Professional Documents
Culture Documents
Abstract
Maternal Mortality in Kutai Kartanegara is a geographical problem that suspected affected by geographical factor
which the global regression cannot model the relation well between the main problem and its independent variable.
Therefore, Geographically Weighted Regression (GWR) is used to solve it. Spatial statistics is a method for analyzing
data that has spatial correlation. GWR Model is the locally of global regression which considering the geographical or
location as the weighted function for estimating the parameters of models. The tricube weighted function is used for the
weighting. From this study, the models are different from location to others with also has the independent variables.
For Samboja, Muara Jawa, Sanga-Sanga, Anggana, Muara Badak, Marang Kayu, and Tabang which are not affected
by the indicators. Loa Janan, Loa Kulu, Muara Muntai, Kota Bangun, Tenggarong, Sebulu, Tenggarong Seberang,
Muara Kaman, and Kenohan have the Maternal Mortality affected by Hospital Ratio per 1.000 Pregnant Mothers (x 1).
Muara Wis, Kenohan, dan Kembang Janggut have the Maternal Mortality affected by Childbirth with Medical Help
(x2). Muara Muntai, Muara Wis, Kota Bangun, Sebulu, Tenggarong, Muara Kaman, Kenohan, and Kembang Janggut
have the Maternal Mortality affected by Health Care of Childbed (x 4).
Keywords : Geographically Weighted Regression (GWR), Maternal Mortality, Tricube Weighted Function
Setiap tahun, di seluruh dunia diperkirakan bebas (x) dengan variabel terikatnya (y). Untuk n
terjadi 358.000 kematian ibu dan sekitar 99% pengamatan dengan p variabel bebas maka model
kematian tersebut terjadi di negara berkembang regresi tersebut dapat ditulis:
p
yang miskin dan sekitar 67% merupakan yi = β0 + k=1 βk xik + εi ;
sumbangan sebelas negara termasuk Indonesia. i = 1, 2, 3, …, n; k = 1, 2, 3, …, p
Millenium Development Goals (MDGs) dimana :
menargetkan Angka Kematian Ibu (AKI) di yi = nilai observasi variabel terikat ke -i
Indonesia pada tahun 2015 adalah 102 kematian xik = nilai observasi pengamatan ke -i
per 100.000 kelahiran hidup (Herawati, 2011). variabel bebas ke -k
Sementara itu berdasarkan Survei Demografi dan β0 = nilai intersep model regresi
Kesehatan Indonesia (SDKI) tahun 2012, AKI di βk = koefisien regresi variabel bebas ke -k
Indonesia adalah sebesar 359 per 100.000 εi = error pada pengamatan ke -i,
kelahiran hidup. Hal ini hampir dapat dipastikan
( ε ~ IIDN(0, σ ) )
2
bahwa Indonesia tidak akan mampu mencapai
target tersebut. Di Provinsi Kalimantan Timur Regresi dapat dijelaskan bahwa hubungan
sendiri menurut SDKI tahun 2012, AKI mencapai antara variabel bebas dengan variabel terikatnya
111 per 100.000 kelahiran hidup dengan diasumsikan konstan (stationer) untuk semua
Kabupaten Kutai Kartanegara terdapat 27 kasus lokasi dimana data tersebut diamati (Leung,
sepanjang tahun 2012, kedua tertinggi setelah kota 2000). Error diasumsikan IIDN(0,σ2 ) yaitu
Balikpapan dengan 28 kasus (Dinkes Kaltim, identik, independen, dan berdistribusi normal.
2013). Karena asumsi hubungan yang konstan tersebut,
AKI di Kabupaten Kutai Kartanegara sendiri maka dalam pendugaan parameter model regresi
diduga mempunyai kaitan erat dengan pelayanan setiap pengamatan memberikan kontribusi yang
kesehatan dan kebudayaan masyarakat seperti sama besar dalam membentuk model.
upacara adat, sehingga mendorong dilakukannya
penelitian ini, yaitu untuk melihat kontribusi Aspek Data Spasial
sektor pelayanan kesehatan di kabupaten Kutai Analisis spasial dilakukan jika data yang
Kartanegara serta kebudayaan suku Kutai digunakan memenuhi aspek spasial yaitu memiliki
terhadap AKI. AKI di kabupaten Kutai sifat error yang saling berkorelasi atau memiliki
Kartanegara diduga suatu permasalahan spasial heterogenitas spasial (Anselin, 1998).
yang dipengaruhi oleh faktor geografis, maka Heterogenitas spasial dapat dideteksi dengan uji
sering kali analisis regresi biasa tidak dapat Breuch-Pagan yang mempunyai hipotesis sebagai
menggambarkan pola hubungan dengan baik. berikut.
