1
Analisis MANOVA Satu Arah pada Data
Komponen Kesehatan Bayi di Pulau Jawa pada
Tahun 2013
Dedi Setiawan, Ratna Juwita, Devi Lindasari dan Santi Puteri Rahayu
Departemen Statistika, Fakultas Ilmu Pengetahuan Alam,
Institut Teknologi Sepuluh Nopember (ITS)
Jl. Arief Rahman Hakim, Surabaya 60111
E-mail: sprahayu@gmail.com
Abstrak Ancaman penyakit dan masalah kesehatan
rentan sekali terjadi pada bayi. Upaya menjaga kesehatan
bayi perlu diperhatikan untuk keberlangsungan hidupnya.
Salah satunya adalah dengan memberikan imunisasi lengkap
yang pada umumnya terdiri dari imunisasi BCG, polio dan
campak. Pada penelitian ini, data yang akan dianalisis adalah
komponen kesehatan bayi di enam provinsi di Pulau Jawa.
Masing-masing provinsi memiliki tiga variabel yang sama,
yaitu persentase bayi yang menerima imunisai BCG, polio 1
dan campak. Analisis yang digunakan adalah MANOVA
yang diawali dengan uji normalitas, dependensi dan
homogenitas. Analisis ini digunakan untuk mengetahui
adanya pengaruh provinsi terhadap ketiga komponen
kesehatan tersebut. Berdasarkan uji normalitas diketahui
bahwa ketiga variabel komponen kesegatan bayi di Pulau
Jawa tidak berdistribusi normal multivariat. Pengujian
dependensi menyimpulkan bahwa ketiga variabel saling
berubungan. Pada pengujian homogenitas menunjukkan
bahwa matriks varians kovarians dari ketiga variabel
homogen. Selanjutnya pada pengujian MANOVA didapatkan
informasi bahwa provinsi di Pulau Jawa memberikan
pengaruh yang berbeda terhadap cakupan imunisasi BCG,
polio 1 dan campak pada bayi.
Kata KunciDependensi, Homogenitas, Imunisasi,
MANOVA Satu arah, Normal multivariat
I. PENDAHULUAN
Bayi yang baru saja dilahirkan oleh seorang ibu tentu
membutuhkan perlakuan khusus agar dapat bertahan
hidup. Bayi akan rentan terhadap suatu penyakit, oleh
karena itu dibutuhkan suatu sistem kekebalan tubuh salah
satunya adalah imunisasi. Imunisasi merupakan suatu upaya
yang dilakukan untuk mencegah terjadinya suatu penyakit
dengan cara memberikan mikroorganisme bibit penyakit
berbahaya yang telah dilemahkan (vaksin) kedalam tubuh
sehingga merangsang sistem kekebalan tubuh terhadap
jenis antigen di masa yang akan datang [1].
Jenis imunisasi pada bayi antara lain BCG, polio dan
campak. Imunisasi diberikan agar bayi siap dengan
lingkungan baru (luar kandungan) karena tidak ada lagi
kekebalan tubuh alami yang didapatkan dari ibu seperti
saat masih dalam kandungan. Namun faktanya masih
banyak bayi yang tidak mendapatkan imunisasi rutin karena
orang tua enggan untuk membawa bayinya untuk
diimunisasi dan munculnya isu-isu tentang bahaya dari
imunisasi [2]. Padahal sebenarnya imunisasi bermanfaat
bagi bayi yaitu merangsang kekebalan tubuh bayi sehingga
mampu melawan penyakit [3].
Pulau Jawa merupakan salah satu pulau dengan
perkembangan manusia dan sarana prasarana yang pesat di
Indonesia terutama di DKI Jakarta. Pada tahun 2009 hingga
2010 Pemerintah mencanangkan program akselerasi
imunisasi pada bayi di lima provinsi di Pulau Jawa [4].
Namun di sepanjang tahun 2012 terdapat 160 kejadian luar
biasa campak dengan 2319 kasus dan empat meninggal, dan
kasus penularan campak kebanyakan di Pulau Jawa (Jawa
Barat, DKI Jakarta dan Banten) [5]. Selanjutnya pada tahun
2018 pemerintah akan memasukkan vaksin campak dari
Jerman menjadi imunisasi wajib bagi balita Indonesia yang
akan diujikan di Pulau Jawa sebagai tahap awal [6]
Pada praktikum ini, akan dilakukan pengujian
MANOVA satu arah yang didahului dengan uji normalitas
multivariat, dependensi dan homogeitas matriks varians
kovarians dari data cakupan imunisasi BCG, polio 1 dan
campak pada bayi di enam provinsi di Pulau Jawa. Tujuan
dari praktikum ini adalah mengetahui ada tidaknya
pengaruh provinsi terhadap ketiga variabel tersebut.
II. TINJAUAN PUSTAKA
A. Statistika Deskriptif
Statistika deskriptif adalah metode-metode yang
berkaitan dengan pengumpulan dan penyajian suatu gugus
data sehingga memberikan informasi yang berguna.
Mean adalah salah satu ukuran untuk memberikan
gambaran yang lebih jelas dan singkat tentang sekumpulan
data. Mean juga merupakan wakil dari sekumpulan data
atau dianggap suatu nilai yang paling dekat dengan hasil
pengukuran yang sebenarnya.
Rumus yang digunakan untuk menghitung mean data
adalah :
n
x
1
x i
n
i 1 (1)
Keterangan:
Xi = data pengamatan ke-i
n = banyaknya data
Standar deviasi merupakan akar kuadrat dari varians.
Rumus yang digunakan untuk menghitung nilai standar
deviasi adalah :
n
xi x 2
s i 1 (2)
n 1
Keterangan :
S = standar deviasi
xi = nilai tengah
= rata-rata
 2

