ANALISIS PROPOSAL TESIS BERDASARKAN ILMU FILSAFAT

IDENTIFIKASI FAKTOR YANG MEMPENGARUHI ANGKA KEMATIAN BAYI DI

KABUPATEN PROBOLINGGO BERBASIS ANALISIS CROSS VALIDATION (CV)
DAN UNBIASED RISK (UBR)

Oleh:
Prisma Andita Pebriaini
NIM 291231027

PROGRAM STUDI S2 ILMU KESEHATAN MASYARAKAT

FAKULTAS KESEHATAN MASYARAKAT
UNIVERSITAS AIRLANGGA
2023
 ANALISIS TEORI FILSAFAT

TEORI FILSAFAT IMPLEMENTASI PADA PROPOSAL TESIS

Ilmu, Paradigma, dan Ilmu:
Perkembangan Analisis regresi adalah suatu analisis statistika yang
digunakan untuk memodelkan pola hubungan antara
variabel prediktor dan variabel respon. Tujuan utama dalam
melakukan analisis regresi adalah untuk mencari bentuk
estimasi kurva regresi.
Spline Truncated merupakan fungsi dimana terdapat
perubahan pola perilaku kurva yang berbeda pada interval
yang berlainan.
Angka Kematian Bayi (AKB) adalah kematian yang terjadi
pada bayi usia 0-11 bulan (termasuk neonatal).
Paradigma:
Paradigma sehat menyatakan bahwa angka kematian bayi
merupakan
Perkembangan:
AKB pertama kali menjadi perhatian saat …
Filsafat dan Ilmu Topik penelitian yang diambil merujuk pada cabang ilmu
Filsafat Ilmu kesehatan masyarakat. Peneliti fokus untuk
Jenis Ilmu mengidentifikasi faktor kematian bayi di Kabupaten
Probolinggo Tahun 2022 berdasarkan hasil model terbaik
analisis regresi nonparametrik spline truncated. Penelitian
yang dilakukan erat kaitannya dengan ilmu biostatistika,
ilmu kebijakan kesehatan, dan ilmu perilaku.
Struktur Ilmu Struktur ilmu regresi nonparametrik, khususnya dengan
Sarana Ilmu pendekatan regresi nonparametrik spline sengaja digunakan
karena tidak ada informasi masa lalu yang lengkap
mengenai pola data untuk mengidentifikasi faktor AKB di
Kabupaten Probolinggo.
Sarana ilmu yang digunakan untuk mendukung penelitian
ini antara lain cara mencatat data sekunder dari Profil
Kesehatan Kabupaten Probolinggo, ketelitian pengolahan
dan analisis data, serta logika yang digunakan untuk
mengembangkan rancang bangun penelitian.
Ontologi Ilmu Ontologi ilmu tercermin dalam latar belakang penelitian
yang menyatakan bahwa AKB merupakan salah satu
permasalahan kesehatan yang menjadi indikator
pembangunan kesehatan dengan angka kejadian yang masih
tinggi secara nasional. Sehingga diperlukan perhitungan
statistik untuk mendapatkan pemodelan prediksi jumlah
kematian bayi. Selain itu juga terdapat pada tinjauan pustaka
yang menjelaskan
Epistemologi Ilmu Konsep epistemiologi ilmu terdapat pada metode penelitian.
Penelitian yang dilakukan adalah penelitian kuantitatif jenis
penelitian Non-Reactive. Rancang bangun penelitian ini
menggunakan data sekunder dari Profil Kesehatan Dinas
Kesehatan Kabupaten Probolinggo Tahun 2022, berupa
 jumlah kematian bayi, persentase kunjungan ibu hamil K4,
persentase pertolongan persalinan oleh tenaga kesehatan,
persentase komplikasi neonatal yang ditangani, persentase
pelayanan kesehatan bayi, persentase imunisasi dasar
lengkap, dan persentase BBLR.
Aksiologi Ilmu Aksiologi ilmu tercermin pada manfaat penelitian, yaitu
meningkatkan pengetahuan khusus model regresi
nonparametrik spline truncated dalam menentukan titik knot
optimal pada data kematian bayi, analisis pemodelan regresi
nonparametrik spline truncated merupakan salah satu upaya
yang dapat memberikan alternatif penyusunan pemecahan
masalah kesehatan yaitu angka kematian bayi di Kabupaten
Probolinggo, dan sebagai bantuan rujukan kepada
pemerintah, dalam hal ini Dinas Kesehatan Kabupaten
Probolinggo dan sektor terkait lainnya agar dapat
menggunakan informasi dari hasil penelitian ini untuk
bahan pertimbangan dalam perencanaan program kesehatan
khususnya terkait Angka Kematian Bayi.
Metodologi Filsafat Penelitian ini menggunakan metodologi yang berkaitan
dengan filsafat sebagai berikut:
- Historis
- Sistematis
- Kritis
- Skolastik
- Empiris
- Saintifik
Logika Ilmu Penelitian ini dilakukan dengan berpikir dengan teliti, dan
berfikir menurut aturan yang pasti atau sesuai dengan kaidah
atau standar yang sudah ada misal kondisi rumah sehat.
Penelitian ini dilakukan secara sistematis sesuai dengan
metodologi penelitian dan bisa di pertanggung jawab
kebenarannya. Logika ilmu digunakan di semua bab
proposal thesis nantinya, dari analisisi masalah terkait faktor
penyebab tingginya Angka Kematian Bayi (AKB) di
Kabupaten Probolinggo, melakukan analisis statistik secara
sistematis untuk menyusun pemodelan yang pas, hingga
merumuskan hasil dan pembahasan yang dilakukan dengan
sistematis, berdasarkan logika dan dapat dipertanggung
jawabkan kebenarannya.
Logika Deduktif Proposal penelitian yang digunakan bukan merupakan
penelitian kualititatif (deskriptif).
Logika Induktif Proposal penelitian tesis ini menggunakan logika induktif
dengan tipe kuantitatif dengan jenis penelitian Non-
Reactive.
Kerangka Konsep Kerangka konsep penelitian menggunakan konsep analisis
Alur Pikir regresi non-parametrik spline dengan metode pemilihan titik
knot optimal. Titik knot tersebut dapat membantu peneliti
untukmemprediksi jumlah AKB dan faktor yang
mempengaruhinya.
Filsafat Etika atau Estetika Etika penelitian tetap dijalankan dalam penelitian ini untuk
Etika Penelitian menjaga kerahasiaan data penelitian yang digunakan dan
penelitian dijalankan sesuai dengan standar etik penelitian
yang ditetapkan.
 PROPOSAL TESIS

IDENTIFIKASI FAKTOR YANG MEMPENGARUHI ANGKA KEMATIAN BAYI DI

KABUPATEN PROBOLINGGO BERBASIS ANALISIS CROSS VALIDATION (CV)
DAN UNBIASED RISK (UBR)

Oleh:

PRISMA ANDITA PEBRIAINI

NIM 291231027

UNIVERSITAS AIRLANGGA
FAKULTAS KESEHATAN MASYARATAKAT
PROGRAM MAGISTER
PROGRAM STUDI KESEHATAN MASUARAKAT
SURABAYA
2023
 PROPOSAL TESIS

IDENTIFIKASI FAKTOR YANG MEMPENGARUHI ANGKA KEMATIAN BAYI DI

KABUPATEN PROBOLINGGO BERBASIS ANALISIS CROSS VALIDATION (CV)
DAN UNBIASED RISK (UBR)

Oleh:

PRISMA ANDITA PEBRIAINI

NIM 291231027

UNIVERSITAS AIRLANGGA
FAKULTAS KESEHATAN MASYARATAKAT
PROGRAM MAGISTER
PROGRAM STUDI KESEHATAN MASYARAKAT
SURABAYA
2023

i
 USULAN PENELITIAN TESIS

Diajukan sebagai salah satu syarat untuk memperoleh gelar

Magister Kesehatan Masyarakat (M.Kes)

Minat Studi Biostatistika

Program Studi Kesehatan Masyarakat

Fakultas Kesehatan Masyarakat

Universitas Airlangga

Oleh:

PRISMA ANDITA PEBRIAINI

NIM 291231027

Menyetujui,
Surabaya, …..
Pembimbing Ketua Pembimbing

… …
NIP … NIP …

Mengetahui,
Koordinator Program Studi Magister Kesehatan Masyarakat

…
NIP …

ii
 DAFTAR ISI
Halaman
PROPOSAL TESIS .................................................................................................................. i
USULAN PENELITIAN TESIS .............................................................................................ii
DAFTAR ISI........................................................................................................................... iii
DAFTAR TABEL .................................................................................................................... v
DAFTAR GAMBAR ............................................................................................................... vi
DAFTAR SINGKATAN, ISTILAH, DAN ARTI LAMBANG .........................................vii
BAB 1 PENDAHULUAN ........................................................................................................ 1
1.1 Latar Belakang ........................................................................................................ 1
1.2 Rumusan Masalah ................................................................................................... 5
1.3 Tujuan Penelitian .................................................................................................... 5
1.3.1 Tujuan Umum ............................................................................................. 5
1.3.2 Tujuan Khusus ............................................................................................ 6
1.4 Manfaat Penelitian .................................................................................................. 6
1.4.1 Manfaat Keilmuan ....................................................................................... 6
1.4.2 Manfaat Terapan ......................................................................................... 6
BAB 2 TINJAUAN PUSTAKA .............................................................................................. 7
2.1 Analisis Regresi ...................................................................................................... 7
2.2 Regresi Nonparametrik ........................................................................................... 7
2.3 Regresi Nonparametrik Spline Truncated ............................................................... 8
2.4 Pemilihan Titik Knot Optimal............................................................................... 10
2.4.1 Metode Cross Validation (CV) ................................................................. 11
2.4.2 Metode Unbiased Risk (UBR) .................................................................. 11
2.5 Kriteria Pemilihan Model Terbaik ........................................................................ 12
2.6 Pemeriksaan Asumsi Residual dalam Model Regresi........................................... 13
2.6.1 Asumsi Residual Identik ........................................................................... 13
2.6.2 Asumsi Residual Independen .................................................................... 13
2.6.3 Asumsi Normalitas Residual ..................................................................... 14
2.7 Uji Parameter Model ............................................................................................. 15
2.7.1 Uji Serentak ............................................................................................... 15
2.7.2 Uji Individu ............................................................................................... 16
2.8 Angka Kematian Bayi ........................................................................................... 16
2.9 Faktor-faktor yang Mempengaruhi Kematian Bayi .............................................. 16

iii
 2.9.1 Kunjungan Ibu Hamil K4 .......................................................................... 16
2.9.2 Penanganan Komplikasi Neonatal ............................................................ 17
2.9.3 Pertolongan Persalinan Oleh Tenaga Kesehatan ....................................... 17
2.9.4 Pelayanan Kesehatan Bayi ........................................................................ 18
2.9.5 Imunisasi Dasar Lengkap Pada Bayi......................................................... 18
2.9.6 Berat Badan Lahir Rendah (BBLR) .......................................................... 19
BAB 3 KERANGKA KONSEP ............................................................................................ 21
3.1 Kerangka Konsep .................................................................................................. 21
3.2 Hipotesis................................................................................................................ 22
BAB 4 METODE PENELITIAN.......................................................................................... 23
4.1 Jenis Penelitian ...................................................................................................... 23
4.2 Rancang Bangun Penelitian .................................................................................. 23
4.3 Lokasi dan Waktu Penelitian ................................................................................ 23
4.4 Populasi dan Sampel ............................................................................................. 23
4.4.1 Populasi ..................................................................................................... 23
4.4.2 Sampel, Teknik Pengambilan Sampel, dan Besar Sampel ........................ 23
4.5 Kerangka Operasional ........................................................................................... 24
4.6 Variabel Penelitian, Definisi Operasional, dan Cara Pengukuran Variabel ......... 25
4.7 Teknik dan Prosedur Pengumpulan Data .............................................................. 27
4.8 Pengolahan dan Analisis Data............................................................................... 27
DAFTAR PUSTAKA ............................................................................................................. 29

iv
 DAFTAR TABEL

Tabel 2.1 Analysis of Variance (ANOVA) dari model regresi ............................................... 15

