HUBUNGAN BERAT BADAN LAHIR RENDAH DENGAN ANGKA KEMATIAN BAYI

DI PROVINSI JAWA BARAT TAHUN 2012

Afwin Fauzy Akhsan (14.7953) ; Agustina Puspitasari Adiningtyas (14.7955) ; Berliana

Dyah Ambarsari (14.8038) ; Denny Rizky Firmansyah (14.8068) ; Fitria Wulandari
(14.8141) ; Isvan Anggeriraja Jupiono (14.8190) ; Nabila Daisy Prima (14.8274) ; Ni Lessari
Prihadiani (14.8286) ; Tania Viona Sirait (14.8406)
Kelas 2 A

ABSTRAK
Angka Kematian Bayi dapat menggambarkan kondisi sosial ekonomi masyarakat setempat,
karena bayi adalah kelompok usia yang paling rentan terkena dampak dari perubahan
lingkungan maupun sosial ekonomi. Berdasarkan data hasil Survei Demografi dan Kesehatan
Indonesia (SDKI) tahun 2012, Angka Kematian Bayi (AKB) sebesar 32 kematian/1000 kelahiran
hidup. Angka Kematian Bayi (AKB) di Indonesia ini masih tergolong tinggi, jika dibandingkan
dengan negara-negara lain di kawasan ASEAN seperti Filipina, Malaysia, dan Thailand. Di
Indonesia, Jawa Barat menjadi penyumbang terbesar kematian bayi. Untuk itu, penyelesaian
masalah kematian bayi di Jawa Barat nantinya akan sangat berdampak di tingkat nasional.
Variabel pada paper ini adalah Angka Kematian Bayi dan Berat Badan Lahir Rendah di 26
kabupaten-kabupaten di Jawa Barat. Berdasarkan analisis dengan tingkat signifikansi 5% ini
didapatkan R = 0,431 yang artinya 43,1% Angka Kematian Bayi disebabkan oleh Berat Badan
Lahir Rendah. Lalu didapat korelasi kedua data sebesar 0,657 yang artinya kedua variabel
tersebut memiliki hubungan yang cukup kuat. Model regresi yang terbentuk ialah = 60,497 +
0,17 artinya Angka Kematian Bayi akan meningkat 1 satuan pada rata-rata 0,17 BBLR.
Kata kunci: Angka Kematian Bayi, Berat Badan Lahir Rendah