n = banyak data matriks korelasi bukan merupakan matriks identitas, yang

Minimum adalah nilai terendah dari suatu data. berarti bahwa terda-pat hubungan antar variabel pada
Sedangkan maksimum adalah nilai tertinggi dari suatu populasi.
data[7]. D. Uji Homogenitas
B. Uji Normalitas Multivariat Uji homogenitas digunakan untuk megetahui
Uji Normalitas Multivariat adalah suatu metode yang kehomogenan dari matriks varians kovarias pada variabel.
akan mendominasi dimasa yang akan datang karena sering Adapun hipotesis dalam pengujian homogenitas matriks
kali dalam suatu penelitian, ada banyak variabel yang varians-kovarians adaladalas sebagai berikut.
diamati dimana analisis univariat tidak bisa dilakukan.
Salah satu metode yang digunakan adalah signifikansi ada paling sedikit satu diantara sepasang yang
koefisien korelasi dengan hipotesis sebagai berikut. tidak sama.
Ho : Data berdistribusi Normal Multivariat
Jika dari masing-masing populasi diambil sampel acak
H1 : Data tidak berdistribusi Normal Multivariat berukuran n yang saling bebas maka penduga tak bias untuk
Statistik Uji : adalah matriks sedangkan untuk penduga tak

(2) biasnya adalah S [8].


keterangan : (6)
= Jarak antara vektor obsrvasi dan vektor mean Untuk menguji hipotesis di atas dengan tingkat
= Vektor mean (Pusat kontur) signifikansi , digunakan kriteria uji berikut:
= Quantile observasi ke-j ditolak jika
( )
= Rata-rata quantile observasi 1 sampai ke-j
dan gagal jika
( )
dimana, dimana,
d(2j ) (' xi x )T S 1 ( xi x ) (3) | | | | (7)
j1 ( ) (8)
qc, p 2 (4)
n
Uji homogenitas matriks varians-kovarians dapat
keterangan : dilakukan dengan Uji Boxs M. Jika nilai sig. > , maka
S-1= invers matrik kovarian Spxp gagal tolak H0 sehingga dapat disimpulkan matriks varians-
xi = objek pengamatan kovarians dari l-populasi adalah sama atau homogen.
p = banyak variabel E. MANOVA Satu Arah
Daerah Kritis: Tolak H0 jika rQ < r( ,n) .Jika hasil dari MANOVA satu arah merupakan pengembangan dari
statistik uji memiliki hasil yang kurang dari tabel normal One-Way ANOVA. One-Way MANOVA digunakan untuk
probabilitas koefisien korelasi (r(,n)), maka dapat menguji apakah ke-g jenis populasi (dari satu populasi yang
disimpulkan bahwa data tidak berdistribusi normal, begitu sama) menghasilkan vektor rata-rata yang sama untuk p
pula sebaliknya [8]. variabel perlakuan atau variabel dependent yang diamati
C. Uji Dependensi (Bartletts Test) dalam penelitian [8].
Uji Bartlett digunakan untuk mengetahui hubungan Hipotesis yang digunakan dalam menguji perbedaan
antar variabel pada kasus multivariate. Rumusan hipotesis pengaruh perlakuan terhadap beberapa variabel respon
yang digunakan dalam uji Bartlett adalah sebagai berikut. yaitu:
Hipotesis Hipotesis
H0 : I (matriks korelasi merupakan matriks iden- H0 : 1 2 g 0
titas) H1 : Minimal terdapat satu l 0 , l=1,2,,g
H1 : I (matriks korelasi bukan merupakan matriks Statistik uji yang digunakan adalah F dengan rumus
identitas) sebagai berikut.
Statistik uji yang digunakan dalam uji Bartlett adalah Jika c2 c1 , F = -2b1lnM
2

