pemodelan jumlah kematian ibu di jawa timur dengan...

Nama : Retdiansyah Risky Angga P

NRP : 1312 105 009

Dosen Pembimbing : Ir. Mutiah Salamah, M.Kes

Pemodelan Jumlah Kematian Ibu Di Jawa Timur Dengan Pendekatan

G eneralized Poisson R egression (G PR ) Dan Regresi Binomial Negatif

JURUSAN STATISTIKA FAKULTAS MATEMATIKA Dan ILMU PENGETAHUAN

INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA

2014

AGENDA

I • PENDAHULUAN

II •TINJAUAN PUSTAKA

III •METODOLOGI PENELITIAN

IV •ANALISIS DAN PEMBAHASAN

V •KESIMPULAN DAN SARAN 2

Seminar Hasil Tugas Akhir 3

Tahun Capaian AKI Jawa Timur Per 100.00 kelahiran

hidup

2008 83

2009 90,7

2010 101,4

2011 104,3

•Jawa Timur menduduki peringkat kelima dalam Kematian ibu.

(Wahyuningsih, 2011)

Kementrian Kesehatan Republik Indonesia Tahun 2013

Penelitian Sebelumnya AKI dengan Pengujian GPR dan Binomial Negatif


AKI Data Count

Regresi Poisson

Over/Unde r Dispersion

GPR

Regresi Binomial Negatif

Nama Judul Variabel Yang Signifikan

Listiani (2010)

Pemodelan Generalized Poisson Regression (GPR) pada Faktor-Faktor yang mempengaruhi Angka

Kematian Bayi di Jawa Timur Tahun 2007

Jumlah sarana kesehatan Persentase persalinan yang dilakukan dengan bantuan non medis Rata-rata usia perkawinan pertama dan jumlah pengeluaran rumah tangga

Chamidah (2008)

Jumlah Kematian Maternal dengan Menggunakan Regresi Binomial Negatif

Persentase penolong proses persalinan yang dilakukan oleh tenaga non medis.

Arfan (2014)

Pendekatan Spline untuk Estimasi Kurva Nonparametrik (Studi Kasus Pada Data Angka

Kematian Maternal di Jawa Timur)

Persentase ibu hamil yang mendapatkan tablet Fe1 Persentase ibu hamil melaksanakan K1 Persentase ibu hamil berisiko tinggi/komplikasi yang ditangani Persentase rumah tangga yang berperilaku hidup bersih sehat

1. Bagaimana karakteristik pada kematian ibu di Jawa Timur tahun 2013? 2. Bagaimana model terbaik Generalized Poisson Regresion (GPR) dan regresi binomial negatif pada kematian ibu di Jawa Timur tahun 2013? 3. Bagaimana perbandingan Generalized Poisson Regresion (GPR) dan regresi binomial negatif berdasarkan kriteria nilai AIC pada kematian ibu di Jawa Timur tahun 2013?


Rumusan Masalah

Tujuan Penelitian

Manfaat Penelitian

Batasan Penelitian

1.Mendeskripsikan karakteristik data jumlah kematian ibu di Jawa Timur tahun 2013. 2.Mendapatkan model terbaik Generalized Poisson Regresion (GPR) dan regresi binomial negatif pada kematian ibu di Jawa Timur tahun 2013.

3. Membandingkan Generalized Poisson Regresion (GPR) dan regresi binomial negatif berdasarkan kriteria nilai AIC pada kematian ibu di Jawa Timur tahun 2013.


