Anda di halaman 1dari 34
ANALISIS REGRESI MULTIVARIAT BERDASARKAN FAKTOR-FAKTOR YANG MEMPENGARUHI DERAJAT KESEHATAN DI PROVINSI JAWA TIMUR Rosy
ANALISIS REGRESI MULTIVARIAT BERDASARKAN FAKTOR-FAKTOR YANG MEMPENGARUHI DERAJAT KESEHATAN DI PROVINSI JAWA TIMUR Rosy
ANALISIS REGRESI MULTIVARIAT
ANALISIS REGRESI MULTIVARIAT

ANALISIS REGRESI MULTIVARIAT

BERDASARKAN FAKTOR-FAKTOR YANG

MEMPENGARUHI DERAJAT KESEHATAN DI PROVINSI JAWA TIMUR

Rosy Riskiyanti

1308.100.508

Dosen Pembimbing Ir. Sri Pingit Wulandari, M.Si

Latar Belakang

Aspek Kesejahteraan
Aspek
Kesejahteraan
Latar Belakang Aspek Kesejahteraan MDGs Bahan Evaluasi pembangunan khususnya bidang kesehatan dan menyusun rencana
MDGs
MDGs
Latar Belakang Aspek Kesejahteraan MDGs Bahan Evaluasi pembangunan khususnya bidang kesehatan dan menyusun rencana
Bahan Evaluasi pembangunan khususnya bidang kesehatan dan menyusun rencana kerja di bidang kesehatan
Bahan Evaluasi pembangunan
khususnya bidang kesehatan dan
menyusun rencana kerja di
bidang kesehatan
kesehatan dan menyusun rencana kerja di bidang kesehatan Visi Indonesia Sehat 2010 Tolak Ukur keberhasilan
Visi Indonesia Sehat 2010
Visi Indonesia
Sehat 2010
dan menyusun rencana kerja di bidang kesehatan Visi Indonesia Sehat 2010 Tolak Ukur keberhasilan Pembangunan
Tolak Ukur keberhasilan Pembangunan
Tolak Ukur
keberhasilan
Pembangunan

Permasalahan

Bagaimana gambaran kesehatan masyarakat di setiap kabupaten/kota berdasarkan faktor-faktor derajat kesehatan di Provinsi
Bagaimana gambaran kesehatan masyarakat di setiap
kabupaten/kota berdasarkan faktor-faktor derajat
kesehatan di Provinsi Jawa Timur?
faktor-faktor derajat kesehatan di Provinsi Jawa Timur? Faktor-faktor apa saja yang mempengaruhi angka kematian
Faktor-faktor apa saja yang mempengaruhi angka kematian bayi, angka harapan hidup, dan status gizi buruk
Faktor-faktor apa saja yang mempengaruhi angka
kematian bayi, angka harapan hidup, dan status gizi
buruk di Provinsi Jawa Timur?
apa saja yang mempengaruhi angka kematian bayi, angka harapan hidup, dan status gizi buruk di Provinsi

Tujuan

Mengetahui gambaran kesehatan masyarakat di setiap kabupaten/kota berdasarkan derajat kesehatan di Provinsi Jawa Timur
Mengetahui gambaran kesehatan masyarakat di setiap
kabupaten/kota berdasarkan derajat kesehatan di
Provinsi Jawa Timur
berdasarkan derajat kesehatan di Provinsi Jawa Timur Menentukan faktor-faktor apa saja yang mempengaruhi angka
Menentukan faktor-faktor apa saja yang mempengaruhi angka kematian bayi, angka harapan hidup, dan status gizi
Menentukan faktor-faktor apa saja yang
mempengaruhi angka kematian bayi, angka harapan
hidup, dan status gizi buruk di Provinsi Jawa Timur
apa saja yang mempengaruhi angka kematian bayi, angka harapan hidup, dan status gizi buruk di Provinsi

Batasan Masalah

Data yang digunakan adalah merupakan data sekunder dari Badan

Pusat Statistik (BPS) tahun 2007. Dan hasil kesimpulan penelitian ini

terbatas pada hubungan antara variabel angka kematian bayi, angka harapan hidup, dan status gizi buruk dengan indikator derajat kesehatan

