ANALISIS REGRESI DENGAN METODE BACKWARD ELIMINATION

PADA KASUS ANGKA KELAHIRAN BAYI PROVINSI KALIMANTAN

BARAT TAHUN 2018

STEPANUS MINONG
H1011181035

SKRIPSI

PROGRAM STUDI MATEMATIKA

JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS TANJUNGPURA
PONTIANAK
2023
ANALISIS REGRESI DENGAN METODE BACKWARD ELIMINATION
PADA KASUS ANGKA KELAHIRAN BAYI PROVINSI KALIMANTAN
BARAT TAHUN 2018

STEPANUS MINONG
H1011181035

SKRIPSI

Sebagai syarat untuk memperoleh gelar Sarjana

Matematika pada Program Studi Matematika

PROGRAM STUDI MATEMATIKA

JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS TANJUNGPURA
2023
 ANALISIS REGRESI DENGAN METODE BACKWARD ELIMINATION
PADA KASUS ANGKA KELAHIRAN BAYI PROVINSI KALIMANTAN
BARAT TAHUN 2018

INTISARI

Salah satu faktor penyebab terjadinya kenaikan jumlah penduduk di suatu

negara adalah angka kelahiran ditambah dengan teknologi yang semakin canggih
bisa membuat kelahiran seorang anak dapat dipercepat. Jumlah kelahiran Bayi di
Kalimantan Barat setiap Tahun semakin bertambah. Angka kelahiran yang tinggi
perlu perhatian khusus dalam penanganannya. Bentuk perhatian pemerintah
menanggulagi angka kelahiran yang tinggi dengan melaksanakan program
keluarga berencana (KB) secara komprehensif. Dalam menentukan model regresi,
faktor-faktor yang dilibatkan oleh angka kelahiran bayi yaitu, berat badan,
pemberian ASI eksklusif usia 0-6 bulan, pelayanan kesehatan bayi, dan pemberian
vitamin A usia 6-11 bulan. Penelitian ini menggunakan metode backward
elimination untuk mencari model regresi terbaik. Model regresi pada kasus angka
kelahiran bayi diolah dengan bantuan SPSS menghasilkan model yaitu
Y =1302,261+ 0 ,75 X 2+ 0,377 X 4 Model regresi yang dihasilkan oleh metode
backward elimination hanya melibatkan dua variabel yaitu pemberian ASI
eksklusif usia 0-6 bulan dan pembertian vitamin A usia 6-11 bulan dengan nilai
R-Square sebesar 70,3% dan sisanya 29,7% oleh variabel lain yang berada diluar
persamaan model

Kata Kunci :

i
 ANALISIS REGRESI DENGAN METODE BACKWARD ELIMINATION
PADA KASUS ANGKA KELAHIRAN BAYI PROVINSI KALIMANTAN
BARAT TAHUN 2018

ABSTRACT

One of the factors causing the increase in population in a country is the birth rate
coupled with increasingly sophisticated technology can make the birth of a child
can be accelerated. The number of baby births in West Kalimantan is increasing
every year. The high birth rate needs special attention in handling it. The form of
government attention to overcome the high birth rate by implementing a
comprehensive family planning (KB) program. In determining the regression
model, the factors involved by the infant birth rate are body weight, exclusive
breastfeeding 0-6 months of age, infant health services, and vitamin A
administration 6-11 months of age. This study uses the backward elimination
method to find the best regression model. The regression model in the case of
infant birth rates processed with the help of SPSS produces a model that is
Y =1302,261+ 0 ,75 X 2+ 0,377 X 4 ,The regression model produced by the
backward elimination method only involves two variables, namely exclusive
breastfeeding aged 0-6 months and vitamin A administration aged 6-11 months
with an R-Square value of 70.3% and the remaining 29.7% by other variables
outside the model equation.
Keywords:

