BAB II TINJAUAN PUSTAKA
2.1 Angka Kematian Bayi (Infant Mortality Rate/IMR) Angka
kematian
bayi
(AKB)
atau
Infant
Mortality
Rate
(IMR)
menggambarkan jumlah kematian bayi berumur kurang dari satu tahun per 1000 kelahiran hidup pada satu tahun tertentu. Dirumuskan sebagai berikut : ๐ด๐พ๐ต =
๐ท0โ<1๐กโ โ ๐ฟ๐โ๐๐ ๐ป๐๐๐ข๐
๐ฅ๐พ
(2.1)
Dimana : AKB
= Angka Kematian Bayi / Infant Mortality Rate (IMR)
๐ท0โ<1๐กโ
= Jumlah kematian Bayi (berumur kurang 1 tahun) pada satu tahun
tertentu di daerah tertentu โ ๐ฟ๐โ๐๐ ๐ป๐๐๐ข๐ = Jumlah kelahiran hidup pada satu tahun tertentu di daerah tertentu
K
= 1000
Dengan kata lain angka ini menggambarkan probabilitas kematian bayi mulai saat kelahiran sampai menjelang ulang tahun pertamanya. AKB merupakan indikator yang sangat berguna tidak saja untuk mengukur status kesehatan bayi tetapi juga status kesehatan penduduk secara keseluruhan termasuk kondisi ekonomi dimana penduduk tersebut bertempat tinggal. Disamping itu AKB juga merefleksikan tingkat kesehatan ibu, kondisi kesehatan lingkungan dan secara umum tingkat perkembangan sosial ekonomi masyarakat karena IMR sangat sensitif terhadap perubahan tingkat kesehatan dan kesejahteraan masyarakat. 6
7
2.2 Faktor โ Faktor Penyebab Kematian Bayi 2.2.1 Sarana Kesehatan dan Tenaga Medis Menurut Undang-Undang Kesehatan, sarana kesehatan meliputi balai pengobatan, pusat kesehatan masyarakat, rumah sakit umum, rumah sakit khusus, praktik dokter, praktik dokter gigi, praktik dokter spesialis, praktik dokter gigi spesialis, praktik bidan, toko obat, apotek, pedagang besar farmasi, pabrik obat dan bahan obat, laboraturium, sekolah dan akademi kesehatan, balai pelatihan kesehatan, dan sarana kesehatan lainnya. Dalam penelitian ini Sarana kesehatan yang akan digunakan adalah rumah sakit dan puskesmas di setiap kabupaten/kota di Provinsi Bali. Dalam hal ini adanya sarana kesehatan yang memadai pada dapat menjadi tempat pertolongan persalinan bagi Ibu dan bayi yang sesuai dengan standar kesehatan yang telah ditetapkan oleh Departemen Kesehatan Republik Indonesia. Dalam penulisan penelitian ini tenaga medis yang dimaksud adalah bidan di setiap rumah sakit dan puskesmas. Ketersediaan tenaga medis dan pengetahuan serta keterampilan yang baik akan menjadi pembantu/penolong persalinan ibu sesuai dengan standar medis/ketentuan yang baku menurut ilmu kedokteran.
2.2.2 Pemberian ASI ASI merupakan sumber nutrisi alami yang paling sempurna bagi bayi. Kandungan nutrisi dalam ASI dipastikan mampu memenuhi kebutuhan bayi sesuai dengan tahap tumbuh kembangnya. Penelitian ilmiah menunjukkan bahwa belum ada susu formula yang kandungan nutrisinya mampu menyamai ASI.
8
Disamping itu ASI juga terjaga sterilisasinya sehingga tidak mungkin terkontaminasi bakteri seperti halnya susu formula. Pemberian ASI kepada bayi terbukti mampu memberikan kekebalan tubuh alami disamping mempererat hubungan ibu dan bayi yang juga berdampak pada sisi psikologis bayi. Perubahan gaya hidup dan tuntutan kebutuhan saat ini mendorong kaum wanita termasuk ibu untuk ikut bekerja menunjang perekonomian keluarga. Keadaan ini akan berpengaruh terhadap keputusan pemberian ASI kepada bayi. Hasil Susenas 2010 menunjukkan bahwa daerah-daerah pusat kegiatan ekonomi seperti Kabupaten Badung dan kota Denpasar, persentase balita yang mendapat ASI lebih rendah jika dibandingakn dengan wilayah lainnya.