sebagai berikut.
2 p 5 c12 ,
2a2 b2 ln M
hitung
2
n 1 ln (5) Jika c2 F=-
a 1 (1 2b2 ln M )
6
Keterangan: 1 a1 2
a1 ( g 1) p ( p 1) ; a2
n : Banyak data pengamatan 2 | c2 c1 |
2

p : Banyak variabel yang digunakan

: Matriks korelasi 1 c1
a1
1 c1 2
Daerah kritis yang digunakan dalam uji Bartlett ini a2 a2
b ; b
adalah H0 ditolak jika hitung
2
2 1 atau p-value < .
1 2

a a
, p p 1 1 2

2
Dengan demikian, kesimpulan yang dapat diambil adalah
 3

1 g
1 g variabel. Jika nilai * semakin mendekati 0, maka pengaruh
lnM =
2
vl ln | Sl | -
2
vl ln | S pl | yang diberikan semakin besar. Sedangkan jika nilai *
l=1 l=1
semakin mendekati 1, maka pengaruh yang diberikan
g

v s
semakin kecil.
l l
S pl l 1
g
; vl nl 1 F. Boxplot

v
Boxplot merupakan ringkasan pada data pengamatan yang
l disajikan secara grafis. Boxplot digunakan untuk
l 1
menghitung data yang kuantitatif saja [10]. Boxplot biasanya
Jika v1 v2 v3 ... vk v maka digunakan untuk mengidentifikasi pola sebaran data yang
(k 1)(2 p 2 3 p 1) ditunjukkan oleh lebar boxplot. Selain itu, dalam kasus
c1 multivariat, boxplot juga dapat digunakan untuk
6 gv( p 1) mengidentifikasi populasi mana yang memberikan pengaruh
berbeda terhadap variabel, yang ditun-jukkan oleh median/
g (9) lebar boxplot yang saling berpotongan antar populasi.
( p 1)( p 2) 1 1
c2 ( 2 G. Imunisasi
6( g 1) v g 2
Imunisasi merupakan suatu upaya yang dilakukan untuk
l 1 vl mencegah terjadinya suatu penyakit dengan cara
l 1 memberikan mikroorganisme bibit penyakit berbahaya yang
Adapun rumus untuk menghitung Wilks Lambda (*) telah dilemahkan (vaksin) kedalam tubuh sehingga
adalah sebagai berikut. merangsang sistem kekebalan tubuh terhadap jenis antigen
| | | ( )( )| di masa yang akan datang [1].
| |
(10)
| ( )( ) |

Keterangan: III. METODOLOGI PENELITIAN

g = jumlah populasi
A. Sumber data
p = jumlah perlakuan
Tabel 1. MANOVA One Way Data yang digunakan dalam penelitian ini adalah data
Degrees dari Data.go.id yang berupa data komponen kesehatan
Source of Matrix of sum squares and
of freedom Pulau Jawa tahun 2013 [9].
variation cross products (SSP)
(df)
g
B. Variabel Penelitian
B nl xl x xl x Variabel yang digunakan pada penelitian disajikan
T

Treatment g-1 pada Tabel 3.

l 1

Tabel 3.Variabel Pengamatan

nl g Variabel Keterangan
x xl x lj xl
g

nl g
T
Residual W lj
Populasi 1 Provinsi Banten
error l 1 j 1 l 1 Populasi 2 Provinsi DI Yogyakarta
Populasi 3 Provinsi DKI Jakarta
Populasi 4 Provinsi Jawa Barat
Total nl

x x x lj x
g
T g Populasi 5 Provinsi Jawa Tengah
BW
(corrected
for the l 1 j 1
lj
n
l 1
l 1 Populasi 6 Provinsi Jawa Timur
Y1 Cakupan imunisasi BCG pada bayi (%)
mean)
| |
Y2 Cakupan imunisasi polio 1 pada bayi
Tabel 2 .Distribusi dari Wilks lambda | | (%)
No of No of Sampling distribution for multivariate Y3 Cakupan imunisasi campak pada bayi
Variable groups normal data (%)