Sebab pada permasalahan besarnya AKI di Hipotesis
kabupaten Kutai Kartanegara perbedaan lokasi H0 : Tidak terjadi heterogenitas pada data
geografis juga diduga memberikan pengaruh H1 : Terjadi heterogenitas pada data
terhadap pola hubungan antara variabel bebas dan Statistik Uji
variabel terikat. BP = (1/2) f T Z ( Z T Z ) -1 Z T f
dimana,
Statistika Spasial ei = yi - y adalah error untuk pengamatan
Statistika spasial adalah suatu metode untuk ke –i, i = 1, 2, …, n
e2
menganalisis data yang berkorelasi secara spasial, f = (f1, f2, …, fn)T dengan fi = ( i2 − 1)
σ
yang merupakan salah satu cabang dari statistika Daerah Penolakan
terapan yang dikembangkan oleh George H0 ditolak apabila nilai peluang BP > χ2(α, db)
Matheron dari Centre de Morphologie Kesimpulan
Mathematique di Fontainebleu, Perancis (1960). Jika H0 ditolak maka dapat disimpulkan bahwa
Karakteristik yang dimiliki metode statistika terjadi heterogenitas pada data. Sebaliknya jika
spasial adalah penggunaaan variogram atau gagal menolak H0 maka dapat disimpulkan bahwa
teknik-teknik lainnya untuk mengkualifikasi dan tidak terjadi heterogenitas pada data. Elemen
memodelkan struktur korelasi (Indarto, 2013). 𝑒2
Analisis spasial dilakukan jika data yang vektor f adalah f𝑖 = ( 𝑖2 - 1 ) dimana 𝑒𝑖 merupakan
𝜎
digunakan memenuhi aspek spasial yaitu memiliki residual kuadrat terkecil dan Z adalah matriks
sifat error yang saling berkorelasi atau memiliki berukuran nx(p+1) yang berisi vektor yang sudah
heterogenitas spasial (Anselin, 1998). dinormalstandartkan untuk setiap observasi. Tolak
Heterogenitas spasial dapat dideteksi dengan uji H0 jika BP lebih besar dari χ2(α, db).
Breuch-Pagan.
Geographically Weighted Regression (GWR)
Regresi Geographically Weighted Regression adalah
Regresi adalah suatu metode yang digunakan hasil pengembangan dari model global dimana ide
untuk menyatakan pola hubungan antara variabel dasarnya diambil dari model regresi non
parametrik (Mei, 2005). Model ini merupakan Fungsi dari pembobot adalah untuk
model regresi linier lokal (locally linier memberikan hasil estimasi parameter yang
regression) yang menghasilkan penaksir berbeda pada lokasi yang berbeda. Pada analisis
parameter model yang bersifat lokal untuk setiap spasial, penaksiran parameter di suatu lokasi i
titik atau lokasi dimana data tersebut akan lebih dipengaruhi oleh titik-titik yang dekat
dikumpulkan. Dalam model GWR, variabel dengan lokasi tersebut daripada titik-titik yang
terikat diprediksi dengan variabel bebas yang lebih jauh (Leung dkk, 2000). Oleh karena itu
masing-masing koefisien regresinya bergantung pemilihan pembobot spasial yang digunakan
pada lokasi dimana data tersebut diamati. Untuk n dalam menaksir parameter menjadi sangat
pengamatan dengan p variabel independen maka penting.
