ID Pemodelan Faktor Faktor Yang Mempengaruh
ID Pemodelan Faktor Faktor Yang Mempengaruh
Abstrak—Morbiditas adalah kondisi seseorang dikatakan keluhan kesehatan di suatu wilayah [3]. Angka morbiditas
sakit apabila keluhan kesehatan yang dirasakan menyebabkan mempunyai peranan yang lebih penting dibandingkan dengan
terganggunya aktivitas sehari-hari yaitu tidak dapat melakukan angka kematian [4]. Hal ini disebabkan apabila angka kesakitan
kegiatan bekerja, mengurus rumah tangga, dan kegiatan normal tinggi, maka akan memicu kematian sehingga menyebabkan
sebagaimana biasanya. Semakin tinggi morbiditas, menunjukkan angka kematian juga tinggi, sehingga angka harapan hidup di
derajat kesehatan penduduk yang semakin buruk. Berdasarkan suatu wilayah akan rendah.
hasil Survei Sosial Ekonomi Nasional (SUSENAS), pada tahun
Jawa Timur merupakan provinsi dengan luas wilayah
2010 angka morbiditas Jawa Timur sebesar 28,4%, sedangkan
pada tahun 2014 angka morbiditas Jawa Timur mencapai 30,21%.
terbesar di Pulau Jawa. Pada tahun 2010 angka morbiditas
Adanya peningkatan angka morbiditas tersebut tentunya penduduk Jawa Timur sebesar 28,4%, namun terjadi
disebabkan oleh faktor-faktor baik gaya hidup maupun kondisi peningkatan pada tahun 2014 menjadi 30,21%. Peningkatan
lingkungan di wilayah tersebut. Oleh karena itu, dilakukan tersebut disebabkan oleh faktor-faktor yang mempengaruhi.
sebuah penelitian berupa pemodelan untuk mengetahui faktor- Menurut Lembaga Demografi UI [5] serta penelitian tentang
faktor yang mempengaruhi morbiditas di Jawa Timur. morbiditas yang dilakukan Hanum [6], Ardhiyanti [7],
Berdasarkan data yang diperoleh dari SUSENAS Jawa Timur Fuhrer[8], dan Arola [9] faktor determinan morbiditas
tahun 2014, menunjukkan bahwa pola hubungan antara merupakan faktor sosial, ekonomi, dan budaya.
morbiditas penduduk dengan faktor-faktor yang
Berdasarkan pola data variabel prediktor terhadap variabel
mempengaruhinya tidak berpola tertentu, sehingga pada
penelitian ini digunakan metode regresi nonparametrik spline.
respon yang tidak mengikuti pola tertentu, maka akan dilakukan
Hasil penelitian ini menunjukkan bahwa model regresi terbaik pemodelan menggunakan regresi nonparametrik spline [10].
menggunakan 3 titik knot dengan 6 variabel yang signifikan yaitu Penelitian dengan metode regresi nonparametrik spline telah
kepadatan penduduk, rata-rata lama sekolah, persentase dilakukan oleh Ramadhani [11] tentang jumlah pengangguran
penduduk miskin, Upah Minimum Kabupaten, persentase rumah terbuka. Metode ini mempunyai sifat tersegmen, sehingga
tangga Open Defecation (OD), dan persentase rumah tangga mempunyai fleksibelitas tinggi dan dapat menyesukaikan diri
dengan jarak sumber air minum ke tempat penampungan kotoran terhadap karakteristik lokal suatu data [12].
lebih dari 10 meter. Nilai kebaikan model atau R2 yang diperoleh
yaitu sebesar 89,72%.