2.2.3 Penolong Kelahiran Pertama Kesadaran tentang arti pentingnya kesehatan akan mempengaruhi kualitas hidup masyarakat. Kesadaran ini salah satunya memengaruhi preferensi mengenai penolong kelahiran. Semakin tinggi kesadaran masyarakat, akan lebih memilih tenaga medis sebagai penolong persalinan dan sebaliknya. Penolong kelahiran oleh tenaga kesehatan dengan kemampuan medis yang terlatih dan memadai akan memperkecil peluang kematian bayi yang ditanganinya. Sebagai implikasi lebih jauh, semakin besar persentase bayi yang dilahirkan dengan bantuan medis diharapkan mampu menekan angka mortalitas. Di sisi lain, keterlibatan tenaga medis dalam menolong proses persalinan diharapkan juga mampu menurunkan angka kematian ibu terutama saat melahirkan.
9
2.2.4 Pendidikan Ibu Pendidikan adalah salah satu hal penting dalam kehidupan. Pendidikan yang dijalani seseorang memiliki pengaruh pada peningkatan kemampuan berfikir, dengan kata lain seseorang yang berpendidikan lebih tinggi akan dapat mengambil keputusan yang lebih rasional, umumnya terbuka untuk menerima perubahan atau hal baru dibandingkan dengan individu yang berpendidikan lebih rendah. Dalam hal ini pendidikan seorang ibu sangat penting, seorang ibu hamil yang tidak memiliki pendidikan dapat menyebabkan kurangnya pengetahuan. Rendahnya pendidikan ibu hamil akan mengakibatkan kurangnya perhatian ibu terhadap janin yang dikandung dan kelainan-kelainan dalam kehamilan. Sehingga pada akhirnya akan mengakibatkan resiko kelahiran yang tidak diinginkan. Selain itu pendidikan ibu juga berpengaruh kepada keputusan pemberian ASI. Tingkat pendidikan dan pengetahuan ibu berpengaruh dalam praktek menyusui. Semakin tinggi tingkat pendidikan ibu semakin baik. Hal ini akan memberikan kecendrungan ibu dalam bersikap dengan memberikan yang terbaik bagi bayi.
2.3 Regresi Poisson Regresi Poisson merupakan suatu bentuk analisis regresi yang digunakan untuk memodelkan data yang berbentuk jumlah, dan variabel responnya tidak berdistribusi normal, misalnya data tersebut adalah banyaknya kejadian yang terjadi dalam satu periode waktu atau wilayah tertentu. Regresi Poisson mengasumsikan bahwa variabel random berdistribusi poisson dengan yi adalah
10
suatu jumlah, dengan yi=0,1,2,โฆ. Suatu variabel random didefinisikan mempunyai distribusi Poisson jika fungsi peluangnya diberikan sebagai berikut : ๐ โ๐ข ๐๐ ๐ฆ๐
๐ (๐ฆ๐ ) = {
๐ฆ๐ !
