1
Program Studi Matematika, Fakultas MIPA – Universitas Udayana [Email: nary.widyastuti@gmail.com]
2
Program Studi Matematika, Fakultas MIPA – Universitas Udayana [Email: srinadi@unud.ac.id]
3
Program Studi Matematika, Fakultas MIPA – Universitas Udayana [Email: susilawati.made@gmail.com]
§
Corresponding Author
ABSTRACT
The purpose of this study is to model and determine the factors that significantly influence the number
of toddler pneumonia cases in East Java Province. Modeling the number of toddler pneumonia cases
was conducted using spatial autoregressive moving average (SARMA) regression analysis. The results
showed that the best model to modeling was SARMA (1.1) with the AIC value is and the
coefficient of determination ( is . The significant factors that affect the number of these
cases are the number of toddler receiving complete basic immunization and the number of toddler
receiving health services in each district/city.
Keywords: Regression, SARMA, toddlers Pneumonia case
1. PENDAHULUAN
Analisis regresi spasial adalah metode Di Provinsi Jawa Timur pneumonia pada
statistika untuk data yang memiliki pengaruh balita masih menjadi masalah kesehatan yang
lokasi atau daerah. Analisis terhadap data cukup besar. Pada tahun 2017 kasus pneumonia
seperti ini memerlukan perhatian khusus karena di Provinsi Jawa Timur mencapai 86.358 balita
kondisi dari suatu lokasi pengamatan berbeda penderita ditemukan dan ditangani. Walaupun
dengan lokasi pengamatan lain. Meskipun jumlah ini menurun dari tahun sebelumnya
demikian, sesuai dengan hukum pertama (tahun 2016 mencapai 102.712), kasus
geografis yang dikemukakan oleh Tobler pneumonia balita di Provinsi Jawa Timur masih
kondisi di suatu lokasi pengamatan memiliki tinggi.
hubungan yang erat dengan lokasi pengamatan Tingginya jumlah kasus pneumonia balita
lain yang berdekatan (Anselin, 1988). ini berdampak buruk bagi kualitas kesehatan.
Pemodelan spasial dapat dibedakan Oleh karena itu, untuk menanggulangi hal ini
menjadi dua yaitu pemodelan dengan tipe data dilakukan analisis guna meminimalkan jumlah
berdasarkan pendekatan titik dan tipe data kasus tersebut. Penularan penyakit serta
berdasarkan pendekatan area. Selain itu, peningkatan frekuensi infeksi pneumonia balita
dikembangkan analisis spasial dengan pengaruh menurut Qaulyiah (2010) dipengaruhi oleh
spasial pada tingkat yang lebih tinggi yaitu letak geografis. Oleh karena itu analisis
spatial autoregressive moving average dilakukan dengan analisis regresi SARMA
(SARMA). Model SARMA memiliki struktur untuk memodelkan kasus pneumonia pada
yang dibangun melalui model deret waktu setiap kabupaten/kota di Provinsi Jawa Timur.
ARMA. Dalam model SARMA terdapat Tujuan dari penelitian ini adalah untuk
matriks pembobot spasial sebagai pengganti memodelkan jumlah kasus pneumonia di setiap
pengaruh waktu pada model deret waktu kabupaten/kota di Provinsi Jawa Timur serta
ARMA. Menurut Kruk (2002) kelebihan dari untuk mengetahui faktor yang secara signifikan
model ini adalah parameter model spasial dapat berpengaruh terhadap jumlah kasus pneumonia
diestimasi untuk hubungan spasial pada balita di Provinsi Jawa Timur.
tingkatan yang lebih tinggi.
236
Widyastuti, M.N., I G.A.M. Srinadi, M. Susilawati Pemodelan Jumlah Kasus Pneumonia Balita di Jawa Timur…
237
E-Jurnal Matematika Vol. 8(3), Agustus 2019, pp.236-245 ISSN: 2303-1751
DOI: https://doi.org/10.24843/MTK.2019.v08.i03.p259
(𝐼 ∑ ) (𝐼 ∑ ) ∑ )|
Matriks merupakan matriks simetris,
sehingga dapat didiagonalisasi. Oleh karena itu ( ∑ )
dapat dibentuk matriks orthogonal dan 𝑉 ∑
yang memenuhi 𝑉, dengan ( ∑ )
, menyatakan dan Dengan mensubstitusikan Persamaan (10) ke
merupakan nilai eigen dari matriks . Persamaan (9), diperoleh fungsi logaritma
Berdasarkan hal tersebut, Persamaan (4) dapat natural (In) likelihood sebagai berikut:
dinyatakan sebagai berikut:
𝐼 ∑
(𝐼 ∑ )𝑉 (𝐼 ∑ )𝑉
[ (
misalkan:
) ]
(𝐼 ∑ ) ( ∑ )
dengan dan
( ∑ )
.