II. TINJAUAN PUSTAKA
Kata Kunci—Angka Morbiditas, GCV, Jawa Timur, Regresi
Nonparametrik Spline, Tititk Knot. A. Regresi Nonparametrik Spline
Regresi nonparametrik merupakan suatu metode Statistika
I. PENDAHULUAN yang digunakan untuk mengetahui hubungan antara variabel
respon dengan variabel prediktor yang tidak diketahui bentuk
T UJUAN pembangunan berkelanjutan atau Sustainable
Development Goals (SDGs) yang telah disepakati oleh
Perserikatan Bangsa-Bangsa (PBB) mempunyai fokus utama,
fungsinya, hanya diasumsikan smooth (mulus) dalam arti
termuat dalam suatu ruang fungsi tertentu. Regresi
yaitu meningkatkan kesejahteraan manusia dalam berbagai nonparametrik merupakan regresi yang sangat fleksibel dalam
aspek kehidupan. Salah satu aspek yang menjadi alat pengukur memodelkan pola data [12]. Model regresi nonparametrik
tingkat kesejahteraan manusia di Indonesia disebut Indeks secara umum dapat disajikan sebagai berikut:
Pembangunan Manusia (IPM). Sumber Daya Manusia (SDM) yi f xi i , i =1,2,3,...,n (1)
yang sehat secara fisik diharapkan menjadi manusia berkualitas
yang dapat ikut berperan dalam pembangunan untuk dimana yi merupakan variabel respon, xi merupakan variabel
mewujudkan kesejahteraan rakyat [1]. Sehat adalah suatu prediktor, f xi merupakan fungsi regresi yang tidak
keadaan yang sempurna baik secara fisik, mental, dan sosial, mengikuti pola tertentu, dan εi~ IIDN (0,σ2I). Apabila kurva
serta bebas dari penyakit atau kelemahan. Oleh karena itu, regresi f merupakan model aditif dan dihampiri dengan fungsi
indikator kesehatan suatu daerah dapat ditinjau dari jumlah spline maka diperoleh model regresi sebagai berikut,
penduduk yang mengalami kesakitan atau terjangkit suatu p
penyakit [2].
Angka morbiditas merupakan ukuran tentang kesakitan atau
yi f (x
j 1
ji ) i , i 1, 2,..., n (2)
JURNAL SAINS DAN SENI ITS Vol. 6, No. 1, (2017) ISSN: 2337-3520 (2301-928X Print) D-116
dimana : MSR
q m Fhitung (8)
x ji klj i , i =1,2,...,n
q MSE
f ( x ji ) hj x hji (q l ) j
h 0 l 1
H0 ditolak apabila Fhitung > Fα;(s,n-(q+m)-1) atau p-value < α.
dengan, 2. Pengujian Parameter Model Secara Individu
Pengujian secara individu dilakukan untuk mengetahui
x ji klj
q
x k q ,x k
ji lj ji lj (3) apakah parameter secara individual mempunyai pengaruh yang
0, x ji klj signifikan terhadap variabel respon, dengan hipotesis sebagai
berikut:
dan k1 j , k2 j ,..., kmj merupakan titik knot yang menunjukkan H0 : k 0
bentuk perubahan perilaku dari fungsi pada sub-sub interval H1 : k 0, k 1, 2,..., q m
tertentu. Nilai q merupakan derajat polinomial. Kurva
polinomial derajat satu disebut kurva linier, kurva polinomial Pengujian secara individu dilakukan dengan menggunakan uji t
derajat dua disebut kurva kuadratik serta derajat tiga disebut [15]. Statistik uji yang digunakan adalah sebagai berikut:
kurva kubik. Persamaan (2) dapat diuraikan sebagai berikut: ˆk
thitung (9)
yi 01 11x1i K q1x1i q a11 ( x1i k11 )q K am1 ( x1i km1 )q
var ˆk
02 12 x2i K q 2 x2i a12 ( x2i k12 )q
q
K am 2 ( x2i km 2 )q K dengan
0 p 1 p x pi K qp x pi a1 p ( x pi k1 p )q K amp ( x pi kmp )q i var( ˆk ) diag[(Χ'Χ)-1 ˆ 2 ]k
q
Estimasi parameter model regresi nonparametrik spline dimana ˆ 2 merupakan MSE. H0 ditolak apabila |thitung| > tα/2;(n-
dilakukan dengan menggunakan metode Ordinary Least
(q+m)-1) atau p-value < α. R2 digunakan sebagai indikator
Square (OLS) sebagai berikut. kebaikan model, yang diberikan sebagai berikut.
