Aplikasi Regresi Cox Pada Selang Kelahiran

Anak Pertama di Provinsi Sumatera Selatan

Muh. Akriyaldi Masdin
Moh. Aslam
Rahayu
Jurusan Matematika, FMIPA, Universitas Tadulako
Email : akriyaldi@gmail.com, aslamgaje@gmail.com, rahayupratama03@gmail.com

Abstrak: Selang kelahiran anak pertama adalah salah satu contoh dari analisis
survival. Objek dari penelitian ini untuk menetapkan model Regresi Cox terbaik
yang dapat menjelaskan pengaruh dari beberapa faktor pada selang kelahiran anak
pertama di Provinsi Sumatera Selatan. Data yang digunakan diperoleh dari
Indonesia Demographic And Health Survey (IDHS) 2012. Pada penelitian ini
terdapat empat variabel penjelas, diantaranya usia ibu, pendidikan terakhir ibu,
tempat tinggal ibu pada saat melahirkan, dan tingkat ekonomi ibu. Berdasarkan
beberapa uji yang telah dilakukan, di dapatkan variabel yang berpengarih secara
signifikan terhadap waktu survival adalah usia ibu, tingkat pendidikan terkahir
ibu, dan tingkat ekonomi ibu (menengah dan sangat kaya).
Kata kunci: Regresi cox, IDHS, Selang kelahiran