ii
 PRAKATA

Puji syukur penulis panjatkan kehadirat Tuhan Yang Maha Esa atas
rahmat yang telah diberikan, sehingga penulis dapat menyelesaikan penulisan
skripsi ini yang berjudul “Analisis Regresi dengan metode Backward Elimination
pada Kasus Angka Kelahiran Bayi Provinsi Kalimantan Barat Tahun 2018”.
Penulisan skripsi ini dibuat sebagai salah satu syarat untuk memperoleh gelar
Sarjana Matematika pada Program Studi Matematika Fakultas Matematika dan
Ilmu Pengetahuan Alam Universitas Tanjungpura Pontianak. Penulis menyadari
bahwa selama proses penulisan skripsi ini tidak lepas dari dukungan beberapa
pihak, maka dari itu penulis mengucapkan terima kasih kepada:
1. Kedua orang tua saya tercinta serta keluarga besar yang telah memberikan
doa, dukungan, bantuan material maupun non material, dan motivasi yang
selalu diberikan kepada penulis, sehingga penulis dapat menyelesaikan
penulisan skripsi ini.
2. Ibu Dr. Evi Noviani M.Sc, selaku Dosen Pembimbing pertama dan Bapak
Yudhi, S.Si, M.Si selaku Dosen Pembimbing kedua yang telah membimbing,
memberikan motivasi, masukan, nasihat serta arahan selama penulisan skripsi
ini.
3. Ibu Neva Satyahadewi, S.Si, M.Si selaku Dosen Pembimbing Akademik,
yang telah memberikan motivasi, nasihat serta masukan dari awal perkuliahan
hingga sekarang.
4. Teman - teman angkatan 2018 yang tidak dapat disebut satu persatu, yang
telah memberikan motivasi, semangat dan masukkan kepada penulis.
Penulis berharap dalam penulisan skripsi ini dapat bermanfaat bagi
pembaca dan menambah pengalaman belajar bagi kita semua. Kritik dan saran
yang sifatnya membangun penulis harapkan untuk memaksimalkan dalam
penulisan skripsi ini.

Pontianak, September 2023

iii
 Penulis
DAFTAR ISI

INTISARI......................................................................................................................
PRAKATA..................................................................................................................
DAFTAR ISI...............................................................................................................
DAFTAR GAMBAR..................................................................................................
DAFTAR NOTASI DAN SIMBOL.........................................................................
BAB I PENDAHULUAN............................................................................................
1. 1 Latar Belakang................................................................................................
1. 2 Rumusan Masalah...........................................................................................
1. 3 Tujuan Penelitian.............................................................................................
1. 4 Batasan Masalah..............................................................................................
1. 5 Manfaat Penelitian...........................................................................................
BAB II TINJAUAN PUSTAKA.................................................................................
2.1 Teori Kependudukan.......................................................................................
2.2 Teori Angka Kelahiran Bayi...........................................................................
2.3 Regresi Linier..................................................................................................
2.3.1 Regresi Linier Sederhana..............................................................................
2.3.2 Regresi Linier Berganda...............................................................................
2.4 Metode Backward Elimination........................................................................
BAB III ANALISIS REGRESI DENGAN METODE BACKWARD
ELIMINATION PADA KASUS ANGKA KELAHIRAN BAYI.................................
3.1 Deskripsi Penelitian.........................................................................................
3.2 Model Regresi Linier dengan Metode Backward Elimination........................
3.3 Hasil Uji ANOVA.........................................................................................
3.4 Uji Parsial......................................................................................................
3.5 Uji Koefisien Determinasi.............................................................................
BAB IV KESIMPULAN...........................................................................................

iv
DAFTAR PUSTAKA................................................................................................

DAFTAR GAMBAR

v
 DAFTAR NOTASI DAN SIMBOL

Y : Variabel Dependen
X : Variabel independen
α : Titik potong kurva terhadap sumbu Y
β : Kemiringan kurva linier
ε : Variabel penganggu (residual)

vi
 BAB I
PENDAHULUAN

1. 1 Latar Belakang
Salah satu faktor penyebab terjadinya kenaikan jumlah penduduk di suatu
negara adalah angka kelahiran ditambah dengan teknologi yang semakin canggih
bisa membuat kelahiran seorang anak dapat dipercepat, apabila terjadi terus
menerus maka yang akan terjadi ialah kepadatan penduduk (Syahra et al., 2019).
Teknologi obat-obatan semakin berkembang sehingga angka kematian menurun
sedangkan angka kelahiran tetap tinggi. Hal ini dapat mendorong terjadinya
pertumbuhan penduduk yang semakin cepat (Rochaida, 2016).
Persebaran penduduk secara optimal berdasarkan keseimbangan jumlah
penduduk dengan daya didukung kualitas masyarakat dan kulaitas lingkungan
merupakan harapan pemerintah untuk setiap daerahnya. Permasalahannya adalah
tidak semua daerah mengalami keseimbangan jumlah penduduk dan melonjaknya
jumlah penduduk di Desa Tridaya Sakti memang perlu diperhatikan. Jumlah
kelahiran Bayi di Kalimantan Barat setiap Tahun semakin bertambah. Angka
kelahiran yang tinggi perlu perhatian khusus dalam penanganannya. Bentuk
perhatian pemerintah menanggulagi angka kelahiran yang tinggi dengan
melaksanakan program keluarga berencana (KB) secara komprehensif (Kelahiran,
2017). Pihak Dinas Kesehatan Kalimantan Barat menghimbau agar masyarakat
melakukan program keluarga berencana (KB) yang membatasi kelahiran 2 anak
per-keluarga. Dalam mengatasi masalah tersebut perlu adanya analisis data untuk
mengetahui prediksi pertambahan jumlah angka kelahiran bayi pertahunnya.
Salah satu unsur pertambahan penduduk secara alami adalah angka
kelahiran. Lahir dalam bidang demografi adalah anak yang benar-benar di
lahirkan hidup (Idris, 2019). Angaka kelahiran bayi sebagai indikator yang
penting untuk mencerminkan keadaan derajat kesehatan di suatu masyarakat.
Jumlah pertumbuhan penduduk yang semakin meningkat disuatu daerah
membawa dampak dari sisi aspek kehidupan manusia. Jika pertumbuhan peduduk
 2