PENDAHULUAN penduduknya baik, maka negara tersebut

dapat dikatakan berhasil dalam
Kesehatan merupakan salah satu indikator mensejahterakan penduduknya. Salah satu
kemajuan bangsa, dimana apabila suatu tujuan Millenium Development Goals
negara dengan tingkat kesehatan (MDGs) mengenai peningkatan kualitas
kesehatan penduduk di Indonesia adalah
menurunkan angka kematian. Saat ini, Jawa
Barat menjadi salah satu provinsi yang
berkontribusi besar terhadap tingginya
Angka Kematian Bayi di Indonesia. Angka
Kematian Bayi (AKB) atau Infant Mortality
Rate adalah banyaknya bayi yang meninggal
sebelum mencapai usia satu tahun
1.000 kelahiran hidup (KH). AKB dapat
menggambarkan kondisi sosial ekonomi
masyarakat setempat, karena bayi adalah
kelompok usia yang paling rentan terkena
dampak dari perubahan lingkungan maupun
sosial ekonomi. Menurut data Laporan
Program Kesehatan Anak Provinsi Jawa
Barat Tahun 2010 2012, jumlah kematian
neonatus yang dilaporkan di Jawa Barat
mencapai angka 3.624 dan kematian bayi
mencapai 4.650. Kematian bayi
maksudnya adalah kematian yang terjadi
antara saat bayi lahir sampai satu hari
sebelum ulang tahun pertama.
Berdasarkan data hasil Survei Demografi
dan Kesehatan Indonesia (SDKI) tahun
2012, Angka Kematian Bayi (AKB) sebesar
32 kematian/1000 kelahiran hidup. Angka
Kematian Bayi (AKB) di Indonesia ini
masih tergolong tinggi, jika dibandingkan
dengan negara lain di kawasan ASEAN.
Berdasarkan Human Development Report
2010, AKB di Indonesia mencapai 31 per
1.000 kelahiran. Angka itu, 5,2 kali lebih
tinggi dibandingkan dengan Malaysia. Juga,
1,2 kali lebih tinggi dibandingkan dengan
Filipina dan 2,4 kali lebih tinggi jika
dibandingkan dengan Thailand.
Jawa Barat menjadi penyumbang terbesar
per
kematian bayi di Indonesia. Hal ini
dikarenakan jumlah penduduk di Jawa Barat
juga besar. Untuk itu, penyelesaian masalah
kematian bayi di Jawa Barat nantinya akan
sangat berdampak di tingkat nasional,
seperti yang dikatakan Direktur Jenderal
Bina Gizi & KIA Kementerian Kesehatan
RI, Jane Soepardi. Menurut data Laporan
Program Kesehatan Anak Provinsi Jawa
Barat Tahun 2010 2012, jumlah kematian
neonatus yang dilaporkan di Jawa Barat
ini
mencapai angka 3.624 dan kematian bayi
mencapai 4.650. Kepala Bidang Pelayanan
Kesehatan Provinsi Jawa Barat, dr. Rr.
Endang, ND, MPH juga mengungkapkan
bahwa angka kematian bayi tinggi terutama
disebabkan karena asfiksia, Bayi Berat Lahir
Rendah (BBLR), infeksi, diare, dan
pneumonia.
Salah satu penyebab utama kematian
neonatal adalah bayi berat lahir rendah
dengan kasus dimana seorang bayi
dikatakan BBLR, jika berat badan bayi
kurang dari 2500 gram tanpa memandang
masa gestasi dan pengertian dari berat lahir
adalah berat bayi yang ditimbang dalam 1
(satu) jam setelah lahir. Berdasarkan profil
Dinas Kesehatan Provinsi Jawa Barat tahun
2009 jumlah lahir hidup Provinsi Jawa Barat
845.964 bayi dan Jumlah BBLR 14.555 bayi
dan di Kota Bandung tahun 2009 sebanyak
45.110 bayi dengan jumlah BBLR
sebanyak 526 bayi. Berdasarkan survei
pada tahun 2007, terdapat 11,5% kasus
BBLR di Indonesia dan sebesar 11,8% di
Jawa Barat, angka ini cukup lebih besar dari
proporsi yang ada di Indonesia.
Bayi dengan BBLR ini mempunyai risiko
tinggi untuk terjadinya kesakitan dan
kematian, selain adanya kekurangmampuan
baik fisik maupun psikis pada
perkembangan selanjutnya, hal ini berkaitan
dengan penanganan dan harapan hidupnya.
Kasus BBLR ini dipengaruhi oleh 2 faktor
utama yaitu : usia kehamilan yang singkat
dan gangguan pertumbuhan intra uterin yang
dipengaruhi oleh faktor ibu, plasenta, dan