diperlukan oleh pasangan suami istri

PENDAHULUAN untuk mendapatkan anak pertama
terhitung sejak hari pernikahan,
Fertilitas (fertility) merupakan
dengan catatan bahwa pasangan
salah satu faktor utama yang
tersebut melakukan hubungan suami
memengaruhi kepadatan penduduk
istri secara rutin dan tidak melakukan
selain mortalitas (mortality) dan
berbagai tindakan yang bertujuan
migrasi (migration). Mantra [1]
untuk menunda terjadinya kehamilan
mendefinisikan bahwa fertilitas
(kontrasepsi). Waktu hingga lahirnya
adalah suatu peristiwa terlepasnya
anak pertama dari pasangan suami
bayi dari rahim seorang perempuan
istri dapat menjadi salah satu
dengan adanya tanda-tanda
indikator tingkat fertilitas [2], yang
kehidupan, misalnya menangis,
dalam hal ini semakin cepat
jantung berdenyut, bernapas dan
pasangan tersebut dikaruniai anak
sebagainya. Tingkat fertilitas
pertama (semakin pendek selang
(fertility rate) penduduk di suatu
kelahiran) maka tingkat fertilitas
daerah yang tinggi mengindikasikan
pasangan tersebut dapat dikatakan
bahwa penduduk di daerah tersebut
juga menjadi semakin tinggi. Dalam
memiliki angka kelahiran penduduk
analisis survival, waktu hingga
yang juga tinggi.
lahirnya anak pertama merupakan
Selang kelahiran anak pertama
salah satu contoh dari data survival
didefinisikan sebagai waktu yang
karena syarat-syarat agar dapat
dikategorikan sebagai waktu survival
telah terpenuhi [3].
Model proporsional hazard Cox atau
model regresi Cox merupakan model
survival yang banyak digunakan oleh
para praktisi dalam menganalisis
faktor yang berpengaruh terhadap
waktu survival [4], [5], [6]. Model
regresi Cox memiliki keunggulan
dalam hal interpretasi yang relatif
mudah serta tidak memerlukan
asumsi bahwa data survival
mengikuti suatu distribusi tertentu
seperti dalam model survival
parametrik [7], [8]. Tujuan utama
dari penelitian ini adalah menentukan
faktor-faktor yang berpengaruh
signifikan pada permasalahan selang
kelahiran anak pertama di Provinsi
Sumatera Selatan menggunakan
model regresi Cox. Subjek penelitian
adalah responden yang memberikan
informasi mengenai kelahiran anak
pertamanya dan bertempat tinggal di
Provinsi Sumatera Selatan
berdasarkan data hasil survei
Indonesia Demographic and Health
Survey (IDHS) tahun 2012.
LANDASAN TEORI
Analisis Survival
Analisis survival adalah salah
satu cabang ilmu statistika yang
membahas waktu terjadinya
peristiwa tertentu dari suatu waktu
awal (titik awal) ke suatu waktu
akhir (titik akhir). Lee dan Wang [3]
menyatakan bahwa waktu survival
adalah waktu dari awal observasi
hingga waktu terjadinya suatu
peristiwa tertentu. Namun, pada
kenyataannya tidak semua subjek
penelitian dapat mengalami peristiwa
yang diperhatikan dalam masa
observasi, sehingga informasi yang
diperoleh dari subjek tersebut
menjadi tidak utuh. Data-data
survival yang tidak memberikan
informasi secara utuh tersebut
disebut sebagai data tersensor [9].
Beberapa alasan terjadinya
penyensoran pada data survival
antara lain adalah subjek mengalami
peristiwa di luar masa observasi,
subjek menghilang pada masa
observasi, subjek mengalami
peristiwa lain sedemikian sehingga
peristiwa yang menjadi perhatian
tidak terjadi, dan subjek mengalami