0
, ๐ฆ๐ = 0,1,2, โฆ
(2.2)
๐ข๐๐ก๐ข๐ ๐๐๐๐๐๐ฆ๐
Dengan parameter ๐๐ > 0 . Persamaan di atas disebut fungsi peluang Poisson. Diasumsikan terdapat fungsi g, yang menghubungkan mean dari respon ke prediktor linear dapat ditulis sebagai berikut: ๐(๐๐ ) = ๐ฝ0 + ๐ฝ1 ๐ฅ1 + โฏ + ๐ฝ๐ ๐ฅ๐ = ๐ฅ๐ โฒ ๐ฝ
(2.3)
Fungsi g biasanya disebut dengan pemetaan fungsi. Hubungan antara mean dan predictor linear. Pemetaan fungsi untuk distribusi Poisson adalah pemetaan log yang dinyatakan ๐(๐๐ ) = ๐๐(๐๐ ) = ๐ฅ๐ โฒ ๐ฝ
(2.4)
Dari persamaan pemetaan log, hubungan antara mean dari variabel respon dan prediktor linear adalah โฒ
๐๐ = ๐โ1 ( ๐ฅ๐ โฒ ๐ฝ) = ๐๐ฅ๐ ๐ฝ
(2.5)
Pengujian kesesuaian distribusi untuk peubah acak Y adalah dengan uji Kolmogorov-Smirnov. Uji Kolmogorov Smirnov merupakan pengujian yang banyak dipakai, terutama setetlah adanya banyak program statistika yang beredar. Kelebihan dari uji ini adalah sederhana dan tidak menimbulkan perbedaan persepsi di antara satu pengamat dengan pengamat yang lain. Berikut ini adalah hipotesis uji Kolmogorov-Smirnov:
11
๐ป0 : ๐น(๐ฆ) = ๐น โ (๐ฆ) (๐๐๐ข๐๐โ ๐๐๐๐ ๐ ๐๐๐๐๐๐๐ข๐ก๐ ๐๐๐ ๐ก๐๐๐๐ข๐ ๐ ๐ก๐๐๐ก๐๐๐ก๐ข) ๐ป1 : ๐น (y) โ ๐น โ (๐ฆ) (๐๐๐ข๐๐โ ๐๐๐๐ ๐ ๐ก๐๐๐๐ ๐๐๐๐๐๐๐ข๐ก๐ ๐๐๐ ๐ก๐๐๐๐ข๐ ๐ ๐ก๐๐๐ก๐๐๐ก๐ข) Statistika uji Kolmogorov-Smirnov ditentukan berdasarkan nilai terbesar dari selisih antara nilai fungsi distribusi teoritis dengan nilai fungsi distribusi empirisnya, yaitu: ๐ = ๐ ๐ข๐๐ฆ [๐น โ (๐ฆ) โ ๐น(๐ฆ)]
(2.6)
Kriteria untuk pengujian ini adalah tolak H0 jika ๐ > ๐(1โ๐ผโ2) , dimana ๐(1โ๐ผโ2) adalah nilai kritis yang diperoleh dari tabel statistik uji Kolmogorov-Smirnov dan ฮฑ adalah taraf signifikasi.
2.3.1 Pendugaan Parameter Model Regresi Poisson Pendugaan parameter regresi poisson dilakukan dengan menggunakan metode Maximum Likelihood Estimator (MLE). Pendugaan Maksimum Likelihood Estimator untuk n pengamatan dengan respon y dan prediktor x adalah ๐ฟ(๐ฝ; ๐ฆ) = โ๐๐=1 ๐๐ (๐ฆ๐ ) = โ๐๐=1
๐ โ๐๐ ๐๐ ๐ฆ๐ ๐ฆ๐ !
=
๐ ๐ฆ๐ โ๐ ๐=1 ๐๐ ๐๐ฅ๐ (โ โ๐=1 ๐๐ )
โ๐ ๐=1 ๐ฆ๐ !
(2.7)
Dengan ๐๐ = ๐โ1 ( ๐ฅ๐ โฒ ๐ฝ), untuk mempermudah perhitungan pendugaan maksimum likelihood parameter dari ๐ฝ0 , ๐ฝ1 , โฆ , ๐ฝ๐ fungsi ๐ฟ(๐ฝ; ๐ฆ), akan digunakan fungsi lnlikelihood sebagai berikut:
ln ๐ฟ(๐ฝ; ๐ฆ) = ๐๐ (
โ๐๐=1 ๐๐ ๐ฆ๐ ๐๐ฅ๐(โ โ๐๐=1 ๐๐ ) ) โ๐๐=1 ๐ฆ๐ !
ln ๐ฟ(๐ฝ; ๐ฆ) = โni=1 ๐ฆ๐ ln ๐๐ โ โ๐๐=1 ๐๐ โ โni=1 ln ๐ฆ๐ !