secara kuantitas tidak di imbangi secara kualitas masyarakat, dapat menimbulkan

beban dan masalah bagi pembagunan (Syahra et al., 2019).
1. 2 Rumusan Masalah
Berdasarkan latar belakang yang telah dipaparkan, rumusan masalah dari
penelitian ini yaitu :
1. Bagaimana hasil analisis angka kelahiran bayi menggunakan metode
backward elimination?
2. Apakah terdapat pengaruh angka kelahiran bayi terhadap variabel bebas
kasus angka kelahiran bayi di Provinsi Kalimantan Barat tahun 2018?
1. 3 Tujuan Penelitian
Berdasarkan rumusan masalah yang dipaparkan, tujuan dari penelitian ini
yaitu :
1. Menganalisis angka kelahiran bayi provinsi kalimantan barat tahun 2018
menggunakan metode backward elimination.
2. Mengetahui pengaruh angka kelahiran bayi terhadap variabel bebas dari
kasus angka kelahiran bayi di Provinsi Kalimantan Barat tahun 2018.
1. 4 Batasan Masalah
Berdasarkan rumusan masalah di atas, agar penelitian dan pembahasan lebih
terarah maka diperoleh batasan masalah dalam penelitian ini, yaitu
1. Data Angka Kelahiran Bayi bersumber dari Dinas Kesehatan Provinsi
Kalimantan Barat.
2. Penelitian ini menggunakan kasus Angka Kelahiran Bayi di Provinsi
Kalimantan Barat tahun 2018 sebagai variabel terikat dan variabel bebas
yang digunakan meliputi berat badan, pemberian ASI eksklusif usia 0-6
bulan, pelayanan kesehatan bayi, dan pemberian vitamin A usia 6-11 bulan.
3. Besarnya pengaruh dianalisis menggunakan koefisien determinasi.
1. 5 Tinjauan pustaka
 3

penelitian terkait metode backward elimination telah dilakukan oleh

beberapa peneliti terlebih dahulu. Pada tahun 2019 dilakukan penelitian mengenai
model regresi linier dengan metode backward dan forward elimination dengan
studi kasus pendapatan pajak daerah kota ambon 2007-2016. Hasil penelitian
menyatakan model regresi yang dihasilkan oleh metode backward dan forward
hanya melibatkan satu variabel (PDRB) dengan nilai R-Square yang sama yaitu
sebesar 0,972 atau 97,2%. Sehingga tidak ada perbedaan model regresi baik
menggunakan metode backward maupun forward.
Pada tahun 2021 dilakukan penelitian mengenai perbandingan metode
backward elimination, forward selection dan stepwise regression dalam pemilihan
model regresi liner berganda terbaik. Hasil dari penelitian ini menunjukkan bahwa
ketiga metode dapat mengatasi multikoliniearitas dan memperoleh model regresi
linear yang sama, sehingga tidak terdapat perbedaan model regresi terbaik pada
kasus yang diteliti dalam penelitian ini.
Selanjutnya pada tahun 2023 dilakukan penelitian mengenai penerapan
metode backward elimination untuk menentukan persamaan regresi linier
berganda pada dugaan tindak pidana di Kota Binjai. Hasil yang diperoleh dengan
variabel terikat (Y) merupakan jumlah dugaan tindak pidana, X2 merupakan
pencurian dengan pemberatan dan X4 merupakan pencurian motor. Hasil tersebut
menunjukkan kedua variabel berpengaruh signifikan terhadap dugaan tindak
pidana di Kota Binjai sehingga model regresi yang digunakna cukup baik untuk
menduga dugaan tindak pidana di Kota Binjai.
1. 6 Manfaat Penelitian
Hasil penelitian ini diharapkan dapat memberikan manfaat sebagai berikut:
1. Menambah wawasan pengetahuan mengenai model perhitungan
menggunakan metode backward elimination.
2. Memberikan informasi mengenai faktor-faktor yang mempengaruhi angka
Kelahiran bayi di Provinsi Kalimantan Barat dengan menggunakan metode
Backward Elimination, sehingga dapat menjadi acuan bagi pemerintah dan
masyarakat dalam upaya menurunkan angka Kelahiran bayi di Indonesia
khususnya di Provinsi Kalimantan Barat.
 4