p=1 g 2 ( )( ) C. Langkah Analisis Data
Berikut merupakan langkah-langkah dalam analisis
penelitian ini.
( )( )
p=2 g 2 1. Menganalisis statistika deskriptif
2. Memeriksaan Normalitas Multivariat dengan menghi-
2
( )( )
tung korelasi antara nilai d j yang telah diurutkan (Y)
p 1 g>2
dengan nilai invers CDF chi-square (X) dan
membandingkan koefisien korelasi dengan r0.05,118
g 3 ( )( )
p 1
3. Menguji dependensi antar variabel
H0 ditolak apabila nilai statistik uji lebih besar dari nilai 4. Menguji homogenitas antar variabel
5. Menguji MANOVA satu arah
tabel F, yang berarti bahwa terdapat minimal satu populasi
6. Membuat dan menganalisis boxplot
yang memberikan pengaruh berbeda terhadap variabel.
7. Menarik kesimpulan dari hasil analisis yang telah
Wilks Lambda (*) bernilai antara 0 dan 1 yang dilakukan
menunjukkan seberapa besar pengaruh populasi terhadap
 4

IV. ANALISIS DAN PEMBAHASAN Tabel 6.Hasil Uji KMO dan Bartletts
Bartletts Keputusan
A. Analisis Statistika Deskriptif df p-value
Test
Analisis menggunakan statistika deskriptif yang 371.733 3 0.000 tolak H0
digunakan meliputi mean, standar deviasi, nilai maksimum, Berdasarkan pada Tabel 6 terlihat bahwa nilai p-value
dan nilai minimum untuk masing-masing variabel. Adapun < alfa (0,05) sehingga dapat diputuskan bahwa tolak H0,
hasil yang didapatkan adalah sebagai berikut. sehingga kesimpulan yang dapat diambil adalah bahwa
Tabel 4.Statistika Deskriptif
Provinsi/
matriks korelasi bukan matriks identitas sehingga antar
Variable Mean Stdev Min Max ketiga variabel respon tersebut dependen atau saling
Populasi
Y1 84,57 97,53 berhubungan. Artinya antara variabel cakupan imunisassi
92,12 4,79
Y2
BCG pada bayi, cakupan imunisasi polio 1 pada bayi, dan
Banten 93,64 4,25 85,02 98,87
cakupan imunisasi campak pada bayi saling berhubungan,
Y3 90,55 7,89 77,78 97,48 sehingga dapat dilanjutkan pada analisis selanjutnya.
Y1 78 24 55,1 118,1
DI D. Uji Homogenitas Matriks Varian Kovarians
Y2 66,98 20,51 46,67 101,02
Yogyakarta Selain asumsi normal multivariat dan dependensi,
Y3 72,5 17,27 54,57 101,01 asumsi lain yang harus dipenuhi adalah kehomogenan.
Y1 97,63 10,81 82,87 110,94 Pengujian homogenitas dapat dilakukan melalui matriks
DKI Y2 99,64 11,45 84,11 115,9 varians kovarian dari ketiga variabel yaitu prosentase bayi
Jakarta
Y3 95,05 11,19 81,05 108,59 yang mendapatkan imunisasi BCG, polio 1 dan campak di
Y1 83,1 121,34 Pulau Jawa. Adapun hasil yang didapatkan adalah sebagai
99,16 8,51
berikut.
Jawa Barat Y2 99,52 9,44 84,25 121,85 Tabel 7.Uji Homogenitas
Y3 95,53 9,63 76,86 110,25 Keputusan
Boxs M F df1 df2 p-value
Y1 96,09 9,6 76,52 115,22
Jawa 182.241 5.064 30 1578.11 0,000 Tolak H0
Y2 95,37 9,79 74,01 117,56
Tengah
Y3 96,47 9,16 73,04 118,67 Berdasarkan Tabel 7 kesimpulan yang didapatkan
Y1 66,35 196,13
adalah matriks varian kovarians dari ketiga variabel tersebut
94,82 21,41
Jawa sama atau homogen.
Y2 93,41 17,97 66,74 178,19
Timur
Y3 99,12 33,42 54,63 230,44 E. MANOVA Satu Arah
Dari Tabel 4 didapatkan informasi bahwa untuk Setelah melakukan pengujian terhadap asumsi normal
provinsi dengan rata-rata persentase cakupan imunisasi multivariat, dependensi antar variabel dan homogenitas
BCG, polio 1 dan campak untuk bayi yang paling rendah maka selanjutnya adalah pengujian MANOVA satu arah.
adalah provinsi DI Yogyakarta sedangkan provinsi yang Berikut merupakan tabel hasil uji MANOVA satu arah
memiliki persentase yang yang tinggi adalah provinsi Jawa untuk cakupan imunisasi BCG, imunisasi polio 1 dan
Barat. Sedangkan jika dilihat dari variannya provinsi Jawa imunisasi campak pada bayi di Pulau Jawa.
Timur memiliki keragaman yang paling besar, sedangkan Tabel 8.One Way MANOVA
provinsi Banten memiliki keragaman yang sangat rendah. Source of
Matrix of SSP df
Sehingga dapat disimpulkan bahwa walaupun provinsi variation
Jawa Timur memiliki rata-rata persentase yang tinggi 2021,550 3016,427 2067,813
namun hal itu tidak merata ke semua kab/kota jika 3016,427 4676,127 3066,986
Perlakuan 2
dibanding dengan provinsi yang lain. 2067,813 3066,986 3373,313
B. Pengujian Normalitas Multivariat 24952,656 21314,773 27653,501
Hasil pengujian normalitas multivariat menggunakan 21314,773 19899,507 23341,663
11
Error 5
korelasi antara square distance dengan nilai tabel Chi- 27653,501 23341,663 48760,736
Square adalah sebagai berikut. 533949,05 526097,46 525776,36
Tabel 5.Koefisien Korelasi 526097,46 519057,82 518065,76 18
rq r(0.05 ,118) Keputusan Total 7
525776,36 518065,76 518989,91
0.733 0.9887 tolak H0
Matriks SSP total pada Tabel 8 diperoleh dari hasil
Berdasarkan Tabel 5 dapat dilihat bahwa data pada penjumlahan matriks SSP perlakuan dan matriks SSP error.
komponen kesehatan bayi di Pulau Jawa yang meliputi Selanjutnya akan dilakukan pengujian untuk pengaruh
provinsi Banten, DKI Jakarta, DIY, Jawa Barat, Jawa provinsi di Pulau Jawa terhadap tiga komponen kesehatan
Tengah dan Jawa Timut tidak berdistribusi Normal banyi yaitu cakupan imunisasi BCG, imunisasi polio 1 dan
Multivariat. Namun pada penelitian ini data diasumsikan imunisasi campak pada bayi menggunakan statistik uji
normal multivariat. Wilks Lambda dan didapatkan hasil sebagai berikut.
Tabel 9.Hasil Pengujian Menggunakan Wilk's Lambda
C. Uji Dependensi p-value
Pengujian dependensi yang digunakan terhadap ketiga Value F
variabel pada komponen kesehatan bayi di Pulau Jawa 0.557 4,789 0.00
adalah uji Bartlett. Perhitungan dengan menggunakan rumus
(5) menghasilkan nilai sebagai berikut. Menggunakan tingkat signifikansi () sebesar 0.05, maka
berdasarkan Tabel 9 dapat diputuskan bahwa tolak H0