peristiwa yang menjadi perhatian
namun disebabkan oleh alasan lain
yang bukan menjadi perhatian
peneliti. Karena di dalam data
tersensor masih terdapat sebagian
informasi yang dapat digunakan,
yaitu waktu terjadinya penyensoran,
maka data tersensor berbeda dengan
data hilang (missing data) yang mana
informasinya benar-benar tidak
diketahui. Oleh karena itu, untuk
menganalisis data survival dengan
data tersensor diperlukan metode
statistika khusus dan banyak
prosedur standar dalam statistika
yang tidak lagi tepat digunakan pada
data survival [10].
Kepadatan Penduduk Di Provinsi
Sumatera Selatan
Sumatera Selatan adalah salah
satu Provinsi di Indonesia yang
terletak di bagian selatan Pulau
Sumatra. Provinsi ini berbatasan
langsung dengan Provinsi Lampung
di sebelah selatan, Provinsi Jambi di
sebelah utara, Provinsi Bengkulu di
sebelah barat, serta Provinsi
Kepulauan Bangka-Belitung di
sebelah timur. Provinsi ini kaya
dengan sumber daya alam, seperti
minyak bumi, gas alam, dan batu
bara. Provinsi Sumatera Selatan
secara administratif terdiri atas tiga
belas kabupaten dan empat kota,
dengan Palembang sebagai ibu kota
Provinsi.
Berdasarkan hasil sensus penduduk
pada tahun 2010, jumlah penduduk
Provinsi Sumatera Selatan adalah
sebanyak 7.450.394 jiwa, yang
menempatkan Sumatera Selatan
sebagai Provinsi dengan jumlah
penduduk terpadat ke-10 dari total 33
Provinsi yang ada di Indonesia [11].
Diketahui juga bahwa laju
pertumbuhan penduduk Provinsi
Sumatera Selatan pada tahun 2010
tersebut sebesar 1,45% per tahun.
Oleh karena itu, jika diproyeksikan
dengan nilai laju pertumbuhan
tersebut, maka diperkirakan bahwa
pada akhir tahun 2016 jumlah
penduduk di Provinsi Sumatera
Selatan kurang lebih sebanyak
8.240.311 jiwa. Hal ini berarti bahwa
dalam kurun waktu tahun 2010
hingga tahun 2016 penduduk
Sumatera Selatan telah bertambah
sebanyak 789.917 jiwa, sehingga
dapat dikatakan bahwa Provinsi
Sumatera Selatan adalah daerah
dengan pertumbuhan penduduk yang
tinggi.
Data Survival Selang Kelahiran
Anak Pertama
Pada awalnya, data IDHS 2012
yang digunakan dalam penelitian ini
terdiri dari 98 responden yang
tinggal di Provinsi Sumatera Selatan
yang memberikan informasi
mengenai kelahiran anak pertama.
Akan tetapi, karena terdapat satu
orang responden yang telah
melahirkan sebelum hari pernikahan,
maka responden tersebut dikeluarkan
dari studi, sehingga jumlah
responden yang dilibatkan menjadi
sebanyak 97 orang. Penghapusan
data ini dilakukan karena waktu
survival harus bernilai positif dan
lebih besar dari nol. Hari pernikahan
dijadikan sebagai waktu awal dan
saat melahirkan anak pertama
sebagai waktu akhir (dalam bulan).
Pasangan suami istri dikatakan
mengalami infertilitas apabila sang
istri belum hamil hingga satu tahun
terhitung sejak hari pernikahan,
dengan catatan bahwa pasangan
suami istri tersebut tidak melakukan
usaha penundaan kehamilan selama
pernikahan. Oleh karena itu, dalam
penelitian ini waktu observasi
ditetapkan selama 21 bulan, yang
diperoleh dari 1 tahun (12 bulan)
ditambah dengan 9 bulan (lama
kehamilan normal). Karena hampir
semua responden menikah pada
waktu yang berbeda, maka waktu
survival dari setiap responden
diasumsikan sebagai waktu follow up
