Upload
phamque
View
219
Download
0
Embed Size (px)
Citation preview
Dosen Pembimbing
Dr.rer.pol. Heri KuswantoOleh
Veni Freista H. (1308100054)
JURUSAN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT TEKNOLOGI SEPULUH NOPEMBER
SURABAYA
2011
Pendahuluan
Tinjauan Pustaka
Metodologi Penelitian
Analisis dan Pembahasan
Kesimpulan dan Saran
LATAR BELAKANG
Angka Kematian Bayi(AKB) sebagai
Indikator Kesehatan
MileniumDevelopment Goals (MDGs)
AKB Jawa Timurmenurun namuntergolong tinggi
Persentase persalinandengan bantuan non medis
Ardiyanti (2010)Beberapa penelitiantelah dilakukanmenggunakan
regresiFaktor utama: jumlah saranakesehatan, jumlah tenaga medis, dan %persalinan dengan bantuannon medisFaktor lain :rata-rata jumlahpengeluaran RT,rata-rata pemberianASI eksklusif, % rumah tangga yang memiliki air bersih, dan%penduduk miskin
Rani (2011)
Model tunggal
Basilia (2003)
Faktor pemeriksaankehamilan, pelayanankesehatan, tersedianyaposyandu, pendidikan ibu, dan penolong persalinan.
Bayesian Model Averaging (BMA) untuk Model yang
tidak pasti
LATAR BELAKANG
Penelitian sebelumnyatentang aplikasi BMA
Raftery, dkk(1998)
BMA memberikankeakuratan hasil prediksi
yang lebih tinggidaripada regresi linier
Volinsky (1997), Hoeting, dkk(1999), Liang, dkk (2001), Madigan (1994), Mubwandarikwa, dkk (2005), Montgomery dan Nyhan(2010), Viallefont, dkk (2001)
Bayesian Model Averaging (BMA)
BMA belum pernahdigunakan untuk
memodelkan kasus diIndonesia
Prinsip dasar BMA adalahmemprediksi model
terbaik berdasarkan rata-rata terboboti dari seluruh
model terbaiknya
Hasil dari estimasi mencakupsemua sehingga bisa
mendapatkan hasil estimasiyang lebih baik (Madigan dan
Raftery 1994)
RUMUSAN MASALAH
memprediksi faktoryang bepengaruh secara
signifikan terhadapangka kematian bayi di
Jawa Timur denganmetode bayesian model averaging (BMA) dan
regresi linier sertamengetahui
perbandingan hasilprediksinya
TUJUAN PENELITIAN
1
Bagaimana hasil prediksiBayesian Model Averaging
terhadap faktor-faktor yang mempengaruhi angka kematian
bayi di Jawa Timur?
2
Bagaimana hasil prediksi Regresi linier berganda terhadap faktor-faktor yang
mempengaruhi angka kematian bayi diJawa Timur?
3Bgaimana perbandingan hasil prediksi
antara BMA dan Regresi?
MANFAAT PENELITIAN
• memprediksi faktor-faktor yangberpengaruh secara signifikanterhadap angka kematian bayi yangtergolong tinggi di Jawa Timurdengan harapan bisa memberikanhasil yang lebih akurat daripadaregresi linier
1
• referensi mengenai metode statistikbaru dalam pemilihan model.2
BATASAN MASALAH
Data yang digunakan dikhususkan pada datacross section dan tidak melibatkan efekspasial (lokasi daerah)
BAYESIAN MODEL AVERAGING (BMA)
Pemilihan model tunggal cenderung mengabaikanketidakpastian model sehingga bisa menyebabkan hasilestimasi yang kurang tepat. Bayesian model averaging(BMA) adalah salah satu metode untuk menyelesaikanketidakpastian model dengan merata-ratakanprobabilitas posterior dari semua model yang mungkin.
Model BMA dibentuk dari persamaan regresi berikut
Misalkan terdapat p variabel prediktor, maka jumlah model yang terbentuksebanyak q = 2p model. Jika adalah model yang mungkinterbentuk dan adalah nilai yang akan diprediksi maka probabilitasposterior jika diketahui Y adalah rata-rata dari distribusi posterior jikadiketahui model diboboti oleh probabilitas model posterior
dimana
dan
likelihood prior
prior
Persamaan BMA
Pemilihan Model BMA
Penentuan model diterima atau tidak dengan metode occam’s window
dengan nilai c adalah 20. Nilai c tersebut setara dengan alfa 0.05 untuk p value(Jeffreys, 1961). Model dikeluarkan dari persamaan BMA jika probabilitasmodel posterior lebih besar dari nilai c.