Tabel 4.1 Variabel Penelitian, Definisi Operasional, dan Cara Pengukuran Variabel ............ 25

v
 DAFTAR GAMBAR

Gambar 3.1 Kerangka Konsep Penelitian ................................................................................ 21

Gambar 4.1 Kerangka Operasional ......................................................................................... 24

vi
 DAFTAR SINGKATAN, ISTILAH, DAN ARTI LAMBANG

a : nilai minimum dari x

A : matriks simetris yang berisi konstanta
A'(K) : matriks perkalian X(K)(X'(K)X(K))-1X'(K) yang bersifat semi-
definit positif
A'(K) : transpose dari A(K)
∝ : taraf signifikansi
b : nilai maksimum dari x
β0 : konstanta parameter
βj : parameter/koefisien untuk variabel ke-j
β̂jl : estimasi parameter/koefisien pada variabel ke-j dan orde ke-l
β : vektor koefisien regresi spline
̂
β' : transpose dari estimasi β
CV(K) : fungsi cross-validation dengan titik knot K
δ : vektor koefisien regresi untuk fungsi polinomial pada regresi spline
∼1
δ : vektor koefisien regresi untuk fungsi truncated pada regresi spline
∼2
εi : residual pada pengamatan ke-i
ε : vektor residual ε
E : ekspektasi
∑ : matriks kovarians
f (xi) : kurva regresi pada titik xi
f (x1i, x2i, …, xpi) : kurva regresi dengan prediktor x sebanyak p variabel
f (xji) : kurva regresi dengan prediktor j dan observasi i
fi : kurva regresi pada observasi i
f : vektor kurva regresi
fK : kurva regresi yang mengandung titik knot K
fKi : kurva regresi yang mengandung titik knot K pada observasi i
fK(i) : fungsi fKi yang dihitung tanpa observasi ke-i
f̂K (x) : fungsi penduga dari f(x) yang mengandung titik knot K
f̂Ki : elemen ke-i dari vektor fK berukuran n x 1
Fhitung : statistik uji simultan F
g(εi ) : distribusi probabilitas dari εi
H0 : hipotesis 0
H1 : hipotesis 1
i : indeks berjalan untuk observasi
I : matriks identitas
j : indeks berjalan untuk prediktor
k : indeks berjalan untuk titik knot
Ki : titik knot ke-i
K jr : titik knot pada variabel ke-j sebanyak r
l : indeks berjalan untuk orde spline
L(β) : fungsi likelihood
l(β) : logaritma dari fungsi likelihood
L(K) : fungsi loss
log : logaritma
m : derajat polinomial dari truncated power basis
MSE : mean squared error atau rata-rata jumlah kuadrat eror

vii
μ : vektor rata-rata dari y
n : banyaknya observasi
N : distribusi normal
p : banyaknya prediktor
p(m + r) : jumlah parameter dalam model regresi spline
r : banyaknya titik knot
R(K) : fungsi risk dengan titik knot K
̂ (K)
R : kriteria unbiased risk dengan titik knot K
R2 : koefisien determinasi
si : elemen diagonal ke-i dari A(K)
̂ (β̂jl )
SE : estimasi standar eror β̂jl
t hitung : statitik uji simultan t
tr : trace atau jumlahan diagonal matriks
̂ (β̂jl )
var : estimasi varians β̂jl
x : prediktor
xi : prediktor x pada pengamatan ke-i
xpi : prediktor x ke-p pada pengamatan ke-i
X1 : data untuk prediktor ke-1
X2 : data untuk prediktor ke-2
X3 : data untuk prediktor ke-3
X4 : data untuk prediktor ke-4
X5 : data untuk prediktor ke-5
X1 : matriks yang membuat variabel x untuk fungsi polinomial pada
regresi spline
X2 : matriks yang membuat variabel x untuk fungsi truncated pada
regresi spline
X(K) : matriks berukuran (n x (1 + p(m + r))) dari model yang
membentuk penduga fK dan bergantung pada titik knot
(xi -K r )m
+ : fungsi truncated spline dengan titik knot K
y : variabel respon
Y : data untuk variabel respon
yi : variabel respon y pada pengamatan ke-i
y : vektor y
ý : transpose
ŷ : estimasi
y̅ : rata-rata y
zi : prediktor z pada pengamatan ke-i
σ2 : varians
θ(zi ) : fungsi regresi yang tidak diketahui bentuk polanya pada regresi
semiparametrik
0 : vektor berisi bilangan 0
π : pi bernilai 3,14

viii
 BAB 1
PENDAHULUAN

1.1 Latar Belakang

Analisis regresi adalah suatu metode statistika yang dilakukan untuk mengetahui
pola hubungan antara satu atau lebih variabel. Bentuk pola hubungan antara variabel
prediktor dengan variabel respon dapat diidentifikasi berdasarkan informasi masa lalu
atau dengan menggunakan scatter plot (Hardle, 1990). Selain itu analisis regresi
bertujuan untuk melakukan sebuah prediksi (Budiantara, 2009). Namun dalam konsep
regresi, prediksi hanya boleh dilakukan dalam rentang data dari variabel-variabel yang
digunakan untuk membentuk model regresi tersebut. Analisis regresi dapat diterapkan
pada data yang mempunyai korelasi antar variabel, oleh karena itu sebelum melakukan
analisis regresi, sebaiknya menyelidiki apakah variabel yang digunakan mempunyai
korelasi atau tidak. Tujuan utama dalam melakukan analisis regresi adalah untuk mencari
bentuk estimasi kurva regresi.
Terdapat 3 pendekatan dalam melakukan estimasi kurva regesi yaitu pendekatan
parametrik, nonparametrik dan pendekatan semiparametrik. Pendekatan parametrik
digunakan ketika bentuk kurva regresi diketahui polanya, baik berupa linier, kuadratik,
kubik, polinomial derajat p, eksponen, dll. Selain itu, pada pendekatan parametrik juga
harus mempunyai informasi masa lalu terhadap karakteristik data yang digunakan agar
mendapatkan model regresi yang baik. Dalam model regresi parametrik, estimasi kurva
regresi akan ekuivalen dengan estimasi terhadap parameter dalam model (Budiantara,
2009). Sebaliknya, pendekatan nonparametrik digunakan jika bentuk kurva regresi tidak
diketahui polanya dan bisa juga digunakan ketika tidak adaatau keterbatasan informasi
masa lalu terhadap karakteristik data yang digunakan. Beberapa tahun terakhir,
pendekatan regresi nonparametrik menjadi alat yang sangat bermanfaat bagi para
statistikawan yang digunakan untuk analisis, prediksi, dan peramalan (Memmedli dan
Nizamitdinov, 2012). Dalam pendekatan nonparametrik, kurva regresi hanya diasumsikan
smooth (mulus) dalam arti termuat di dalam suatu fungsi tertentu. Kelebihan ketika
menggunakan pendekatan nonparametrik yaitu mempunyai fleksibilitas yang tinggi,
artinya data diharapkan dapat mencari sendiri bentuk estimasinya, tanpa adanya pengaruh
dari subjektivitas peneliti. Terdapat beberapa metode yang telah banyak digunakan untuk
memodelkan regresi dengan menggunakan pendekatan nonparametrik yaitu antara lain:
Kernel (Hardle, 1990), Spline (Wahba, 1990; Budiantara, 2009), K-Nearest Neighbor

1
(Hardle, 1990), Histogram (Green dan Silverman, 1994), Estimator Deret Fourier
(Eubank, 1999), MARS, Deret Orthogonal, Wavelets, Neural Network. Dari berbagai
metode yang banyak digunakan, spline adalah salah satu metode yang mempunyai banyak
kelebihan.
Spline adalah salah satu bentuk estimator yang juga seringkali digunakan dalam
regresi nonparametrik karena mempunyai banyak kelebihan. Spline sebagai pendekatan
pola data dikenalkan oleh Whittaker pada tahun 1923. Selanjutnya, Spline dipopulerkan
oleh Schoenberg pada tahun 1942. Sedangkan spline yang didasarkan pada suatu
persoalan optimasi dikembangkan oleh Reinsch pada tahun 1967 (Wahba, 1990).
Pendekatan spline mempunyai suatu basis fungsi. Basis fungsi yang biasa digunakan
antara lain spline truncated dan B-spline. Spline Truncated merupakan fungsi dimana
terdapat perubahan pola perilaku kurva yang berbeda pada interval yang berlainan.
Berbagai macam kelebihan jika menggunakan spline antara lain: mempunyai intepretasi
visual yang baik, bersifat fleksibel, serta mampu menangani karakter fungsi yang bersifat
mulus (Eubank, 1999; Budiantara, 2007). Selain itu, spline dapat mengatasi pola data dan
dapat menggambarkan perubahan perilaku data yang berubah-ubah pada sub interval
tertentu. Spline juga mempunyai keunggulan dalam mengatasi pola data yang
menunjukkan naik/turun yang tajam dengan bantuan titik knot serta kurva yang
dihasilkan relatif mulus (Eubank, 1999). Spline diperoleh berdasarkan optimasi yang
merupakan perluasan dari optimasi optimasi yang digunakan pada regresi parametrik.
Berbagai pendekatan regresi nonparametrik yang lain, tidak memiliki tata cara optimasi
seperti yang ada pada spline. Dalam pendekatan spline, terdapat optimasi Penalized Least
Square (PLS) yang merupakan hasil dari gerenalisasi metode Least Square (LS) yang ada
pada regresi parametrik. Selain itu, terdapat pula optimasi Penalized Likelihood (PL)
yang juga merupakan hasil dari generalisasi metode Maksimum Likelihood (ML) serta
optimasi Penalized Log Likelihood (PLL) yang merupakan hasil generalisasi metode Log
Likelihood (LL) pada regresi parametrik.
Ada tiga kriteria yang harus diperhatikan dalam membentuk model regresi Spline,
antara lain: menentukan orde untuk model, banyaknya knot, dan lokasi penempatan knot,
(Montoya, et all, 2014). Orde untuk model dapat ditentukan berdasarkan pola yang terjadi
pada data, sementara banyaknya knot dan lokasi knot ditentukan berdasarkan perubahan
pola data yang terjadi pada sub interval tertentu. Terdapat beberapa metode untuk
memilih titik knot yang optimal dalam regresi nonparametrik spline antara lain metode
Cross Validation (CV) yang diberikan oleh Craven dan Wahba (1979), Unbiassed Risk

