semakin tepat dalam menggambarkan fenomena dari variabel d. Melakukan pemodelan SDM yang terdiri dari estimasi
respon sehingga model semakin dipercaya. parameter, pengujian hipotesis signifikansi parameter
dan uji asumsi residual IIDN (identik, independen,
G. Definisi Kematian Ibu
dan berdistribusi normal).
Kematian ibu merupakan kematian setiap wanita selama
masa kehamilan, bersalin atau dalam 42 hari sesudah
berakhirnya kehamilan oleh sebab apapun, tanpa melihat usia IV. HASIL DAN PEMBAHASAN
dan lokasi kehamilan, oleh setiap penyebab yang berhubungan A. Deskripsi Jumlah Kematian Ibu dan Faktor-Faktor yang
dengan atau diperberat oleh kehamilan atau penanganannya Mempengaruhinya
tetapi bukan oleh kecelakaan atau insidental (faktor kebetu-
Angka yang menunjukkan banyaknya kejadian dari masing-
lan). Tingginya angka kematian ibu dipengaruhi oleh banyak
faktor dan sangat kompleks [1]. Secara garis besar faktor masing variabel dikelompokkan menjadi lima kategori yaitu
determinan kematian ibu digolongkan menjadi dua faktor kategori sangat rendah, rendah, sedang, tinggi, dan sangat
tinggi.
besar yaitu faktor medis/langsung dan faktor non-medis/tidak
langsung. Berdasarkan faktor medis, kematian ibu di
Indonesia kebanyakan disebabkan oleh pendarahan, hipertensi SU M EN E P
lompok pada daerah yang berdekatan. Jumlah bidan di setiap persentase ibu hamil yang mendapatkan tablet Fe1 (X3)
kabupaten/kota di Jawa Timur (X6) juga berpola mengelom- memiliki nilai Moran’s I yang lebih kecil dari nilai IM0 = -
pok. Persentase bidan di Kota Probolinggo menunjukkan 0.0270 sehingga berpola menyebar.
angka yang paling rendah yaitu sebesar 0%, sedangkan Kota Tabel 1.
Mojokerto merupakan daerah dengan persentase bidan ter- Uji Moran’s I
tinggi yaitu sebesar 0.094%. Pola persebaran persentase sarana Kode Variabel Moran’s I |Z_hitung|
kesehatan (X7) juga berpola mengelompok. Persentase sarana Y jumlah kematian ibu tiap -0.1322 -2.2061*
kabupaten/kota
kesehatan terendah terjadi di Kota Surabaya sebesar 0.0293%,
X1 persentase ibu hamil melaksa- 0.2076 -0.3945
artinya terdapat sekitar 3 sarana kesehatan dalam 100 jumlah nakan program K1 (akses
penduduk di Kota Surabaya. pelayanan ibu hamil)
X2 persentase persalinan dibantu 0.4547 3.6790*
B. Identifikasi Pola Hubungan antara Variabel Prediktor oleh dukun tiap kabupaten/kota
dan Variabel Respon X3 persentase ibu hamil yang -0.1366 0.0375
mendapatkan tablet Fe1
Pola hubungan antara jumlah kematian ibu dan faktor-faktor X4 persentase ibu hamil berisiko 0.0912 -0.1096
yang mempengaruhinya dapat ditunjukkan dengan scatterplot tinggi/komplikasi yang dita-
seperti pada Gambar 2. Variabel prediktor yang berpola ngani
hubungan positif terhadap respon yaitu persentase persalinan X5 persentase rumah tangga ber- 0.1380 2.1999*
perilaku hidup bersih sehat
yang dibantu oleh dukun (X2), dan persentase rumah tangga X6 persentase bidan di setiap 0.1146 -0.8727
berperilaku hidup bersih sehat (X5). kabupaten/kota di Jawa Timur
X7 persentase sarana kesehatan 0.1355 -4.2939*
Keterangan: *) signifikan pada α = 5%, Z0.025 = 1.96
X1 X2 X3
20
salinan dibantu oleh dukun yang tinggi pula.