βˆ Χ'Χ Χ'y
1
(4) βˆ T XT y ny
% % R 2 %T % 2 100% (10)
B. Pemilihan Titik Knot Optimal y y ny
%%
Salah satu metode yang digunakan untuk pemilihan titik
D. Pengujian Asumsi Residual
knot optimal adalah Generalized Cross Validation (GCV).
Metode GCV mempunyai sifat optimal asimtotik jika 1. Uji Normalitas Kolmogorov-Smirnov
dibandingkan dengan metode lain, misalnya Cross Validation Uji Kolmogorov-Smirnov bertujuan untuk mengetahui
(CV) [13]. Model spline dengan nilai GCV terkecil dari titik apakah suatu data telah mengikuti suatu distribusi tertentu.
knot optimal merupakan model spline yang terbaik . Metode H0 : Fn (ε) = F0 (ε)
GCV dapat dituliskan sebagai berikut [12], H1 : Fn (ε) ≠ F0 (ε)
MSE (k ) Statistik uji yang digunakan adalah sebagai berikut.
GCV (k ) 1 (5) D Sup Fn ( ) F0 ( ) (11)
[n trace(I - A)]2
dimana I adalah matriks identitas, n merupakan jumlah Tolak H0 apabila D>Dα.
pengamatan, k (k1 , k2 ,..., km ) merupakan titik-titik knot, dan 2. Asumsi Identik
Asumsi identik terpenuhi apabila varians antar residual
y fˆ x
n
MSE (k ) n 1
2
(6) sama, atau tidak terjadi heteroskedastisitas [15].
i i
i 1 var( yi ) var( i ) 2 ; i 1, 2,..., n (12)
H0 ditolak apabila Fhitung > Fα;(v-1,n-v) atau p-value < α, dimana 5. Mendapatkan model regresi spline terbaik dengan titik
nilai v adalah banyaknya parameter model Glejser. knot optimal.
6. Melakukan uji signifikansi parameter secara serentak dan
E. Morbiditas
parsial.
Morbiditas adalah kondisi seseorang dikatakan sakit 7. Melakukan uji asumsi residual identik, independen, dan
apabila keluhan kesehatan yang dirasakan menyebabkan berdistribusi normal (IIDN) dari model regresi spline.
terganggunya aktivitas sehari-hari yaitu tidak dapat melakukan 8. Membuat interpretasi model dan menarik kesimpulan.
kegiatan bekerja, mengurus rumah tangga, dan kegiatan normal
sebagaimana biasanya [3]. Berikut merupakan rumus angka
morbiditas. IV. ANALISIS DAN PEMBAHASAN
JPKK A. Karakteristik Angka Morbiditas di Jawa Timur
AM= ×100 (14)
JP Pada tahun 2014 angka morbiditas di Jawa Timur mencapai
Keterangan : 30,21%. Hal ini berarti terdapat 30 penduduk dari 100
AM : angka morbiditas penduduk di Jawa Timur yang mengalami keluhan sakit. Angka
JPKK : jumlah penduduk yang mengalami keluhan morbiditas tertinggi terletak pada Kota Kediri yaitu sebersar
kesehatan dan terganggunya aktivitas 41,24, sedangkan angka morbiditas terendah terletak pada
JP : jumlah penduduk Kabupaten Sidoarjo yaitu sebesar 22,31. Kota Kediri
mempunyai angka morbiditas tertinggi di Jawa Timur karena
sejak tahun 2006 kondisi lingkungan Kota Kediri tercemar oleh
III. METODOLOGI PENELITIAN polusi PT. Gudang Garam, sehingga mengakibatkan warga
A. Sumber Data Kota Kediri mengalami gangguan ISPA. Kabupaten Sidoarjo
Data yang digunakan dalam penelitian ini adalah data memiliki angka morbiditas terendah disebabkan karena fasilitas
sekunder yang diambil dari Badan Pusat Statistika Provinsi kesehatan Kabupaten Sidoarjo yang baik. Pada tahun 2013
Jawa Timur, Laporan Survei Sosial Ekonomi Nasional Kabupaten Sidoarjo membentuk Program Pembangunan
(SUSENAS) dan Profil Kesehatan Provinsi Jawa Timur tahun Terpadu Berbasis Kawasan Kemiskinan (PTBK2). Berikut
2014. Unit penelitian yang digunakan merupakan 38 kabupaten merupakan karakteristik data dari tujuh faktor yang diduga
dan kota di provinsi Jawa Timur. berpengaruh terhadap angka morbiditas di Jawa Timur.