Rumusan Masalah

Tujuan Penelitian

Manfaat Penelitian

Batasan Penelitian

1.Bagi peneliti dapat memberikan wawasan ilmu pengetahuan tentang kematian ibu serta memberikan pemahaman mengenai Generalized Poisson Regresion (GPR) dan regresi binomial negatif beserta aplikasinya secara langsung 2. Bagi penelitian selanjutnya dapat memberikan informasi dan masukkan dalam menggunakan metode yang sesuai untuk menangani kasus overdispersi pada regresi poisson


Rumusan Masalah

Tujuan Penelitian

Manfaat Penelitian

Batasan Penelitian

Data kematian ibu di Provinsi Jawa Timur tahun 2013 dengan unit penelitian adalah tiap kabupaten/kota untuk mendapatkan model terbaik dengan menggunakan analisis Generalized Poisson Regresion (GPR) dan regresi binomial negatif


Rumusan Masalah

Tujuan Penelitian

Manfaat Penelitian

Batasan Penelitian

Regresi Poisson merupakan salah satu regresi yang digunakan untuk memodelkan antara variabel respon dan variabel prediktor dengan mengasumsikan variabel Y berdistribusi poisson. Fungsi peluang dari distribusi poisson itu sendiri menurut Myers (1990) dapat dinyatakan sebagai berikut:


( )y!

μeμy;p

yμ−

=(y = 0,1,2,...)

Model Regresi Poisson

( )βx Tii expμ =

[ ] Tki2i1ii xxx1 =x

[ ]Tk210 ββββ =β

Multikolinearitas adalah kondisi terdapatnya hubungan linier atau korelasi yang tinggi antara masing-masing variabel independen dalam model regresi. Pendeteksian adanya kasus multikolinieritas dapat dilihat melalui 1. Variance Inflation Factors (VIF) > 10 VIF dinyatakan sebagai berikut : 2. Nilai koefisien korelasi Pearson antar variabel-variabel prediktor. Apabila nilai koefisien korelasi Pearson antar variabel prediktor cukup besar (lebih dari 0,95) maka mengindikasikan adanya multikolinieritas.


211

jRVIF

−=

Metode Maximum Likelihood Estimation (MLE)


( ) ( )∏==

n

1i i

iyii

!y

μ μ- expβL

( ) ( )( ) ( )∑−∑+∑−====

n

1ii

n

1i

Tii

n

1i

Ti !ylnyexpln βxβxβL

( ) ( ) ∑+∑−=∂

∂==

n

1iii

n

1i

TiiT yexp

Lln

xβxxβ

β

Metode Maximum Likelihood Ratio Test (MLRT)


Hipotesis Statistik Uji Keputusan Tolak H0 jika

Uji Serentak

( ) ( )( ) ( )( ) ( )( )ˆˆ ˆ ˆ2 ln 2 ln ln

ˆL

D L LLω

ω

= − = Ω − Ω

β

H0 : 𝛽𝛽0 = 𝛽𝛽1 = ⋯ = 𝛽𝛽𝑗𝑗 = 0 H1 : paling sedikit ada satu 𝛽𝛽𝑗𝑗 ≠ 0, 𝑗𝑗 = 1,2, … , 𝑘𝑘

( ) ( )2

kα;χβD >




Uji Parsial

2hitz zα>

( )ˆˆ

i

i

zseββ

=

0β:H

0β:H

j1

j0

≠

=

Overdispersi dapat diindikasikan dengan nilai dispersi person chi-square dan deviance yang dibagi dengan derajat bebasnya. Jika kedua nilai ini lebih besar dari 1 maka dikatakan terjadi overdispersi pada data.


Suatu model yang sesuai untuk data count apabila terjadi over/ under dispersi yaitu varians lebih besar/lebih kecil daripada mean. Sehingga selain parameter μ, dalam GPR terdapat θ sebagai parameter dispersi. Model GPR mirip dengan model Regresi Poisson akan tetapi pada model GPR mengasumsikan bahwa komponen randomnya berdistribusi Generalized Poisson (GP).