karena nilai p-value < (0.05), sehingga dapat disim-
pulkan bahwa antar provinsi di Pulau Jawa memiliki nilai
persentase komponen kesehatan bayi (Y1, Y2, dan Y3) yang
berbeda. Pada Tabel 9 juga diperoleh nilai Wilks Lambda
sebesar 0.557 yang berarti nilai tersebut mendekati angka 1,
sehingga dapat disimpulkan bahwa antar provinsi tersebut
memiliki perbedaan yang kecil kecil terhadap presentase
cakupan imunisasi BCG, persentase imunisasi polio 1, dan
cakupan imunisasi campak pada bayi.
Pada analisis selanjutnya dengan menggunakan
pengujian between subjects effects untuk mengetahui
komponen kesehatan bayi mana yang berbeda antar
provinsi di Pulau Jawa. Adapun hasil yang idapatkan adalah
sebagai berikut, dikatakan berbeda saat nilai p-value untuk
setiap respon (komponen kesehatan bayi) < signifikansi ()
sebesar 0.05.
Tabel 10.Tests of Between-Subjects Effects
p-value
Dependent variable df F
Y1 5 1,815 0.116
0.00
Y2 5 5,264
Y3 5 1,550 0.180
Berdasarkan Tabel 10, diketahui bahwa nilai p-value
untuk variabel Y1 dan varibel Y3 bernilai lebih dari
(0.005) sehingga dapat dijelaskan bahwa untuk persentase
cakupan imunisasi BCG dan imunisasi campak untuk bayi
antar provinsi di Pulau Jawa tidak berbeda secara
signifikan. Sedangkan untuk variabel persentase cakupan
imunisasi polio 1 didapatkan nilai p-value 0.00 artinya
untuk variabel Y2, minimal ada satu provinsi yang berbeda
dengan provinsi yang lain. Untuk mengetahui provinsi
mana yang berbeda untuk setiap variabel komponen
kesehatan pada bayi maka dilanjutkan menggunakan
boxplot
F. Analisis Boxplot
Boxplot digunakan untuk mengetahui bagaimana
perbedaan untuk setiap variabel Y (persentase cakupan
imunisasi BDC, prosentase cakupan imunisasi polio 1, dan
cakupan imunisasi campa pada bayi).
1. Variabel persentase cakupan imunisasi BCG pada bayi
Berikut boxplot untuk variabel Y1
200
175
150
Y1
125
100
75
50
1 2 3 4 5 6
Populasi
Gambar 1. Boxplot untuk Variabel Prosentase Cakupan Imunisasi
BCG pada Bayi
Berdasarkan Gambar 1 dapat dilihat bahwa antar
provinsi memiliki nilai median untuk variabel Y1 yang
hampir sama, namun untuk provinsi No. 2
(Yogyakarta) memiliki nilai yang paling rendah namun
masih berada pada batas signifikan dengan provinsi
yang lain, hal ini di buktikan dengan boxplot untuk
provinsi Yogyakarta berhimpit dengan boxplot
5
provinsi yang lain. Sehingga dapat disimpulkan bahwa
persentase cakupan imunisasi BCG untuk bayi antar
provinsi di Pulau Jawa tidak berbeda signifikan.
2. Variabel persentase cakupan imunisasi polio 1 pada
bayi
Berikut boxplot untuk variabel Y2
175
150
125
Y2
100
75
50
1 2 3 4 5 6
Populasi
Gambar 2. Boxplot untuk Variabel Persentase Cakupan Imunisasi
Polio 1 pada Bayi
Berdasarkan Gambar 2 dapat dilihat bahwa antar
provinsi memiliki nilai median untuk variabel Y2 yang
sama (kecuali untuk provinsi Yogyakarta). Provinsi
Yogyakarta memiliki persentase cakupan yang paling
rendah dan juga secara signifikan berbeda dengan
provinsi yang lain hal in dapat dilihat pada boxplot
untuk No. 2 tidak berhimpit dengan yngan lain.
Sehingga dapat disimpulkan bahwa persentase cakupan
imunisasi polio 1 untuk bayi antar provinsi Banten,
DKI Jakarta, Jawa Barat, Jawa tengah, dan Jawa Timur
tidak berbeda. Sedngkan untuk provinsi Yogyakarta
berbeda signifikan dengan ke-5 provinsi di Pulau Jawa.
3. Variabel persentase e cakupan imunisasi campak pada
bayi
Berikut boxplot untuk variabel Y3
250
200
150
Y3
100
50
1 2 3 4 5 6
Populasi
Gambar 3. Boxplot untuk Variabel persentase Cakupan Imunisasi
Campak pada Bayi
Berdasarkan Gambar 3 dapat dilihat bahwa antar
provinsi memiliki nilai median untuk variabel Y3 yang
hampir sama, namun untuk provinsi No. 2
(Yogyakarta) memiliki nilai yang paling rendah namun
masih berada pada batas signifikan dengan provinsi
yang lain, hal ini di buktikan dengan boxplot untuk
provinsi Yogyakarta berhimpit dengan boxplot
provinsi yang lain. Sehingga dapat disimpulkan bahwa
persentase cakupan imunisasi campak untuk bayi antar
provinsi di Pulau Jawa tidak berbeda signifikan.
V. KESIMPULAN DAN SARAN
A. Kesimpulan
Provinsi DI Yogyakarta memiliki rata-rata persentase
cakupan imunisasi BCG, polio 1, dan campak yang paling
 6