Sidoarjo, sedangkan nilai tertinggi adalah Kota Batu. Hal ini yang signifikan dalam model. Untuk mengetahui parameter
dikarenakan Kabupaten Sidoarjo merupakan kabupaten yang mana yang signifikan dalam model, dilakukan pengujian secara
tergolong pada kepadatan penduduk tinggi di Jawa Timur. individu.
B. Pola Data Antara Angka Morbiditas dengan Variabel yang
2. Uji Individu
Diduga Mempengaruhi
Pengujian secara individu dilakukan untuk mengetahui
Langkah pertama dalam melakukan analisis regresi adalah variabel yang berpengaruh signifikan terhadap angka
membuat scatter plot untuk mengetahui pola hubungan variabel morbiditas di Jawa Timur. Berikut ini adalah hasil pengujian
prediktor terhadap variabel respon yaitu angka morbiditas. signifikansi parameter model secara individu. Berdasarkan
Gambar 1 menunjukkan bahwa pola hubungan antara angka Tabel 5 diketahui terdapat lima variabel yang berpengaruh
morbiditas dengan seluruh variabel prediktor tidak membentuk secara signifikan terhadap angka morbiditas yaitu X1, X3, X5,
pola tertentu, sehingga metode yang digunakan adalah regresi X6, dan X7..
nonparametrik spline.
Tabel 5
Hasil Uji Individu
X1 X2 X3
40
30
Variabel Parameter Estimasi p-value Ket.
𝛽0 2,15 0,518 Tidak Signifikan
20
0 4000 8000 0 10 20 5,0 7,5 10,0 𝛽1 0,01 0,000 Signifikan
X4 X5 X6
𝛽2 -0,14 0,001 Signifikan
40
X1
𝛽3 0,53 0,002 Signifikan
Y
30
𝛽4 -0,40 0,003 Signifikan
20 𝛽5 -0,08 0,860 Tidak Signifikan
8 16 24 1000 1500 2000 0 40 80
X7 𝛽6 -4,70 0,127 Tidak Signifikan
X2
𝛽7
40
23,09 0,092 Tidak Signifikan
30 𝛽8 -15,74 0,173 Tidak Signifikan
20
𝛽9 -2,26 0,113 Tidak Signifikan
30 60 90
𝛽10 -7,91 0,055 Tidak Signifikan
X3
Gambar 1 Scatterplot variabel prediktor terhadap respon 𝛽11 7,20 0,028 Signifikan
𝛽12 0,46 0,876 Tidak Signifikan
C. Pemilihan Titik Knot Optimal 𝛽13 -0,60 0,153 Tidak Signifikan
Nilai GCV minimum pada pemilihan titik knot optimal 𝛽14 -0,84 0,539 Tidak Signifikan
X4
𝛽15 10,56 0,252 Tidak Signifikan
dengan satu titik knot, dua titik knot, tiga titik knot, dan
𝛽16 -11,58 0,184 Tidak Signifikan
kombinasi titik knotditampilkan sebagai berikut. 𝛽17 0,01 0,239 Tidak Signifikan
𝛽18 -0,09 0,017 Signifikan
Tabel 3. X5
𝛽19 1,33 0,050 Signifikan
Nilai GCV Minimum Titik Knot Optimal 𝛽20 -1,30 0,060 Tidak Signifikan
Model GCV 𝛽21 -0,26 0,004 Signifikan
1 Titik Knot 33,46 𝛽22 1,39 0,047 Signifikan
2 Tititk Knot 31,88 X6
𝛽23 -13,83 0,010 Signifikan
3 Titik Knot 18,28
𝛽24 13,45 0,007 Signifikan
Kombinasi Titik Knot (1,2,2,3,3,2) 24,34
𝛽25 0,90 0,001 Signifikan
𝛽26 -3,08 0,002 Signifikan
X7
Berdasarkan kriteria pemilihan model terbaik diketahui 𝛽27 12,04 0,002 Signifikan
bahwa nilai GCV paling minimum dihasilkan oleh model 𝛽28 -9,98 0,002 Signifikan
regresi nonparametrik spline dengan tiga titik knot.