2
(UBR) yang diberikan oleh Wang (1997), Generalized Cross Validation (GCV) yang
diberikan oleh Wahba (1990), dan Generalized Maximum Likelihood (GML) oleh Wahba
(1990). Dalam penelitian ini akan membandingkan hasil pemilihan titik knot optimal
dengan metode CV dan metode UBR.
CV dan UBR adalah metode pemilihan titik knot optimal yang mempunyai banyak
kelebihan. Adapun kelebihan yang dimiliki metode CV antara lain adalah sederhana dan
efisien dalam perhitungan, optimal secara asimtotik, invarian terhadap transformasi dan
tidak memerlukan informasi terhadap σ². Pemilihan titik knot dengan metode CV akan
lebih baik jika digunakan pada data yang Gaussian (berdistribusi normal), sementara
pemilihan titik knot dengan metode UBR akan lebih baik jika digunakan pada data non-
Gaussian atau tidak berdistribusi normal, (Wahba, 1990; Wang, 1998). Berdasarkan
pernyataan tersebut, peneliti tertarik untuk membandingkan apakah model regresi
nonparametrik spline truncated menggunakan metode CV akan lebih baik jika
dibandingkan dengan model regresi nonparametrik spline truncated menggunakan
metode UBR pada data Angka Kematian Bayi di Kabupaten Probolinggo tahun 2022
yang mempunyai distribusi normal.
Salah satu permasalahan kesehatan yang menjadi indikator pembangunan
kesehatan adalah Angka Kematian Bayi (AKB) yang masih tinggi secara nasional. Pada
2016, hasil riset Badan Pusat Statistik (BPS) mencatat bahwa angka kematian bayi (AKB)
mencapai 25,5. Artinya, ada sekitar 25,5 kematian setiap 1.000 bayi yang lahir. Selama
beberapa tahun terakhir, AKB Indonesia berangsurangsur mengalami penurunan. Bahkan,
perkembangan AKB di Indonesia cukup menggembirakan dalam waktu 20 tahun
menunjukkan penurunan. Pasalnya, pada 1991 AKB pernah mencapai angka 68.
AKB di Indonesia masih termasuk tinggi dibandingkan dengan negara tetangga
seperti Malaysia dan Singapura yang sudah di bawah 10 kematian per 1.000 kelahiran
bayi. Kematian bayi merupakan salah satu indikator sensitif untuk mengetahui derajat
kesehatan suatu negara dan bahkan untuk mengukur tingkat kemajuan suatu bangsa.
Tingginya kematian bayi pada usia hingga satu tahun menunjukkan masih rendahnya
kualitas sektor kesehatan di negara tersebut.
Data Survei Demografi Indonesia (SDKI) tahun 2018 AKB di Indonesia mencapai
24 kematian per 1000 kelahiran hidup. Sedangkan berdasarkan Profil Kesehatan Jawa
Timur, AKB tahun 2018 dan 2019 yaitu sebesar 23 per kematian per 1000 kelahiran
hidup. Angka kematian bayi menjadi tantangan tersendiri dan prioritas penanganan
masalah kesehatan baik bagi pemerintah daerah maupun semua instansi terkait di Provinsi

3
Jawa Timur dalam upaya menurunkan angka kematian bayi dan kesejahteraan penduduk
di masa datang.
Angka Kematian Bayi (AKB) Indonesia tahun 2017 yaitu 24 per 1000 kelahiran
hidup (KPPPA, 2018). Berdasarkan profil kesehatan Provinsi Jawa Timur tahun 2018,
AKB di Jawa Timur yaitu 23 per 1000 kelahiran hidup (angka estimasi dari BPS
Provinsi). Sedangkan pada tahun 2019 jumlah kematian bayi di Provinsi Jawa Timur
tercatat sebanyak 3.875 bayi. Angka Kematian Bayi (AKB) menggambarkan tingkat
permasalahan kesehatan masyarakat yang berkaitan dengan faktor penyebab kematian
bayi, tingkat pelayanan antenatal, kemampuan pelayanan di fasilitas kesehatan dasar
maupun di rumah sakit, status gizi ibu hamil, akses rujukan, tingkat keberhasilan program
KIA-KB, kondisi lingkungan sosial, dan ekonomi serta berbagai hal lainnya yang menjadi
penyebab sekunder maupun tersier dari kematian bayi (Dinkes Provinsi Jawa Timur,
2018).
Kematian bayi di Kabupaten Probolinggo mengalami penurunan dari tahun 2018 -
2022, pada tahun 2018 kasus kematian bayi sebanyak 57,20 kematian dan menurun pada
tahun 2019 menjadi 56,77 kasus kematin bayi. Pada tahun 2020 kasus kematian bayi
sebesar 56,50 kasus kematian dan selanjutnya pada tahun 2021 jumlah kasus kematian
menurun menjadi 56,24 kematian, pada tahun 2022 mengalami penurunan kembali
menjadi 56,13 kasus kematian. Kendati mengalami penurunan selama 5 tahun terakhir
angka kematian bayi tersebut masih jauh dari target rencana program dan kegiatan
perangkat daerah Jawa Timur yaitu sebesar 19 per 1000 kelahiran hidup (Dinkes Provinsi
Jawa Timur, 2022).
57,40
57,20 57,20
57,00
56,80 56,77
56,60
56,50
56,40
56,24
56,20
56,13
56,00
55,80
55,60
55,40
2018 2019 2020 2021 2022

Gambar 1.1 Jumlah Kematian Neonatal dan Bayi di Kabupaten Probolinggo Tahun
2018-2022

4
 Kesehatan bayi harus selalu dipantau untuk memastikan kesehatan mereka selalu
dalam kondisi optimal. Pelayanan kesehatan bayi termasuk salah satu dari beberapa
indikator yang bisa menjadi ukuran keberhasilan upaya peningkatan kesehatan bayi dan
balita. Sebagai salah satu kelompok yang menjadi sasaran program imunisasi, setiap bayi
wajib mendapatkan imunisasi dasar lengkap yang terdiri dari: 1 dosis BCG, 3 dosis DPT-
HB dan/atau DPT-HB-Hib, 4 dosis polio, dan 1 dosis campak. Imunisasi dasar lengkap
yang diwajibkan tersebut, campak merupakan imunisasi yang mendapat perhatian lebih,
komitmen Indonesia pada global untuk mempertahankan cakupan imunisasi campak
sebesar 90% secara tinggi dan merata. Hal ini terkait dengan realita bahwa campak adalah
salah satu penyebab utama kematian pada bayi. Sehingga pencegahan campak memiliki
peran signifikan dalam penurunan angka kematian bayi (Dinkes Kabupaten Probolinggo,
2022).
Ruang lingkup penelitian adalah puskesmas di Kabupaten Probolinggo, yang mana
sumber variasi datanya adalah wilayah kerja puskesmas. Oleh karena itu menyebabkan
bentuk pola data akan acak dan tidak membentuk pola tertentu.
Berdasarkan penjelasan di atas, maka perlu dilakukan penelitian tentang
perbandingan model regresi nonparametrik spline trunsated dengan menggunakan metode
Cross Validation (CV) dan Unbiased Risk (UBR) yang didasarkan pada titik knot
optimal, nilai adjusted terbesar, dan Mean Square Error (MSE) terkecil dengan
menggunakan data jumlah kematian bayi dan beberapa faktor yang mempengaruhinya
untuk mendapatkan pemodelan prediksi jumlah kematian bayi di wilayah Kabupaten
Probolinggo.

1.2 Rumusan Masalah

Berdasarkan latar belakang yang telah diuraikan, maka diperoleh rumusan masalah
yaitu bagaimana mengidentifikasi faktor kematian bayi di Kabupaten Probolinggo
berbasis analisis Cross Validation (CV) dan Unbiased Risk (UBR).

1.3 Tujuan Penelitian

1.3.1 Tujuan Umum
Untuk menidentifikasi faktor kematian bayi di Kabupaten Probolinggo Tahun
2022 berdasarkan hasil model terbaik analisis regresi nonparametrik spline truncated
dengan menggunakan metode cross validation (CV) dan unbiased risk (UBR).

5
 1.3.2 Tujuan Khusus
1. Mengidentifikasi titik knot optimal dan model regresi nonparametrik spline
truncated dengan metode cross validation (CV) pada faktor yang
mempengaruhi jumlah kematian bayi di Kabupaten Probolinggo Tahun 2022.
2. Mengidentifikasi titik knot optimal dan model regresi nonparametrik spline
truncated dengan metode unbiased risk (UBR) pada faktor yang
mempengaruhi jumlah kematian bayi di Kabupaten Probolinggo Tahun 2022.
3. Menganalisis model regresi nonparametrik spline truncated terbaik dari
metode cross validation (CV) dan unbiased risk (UBR) pada faktor yang
mempengaruhi jumlah kematian bayi di Kabupaten Probolinggo Tahun 2022.

1.4 Manfaat Penelitian

1.4.1 Manfaat Keilmuan
1. Meningkatkan pengetahuan khusus model regresi nonparametrik spline
truncated dalam menentukan titik knot optimal pada data kematian bayi.
2. Analisis pemodelan regresi nonparametrik spline truncated merupakan salah
satu upaya yang dapat memberikan alternatif penyusunan pemecahan masalah
kesehatan yaitu angka kematian bayi di Kabupaten Probolinggo.
1.4.2 Manfaat Terapan
1. Sebagai bentuk pengembangan ilmu pengetahuan di bidang statistik dan
kesehatan tentang analisis regresi nonparametrik spline truncated.
2. Sebagai bantuan rujukan kepada pemerintah, dalam hal ini Dinas Kesehatan
Kabupaten Probolinggo dan sektor terkait lainnya agar dapat menggunakan
informasi dari hasil penelitian ini untuk bahan pertimbangan dalam
perencanaan program kesehatan khususnya terkait Angka Kematian Bayi.