( ) ( ) ( )0,1,2,...y ,

μ θ1

y θ1μ exp

y!

y θ1

μ θ1

μθμ,y;f

1yy

=+

+−+

+=

−

Model GPR

Distribusi GP

( )βx Tii expμ =

[ ] Tki2i1ii xxx1 =x

[ ]Tk210 ββββ =β

Metode Maximum Likelihood Estimation (MLE)


( ) ( )( ) ( )1

11 1

1 1, exp

1 ! 1

i iy yn n ni i ii

ii ii i i

y yL

yθ µ θµ

θθµ θµ

−

== =

+ − + = + +

∑∏ ∏β

Penaksir Parameter β

Penaksir Parameter θ




Uji Serentak

( ) ( )( ) ( )( ) ( )( )ˆˆ ˆ ˆ2 ln 2 ln ln

ˆL

D L LLω

ω

= − = Ω − Ω

β

H0 : 𝛽𝛽0 = 𝛽𝛽1 = ⋯ = 𝛽𝛽𝑗𝑗 = 0 H1 : paling sedikit ada satu 𝛽𝛽𝑗𝑗 ≠ 0, 𝑗𝑗 = 1,2, … , 𝑘𝑘

( ) ( )2

αk;χβD >




Uji Parsial

2hitz zα>

( )ˆˆ

i

i

zseββ

=

0β:H

0β:H

j1

j0

≠

=

Regresi Binomial Negatif merupakan salah satu model regresi terapan dari Generalisasi Linier Model (GLM). Regresi Binomial negatif merupakan suatu model yang sesuai untuk data count dimana terjadi pelanggaran asumsi equidispersi pada Regresi Poison.


Model Regresi Binomial Negatif

( )βx Tii expμ =


Fungsi Distribusi Binomial Negatif Fungsi Likelihood

dengan i = 0,1,2



Uji Serentak

( ) ( )( ) ( )( ) ( )( )ˆˆ ˆ ˆ2 ln 2 ln ln

ˆL

D L LLω

ω

= − = Ω − Ω

β

H0 : 𝛽𝛽0 = 𝛽𝛽1 = ⋯ = 𝛽𝛽𝑗𝑗 = 0

( ) ( )2

kα;χβD >

H1 : paling sedikit ada satu 𝛽𝛽𝑗𝑗 ≠ 0, 𝑗𝑗 = 0,1,2, … ,𝑘𝑘



Uji Parsial

2hitz zα>

( )ˆˆ

i

i

zseββ

=

0β:H

0β:H

j1

j0

≠

=


Model terbaik, salah satunya adalah Akaike Information Criterion. dimana adalah nilai likelihood, dan k adalah jumlah parameter. Model terbaik adalah model yang mempunyai nilai AIC terkecil.

( )2 ln 2AIC L kθ= − +

( )ˆL θ


Angka kematian ibu adalah jumlah wanita yang meninggal dunia dari suatu penyebab kematian terkait dengan gangguan kehamilan atau penanganannya (tidak termasuk kecelakaan atau kasus insidentil) selama kehamilan, melahirkan dan dalam masa nifas (42 hari setelah melahirkan) tanpa memperhitungkan lama kehamilan per 100.000 kelahiran hidup. (KemenKesRI, 2013).

Seminar Hasil Tugas Akhir

Menurut (KemenKesRI,2013) kematian ibu dapat dibagi menjadi dua

• Pendarahan • Eklampsia • Partus lama • Komplikasi aborsi dan infeksi

Kematian Langsung

• Keterlambatan keluarga dalam

(mengetahui tanda bahaya ibu hamil, mencapai sarana kesehatan, mengambil keputusan, memperoleh pelayanan kesehatan)

• Terlalu muda kurang 16 tahun, terlalu tua lebih 35 tahun, terlalu sering melahirkan

Kematian Tidak

Langsung

23


Data sekunder yang diperoleh dari Dinas Kesehatan Provinsi Jawa Timur tahun 2013. Pada Propinsi Jawa Timur terdiri dari 29 kabupaten dan 9 kota dimana 38 kabupaten/kota ini menjadi satuan penelitian. Variabel yang digunakan adalah jumlah kematian ibu yang berfungsi sebagai respon (Y) dan faktor-faktor yang mempengaruhui jumlah kematian ibu sebagai prediktor (X).


