sanitasi dan perilaku sanitasinya. Data ini tidak dianggap sebagai sampel karena hasil Susenas merupakan estimasi kabupaten/kota. untuk mengetahui kontribusi sarana air bersih dan sanitasi. Seperti dijelaskan pada latar belakang masalah.18 Populasi Susenas adalah seluruh kabupaten/kota di Indonesia dengan sampel blok-blok sensus (BS) yang bisa berubah setiap tahunnya. Sedangkan yang akan digunakan dalam penelitian ini adalah data Susenas tahun 2009 pada kabupaten/kota di Pulau Jawa dan Madura sebanyak 117 kabupaten/kota. Langkah-langkah analisis sebagai berikut : 1) Spesifikasi model air ledeng (‫ݔ‬ହ) . penelitian ini ingin membentuk suatu model yang mengakomodasi spatial depedence dalam kejadian diare. yang akan diwakili oleh: 1) Perilaku higienis yang direpresentasikan oleh tingkat pendidikan dalam 2) Persentase rumah tangga yang menggunakan toilet sendiri (‫ݔ‬ଶ) ledeng (‫ݔ‬ସ) persentase kemampuan membaca dan menulis (literacy) ibu (‫ݔ‬ଵ) 3) Persentase rumah tangga yang toiletnya menggunakan septitank (‫ݔ‬ଷ) 4) Persentase rumah tangga dengan sumber air minum yang berasal dari air 5) Persentase rumah tangga dengan sumber air minum yang bukan berasal dari Yang menjadi responden dalam penelitian ini adalah persentase penduduk yang mengalami keluhan diare dalam satu bulan terakhir pada saat dilakukan survei.

Dengan memasukkan ‫ߛ + ୵ݕߩ = ݕ‬ଵ‫ݔ‬ଵ + ߛଶ‫ݔ‬ଶ + ‫ݔ‬ଷߛଷ + ߛସ‫ݔ‬ସ + ߛହ‫ݔ‬ହ + ߛ଴ + ߝ variabel ke dalam model sehingga menjadi : ෥ Dengan ‫ ୵ݕ‬sebagai transformasi ‫ ࢟ ܅‬pada variabel dependen 3101 3171 0 0 3172 0 1 0 3173 0 1 1 0 3174 0 0 1 1 0 3175 0 1 0 1 1 0 3201 0 0 0 0 0 0 0 3202 0 0 0 0 0 0 1 0           3676 0  0 0  0 0  0 0  0   0  (117 117 )  3101  0  3171  3172   3173  3174   W  3175  3201   3202     3676   Kemudian . Seperti dijelaskan sebelumnya bahwa ada 6 variabel teramati dan 1 variabel respon yang menjadi variabel laten. yang merepresentasikan permasalan yang diteliti. adalah penting dalam SEM .19 SEM dimulai dengan menspesifikasikan model penelitian yang akan diestimasi. Spesifikasi model penelitian. Menurut Hoyle (1998) mengatakan bahwa analisis tidak akan dimulai sampai peneliti menspesifikasikan sebuah model yang akan menunjukkan hubungan di antara variabel-variabel yang akan dianalisis.

20 Λ x y w 1 x1  0  x2 0   x3 0 x4 0  x5 0 1 0  1 0 0 0 0 0 1 0 0 0 0 1 0 0 0 1 0 0 1 0          1  (21) Λy  y 1 Β  (22) (23) 2 3 4 5 0 0  1 Γ   (24)  x5 1            yw 2  ( yw )    ( x1 y w )  ( x2 y w )   Φ   ( x y ) 6 w     yw  x1 ( x ) 2 1 x2  ( x 2 x1 )   ( x 6 x1 ) 2  ( x2 )   ( x6 x2 )   2  ( x5 )  x1  x2  x5 1 (25) Ψ     2 (26) (27) (28) Θ δ  0 ( 7  1 ) Θ ε  0 (1  1 ) .