rendah di banding dengan provinsi yang lain, sedangkan

untuk provinsi Jawa Barat memiiliki rata-rata yang tinggi.
Walaupun provinsi Jawa Timur memiliki rata-rata
persentase yang tinggi namun hal itu tidak merata ke semua
kab/kota jika dibanding dengan provinsi yang lain.
Pengujian asumsi Normal Multivariat menggunakan
uji korelasi memberikan kesimpulan bahwa data persentase
bayi yang mendapatkan imunisasi BCG, polio 1 dan
campak pada enam provinsi di Pulau Jawa tidak
berdistribusi Normal Multivariat.
Pengujian dependensi menggunakan uji Bartlett pada
ketiga variabel komponen kesehatan bayi di Pulau Jawa
menyimpulkan bahwa ketiga variabel saling berhubungan.
Pengujian homogenitas menunjukkan hasil bahwa
matriks varians kovarian dari data cakupan imunisasi BCG,
polio 1 dan campak pada bayi adalah homogen.
Setelah dilakukan pengujian MANOVA one way dan
dari gambar boxplot untuk masing-masing variabel (Y)
dapat disimpulkan bahwa ada provinsi di Jawa yang
memiliki persentase untuk komponen kesehatan bayi yang
berbeda dengan provinsi yang lain. Provinsi DI Yogyakarta
adalah provinsi yang mempunyai persentase cakupan
imunisasi polio 1 yang paling rendah dibanding dengan
provinsi yang lain. Sedangkan untuk provinsi lain dapat
dikatakan memiliki persentase yang sama.
B. Saran
Pada penelitian selanjutnya sebaiknya dilakukan
transformasi jika data tidak berdistribusi normal
multivariat. Saran untuk Pemerintah Provinsi DI
Yogyakarta adalah lebih meningkatkan cakupan imunisasi
polio 1 untuk bayi, karena provinsi ini jika dibanding
dengan provinsi lain di Jawa memilik persentase yang
rendah.