yang dimulai dari titik awal (awal
bulan pertama) dan berakhir pada
akhir bulan ke-21. Apabila terdapat
responden yang melahirkan anak
pertamanya lebih dari 21 bulan,
maka data survival dari responden
tersebut diasumsikan sebagai data terjadinya peristiwa yang
tersensor kanan tipe I [3], [9]. diperhatikan dalam selang waktu
yang sangat kecil dengan syarat
Beberapa Fungsi Penting Dalam bahwa peristiwa tersebut belum
Analisis Survival terjadi hingga waktu t. Formula
Analisis survival secara garis besar matematis dari fungsi hazard pada
dapat dibagi menjadi dua pokok waktu t adalah
bahasan, yaitu analisis survival
Pr⁡[𝑡≤𝑇<𝑡+∆𝑡|𝑇>𝑡]
univariat dan analisis survival ℎ(𝑡) = lim
∆𝑡→0 ∆𝑡
multivariat [12], [13]. Apabila dalam
selanjutnya berdasarkan definisi
analisis hanya difokuskan pada satu
fungsi distribusi kumulatif , F(t) =
variabel saja, maka hal tersebut
Pr⁡[𝑇 ≤ 𝑡], dan defenisi dari peluang
dikatakan sebagai analisis survival
bersyarat, Pr[A|B]=Pr[A∩B/Pr[B],
univariat. Sebaliknya, jika
maka h(t) dapat ditulis menjadi
pembahasan dalam analisis survival
tentang bagaimana hubungan antara
1 Pr[𝑡≤𝑇<𝑡+∆𝑡]∩Pr[𝑇>𝑡]
dua variabel atau lebih, maka hal ini ℎ(𝑡) = lim ⁡
∆𝑡→0 ∆𝑡 Pr[𝑇>𝑡]
disebut sebagai analisis survival
multivariat. Beberapa contoh pokok 1 Pr[𝑡≤𝑇<𝑡+∆𝑡]
bahasan dalam analisis survival = lim
∆𝑡→0 ∆𝑡 Pr[𝑇>𝑡]
univariat adalah estimasi fungsi
1 F⁡(𝑡+∆𝑡)−𝐹(𝑡)
survival dan fungsi hazard, = lim =
∆𝑡→0 ∆𝑡 (1−𝐹(𝑡))
sedangkan contoh pokok bahasan 1 F⁡(𝑡+∆𝑡)−𝐹(𝑡) 𝐹(𝑡)
dari analisis survival multivariat lim = ⁡,
𝑆(𝑡) ∆𝑡→0 ∆𝑡 𝑆(𝑡)
adalah model regresi Cox [14]. dengan S(t)=1-F(t) adalah fungsi
survival dan F(t) adalah fungsi
Jika dimisalkan T > 0 adalah kepadatan peluang pada waktu t yang
suatu variabel acak yang terbentuk
merepresentasikan waktu survival, Pr⁡(𝑡<𝑇<𝑡+∆𝑡)
𝑓(𝑡) = lim
∆𝑡→0 ∆𝑡
maka fungsi survival yang
didefinisikan sebagai peluang Dalam model regresi cox, fungsi
individu mengalami peristiwa pada hazard h(t) merupakan variabel
waktu lebih dari dapat terikat, sedangkan faktor-faktor yang
diformulasikan sebagai : diduga mempengaruhi waktu
survival adalah variabel bebas.
𝑆(𝑡) = Pr[𝑇 > 𝑡] = 1 − Pr[𝑇 ≤ 𝑡] Asumsi utama yang digunakan
= 1 − 𝐹(𝑡), dalam model regresi cox adalah
dimana waktu t adalah realisasi dari adanya proporsinalitas fungsi hazard
variabel acak T dan F(t) adalah antar individu dalam populasi,artinya
fungsi distribusi kumulatif pada rasio fungsi hazard untuk setiap dua
waktu t. Fungsi penting lainnya individu besarnya selalu konstan
adalah fungsi hazard, yang sepanjang waktu t. Bentuk umum
didefinisikan sebagai peluang model regresi cox adalah
 ℎ(𝑡) = ℎ0 (𝑡) exp(𝜷𝑻 𝑿) Langkah awal yang dilakukan
dalam proses penentuan model
dengan X adalah vektor dari faktor,
regresi terbaik adalah dengan
𝜷 adalah vektor dari koefisien-
koefisien regresi yang tidak melakukan uji simultan, yaitu uji
diketahui, dan ℎ0 (𝑡) adalah fungsi statistik yang bertujuan untuk
hazard dasar yang didefinisikan
mengetahui bagaimana kontribusi
sebagai fungsi yang nilainya tidak
diketahui yang memberikan nilai variabel bebas secara bersama-sama
hazard ketika semua faktor bernilai dalam model. Statistik uji yang
0.
digunakan ialah statistik uji Chi-