model GWR dapat ditulis: Jika w𝑗 (𝑢𝑖 , 𝑣𝑖 ), j = 1, 2, …, n adalah bobot
p
yi = β0 (𝑢𝑖 , 𝑣𝑖 ) + k=1 βk (𝑢𝑖 , 𝑣𝑖 )xik + εik lokasi j pada lokasi i, d𝑖𝑗 adalah jarak Euclid
dimana yi ; xi1 , xi2 …, x𝑖𝑝 adalah nilai observasi antara lokasi i dan lokasi j. Misalkan b terdekat
variabel terikat y dan variabel bebas x1 , x2 , …, xp maka beberapa jenis fungsi pembobot yang
di lokasi (𝑢𝑖 , 𝑣𝑖 ) pada wilayah geografi yang digunakan.
diteliti. Sedangkan βk (𝑢𝑖 , 𝑣𝑖 ), k = 1, 2, …, p 1. Fungsi Invers Jarak
adalah parameter regresi untuk setiap lokasi (𝑢𝑖 , Fungsi tersebut dapat dinotasikan sebagai
𝑣𝑖 ) dan εi , i = 1, 2, 3, …, n adalah error yang berikut:
diasumsikan identik, independen, dan 1, jika d𝑖𝑗 ≤ b
𝑤𝑗 (𝑢𝑖 , 𝑣𝑖 ) =
berdistribusi normal dengan mean nol dan varians 0, jika d𝑖𝑗 > b
konstan (IIDN(0,σ2 )). Fungsi invers akan memberi bobot nol ketika
lokasi j berada di luar radius b dari lokasi i,
Penentuan Bandwidth Optimum sedangkan apabila lokasi j berada di dalam radius
Secara teoritis bandwidth merupakan b maka akan mendapat bobot satu.
lingkaran dengan radius sebesar b dari titik pusat
lokasi, dimana digunakan sebagai dasar 2. Fungsi Pembobot Gauss
menentukan bobot setiap pengamatan terhadap Fungsi tersebut dapat dinotasikan sebagai
model regresi pada lokasi tersebut. Untuk berikut:
pengamatan-pengamatan yang terletak dekat 1 d 𝑖𝑗 2
exp
(− ), jika d𝑖𝑗 ≤ b
dengan lokasi i maka akan lebih berpengaruh 𝑤𝑗 (𝑢𝑖 , 𝑣𝑖 ) = 2 h
dalam membentuk parameter model pada lokasi i 0, jika d𝑖𝑗 > b
(Mei, 2005). Karena itu pengamatan-pengamatan Fungsi pembobot Gauss akan memberi bobot
yang terletak di dalam radius b masih dianggap nol ketika lokasi j berada pada atau di luar radius
berpengaruh terhadap model pada lokasi tersebut b dari lokasi i, sedangkan apabila lokasi j berada
sehingga akan diberi bobot yang akan tergantung di dalam radius b maka akan mendapat bobot
pada fungsi yang digunakan. yang mengikuti fungsi Gauss.
Salah satu metode yang digunakan untuk
menentukan bandwidth optimum adalah metode 3. Fungsi Pembobot Bi-square
cross validation (CV) (Fotheringham, 2002). Fungsi tersebut dapat dinotasikan sebagai
Secara matematis dapat ditulis sebagai berikut: berikut:
CV = ni=1(yi − y ∗ ≠i (h))2 d 𝑖𝑗 2 2
[1 − ] , 𝑗𝑖𝑘𝑎 d𝑖𝑗 ≤ b
y ∗ ≠𝑖 (h) adalah nilai prediksi yi (fitting value) 𝑤𝑗 (𝑢𝑖 , 𝑣𝑖 ) = h
0, jika d𝑖𝑗 > b
dengan pengamatan di lokasi i dihilangkan dari
proses prediksi (Fotheringham, 2002). Fungsi pembobot Bi-square akan memberi bobot
Dengan meminimumkan persamaan diatas nol ketika lokasi j berada pada atau di luar radius
maka akan diperoleh bandwidth yang optimum. b dari lokasi i, sedangkan apabila lokasi j berada
Dalam prakteknya, pemilihan bandwidth optimum di dalam radius b maka akan mendapat bobot
diperoleh menggunakan teknik optimalisasi yang mengikuti fungsi Bi-square.
komputer.