6
 BAB 2
TINJAUAN PUSTAKA

2.1 Analisis Regresi

Analisis regresi merupakan suatu analisis statistika yang digunakan untuk
memodelkan pola hubungan antara variabel prediktor dan variabel respon. Jika variabel
respon adalah yi dan variabel prediktor adalah xi, i = 1, 2, …, n, maka pasangan data xi, yi
akan membentuk model hubungan fungsional sebagai berikut:
yi = f(xi) + ɛi, i = 1, 2, …, n (2.1)

dimana f(xi) adalah kurva regresi dan ɛi adalah error random yang diasumsikan identik,
independent, dan berdistribusi normal dengan mean nol dan varian σ2 (Eubank, 1999).
Analisis regresi adalah salah satu metode statistika yang berfungsi untuk
mengetahui pola hubungan antara variabel respon dengan variabel prediktor. Terdapat
dua jenis variabel yang saling berkorelasi dalam analisis regresi yaitu variabel
independen yang biasa disimbolkan dengan x dan variabel dependen yang biasa
disimbolkan dengan y. Tujuan utama analisis regresi adalah mencari bentuk estimasi
untuk kurva regresi. Apabila dalam analisis regresi bentuk kurva regresi diketahui maka
didekati dengan model regresi parametrik (Budiantara, 2005). Sedangkan bila pola kurva
regresi tidak diketahui maka digunakan regresi nonparametrik. Jika terdapat komponen
parametrik dan komponen nonparametrik maka digunakan regresi semiparametrik.

2.2 Regresi Nonparametrik

Regresi nonparametrik digunakan untuk mengetahui pola hubungan antara variabel
predictor dengan variabel respon yang bentuk kurva regresinya tidak diketahui. Kurva
regresi hanya diasumsikan mulus (smooth), dalam arti termuat dalam ruang fungsi
tertentu. Regresi nonparametrik memiliki fleksibilitas yang tinggi, karena data
diharapkan mencari sendiri bentuk estimasi kurva regresinya tanpa dipengaruhi oleh
faktor subjektifitas peneliti (Eubank, 1999). Secara umum model regresi nonparametrik
adalah sebagai berikut:
yi = f(xi) + ɛi, i = 1, 2, …, n (2.2)

Dengan yi adalah variabel respon, f(xi) adalah kurva regresi yang tidak diketahui
bentuknya, dan ɛi adalah error yang diasumsikan berdistribusi N(0, σ2) (Wahba, 1990).
Regresi nonparametrik ini disebut dengan regresi nonparametrik univariabel karena

7
 terdiri dari satu variabel respon dan satu variabel prediktor. Jika dalam regresi
nonparametrik terdapat satu variabel respon dan lebih dari satu variabel prediktor, maka
disebut regresi nonparametrik multivariabel (Budiantara, 2004). Jika diberikan data (xi1,
xi2, …, xiq) dan yi dapat ditulis sebagai berikut:
yi = f(xi1, xi2, …, xiq) + ɛi (2.3)

yi = f(xi1) + f(xi2), …, f(xiq)ɛi (2.4)

yi = ∑𝑞𝑙=1 𝑓(𝑥𝑖1 ) + ɛ𝑖 , i = 1, 2, …, n (2.5)

dengan yi adalah variabel respon, dan f adalah kurva regresi yang tidak diketahui
bentuknya.

2.3 Regresi Nonparametrik Spline Truncated

Pendekatan regresi nonparametrik spline digunakan jika kurva regresi antara
variabel respon dengan variabel prediktor tidak membentuk suatu pola atau tidak ada
informasi masa lalu yang lengkap mengenai pola data. Dalam banyak hal, pengamatan-
pengamatan yang akan dikaji tidak selalu memenuhi asumsi-asumsi yang mendasari uji
parametrik sehingga kerap kali dibutuhkan teknik inferensial dengan validitas yang tidak
bergantung pada asumsi-asumsi yang kaku. Dalam hal ini, teknik-teknik dalam regresi
nonparametrik memenuhi kebutuhan. Regresi nonparametrik memiliki fleksibilitas yang
tinggi, karena data diharapkan mencari sendiri bentuk estimasi kurva regresinya tanpa
dipengaruhi oleh faktor subyektifitas peneliti (Eubank, 1999).
Secara umum, model regresi nonparametrik dapat disajikan sebagai berikut:
yi = f(xi) + εi, i = 1,2,...,n (2.6)

dengan adalah variabel respon, dan f(xi) adalah kurva rergresi yang tidak diketahui
bentuknya, dan εi adalah error yang diasumsikan berdistribusi N(0, σ2).
Spline merupakan model polynomial yang tersegmen. Polinomial tersegmen
memegang peranan penting dalam teori dan aplikasi statistika. Regresi spline memiliki
titik knot yang merupakan titik perpaduan yang menunjukkan perubahan perilaku kurva
pada selang yang berbeda (Hardle, 1990). Secara umum fungsi spline f(xi) berorde m
dengan titik knot k1, k2, ..., kj dapat dinyatakan sebagai berikut:
𝑗 𝐽
f(xi) = ∑𝑚 𝑚
𝑗=0 𝛽𝑗 𝑥𝑖 + ∑𝑗=1 𝛽𝑚+𝑗 (𝑥𝑖 − 𝑘𝑗 )+ (2.7)

8
dengan βj merupakan parameter model dan merupakan orde spline (Budiantara, 2001).
Persamaan (2.7) bila disubstitusikan pada persamaan (2.6) diperoleh persamaan regresi
nonparametrik spline sebagai berikut:
𝑗 𝐽
yi = ∑𝑚 𝑚
𝑗=0 𝛽𝑗 𝑥𝑖 + ∑𝑗=1 𝛽𝑚+𝑗 (𝑥𝑖 − 𝑘𝑗 )+ + 𝜀𝑖 , 𝑖 = 1,2, … , 𝑛 (2.8)

dengan fungsi truncated diberikan oleh:

(𝑥𝑗 − 𝑘𝑗 )𝑚 , 𝑥𝑖 ≥ 𝑘𝑗
(𝑥𝑖 − 𝑘𝑗 )𝑚
+ ={ (2.9)
0 , 𝑥𝑖 ≥ 𝑘𝑗

dimana:
βj : parameter model polynomial, j = 1, 2, …, m
xi : variabel prediktor, i = 1, 2, …, n
βm+j : parameter pada komponen truncated, l = 1, 2, …, r
r : banyaknya knot
kj : titik-titik knot, l = 1, 2, …, r
Salah satu ilustrasi sederhana diberikan spline linier truncated dengan tiga knot
pada t = k1 ≤ t = k2 ≤ t = k3 ≤ diberikan oleh:
f3(x) = β1t + 𝛽2 (𝑥 − 𝑘1 )1+ + 𝛽3 (𝑥 − 𝑘2 )1+ + 𝛽4 (𝑥 − 𝑘3 )1+ (2.10)

fungsi spline f3(x) dapat disajikan sebagai berikut:

𝛽1 𝑡 , 𝑡 < 𝑘1
𝛽1 𝑡 + 𝛽2 (𝑥 − 𝑘1 ) , 𝑘1 ≤ 𝑡 < 𝑘2
f3(x) = (2.11)
𝛽1 𝑡 + 𝛽2 (𝑥 − 𝑘1 ) + 𝛽3 (𝑥 − 𝑘2 ) , 𝑘2 ≤ 𝑡 < 𝑘3
{𝛽1 𝑡 + 𝛽2 (𝑥 − 𝑘1 ) + 𝛽3 (𝑥 − 𝑘2 ) + 𝛽4 (𝑥 − 𝑘3 ) , 𝑡 ≥ 𝑘3

Salah satu metode yang digunakan untuk mengestimasi parameter regresi

nonparametric spline adalah ordinary least square (OLS). Metode OLS mengestimasi
parameter model regresi dengan meminimumkan jumlah kuadrat residual. Estimasi
parameter β dengan persamaan sebagai berikut:
β = (x’x)-1x’y (2.12)

Metode least square adalah metode yang digunakan untuk memperoleh estimasi
parameter β yaitu dengan meminimumkan jumlah kuadrat error. Apabila diasumsikan
error εi berdistribusi normal independen dengan rata rata nol dan variansi adalah σ2,
maka yi pada model regresi juga model normal dengan rata-rata f(xi) dan variansi adalah
σ2. Meminimunkan jumlah kuadrat error berdasarkan metode least square adalah
sebagai berikut:

9
 ∑𝑛𝑖=𝑙 𝜀𝑖2 = (𝑦𝑖 − 𝑔(𝑥𝑖 ))2 (2.13)

𝑗
∑𝑛𝑖=𝑙 𝜀𝑖2 = (𝑦𝑖 − [∑𝑚 𝑚 𝑚 2
𝑗=0 𝛽𝑗 𝑥𝑖 + ∑𝑗=0 𝛽𝑚+𝑗 (𝑥𝑖 − 𝑘𝑗 )+ ]) (2.14)

Dengan penyajian matriks diperoleh persamaan sebagai berikut:

∑𝑛𝑖=𝑙 𝜀̃𝑖2 = 𝜀̃ 𝑇 𝜀̃ = (𝑌̃ − 𝑋𝛽̃)𝑇 (𝑌̃ − 𝑋𝛽̃) = 𝑌̃ 𝑇 𝑌̃ − 2𝛽̃𝑇 𝑋 𝑇 𝑌̃ + 𝛽̃𝑇 𝑋 𝑇 𝑋𝛽̃ (2.15)

Selanjutnya, persamaan di atas di turunkan terhadap vektor 𝛽̃T dan disamakan

dengan nol, maka:
𝜕(𝜀̃ 𝑇 𝜀̃ ) ̃ 𝑇 𝑋 𝑇 𝑌̃+𝛽
𝜕(𝑌̃ 𝑇 𝑌̃−2𝛽 ̃ 𝑇 𝑋 𝑇 𝑋𝛽
̃)
̃𝑇 = ̃𝑇 =0 (2.16)
𝜕𝛽 𝜕𝛽

(−2𝑋 𝑇 𝑌̃ + 2𝑋 𝑇 𝑋𝛽̃) = 0 (2.17)

𝑋 𝑇 𝑋𝛽̃ = 𝑋 𝑇 𝑌 (2.18)

𝛽̂ = (𝑋 𝑇 𝑋)−1 𝑋 𝑇 𝑌̃ (2.19)

dimana:
1 𝑥1 … 𝑥1𝑚 (𝑥1 − 𝑘1 )𝑚 𝑚
+ … … (𝑥1 − 𝑘𝑗 )+
1 𝑥2 … 𝑥2𝑚 (𝑥2 − 𝑘1 )𝑚
+ … … (𝑥2 − 𝑘𝑗 )+
𝑚
X= (2.20)
……… … … …… …
[ 1 𝑥𝑛 … 𝑥𝑛𝑚 (𝑥𝑛 − 𝑘1 )𝑚
+ … … (𝑥𝑛 − 𝑘𝑗 )𝑚
+]

2.4 Pemilihan Titik Knot Optimal

Pada regresi nonparametrik spline menentukan titik knot optimal menjadi hal yang
sangat penting. Model regresi spline terbaik dihasilkan dari pemilihan titik knot yang
paling
~ optimal. Titik knot disebut juga parameter penghalus. Estimator spline sangat
tergantung pada parameter penghalus, sehingga pemilihan parameter penghalus
(smoothing parameter) merupakan hal yang penting dalam mencari estimator spline yang
paling sesuai. Wahba, G. dan Wang, Y. dalam Diana, et. all. (2012) memperlihatkan
bahwa jika nilai parameter penghalus kecil maka akan memberikan estimator spline yang
sangat kasar. Sebaliknya, jika nilai parameter penghalus sangat besar maka akan
menghasilkan estimator spline yang sangat mulus. Akibatnya perlu dipilih parameter
penghalus yang optimal agar diperoleh estimator spline yang paling sesuai untuk
mewakili data yang ada (Diana et. all., 2012).