HASIL DAN PEMBAHASAN Square (X2) yang berbentuk

Seperti yang diperhatikan 𝑋 2 = −2(𝑙𝑛𝑙𝑚−𝑟 − 𝑙𝑛𝑙𝑚 ),

dalam tabel 1, terdapat satu faktor dengan 𝑙𝑚−𝑟 dan 𝑙𝑚 berturut-turut

bertipe kontinu dan tiga faktor adalah (𝑚 − 𝑟) variabel dan fungsi

bertipe kategorik. Dari ketiga faktor likelihood dari 𝑚 variabel. Hipotesis
kategorik tersebut selanjutnya yang digunakan dalam pengujian ini
dibentuk variabel-variabel dummy adalah
(Tabel 2). Dalam penelitian ini, 𝐻0 : 𝛽𝑖 = 0
ditetapkan kategorik acuan untuk 𝐻0 : paling tidak ada satu 𝛽𝑖 ≠ 0⁡; 𝑖 =
karakteristik tempat tinggal (X2) 1,2, . . , 𝑚
adalah perkotaan, sedangkan kategori Dengan 𝛽𝑖 adalah koefisien regresi
untuk acuan pendidikan Ibu (X3) dari variabel ke-⁡𝑖 dari total sebanyak
adalah tidak berpendidikan serta m variabel. Hipotesis 𝐻0 ditolak
tingkat perekonomian Ibu (X4) apabila 𝑋 2 ℎ𝑖𝑡𝑢𝑛𝑔 > 𝑋 2 𝑡𝑎𝑏𝑒𝑙 atau jika
adalah tingkat perekonomian sangat 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼.
miskin.
Tabel 2. Variabel Dummy yang dibentuk
Faktor Kategori Acuan Variabel Dummy
X2 Perkotaan X2a : Pedesaan
X3 Tidak Berpendidikan X3a : SD
X3b : SMP
X3c : SMA
X4 Sangat Miskin X4a : Miskin
X4b : Menengah
X4c : Kaya
X4d : Sangat Kaya
Langkah selanjutnya adalah berpengaruh nyata terhadap variabel
melakukan uji parsial yang bertujuan respons. Dalam penelitian ini,
untuk mengetahui bagaimana metode seleksi variabel yang
pengaruh dari masing-masing digunakan ialah metode eliminasi
variabel bebas (faktor) dalam model mundur Wald. Konsep dasar pada
regresi yang dibentuk. Statistik uji metode eliminasi mundur adalah
yang digunakan dalam penelitian ini dengan mengeluarkan variabel satu
adalah statistik uji Wald dengan persatu dari model lengkap
rumus : sedemikian sehingga terbentuk
̂ 2 kombinasi variabel yang
𝛽
𝑊 = (𝑆𝐸(𝛽̂)) ,
memberikan pengaruh secara nyata
dengan 𝛽̂ adalah koefisien penduga pada model.
parameter dan 𝑆𝐸(𝛽̂ ) adalah Berdasarkan perhitungan
kesalahan standar (standard error) yang telah dilakukan dan dibantu
dari penduga parameter 𝛽̂ . Hipotesis dengan perangkat lunak, 𝑝 − 𝑣𝑎𝑙𝑢𝑒
dalam uji ini adalah pada uji simultan menggunakan
𝐻0 : 𝛽𝑖 = 0 metode enter adalah 0,009. Hal ini
𝐻0 : 𝛽𝑖 ≠ 0⁡; 𝑖 = 1,2, . . , 𝑚 berarti bahwa dengan taraf signifikan
Hipotesis 𝐻0 ditolak jika pada taraf sebesar 10% pengaruh semua faktor
signifikansi 𝛼,⁡nilai 𝑊 lebih besar terhadap waktu survival jika
dari 𝑍𝛼 atau jika 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼. dimasukkan ke dalam model secara
2
bersama-sama adalah signifikan.
Setelah uji simultan dan uji
Hasil uji parsial, diperlihatkan dalam
parsial dilakukan, proses selanjutnya
Tabel 3, sedangkan hasil dari seleksi
adalah seleksi variabel yang
variabel berdasarkan metode
bertujuan untuk mendapatkan
eliminasi mundur dituliskan dalam
persamaan regresi terbaik serta
Tabel 4.
memuat faktor-faktor yang

Tabel 3. Hasil Uji Parsial

Faktor 𝛽̂ 𝑒𝑥𝑝𝛽̂ 𝑝 − 𝑣𝑎𝑙𝑢𝑒
 Usia (X1) -0,056 0,945 0,099
Pedesaan (X2a) 0,087 1,091 0,793
SD (X3a) 0,601 1,823 0,046
SMP (X3b) 0,413 1,512 0,489
SMA (X3c) -0,212 0,809 0,839
Miskin (X4a) -0,036 0,965 0,927
Menengah (X4b) -0,630 0,533 0,079
Kaya (X4c) -0,042 0,959 0,928
Sangat Kaya 0,615 1,850 0,182
(X4d)

Tabel 4. Hasil Metode Eliminasi Mundur

Langka X1 X2a X3a X3b X3c X4a X4b X4c X4d P-value Ket.
h
1 √ √ √ √ √ √ √ √ √ 0,009 Model
1
2 √ √ √ √ √ √ √ √ 0,005 Model
2
3 √ √ √ √ √ √ √ 0,003 Model
3
4 √ √ √ √ √ √ 0,001 Model
4
5 √ √ √ √ √ 0,001 Model
5
6 √ √ √ √ 0,000 Model
6