jumlah parameter dan degree of ah fredom. under-identified. : (8×9) 2 = 36 Banyak parameter yang diestimasi : 1) Matriks Γ pada poin (2 sebanyak 7 (24) 2) Matriks Φ pada poin (2 sebanyak (7*8)/2 = 28 (25) 3) Matriks Ψ pada poin (2 sebanyak 1 (26) . Dalam tahap ini kita harus mengetahui ju jumlah data. justBanyak variabel pengamatan : ( ௪ ǡ‫ݔ‬ଵǡ‫ݔ‬ଶǡ‫ݔ‬ଷǡ‫ݔ‬ସǡ‫ݔ‬ହ.21 Grafik 1 Konsep Path Diagram Prevalensi Diare 2) Identifikasi model Tahap ini berkaitan dengan pengkajian tentang kemungkinan diperolehnya nilai yang unik untuk setiap parameter yang ada di dalam model. 1) ‫ݕ‬ǡ‫ݕ‬ identified atau over over-identified. sehingga akan diketahui apakah model kita under .

Namun. maka tahap berikutnya kita melakukan estimasi untuk memperoleh nilai dari parameter-parameter yang ada di dalam model. ઴ . misal tanda yang .22 Jadi dari 3 matriks di atas diperoleh total parameter = 36 Model yang dispesifikasikan adalah just-identified karena jumlah parameter adanya transformasi y menjadi ‫ ܟܡ‬sehingga degree of freedom(df) = 0 + 1 = 1 yang diestimasi sama dengan jumlah data yang diketahui. 2008). apakah sudah sesuai atau belum. dalam melakukan estimasi kita berusaha memperoleh nilai diturunkan dari model ઱(ી) sedekat mungkin atau sama dengan matrik kovarians populasi dari variabel-variabel teramati S . Jika tidak sesuai harus ada penjelasannya. karena (Folmer & Oud. namun jika tidak ada penjelasan dari teorinya dimungkinkan ada kesalahan spesifikasi model. 3) Estimasi parameter Setelah kita mengetahui bahwa identifikasi dari model adalah over-identified. ૐ ) sedemikian sehingga matrik kovarians yang sebelumnya. karena semua koefisien kausalitas harus berdasarkan teori. maka diperoleh ડ઴ ડ‫ + ܂‬ૐ ઱(ી) = ൤ ઴ ડ‫܂‬ ડ઴ ൨ ઴ 4) Evaluasi nilai estimasi Mengevaluasi estimasi artinya mengevaluasi validitas dari estimasi. maka pertama-tama adalah mencocokkan dengan teorinya. Seperti yang disebutkan parameter-parameter ( ડ. Dengan menggunakan fungsi ML untuk memaksimalkan Persamaan (19) melalui penggunaan program Mx.

nilai yang seharusnya 5 menjadi 50.23 seharusnya positif menjadi negatif. Kondisi seperti ini disebut sebagai heywood cases. . Alasan harus dilakukannya respesifikasi model adalah :   Modelnya tidak cocok/fit Parameter tidak sesuai. misalnya pendidikan ibu seharusnya mampu menurunkan tingkat prevalensi diare namun dari hasil evaluasi meningkatkan sehingga hal ini perlu dilakukan respesifikasi model  Heywood cases Untuk uji kecocokan dalam model spatial autoregressive SEM . dimana akan dikeluarkan usulan-usulan untuk memperbaiki model. jika dipandang dari sudut teori. didasarkan Secara tehnik ada acuan untuk membuat model kembali. sehingga perlu dilihat validitas dari taksiran tersebut. Software mampu memberikan modifikasi indices. 5) Respesifikasi model Respesifikasi dilakukan jika hasil dari evaluasi tidak sesuai dengan yang diharapkan. dimana semakin besar nilai p-value semakin fit suatu model. Selain itu kita harus melihat hasilnya secara teknis. pada p-value dari ߯ଶ. Namun dalam prakteknya harus ada legalisasi dari teori dan logika yang mendasarinya. dalam analisis SEM dimungkinkan diperoleh nilai taksiran varians yang negatif. sehingga kita harus evaluasi nilai-nilai yang diberikan oleh SEM .