DAFTAR PUSTAKA
[1] Mardani R. Retrieved Februari 24 2017,
http://eprints.ums.ac.id/30733/2/BAB_I.pdf
[2] (). Retrieved Maret 11 2017, www.idai.or.id
[3] ().Retrieved Maret 11 2017, www.detik.com
[4] ().Retrieved Maret 11 2017, www.depkes.go.id
[5] ().Retrieved Maret 11 2017, www.health.kompas.com
[6] ().Retrieved Maret 11 2017, www.batam.tribunnews.com
[7] Walpole, R.E. 2011. Probability and Statistics For Engineers
and Scientist 9th Edition. Boston : Prentise Hall
[8] Richard A.Johnson & Dean W. Wichern. (2007).Applied
Multivariat Statistical Analysis. United States of America :
Pearson Education, Inc.
[9] Kementrian Kesehatan. Retrieved Februari 24, 2017,
http://data.go.id/dataset/basis-data-kesehatan-indonesia.
[10] Walpole, Ronald E. 1993. Pengantar Statistika. Jakarta: PT.
Gramedia Pustaka Utama.
LAMPIRAN 106,5 107,0 112,4
88,4 88,8 95,1
Lampiran 1. Data Praktikum 91,8 90,8 92,3
79,9 80,5 79,2
x1 x2 x3 107,8 106,6 96,5
Banten 84,6 85,0 78,6 94,9 94,8 93,8
85,4 91,9 77,8 107,6 88,6 103,9
97,5 98,0 96,2 109,5 113,0 111,5
96,3 98,9 93,0 96,6 97,0 95,4
93,1 93,1 91,8 111,2 111,2 118,7
93,8 93,9 93,0 Jatim 114,0 88,7 117,5
91,3 93,2 97,5 113,0 114,2 116,0
94,9 95,2 96,5 78,4 79,1 81,5
DIY 65,2 63,3 65,8 92,0 92,7 96,1
55,1 46,7 54,6 100,4 96,6 96,5
76,7 66,8 72,3 93,1 93,3 94,2
75,0 57,2 68,8 97,6 98,1 96,8
118,1 101,0 101,0 96,5 93,3 98,4
DKI 103,1 103,3 108,6 83,8 84,2 76,6
106,3 106,8 103,1 137,4 122,8 140,2
82,9 84,1 81,1 71,5 72,0 73,1
110,9 115,9 102,8 103,8 94,9 115,6
89,7 90,8 88,8 78,3 78,3 81,7
92,9 96,9 85,9 94,6 95,3 90,3
Jabar 97,3 96,8 95,1 96,6 98,4 98,2
99,5 97,4 96,3 83,9 84,0 102,0
93,3 98,6 92,9 91,8 91,0 103,2
101,6 102,5 103,0 91,3 96,7 93,6
99,0 97,9 98,3 78,0 77,9 76,4
99,3 101,1 100,3 96,3 96,2 92,3
83,1 84,3 87,2 196,1 178,2 230,4
93,7 93,9 100,0 104,7 105,8 100,6
103,2 103,8 106,9 93,7 97,8 96,3
108,9 109,3 110,3 88,0 87,5 93,2
99,6 99,1 81,9 98,9 99,4 98,4
95,2 90,3 97,0 66,3 66,7 54,6
102,5 102,4 99,8 81,6 80,5 80,3
107,4 107,3 106,6 87,1 86,6 80,7
85,5 85,9 76,9 81,4 80,2 88,5
121,3 121,8 105,7 82,7 82,6 83,6
103,4 104,1 96,2 109,2 108,8 109,8
98,2 109,4 85,1 93,3 94,9 85,7
87,3 84,8 80,3 97,7 96,3 215,5
94,4 94,5 87,1 81,4 83,6 78,0
114,0 117,2 103,8 89,8 90,4 90,7
107,4 108,3 107,0 74,0 78,5 63,0
94,1 88,0 77,4 90,0 89,6 86,0
102,9 102,3 99,3 94,8 94,8 91,1
91,0 90,5 89,4
94,9 95,9 100,0
Jateng 84,5 85,7 98,3 Lampiran 2. Data square distance dan quantil
100,5 92,4 100,5
84,5 83,9 85,4 No. qc dj2 No. qc dj2
76,5 74,0 73,0
1 0,0085 0,0006 60 1,4033 0,5250
105,4 103,8 102,3
93,9 94,3 96,2 2 0,0256 0,0015 61 1,4378 0,5290
88,6 88,7 96,5
93,6 92,9 95,1 3 0,0428 0,0062 62 1,4729 0,5466
96,5 95,7 97,1 4 0,0602 0,0139 63 1,5086 0,5472
90,4 90,5 92,5
95,6 94,8 91,8 5 0,0778 0,0151 64 1,5450 0,5477
107,4 107,4 103,7 6 0,0955 0,0235 65 1,5820 0,5656
89,8 90,1 82,7
98,2 99,0 101,1 7 0,1133 0,0251 66 1,6197 0,5754
98,5 98,6 98,9 8 0,1313 0,0289 67 1,6582 0,5789
95,9 95,1 96,9
97,2 96,0 92,1 9 0,1495 0,0290 68 1,6974 0,6851
93,5 95,2 101,2 10 0,1679 0,0297 69 1,7374 0,6994
115,2 117,6 95,8
82,2 82,7 82,9 11 0,1864 0,0304 70 1,7782 0,7127
97,7 97,0 99,6 12 0,2051 0,0320 71 1,8199 0,7144
111,7 111,9 110,9
84,4 84,4 92,4 13 0,2239 0,0377 72 1,8625 0,7316
91,8 91,5 94,6
14 0,2430 0,0412 73 1,9059 0,7559
95,2 96,4 96,1
15 0,2622 0,0479 74 1,9504 0,7661 Lampiran 3. Perhitungan Statistika Deskriptif