10
 Terdapat beberapa metode yang dapat digunakan untuk pemilihan titik knot
optimal antara lain: Cross Validation (CV), Generalized Cross Validation (GCV),
Unbiased Risk (UBR) dan Generalized Maximum Likelihood (GML). Dalam penelitian
ini bertujuan untuk membandingkan hasil pemilihan titik knot optimum dengan metode
CV dan metode UBR.
2.4.1 Metode Cross Validation (CV)
Proses cross validation (CV) sendiri melibatkan konsep dua kelompok data, yaitu
kelompok data validasi (test data) dan kelompok data rill (training data) yang diambil
dari populasi yang sama. CV jika diterapkan ke dalam konsep bandwidth, maka
kelompok data validasi (test data) diambil dengan cara menghilangkan nilai titik data ke
untuk dibandingkan dengan kelompok data keseluruhan (training data) dengan cara
iterasi sampai diperoleh nilai CV minimum. Nilai bandwidth dikatakan optimum ketika
nilai CV yang dihasilkan minimum. Secara matematis, CV dapat dituliskan sebagai
berikut (Fotheringham, et. al., 2002):
𝐶𝑉 = ∑𝑛𝑖=1(𝑦𝑖 − 𝑦≠𝑖 (ℎ))2 (2.21)

dengan
y≠i(h) : penduga yi pada lokasi pengamatan (xi, vi) dihilangkan dari proses Pendugaan
ŷi : nilai variabel respon pada pengamatan ke-i
n : jumlah pengamatan

2.4.2 Metode Unbiased Risk (UBR)

Metode UBR adalah salah satu metode yang juga digunakan untuk memilih titik
knot optimal dalam pemilihan model spline terbaik. Adapun formula yang digunakan
dalam metode UBR adalah sebagai berikut:
1 2
𝜎 2 2 𝜎 2
𝑈(𝑘̃) = 𝑛 {‖(𝐼 − 𝐴(𝑘̃)) 𝑌̃‖ + 𝑛 𝑡𝑟𝑎𝑐𝑒[𝐼 − 𝐴(𝑘̃)] + 𝑛 𝑡𝑟𝑎𝑐𝑒[𝐴2 (𝑘̃)]} (2.22)

dimana:
‖[𝐼−𝐴(𝑘̃ )]𝑌̃‖2
σ =
2
̃ )]
(2.23)
𝑡𝑟𝑎𝑐𝑒 [𝐼−𝐴(𝑘

𝐴(𝑘̃) = 𝑋(𝑋 𝑇 𝑋)−1 𝑋 𝑇 (2.24)

I : matriks identitas
n : banyak pengamatan

11
 Secara kasat mata, perbedaan formula dari CV dan UB adalah terdapat pada
taksiran varians. Pada metode UBR terdapat taksiran varians, sementara pada metode CV
tidak ada.

2.5 Kriteria Pemilihan Model Terbaik

Tujuan dari analisis regresi salah satunya adalah untuk mendapatkan model terbaik.
Semakin baik model yang diperoleh melalui analisis regresi, maka model tersebut
semakin mampu untuk menjelaskan hubungan antara variabel prediktor dengan variabel
responnya. Salah satu kriteria yang sering digunakan dalam pemilihan model terbaik
adalah dengan menggunakan nilai Mean Square Error (MSE).
∑𝑛
𝑖=1(𝑦𝑖 −ŷ𝑖 )
2
MSE = (2.25)
𝑛−𝑚−1

dengan n menunjukkan jumlah pengamatan dan m menunjukkan jumlah parameter dalam

model. (Drapper dan Smith, 1992). Secara umum, semakin kecil nilai MSE yang
didapatkan.
Selain itu, kriteria pemilihan model terbaik dapat pula dilihat berdasarkan nilai
Radj. Karena adanya kelemahan dalam perhitungan R2, banyak peneliti yang
menyarankan untuk menggunakan Adjusted R Square. Adapun rumus untuk mencari
Adjusted R Square adalah sebagai berikut:
2 𝑀𝑆𝑒𝑟𝑟𝑜𝑟 ∑𝑛 (𝑦 −ŷ )2
𝑖 𝑖 𝑛−𝑚−1
𝑅𝑎𝑑𝑗 =1- = 1 − ( ∑𝑖=1
𝑛 (ŷ −ӯ )2 ) ( ) (2.26)
𝑀𝑆𝑡𝑜𝑡𝑎𝑙 𝑖=1 𝑖 𝑖 𝑛

Nilai Adjusted R Square dapat bernilai negatif, sehingga jika nilainya negatif, maka nilai
tersebut dianggap 0, atau variabel bebas sama sekali tidak mampu menjelaskan varians
dari variabel terikatnya.
Suatu sifat penting R2 adalah nilainya merupakan fungsi yang tidak pernah
menurun dari banyaknya variabel bebas yang ada dalam model. Oleh karenanya, untuk
membandingkan dua R2 dari dua model, orang harus memperhitungkan banyaknya
variabel bebas yang ada dalam model. Ini dapat dilakukan dengan menggunakan
“adjusted R square”. Istilah penyesuaian berarti nilai R2 sudah disesuaikan dengan
banyaknya variabel (derajat bebas) dalam model. Memang, R2 yang disesuaikan ini juga
akan meningkat bersamaan meningkatnya jumlah variabel, tetapi peningkatannya relatif
kecil. Seringkali juga disarankan, jika variabel bebas lebih dari dua, sebaiknya
menggunakan adjusted R square.

12
2.6 Pemeriksaan Asumsi Residual dalam Model Regresi
Uji asumsi residual (goodness of fit) dilakukan untuk mengetahui apakah residual
yang dihasilkan telah memenuhi asumsi yakni identik, independen, dan bersdistribusi
normal.
2.6.1 Asumsi Residual Identik
Asumsi identik terpenuhi bila varians antar residual sama yakni σ2 dan tidak terjadi
heteroskedastisitas.
Var(yi) = Var(εi) = σ2 ; i = 1, 2, ..., n (2.27)

Terpenuhi atau tidaknya asumsi identik dapat diketahui dengan melihat pola
sebaran scatter plot (diagram pencar) antara residual dan fits. Asumsi identik terpenuhi
dapat dideteksi dengan sebaran plot yang tidak membentuk suatu pola tertentu (tersebar
secara acak). Bila sebaran plot membentuk pola tertentu mengindikasikan adanya
heteroskesdastisitas. Selain menggunakan metode grafis, identifikasi heteroskesdastisitas
dapat dilakukan dengan menggunakan uji Glejser. Hipotesis yang digunakan adalah
sebagai berikut:
H0 : 𝜎12 = 𝜎12 = ... = 𝜎𝑛2 = σ2
H1 : Minimal ada satu 𝜎𝑖2 ≠ σ2 ; i=1, 2, ..., n
Statistik uji yang digunakan sebagaimana persamaan 2.31.
∑𝑛𝑖=1(|ê𝑖 |−|ē|)
2
𝑘−1
Fhitung = ∑𝑛 2 (2.28)
𝑖=1(|𝑒𝑖 |−|ê𝑖 |)
𝑛−𝑘

Fhitung > Ftabel (Fα;(k-1,n-k)) atau p-value < α. Nilai k adalah banyaknya parameter
model glejser.
2.6.2 Asumsi Residual Independen
Asumsi klasik kedua yang harus dipenuhi adalah tidak terdapat korelasi pada
residual yang ditunjukkan oleh nilai kovarian antara εi dan εj sama dengan nol.
Persamaan untuk ACF adalah sebagai berikut (Wei, 1990):
𝑐𝑜𝑣(𝑒𝑡 ,𝑒𝑡 +𝑘) 𝛾
ρk = = 𝛾𝑘 (2.29)
√𝑣𝑎𝑟(𝑒𝑡 )√𝑣𝑎𝑟(𝑒𝑡 +𝑘) 𝑜

dimana:
ρk = korelasi antara et dan et+k
γk = kovarian antara et dan et+k
γo = Var (et) = Var (et+k)

13
 Interval konfidensi dengan batas signifikansi atas dan bawah adalah sebagai
berikut:
𝑧𝛼/2 𝑧𝛼/2
< ρk < (2.30)
√𝑛 √𝑛

Bila terdapat lag yang keluar dari batas signifikansi maka dapat dikatakan asumsi
independen tidak terpenuhi (adanya autokorelasi). Begitu sebaliknya, bila tidak terdapat
lag yang keluar dari batas signifikansi menunjukkan bahwa asumsi independen
terpenuhi.
2.6.3 Asumsi Normalitas Residual
Residual dari model regresi harus mengikuti distribusi normal dengan mean nol
dan varians σ2. Adapun uji hipotesis yang digunakan unuk pengujian asumsi normalitas
residual adalah sebagai berikut:
H0 : Residual mengikuti distribusi normal
H1 : Residual tidak mengikuti distribusi normal
Uji asumsi distribusi normal dapat dilakukan menggunakan uji Anderson-Darling.
Anderson-Darling merupakan modifikasi dari uji Kolmogorov-Smirnov (KS). Nilai kritis
dalam uji KS tidak tergantung pada distribusi tertentu uang sedang diuji sedangkan uji
Anderson-Darling memanfaatkan distribusi tertentu dalam menghitung nilai kritis. Ini
memiliki keuntungan yang memungkinkan tes yang lebih sensitif. Statistik uji yang
digunakan adalah sebagai berikut:
1
A = ˗ n ˗ 𝑛 ∑𝑛𝑖=1[2𝑖 − 1][𝑙𝑛(𝐹(𝑍𝑖 )) + 𝑙𝑛 (1 − 𝐹(𝑍𝑛+1−𝑖 ))] (2.31)

dimana:
xi = data ke-i yang telah diurutkan
Zi = data xi yang di standarisasi
𝑥̅ = rata-rata data
F(Zi) = nilai fungsi distribusi kumulatif normal baku di zi
Selain itu, dalam penelitian ini juga menggunakan uji Shapiro-Wilk untuk
melakukan uji asumsi normalitas. Dengan hipotesis yang sama keputusan uji normalitas
data adalah dengan melihat sig. atau p value < (α) 0,05 maka H0 gagal ditolak.