(2.8)
12
Setelah diperoleh ln dari fungsi likelihoodnya, maka penduga maksimum dari ๐ฝ0 , ๐ฝ1 , โฆ , ๐ฝ๐ akan diperoleh dengan mendiferensialkan ln ๐ฟ(๐ฝ; ๐ฆ) secara parsial terhadap ๐ฝ0 , ๐ฝ1 , โฆ , ๐ฝ๐ kemudian disamakan dengan nol. ๐ ๐๐ฝ
[ln ๐ฟ (๐ฝ; ๐ฆ)] = 0
(2.9)
Dari persamaan diperoleh ๐ + 1 persamaan likelihood. Apabila dinyatakan dalam vektor maka diperoleh: ๐ ln ๐ฟ(๐ฝ ) ๐๐ฝ0 ๐0 (๐ฝ ) ๐ ln ๐ฟ(๐ฝ ) (๐ฝ ) ๐ 1 ]= ๐ (๐ฝ ) = [ ๐๐ฝ1 โฎ โฎ ๐๐ (๐ฝ ) ๐ ln ๐ฟ(๐ฝ ) [ ๐๐ฝ๐ ] โ๐๐=1{๐ฆ๐ โ ๐๐ฅ๐(๐ฝ0 + โ๐๐=1 ๐ฝ๐ ๐ฅ๐๐ )} =
โ๐๐=1{๐ฅ๐1 (๐ฆ๐ โ ๐๐ฅ๐(๐ฝ0 + โ๐๐=1 ๐ฝ๐ ๐ฅ๐๐ ))} โฎ ๐ ๐ โ [ ๐=1{๐ฅ๐๐ (๐ฆ๐ โ ๐๐ฅ๐(๐ฝ0 + โ๐=1 ๐ฝ๐ ๐ฅ๐๐ ))}]
(2.10)
0 = [0] = 0 โฎ 0 ๐ฝฬ0 ฬ ๐ฝฬ adalah penduga maksimum likelihood bagi ๐ฝ yang dinyatakan dengan ๐ฝฬ = ๐ฝ1 โฎ ฬ [๐ฝ๐ ] ๐ฝ0 ๐ฝ dan ๐ฝ = [ 1 ]. โฎ ๐ฝ๐
13
2.3.2 Pengujian Parameter Model Regresi Poisson Pengujian parameter model dilakukan dengan menguji parameter secara parsial. Pengujian ini untuk mengetahui parameter mana saja yang signifikan mempengaruhi variabel respon. Bentuk hipotesis pengujian parameter model secara parsial adalah : ๐ป0 : ๐ฝ๐ = 0 ; ๐ = 1,2, โฆ , ๐ ๐ป1 : ๐ฝ๐ โ 0 Dalam pengujian hipotesis di atas dapat digunakan statistik uji Z sebagai berikut: ฬ (๐ข๐,๐ฃ๐) ๐ฝ
๐ = ๐ ๐(๐๐ฝฬ
(2.11)
ฬ ) = โ๐ฃ๐๐(๐ฝ ฬ ) ๐ ๐(๐ฝ ๐ ๐
(2.12)
๐ (๐ข๐ ,๐ฃ๐ ))
Dengan,
Dengan ๐ฃ๐๐(๐ฝฬ๐ ) merupakan element ke-k diagonal pada matriks ๐ฃ๐๐(๐ฝฬ๐ ) yang berukuran ((๐ + 1)๐ฅ(๐ + 1)) dan ๐ฝฬ๐ merupakan taksiran parameter model yang memaksimumkan fungsi log-likelihood. Kriteria pengujiannya adalah tolak ๐ป0 ๐๐๐๐ |๐โ๐๐ก | > ๐๐ผโ2;๐โ(๐+1) 2.3.3 Overdispersi dan Underdispersi Dalam model regresi Poisson terdapat asumsi yang harus dipenuhi, yaitu nilai mean dan varian pada variabel respon harus sama, yang disebut juga dengan keadaan ekuidispersi. Tetapi bila nilai mean dan varian tidak sama, misalnya nilai varian lebih besar dari mean maka ini disebut dengan keadaan overdispersi. Dan jika nilai varian lebih kecil dari mean disebut underdispersi. Keadaan
14
overdispersi/underdispersi juga dapat dilihat dari nilai rasio mean dan varian yang lebih dari 2.5 (Indaswari, 2011). Model Negative Binomial dan Generalized Poisson Regression merupakan suatu
model
regresi
yang
digunakan
untuk
mengatasi
masalah
overdispersi/underdispersi. Generalized Poisson Regression hampir sama dengan Regresi Poisson yaitu merupakan suatu model GLM(General Linier Model). Akan tetapi pada model Generalized Poisson Regression mengasumsikan bahwa komponen randomnya berdistribusi Generalized Poisson.