Kriteria signifikasi parameter:
Pr[β1≠0|D] < 50% maka X1 tidak signifikan
Jika diantara 50%-75% maka ada bukti yang lemah untuk menyatakan X1
sebagai faktor penyebab,
jika diantara 75%-95% maka ada bukti yang cukup kuat, antara 95%-99% menunjukkan bahwa terdapat bukti yang kuat,
jika lebih dari 99% maka bukti yang ada sangat kuat
REGRESI LINIER BERGANDA
Model regresi berganda adalah sebagai berikut
dengan
Ŷ = nilai penduga bagi variabel Y
b0, b1, . . ., bk = dugaan bagi parameter konstanta β0, β1, . . ., βk
e = error
Pengujian Parameter Model Regresi
1. Uji Serentak
H0: β1 = β2 = β3 = βp = 0
H1: minimal ada satu βi ≠ 0, i=1,2,…p
Statistik uji
Jika FHitung > Fα(v1,v2) maka H0 ditolak
2. Uji Individu
H0 : βi = 0
H1: βi ≠ 0
Statistik uji
H0 ditolak apabila thitung > ttabel yaitu t(α/2,n-p-1)
Uji Asumsi Regresi
Uji Normalitas Kolmogorov Smirnov
H0 : Residual berdistribusi normal
H1 : Residual tidak berdistribusi normal
Statistik uji
H0 diterima apabila nilai D lebih kecil dari Dtabel
Uji Linieritas dengan metode grafik
Pengujian Multikolinearitas diindikasikan dengan nilai VIF.
Pengujian Heterokedastisitas uji Gletser
Dilakukan untuk mengetahui ada tidaknya hubungan antara residual(error) dengan variabel bebasnya.
Pengujian Autokorelasi (hub.linier antar error)
Statistik uji
1. Jika d < dl, berarti terdapat autokorelasi positif
2. Jika d > (4 – dl), berarti terdapat autokorelasinegatif
3. Jika du < d < (4 – dl), berarti tidak terdapatautokorelasi
4. Jika dl < d < du atau (4 – du), berarti tidak dapatdisimpulkan
0:0:
1
0
H
H
n
t
t
n
t
tt
e
ee
d
1
2
2
21
Kesalahan Prediksidigunakan untuk mengetahui tingkat keakuratan darihasil yang diperoleh. Kesalahan prediksi bisa diketahuimelalui selang kepercayaan untuk dugaan nilai y.
Angka Kematian Bayi (AKB)
Kematian bayi adalah kematian yang terjadi saat bayi lahirsampai sebelum mencapai usia satu tahun.
Dari sisipenyebabnya
Kematian endogen: terjadi pada bulan pertamasetelah bayi dilahirkan, umumnya disebabkan olehfaktor bawaan
Kematian Eksogen: terjadi antara usia satu bulansampai satu tahun, umumnya disebabkan olehfaktor yang berkaitan dengan pengaruh lingkungan
DinasKesehatan
Sosioekonomi
Biologis
Faktor lain
tempat tinggal, pendidikan ibudan indeks kesejahteraan ibu.
jenis kelamin anak, usia ibu, paritas dan interval kelahiran.
berat waktu lahir, pemeriksaan antenatal dan penolong persalinan jugadipertimbangkan berpengaruh terhadapangka kematian bayi yang tinggi tersebut, yang untuk tahap lanjutan perlu dilakukanstudi lebih dalam.
METODOLOGI PENELITIAN
Dinas KesehatanJawa Timur
TAHUN 2009
Data Sekunder
Variabel penelitian
1. Jumlah kematian bayi per 1000 kelahiran hidup (Y)
2.Prosentase sarana kesehatan (RS danpuskesmas) (X1)
3. Prosentase tenaga kesehatan (X2)
Tenaga kesehatan meliputi medis, perawat, bidan, farmasi, kesehatanmasyarakat, gizi, keterapian fisik, danteknisi medis.
4. Prosentase posyandu (X3)
5. Prosentase kelahiran ditolong non medis (X4)
6. Prosentase bayi yang tidak diberi ASI eksklusif (X5)
ASI eksklusif adalah pemberian ASI saja tanpa makanan dan minuman lain sampai bayi berusia 6 bulan.
7. Prosentase ibu yang tidak melakukankunjungan bayi (X6)
kunjungan anak usia kurang dari satutahun (29 hari-11 bulan) untukmendapatkan pelayanan
8. Prosentase ibu hamil risti (X7)
Ibu hamil risti adalah ibu hamil dengankeadaan penyimpangan dari normal yang secara langsung menyebabkan kesakitandan kematian bagi ibu maupun bayinya.