Tabel 5. Hasil Uji Parsial Langkah ke-6 Metode Eliminasi Mundur

Faktor 𝛽̂ 𝑒𝑥𝑝𝛽̂ 𝑝 − 𝑣𝑎𝑙𝑢𝑒
Usia (X1) -0,048 0,953 0,078
SD (X3a) 0,501 1,650 0,045
Menengah (X4b) -0,592 0,553 0,052
Sangat Kaya 0,728 2,072 0,024
(X4d)

Dalam Tabel 3, diperlihatkan Berdasarkan output metode eliminasi

hasil uji parsial dari masing-masing mundur dalam Tabel 4, model 2
faktor. Dari total tujuh faktor yang diperoleh dengan mengeliminasi
diuji, hanya tiga faktor yang variabel X4c dikarenakan memiliki
signifikan pada tingkat signifikansi 𝑝 − 𝑣𝑎𝑙𝑢𝑒 = 0,928 yang paling besar
10%, yaitu usia (X1), tingkat (Tabel 3). Setelah dilakukan uji
pendidikan SD (X3a), dan tingkat simultan pada model 2, diperoleh 𝑝 −
perekonomian menengah (X4b). 𝑣𝑎𝑙𝑢𝑒 sebesar 0,005 yang lebih kecil
dari 𝑝 − 𝑣𝑎𝑙𝑢𝑒 model 1, yang berarti
model 2 lebih ba daripada model 1.
Proses ini dilanjutkan dengan cara
mengeliminasi satu persatu faktor
yang paling tidak signifikan hingga
berhenti di langkah ke-6, karena
pada langkah terakhir ini semua pada
ini⁡𝑝 − 𝑣𝑎𝑙𝑢𝑒 = 0,000 untuk uji
simultan pada langkah ke-6 adalah
yang terkecil dibandingkan dengan
uji simultan pada langkah-langkah
sebelumnya. Jadi, model regresi
Cox terbaik yang diperoleh adalah
ℎ(𝑡) = ℎ0 (𝑡)exp⁡(−0,048𝑋1 +

uji parsial telah signifikan pada ⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡0,051𝑋3𝑎 − 0,592𝑋4𝑏 +

⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡0,728𝑋4𝑑 )
tingkat signifikansi 10% (Tabel 5).
dengan X1 adalah usia, X3a adalah
Model 6 juga merupakan model
tingkat pendidikan SD, X4b adalah
terbaik dibandingkan dengan model-
tingkat ekonomi menengah, dan X4d
model yang terbentuk pada langkah-
adalah tingkat ekonomi sangat kaya.
langkah sebelumnya, yang dalam hal
Interpretasi Dari Model Terbaik
Yang Diperoleh
Tanda negatif atau positif dari oleh koefisien penduga dari faktor
penduga koefisien regresi dalam (1) X4b dalam (1) yang bertipe kategorik.
memperlihatkan arah dari tingkat Hal ini berarti bahwa individu yang
fertilitas individu. Koefisien dari X1 dikategorikan sebagai penduduk
bertanda negatif berarti bahwa miskin memiliki selang kelahiran
semakin tinggi usia seorang individu anak pertama yang lebih pendek jika
maka waktu tunggu hingga dibandingkan dengan individu
melahirkan anak pertama akan dengan tingkat perekonomian pada
semakin lama. Dengan kata lain, kategori acuan (tingkat
individu yang berusia lebih tua perekonomian sangat miskin).
memiliki selang kelahiran anak Koefisien penduga dari faktor X3a
pertama yang lebih panjang bertanda positif, yang dapat
dibandingkan individu yang berusia diinterpretasikan bahwa ibu yang
lebih muda atau semakin tinggi usia berpendidikan SD memiliki selang
ibu maka semakin rendah pula kelahiran anak pertama yang lebih
tingkat fertilitas yang dimiliki ibu panjang atau memiliki tingkat
tersebut. Tanda negatif juga dimiliki fertilitas yang lebih rendah jika
dibandingkan individu dengan Sebagai contoh, seorang ibu yang
tingkat pendidikan pada kategori baru menikah dan berusia 25 tahun
acuan (tidak berpendidikan). memiliki peluang yang lebih kecil
Interpretasi yang hampir sama juga sebesar 4,7% untuk melahirkan anak
berlaku pada tingkat perekonomian pertama dibandingkan dengan ibu
sangat kaya X4d yang koefisiennya yang baru menikah dan berusia 24
bertanda positif, yakni individu yang tahun. Interpretasi yang hampir sama
memiliki tingkat perekonomian juga pada nilai HR untuk faktor X4b ,
sangat kaya memiliki tingkat namun menurunnya tingkat hazard
fertilitas yang rendah jika dibandingkan dengan kategori acuan
dibandingkan dengan individu yang (kategori sangat miskin). Misalkan
memiliki tingkat perekonomian ada seorang ibu yang pada saat
sangat miskin sebagai kategori menikah berasal dari keluarga
acuan. dengan tingkat perekonomian
Nilai exp⁡(𝛽) disebut juga menengah, maka ibu tersebut
sebagai hazard ratio (HR), yang memiliki peluang yang yang lebih
didefinisikan sebagai rasio peluang rendahsebesar (1 − 0,553)𝑥100% =
terjadinya peristiwa yang 44,7% untuk mendapatkan anak
diperhatikan antara suatu individu pertamajika dibandingkan dengan
denganindividu lainnya. Berdasarkan ibu yang berasal dari keluarga
hasil dari pemilihan model terbaik dengan tingkat perekonomian sangat
menggunakan metode eliminasi miskin.
mundur yang diperlihatkan dalam Dalam (1) juga diperoleh
Tabel 5, telah didapatkan nilai-nilai nilai HR yang nilainya lebih besar
HR untuk setiap faktor yang termuat dari satu, yaitu untuk faktor X3a dan
dalam model regresi terbaik (1). X4d yang nilainya berurut-turut
Nilai HR untuk faktor X1 adalah adalah 1,65 dan 2,072. Nilai HR =
0,953 yang berarti untuk setiap 1,65 dari faktor X3a berarti bahwa
kenaikan usia individu sebesar satu seorang ibu yang baru menikah dan
unit, maka nilai tingkat hazard dari berpendidikan SD memiliki peluang
individu tersebut akan turun sebesar untuk mendapatkan anak pertama
(1 − 0,953)𝑥100% = 4,7%. (1,65 − 1)𝑥100% = 65% lebih
besar dibandingkan dengan seorang berpendidikan SD, namun untuk
ibu yang baru menikah dan tidak tingkat pendidikan lainnya belum
berpendidikan (kategori acuan). Nilai dapat dibandingkan karena dalam
HR = 2,072 dari faktor X4d, dapat model terbaik yang diperoleh faktor