2.4 Model Geographically Weighted Regression (GWR) Menurut Gracia Isabel (2007), regional sciene merupakan teknik analisis regresi linier telah berkembang secara luas, meskipun penggabungan yang secara eksplisit dari lokasi dan ruang yang tidak memiliki pertimbangan secara umum. Anselin (1988) menyebutkan bahwa heterogenitas spasial (spasial heterogeneity) di dalam regional sciene merupakan salah satu hal penting yang perlu mendapatkan perhatian khusus. Terjadinya heterogenitas spasial dapat disebabkan oleh kondisi unit-unit spasial didalam suatu wilayah penelitian yang pada dasarnya tidak homogen. Misalnya saja tingkat pendapatan masing-masing wilayah atau daerah berbeda-beda. Metode Geographically Weighted Regression (GWR) adalah suatu teknik yang membawa kerangka dari model regresi linear sederhana menjadi model regresi terboboti. Menurut Fotheringham dkk (dalam Mennis, 2006), GWR adalah metode statistik yang digunakan untuk menganalisis heterogenitas spasial.
15
Heterogenitas yang dimaksud adalah satu keadaan dimana pengukuran hubungan diantara variabel-variabel berbeda-beda antara lokasi yang satu dengan lokasi yang lain. Heterogenitas spasial terjadi apabila satu peubah bebas yang sama memberikan respon yang tidak sama pada lokasi yang berbeda didalam satu wilayah penelitian. Brudson (1996) menyebutkan bahwa inti penggunaan metode GWR adalah menentukan model regresi untuk masing-masing titik lokasi sehingga model-model regresi yang diperoleh akan bersifat unik, yaitu model regresi untuk titik-titik yang satu berbeda dengan titik-titik yang lainnya. Metode GWR adalah suatu teknik yang membawa kerangka dari model regresi sederhana menjadi model regresi terboboti (Fotheringham,2002). Model GWR dapat dinotasikan sebagai berikut : ๐
๐๐ = ๐ฝ0 (๐ข๐ , ๐ฃ๐ ) + โ๐=1 ๐ฝ๐ (๐ข๐ , ๐ฃ๐ )๐๐๐ + ๐๐
Dimana : i
: 1,2,โฆ,n
j
: 1,2,โฆ,k
p
: banyaknya variable bebas
ui
: koordinat spasial longitude untuk pengmatan ke-i
vi
: koordinat spasial latitude untuk pengamatan ke-i
๐ฝ0 (๐ข๐ , ๐ฃ๐ ) : nilai intercept model regresi GWR ๐ฝ๐
: koefisien regresi
Xi1, Xi2,โฆ, Xip : peubah-peubah bebas pada pengamatan ke-i ๐๐
: galat ke-i, berdistribusi normal dengan mean nol serta varian konstan
(2.13)
16
Dengan demikian setiap parameter dihitung pada setiap titik lokasi geografis. Jika nilai parameter regresi konstan pada tiap-tiap wilayah geografis, maka model GWR adalah model global, artinya tiap-tiap wilayah geografis mempunyai model yang sama. Hal ini merupakan kasus khusus dari GWR.