16 0,2816 0,0501 75 1,9958 0,7778

17 0,3013 0,0525 76 2,0424 0,7875
18 0,3211 0,0579 77 2,0900 0,7952
19 0,3411 0,0582 78 2,1388 0,8048
20 0,3613 0,0608 79 2,1888 0,9434
21 0,3817 0,0609 80 2,2401 0,9694
22 0,4023 0,0658 81 2,2927 0,9726
23 0,4231 0,0840 82 2,3467 0,9876
24 0,4442 0,0894 83 2,4023 0,9886
25 0,4654 0,0976 84 2,4595 0,9955 Lampiran 4. Perhitungan Korelasi
26 0,4870 0,1046 85 2,5183 1,0333
Correlations: qc; dj2
27 0,5087 0,1046 86 2,5789 1,0464
28 0,5307 0,1137 87 2,6414 1,0840 Pearson correlation of qc and dj2 = 0,82

29 0,5529 0,1143 88 2,7059 1,2562 Lampiran 5. Perhitungan Bartletts Test

30 0,5754 0,1199 89 2,7726 1,2995
31 0,5981 0,1222 90 2,8416 1,3005
32 0,6211 0,1282 91 2,9130 1,3302
33 0,6443 0,1288 92 2,9871 1,3477
34 0,6679 0,1362 93 3,0640 1,4650
35 0,6917 0,1515 94 3,1440 1,6253
36 0,7158 0,1760 95 3,2274 1,6336 Lampiran 6. Perhitungan Boxs Test
37 0,7402 0,1813 96 3,3143 1,9735
38 0,7649 0,1840 97 3,4053 2,0937
39 0,7899 0,1981 98 3,5005 2,1154
40 0,8152 0,2087 99 3,6005 2,2583
41 0,8408 0,2228 100 3,7058 2,3478
42 0,8668 0,2295 101 3,8170 2,4738
43 0,8931 0,2373 102 3,9346 2,5212
44 0,9198 0,2431 103 4,0597 2,6673
45 0,9468 0,2471 104 4,1931 2,8747
46 0,9742 0,2800 105 4,3360 3,0359
47 1,0020 0,2838 106 4,4899 3,4400
48 1,0301 0,3051 107 4,6567 3,5963
49 1,0587 0,3068 108 4,8386 3,7754
50 1,0877 0,3070 109 5,0388 4,6846
51 1,1171 0,3434 110 5,2612 6,7860
52 1,1470 0,3827 111 5,5116 6,8442
53 1,1773 0,4033 112 5,7978 10,9697 Lampiran 7. Perhitungan MANOVA

54 1,2080 0,4061 113 6,1319 11,8065

55 1,2393 0,4251 114 6,5332 12,9722
56 1,2710 0,4344 115 7,0358 13,4299
57 1,3033 0,4755 116 7,7088 17,8711
58 1,3361 0,4939 117 8,7304 24,4627
59 1,3694 0,5109 118 10,9277 46,3250