Manfaat

Penelitian ini diharapkan dapat memberi masukan dan sekaligus bahan pertimbangan bagi pihak pemerintah khususnya Badan Perencanaan Pembangunan Daerah (Bapedda) dan Dinas Kesehatan Provinsi Jawa Timur dalam merencanakan pembangunan, khususnya dalam bidang kesehatan. Dan juga sebagai bahan informasi bagi pihak-

pihak yang membutuhkan

Penelitian Terdahulu

Pramasita (2005) Faktor-faktor yang Mempengaruhi Angka Kematian Bayi di Wilayah Jawa Timur Tahun 2002.
Pramasita (2005) Faktor-faktor yang Mempengaruhi Angka
Kematian Bayi di Wilayah Jawa Timur Tahun 2002.

Purwaningsih (2006) Analisis Pengelompokan Wilayah Jawa Timur Berdasarkan Indikator-indikator Derajat Kesehatan Masyarakat

Talangko (2009) Pemodelan Persamaan Struktural dengan

Maximum Likelihood dan Bootstrap pada Derajat

Kesehatan Di Provinsi Sulawesi Selatan

Analisis Regresi Multivariat

Model regresi multivariat adalah model regresi dengan lebih dari satu variabel respon yang saling berkorelasi dan satu

atau lebih variabel prediktor (Johnson dan Wichern, 1998;

Rencher, 2002).

Model regresi multivariat yang terdiri dari q model linear secara simultan dapat ditunjukkan dalam bentuk persamaan berikut ini:

regresi multivariat yang terdiri dari q model linear secara simultan dapat ditunjukkan dalam bentuk persamaan berikut

Koefisien Korelasi

Koefisien korelasi (r xy ) merupakan suatu ukuran (indikator) hubungan liniear antara 2 variabel, misal variabel X dan Y

(Draper, 1992) n _   _      x  x
(Draper, 1992)
n _
_
  x
x
y  y
i
i
i
 1
r 
xy
2
2
n
_
n
_
 
x
 x
i
i
 y  y
i 
1
i 
1

Korelasi berkisar antara -1 sampai 1 (-1 r xy 1). Artinya, semakin mendekati 1, berarti hubungan antara dua variabel tersebut semakin erat secara liniear dan juga sebaliknya

Pengujian Kebebasan Antar Variabel Respon

Untuk menguji kebebasan antar variabel ini dapar dilakukan uji Bartlett Sphericity berikut (Morrison, 2005):

Hipotesis :

H 0 : Antar variabel respon bersifat independen

H 1 : Antar variabel respon bersifat dependen

Statistik uji :

2

5

q

2

ln R

1

hitung

  

n

6

Gagal Tolak H 0 jika independen

2

hitung

2

;

1

2

(

q q

1)

yang

berarti

antar

variabel

bersifat

Kullback’s Information Criterion Corrected (KICc)

Menurut Hafidi dan Mkhadri (2006) kriteria KICc (Kullback’s Information Criterion Corrected) merupakan koreksi dari metode KIC dan akan

menghasilkan model terbaik jika digunakan pada sampel kecil untuk

pemilihan model linear multivariat. Hafidi dan Mkhadri (2006) menyatakan bahwa besarnya KICc adalah :

KICc n ln

ˆ

q

d n

3

p q

 

1

n

p q

  1

d qp 0,5q q 1

Kriteria pemilihan model terbaik jika didapatkan nilai KICc terkecil yang berarti semakin kecil nilai dari KICc maka semakin baik model yang digunakan

Hubungan Antara Variabel Respon dan Variabel Prediktor

Pada regresi multivariat, ukuran yang digunakan untuk mengukur hubungan antara variabel respon dan prediktor adalah Wilk’s Lambda. Ukuran

dinyatakan dengan rumus sebagai berikut: (Rencher, 2002)