janin itu sendiri. Di negara yang sedang
berkembang karakteristik ibu yang berisiko
seperti umur dan paritas yang tinggi, usia
yang sangat muda, dan kondisi sosial
ekonomi yang rendah sangat berpengaruh
terhadap kondisi bayi yang akan dilahirkan.
Mengingat kondisi kesehatan ibu selama
hamil mempunyai pengaruh yang sangat
besar terhadap bayi yang akan dilahirkan,
maka kemungkinan besar akan
mempengaruhi pula terhadap berat badan
bayi yang baru lahir. Dari data-data yang
ada membuktikan bahwa kematian neonatal
yang disebabkan oleh BBLR antara 6,4-
57,5% terbukti dari fakta bahwa meskipun
kejadian BBLR hanya 16% dari semua
kelahiran, lebih dari 50% kematian perinatal
disebabkan oleh BBLR. Di Indonesia dan
beberapa negara berkembang lainnya,
kematian bayi dengan BBLR adalah 5-6 kali
dibandingkan dengan bayi yang lahir cukup
bulan. Dengan demikian dalam upaya
menurunkan angka kematian perinatal, maka
jumlah kelahiran bayi dengan BBLR harus
diturunkan.
METODE PENELITIAN
Penelitian ini merupakan penelitian non-
reaktif karena pada pengukuran variabel
yang akan digunakan peneliti menggunakan
data sekunder yaitu data Dinas Kesehatan
provinsi Jawa Barat tahun 2012 dan sampel
pada penelitian ini semua kabupaten/kota di
wilayah propinsi Jawa Barat tahun 2012
sebanyak 26.
Variabel dalam penelitian ini adalah: a. Distribusi normal
Pengujian error normalitas dengan
a. Variabel Independen
menggunakan uji Kolmogorov -
Variabel Independen dalam penelitian
Smirnov, dikatakan error mengikuti
ini adalah jumlah bayi dengan Berat
distribusi normal jika p value >
Badan Lahir Rendah. Menurut
Proverawati (2010) Berat badan bayi
b. Homoskedastisitas
rendah diukur dengan berat kurang dari
Pemeriksaan homoskedastisitas
2500 gram, panjang kurang dari 45 cm,
menggunakan pemeriksaan residual
lingkar dada kurang dari 30cm, lingkar
dengan membuat scatter plot antara
kepala kurang dari 33cm.
standardize error dengan variabel
independen.
b. Variable Dependen
Variabel Dependen dalam penelitian ini
c. Non Autokorelasi
adalah Angka Kematian Bayi (AKB).
Data dalam penelitian ini bukan
Menurut Badan Pusat Statistik, AKB
merupakan data time series sehingga
merupakan Angka yang menunjukkan
asumsi ini dianggap sudah terpenuhi.
banyaknya kematian bayi usia 0 tahun
dari setiap 1000 kelahiran hidup pada Langkah kedua, apabila asumsi terpenuhi
tahun tertentu atau dapat dikatakan juga maka dilakukan pengujian hipotesis yaitu :
sebagai probabilitas bayi meninggal
a. Pengujian secara keseluruhan
sebelum mencapai usia satu tahun
0 : = 0 : bahwa tidak terdapat
(dinyatakan dengan per seribu kelahiran
pengaruh yang signifikan dari jumlah
hidup).
bayi yang memiliki BBLR terhadap
Analisa data dalam penelitian ini jumlah kematian bayi di Jawa Barat
menggunakan uji regresi linier sederhana tahun 2012.
dengan metode enter pada taraf signifikansi 1 : 0 , bahwa terdapat pengaruh
5%. Model persamaan dalam penelitian ini yang signifikan dari jumlah bayi yang
adalah : = 0 + 1 + memiliki BBLR terhadap jumlah
kematian bayi di Jawa Barat tahun
Langkah dalam pengujian regresi linier
2012.
sederhana, asumsi harus terpenuhi yaitu:
 Jumlah Angka
b. Pengujian parsial No Bayi BBLR Kematian
0 : = 0 , bahwa tidak terdapat (x) Bayi (y)
pengaruh yang signifikan dari jumlah 1 1713 196
bayi yang memiliki BBLR terhadap 2 1908 491
jumlah kematian bayi di Jawa Barat 3 967 242
tahun 2012. 4 438 297
1 : 0, bahwa terdapat pengaruh 5 1260 298
yang signifikan dari jumlah bayi yang 6 1096 406
memiliki BBLR terhadap jumlah 7 754 263
kematian bayi di Jawa Barat tahun 8 1131 84
2012. 9 1400 235