(𝐼 ∑ )
Penduga parameter model regresi SARMA
𝑉 terdiri dari:
𝑉 a. Penduga Parameter
Sehingga Persamaan (5) dapat dinyatakan Pendugaan parameter diperoleh dengan
sebagai berikut: menurunkan fungsi ln likelihood pada
Persamaan (10) secara parsial terhadap
dan menyatakannya dengan nol. Penduga
parameternya adalah sebagai berikut:
238
Widyastuti, M.N., I G.A.M. Srinadi, M. Susilawati Pemodelan Jumlah Kasus Pneumonia Balita di Jawa Timur…
239
E-Jurnal Matematika Vol. 8(3), Agustus 2019, pp.236-245 ISSN: 2303-1751
DOI: https://doi.org/10.24843/MTK.2019.v08.i03.p259
Estimasi Model Regresi Linier dan Uji Tabel 3 menunjukkan bahwa tidak terdapat
Asumsi Analisis Regresi Linier multikolinieritas pada model karena nilai VIF
Estimasi parameter model regresi linier dari masing-masing variabel kurang dari lima.
dari penelitian ini adalah sebagai berikut: Pada Tabel 2 terlihat bahwa masih terdapat
Tabel 1. Estimasi Parameter Model Regresi
pelanggaran asumsi dari uji asumsi analisis
regresi linier yang dilakukan. Pada uji
Estimasi Standar homoskedastisitas hasil yang diperoleh adalah
Parameter Eror ragam tidak homogen dan pada uji autokorelasi
hasil yang diperoleh tidak meyakinkan,
sehingga ada indikasi bahwa terdapat
autokorelasi pada model. Oleh karena itu model
regresi linier pada Persamaan 14 kurang baik
untuk digunakan. Karena model yang diperoleh
kurang baik, terdapat indikasi/kemungkinan
adanya pengaruh spaisal pada data yang
Sumber: data diolah, 2019
Estimasi model regresi linier pada Tabel 1 dianalisis. Untuk mengetahui hal tersebut,
analisis dilanjutkan dengan uji kebergantungan
berdasarkan pada variabel X yang signifikan
spasial guna melihat ada tidaknya pengaruh
berpengaruh, yaitu variabel X yang mempunyai
spasial pada data yang digunakan.
nilai lebih kecil dari 𝛼=0,05. Estimasi model
regresi dapat dituliskan sebagai berikut:
̂ Uji Kebergantungan Spasial
Kebergantungan spasial pada data dapat
diketahui dengan melakukan uji Lagrange
Hasil pengujian asumsi analisis regresi linier
Multiplier. Hasil uji diperoleh sebagai berikut:
pada Persamaan 14, dengan menggunakan
software R diperoleh sebagai berikut: Tabel 4. Uji Lagrange Multiplier
Tabel 2. Uji Asumsi Analisis Regresi Linier Hipotesis Nilai Statisti Uji Keputusan
: diterima.
Hipotesis Uji Statistik Uji Keputusan : Tidak terdapat
= Sisaan =5,866 diterima. kebergantungan
mengikuti df=2 Hal ini berarti spasial pada
sebaran normal p- sisaan pada variabel
= sisaan value=0,05324 model dependen.
tidak mengikuti = 5,991 mengikuti : diterima.
sebaran normal sebaran : Tidak terdapat
normal. kebergantungan
= tidak DW =1,6286 Pengujian spasial pada
terdapat dL =1,2042 tidak sisaan.
autokorelasi dU =1,7916 meyakinkan. : ditolak.
= terdapat Ada indikasi Terdapat
dan
autokorelasi bahwa kebergantungan
:
terdapat spasial pada
dan :
autokorelasi. variabel
= ragam BP = 14,241 ditolak. dependen dan
homogen df = 5 Hal ini berarti sisaan.
= ragam p-value= ragam pada Sumber: data diolah, 2019
tidak homogen 0,01412 model tidak
= 11,070 homogen. Hasil uji Lagrange Multiplier pada Tabel 4
Sumber: data diolah, 2019 menunjukkan bahwa terdapat kebergantungan
spasial pada variabel dependen dan sisaan
Tabel 3. Uji Multikolinieritas
sehingga analisis dilanjutkan dengan model
Variabel Nilai VIF Keputusan
analisis regresi spatial autoregressive moving
2,232909
1,966625
average (SARMA).
Tidak terdapat
2,904407
multikolinieritas Fungsi Autokorelasi Spasial
1,538612
2,216688 Untuk mengidentifikasi model yang tepat
Sumber: data diolah, 2019 dalam pendugaan model SARMA digunakan
240
Widyastuti, M.N., I G.A.M. Srinadi, M. Susilawati Pemodelan Jumlah Kasus Pneumonia Balita di Jawa Timur…
fungsi autokorelasi (ACF) seperti halnya pada Untuk menentukan model terbaik,
model ARMA. Fungsi autokorelasi spasial dilakukan dengan melihat nilai Akaike’s
menunjukkan kekuatan autokorelasi spasial dari Information Criterion (AIC) pada masing-
unit spasial pada tingkat tertentu. masing model. Nilai AIC dari masing-masing
Tabel 5. Uji Signifikansi ACF
model adalah sebagai berikut.