2 1 

dengan Λ adalah nilai Wilk’s lambda

2

Nilai berada pada interval 0 dan 1. Semakin mendekati 1 berarti

hubungan antara variabel respon dan variabel prediktor semakin erat. Dengan

kata lain nilai menyatakan prosentase dari variabel respon yang dapat

dijelaskan oleh variabel prediktor

2

Uji Hipotesis

Pengujian ini dilakukan untuk menguji apakah secara keseluruhan parameter tidak sama dengan nol. Hipotesis yang digunakan adalah sebagai berikut: (Rencher, 2002)

H B

H

:

0

0

1

1

:Paling sedikit ada satu

B

1

0

Statistik uji yang digunakan adalah Wilk’s Lamda



E E  H
E
E  H

T ˆ T T Y Y B X Y  T T Y Y 
T
ˆ
T
T
Y Y B X Y
T
T
Y
Y  ny y

Dimana

y adalah vektor rata-rata dari matriks Y

H 0 ditolak jika

untuk Wilk’s Lambda.



hitung

q p n p

,

,

,

1

Nilai

q p n p

,

,

,

1

adalah nilai tabel ktitis

Uji Asumsi Residual Identik

Untuk menguji syarat ini dapat dipergunakan statistik uji Box’s M.

Hipotesis

H 0 :

H 1 : Minimal ada satu

Statistik uji :

   

1

2

k

 

i

j

untuk

i j

u

c

1

2(1

 

c )ln M

1


 

 

k

i 1

 

1

 

1

 

2

 

2

3

 

p

p

 

k

i

6(

p

1)(

k

1)

v

i

i 1

v

 

1

ln M

k

1 ln

2

i

1

v

i

v

i

n 1

i

S

i

k   1    v  ln i 2   i
k
1  
v
 ln
i
2
i 
1

S

pool

Terima hipotesis nol jika

kovarians bersifat homogen

u

2

;

1

2

(

k

1)

p p

(

1)

yang berarti matriks varians-

Uji Asumsi Residual Independen

Untuk menguji syarat ini dapat dipergunakan statistik uji Bartlett Sphericity

Hipotesis

H 0 : Residual bersifat independent

H 1 : Residual bersifat dependent

Statistik uji :

2

q

5

 

6

2

 

1

;

2

(

q q

1)

2

  

n

1

ln R

hitung

Gagal Tolak H 0 jika independen

2

berarti

yang

antar

residual

bersifat

hitung

Uji Asumsi Residual Distribusi Normal

Pemeriksaan distribusi normal multivariat dapat dilakukan dengan cara membuat q-q plot dari nilai (Johnson & Wichern,

2007).

Hipotesis yang digunakan adalah sebagai berikut.

H 0 : Residual berdistribusi normal multivariat

H 1 : Residual tidak berdistribusi normal multivariat

Statistik Uji:

Kesimpulan adalah gagal tolak H 0 atau data dikatakan berdistribusi normal multivariat jika ada sejumlah data yang

memiliki nilai lebih dari 50%

d

i

2

d

i 2

ˆ

ε

ε

T

S

1

ε ˆ

ε

,

i

1,2,

i

i

,

n

d

i

p

2

2 ,0,5

Angka Kematian Bayi

Kematian bayi adalah kematian yang terjadi setelah bayi lahir hidup hingga berumur kurang dari satu tahun, sedangkan angka kematian bayi adalah jumlah kematian bayi yang terjadi setelah bayi lahir hidup hingga berumur kurang dari satu tahun dibagi jumlah kelahiran dikalikan dengan suatu konstanta yaitu 1000 kelahiran (Depkes, RI).

Angka Harapan Hidup (AHH)

Kemampuan untuk bertahan hidup lebih lama atau rata-rata tahun hidup yang akan dijalani oleh bayi yang baru lahir pada suatu tahun tertentu yang diukur dengan angka harapan hidup pada saat lahir (life expectacy at birth) yang biasa dinotasikan dengan e 0