0
30 60 90 0 40 80 0.00 0.05 0.10
X7
0
40
4
28
20
0 3
10
0.03 0.06 0.09
11
26 9
Semakin tinggi persentase persalinan yang dibantu oleh 1
13
27
29
Timur. Hal yang unik adalah semakin tinggi persentase rumah 0 7875
79 73 3 7 14
0
76
16
15 1
tangga yang berprilaku hidup bersih dan sehat ternyata 72
71
77
21695 2
17
23
4
20
18
1
24
25 22
persentase rumah tangga berperilaku hidup bersih sehat (X5), juga terjadi pada variabel prediktor (Tabel 1). Oleh karena itu,
dan persentase sarana kesehatan (X7). dilakukan analisis dengan menggunakan metode SDM. Estimasi
Tabel 2.
parameter dengan metode SDM disajikan pada Tabel 5.
Estimasi Parameter untuk Tiga Variabel yang Signifikan dengan Metode OLS
Parameter Estimasi |thitung| VIF Tabel 4.
β0 25.035 4.92* Estimasi Parameter dengan Metode SAR
β2 1.1122 3.57* 1.3
β5 0.1540 2.24* 1.2 Parameter Estimasi |Zhitung|
β7 -316.24 -4.93* 1.0 β0 32.7336 5.5319*
R-square 57.8 % β2 1.0502 3.7923*
Fhitung 15.49* β5 0.1322 2.1342*
Ket: *) signifikan pada α = 5% β7 -328.2903 -5.6589*
t0,025;34 = 2.032 F0.05;3;34 = 2.88 ρ -0.3134 -2.0621*
Rsquare 62.93%
R-square yang dihasilkan sebesar 57.8% menunjukkan besar- Ket: *) signifikan pada α = 5%
nya variansi kejadian kematian ibu yang dapat dijelaskan oleh Tabel 5.
model. Uji asumsi multikolinearitas telah terpenuhi, yang Estimasi Parameter dengan Metode SDM
ditunjukkan oleh nilai Variance Inflation Factors (VIF) < 10 Parameter Estimasi Wald
(Tabel 2). Model yang terbentuk dengan metode OLS adalah: β0 12.8192 0.675
yˆ 25 .035 1 .1122 X 2 0 .1540 X 5 316 .24 X 7 β12 1.3298 11.9722*
β15 0.1407 4.7403*
Pada uji asumsi residual didapatkan bahwa residual telah β17 -296.6636 25.3865*
berdistribusi normal, tidak identik, dan tidak independen. Nilai β22 0.3867 0.3401
moran’s I residual menghasilkan nilai yang lebih kecil dari β25 0.1105 0.2995
β27 198.5784 1.2333
IM0= -0.0270. Hal ini menunjukkan bahwa residual berpola ρ -0.3448 1.7288***
menyebar atau tidak terdapat autokorelasi. Uji heterogenitas Rsquare 60.76%
spasial dengan BP test menghasilkan p-value yang kurang dari Ket:
α=10% sehingga residual tidak identik atau terdapat *) signifikan pada α = 5%, χ20,05;1 = 3.841
**) signifikan pada α = 10%, χ20,10;1 = 2.706
keragaman antarlokasi. Metode OLS memiliki kinerja yang ***) signifikan pada α = 20%, χ20,20;1 = 1.642
kurang baik karena asumsi residualnya tidak independen dan
tidak identik. Hal ini mengakibatkan adanya autokorelasi pada Model dari metode SDM yang terbentuk adalah:
n
residual dan variansnya tidak homogen. Oleh karena itu, perlu yˆ i 0.34 wij y j 12 .82 1.33 X 2 i 0 .14 X 5 i 296 .66 X 7 i
dilakukan pemodelan dengan menggunakan metode spasial. j 1
n n n
E. Pemodelan dengan Metode SDM 0.39 wij X 2 j 0.11 wij X 5 j 198.58 wij X 7 j
Identifikasi awal sebelum melakukan metode spasial yaitu j 1 j 1 j 1
dengan LM Test seperti pada Tabel 3. Nilai ρ yang signifikan yaitu sebesar -0.34, menunjukkan
Tabel 3.