Variabel Keterangan

Y Jumlah Kematian Ibu tiap Kabupaten/Kota X1 Persentase ibu hamil melaksanakan program K1 X2 Persentase ibu hamil melaksanakan program K4 X3 Persentase ibu nifas yang mendapatkan vitamin A

X4 Persentase persalinan persalinan ditolong oleh tenaga kesehatan

X5 Persentase persalinan dibantu oleh dukun tiap kabupaten/kota

X6 Persentase ibu hamil yang mendapatkan Fe1 X7 Persentase ibu hamil yang mendapatkan Fe3 X8 Persentase ibu hamil berisiko tinggi

X9 Persentase ibu hamil komplikasi yang ditangani oleh tenaga kesehatan


Ya

Tidak

Mendeskripsikan statistika deskriptif

Principal Component

Regression (PCR). Mendeteksi adanya

multikolinieritas

Tidak

Ya

Data Kematian Ibu

Mendapatkan model terbaik untuk regresi poisson

Mendeteksi Overdispersi

Mendapatkan model terbaik GPR Mendapatkan model terbaik Regresi Binomial Negatif

Menentukan model terbaik dengan cara membandingkan nilai AIC dari GPR dan Regresi Binomial Negatif yang dihasilkan

Regresi Poisson

Mendapatkan model terbaik


Variabel Minimum Maksimum Varians

Y 1 49 126,2

X1 81,38 100 23,217

X2 69,78 100 51,860

X3 65,60 100 71,750

X4 81,53 100 24,315

X5 0,00 5,10 1,667

X6 75,80 100 46,420

X7 67,60 98,20 50,440

X8 13,34 39,86 32,576

X9 60,81 100 118,730


Variabel VIF

X1 6,464

X2 8,054

X3 2,428

X4 5,727

X5 1,688

X6 6,867

X7

X8

X9

5,286

1,838

1,338

Nilai Korelasi

X1X2 0,723

X1X4 0,776

X6X7 0,723


Uji Serentak

Hipotesis Statistik Uji Nilai yaitu sebesar 389,1 Nilai yaitu sebesar 13,289 Keputusan

H0: β1 = β2 = β3 = β4 = β5 = β6=β7= β8 = β9 = 0 H1: paling sedikit ada satu βj ≠ 0 dengan j=1,23,…9

( )ˆD β2

)15,0;9(χ

Nilai > maka Tolak H0 ( )ˆD β 2)15,0;9(χ

Minimal terdapat satu parameter yang berpengaruh signifikan terhadap model

AIC=288,4


Uji Parsial

H0: βj = 0 H1 : βj ≠ 0

Parameter Estimasi Standard

Error Z P-Value

β0 0.37720 0.845200 0.45 0.6579

β2 -0.06352 0.012420 -5.11 <0,0001

β3 -0.03299 0.005777 -5.71 <0,0001

β4 0.06705 0.016970 3.95 0.0003

β5 0.07945 0.032900 2.42 0.0207

β7 0.05456 0.008048 6.78 <0,0001


Persentase ibu hamil yang melaksanakan program K4 (X2) Persentase ibu nifas yang mendapatkan vitamin A (X3) Persentase persalinan dibantu tenaga kesehatan (X4) Persentase persalinan dibantu oleh dukun (X5) Persentase hamil yang mendapatkan Fe1(X6) Persentase hamil yang mendapatkan Fe3(X7)

( )∆++−−= 405591,0303090,0206687,0expˆ XXXµ

705517,0600693,05006592,0 XXX +−=∆


Kriteria Nilai db Nilai/db

Deviance 223,490 28 7,9789

Pearson

Chi-Square 202,0972 28 7,2178


Kemungkinan Model

(Y dengan Xi) AIC

Parameter yang

Signifikan X5 293,8 β0

X2 X7 291,8 β2, β7

X2 X3 X7 292,6 β0, β2, β7

X2 X3 X4 X7 292,3 β2, β3, β4, β7

X1 X2 X5 X6X7 292,6 β1, β2, β6, β7

X1 X2 X5 X6 X7 X8 293,2 β1, β2, β5, β6, β7

X1 X2 X3 X4 X5 X6X7 294,1 β2, β5, β6 β7

X1 X2 X3 X4 X5 X6X7X8 295,3 β1, β2, β5, β6 β7

X1 X2 X3 X4 X5 X6X7X8 X9 296,9 β1, β2, β5, β6 β7


Uji Serentak


H0: β1 = β2 = β5 = β6=β7= β8 = 0 H1: paling sedikit ada satu βj ≠ 0 dengan j=1,2,5,6,7,8