2.5 Geographically Weighted Poisson Regression (GWPR) Model GWPR ini merupakan model regresi linier lokal yang menghasilkan penaksiran parameter model yang bersifat lokal untuk setiap titik/lokasi dimana data tersebut dikumpulkan. Dalam model GWPR variabel respon yang diprediksi dengan variabel bebas yang masing-masing koefisien regresinya bergantung pada lokasi dimana data tersebut diamati. Dinotasikan Ui = (ui , vi ) yang merupakan vektor koordinat dua dimensi (lintang, bujur) lokasi i, sehingga model regresi poisson dapat ditulis sebagai berikut: ๐ฆ๐ ~๐๐๐๐ ๐ ๐๐ [๐๐ ] ๐๐ = ๐๐ฅ๐(โ ๐ฝ๐ (๐๐ ) ๐ฅ๐๐ )
(2.14)
Dimana ๐ฆ๐ = nilai observasi variabel respon ke i ๐ฅ๐๐ = nilai observasi variabel prediktor k pada pengamatan lokasi ๐๐ ๐ฝ๐ (๐๐ ) = koefisien regresi untuk setiap lokasi ๐๐
2.5.1 Pendugaan Parameter Model GWPR Model GWPR menghasilkan penaksir parameter model yang bersifat lokal untuk setiap titik atau lokasi dimana data tersebut dikumpulkan. Model GWPR dapat ditulis sebagai berikut pada persamaan:
17
๐๐ = ๐๐ฅ๐(๐ฅ๐โฒ ๐ฝ(๐๐ ))
(2.15)
Dimana ๐ฅ๐ = (1 ๐ฅ1๐ ๐ฅ2๐โฆ ๐ฅ๐๐ )โฒ ๐ฝ (๐๐ ) = (๐ฝ0 (๐๐ ) ๐ฝ1 (๐๐ )
๐ฝ2 (๐๐ ) โฆ ๐ฝ๐ (๐๐ ))
โฒ
๐๐ = (๐ข๐ , ๐ฃ๐ ) merupakan koordinat (lintang bujur) lokasi i Penaksiran parameter model GWPR dapat dilakukan dengan menggunakan metode Maximum Likelihood Estimation (MLE). Estimasi parameter diperoleh dengan memaksimumkan fungsi log likelihoodnya dengan cara menurunkannya terhadap ๐ฝโฒ(๐๐ ) , kemudian hasilnya disamadengankan dengan nol. Persamaan tersebut merupakan persamaan yang berbentuk implisit sehingga untuk menyelesaikan permasalahan tersebut digunakan suatu prosedur iterasi numerik yaitu dengan menggunkan metode iterasi Newton Rhapson Iteratively Reweighted Least Square (IRLS). Penaksir parameter model GWPR adalah sebagai berikut: โ1
๐ฝ(๐+1) (๐๐ ) = (๐ โฒ ๐(๐๐ )(๐) ๐ด(๐๐ )(๐) ๐) (๐ โฒ ๐(๐๐ )(๐)๐ด(๐๐ )(๐) ๐ง(๐๐ )(๐) )
(2.16)
dimana : X : matrik prediktor, dinotasikan sebagai berikut: 1 1 โฎ [1
๐ฅ1,1 โฆ ๐ฅ1,2 โฆ โฎ ๐ฅ1,๐ โฆ
๐ฅ๐,1 ๐ฅ๐,2 โฎ ๐ฅ๐,๐ ]
๐(๐๐ ) : matrik pembobot, dinotasikan sebagai berikut: ๐ (๐๐ ) = ๐๐๐๐ [๐ค๐1
๐ค๐2
โฆ ๐ค๐๐ ]