Setelah itu dilakukan analisis regresi linear 10 771 299

sederhana. 11 776 282

12 893 350
HASIL PENELITIAN
13 405 112
Untuk menguji kenormalan data, digunakan 14 358 142
uji Kolmogorov-Smirnov 1 sampel pada 15 596 225
SPSS, dan didapatkan hasil sebagai berikut: 16 706 138
17 543 34
Hasil uji Kolmogorov Smirnov dengan alfa
18 461 26
= 0,05 memberikan hasil seperti pada tabel
19 240 62
di atas. Nilai p-value = 0,200, yang berarti
20 902 148
p-value > alfa. Ini menunjukan bahwa data
21 208 51
berasal dari distribusi normal.
22 165 47
Adapun data dalam penelitian ini adalah 23 826 114
sebagai berikut : 24 333 80
25 41 131
Tabel 1. Data Jumlah Bayi BBLR dan
Angka Kematian Bayi di Provinsi Jawa 26 106 50

Barat Tahun 2012

Berdasarkan data diatas, Jumlah bayi dengan =1 =1 =1
0 = 2
BBLR merupakan variabel independen (x) =1 2 (=1 )
dan Jumlah Kematian Bayi merupakan
0 = 60,497
variabel dependen (y). Dengan
menggunakan software SPSS, didapatkan 1 =
output sebagai berikut :
1 = 0,17

Sehingga persamaan regresi nya akan

Gambar 1. Scatter Plot antara Jumlah Bayi
menjadi sebagai berikut :
BBLR dan Angka KematianBayi
= 60,497 + 0,17

Berdasarkan persamaan regresi di atas dapat

Titik dalam scatter antara jumlah bayi
BBLR dan jumlah kematian bayi diatas
dapat didekati dengan pola linier dan
memiliki hubungan yang positif.
Adapun model persamaan regresi yang bisa
diketahui bahwa setiap ada peningkatan
seorang bayi dengan BBLR maka jumlah
kematian bayi naik sebesar 0 sampai 1.
Namun, jika tidak ada kasus bayi lahir
dengan BBLR maka kematian bayi adalah
sebanyak 60 61 orang yang mungkin
disebabkan oleh penyebab-penyebab
lainnya.
Dengan menggunakan persamaan regresi
nilai untuk masing-masing serta nilai
error () diperoleh sebagai berikut :

digunakan adalah : Tabel 2. Tabel dan Error

= 0 + 1 +
Untuk mencari persamaan regresinya, maka No e

perlu dihitung nilai 0 dan 1 dengan rumus 1 1713 196 351,76 -155,707

sebagai berikut : 2 1908 491 384,92 106,143

3 967 242 224,92 17,113
4 438 297 134,97 162,043
5 1260 298 274,74 23,303 Gambar 2. Scatter Plot Antara Residual
6 1096 406 246,85 159,183 (Error) dengan
7 754 263 188,70 74,323
8 1131 84 252,80 -168,767
9 1400 235 298,54 -63,497
10 771 299 191,59 107,433
11 776 282 192,44 89,583
12 893 350 212,33 137,693
13 405 112 129,36 -17,347
14 358 142 121,37 20,643
15 596 225 161,84 63,183
16 706 138 180,54 -42,517 Berdasarkan plot diatas dapat dilihat bahwa
17 543 34 152,82 -118,807 titik titiknya menyebar jadi dapat
18 461 26 138,88 -112,867 disimpulkan bahwa model persamaan
19 240 62 101,30 -39,297 regresi = 60,497 + 0,17 bagus .
20 902 148 213,86 -65,837
21 208 51 95,86 -44,857
Analisis di atas menunjukkan bahwa
22 165 47 88,55 -41,547
variabel x (Jumlah Bayi BBLR)
23 826 114 200,94 -86,917
mempengaruhi variabel y (Angka Kematian
24 333 80 117,12 -37,107
Bayi). Untuk lebih mempertegas adanya
25 41 131 67,47 63,533
pengaruh dari variabel x terhadap variabel y
26 106 50 78,52 -28,517
dilakukan uji simultan dan uji parsial.
Setelah diperoleh persamaan regresi serta
nilai untuk masing-masing , perlu Uji parsial menggunakan uji T dengan
diperiksa ada tidaknya penyimpangan model hipotesis :
persamaan regresinya. Nilai residual () dan
0 : 1 = 0 atau tidak ada hubungan linier
nilai bisa digunakan untuk memeriksa
antara variabel x dengan variabel y
asumsi homoskedastisitas, menggunakan
1 : 1 0 atau ada pengaruh yang
scatter plot sebagai berikut :
signifikan antara variabel x dengan variabel
y
Pada tingkat signifikansi 0,05 SoV SS df MS Fhit
R 167998,0315 1 167998 18,22042
Daerah tolak < 2,0638 atau >
E 221287,5907 24 9220,316
2,0638
T 389347,1154 25
1 2,538
Statistik uji = 1 ) = 0,5946 = 4,2685
(

167998
Keputusan : Karena > 2,0638 maka Statistik uji = = 9220,316 =

tolak 0 . 18,22042

Dengan tingkat kepercayaan 95 %, Keputusan : Karena > 4.259677 maka

disimpulkan bahwa terdapat pengaruh yang tolak H0.
signifikan dari jumlah bayi yang memiliki
Dengan tingkat kepercayaan 95 %,
BBLR terhadap jumlah kematian bayi di
disimpulkan bahwa terdapat pengaruh yang
Jawa Barat tahun 2012.
signifikan dari jumlah bayi yang memiliki
Sedangkan uji simultan menggunakan uji F BBLR terhadap jumlah kematian bayi di
dengan hipotesis : Jawa Barat tahun 2012.