BAB II
LANDASAN TEORI

Pada bab landasan teori dijelaskan teori-teori pendukung mengenai

Teori Kependudukan, Teori Angka Kelahiran,
2.1 Teori Kependudukan
Indonesia sebagai negara berkembang dalam melaksanakan proses
pembangunannya dihadapkan pada berbagai masalah yang berkaitan erat
dengan masalah kependudukan. Meskipun dalam beberapa tahun
belakangan ini pertumbuhan mengalami banyak penurunan, namun tetap
saja jumlah penduduk Indonesia tergolong tinggi. Secara nasional,
pertumbuhan ekonomi diharuskan lebih tinggi dari pertumbuhan
penduduk. Masalah kependudukan merupakan salah satu permasalahan
yang dihadapi hampir semua negara berkembang di dunia, khususnya
akibat tingkat fertilitas (kelahiran) yang tinggi. Pertambahan penduduk
yang besar akan mempunyai dampak terhadap berbagai aspek kehidupan.
(Permana, 2011).
Demografi menurut Hauser dan Duncan, (1959) mempelajari
jumlah, persebaran, territorial, dan komposisi penduduk serta perubahan-
perubahannya dan sebab-sebab perubahan itu, yang biasanya timbul
karena natalitas (fertilas), mortalitas, migrasi, dan mobilitas social
(Mantra, 2014: 2). Beberapa penulis kependudukan terdahulu cenderung
percaya bahwa yang menentukan fertilitas adalah faktor-faktor non
ekonomi (analisa fertilitas diluar analisa ekonomi). Namun seiring dengan
terus berkembangnya ilmu ekonomi, kepercayaan tentang hubungan
fertilitas dengan faktor ekonomi semakin kuat, seperti dengan munculnya
ide “Neo Mathusian” yang berpendapat bahwa peningkatan pendapatan
mempunyai pengaruh terhadap fertilitas. Teori ini menekankan pada
pembatasan pertumbuhan penduduk dengan menggunakan pembatasan
kelahiran (Lucas, 1990: 224).
 5

2.2 Teori Angka Kelahiran Bayi

Kelahiran adalah sama dengan kelahiran hidup (live birth), yaitu
terlepasnya bayi dari Rahim seorang perempuan dengan ada tanda- tanda
kehidupan, missal berteriak, bernafas, jantung berdenyut, dan sebagainya
(Bagoes Mantra, 2014 : 145).
Sedangkan Angka kelahiran atau biasa disebut dengan fertilitas
adalah salah satu unsur dari pertambahan penduduk secara alami atau
jumlah kelahiran per 100 tahun. Secara garis besar penggolongan
kelahiran/ natalitas adalah :
1. Angka Kelahiran Khusus
Angka kelahiran khusus atau Age Spesific Birth Rate (ASBR)
menunjukkan banyaknya bayi lahir setiap 1.000 orang wanita pada usia
tertentu dalam waktu satu tahun.
2. Angka Kelahiran Kasar
Angka kelahiran kasar atau Crude Birth Rate (CBR) menunjukkan jumlah
bayi yang lahir setiap 1.000 penduduk dalam satu tahun.
2.3 Regresi Linier
Analisis regresi pertama kali diperkenalkan sebagai metode analisis
data statistic pada tahun 1887 oleh Sir Frances Galton (1822-1911) yang
meneliti hubungan antara tinggi badan orang tua (ayah) dengan anaknya.
Beliau mengungkapkan bahwa terdapat kecenderungan orang tua yang
pendek badannya akan memiliki anak yang pendek, dan juga sebaliknya,
tetapi distribusi (penyebaran) rata-rata tinggi badan dari generasi ke
generasi adalah tetap.
Analisis regresi merupakan alat analisis statistic yang memanfaatkan
hubungan antara dua variabel atau lebih. Tujuannya adalah untuk
membuat perkiraan yang dapat dipercaya yang disebut variabel terikat atau
dependen, jika nilai variabel lain yang hubungan dengannya disebut
variabel bebas atau variabel independen.
 6

2.3.1 Regresi Linier Sederhana

Secara umum, model regresi linier sederhana dengan satu variabel
independen dan fungsi linier dalam x dapat ditulis (Suyono, 2018):

Y =α + βX + ε

Dengan keterangan :
Y : Variabel Dependen
X : Variabel independen
α : Titik potong kurva terhadap sumbu Y
β : Kemiringan kurva linier
ε : Variabel penganggu (residual)
2.3.2 Regresi Linier Berganda
Regresi linier berganda adalah regresi linier yang terdiri dari satu variabel terikat
(Y ) dan lebih dari satu variabel bebas ( X 1 , X 2 , … , X k ¿. Makna dari linier adalah
linier dalam parameter dan variabelnya, yang berarti bahwa masing-masing
parameternya hanya berpangkat satu dan tidak dikalikan atau dibagi dengan
parameter yang lain. Adapu bentuk persamaan regresi lineer berganda sebagai
berikut:
Y i=β 0 + β 1 X i 1+ β 2 X i 2 +…+ β k X ik + ε i ; i=1 ,2 , … , n