adanya dependensi spasial lag atau adanya pengaruh letak
Nilai LM Test dan P-Value Hasil Identifikasi Awal Dependensi Spasial kabupaten/kota yang berdekatan dengan yang diamati pada
Uji dependensi spasial Nilai p-value variabel jumlah kematian ibu, dan menunjukkan
LM (lag) 3.9781 0.0461* adanya pengaruh letak kabupaten/kota yang berdekatan (j)
LM (error) 1.2230 0.2688
LM (SARMA) 4.7912 0.0911 dengan kabupaten/kota yang diamati (i) terhadap kematian
Ket: *) signifikan pada α = 5% ibu. Koefisien parameter β22 sebesar 0.39, β25 sebesar 0.11,
dan β27 sebesar 198.58 yang diperoleh dengan metode SDM
P-value pada LM test lag sebesar 0,0461 sehingga H0 ditolak menunjukkan koefisien dependensi spasial lag atau besarnya
pada taraf signifikansi α = 5% (Tabel 3). Hal ini menunjukkan pengaruh kedekatan daerah pada variabel persentase
adanya dependensi spasial lag, sehingga analisis perlu dilan- persalinan dibantu oleh dukun (X2), persentase rumah tangga
jutkan dengan metode SAR, seperti pada Tabel 4. Model dari berperilaku hidup bersih sehat (X5), dan persentase sarana
metode SAR yang terbentuk adalah: kesehatan (X7).
n
yˆ i 0.31 w ij y j 32 .73 1.05 X 2 0.13 X 5 328 .29 X 7 Lag variabel prediktor yang signifikan adalah variabel-
j 1 variabel prediktor dengan pembobot yang berpengaruh
Variabel persentase persalinan dibantu oleh dukun tiap signifikan. Namun, Tabel 5. menjelaskan bahwa tidak terdapat
kabupaten/kota (X2), persentase rumah tangga berperilaku variabel prediktor yang berpengaruh signifikan dengan adanya
hidup bersih sehat (X5), dan persentase sarana kesehatan (X7) pembobot. Variabel yang berpengaruh signifikan ketika tanpa
berpengaruh signifikan terhadap kematian ibu. Nilai ρ yang pembobot pada α = 5% di antaranya persentase persalinan
signifikan menunjukkan adanya dependensi spasial lag pada dibantu oleh dukun tiap kabupaten/kota (X2), persentase
variabel jumlah kematian ibu. Nilai R-square yang dihasilkan rumah tangga berperilaku hidup bersih sehat (X5), dan
oleh metode SAR sebesar 62.93%, menjelaskan besarnya persentase sarana kesehatan (X7). R-square yang dihasilkan
variansi dari kematian ibu yang dapat dijelaskan oleh model. oleh metode SDM sebesar 60.75%.
Hasil identifikasi dengan nilai Moran’s I untuk setiap Koefisien parameter pada variabel persentase persalinan
variabel menunjukkan bahwa dependensi antarlokasi yang dibantu oleh dukun (X2) bernilai positif. Hal ini menunjukkan
berdekatan tidak hanya terjadi pada variabel respon, namun bahwa kabupaten/kota yang bersebelahan dengan kabupaten/
JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 2012) ISSN: 2301-928X D-170
kota lain yang memiliki persentase tinggi akan cenderung [5] Opik. (2007). Di Jawa Timur Angka Kematian Ibu dan Bayi Masih Tinggi.
Available: http://www.pdiperjuangan-jatim.org/v03/index.php?
memiliki jumlah kematian ibu yang tinggi pula dan begitu pula mod=berita &id=386
sebaliknya. Kabupaten/kota yang bersebelahan dengan [6] Purnama, Erik. (2011). Meningkat, Angka Kematian Ibu Hamil di Jawa
kabupaten/kota lain yang memiliki persentase rendah akan Timur. Available: http://www.republika.co.id/berita/regional/nusantara/
cenderung memiliki jumlah kematian ibu yang rendah pula. 11/03/24/ lijiij-meningkat-angka-kematian-ibu-hamil-di-jawa-timur
[7] Darnah, “Pendekatan Ukuran R2 Devians Pada Model Regresi Poisson,”
Hubungan ini sesuai dengan Moran’s scatterplot pada Gambar
Surabaya: Program Pasca Sarjana, Institut Teknologi Sepuluh
3. di mana telah terjadi pengelompokan pada kuadran I dan III.