0 : 1 = 0 atau tidak ada hubungan antara Berdasarkan uji parsial dan uji simultan di
variabel x dengan variabel y atas, dapat diketahui bahwa Jumlah Bayi
1 : 1 0 atau ada hubungan yang BBLR memiliki pengaruh yang signifikan
signifikan antara variabel x dengan variabel terhadap Angka Kematian Bayi di Jawa
y Barat tahun 2012.

Persamaan regresi yang diperoleh dari

Daerah tolak > 4.259677
Pada tingkat signifikansi 0,05 diperoleh
tabel Anova sebagai berikut :
perhitungan sebelumnya, memberikan nilai
1 = 0,17 . Untuk mempertegas nilai 1
pada persamaan regresi, maka dilakukan uji
confidence interval untuk 1.

Tabel 3. Tabel Anova Confidence Interval (1 )100% untuk 1

 (1 (1 ). (1,2) 1
2
1 + (1 ). (1,2)
2 Artinya, hubungan regresi cukup kuat
= (1 )100%
Berdasarkan data, diperoleh :
= 26
1 = 0.170031136
0 = 60.49686569
= 221287.5623
= 9220.315094
2 = 19693311
= 730.6538462
( )2 = 5813079.885
( )2 = 389347.1154
Sehingga didapat confidence interval:
P(0,0668 1 0,2732) = (1-)100%
Jadi, dengan tingkat kepercayaan 95%
didapatkan selang kepercayaan untuk 1
antara 0,0668 sampai 0,2732.
Untuk mengetahui seberapa besar pengaruh
variabel x terhadap variabel y dapat dihitung
menggunakan koefisien determinasi ( 2 )
dan koefisien korelasi ().
Nilai koefisien determinasinya adalah :
167998
2 = = 389347,1154 = 0,4314
karena 43,14% variasi kematian bayi dapat
dijelaskan oleh jumlah bayi yang lahir
dengan berat badan lahir rendah (BBLR).
Adapun nilai koefisien korelasinya adalah :
( )()
=
( )2 ()2
988404,58
=
5813079,88 389347,12
= 0,657
Artinya, hubungan linier yang ada antara
variabel X (BBLR) dengan variabel Y
(kematian bayi) cukup kuat, dan tanda
positif pada koefisien korelasi berarti setiap
kenaikan variabel X diikuti dengan kenaikan
variabel Y.
Berdasarkan persamaan regresi yang
diperoleh dari perhitungan sebelumnya, bisa
dicari nilai ramalan rata-rata untuk
tertentu dan juga nilai estimasi untuk
masing-masing untuk nilai tertentu.
Pada penelitian ini menggunakan permisalan
untuk nilai = 1000, dan diperoleh hasil
sebagai berikut :
Peramalan Nilai Rata-Rata Y (| ) Pada
X=Xo
Misal X=1000 = 0 + 1
= 60,497 + (0,170
= 0 + 1 1000) = 230,528
= 60,497 + (0,170 2 2
2 = + ( )2 ( )2
+ 2 =
1000) = 230,528 [ 2 ]

793,358 + 15573,88 = 16367,243

2 2
2 = + ( ) 2
( )2
= 793,358
[ 2

] = 127,935

Confidence Interval untuk rata-rata y pada

= 28,167
x=1000
Confidence Interval untuk rata-rata y pada = 0,05
= 1000
[ ,2 . < |=1000 < +
2
= 0,05 ,2 . ] = (1 )100%
2

[ ,2 . < |=1000 < + [230,528 2,064.127,935 <

2
|=1000 < 230,528 +
,2 . ] = (1 )100%
2 2,064.127,935] = 95%

[230,528 2,064.28,167 < |=1000 < [33,529 < |=1000 < 494,585] =
230,528 + 2,064.28,167] = 95% 95%