Dengan keterangan :

Yi : Variabel terikat pada pengamatan ke-i

X ik : Variabel bebas pada pengamatan ke-i
βk : intercept
β 1 , … , β k : koefisien-koefisien regresi
εi : galat (error)
2.4 Metode Backward Elimination
Dalam pemakaian metode-metode penentuan regresi di atas semua
metode dapat digunakan akan tetapi pertimbangan-pertimbangan pribadi
dari segi pribadi dan ilmu yang diteliti turut menentukan. Metode
backward elimination mengkaitkan semua Y dengan X i , i=1 ,2 , … , n,
kemudian mengeluarkan variabel bebas X yang tidak signifikan atau tidak
layak untuk masuk dalam regresi. Dalam metode backward elimination,
 7

pembuatan model regresi terbaik dilakukan dengan membuat model

regresi terlebih dahulu untuk semua variabel X . Selanjutnya, kita
mengurangi variabel satu persatu sampai tinggal variabel X yang
signifikan.
Langkah-langkah metode backward elimination adalah sebagai berikut :
1. Menghitung persamaan regresi semua variabel bebas X .
2. Menghitung nilai F hitung terendah untuk setiap variabel X , seolah-olah
merupakan variabel terakhi yang dimasukkan ke dalam persamaan regresi,
3. Membandingkan nilai F hitung terendah, misalnya F hitung dengan nilai F tabel
bertaraf nyata (α ) tertentu dari F tabel, misalnya F (α =5 %). Jika
F hitung ≤ Ftabel , maka hilangkan atau buang variabel X , yang menghasilkan
nilai F tabel tersebut dari persamaan regresi. Kemudian hitung kembali
persamaan regresi tanpa menyertakan variable X tersebut (seperti langkah
2). Jika F hitung ≥ Ftabel , maka ambilah persamaan regresi itu.
4. Atau dengan membandingkan nilai signifikansi tiap variabel. Jika Sig .> α
maka tidak signifikansi dan membuang variabel X yang tidak signifikan.
Kemudian hitung kembali
5. Demikian seterusnya sampai diperoleh regresi terbaik.
 BAB III
ANALISIS REGRESI MENGGUNAKAN BACKWARD
ELIMINATION PADA JUMLAH KELAHIRAN BAYI
3.1 Deskripsi Penelitian
Bab ini membahas tentang metodologi penelitian yang dipakai dalam
menganalisa faktor-faktor yang mempengaruhi jumlah kelahiran bayi provinsi
Kalimantan barat. Penelitian ini menggunakan data sekunder yang diperoleh dari
Dinas Kesehatan Kalimantan Barat dan profil kesehatan Kalimantan Barat tahun
2019. Data yang digunakan dalam penelitian ini yaitu data jumlah kelahiran bayi,
data pemberian ASI eksklusif usia 0-6 bulan, pada bayi, data jumlah pelayanan dan
kesehatan bayi, dan data pemberian vitamin A usia 6-11 tahun. Penelitian ini
menggunakan metode backward elimination dalam proses pengolahan data untuk
mendapatkan persamaan analisis regresi. Dalam perhitungan diasumsikan sebagai
berikut:
Y = Jumlah Kelahiran Bayi
X1 = Berat Badan
X2 = Pemberian ASI Eksklusif Usia 0-6 Bulan
X3 = Pelayanan Kesehatan Bayi
X4 = Pemberian Vitamin A Usia 6-11 Bulan
Data yang diperoleh ditampilkan pada Tabel 3.1 berikut.
Tabel 3. 1 Faktor-Faktor yang Mempengaruhi Angka Kelahiran Bayi di
Provinsi Kalimantan Barat Tahun 2019

Jumlah Pemberian ASI Pelayanan Pemberian

Berat
Kabupaten/Kota Kelahiran Ekslusif Usia Kesehatan Vitamin A Usia
Badan
Bayi 0-6 Bulan Bayi 6-11 Bulan
Kab. Sambas 10791 493 6009 9589 11215

Kab. Bengkayang 3308 122 1424 4834 4583

Kab. Landak 6425 418 2567 6313 8980
Kab. Mempawah 4306 124 2193 4088 4290
Kab. Sanggau 9025 102 1567 5244 6369
Kab. Ketapang 8815 387 5178 6530 7463
 9

Kab. Sintang 6224 300 4318 7088 8268

Kab. Kapuas Hulu 3626 296 410 3969 4281
Kab. Sekadau 3017 55 1602 3019 3879
Kab. Melawi 3259 186 1535 2830 3140
Kab. Kayong Utara 1441 56 474 1528 2431
Kab. Kuburaya 6154 144 1311 9606 10269
Kota Pontianak 5952 105 2887 9197 11211
Kota Singkawang 4328 19 966 2605 3951

3.2 Model Regresi Linier dengan Metode Backward Elimination

Analisis regresi berganda dilakukan dengan bantuan software SPSS. Terdapat
tiga variabel independen ( X 1 , X 2 , X 3 , X 4 ¿ dan satu variabel dependen Y. Dilakukan
analisis regresi linier yang akan mendapatkan hasil sebagai berikut.