Nopember, (2009).
[8] Novita, Laili, “Pemodelan Maternal Mortality Di Jawa Timur Dengan
Pendekatan Geographically Weighted Poisson Regression (GWPR),”
V. KESIMPULAN DAN SARAN Tugas Akhir Statistika-FMIPA, Surabaya: Institut Teknologi Sepuluh
Hasil identifikasi nilai Moran’s I menunjukkan adanya Nopember, (2012).
dependensi spasial antarlokasi yang berdekatan pada variabel [9] Bekti, R. D., “Spatial Durbin Model (SDM) untuk Mengidentifikasi
Faktor-Faktor yang Berpengaruh terhadap Kejadian Diare di Kabupaten
respon maupun variabel predikor. Namun, kecilnya nilai Tuban,” Tesis Statistika-FMIPA, Surabaya: Institut Teknologi Sepuluh
Moran’s I menyebabkan hasil estimasi parameternya menjadi Nopember, (2011).
tidak nyata sehingga estimasi parameter dengan metode SDM [10] Aditie, N. B., “Spatial Durbin Model untuk Mengidentifikasi Faktor-
tidak menghasilkan lag variabel prediktor yang signifikan. Faktor yang Mempengaruhi Angka Kematian Bayi di Jawa Timur,”
Tugas Akhir Statistika-FMIPA, Surabaya: Institut Teknologi Sepuluh
Model dengan metode SAR yang terbentuk adalah: Nopember, (2011).
n
[11] Draper, N.R. dan Smith, H., “Analisis Regresi Terapan Edisi Kedua,”
yˆ i 0.31 wij y j 32.73 1.05 X 2 0.13 X 5 328 .29 X 7 V Jakarta: PT Gramedia Pustaka Utama, (1992).
j 1 [12] LeSage, J.P., “The Theory and Practice of Spatial Econometrics,”
ariabel yang signifikan berpengaruh terhadap kematian ibu Department of Economics University of Toledo, (1999).
dengan metode SAR adalah persentase persalinan dibantu oleh [13] Anselin, L., “Spatial Econometrics: Methods and Models,” Kluwer
dukun, persentase rumah tangga berperilaku hidup bersih Academic Publishers, Netherlands, (1988).
[14] Lee, J dan Wong, D. W. S., “Statistical Analysis with Arcview GIS,”
sehat, dan persentase sarana kesehatan di tiap kabupaten/kota John Willey and Sons, New York, (2001).
di Jawa Timur. Nilai ρ sebesar -0.31 menunjukkan adanya [15] Amaliafitri, Andhini. (2010). Waspadai Angka Kematian Ibu di
dependensi spasial lag pada variabel kematian ibu. R-square Indonesia. Available: http://lifestyle.okezone.com/read/2010/03/25/27/
yang dihasilkan sebesar 62.93%. Sementara model dengan 316119/ search.html
[16] Dinas Kesehatan Provinsi Jawa Timur, “Profil Kesehatan Provinsi Jawa
metode SDM yang terbentuk adalah:
n
Timur,” Surabaya : Dinkes Jatim, (2010).
yˆi 0.34 wij y j 12.82 1.33X 2i 0.14 X 5i 296.66 X 7i
j 1
n n n
0.39 wij X 2 j 0.11 wij X 5 j 198.58 wij X 7 j
j 1 j 1 j 1
DAFTAR PUSTAKA
[1] Dwinata, Indra. (2009). Kematian-maternal. Available: http://himapid.
blogspot.com /2009/03/kematian-maternal.html
[2] Nono. (2008). Seputar Masalah Kematian Maternal. Available: http://
noeytamalan- revolute.blogspot.com/2008/12/kematian-maternal. html
[3] Adam, Riski. (2012). Target Turunkan Angka Kematian Ibu Sulit Ter-
capai. Available: http://kesehatan.liputan6.com/read/375324/target-tu-
runkan-angka -kematian-ibu-sulit-tercapai
[4] Krisnamurti, Dahlia. (2012). Tingginya Kematian Ibu, Tanggung Jawab
Siapa?. Available: http://gayahidup.inilah.com/read/detail/1825908/ting-
ginya-ke-matian-ibu-tanggung-jawab-siapa