E. Pemilihan Titik Knot Optimal Dengan Enam Variabel
D. Pengujian Signifikansi Parameter Model Regresi Prediktor
Nonparametrik Spline Selanjutnya dilakukan pemodelan kembali dengan
1. Uji Serentak menggunakan enam variabel prediktor yaitu dengan
Pengujian secara serentak ini dilakukan untuk menguji menghapus variabel X2 terlebih dahulu. Variabel tersebut
estimasi parameter model secara bersamaan (simultan). Nilai 𝛼 dihapus karena pada tahun 2014, indikator pendidikan telah
yang digunakan sebesar 0,05. Berikut ini adalah hasil analisis diganti menjadi rata-rata lama sekolah atau variabel X3.
ragam model regresi nonparametrik spline.
Tabel 6.
Tabel 4. Nilai GCV Minimum Titik Knot Optimal Enam Prediktor
Analisis Ragam Uji Serentak Model GCV
Sumber Variasi db JK RJK F p-value 1 Titik Knot 29,04
Regresi 28 960,131 34,29 5,302 0,0063 2 Tititk Knot 28,66
Residual 9 58,208 4,467 3 Titik Knot 20,56
Total 37 1018, 34 Kombinasi Titik Knot (3,2,2,3,3,3) 22,95
F. Penaksiran Parameter Model Regresi Nonparametrik Berdasarkan Tabel 8 diketahui bahwa keenam prediktor
Spline Enam Variabel Prediktor berpengaruh secara signifikan terhadap angka morbiditas di
Model tersebut merupakan model dengan nilai GCV Jawa Timur. Variabel tersebut adalah kepadatan penduduk, rata-
terkecil, didapatkan model terbaik yaitu model regresi rata lama sekolah, persentase penduduk miskin, Upah
nonparametrik spline dengan tiga titga titik knot dengan enam Minimum Kabupaten (UMK), persentase rumah tangga Open
variabel prediktor. Defecation (OD) dan persentase rumah tangga dengan jarak
sumber air minum ke tempat penampungan kotoran lebih dari
yˆ 8,556 0,001x1 0, 229( x1 3223, 22)1 10 meter.
0,354( x1 3556,90)1 0,124( x1 4224, 24)1
H. Pengujian Asumsi Residual
4,476x3 68,324( x3 6,77)1 77,828( x3 7,02)1
1. Uji Normalitas Residual
15,036( x3 7,53)1 1,687 x4 1,603( x4 11,95)1 Uji normalitas digunakan untuk mengetahui apakah
6, 429( x4 12,81)1 2,88( x4 14,55)1 0,0138 x5 residual telah mengikuti pola distribusi normal.
0,162( x5 1416,33)1 0,382( x5 1465,31)1 99
Mean -4,39710E-11
80
4, 469( x7 49, 25)1 5,641( x7 52,32)1 1,924( x7 58, 45)1 70
Percent
60
Nonparametrik Spline 30
20
dan X7 dianggap konstan, maka pengaruh kepadatan penduduk kurang dari 25% Berdasarkan Tabel 4.9 diketahui bahwa model
(X1) terhadap angka morbiditas adalah optimis didapatkan dari nilai minimum seluruh variabel
yˆ 8,556 0,001x1 0, 229( x1 3223, 22)1
prediktor. Provinsi Jawa Timur akan mencapai target WHO
apabila berada pada model optimis yaitu dengan angka
0,354( x1 3556,90)1 0,124( x1 4224, 24)1 C morbiditas sebesar 15,16% dan 23,06%. Angka morbiditas
8,556 0,001x1 , x1 3223, 22 yang sesuai target akan terpenuhi apabila seluruh variabel
prediktor berada pada nilai minimum.