Gambar 3. 1 Eliminasi Variabel Bebas pada Model Regresi

Berdasarkan Gambar 4.1 memperlihatkan bahwa dengan metode backward
terdapat dua tahapan eliminasi variabel independen pada model regresi, sehingga
terdapat tiga model regresi, yaitu sebagai berikut :
1. Model regresi pertama melibatkan empat variabel independen yaitu berat
badan, pemberian ASI eksklusif usia 0-6 bulan, pelayanan kesehatan bayi,
pemberian vitamin A usia 6-11 bulan.
 10

2. Model regresi kedua melibatkan tiga variabel independen yaitu berat badan,
pemberian ASI eksklusif usia 0-6 bulan, pemberian vitamin A usia 6-11 bulan.
Variabel independen pelayanan kesehatan bayi dieliminasi.
3. Model regresi ketiga melibatkan dua variabel independen yaitu pemberian ASI
eksklusif usia 0-6 bulan dan pemberian vitamin A usia 6-11 bulan. Variabel
independen berat badan dieliminasi.
3.3 Hasil Uji ANOVA
Uji ANOVA dilakukan untuk menguji adanya pengaruh atas suatu perlakuan
terhadap subjek penelitian. Hasil yang diperoleh akan dibandingkan dengan nilai
signifikansi sebesar 5% atau 0,05. Kemudian dijelaskan lebih lanjut mengenai proses
eliminasi variabel bebas dengan metode backward untuk ketiga model regresi maka
akan ditampilkan hasil uji serentak ketiga model regresi pada Gambar 3.2.

Gambar 3. 2 Hasil Pengujian ANOVA

Berdasarkan Gambar 3.2 diperoleh hasil Uji Anova model 1, model 2 dan
model 3. Pengujian dilakukan dengan masing-masing menggunakan hipotesis sebagai
berikut:
1. Hipotesis dari Model 1 sebagai berikut :
H 0 : β 1=β 2=β 3=β 4=0 , artinya seluruh variabel berat badan, pemberian ASI
eksklusif usia 0-6 bulan, pelayanan kesehatan bayi, pemberian vitamin A usia
6-11 bulan tidak berpengaruh terhadap variabel jumlah kelahiran bayi.
 11

H 1 : minimal terdapat satu β j ≠ 0 ∈ j=1 , 2 ,3 , 4 , artinya seluruh variabel berat

badan, pemberian ASI eksklusif usia 0-6 bulan, pelayanan kesehatan bayi,
pemberian vitamin A usia 6-11 bulan berpengaruh terhadap variabel jumlah
kelahiran bayi.
Model pertama menghasilkan nilai uji F sebesar 5,429 dengan signifikansi
sebesar 0,017. Karena model pertama mempunyai nilai signifikansi ¿ α yaitu
0,017< 0 , 05 , maka H 0ditolak artinya variabel berat badan, pemberian ASI eksklusif
usia 0-6 bulan, pelayanan kesehatan bayi, pemberian vitamin A usia 6-11 bulan
berpengaruh terhadap variabel jumlah kelahiran bayi.
2. Hipotesis dari Model 2 sebagai berikut :
H 0 : β 1=β 2=β 4=0 , artinya variabel berat badan, pemberian ASI eksklusif usia
0-6 bulan, pemberian vitamin A usia 6-11 bulan tidak berpengaruh terhadap
variabel jumlah kelahiran bayi.
H 1 : minimal terdapat satu β j ≠ 0 ∈ j=1 , 2 , 4, artinya variabel berat badan,
pemberian ASI eksklusif usia 0-6 bulan, pemberian vitamin A usia 6-11 bulan
berpengaruh terhadap variabel jumlah kelahiran bayi.
Model kedua menghasilkan nilai uji F sebesar 8,040 dengan signifikansi
sebesar 0 , 05. Karena model kedua mempunyai nilai signifikansi ¿ α yaitu
0,005< 0 ,05 , maka H 0 ditolak artinya variabel berat badan, pemberian ASI eksklusif
usia 0-6 bulan, pemberian vitamin A usia 6-11 bulan tidak berpengaruh terhadap
variabel jumlah kelahiran bayi.
3. Hipotesis dari Model 3 sebagai berikut :
H 0 : β 2=β 4=0 , artinya variabel pemberian ASI eksklusif usia 0-6 bulan dan
pemberian vitamin A usia 6-11 bulan tidak berpengaruh terhadap variabel
jumlah kelahiran bayi.
H 1 : minimal terdapat satu β j ≠ 0 ∈ j=2 , 4 , artinya variabel pemberian ASI
eksklusif usia 0-6 bulan dan pemberian vitamin A usia 6-11 bulan berpengaruh
terhadap variabel jumlah kelahiran bayi.
 12