14
2.7 Uji Parameter Model
Uji parameter dilakukan untuk mengetahui apakah suatu variael memberikan
pengaruh yang signifikan dalam model. Uji untuk parameter dapat diuji secara serentak
dan uji secara individu.
2.7.1 Uji Serentak
Uji serentak adalah uji signifikansi model secara keseluruhan atau untuk
mengetahui apakah semua variabel prediktor yang dimasukkan ke dalam model
memberikan pengaruh secara bersama-sama. Hipotesis yang digunakan untuk pengujian
secara serentak adalah sebagai berikut:
H0 : β1 = β2 = … = βq = βq+1 = … = βq+r = 0
H1 : paling sedikit ada satu βj ≠ 0; j = 1, 2, …, q + r
Statistik uji yang digunakan adalah
𝑀𝑆
Fhitung = 𝑀𝑆 𝑟𝑒𝑔𝑟𝑒𝑠𝑖 (2.32)
𝑟𝑒𝑠𝑖𝑑𝑢𝑎𝑙

Berikut adalah Analysis of Variance (ANOVA) dari model regresi

Tabel 2.1 Analysis of Variance (ANOVA) dari model regresi
Sumber Degree of Sum of Square Mean Square Fhitung
Variansi Fredom (df)
𝑛
Regresi m ∑𝑛𝑖=1(ŷ𝑖 − 𝑦)2 Fhitung =
2
∑(ŷ𝑖 − 𝑦) 𝑚 𝑀𝑆𝑟𝑒𝑔𝑟𝑒𝑠𝑖
𝑖=1 𝑀𝑆𝑟𝑒𝑠𝑖𝑑𝑢𝑎𝑙
𝑛
Error n–m–1 ∑𝑛𝑖=1(𝑦𝑖− ŷ𝑖 ) 2
∑(𝑦𝑖 − ŷ𝑖 )2 𝑛−𝑚−1
𝑖=1
𝑛
Total n–1
∑(𝑦 − 𝑦)2
𝑖=1

m merupakan banyak variabel prediktor dan n adalah banyaknya data atau observasi
pengamatan (Draper and Smith, 1992).
Tolak H0 jika Fhit ≥ Fα;(m,n-m-1) atau p-value < α yang menunjukkan bahwa paling
sedikit terdapat satu parameter yang tidak sama dengan nol atau paling sedikit terdapat
satu prediktor yang berpengaruh signifikan terhadap respon.

15
 2.7.2 Uji Individu
Uji individu digunakan untuk memgetahui perameter yang berpengaruh signifikan
secara individu terhadap model menggunakan uji t. Hipotesis pada uji t adalah sebagai
berikut:
Ho : βh = 0
H1 : βh ≠ 0; h = 1, 2, …, m
Statistik uji yang digunakan sebagaimana persamaan di bawah ini
𝛽
thitung = 𝑠𝑒(𝛽ℎ (2.33)
ℎ)

dengan :
βh = penaksir parameter ke-h
se(βh) = standar error βh = √𝑣𝑎𝑟(𝛽) dan var(β) sebagai berikut:
var(β) = MSE (X’ X)-1
Daerah penolakan yang diguankan adalah dengan membandingkan nilai thitung
dengan ttabel. Keputusan akan bernilai tolak Ho jika │thitung │ttabel yang berarti bahwa
parameter berpengaruh secara signifikan terhadap model (Draper & Smith, 1992).

2.8 Angka Kematian Bayi

Kematian yang terjadi pada bayi usia 0-11 bulan (termasuk neonatal). Angka
kematian bayi per 10000 Kelahiran Hidup (KH) adalah jumlah bayi usia 0 – 11 bulan
yang meninggal di suatu wilayah pada kurun waktu tertentu per jumlah kelahiran hidup
di wilayah dan pada kurun waktu yang sama dikalikan 1000 KH (Kemenkes RI, 2018).

2.9 Faktor-faktor yang Mempengaruhi Kematian Bayi

2.9.1 Kunjungan Ibu Hamil K4
Pelayanan Kesehatan ibu hamil diberikan kepada ibu hamil yang dilakukan oleh
tanaga Kesehatan di fasilitas pelayanan Kesehatan. Proses ini dilakukan selama rentang
usia kehamilan ibu yang dikelompokkan sesuai kehamilan menjadi trimester pertama,
trimester kedua, dan trimester ketiga.
Kunjungan ibu hamil K4 adalah jumlah ibu hamil yang telah memperoleh
pelayanan antenatal sesuai dengan standar paling sedikit empat kali sesuai jadwal yang
dianjurkan di tiap trimester dibandingkan jumlah sasaran ibu hamil di satu wilayah kerja
pada kurun waktu satu tahun. Indikator tersebut memperlihatkan akses pelayanan

16
Kesehatan terhadap ibu hamil dan tingkat kepatuhan ibu hamil dalam memeriksakan
kehamilan ke tenaga Kesehatan (Kemenkes RI, 2018).
K4 tidak terpenuhi berisiko 4,3 kali untuk melahirkan anak yang akan meninggal
pada masa neonatal dini dibandingkan ibu dengan K4 terpenuhi setelah dikontrol oleh
variabel usia kehamilan dan komplikasi persalinan. Pada ibu kelompok umur tidak
berisiko (20-35 tahun), K4 tidak terpenuhi mempunyai risiko hampir sama dengan ibu
yang K4 terpenuhi untuk mengalami kematian neonatal dini setelah dikontrol variabel
usia kehamilan komplikasi persalinan. Pada ibu yang mengalami komplikasi persalinan,
dengan K4 tidak terpenuhi berisiko 2,8 kali untuk mengalami kematian neonatal dini
dibandingkan dengan K4 terpenuhi setelah dikontrol oleh variabel usia kehamilan dan
umur ibu.
2.9.2 Penanganan Komplikasi Neonatal
Komplikasi neonatal adalah neonates dengan penyakit dan/atau kelainan yang
dapat menyebabkan kecacatan atau kematian seperti asfiksia, icterus, hipotermia, tetanus
neonatorum, infeksi/sepsis, trauma lahir, BBLR (Berat Lahir < 2,5kg), sindroma
gangguan pernapasan, dan kelainan kongenital lainnya yang membutuhkan penanganan
pelayanan Kesehatan sesuai standar oleh tenaga Kesehatan (dokter, bidan, atau perawat).
Penanganan neonatal dengan komplikasi adalah penanganan terhadap neonatal
sakit dan/atau neonatal dengan kelainan atau komplikasi atau kegawatdaruratan yang
mendapat pelayanan sesuai standar oleh tenaga kesehatan terlatih baik di rumah, sarana
pelayanan Kesehatan dasara maupun sarana pelayanan kesehatan rujukan. Pelayanan
sesuai standar antara lain sesuai dengan MTBM, manajemen Asfiksia Bayi Baru Lahir,
manajemen Bayi Berat Lahir Rendah, pedoman pelayanan neonatal essensial di tingkat
pelayanan Kesehatan dasar, PONED, PONEK, atau standar operasional pelayanan
lainnya.
Masalah utama sebagai penyebab kematian bayi dan balita terdapat saat neonatal.
Sebanyak 60% kematian bayi terjadi pada saat neonatal. Di Indonesia penyebab utama
kematian neonatus adalah prematuritas (35,5%), asfiksia dan trauma (21,6%), dan
anomali kongenital (17,1%) (UNICEF, 2015).
2.9.3 Pertolongan Persalinan Oleh Tenaga Kesehatan
Pertolongan persalinan adalah proses pelayanan persalinan yang dimulai pada
kala I sampai dengan kala IV persalinan. Pencapaian upaya kesehatan ibu bersalin diukur
melalui indikator persentase persalinan ditolong tenaga kesehatan terlatih (Cakupan Pn).
Pelayanan persalinan berkualitas yang ditolong oleh tenaga Kesehatan terlatih. Jika

17
persalinan dilakukan di fasilitas pelayanan Kesehatan, juga akan semakin menekan risiko
kematian bayi (Kemenkes RI, 2018).
Pertolongan persalinan menjadi faktor yang paling kuat atau paling dominan
berhubungan dengan kematian neonatal dikarenakan masih cukup tinggi ibu yang
bersalin ditolong oleh dukun. Penyebab masih tingginya persalinan yang dilakukan oleh
dukun karena kehamilan yang bermasalah atau kehamilan yang tidak diinginkan
(Pramono dan Sadewo, 2012).
2.9.4 Pelayanan Kesehatan Bayi
Kesehatan bayi harus selalu dipantau untuk memastikan Kesehatan mereka selalu
dalam kondisi optimal. Pelayanan Kesehatan bayi termasuk salah satu dari beberapa
indicator yang bisa menjadi ukuran keberhasilan upaya peningkatan Kesehatan bayi dan
balita. Pelayanan kesehatan pada bayi ditunjukkan pada bayi usia 29 hari sampai dengan
11 bulan dengan memberikan pelayanan kesehatan sesuai dengan satndar tenaga
kesehatan yang memiliki kompetensi klinis Kesehatan minimal 4 kali, yaitu pada usia 29
hari-2 bulan, usia 3-5 bulan, usa 6-8 bulan, dan usia 9 – 12 bulan sesuai dengan standar
di wilayah kerja pada kurun waktu tertentu.
Pelayanan ini terdiri dari penimbangan berat badan, pemberian imunisasi dasar
(BCG, DPT/HB1-3, Polio 1-4, dan Campak), stimulasi deteksi intervensi dini tumbuh
kembang (SDIDTK) bayi, pemberian vitamin A pada bayi, penyuluhan perawatan
kesehatan bayi serta penyuluhan ASI eksklusif dan pemberian makanan pendamping ASI
(MP ASI).
Faktor yang berperan terhadap peningkatan pelayanan Kesehatan bayi adalah
penanganan bayi lahir premature, kasus komplikasi yang ditangani dengan baik dan
pelayanan ANC dan kontak ibu nifas yang sesuai standar sehingga kematian bayi dapat
diturunkan (Tarigan et. al., 2017).
2.9.5 Imunisasi Dasar Lengkap Pada Bayi
Imunisasi melindungi anak terhadap beberapa penyakit yang dapat dicegah
dengan imunisasi (PD3I). seorang anak diimunisasi dengan vaksin yang disuntikkan
pada lokasi tertentu atau diteteskan melalui mulut.
Sebagai salah satu kelompok yang menjadi sasaran program imunisasi, setiap
bayi wajib mendapatkan imunisasi dasara lengkap yang terdiri dari 1 dosis BCG, 3 dosis
DPT-HB, dan/atau DPT-HB-Hib, 4 dosis polio, dan 1 dosis campak. Imunisasi dasar
lengkap yang diwajibkan tersebut, campak merupakan imunisasi yang mendapat
perhatian lebih, komitmen Indonesia pada global untuk mempertahankan cakupan