729,561 0, 23 x1 , 3223, 22 x1 3556,90
529,581 0,124 x1 , 3556,90 x1 4224, 24 Tabel 9.
5,775 0,0005 x1 , x1 4224, 24 Skenario Model Angka Morbiditas
X1 X3 X4 X5 X6 X7 Prediksi Model
Berdasarkan model yang diperoleh dapat diinterpretasikan 387 10,16 4,59 1000 1,6 23,19 15,159
bahwa apabila wilayah dengan kepadatan penduduk kurang dari 403 10,66 4,8 1000 2,9 32,48 23,059 Optimis
3223,23 penduduk per km2 naik sebesar 10 penduduk per km2, 442 10,81 4,86 1000 3,13 37,5 27,129
726 7,28 11,07 1120 20,04 63,87 35,460
maka angka morbiditas akan naik sebesar 0,01 persen. Wilayah 731 7,41 11,28 1131 22,08 64,56 34,317 Middle
yang berada pada interval adalah seluruh wilayah kabupaten di 750 7,49 11,53 1135 22,83 64,79 33,175
Jawa Timur beserta Kota Batu. Apabila wilayah dengan 6236 4,62 20,49 2190 51,11 88,56 35,551
kepadatan penduduk berada antara 3223,22 dan 3556,90 7691 5,36 22,38 2195 65,13 89,7 42,374 Pesimis
8562 5,62 25,8 2200 76,17 98,31 49,698
penduduk per km2 naik sebesar 10 penduduk per km2, maka
angka morbiditas akan naik sebesar 2,3 persen. Apabila wilayah
dengan kepadatan penduduk berada antara 3556,90 dan V. KESIMPULAN DAN SARAN
4224,24 penduduk per km2 naik sebesar 10 penduduk per km2,
Angka morbiditas tertinggi terletak pada Kota Kediri yaitu
maka angka morbiditas akan turun sebesar 1,24 persen.
sebersar 41,24%, sedangkan angka morbiditas terendah terletak
Wilayah yang termasuk pada kategori tersebut yaitu Kota
pada Kabupaten Sidoarjo yaitu sebesar 22,31%. Model regresi
Kediri, Kota Blitar, dan Kota Probolinggo. Pada daerah ini
nonparametrik spline terbaik diperoleh dengan menggunakan
pengaruh kepadatan penduduk dengan angka morbiditas
tiga titik knot dengan nilai koefisien determinasi (R2) sebesar
cenderung turun karena wilayah pada interval tersebut
89,69% dengan enam variabel yang berpengaruh secara
merupakan wilayah perkotaan dengan kepadatan penduduk
signifikan yaitu kepadatan penduduk, rata-rata lama sekolah,
yang tidak terlalu tinggi serta jumlah fasilitas kesehatan yang
persentase penduduk miskin, UMK, perserntase rumah tangga
lebih banyak dibanding wilayah kabupaten. Apabila wilayah
OD, dan persentase rumah tangga dengan jarak sumber air
dengan kepadatan penduduk lebih dari 4224,24 penduduk per
minum ke tempat pembuangan kotoran lebih dari 10 meter.
km2 naik sebesar 10 penduduk per km2, maka angka morbiditas
Saran untuk penelitian selanjutnya sebaiknya menambah
akan naik sebesar 0,005 persen, wilayah yang termasuk yaitu
jumlah variabel yang diduga berpengaruh terhadap angka
Kota Malang, Kota Pasuruan, Kota Mojokerto, Kota Madiun,
morbiditas di Provinsi Jawa Timur, sehingga diharapkan akan
dan Kota Surabaya.
mendapatkan model yang lebih sesuai. Bagi pemerintah,
sebaiknya memperhatikan variabel yang mempunyai pengaruh
cukup besar pada angka morbiditas di Provinsi Jawa Timur
seperti persentase penduduk miskin dan persentase rumah
tangga OD.