9. Prosentase berat badan lahir rendah(kurang dari 2500 gram) (X8)
10. Prosentase rumah tidak sehat (X9)
bangunan rumah tinggal yang memenuhisyarat kesehatan yaitu memilik jambansehat, tempat pembuangan sampahu, sarana air bersih, sarana pembuangan air limbah, ventilasi baik, kepadatan hunianrumah sesuai dan lantai rumah tidak daritanah.
11.Prosentase penduduk miskin (X10)
METODOLOGI PENELITIAN
Langkah Penelitian
Statistika Deskriptif
Membagi data menjadi data training sebanyak 30 data dan data testing sebanyak 8 data
Estimasi parameter data training
Membuat model prediksi BMA
Menghitung kesalahan prediksidengan data testing
Meregresikan data training Y dan X
Uji asumsi
Memilih model terbaik
Menghitung kesalahanprediksi dengan data testing
Membandingkan hasilBMA dan regresi linier
Kesimpulan
ANALISIS DAN PEMBAHASAN
39.636.65 35.32
32.93 32.2 31.41 31.28
23
2004 2005 2006 2007 2008 2009 2010 target MDGs
AKB JawaTimur per 1000 kelahiran hidup
Deskripsi Angka Kematian Bayi di JawaTimur
jum
lah
ke
ma
tia
n b
ay
i
Batu
(Kota
)Sura
baya (
Kota
)M
adiu
n (
Kota
)M
ojo
kert
o (
Kota
)Pasu
ruan (
Kota
)Pro
bolin
ggo (
Kota
)M
ala
ng (
Kota
)Blit
ar
(Kota
)Kediri (
Kota
)Sum
enep
Pam
eka
san
Sam
pang
Bangka
lan
Gre
sik
Lam
ongan
Tuban
Bojo
negoro
Ngaw
iM
ageta
nM
adiu
nN
ganju
kJo
mbang
Mojo
kert
oSid
oarj
oPasu
ruan
Pro
bolin
ggo
Situbondo
Bondow
oso
Banyuw
angi
Jem
ber
Lum
aja
ng
Mala
ng
Kediri
Blit
ar
Tulu
ngagung
Tre
nggale
kPonoro
go
Paci
tan
350
300
250
200
150
100
50
0
Jumlah kematian bayi tiap kabupaten/kota
Hipotesis yang digunakan adalah sebagai berikut.
H0:
H1 : dengan i=1,2,…,10
Faktor-Faktor yang Mempengaruhi Kematian Bayi
Bayesian Model Averaging
0i0i
Variabel PrediktorPosterior
probabilities (%)EV SD
Konstan 100 196.4 61.4285Rasio jumlah sarana kesehatan 100 -37750 5570.03Rasio jumlah tenaga kesehatan 59.5 -308.3 331.19Rasio jumlah posyandu 18.5 -69.43 233.26% kelahiran ditolong non medis 21.6 -0.4028 1.15% bayi yang tidak diberi ASI eksklusif 10.9 0.02529 0.13% ibu yang tidak melakukan kunjungan bayi 100 2.233 0.62
% ibu hamil risti 42.2 -1.283 1.98% berat badan lahir rendah 100 35.87 6.99% rumah tidak sehat 67.1 -0.4245 0.39Rasio jumlah penduduk miskin 9 -0.01334 0.2
Variabel signifikan
Lima Model Terbaik BMA
Variabel Model 1 Model 2 Model 3 Model 4 Model 5Intercept 187.1 236.9 145.4 164.4 219.2
X1 -36480.0 -38030.0 -34160.0 -39480.0 -41010.0X2 -540.5 -517.6 -541.0 * *X3 233.26 * * * *X4 1.15 * * * *X5 0.1348 * * * *X6 2.328 2.022 2.44 2.262 1.935X7 * -2.751 * * -2.966X8 33.28 37.3 36.42 33.06 37.4X9 -0.5971 -0.6902 * -0.5977 -0.6981X10 * * * * *R2 0.823 0.839 0.792 0.792 0.811
Post prob. 0.127 0.099 0.062 0.060 0.046
Berdasarkan probabilitas posterior diatas maka model Bayesian Model Averaging
Kesalahan Prediksi BMA
PengamatanCI
Y Keterangan
Y bawah Y atas
Y1 25.82255 139.1822 120 Masuk
Y2 140.5658 253.9255 311 Tidak masuk
Y3 21.64318 135.0028 213 Tidak masuk
Y4 137.8012 251.1608 123 Tidak masuk
Y5 75.9335 189.2932 118 Masuk
Y6 26.32289 139.6826 76 Masuk
Y7 66.00323 179.3629 93 Masuk
Y8 -78.8976 34.46202 49 Tidak masuk
Kesalahan prediksi50%
Regresi Linier Berganda
𝑦 = 257− 38412𝑋1 − 405𝑋2 − 289𝑋3 − 0.78𝑋4 + 0.218𝑋5 + 2𝑋6 − 3.24𝑋7 + 39.3𝑋8 − 0.663𝑋9 + 0.091𝑋10