( )ˆD β2

)15,0;6(χ



AIC=293,2


Uji Parsial

H0: βj = 0 H1 : βj ≠ 0

Parameter Estimasi Standard

Error Z P-Value

β0 1.7180 2.29410 0.75 0.4585

β1 0.1364 0.07634 1.79 0.0821

β2 -0.1249 0.05696 -2.19 0.0346

β6 -0.2000 0.09463 -2.11 0.0412

β7 0.2045 0.08027 2.55 0.0150

θ 0.1073 0.02169 4.94 <0,0001


Persentase ibu hamil yang melaksanakan program K1 (X1) Persentase ibu hamil yang melaksanakan program K4 (X2) Persentase hamil yang mendapatkan Fe1(X6) Persentase hamil yang mendapatkan Fe3(X7)

( )706,0407,0303,0207,044,0expˆ XXXX +−−−=µ


Kemungkinan Model

(Y dengan Xi) AIC

Parameter yang

Signifikan X8 289,28 β8

X5 X8 290.39 β0, β8

X2X3 X7 289,70 β2, β7

X2X3X4 X7 289,28 β2, β3, β4, β7

X2X3X4 X5 X7 290,46 β2, β3, β4, β7

X2X3X4 X5 X7 X9 292.44 β2, β3, β4, β7

X1X2X3 X4 X5X6 X7 293,76 β2, β3, β7

X1X2X3 X4 X5X6 X7 X8 293,76 β2, β3, β7

X1X2X3 X4 X5X6 X7 X8 X9 297,76 β2, β7


Uji Serentak


H0: β2 = β3 = β4 =β7 = 0 H1: paling sedikit ada satu βj ≠ 0 dengan j=2,3,4,7

( )ˆD β2

)15,0;4(χ



AIC=298,28


Uji Parsial

H0: βj = 0 H1 : βj ≠ 0

Parameter Estimasi Standard Error Z P-Value

β0 0,44101 2,29444 0,192 0,84758

β2 -0,07728 0,03304 -2,339 0,01935

β3 -0,02915 0,01625 -1,794 0,07286

β4 0,07426 0,04700 1,580 0,11409

β7 0,05701 0,02052 2,779 0,00546

θ 2,715 0,759 3,577 0,0004


Persentase ibu hamil yang melaksanakan program K4 (X2) Persentase ibu nifas yang mendapatkan vitamin A(X3) Persentase persalinan yang ditolong tenaga kesehatan (X4) Persentase hamil yang mendapatkan Fe3(X7)

)07426,002195,007728,044101,0exp(ˆ 432 ∆++−−= XXXµ

705701,0 X=∆


1. Deskripsi

• Kota Surabaya merupakan kota dengan jumlah kematian ibu terbanyak pada tahun 2013 yaitu sebesar 49 kasusn kematian ibu. Range jumlah kasus kematian ibu di Jawa Timur sangat besar yang mengakibatkan varians juga menjadi besar yaitu sebesar 126,20 artinya jumlah kematian ibu tiap kabupaten/kota di Jawa Timur pada tahun 2013 sangat bervariasi.


3. GPR dan Regresi Binomial Negatif

• GPR menghasilkan persentase ibu hamil yang melaksanakan program K1, persentase ibu hamil yang melaksanakan program K4, persentase ibu hamil yang mendapatkan Fe1 dan persentase persalinan ibu hamil yang mendapatkan Fe3.

• Regresi binomial negatif menghasilkan persentase ibu hamil yang melaksanakan program K4, persentase ibu nifas yang mendapatkan vitamin A , persentase persalinan ditolong oleh tenaga kesehatan, dan persentase ibu hamil yang mendapatkan Fe3.

3. Model Terbaik

• Regresi binomial negatif merupakan model terbaik menghasilkan nilai AIC terkecil yaitu sebesar 289,28.