DAFTAR PUSTAKA
[1] Badan Pusat Statistik Republik Indonesia. 2009. Statistik Kesehatan
Republik Indonesia Tahun 2009. Badan Pusat Statistik Republik
Indonesia.
[2] Badan Pusat Statistik Jawa Timur. 2014. Hasil Survei Sosial Ekonomi
Nasional Tahun 2014 Provinsi Jawa Timur. Badan Pusat Statistik Jawa
Timur.
[3] Sirusa BPS. 2016. Angka Kesakitan (Morbiditas), diakses dari
https://sirusa.bps.go.id/ tanggal 10 Agustus 2016.
Gambar 5. Kepadatan Penduduk Bedasarkan Interval Titik Knot [4] Kartasasmita, C.B. 2009. Epidemiologi Tuberkulosis. Sari Pediatri. Vol
11, No 2, Agustus 2009, 124-9.
[5] Lembaga Demografi UI. 2010. Dasar-Dasar Demografi. Jakarta :
Selanjutnya, interpretasi variabel rata-rata lama sekolah, Salemba Empat.
persentase penduduk miskin, UMK, perserntase rumah tangga [6] Hanum, D. 2013. Faktor-faktor yang Mempengaruhi Morbiditas
OD, dan persentase rumah tangga dengan jarak sumber air Penduduk Jawa Timur dengan Multivariate Geographically Weighted
minum ke tempat pembuangan kotoran lebih dari 10 meter Regression (MGWR). Penelitian, Jurusan Statistika, ITS.
[7] Ardhiyanti, N.L.P.D. 2013. Peningkatan Angka Morbiditas di Provinsi
dilakukan dengan cara yang serupa seperti yang telah Bali. Thesis, Jurusan Ilmu Ekonomi, Universitas Udayana..
dijelaskan. [8] Fuhrer, R., Shipley, M.J., Chastang, J.F., Schmaus, A., Niedhammer, I.,
Stansfeld, S.A., Goldberg, M. dan Marmot, M.G. 2002. Socioeconomic
K. Rekomendasi Untuk Pemerintah Jawa Timur Position, Health, and Possible Explanations: A Tale of Two Cohorts.
World Health Organization (WHO) (2013) menyatakan American Journal of Public Health, Vol 92 No 8 Agustus 2002, 1290-
1294.
bahwa target angka morbiditas kasar suatu wilayah sebesar
JURNAL SAINS DAN SENI ITS Vol. 6, No. 1, (2017) ISSN: 2337-3520 (2301-928X Print) D-121
[9] Arola, H., Pitkanen, M., Nygrad, C.H, Huhtala, H., dan Manka, M.L.
2003. The Connection Between Age, Job Controll, and Sickness
Absences Among Finnishing Food Workers. Occupational Medicine,
Vol 53 No 3: 229-230.
[10] Budiantara, I.N. 2009. Spline dalam Regresi Nonparametrik dan
Semiparametrik: Sebuah Pemodelan Statistika Masa Kini dan Masa
Mendatang. Surabaya: ITS Press.
[11] Ramadhani, R.K. 2016. Pemodelan Faktor-Faktor yang Mempengaruhi
Jumlah Pengangguran Terbuka Menggunakan Regresi Nonparametrik
Spline di Indonesia. Penelitian, Jurusan Statistika, ITS.
[12] Eubank, R. 1988. Spline Smoothing and Nonparametric Regression.
Marcel Dekker Inc. New York.
[13] Budiantara, I.N. 2000. Metode U, GLM, CV, dan GCV dalam Regresi
Nonparametrik Spline. Majalah Ilmiah Himpunan Matematika
Indonesia (MIHMI), 6, 41-45.