Jadi, dengan tingkat kepercayaan 95%

[172,392 < |=1000 < 288,664] =
didapatkan selang kepercayaan nilai estimasi
95% angka kematian bayi yang baru dengan

Jadi, dengan tingkat kepercayaan 95%, banyak Berat Badan Lahir Hidup sebanyak

didapatkan selang kepercayaan rata-rata 1000 adalah antara -33,529 sampai 494,585.

angka kematian bayi untuk jumlah Berat Pemeriksaan lebih lanjut mengenai residual
Badan Lahir Rendah sebanyak 1000 adalah menggunakan nilai standardize error nya.
antara 172,392 sampai 288,664. Standardize eror diperoleh dengan membagi

Peramalan Nilai Individu Y (Yi) Pada nilai eror dengan akar dari Mean Square
X=Xo Eror (MSE) lalu dibuat scatter plot dengan

Misal X=1000 variabel independen atau x, yang mana di

sini variabel independennya nya adalah
jumlah bayi dengan berat badan lahir 165 -0,4327
rendah. Adapun nilai MSE dari data adalah 826 -0,9054
9220,315. Sehingga diperoleh nilai 333 -0,3865
standardize error sebagai berikut : 41 0,6616
106 -0,2970
Tabel 4. Jumlah Bayi BBLR dengan
Standardize Error
Dari data di atas kemudian dibuat scatter
Jumlah bayi Standardize
plot dengan variabel x sebagai sumbu x dan
BBLR (X) Eror
standardize error sebagai sumbu y.
1713 -1,6221
1908 1,1048 Gambar 3. Scatter Plot antara Standardize
967 0,1779 Error dengan Variabel x
438 1,6874 2.0000
STANDARDIZE EROR
1260 0,2423 1.0000
1096 1,6574
0.0000
754 0,7738 0 500 1000 1500 2000 2500
-1.0000
1131 -1,7579
-2.0000
1400 -0,6617
NILAI X
771 1,1186 Standardize Eror

776 0,9327
893 1,4337 Scatter plot di atas menunjukan pola yang
acak. Hal ini mengindikasikan bahwa model
405 -0,1808
liniernya bagus dan memenuhi asumsi
358 0,2149
homoskedastis. Asumsi homoskedastis
596 0,6578
terpenuhi artinya varians atau keragaman
706 -0,4430
dari eror tidak terpengaruh oleh faktor lain.
543 -1,2375
461 -1,1756 Pemeriksaan lebih lanjut menggunakan
240 -0,4093 standardize error dengan t (waktu). Dalam
902 -0,6859 pemeriksaan ini waktu dianggap berjalan
208 -0,4672 dari 1 sampai dengan 26 . Adapun bentuk
scatter plot nya adalah sebagai berikut :
 Gambar 4. Scatter Plot antara Standardize akan tetapi nilai standardize eror yang
Error dengan Waktu (t) digunakan harus diurutkan dari nilai terkecil
hingga terbesar terlebih dahulu. Adapun
2.0000
nilai expected error nya adalah sebagai
SRANDARDIZE EROR

1.0000
berikut :
0.0000
0 10 20 30
-1.0000
Tabel 5. Standardize Error dengan Expected