Status Gizi Buruk

Status gizi merupakan keadaan tubuh yang diakibatkan oleh keseimbangan antara asupan zat gizi (intake) dan jumlah yang dibutuhkan tubuh untuk berbagai fungsi biologis termasuk pertumbuhan fisik,

perkembangan, aktifitas, pemeliharaan kesehatan dan lainnya

Sumber Data

Data yang digunakan adalah merupakan data

sekunder dari hasil pendataan Badan Pusat Statistik

(BPS) yaitu Analisa Penyusunan Kinerja Makro Ekonomi dan Sosial Jawa Timur Tahun 2007, Profil Kesehatan Provinsi Jawa Timur 2007, serta Survei

Sosial Ekonomi Nasional (SUSENAS) tahun 2007

Variabel Penelitian

 

Variabel Respon

Y

1

Prosentase angka kematian bayi

Y

2

Prosentase angka harapan hidup

Y

3

Prosentase status gizi buruk

 

Variabel Prediktor

X

1

Prosentase rumah tangga yang menggunakan jamban dengan tangki septik

X

2

Prosentase rumah yang menggunakan air bersih untuk minum/masak (air kemasan, PAM, pompa, sumur terlindung dan mata air terlindung)

X

3

Prosentase peran aktif masyarakat dalam posyandu purnama dan mandiri

X

4

Prosentase rata-rata lamanya bayi diberi ASI Eksklusif pada usia 0-2 tahun

X

5

Prosentase persalinan yang dilakukan oleh tenaga medis

X

6

Prosentase Imunisasi lengkap yang mencakup imunisasi BCG, DPT, Polio, Campak, dan hepatitis

Langkah-Langkah Penelitian

Mulai

Pengujian Tidak Ya Korelasi Antar Variabel Respon
Pengujian
Tidak
Ya
Korelasi Antar
Variabel
Respon
Analisis Regresi Univariat Analisis Regresi Multivariat Pemilihan variabel prediktor dengan menggunakan KICc
Analisis Regresi
Univariat
Analisis Regresi
Multivariat
Pemilihan variabel prediktor
dengan menggunakan KICc
Menaksir
Parameter
variabel prediktor dengan menggunakan KICc Menaksir Parameter Uji Asumsi Residual IIDN Interpretasi Model Selesai

Uji Asumsi Residual IIDN

variabel prediktor dengan menggunakan KICc Menaksir Parameter Uji Asumsi Residual IIDN Interpretasi Model Selesai

Interpretasi Model

variabel prediktor dengan menggunakan KICc Menaksir Parameter Uji Asumsi Residual IIDN Interpretasi Model Selesai

Selesai

Statistik Deskriptif Variabel Respon

Variabel

Rata-Rata

Minimal

Maksimal

AKB (%)

46,85

36,80

64,56

AHH (%)

67,35

60,21

71,52

Gizi Buruk (%)

2,649

1,34

4,82

70,00

60,00

50,00

40,00

30,00

20,00

10,00

0,00

Angka Kematian Bayi

70,00 60,00 50,00 40,00 30,00 20,00 10,00 0,00 Angka Kematian Bayi
Angka Harapan Hidup 72,00 70,00 68,00 66,00 64,00 62,00 60,00 58,00 56,00 54,00
Angka Harapan Hidup
72,00
70,00
68,00
66,00
64,00
62,00
60,00
58,00
56,00
54,00
GIZI BURUK 5,00 4,50 4,00 3,50 3,00 2,50 2,00 1,50 1,00 0,50 0,00
GIZI BURUK
5,00
4,50
4,00
3,50
3,00
2,50
2,00
1,50
1,00
0,50
0,00

Statistik Deskriptif Variabel Prediktor

Variabel

Rata-Rata

Min

Maks

Prosentase Jamban (X 1 )

51,66

10,93

92,35

Prosentase Air (X 2 )

84,31

28,00

99,91

 

41,80

12,16

88,12

Prosentase Posyandu (X 3 ) Prosentase ASI (X 4 )

48,01

17,34

88,02

 

87,55

61,61

99,33

Prosentase Salin_Medis (X 5 ) Prosentase Imunisasi (X 6 )

56,06

24,36

90,14

30 60 90 30 60 90 40 60 80 60 50 40 70 65 60
30
60
90
30
60
90
40
60
80
60
50
40
70
65
60
5
3
1
0
50
100
30
60
90
60
80
100
X1
X2
X3
X4
X5
X6
Y3
Y2
Y1

Analisa Hubungan Variabel Respon

Variabel Respon

AKB (Y1)

AHH (Y2)

Gizi Buruk (Y3)

AKB (Y1)

1

-0,727

0,513

AHH (Y2)

-0,727

1

-0,641

Gizi Buruk (Y3)

0,513

-0,641

1

Jika menggunakan uji Bartlett Spericity hasilnya dapat dilihat sebagai

berikut dengan hipotesis: (Morrison, 2005).