241
E-Jurnal Matematika Vol. 8(3), Agustus 2019, pp.236-245 ISSN: 2303-1751
DOI: https://doi.org/10.24843/MTK.2019.v08.i03.p259
242
Widyastuti, M.N., I G.A.M. Srinadi, M. Susilawati Pemodelan Jumlah Kasus Pneumonia Balita di Jawa Timur…
DAFTAR PUSTAKA
Anselin, L., 1988. Spatial Econometrics:
Methods and Models. Netherlands: Kluwer
Academic Publishers.
Dinas Kesehatan Provinsi Jawa Timur. 2018.
Profil Kesehatan Provinsi Jawa Timur
Tahun 2017. Jawa Timur: Dinkes Provinsi
Jawa Timur.
Gujarati, D. N. & Porter, D. C., 2009. Basic
Econometrics. Fifth Edition ed. New York:
McGraw-Hill/Irwin,.
Huang, J. S., 1984. The Autoregressive Moving
Average Model for Spatial Analysis.
Austral. J. Statist, Volume 26(2), pp. 169-
178.
Ikatan Dokter Anak Indonesia. 2017. Sekilas
Vaksin Pneumokokus. http://www.idai.
or.id/artikel/klinik/imunisasi/sekilas-
vaksin-pneumokokus. Diakses: 6 Mei
2019.
Kruk, R. v. d., 2002. A General Spatial ARMA
Model: Theory and Application (online).
https://core.ac.uk/download/pdf/7036080.p
df. Diakses: 8 November 2018
Kutner, M. H., Nachtsheim, C. J., Neter, J. &
LI, W., 2005. Applied Linear Statistical
Model. Fifth Edition ed. New York:
McGraw-Hill/Irwin.
Qauliyah, Asta. 2010. Referat Kedokteran:
Etiologi dan Patofisiologi Penyakit
Pneumonia.https://www.astaqauliyah.com/
blog/read/1924/referat-kedokteran-etiologi-
dan-patofisiologi-penyakit-
pneumonia.html. Diakses 7 Januari 2019.
243
E-Jurnal Matematika Vol. 8(3), Agustus 2019, pp.236-245 ISSN: 2303-1751
DOI: https://doi.org/10.24843/MTK.2019.v08.i03.p259
1 31
4
37. K o ta _su rab aya
3 4 8 38. K o ta_b a tu
5 7 9
10
N
W E
244
Widyastuti, M.N., I G.A.M. Srinadi, M. Susilawati Pemodelan Jumlah Kasus Pneumonia Balita di Jawa Timur…
Peta Penyebaran Jumlah Kasus Peta Penyebaran Jumlah Balita yang Mendapat Peta Penyebaran Jumlah Balita yang Mendapat
Pneumonia Balita di Provinsi Jawa Timur ASI Eksklusif di Provinsi Jawa Timur Imunisasi Dasar Lengkap di Provinsi Jawa Timur
21
22
37 670 - 1466 21
37
2100 - 3808 21
35 15
37
5682 - 12159
35 15
36
35 15
1467 - 2378 36
19 18 17 16 34 3809 - 9202 20
36
19 18 17 16 34
33
12160 - 18374
18 17 16 34 20 33
19 14
20
6 38 14
33
12 2379 - 4736 30 6 38 14
13 12 9203 - 16424 30 6 38
13 11
12 18375 - 23826
30 13 2 11 2 32
32
2 32 11
31 16425 - 26976 31 23827 - 40078
1
3
4
31
8
4737 - 8747 1
3
4
5
7
8
9
1
3
4
5
7
8
9
7 9 10
5 10
10
N N
N
W E W E
W E
S S
S
Peta Penyebaran Jumlah Balita yang Mendapat Peta Penyebaran Jumlah Rumah Tangga Peta Penyebaran Jumlah Penduduk Miskin
Pelayanan Kesehatan di Provinsi Jawa Timur ber-PHBS di Provinsi Jawa Timur di Provinsi Jawa Timur
23 29 1.shp 23
24 25 26 27 28 23
24 25 29 1.shp 24 25 26 27 28
29 1.shp
22 517 - 11702 26 27 28
21
37 22 1996 - 15042
22
37 7280 - 35890
35 15
11703 - 25178 21
37 21
35891 - 99030
36 35 15 15043 - 38551 35 15
20 19 18 17 16 34
33
25179 - 43963 36 18 17 16 34
36
19 18 17 16 34
99031 - 138540
14 20 19 33 38552 - 96523 20 33
30 6 38
13 12 43964 - 80529 6 38 14 30 6 38 14
12 138541 - 211920
2 32 11 30 13 11
12 96524 - 166094 2 32
13 11
1 4
31 80530 - 149176 2 32 31 211921 - 283960
3
5
7
8
9
1 4
31
8 166095 - 362999 1
3
4
7
8
3 7 5 9
10 5 9
10 10
N N
N
W E W E
W E
S S
S
245