-2.0000
Error
WAKTU

Standardize Eror
Standardize Expected
Eror terurut Error
Dari scater plot diatas terlihat bahwa pola -1,6221 -190,1967
yang ada adalah acak. Jadi bisa kita 1,1048 -147,7765
simpulkan bahwa antara eror dan t (waktu) 0,1779 -123,0577
tidak ada hubungan (non autokorelasi) 1,6874 -104,5605
sehingga memenuhi asumsi non 0,2423 -89,2991
autokorelasi. 1,6574 -76,0151
0,7738 -64,0485
Pemeriksaan penyimpangan berikutnya
-1,7579 -53,0038
adalah dengan Normal Probabality Plot.
-0,6617 -42,6207
Normal probabilitas plot adalah scater plot
1,1186 -32,7144
antara standardize eror dan Expected
0,9327 -23,1453
residuals.
1,4337 -13,8012
Nilai expected residuals didapat dari -0,1808 -4,5864
0,2149 4,5864
=
0,375 0,6578 13,8012
{ [ +0,25 ]}
-0,4430 23,1453
Dimana, -1,2375 32,7144
-1,1756 42,6207
i = indeks
-0,4093 53,0038
n = banyaknya data -0,6859 64,0485
 -0,4672 76,0151 1. Ada hubungan Berat Badan Lahir
-0,4327 89,2991 Rendah dengan Angka Kematian
-0,9054 104,5605 Bayi dengan = 0,657.
-0,3865 123,0577 2. Model yang terbentuk adalah
0,6616 147,7765 = 60,497 + 0,17
-0,2970 190,1967 Model tersebut menunjukkan bahwa
Angka Kematian Bayi akan
meningkat 1 satuan pada rata-rata
Berdasarkan data di atas, dapat dibuat
0,17 BBLR dengan syarat variabel
scatter plot sebagai berikut :
predictor yang lain adalah konstan.
Gambar 5. Scatter Plot antara Standardize
Error dengan Expected Error
SARAN

1. Salah satu faktor penyebab BBLR

adalah usia kehamilan yang singkat
EXPECTED ERROR

dan gangguan pertumbuhan intra

uterin. Salah satu hal itu disebabkan
oleh usia ibu yang sangat muda,
sehingga sebenarnya rahim nya
STANDARDIZE ERROR belum terlalu kuat untuk
mengandung. Masalah menikah
Dari titik titik yang terdapat pada normal terlalu muda ini masih terjadi di
probability plot dapat didekati dengan pola beberapa bahkan cukup banyak
linier, sehingga dapat disimpulkan bahwa daerah di Jawa Barat. Sehingga
distribusi normalnya normal. Saran kami adalah melakukan
penyuluhan terhdap orang-orang di
KESIMPULAN
desa terutama perempuan, untuk
Yang dapat disimpulkan dari data-data tidak menikah di usia yang terlalu
diatas adalah: muda misalnya di bawah 20tahun.
2. Mengingat kondisi kesehatan ibu
selama hamil mempunyai pengaruh
 yang sangat besar terhadap bayi yang rendah-di-rsud-kota-bandung-tahun-
akan dilahirkan, maka kemungkinan 2010.html, diakses tanggal 22 April 2016)

besar akan mempengaruhi pula Nursiyono, Joko Ade, 2015, Uji

terhadap berat badan bayi yang baru
lahir. Oleh sebab itu perlu adanya
kepedulian keluarga dan calon ibu
itu sendiri untuk selalu mengecek
kesehatan serta selalu mencukupkan
asupan gizi. Karena gizi ini bukan
hanya untuk si ibu, namun juga
untuk janin.
Homoskedastisitas Statistik, [online],
(www.kompasiana.com/jokoade/uji-
homoskedastisitas-
statistik_54f6aa33a33311f7598b4604,
diakses tanggal 23 April 2016)
Widhiarso, Wahyu, 2010, Berkenalan
dengan metode-metode analisis regresi
melalui SPSS, [online],
(http://widhiarso.staff.ugm.ac.id/wp/berkena
lan-dengan-metode-metode-analisis-regresi-
melalui-spss, diakses tanggal 23 April 2016)

DAFTAR PUSTAKA

Dinkes. 2012. Profil Kesehatan Jawa Barat

Tahun 2012.

Hendriyana, Artanti, 2013, Jawa Barat

Penyumbang Terbesar Angka Kematian
Bayi di Indonesia, [online],
(www.unpad.ac.id/2013/10/jawa-barat-
penyumbang-terbesar-angka-kematian-bayi-
di-indonesia, diakses tanggal 21 April 2016)

Jawa Barat Dalam Angka 2014. Badan

Pusat Statistik Provinsi Jawa Barat.

Neter, John. et al. 1989. Applied Linear

Regression Models: Second Edition. USA:
R. R. Donnelley & Sons Company.

N., Sari. et al. 2013. Karakteristik Ibu

Bersalin Pada Kejadian Berat Badan Lahir
Rendah di RSUD Kota Bandung Tahun
2010,
(http://www.jurnalpendidikanbidan.com/arsi
p/39-mei-2013/114-karakteristik-ibu-
bersalin-pada-kejadian-berat-badan-lahir-