diinterpretasikan bahwa seorang ibu tersebut tidak berpengaruh
yang baru menikah dan berasal dari signifikan. Ibu dengan tingkat
keluarga yang sangat kaya memiliki ekonomi menengah memiliki tingkat
peluang yang lebih besar sebesar fertilitas yang lebih rendah
(2,072 − 1)𝑥100% = 107,2% dibandingkan dengan ibu dengan
untuk mendapatkan anak pertama tingkat ekonomi sangat miskin.
dibandingkan dengan ibu yang baru Sementara itu, ibu yang tingkat
menikah dan berasal dari keluarga perekonomiannya sangat kaya
dengan tingkat perekonomian sangat memiliki tingkat fertilitas yang lebih
miskin. tinggi jika dibandingkan dengan ibu
yang tingkat perekonomiannya
KESIMPULAN DAN SARAN dikategorikan sangat miskin.Hasil
Berdasarkan model regresi terbaik dari penelitian ini dapat dijadikan
yang diperoleh, tempat tinggal sebagai salah satu landasan bagi para
bukanlah faktor yang signifikan praktisi maupun peneliti yang ingin
memengaruhi tingkat fertilitas menerapkan teori dan metode dalam
penduduk, sedangkan usia ibu, analisis survival pada data selang
tingkat pendidikan SD, tingkat kelahiran anak pertama. Namun,
ekonomi menengah, dan tingkat jumlah subjek dalam penelitian ini
ekonomi sangat kaya adalah faktor- masih belum cukup untuk digunakan
faktor yang berpengaruh signifikan. sebagai sampel yang representatif
Semakin tinggi usia ibu ketika dalam mengestimasi faktor-faktor
menikah, maka semakin rendah utama yang berpengaruh terhadap
peluangnya untuk melahirkan anak tingkat fertilitas penduduk di
pertama. Ibu yang tidak Provinsi Sumatera Selatan. Oleh
berpendidikan memiliki tingkat karena itu, bagi peneliti yang tertarik
fertilitas yang lebih tinggi untuk melanjutkan penelitian ini
dibandingkan dengan ibu yang
pada masa yang akan datang,
disarankan untuk menambah lagi
jumlah subjek penelitiannya
DAFTAR PUSTAKA
Ida B. Mantra, Pengantar Studi
Demografi. Jakarta: Nur Cahaya,
2003.
R. Hidayat, H. Sumarno, and Endar
H. Nugrahani, "Survival
Analysis in Modeling the Birth
Interval of the First Child in
Indonesia," Open Journal of
Statistics, vol. 4, pp. 198-206,
2014.
Elisa T. Lee and Wengyu J. Wang,
Statistical Methods for Survival
Data Analysis, 3rd ed.
Hoboken: John Wiley & Sons,
Inc., 2003.
A. Faruk, A. Amran, and N. Nasir,
"Aplikasi Model Proportional
Hazard Cox pada Waktu
Tunggu Kerja Lulusan Jurusan
Matematika Fakultas MIPA
Universitas Sriwijaya," Jurnal
Penelitian Sains, vol. 17, no. 1,
pp. 5-8, January 2014.
A. Faruk, "Analisis Data Tersensor
Interval Dalam Pemodelan
Waktu Mendapatkan Pekerjaan
Pertama Alumni Universitas
Sriwijaya," in Seminar
A. Amran and A. Faruk, "Model
Survival Nonparametrik Pada
Data Rawat Inap Pasien Diare
di Puskesmas Indralaya,".
sehingga hasil yang diharapkan akan
lebih baik
A. Faruk, "Estimasi Parameter Data
Tersensor Tipe I Berdistribusi
Loglogistik Menggunakan
Maximum Likelihood Estimate
dan Iterasi Newton-Rhapson,"
in Seminar Nasional MIPA,
Palembang, 2014, pp. 21-25.
A. Faruk, "Analisis Survival
Parametrik Pada DataTracer
Study Universitas Sriwijaya,"
Jurnal Matematika, vol. 5, no.
2, pp. 68-78, 2015.
I. Gijbels, "Censored data," WIREs
Computational Statistics, vol. 2, pp.
178–188, 2010.
J. Ni, "Application of Cox
Proportional Hazard Model to
the Stock Exchange Market,"
B.S. Undergraduate
Mathematics Exchange, vol. 6,
no. 1, pp. 12-18, 2009.
Badan Pusat Statistik, Statistik
Indonesia 2016. Jakarta: Badan
Pusat Statistik, 2016.
David G. Kleinbaum and M. Klein,
Survival Analysis A Self-
Learning Text, 2nd ed. New
York: Springer Science+
Business Media, Inc., 2005.
John P. Klein et al., Eds., Handbook
of Survival Analysis. Boca
Raton: Taylor & Francis
Group, LLC, 2014.
D. R. Cox, "Regression Models and
Life-Tables," Journal of the
Royal Statistical Society. Series
B (Methodological), vol. 34,
no. 2, pp. 187-220, 1972.