4. Fungssi Pembobot Tricube
Pembobot Geographically Weighted Regression Fungsi tersebut dapat dinotasikan sebagai
Untuk mendapatkan matrik pembobot di berikut:
d 𝑖𝑗 3 3
lokasi i terletak pada koordinat (𝑢𝑖 , 𝑣𝑖 ) yaitu [1 − ] , 𝑗𝑖𝑘𝑎 d𝑖𝑗 ≤ b
W(𝑢𝑖 , 𝑣𝑖 ). Perlu terlebih dahulu menentukan 𝑤𝑗 (𝑢𝑖 , 𝑣𝑖 ) = h
0, jika d𝑖𝑗 > b
fungsi pembobot yang akan digunakan. Apabila
Fungsi pembobot Tricube akan memberi bobot
lokasi j terletak pada koordinat (𝑢𝑗 , 𝑣𝑗 ) maka akan
nol ketika lokasi j berada pada atau di luar radius
diperoleh jarak Euclid antara lokasi i dan lokasi j
b dari lokasi i, sedangkan apabila lokasi j berada
dengan menggunakan persamaan:
di dalam radius b maka akan mendapat bobot
d𝑖𝑗 = (𝑢𝑖 − 𝑢𝑗 )2 + (𝑣𝑖 − 𝑣𝑗 )2 yang mengikuti fungsi Tricube.
Tabel 7. Thitung Variabel Tiap Daerah menurunkan AKI sebesar 115,30 satuan AKI,
(Lanjutan) jika variabel bebas lainnya dianggap konstan
Lokasi x1 x2 x4 maka setiap penurunan satu persen persalinan
9 3,05* -0,04 -2,21* ditolong tenaga kesehatan akan menurunkan AKI
10 3,24* -0,08 -2,29* sebesar 24,53 satuan AKI dan jika variabel bebas
11 2,78* -0,34 -2,00 lainnya dianggap konstan maka setiap kenaikan
12 1,57 -0,60 -1,26 satu persen pelayanan kesehatan ibu nifas akan
13 1,68 -0,77 -1,35
14 2,20 -0,90 -1,51
menurunkan AKI sebesar 25,33 satuan AKI.
15 3,73* 0,03 -2,56* Ketepatan Model GWR
16 3,11* 2,66* -3,74*
Tabel 9. Nilai R2 Model GWR
Daerah Penolakan Ketepatan Model
Menolak H0 apabila |Thitung| > t α δ 21 R2 - Value 0,7381221
,
2 δ2
Keputusan dan Kesimpulan Dari Tabel 9 dapat dilihat bahwa R2 bernilai
Berdasarkan Tabel 7 dapat dilihat setiap 0,7381221 yang berarti bahwa AKI dapat
Thitung variabel tiap daerah, yang mana nilai yang dijelaskan oleh variabel bebas sebesar 73,8%
lebih besar daripada nilai T tabel (2,200) adalah dengan 26,2% sisanya dijelaskan oleh variabel
variabel bebas yang berpengaruh terhadap lainnya tidak terlibat dalam model.
variabel terikat di setiap kecamatan, Berikut
rangkuman variabel yang berpengaruh di setiap Kesimpulan
daerah. 1. Variabel bebas yang mempunyai pengaruh
Tabel 8. Variabel Signifikan Tiap Daerah pada masing-masing kecamatan adalah
Variabel sebagai berikut:
Lokasi Kecamatan a. Rasio RS/Puskesmas per 1.000 Ibu Hamil
Berpengaruh
(x1) berpengaruh pada AKI di kecamatan
1 Samboja -
Loa Janan, Loa Kulu, Muara Muntai, Kota
2 Muara Jawa -
Bangun, Tenggarong, Sebulu, Tenggarong
3 Sanga-Sanga -
Seberang, Muara Kaman, dan Kenohan,
4 Loa Janan x1
b. Persentase Persalinan Ditolong Tenaga
5 Loa Kulu x1
Kesehatan (x2) berpengaruh pada AKI di
6 Muara Muntai x1, x4
kecamatan Muara Wis, Kenohan, dan
7 Muara Wis x2, x4
Kembang Janggut.