18
imunisasi camak sebesar 90% secara tinggi dan merata. Hal ini terkait dengan realita
bahwa campak adalah salah satu penyebab utama kematian pada bayi. Dengan dimikikan
pencegahan campak memiliki peran signifikan terhadap penurunan angka kematian bayi
(AKB).
Imunisasi pada bayi mengharapkan agar setiap bayi mendapatkan kelima jenis
imunisasi dasar lengkap. Keberhasilan seorang bayi dalam mendapatkan 5 jenis
imunisasi dasar tersebut diukur melalui indikator imunisasi dasar lengkap (Triana, 2016).
Imunisasi merupakan bentuk intervensi kesehatan yang sangat efektif dalam
menurunkan angka kematian bayi dan balita. Dengan imunisasi, berbagai penyakit
seperti TBC, difteri, pertussis, tetanus, hepatitis B, dan lainnya dapat dicegah.
Pentingnya imunisasi dapat dilihat dari banyaknya balita yang meninggal akibat penyakit
yang dapat dicegah dengan imunisasi (PD3I). Hal ini sebenarnya tidak perlu terjadi
karena penyakit tersebut bisa dicegah dengan imunisasi (Hidayah, Sihotang, dan Lestari,
2018).
2.9.6 Berat Badan Lahir Rendah (BBLR)
Berat badan lahir bayi adalah berat badan bayi yang ditimbang dalam waktu satu
jam peratama setelah lahir. Jika dilihat dari hubungan antara waktu kelahiran dengan
umur kehamilan, kelahiran bayi dapat dikelompokkan menjadai tiga.pertama yakni
kelompok bai kurang bulan (prematur), yaitu bayi yang dilahirkan dengan masa
kehamilan <35 minggu atua <259 hari. Kedua, bayi cukup bulan, yaitu bayi yang
dilahirkan dengan masa kehamilan antara 37-42 minggu atau antara 259 – 293 hari.
Kelompok ketiga adalah bayi lebih bulan, yaitu bayi yang dilahirkan dengan usia
kehamilan >42 minggu atau >294 hari.
Masalah BBLR terutama pada kelahiran premature terjadi karena ketidaksiapan
system organ pada bayi tersebut. Bayi berat lahir rendah mempunyai kecenderungan kea
rah peningkatan terjadinya infeksi dan mudah terserang komplikasi. Masalah pada BBLR
yang sering terjadi adalah gangguan pada system pernapasan, susunan saraf pusat,
kardiovaskular, hematologik, gastro intestinal, ginjal, dan termoregulasi.
BBLR merupakan faktor utama kematian perinatal dan neonatal. Pengaruh berat
lahir terhadap hidup neonatal bergantung pada paritas ibu, semakin tinggi paritas maka
semakin besar risiko bayi BBLR yang mengalami kematian pada periode neonatal.
Risiko kematian neonatal bayi BBLR tidak berbeda secara bermakna dengan bayi berat
normal yang halir dari ibu dengan paritas primipara. Risiko kematian neonatal BBLR
peritas grande multipara (HR=3,8) lebih tinggi daripada peritas multipada (HR=2,95).

19
 Probabilitas kumulatif kelangsungan hidup neonatal di Indonesia sekitar 98,49%,
tetapi diperkirakan overestimate. Semakin rendah berat lahir, probabilitas kelangsungan
hidup neonatal juga semakin rendah. Pengaruh berat lahir terhadap kelangsungan hidup
neonatal tergantung pada paritas ibu setelah dikontrol variabel jarrah kelahiran dan
daerah tempat tinggal. Semakin banyak peritas ibu, semakin tinggi risiko bayi BBLR
yang mengalami kematian pada usia neonatal (Simbolon, 2012).

20
 BAB 3
KERANGKA KONSEP

3.1 Kerangka Konsep

ANALISIS REGRESI

BENTUK KURVA REGRESI

Diketahui Sebagian diketahui, Tidak diketahui

Sebagian tidak diketahui

PARAMETRIK SEMI PARAMETRIK NON PARAMETRIK

− Regresi Linier − Kernel Spline

− Regresi Kuadrat − Wavelets
− Regresi Kubik − Fourier
− Regresi Polinominal, dll − MARS, dll

Metode Pemilihan Titik Knot Optimal

CV UBR GCV GML

Sosioekonomi
- Budaya - Ekonomi
- Sosial - Masyarakat
- Faktor regional

Pelayanan Kesehatan
- Kunjungan Ibu Hamil K4
- Pertolongan Persalinan dengan nakes
- Komplikasi Neonatal yang ditangani
- Pelayanan Kesehatan Bayi
- Imunisasi Dasar lengkap
Jumlah Kematian Bayi

Faktor Bayi
- BBLR
- Kelainan kongenital
- Asfiksia
- Penyakit infeksi

Faktor Ibu
- Usia - Paritas
- Jarak Kelahiran - KB

Gambar 3.1 Kerangka Konsep Penelitian

21
3.2 Hipotesis
Pendekatan regresi nonparametrik spline truncated digunakan jika kurva regresi
antara variabel respon dengan variabel prediktor tidak membentuk suatu pola atau tidak
ada informasi masa lalu yang lengkap mengenai pola data. Dalam banyak hal,
pengamatan yang dilakukan dikaji tidak selalu memenuhi asumsi yang mendasari uji
parametrik sehingga kerap kali dibutuhkan teknik inferensial dengan validitas yang
tidak bergantung pada asumsi yang kaku.
Terdapat beberapa metode untuk memilih titik knot yang optimal dalam regresi
nonparametik spline truncated antara lain metode Cross Validation (CV) yang
diberikan oleh Craven dan Wahba (1979), Unbiased Risk (UBR) yang diberikan oleh
Wang (1997), Generalized Cross Validation (GCV) yang diberikan oleh Wahba (1990),
dan Generalized Maximum Likelihood (GML) oleh Wahba (1990). Pada penelitian ini
digunakan metode CV dan UBR. Data jumlah kematian bayi dalam penelitian ini akan
dimodelkan dengan menggunakan regresi nonparametrik spline truncated.
Berdasarkan konsep “framework for child survival” oleh Mosleydan Chen yang
mengemukakan bahwa terdapat 2 determinan yaitu determinan sosial-ekonomi atau
eksogenous (seperti budaya, sosial, ekonomi, masyarakat, dan faktor regional) dan
determinan terdekat atau endogenous yang meliputi faktor ibu, faktor anak, faktor
lingkungan, dan faktor pelayanan kesehatan.
Pada penelitia ini sebagai variabel dependen (y) adalah jumlah kematian bayi
pada setiap puskesmas di Kabupaten Probolinggo sedangkan sebagai variabel
independent (x) yaitu kunjungan ibu hamil K4, penanganan komplikasi neonatal,
pertolongan persalinan oleh tenaga kesehatan, pelayanan kesehatan bayi, imunisasi
dasar lengkap pada bayi, dan berat badan lahir rendah (BBLR).

22
 BAB 4
METODE PENELITIAN

4.1 Jenis Penelitian

Penelitian yang dilakukan merupakan jenis penelitian Non-Reactive, artinya
peneliti tidak melakukan pengambilan data langsung kepada subjek penelitian (data
primer). Pengukuran secara Non-Reactive disebut juga Unobtrusif Method, artinya
subjek penelitian tidak menyadari bahwa dirinya sudah menjadi bagian dari studi tetapi
meninggalkan bukti dari perilaku sosial ilmiah (Kuntoro, 2011).

4.2 Rancang Bangun Penelitian

Rancang bangun penelitian ini menggunakan data sekunder dari Profil Kesehatan
Dinas Kesehatan Kabupaten Probolinggo Tahun 2022, berupa jumlah kematian bayi,
persentase kunjungan ibu hamil K4, persentase pertolongan persalinan oleh tenaga
kesehatan, persentase komplikasi neonatal yang ditangani, persentase pelayanan
kesehatan bayi, persentase imunisasi dasar lengkap, dan persentase BBLR.

4.3 Lokasi dan Waktu Penelitian

Penelitian ini dilaksanakan di Kabupaten Probolinggo pada Tahun 2024.

4.4 Populasi dan Sampel

4.4.1 Populasi
Populasi penelitian ini adalah seluruh kematian bayi di Kabupaten Probolinggo
pada tahun 2022.
4.4.2 Sampel, Teknik Pengambilan Sampel, dan Besar Sampel
Sampel penelitian ini adalah sebagian kejadian kematian bayi yang terdata oleh
Dinas Kesehatan Kabupaten Probolinggo Tahun 2022. Teknik pengambilan sampel pada
penelitian ini adalah multistage random sampling yang telah divalidasi oleh BPS dengan
menggunakan data Profil Kesehatan Kabupaten Probolinggo Tahun 2022.

23
4.5 Kerangka Operasional

MULAI

Mengumpulkan data

Membuat scatterplot
dan uji normalitas

Bentuk kurva tidak diketahui dan data Bentuk kurva diketahui dan data
tidak berdistribusi normal berdistribusi normal

Memodelkan data menggunakan Regresi Linier

spline truncated linier dengan satu
dan dua titik knot

Menghitung nilai Menghitung nilai

CV UBR

Menentukan titik Menentukan titik

knot optimal dengan knot optimal dengan
nilai CV minimum nilai UBR minimum

Mengestimasikan model spline (uji

signifikansi parameter dan uji asumsi
residual)

Memiliki model terbaik dengan

melihat R2adj dan MSI

Interpretasi model

SELESAI

Gambar 4.1 Kerangka Operasional

24
4.6 Variabel Penelitian, Definisi Operasional, dan Cara Pengukuran Variabel
Tabel 4.1 Variabel Penelitian, Definisi Operasional, dan Cara Pengukuran Variabel

Definisi Sumber
No. Variabel Cara Pengukuran Skala
Operasional Data
Variabel Dependen
1. Kematian Jumlah kematian Jumlah bayi Dinas Rasio
Bayi (Y) yang terjadi pada berusia kurang Kesehatan
bayi sebelum dari 1 tahun yang Kabupaten
mencapai usia satu meninggak di Probolinggo,
tahun (termasuk suatu wilayah Tahun 2022
neonatal). tertentu selama 1
tahun
Variabel Independen
2. Kunjungan Persentase ibu (Jumlah ibu hamil Dinas Rasio
Ibu Hamil hamil yang yang Kesehatan
K4 (X1) mendapatkan mendapatkan Kabupaten
pelayanan antenatal pelayanan Probolinggo,
sesuai standar antenatal sesuai Tahun 2022
paling sedikit 4 standar paling
kali. sedikit 4 kali pada
kurun waktu
tertentu / jumlah
seluruh ibu hamil
di satu wilayah
kerja dalam kurun
waktu tertentu) x
100%
3. Penanganan Persentase neonatal (Jumlah neonatal Dinas Rasio
Komplikasi dengan komplikasi dengan Kesehatan
Neonatal di satu wilayah komplikasi yang Kabupaten
(X2) kerja pada kurun ditangani pada Probolinggo,
waktu tertentu yang kurun waktu Tahun 2022
ditangani sesuai tertentu di
dengan standar oleh Puskesmas / 15%
tenaga kesehatan dari jumlah bayi
yang terlatih. lahir hidup pada
wilayah dan
kurun waktu yang
sama) x 100%
4. Pertolongan Persentase ibu (Jumlah ibu Dinas Rasio
Persalinan hamil yang bersalin yang Kesehatan
oleh Tenaga memperoleh memperoleh Kabupaten
Kesehatan pertolongan pertolongan Probolinggo,
(X3) persalinan oleh persalinan oleh Tahun 2022
tenaga kesehatan tenaga kesehatan /
yang memiliki jumlah seluruh
kompetensi ibu hamil di satu