Model ketiga menghasilkan nilai uji F sebesar 13,011 dengan signifikansi

sebesar 0,001. Karena model ketiga mempunyai nilai signifikansi ¿ α yaitu
0,001<0 , 05 , maka H 0 ditolak artinya variabel pemberian ASI eksklusif usia 0-6
bulan dan pemberian vitamin A usia 6-11 bulan berpengaruh terhadap variabel
jumlah kelahiran bayi.
3.4 Uji Parsial
Uji parsial dilakukan untuk mengetahui seberapa jauh suatu variabel
independen secara parsial terhadap masing-masing variabel dependen. Adapun dasar
pengambilan pada uji t sebagai berikut:
a. Apabila nilai t hitung < t tabel dan jika nilai signifikansi ¿ α ( 0 ,05 ), maka H 0 diterima,
artinya variabel independen secara individual tidak mempengaruhi variabel
dependen secara signifikan.
b. Apabila nilai t hitung > t tabel dan jika nilai signifikansi ¿ α ( 0 ,05 ), maka H 0 ditolak,
artinya variabel independen secara individual mempengaruhi variabel dependen
secara signifikan.
Sehingga dilakukan pengujian pada masing-masing variabel setiap model maka
diperoleh hasil uji parsial disajikan pada Gambar 3.3.

Gambar 3.3 Hasil Uji Parsial

 13

Berdasarkan Gambar 4.3 diperoleh hasil uji parsial masing-masing variabel

setiap model dengan nilai t tabel diperoleh t (n−2 ;1−α )=t (12 ;0 ,95 )=1,782 dijelaskan sebagai
berikut :
1. Model pertama pada variabel berat badan mempunyai nilai uji-t sebesar 0,346
sehingga nilai t hitung < t tabel maka H 0 diterima artinya variabel berat badan tidak
mempengaruhi variabel jumlah kelahiran bayi. Variabel pemberian ASI
eksklusif usia 0-6 bulan mempunyai nilai uji-t sebesar 1,427 sehingga
t hitung < t tabel maka H 0 diterima artinya variabel pemberian ASI eksklusif usia 0-6
bulan tidak mempengaruhi variabel jumlah kelahiran bayi. Variabel pelayanan
kesehatan bayi mempunyai nilai uji-t sebesar -0,051 sehingga t hitung < t tabel maka
H 0 diterima artinya variabel pelayanan kesehatan bayi tidak mempengaruhi
variabel jumlah kelahiran bayi. Variabel pemberian vitamin A usia 6-11 bulan
mempunyai nilai uji-t sebesar 0,577 sehingga t hitung < t tabel maka H 0 diterima
artinya variabel pemberian vitamin A usia 6-11 bulan tidak mempengaruhi
variabel jumlah kelahiran bayi.
2. Model kedua pada variabel berat badan mempunyai nilai uji-t sebesar 0,370
sehingga nilai t hitung < t tabel maka H 0 diterima artinya variabel berat badan tidak
mempengaruhi variabel jumlah kelahiran bayi. Variabel pemberian ASI
eksklusif usia 0-6 bulan mempunyai nilai uji-t sebesar 1,503 sehingga
t hitung < t tabel maka H 0 diterima artinya variabel pemberian ASI eksklusif usia 0-6
bulan tidak mempengaruhi variabel jumlah kelahiran bayi. Variabel pelayanan
kesehatan bayi mempunyai nilai uji-t sebesar 1,885 sehingga t hitung < t tabel maka
H 0 diterima artinya variabel pemberian vitamin A usia 6-11 bulan tidak
mempengaruhi variabel jumlah kelahiran bayi.
3. Model ketiga pada variabel pemberian ASI eksklusif usia 0-6 bulan mempunyai
nilai uji-t sebesar 2.241 sehingga nilai t hitung > t tabel maka H 0 ditolak artinya
variabel pemberian ASI eksklusif usia 0-6 bulan mempengaruhi variabel jumlah
kelahiran bayi. Variabel pemberian vitamin A usia 6-11 bulan memiliki nilai
 14