8 Kota Bangun x1, x4
c. Persentase Pelayanan Kesehatan Ibu Nifas
9 Tenggarong x1, x4
(x4) berpengaruh pada AKI di kecamatan
10 Sebulu x1, x4
Muara Muntai, Muara Wis, Kota Bangun,
11 Tenggarong Seberang x1
Tenggarong, Sebulu, Muara Kaman,
12 Anggana -
Kenohan, dan Kembang Janggut.
13 Muara Badak -
2. Setiap kecamatan mempunyai model yang
14 Marang Kayu -
berbeda, namun memiliki kemiripan variabel
15 Muara Kaman x1, x4
bebas yang signifikan pada beberapa
16 Kenohan x1, x2, x4
kecamatan yang berdekatan seperti
17 Kembang Janggut x2, x4
kecamatan Loa Kulu dan Loa Janan yang
18 Tabang -
memiliki variabel Rasio/RS per 1.000 Ibu
Hamil signifikan atau kecamatan Muara
Model GWR
Muntai, Muara Wis, dan Kota Bangun yang
Model-model yang terbentuk berbeda-beda di
memiliki variabel Pelayanan Kesehatan Ibu
tiap kecamatan. Dari kecamatan yang tidak
Nifas yang signifikan terhadap AKI.
mempunyai variabel bebas yang menunjukkan
kenaikan ataupun penurunan AKI (kecamatan
Daftar Pustaka
Samboja, Muara Jawa, Sanga-Sanga, dll.), hingga
kecamatan yang mempunyai tiga variabel bebas Anselin, L. (1998). Spatial Econometrics:
yang menunjukkan kenaikan ataupun penurunan Methods and Models. Dordrecht: Kluwer
AKI (kecamatan Kenohan). Academic Publishers.
Adapun kecamatan Kenohan yang memiliki Clement, Orange, dkk. (2009). Drivers of
tiga variabel bebas signifikan mempunyai model Afforestation in Northen Vietnam:
Assenssing Local Variations Using
𝑦16 = 12,57 + 115,30x1 + 24,53x2 - 25,33x4
Geographically Weighted Regression.
dengan variabel yang berpengaruh yaitu x1, x2,
International Journal of Applied
dan x4 yang mana berarti jika variabel bebas
Geography. Vol. 29, Issue: 4, Pages: 561-
lainnya dianggap konstan maka setiap penurunan
576.
satu rasio RS/Puskesmas per 1.000 ibu hamil akan
Dinkes Kaltim. (2013). Profil Kesehatan Provinsi Leung, Y, C.I. Mey, dan W.X. Zhang. (2000).
Kalimantan Timur Tahun 2012. Statistical Test for Spatial Non-
Samarinda: Dinas Kesehatan Provinsi Stationarity Based on the Geographically
Kalimantan Timur. Weighted Regression Model. Environment
Fotheringham, A.S, Brunsdon, dan M. Charlton. and Planning. Vol. 32, Pages: 9-32.
(2002), Geographically Weighted Mei, C.L. (2005). Geografically Weighted
Regression. Chichester: John Wiley and Regression Technique for Spatial Data
Sons. Analysis, School of Science Suzhou:
Herawati, I. (2011). Analisis Kematian Ibu di Xi’an Jiaotong University.
Indonesia tahun 2010 berdasarkan data Prahasta, Eddy. (2009). Sistem Informasi
SDKI, Riskesdas, dan Laporan Rutin Geografis: Kosep-Konsep Dasar
Kesehatan Ibu dan Anak. Pertemuan (Perspektif Geodesi & Geomatika).
Teknis Kesehatan Ibu 6 April 2011, Bandung: Penerbit Informatika.
Bandung, Indonesia. Jakarta: Departemen Purhadi, M. Rifada, dan S. P. Wulandari. (2012).
Kesehatan Republik Indonesia 2011. Geographically Weighted Ordinal
Indarto. (2013). Analisis Geostatistik. Yogyakarta: Logistic Regression Model. International
Graha Ilmu. Journal of Mathematics and Computation.
Kemenkes RI. (2013). Percepatan Penurunan Vol. 16, Issue: 3.
Angka Kematian Ibu di Indonesia.
Jakarta: Kementrian Kesehatan RI.