1. Pemilihan model terbaik sebaiknya tidak hanya menggunakan satu kriteria saja tetapi perlu dikembangkan penggunaan kriteria model terbaik yang lain serta menambahkan variabel bebas yaitu faktor geografis suatu daerah

2. Diharapkan Dinas Kesehatan Jawa Timur meningkatan kualitas pelayanan kesehatan dari pemerintah untuk menekan peningkatan kematian ibu


Agresti, A. (2002). Categorical Data Analysis Seond Edition. New York: John Wiley and Sons. Arfan, N. (2014). Pendekatan Spline untuk Estimasi Kurva Regresi Nonparametrik (Studi Kasus pada

Data Angka Kematian Maternal Di Jawa Timur). Surabaya: Institut Teknologi Sepupuh Nopember.

Aristia, R. (2013). Faktor Yang Mempengaruhui Jumlah Kematian Ibu Hamil di Jawa Timur Menggunakan Regresi Binomial Negatif dan Geographically Weighted Poisson Regression (GWPR). Surabaya: Institut Teknologi Sepuluh Nopember.

Bozdogan, H. (2000). Akaike's Information Criterion and Recent Developments in Information Complexity. Mathematical Psychology , 44, 62-91.

Cameron, A., & Trivedi, P. (1998). Regression Analysis of Count Data. Cambridge: Cambridge University Press.

Chamidah, N. (2008). Pemodelan Regresi Binomial Negatif untuk Mengatasi Overdispersi pada Regresi Poisson pada Kasus Kematian Ibu Melahirkan di Jawa Timur. Surabaya: Institut Teknologi Sepuluh Nopember.

Dermawan, D. A. (2013). Pemodelan Angka Kematian Ibu di Kabupaten Bojonegoro dengan Pendekatan Geographically Weighted Regression. Surabaya: Institut Teknologi Sepuluh Nopember.

[Dinkes]. Dinas Kesehatan. (2010). Profil Kesehatan Provinsi Jawa Timur. Retrieved Februari 22, 2014, from dinkes.jatimprov.go.id: http://dinkes.jatimprov.go.id/dokumen/dokumen_ publikasi.html

[Dinkes]. Dinas Kesehatan. (2012). Profil Kesehatan Provinsi Jawa Timur. Retrieved Februari 22, 2014, from dinkes.jatimprov.go.id: http://dinkes.jatimprov.go.id/dokumen/dokumen_ publikasi.html

Draper, N., & Smith, H. (1992). Analysis Regresi Terapan. Jakarta: PT. Gramedia Pustaka. Famoye, F., Wulu, J., & Singh, K. (2004). On The Generalized Poisson Regression Model with

an Application to Accident Data. Journal of Data Science 2 , 287-295.

Fibrina, A. I. (2007). Faktor-Faktor Risiko Yang Mempengaruhui Kematian Maternal. Diponegoro: Universitas Diponogoro.

Hardin, J., & Hilbe, J. (2007). Generalized Linier Models and Extensions. Texas: A Strata Perss Pubnlication.

Hocking, R. (1996). Methods and Application of Linear Models. New York: John Wiley & Sons. Irawati, B. (2013). Generalized Poisson Regression (GPR) dan Regresi Binomial Negatif untuk

Mengatasi Overdispersi pada Jumlah Kasus Kanker Serviks di Jawa Timur. Surabaya: Institut Teknologi Sepuluh Nopember.

[KemenKesRI]. Kementrian Kesehatan Republik Indonesia. (2013, Juli). Profil Data Kesehatan Republik Indonesia 2012. Retrieved Februari 22, 2014, f rom www.depkes.go.id: http://www.depkes.go.id/downloads/Profil%20Kesehatan_2012%20(4%20Sept%202013).pdf

Listiani, Y. (2010). Pemodelan Generalized Regresi Poisson pada F aktor-Faktor yang Mempengaruhui Angka Kematian Bayi di Jawa Timur Tahun 2007. Surabaya: Institut Teknologi Sepuluh Nopember.