uji-t sebesar 2.016 sehingga nilai t hitung > t tabel maka H 0 ditolak artinya variabel
pemberian vitamin A usia 6-11 bulan mempengaruhi variabel jumlah kelahiran.
Berdasarkan uraian diatas maka diketahui uji parsial pada ketiga model yang
dijelaskan dapat disimpulkan bahwa diperoleh model terbaik pada metode backward
adalah model 3 dengan pemberian ASI usia 6-10 bulan dan pemberian vitamin A usia
6-11 bulan sebagai variabel bebas dan jumlah kelahiran bayi sebagai variabel terikat.
Maka dari Gambar 4.3 dapat dibentuk model regresi dengan medoe backward sebagai
berikut.
Y =1302,261+ 0 ,75 X 2+ 0,377 X 4
Nilai 0,75 dan 0,377 pada model diatas mempunyai arti setiap penambahan X 2
(pemberian ASI eksklusif usia 6-10 bulan) dan X 4 (pemberian vitamin A usia 6-11
bulan) sebesar satu satuan, maka Y (Jumlah Kelahiran) akan bertambah sebesar 0,75
satuan dan 0,377 satuan.
3.5 Uji Koefisien Determinasi
Uji Koefisien Determinasi atau R-Squared adalah pengujian yang digunakan
untuk menjelaskan besaran proporsi variase dari variabel dependen yang dijelaskan
oleh variabel independen. Selain itu, uji koefisien determinasi juga bisa digunakan
untuk mengukur seberapa baik garis regresi yang kita miliki. Hasil uji koefisien
determinasi dapat dilihat pada Gambar 3.4.

Gambar 3. 4 Hasil Uji Koefisien Determinasi

Berdasarkan Gambar 4.4 diperoleh hasil uji koefisien determinasi model ketiga
sebesar 0,703 atau 70,3%. Artinya nilai variabel jumlah kelahiran bayi yang
dijelaskan oleh metode backward adalah 70,3% dan sisanya 29,7% dipengaruhi oleh
variabel lain yang berada diluar persamaan model.
15
16
 BAB IV
KESIMPULAN

Berdasarkan data hasil penelitian yang telah diperoleh dan disimulasikan

dengan model antrian yang didapatkan, adapun kesimpulan dari penelitian ini adalah
sebagai berikut :
 DAFTAR PUSTAKA

Alfisahrin, S. N. N. (2014). Komparasi Algoritma C4.5, Naive Bayes dan Neural

Network Untuk Memprediksi Penyakit Jantung. Jurnal Bianglala Informatika,
2(1).
Andhi Hamzah. (2020a). Microsoft Excel (hal. 1–2).
Andhi Hamzah. (2020b). Rapidminner Studio.
Bode, A. (2017). Backward Elimination. K-Nearest Neighbor Dengan Feature
Selectionk-Nearest Neighbor Dengan Feature Selection Menggunakan
Backward Elimination Untuk Prediksi Harga Komoditi Kopi Arabika, 189.
Dejongh. (2020). What is a ‘novel’ coronavirus?
https://www.unicef.org/stories/novel-coronavirus-outbreak-what-parents-
should-know
Gorunescu, F. (2013). Data Mining: Concepts, Models and Techniques. In Journal of
Chemical Information and Modeling (Vol. 53, Nomor 9).
https://doi.org/10.1017/CBO9781107415324.004
Han, J., Micheline, K., & Jian, P. (2012). Data Mining (Concept And Techniques). In
Data Mining (Vol. 3, Nomor 13).
Https://Doi.Org/10.1017/Cbo9781107415324.004
Junianto, E., & Riana, D. (2017). Penerapan PSO Untuk Seleksi Fitur Pada
Klasifikasi Dokumen Berita Menggunakan NBC. Ejournal.Bsi.Ac.Id, 4(1), 38–
45.
Listriani, D., Setyaningrum, A. H., & A., F. E. M. (2016). Penerapan Metode
Asosiasi Menggunakan Algoritma Apriori Pada Aplikasi Analisa Pola Belanja
Konsumen ( Studi Kasus Toko Buku Gramedia Bintaro ). 9(2), 120–127.
Listriani, S. (2016). CRISPDM. 122.
M.Fadly Rahman, M.Ilham Darmawidjadja, D. A. (2017). Klasifikasi Untuk
Diagnosa Diabetes Menggunakan Metode Bayesian Regularization Neural
Network. Jurnal Informatika, Vol.11.No1(Klasifikasi Untuk Diagnosa Diabetes
Menggunakan Metode Bayesian Regularization Neural Network), 41.
Mochammad Faid, Moh. Jasri, Titasari Rahmawati. (2019). Perbandingan Kinerja
Tool Data Mining Weka dan Rapidminer Dalam Algoritma Klasifikasi.
TEKNIKA, 8.
Nofriansyah, Erwansyah, & R. (2016). Data Mining Dikatakan Poroses Mengekstrak.
Nofriansyah, D., Erwansyah, K., & Ramadhan, M. (2016). Penerapan Data Mining
dengan Algoritma Naive Bayes Clasifier untuk Mengetahui Minat Beli
Pelanggan terhadap Kartu Internet XL ( Studi Kasus di. Jurnal Ilmiah
Saintikom, 15(Mei), 81–92.
19
LAMPIRAN