H 0 : Antar variabel respon bersifat independent

H 1 : Antar variabel respon bersifat dependent

Statistik uji:

Diperoleh nilai Karena nilai

sebesar 7,815 maka kesimpulannya tolak H 0 atau antar variabel respon saling

berkorelasi sehingga dapat digunakan analisis regresi multivariat

2 q 5  

6

2

hit

ln R

  

n

1

2

hitung

untuk ketiga variabel respon tersebut yaitu sebesar 45,34.

2

0,05;3

2

untuk ketiga variabel respon lebih besar dari nilai

hitung

Distribusi Normal Multivariat Variabel Respon

Asumsi selanjutnya yang harus dipenuhi dalam analisis regresi multivariat

adalah variabel respon berdistribusi normal multivariat. Bentuk hipotesisnya

adalah:

H 0 : Variabel respon berdistribusi normal multivariat H 1 : Variabel respon tidak berdistribusi normal multivariat

Scatterplot of q vs dd 12 10 8 6 4 2 0 0 2 4
Scatterplot of q vs dd
12
10
8
6
4
2
0
0
2
4
6
8
10
12
dd
q

Diperoleh nilai dari sebanyak 55,26 persen, sehingga dapat

disimpulkan bahwa ketiga

variabel respon berdistribusi normal multivariat

d

2

i

2

3;0,5

Pemilihan Model dengan Metode KICc Untuk Variabel Prediktor

No

Prediktor

AICC

KICC

No

Prediktor

AICC

KICC

1

X1

320,677

332,677

33

X2X3X5

284,466

302,466

2

X2

325,748

337,748

34

X2X3X6

313,362

331,362

3

X3

323,988

335,988

35

X2X4X5

279,488

297,488

4

X4

324,338

336,338

36

X2X4X6

310,967

328,967

5

X5

274,638

286,638

37

X2X5X6

272,881

290,881

6

X6

303,927

315,927

38

X3X4X5

282,085

300,085

7

X1X2

326,24

341,24

39

X3X4X6

313,37

331,37

8

X1X3

324,521

339,521

40

X3X5X6

274,877

292,877

9

X1X4

322,803

337,803

41

X4X5X6

271,409

289,409

10

X1X5

282,524

297,524

42

X1X2X3X4

333,005

354,005

11

X1X6

302,776

317,776

43

X1X2X3X5

293,547

314,547

12

X2X3

327,86

342,86

44

X1X2X3X6

316,241

337,241

13

X2X4

326,884

341,884

45

X1X2X4X5

288,494

309,494

14

X2X5

277,831

292,831

46

X1X2X4X6

312,751

333,751

15

X2X6

307,729

322,729

47

X1X2X5X6

281,195

302,195

16

X3X4

326,28

341,28

48

X1X3X4X5

290,931

311,931

17

X3X5

280,233

295,233

49

X1X3X4X6

313,872

334,872

18

X3X6

309,045

324,045

50

X1X3X5X6

283,471

304,471

19

X4X5

276,082

291,082

51

X1X4X5X7

279,918

300,918

20

X4X6

307,864

322,864

52

X2X3X4X5

286,544

307,544

21

X5X6

268,168

283,168

53

X2X3X4X6

316,952

337,952

22

X1X2X3

330,96

348,96

54

X2X3X5X6

280,474

301,474

23

X1X2X4

328,012

346,012

55

X2X4X5X6

276,169

297,169

24

X1X2X5

286,252

304,252

56

X3X4X5X6

278,658

299,658

25

X1X2X6

308,917

326,917

57

X1X2X3X4X5

296,305

320,305

26

X1X3X4

327,005

345,005

58

X1X2X3X4X6

320,576

344,576

27

X1X3X5

288,586