Ma'sum, M., Suparti, & Ispriyanti, D. (2013). Pemodelan Model Regresi Binomial Negatif dengan Model Geographically Weighted Poisson Regression (GWPR) (Studi Kasus: Angka Kematian Ibu di Provinsi Jawa Timur 2011). Dipenegoro:Universitas Dipenegoro.

McCullagh, P., & Nelder, J. (1983). Generalized Linier Models . London: Chapmann and Hall. Myers, R. (1990). Classicaland Modern Regression with Applications, Second Edition. Boston:

PWS_KENT Publishing Company. Novita, L. (2012). Pemodelan Maternal Mortality di Jawa Timur dengan Pendekatan

Geographically Weighted Poisson Regression (GWPR). Surabaya: Institut Teknologi Sepuluh Nopermber.


Pertiwi, L. (2012). Spatial Durbin Model Untuk Mengidentifikasi Faktor-Faktor Yang Mempengaruhi Kematian Ibu Di Jawa Timur. Surabaya: Institut Teknologi Sepuluh Nopember.

Pritasari, E. (2013). Regresi Bivariat Poisson Dalam Pemodelan Jumlah Kematian Bayi dan Jumlah Kematian Ibu di Propinsi Jawa Timur. Surabaya: Institut Teknologi Sepuluh Nopember.

Qomariyah, N. (2011). Pemodelan Faktor-Faktor yang Mempengaruhui Jumlah Kematian Ibu di Jawa Timur dengan Pendekatan Geographically Weighted Poisson Regression Ditinjau dari Segi Fasilitas Kesehatan. Surabaya: Institut Teknologi Sepuluh Nopember.

Rahayu, Dian. (2012). Pemodelan Pengaruh Iklim Terhadap Angka Kejadian Demam Berdarah Dengue di Surabaya. Surabaya: Program Sarjana, Institut Teknologi Sepuluh Nopember.

Wahyuningsih, M. (2011). Kematian Ibu Terbanyak di Jawa Barat, Terendah di Jakarta. Retrieved Februari 22, 2014, from health.detik.com: http://www.detikhealth.com/read/ 2011/07/07/170752/1676862/764/kematian-ibu-terbanyak-di-jawa-barat-terendah-di-jakarta

Walpole, E. R. (1995). Pengantar Statistik Edisi Ketiga. Jakarta: PT. Gramedia Pustaka Utama. [WHO]. World Health Organization. (2010). Maternal Mortality 1990 to 2008: Estimates

developed by WHO, UNICEF and UNFPA and The World Bank. Genewa: Department of Reproductive Health and Research.

Windarti. (2012). Gambaran Kejadian Anemia Ibu Hamil dan Faktor-Faktor yang Berhubungan di Wilayah Kerja Puskesmas Kismantoro Wonogiri tahun 2012. Depok: Universitas Indonesia.

Qomariyah, Nurul. (2011). Pemodelan Faktor-Faktor Yang Mempengaruhi Jumlah Kematian Ibu Di Jawa Timur Dengan Pendekatan GWPR (Geographically Weighted Poisson Regression) Ditinjau Dari Segi Fasilitas Kesehatan. Surabaya. Institut Teknologi Sepuluh Nopember Wahyuningsih, Merry. 2011 . Kematian ibu terbanyak di Jawa Barat, Terendah diJakarta.<URL:http://www.detikhealth.com/read/2011/07/07/170752/1676862/76 4/ kematian-ibu-terbanyak-di-jawa-barat-terendah-di-jakarta > [14 Desember 2013] Walpole, E Ronald. (1995). Pengantar Statistik Edisi Ketiga. Jakarta : PT. Gramedia Pustaka Utama. WHO. 2004. Maternal Mortality in 2000: estimates developed by WHO, UNICEF and UNFPA. Departemen of Reproductive Health and Research Genewa. Windarti. (2012). Gambaran Kejadian Anemia Ibu Hamil Dan Faktor-Faktor Yang Berhubungan Di Wilayah Kerja Puskesmas Kismantoro Wonogiri Tahun 2012. Depok. Universitas Indonesia


pemodelan jumlah kematian ibu di jawa timur dengan...

Documents