Model regresi berganda
Uji Serentak
H0: H1 : Minimal ada satu dengan i=1,2,…,10
0i0i
Sumber SS F P Value
Regresi 111387 10.60 0.000
Eror 19966
Total 131353
Ftabel=2,38
Uji Individu
0i
0iVariabel Prediktor Koefisien SE Pvalue
Konstan 257.29 81.69 0.005Rasio jumlah saranakesehatan
-38412 5931 0.000
Rasio jumlah tenagakesehatan
-404.6 337.5 0.245
Rasio jumlah posyandu -288.7 464.3 0.541% kelahiran ditolongnon medis
-0.778 1.889 0.685
% bayi tidak diberi ASIeksklusif
0.2179 0.3600 0.552
% ibu tidak melakukankunjungan bayi
1.9960 0.6507 0.006
% ibu hamil risti -3.240 2.177 0.153% berat badan lahirrendah
39.317 7.523 0.000
% rumah tidak sehat -0.6634 0.4252 0.135Rasio jumlah pendudukmiskin
0.0913 0.6685 0.893
R2 84.8 %
H0: H1 : dengan i=1,2,…,10
signifikan
Uji Asumsi
Uji Normalitas
H0: Residual berdistribusi normalH1 : Residual tidak berdistribusi normal
KS= 0.130 < Dtabel=0.242P value > 0.15
Terima H0
Uji Linieritas
H0: Model linierH1 : Model tidak linier
Titik-titik pengamatanmemiliki korelasi yang rendah namun masihcenderung mengikutigaris sehingga model linier
Uji Multikolineritas
Nilai VIF semua variabel < 10 sehinggatidak ada multikolinearitas
Variabel Prediktor VIF
Konstan
Rasio jumlah sarana kesehatan 1.9
Rasio jumlah tenaga kesehatan 1.7
Rasio jumlah posyandu 1.6
% kelahiran ditolong non medis 2.4
% bayi yang tidak diberi ASI eksklusif 1.6
% ibu yang tidak melakukan kunjunganbayi
1.4
% ibu hamil risti 1.8
% berat badan lahir rendah (BBLR) 1.9
% rumah tidak sehat 2.4
Rasio jumlah penduduk miskin 2.1
nilai Durbin-Watson sebesar 2.46460 dengan nilai D tabel yaitu Dl sebesar0.712 dan Du sebesar 2.363. Nilai Du < D < (4-Dl) yang berarti tidakterdapat autokorelasi.
Uji Autokorelasi
0:0:
1
0
H
H
Uji Heteroskedastisitas
Sumber SS F P Value
Regresi 1812.8 1.55 0.196Error 2218.4 Total 4031.2
P Value > 0.05 sehingga tidakterjadi gejala heteroskedastisitas
Kesalahan Prediksi
PengamatanCI
Y KeteranganY bawah Y atas
Y1 25.33672 132.8122 120 Masuk
Y2 135.3236 242.799 311 Tidak masuk
Y3 5.418861 112.8943 213 Tidak masuk
Y4 133.4973 240.9727 123 Tidak masuk
Y5 80.85981 188.3353 118 Masuk
Y6 11.29726 118.7727 76 Masuk
Y7 73.85866 181.3341 93 Masuk
Y8 -89.7974 17.67804 49 Tidak masuk
Kesalahan prediksi50%
Perbandingan Bayesian Model Averaging dan Regresi Linier
Variabel
BMA Regresi
Probabilitas
posterior (%)SE Pvalue SE
Rasio jumlah sarana kesehatan 100* 5570.03 0.000* 5931
Rasio jumlah tenaga kesehatan 59.5* 331.19 0.245 337.5
Rasio jumlah posyandu 18.5 233.26 0.541 464.3
% kelahiran ditolong non medis 21.6 1.15 0.685 1.889
% bayi yang tidak diberi ASI eksklusif 10.9 0.13 0.552 0.3600
% ibu yang tidak melakukan kunjungan bayi
100* 0.62 0.006* 0.6507
% ibu hamil risti 42.2 1.98 0.153 2.177
% BBLR 100* 6.99 0.000* 7.523
% rumah tidak sehat 67.1* 0.39 0.135 0.4252
Rasio jumlah penduduk miskin 9 0.2 0.893 0.6685
Catatan: * menunjukkan variabel yang signifikan
Standart error BMA lebihkecil daripadaregresi
Nilai Signifikasi Parameter dan Standar Error dengan BMA dan Regresi
Kesalahan Prediksi
Kesalahan
prediksi
BMA 50%
Regresi 50%
Memberikan hasil yang sama yaitudengan kesalahan prediksi sebesar 50%
Kesimpulan