306,586

59

X1X2X3X5X6

289,487

313,487

28

X1X3X6

309,195

327,195

60

X1X2X4X5X6

285,165

309,165

29

X1X4X5

284,372

302,372

61

X1X3X4X5X6

287,839

311,839

30

X1X4X6

306,931

324,931

62

X2X3X4X5X6

284,326

308,326

31

X1X5X6

276,194

294,194

63

X1X2X3X4X5X6

294,134

321,134

32

X2X3X4

329,14

347,14

Estimasi Parameter

Variabel Respon

Parameter

B

t

Sig.

 

Intercept

89,947

12,196

0,000

Angka Kematian Bayi (Y 1 )

X

5

-0,377

-3,933

0,000

X

6

-0,145

-2,359

0,024

 

Intercept

45,605

23,957

0,000

Angka Harapan Hidup (Y 2 )

X

5

0,21

8,324

0,000

X

6

0,059

3,653

0,001

 

Intercept

5,894

6,085

0,000

Gizi Buruk (Y 3 )

X

5

-0,026

-2,035

0,049

       
 

X

6

-0,017

-2,061

0,047

AKB AHH Gizi Buruk

= 89,947 0,377 X 5 0,145 X 6 = 45,605 + 0,21 X 5 + 0,059 X 6 = 5,894 0,026 X 5 0,017 X 6

dapat dikatakan variabel prediktor

mampu menjelaskan 83,7 persen variansi data pada variabel respon, sedangkan 16,3 persen dijelaskan oleh variabel-variabel prediktor lain yang tidak diteliti.

Dengan Nilai

2

1

 

0,163

0,837

Ini

Pengujian Signifikansi Parameter

H 0 :

H 1 : Paling sedikit ada satu Statistik uji

15

16

25

26

35

36

pq

= 0

0

1021,79    52,1333  21,1471   T ˆ T T  13,1077
1021,79
 
52,1333
21,1471
T
ˆ
T
T
 13,1077
71,1963
Y Y
X Y
52,13
21,15
13,1077
18,4341
  
T
T
2277,26
704,057
129,441
Y
Y
ny y
704,06
 401,166
67,842
129,44
67,842
27,936
E   E  H
E

E
H

= 0,163

Melalui pengujian hipotesis diketahui bahwa nilai Wilk’s Lamda adalah

0,163. Karena nilai Wilk’s Lamda hitung kurang dari sebesar 0,6556 maka

kesimpulannya adalah tolak H 0 yang berarti secara serentak multivariat, paling tidak ada satu parameter yang signifikan berpengaruh terhadap model

0,05,3,2,31

Variabel prosentase persalinan yang dilakukan oleh tenaga medis (X 5 )

H 0 :

H 1 : Paling sedikit ada satu

15

25

35

0

pq

0

Variabel prosentase imunisasi lengkap yang mencakup imunisasi BCG, DPT, polio, campak, dan hepatitis (X 6 )

H 0 :

H 1 : Paling sedikit ada satu

16

26

36

0

pq

0

Parameter

Wilk's Lambda

P_value

Intercept

0,032

0,000

X

5

0,686

0,000

X

6

0,322

0,005

Didapatkan informasi nilai Wilk’s Lambda dari variabel X 5 yaitu prosentase persalinan

yang dilakukan oleh tenaga medis sebesar 0,686 dan nilai Wilk’s Lambda dari variabel X 6 prosentase imunisasi lengkap yang mencakup imunisasi BCG, DPT, Polio, Campak, dan hepatitis yaitu sebesar 0,322 dengan menggunakan uji Wilk’s Lambda didapatkan bahwa

nilai dari sebesar 0,779. Sehingga dapat disimpulkan tolak H 0



hitung

tabel(0,05;3,1,31)

Asumsi Residual Identik

Pengujian dilakukan terhadap nilai dari resiual dengan hipotesis sebagai berikut:

H 0 :