๐ด(๐๐ )(๐) : Matrik pembobot varian yang berhubungan dengan Fisher scoring
untuk setiap lokasi i, dinotasikan sebagai berikut: ๐ด(๐๐ ) = ๐๐๐๐ [๐ฆฬ1 (๐ฝ(๐) (๐๐ )) ๐ฆฬ2 (๐ฝ(๐) (๐๐ )) โฆ ๐ฆฬ๐ (๐ฝ(๐) (๐๐ )) ]
18
Dan (๐๐ ) : Vektor adjusted dari variable respon, didefinisikan sebagai berikut: ๐ง (๐) (๐๐ ) = (๐ง1 (๐) (๐๐ ), ๐ง2 (๐) (๐๐ ), โฆ , ๐ง๐ (๐) (๐๐ )) ๐ง (๐) (๐๐ ) = {(
๐ง
(๐) (
๐๐ ) = {(
๐ฆ๐ โ ๐ฆฬ ๐ ๐ฝ(๐) (๐๐ ) ๐ฆฬ ๐ ๐ฝ
( ๐)
(๐๐ )
๐ฆ๐ โ ๐ฆฬ ๐ ๐ฝ(๐) (๐๐ ) ๐ฆฬ ๐ ๐ฝ(๐) (๐๐ )
๐ง (๐) (๐๐ ) = ฮทj ๐ฝ(๐) (๐๐ ) +
โฒ
) + ๐ฅโฒ๐ ๐ฝฬ (๐) (๐๐ )}
) + ( ๐ฝ0
( ๐)
๐พ
(๐๐ ) + โ ๐ฝ๐ (๐) (๐๐ )๐ฅ๐,๐ )}
( ) ๐ฆ๐ โ ๐ฆฬ ๐ ๐ฝ ๐ (๐๐ ) ( ) ๐ฆฬ ๐ ๐ฝ ๐ (๐๐ )
๐
(2.17)
2.5.2 Pengujian Parameter Model GWPR Pengujian kelayakan model yang diperoleh dari estimasi parameter, dilakukan dengan menggunakan metode Maximum Likelihood Ratio Test (MLRT) dengan melakukan pengujian hipotesis berikut: ๐ป0 : ๐ฝ๐ (๐ข๐ , ๐ฃ๐ ) = ๐ฝ๐ , ๐ = 1,2, โฆ , ๐ (tidak ada perbedaan yang signifikan antara model regresi Poisson dan GWPR) ๐ป1 : paling sedikit ada satu ๐ฝ๐ (๐ข๐ , ๐ฃ๐ ) yang berhubungan dengan lokasi (๐ข๐ , ๐ฃ๐ ) (ada perbedaan yang signifikan antara model regresi Poisson dan GWPR) ๐ฟ(๐ ฬ ๐ท(๐ฝฬ ) = โ2 ๐๐ (๐ฟ(๐บ) ฬ)
(2.18)
๐ท(๐ฝฬ ) disebut juga sebagai statistik rasio likelihood, dimana statistik ini merupakan pendekatan dari distribusi ๐ 2 derajat bebas ๐ โ ๐ โ 1 bila model yang sedang diamati adalah benar. Pengujian kesesuaian model GWPR menggunakan perbandingan nilai devians model regresi Poisson dan model GWPR. Misalkan
19
model regresi Poisson dinyatakan dengan model A dengan derajat bebas dfA dan model GWPR dinyatakan dengan model B dengan derajat bebas dfB maka: ๐ท๐๐ฃ๐๐๐๐ ๐๐๐๐๐ ๐ด/๐๐๐ด
๐นโ๐๐ก =
(2.19)
๐ท๐๐ฃ๐๐๐๐ ๐๐๐๐๐ ๐ต/๐๐๐ต
Kriteria pengujiannya adalah tolak ๐ป0 apabila Fhit > F(ฮฑ;dfA;dfB) Pengujian parameter model dilakukan dengan menguji parameter secara parsial. Pengujian ini untuk mengetahui parameter mana saja yang signifikan mempengaruhi variabel responnya. Bentuk hipotesisnya adalah sebagai berikut: ๐ป0 : ๐ฝ๐ (๐ข๐ , ๐ฃ๐ ) = 0 (parameter ๐ฝ๐ (๐ข๐ , ๐ฃ๐ ) tidak berpengaruh signifikan pada lokasi (๐ข๐ , ๐ฃ๐ )) ๐ป1 : ๐ฝ๐ (๐ข๐ , ๐ฃ๐ ) โ 0 ; ๐ = 1,2, โฆ , ๐ (parameter (๐ข๐ , ๐ฃ๐ ) berpengaruh signifikan pada lokasi (๐ข๐ , ๐ฃ๐ )) Dalam pengujian hipotesis di atas dapat digunakan statistik uji sebagai berikut:
๐ก=
ฬ๐ (๐๐ ) ๐ฝ ฬ๐ (๐๐ )) ๐๐(๐ฝ
(2.20)
Kriteria pengujiannya adalah tolak ๐ป0 jika |๐กโ๐๐ก | > ๐ก๐ผ;๐โ(๐+1) 2
Pada analisis spasial, penaksiran parameter di suatu titik (๐ข๐ , ๐ฃ๐ ) akan lebih dipengaruhi titik-titik yang dekat dengan lokasi (๐ข๐ , ๐ฃ๐ ) dari pada titik-titik yang lebih jauh. Oleh karena itu pemilihan pembobot spasial yang digunakan dalam menaksir parameter pada persamaan menjadi sangat penting. Bobot yang digunakan adalah fungsi bisquare kernel dirumuskan sebagai berikut: 2
๐๐๐ 2โ (1 โ ( ๐บ 2 )) , ๐ข๐๐ก๐ข๐ ๐๐๐ โค ๐บ; ๐ค๐ (๐ข๐ , ๐ฃ๐ ) = { 0 Dengan
, ๐ข๐๐ก๐ข๐ ๐๐๐ > ๐บ
(2.21)
20
dij = jarak Euclidian, ๐๐๐ = โ(๐ข๐ โ ๐ข๐ )2 + (๐ฃ๐ โ ๐ฃ๐ )2 G = bandwith optimum Selanjutnya, untuk mendapatkan model yang terbaik maka sejumlah model harus dievaluasi. Metode yang digunakan untuk memilih bandwith optimum dan pemilihan model terbaik untuk GWPR adalah dengan menggunakan metode AIC (Akaikeโs Information Criterion). Model terbaik yang digunakan dengan AIC terkecil. ๐ด๐ผ๐ถ = ๐ท(๐บ ) + 2๐พ(๐บ)
(2.22)
Dimana: ๐
๐
๐
๐
๐ฆ๐ log ๐ฆฬ๐ (๐ฝ(๐ข๐ )), ๐บ) ๐ท (๐บ ) = โ ( ) + โ(๐ฆ๐ โ ๐ฆฬ๐ (๐ข๐ ), ๐บ) ๐ฆ๐ ๐พ(๐บ) = jumlah parameter dalam model dengan bandwith (G)
2.6 Multikolinieritas Multikolinieritas adalah suatu kondisi dimana terjadi korelasi antara variabel bebas atau antar variabel bebas tidak bersifat saling bebas. Besaran yang dapat digunakan untuk mendeteksi adanya multikolinieritas adalah faktor inflansi ragam (Variance Inflation Factor/VIF). VIF digunakan sebagai kriteria untuk mendeteksi multikolinieritas pada regresi linier yang melibatkan lebih dari dua variabel bebas. Menurut Hari Krisna (2011) batasan yang dipergunakan untuk menunjukkan suatu varisbel mengandung multikolinieritas adalah VIF > 5. VIF untuk koefisien regresi-j didefinisikan sebagai berikut :
21
1
๐๐ผ๐น๐ = 1โ๐
๐
2
(2.23)
dengan: ๐
๐ 2 adalah koefisien determinasi antara ๐๐ dengan variabel bebas lainnya pada persamaan dugaan regresi; dimana j = 1,2,โฆ,p.