Faktor-faktor yang mempengaruhi jumlah kematian bayi di Jawa Timur menggunakanBMA adalah rasio jumlah sarana kesehatan, prosentase ibu yang tidak melakukankunjungan bayi, prosentase berat badan lahir rendah (BBLR), rasio jumlah tenagakesehatan, dan prosentase rumah tidak sehat
Faktor-faktor yang mempengaruhi jumlah kematian bayi di Jawa Timurmenggunakan Regresi berganda adalah rasio jumlah sarana kesehatan, prosentaseibu yang tidak melakukan kunjungan bayi, dan prosentase berat badan lahir rendah(BBLR)
Standart error dari setiap parameter BMA lebih kecil daripada regresi pada semuavariabel prediktornya. Hal ini menunjukkan bahwa BMA memberikan estimasiparameter β yang lebih efisien daripada regresi. Namun jika dilihat dari kesalahanprediksinya, BMA dan regresi memberikan hasil yang sama yaitu masing-masingsebesar 50%.
Saran
• Menambah variabel prediktor mengenai sosial ekonomiagar bisa memberikan hasil yang lebih jelas mengenaifaktor-faktor yang mempengaruhi jumlah kematianbayi.
• Menambah data testing agar bisa mengetahui lebih jelasperbedaan hasil prediksi antara metode BMA danregresi. Data testing yang sedikit bisa menyebabkanpeluang yang besar untuk memberikan hasil yang samadalam menghitung kesalahan prediksi.
DAFTAR PUSTAKA Ardiyanti, S.T. 2010. Pemodelan Angka Kematian Bayi dengan Pendekatan Geographically Weighted Poisson Regression
di Provinsi Jawa Timur. Surabaya: Program Sarjana, Institut Teknologi Sepuluh Nopember. Badan Pusat Statistik.(2009). Survei Sosial Ekonomi Nasional Propinsi Jawa Timur. Surabaya. Brown,P.J., Vannucci, M., Fearn,T.(2002). Bayesian Model Averaging With Selection Of Regressors. J. R. Statist. Soc. B
Part 3, pp. 519–536. Dinas Kesehatan.(2009). Profil Kesehatan Propinsi Jawa Timur. Surabaya. Draper N and Smith H, (1992). Analisis Regresi Terapan Edisi 2: Penerbit PT Gramedia Pustaka Utama, Jakarta. Hoeting, J, Madigan, D, Raftery, A.E, and Volinsky, C.T. (1999). Bayesian Model Averaging: A Tutorial. Statistical
Science 14:382–401. Liang, F. M, Troung, Y, and Wong, W. H. (2001). Automatic Bayesian Model Averaging for Linear Regression and
Applications in Bayesian Curve Fitting. Statistical Science, 11(4):1005-1029. Madigan, D, Raftery, A. E.(1994). Model Selection and Accounting for Model Uncertainty in Graphical Models Using
Occam’s Window. Journal of the American Statistical Association,Vol.89, No.428,1535-1546. Montgomery, J. and Nyhan, B.(2010). Bayesian Model Averaging: Theoretical developments and Practical Applications.
Society for Political Methodology working paper. Raftery, A. E, Madigan, D, and Hoeting, J. (1997). Bayesian Model Averaging for Linear Regression Models. Journal of
the American Statistical Association. 92. Rani, D.S. 2011. Pemodelan Angka Kematian Bayi dengan Pendekatan Geographically Weighted Poisson Regression
Semiparametric di Provinsi Jawa Timur. Surabaya: Program Sarjana, Institut Teknologi Sepuluh Nopember. Volinsky, C. T. (1997). Bayesian Model Averaging for Censored Survival Models. Ph.D. Dissertation, Univ. Washington,
Seattle. Viallefont, V, Raftery, A.E, Richardson, S. (2001). Variable Selection and Bayesian Model Averaging in Case-Control
Studies. Statistical in Medicine.