H 1 : Minimal ada

Diperoleh nilai statistik uji Box’s-M adalah 12,872 lebih kecil dari

sebesar

lebih besar dari α = 0,05, sehingga dapat disimpulkan matriks varians-kovarian residual homogen

  

1

2

3

 

i

j

untuk

i j

2

tabel

yaitu

2

;

1

2

(

k

1)

2

21,026

0,05;12

dengan nilai P value sebesar 0,508. Nilai ini

p p

(

1)

Asumsi Residual Distribusi Independen

Pengujian asumsi ini dilakukan dengan uji Bartlett Spericity (Morrison, 2005). Bentuk hipotesisnya adalah H 0 : Residual bersifat independent H 1 : Residual bersifat dependent Statistik ujinya adalah :

2

hit

   

n

1

2 q 5

6

ln R

Diperoleh nilai

nilai

residual saling bebas

2

= 6,572. Karena nilai

2

untuk residual lebih kecil dari

hitung

hitung

2

0,05;3

sebesar 7,815, maka kesimpulannya gagal menolak H 0 atau nilai

Asumsi Residual Distribusi Normal Multivariat

H 0 : Residual berdistribusi normal multivariat H 1 : Residual tidak berdistribusi normal multivariat
H 0 : Residual berdistribusi normal multivariat
H 1 : Residual tidak berdistribusi normal multivariat
Scatterplot of q vs dd
12
10
8
6
4
2
0
0
2
4
6
8
10
12
dd
q

Diperoleh hasil q-q plot

nilai d sebanyak

2

i

2

3;0,5

63,16 persen, sehingga dapat disimpulkan bahwa residual telah

berdistribusi normal

multivariat

Kesimpulan

Variabel Respon

Respon

Kriteria

Kabupaten/

Nilai

Kota

(%)

 

Rendah

Kota Blitar

36,8

AKB

Tinggi

Probolinggo

64,56

 

Rendah

Probolinggo

60,21

AHH

Tinggi

Kota Blitar

71,52

 

Rendah

Kabupaten

 

Gizi

Blitar

1,34

Buruk

Tinggi

Pamekasan

4,82

Variabel Prediktor

Prediktor

Kriteria

Kabupaten/

Nilai

Kota

(%)

Jamban

Rendah

Sampang

12,35

Tinggi

Surabaya

92,35

Air Bersih

Rendah

Pacitan

28,01

Tinggi

Surabaya

99,91

Posyandu

Rendah

Pamekasan

12,16

Tinggi

Jember

88,12

ASI

Rendah

Ponorogo

17,34

Tinggi

Pacitan

88,02

Persalinan

Rendah

Sampang

61,61

Tinggi

Kediri

99,33

Imunisasi

Rendah

Sampang

24,36

Tinggi

Jombang

90,14

Kesimpulan

Faktor-faktor yang mempengaruhi angka harapan hidup, angka kematian bayi, dan status gizi buruk adalah prosentase persalinan yang dilakukan oleh tenaga medis dan prosentase imunisasi lengkap yang meliputi imunisasi BCG, DPT,

Polio, Campak, dan Hepatitis. Dengan model sebagai berikut:

AKB

AHH = 45,605 + 0,21 X 5 + 0,059 X 6 Gizi Buruk = 5,894 0,026 X 5 0,017 X 6

= 89,947 0,377 X 5 0,145 X 6

Dan besarnya hubungan antara variabel respon dan variabel prediktor

diperoleh nilai

1 . menjelaskan 83,7 persen variansi data pada variabel respon, sedangkan 16,3 persen dijelaskan oleh variabel-variabel prediktor lain yang tidak diteliti

 

0,163

0,837

2

Ini dapat dikatakan variabel prediktor mampu

Saran

Untuk pemerintah lebih difokuskan pada persalinan tenaga

medis dan pemberian imunisasi pada bayi untuk menekan angka kematian bayi dan mengurangi status gizi buruk serta dapat meningkatkan angka harapan hidup di provinsi Jawa Timur.

Untuk penelitian selanjutnya dapat digunakan faktor-faktor lain

yang berpengaruh dengan tidak melepaskan faktor-faktor yang berpengaruh