25
 Definisi Sumber
No. Variabel Cara Pengukuran Skala
Operasional Data
kebidanan. wilayah kerja
dalam kurun
waktu tertentu) x
100%
5. Pelayanan Persentase (Jumlah bayi Dinas Rasio
Kesehatan pelayanan berumur 29 hari – Kesehatan
Bayi (X4) kesehatan pada bayi 1 bulan yang Kabupaten
minimal 4 kali memperoleh Probolinggo,
yaitu satu kali pada pelayanan Tahun 2022
umur 29 hari-2 kesehatan sesuai
bulan, 1 kali pada standar minimal 4
umur 3-5 bulan, 1 kali / jumlah
kali pada umur 6-8 seluruh bayi di
bulan, dan 1 kali satu wilayah pada
pada umur 9-11 kurun waktu yang
bulan. sama) x 100%
6. Imunisasi Persentase bayi usia (Jumlah bayi Dinas Rasio
Dasar 0-11 bulan yang yang Kesehatan
Lengkap mendapatkan mendapatkan Kabupaten
Pada Bayi imunisasi dasar imunisasi dasar Probolinggo,
(X5) lengkap meliputi 1 lengkap / jumlah Tahun 2022
dosis imunisasi bayi (surviving
Hepatitis B, 1 dosis infants) pada
imunisasi BCG, 3 wilayah dan
dosis imunisasi periode yang
DPT-HB/DPT-HB- sama) x 100%
Hib, 4 dosis
imunisasi polio,
dan satu dosis
imunisasi campak.
7. Berat Badan Persentase bayi (Jumlah bayi Dinas Rasio
Lahir dengan berat lahir dengan berat lahir Kesehatan
Rendah kurang dari 2.500 rendah di satu Kabupaten
(BBLR) gram. wilayah kerja Probolinggo,
(X6) dalam kurun Tahun 2022
waktu tertentu /
jumlah bayi lahir
hidup yang di
timbang di satu
wilayah kerja
dalam kurun
waktu yang sama)
x 100%

26
4.7 Teknik dan Prosedur Pengumpulan Data
Pengumpulan data dilakukan dengan cara mencatat data sekunder sesuai dengan
kebutuhan analisis yang diperoleh dari Profil Kesehatan Kabupaten Probolinggo Tahun
2022.

4.8 Pengolahan dan Analisis Data

Analisis data dilakukan dengan menggunakan software R studio. Adapun langkah
analisis yang dilakukan adalah sebagai berikut:
1) Mempersiapkan data (tabulasi data)
a. Persiapan data dilakukan dengan menginput data ke office excel sesuai
kebutuhan untuk koreksi perhitungan hasil per variabel independen dan
dependen.
b. Menginput data variabel independen dan dependen hasil koreksi ke software R
studio.
2) Membuat scatterplot antar variabel independen dan dependen serta melakukan uji
normalitas. Apabila pada scatterplot bentuk kurva diketahui membentuk pola
tertentu, serta hasil uji normalitas data menunjukkan berdistribusi normal maka
dilanjutkan dengan analisis regresi parametrik. Apabila pada scatterplot bentuk
kurva tidak diketahui (tidak membentuk pola tertentu), serta hasil uji normalitas
menunjukkan data tidak berdistribusi normal amaka dilanjutkan dengan analisis
regresi nonparametrik spline truncated.
3) Analisis regresi nonparametrik spline truncated dengan menggunakan metode Crozz
Validation (CV) dan metode Unbiased Risk (UBR) pada satu dan dua titik knot.
4) Menghitung nilai CV dan UBR untuk masing-masing model regresi nonparametrik
spline truncated dengan satu dan dua titik knot.
5) Memodelkan data menggunakan regresi nonparametrik spline truncated dengan satu
dan dua titik knot dari metode CV dan metode UBR.
6) Menentukan model terbaik berdasarkan titik knot optimal berdasarkan nilai minimal
dari metode CV dan UBR.
7) Melakukan pengujian signifikansi parameter yang dihasilkan dari estimasi model
regresi nonparametrik spline truncated dengan metode CV dan metode UBR.
Uji Serentak
Hipotesis Pengujian
H0 : β1 = β2 = ... = β24 = 0

27
 H1 : minimal terdapat satu βj ≠ 0, j = 1, 2, ..., 24
Dengan kriteria penolakan H0 jika p value < 0,05
8) Melakukan uji asumsi residual yang dihasilkan dari estimasi model regresi
nonparametrik spline truncated dengan metode CV dan metode UBR.
a. Uji asumsi residual identik
Hipotesis pengujian
H0 : σ21 ≠ σ22 = ... = σ2n = σ2
H1 : paling sedikit ada satu σ21 ≠ σ2: i = 1, 2, ..., n
Dengan kriteria penolakan H0 jika p value < 0,05
b. Uji asumsi residual independen
Dengan melihat grafik Autocorrelation function (ACF), apabila terdapat lag yang
keluar dari batas signifikansi maka dapat dikatakan asumsi independen tidak
terpenuhi (adanya autokorelasi). Begitu sebaliknya, bila tidak terdapat lag yang
keluar dari batas signifikansi menunjukkan bahwa asumsi independen terpenuhi.
c. Uji asumsi residual distribusi normal
H0 : Residual berdistribusi normal
H1 : Residual tidak berdistribusi normal
Dengan kriteria penolakan H0 jika p value < 0,05
9) Melakukan perbandingan model regresi nonparametrik spline truncated dengan
metode CV dan metode UBR berdasarkan kriteria nilai R2 adjusted dan Mean
Square Error (MSE) model regresi terbaik adalah model yang memenuhi kriteria R2
adjusted terbesar dan Mean Square Error (MSE) terkecil.

28
 DAFTAR PUSTAKA

Budiantara, I.N. 2001. Regresi Nonparametrik dan Semiparametrik Serta Perkembangannya.

Makalah Pembicara Utama pada Seminar Nasional Alumni Pasca Sarjana Matematika
Universitas Gajah Mada, Yogyakarta.
Budiantara, I.N. 2004. Konsistensi Estimator Spline Terbobot Berdasarkan Kriteria
Integrated Mean Square Error. Prosiding Konferensi Nasional Matematika XII,
Himpunan Matematika Indonesia Jurusan Matematika FMIPA UNUD Bali.
Budiantara, I.N. 2005. Model Keluarga Spline Polinomial Truncated dalam Regresi
Semiparametrik. Berkala MIPA 15(3), 55-61, Institut Teknologi Sepuluh Nopember,
Surabaya.
Budiantara, I.N. 2007. Pendugaan Model Fertilitas Wanita di Indonesia dengan
Menggunakan Regresi Spline. Laporan Akhir Pelaksanaan Penelitian Studi Kajian
Wanita Tahun Anggaran 2007, LPPM Teknologi Sepuluh Nopember, Surabaya.
Budiantara, I.N. 2009. Spline dalam Regresi Nonparametrik dan Semiparametrik Sebuah
Pemodelan Statistika Masa Kini dan Masa Mendatang. Surabaya: ITS Press, Institut
Teknologi Sepuluh Nopember Surabaya.
Diana. R, Budiantara, I N, dan Darmesto S. 2012. Estimator Smoothing Spline dalam Regresi
Nonparametrik Multivariabel. Prosiding Seminar Nasional Matematika.
Drapper, N.R. dan Smith, H. 1992. Analisis Regresi Terapan. Edisi Kedua. Jakarta: PT
Gramedia Pustaka Utama.
Eubank, R.L. 1999. Nonparametric Regression and Spline Smoothing. New York: Marcel
Dekker.Inc.
Fotheringham, et. al. 2002. Geographically Weighted Regression: The Analysis of Spatially
Varying Relationships. John Wiley and Sons, USA.
Green, P.J. and Silverman, B.W. 1994. Nonparametric Regression and Generalized Linear
Model. Chapman & Hall, London.
Hardle, W. 1990. Applied Nonparametric Regression. New York: Cambridge University
Press.
Hidayah, N., Sihotang, H. M. and Lestari, W. 2018. Faktor Yang Berhubungan Dengan
Pemberian Imunisasi Dasar Lengkap Pada Bayi Tahun 2017. Jurnal Endurance, 3(1),
p.153, doi:10.22216/jen.v3i1.2820.
Kementerian Kesehatan RI. 2018. Hasil Riset Kesehatan Dasar (Riskesdas) 2018. Jakarta:
Badan Penelitian dan Pengembangan Kesehatan Kementerian RI.

29
Kuntoro, Haji. 2011. Metode Statistika Edisi Revisi. Surabaya: Pustaka Melati.
Memmedli, M. and Nizamitdinov, A. 2012. An Application of Various Nonparametric
Techniques by Nonparametric Regression Splines. The International Journal of
Mathematical Models and Methods in Applied Sciences, Vol. 06, pp. 106-112.
Montoya, E., Ulloa, N. dan Miller, V. 2014. A Simulation Study Comparing Knot Selection
Methods With Equally Spaced Knots in a Penalized Regression Spline. International
Journal of Statistics and Probability, pp.Vol. 3, No. 3.
Pramono, Mochamad Setyo dan Sadewo, FX. Sri. 2012. Analisis Keberadaan Bidan Desa
dan Dukun Bayi di Jawa Timur. Buletin Penelitian Sistem Kesehatan Vol. 15 No. 3:
305-313.
Simbolon, D. 2012. Berat Lahir dan Kelangsungan Hidup Neonatal di Indonesia. Kesmas
National Public Health Journal, 7(1): pp.8-15.
Tarigan et. al. 2017. Faktor-Faktor yang Berhubungan Dengan Pelayanan Bayi di Indonesia.
Jurnal Kesehatan Reproduksi 8, 104–118.
UNICEF. 2015. Levels and Trends in Child Mortality. New York: Fund UNCs.
Wahba, G. 1990. Spline Models For Observasion Data. SIAM Pensylvania.
Wang, Y. 1998. Smoothing Spline Models With Correlated Random Errors. Journal of The
American Statistical Association. Vol. 93. No. 441. Hal. 341-348.
Wei, W.W.S. 1990. Time Series Univariate and Multivariate Methods. Canada: Addison
Wesley Publishing Company, Inc.

30