GENERALIZED POISSON REGRESSION DAN REGRESI BINOMIAL NEGATIF

PADA KASUS KEMATIAN BAYI DI KABUPATEN BOJONEGORO TAHUN 2016

Widhi Dwi Pawestri

Departemen Biostatistika dan Kependudukan
Fakultas Kesehatan Masyarakat Universitas Airlangga
Kampus C Unair Mulyorejo Surabaya 60115
Alamat Korespondensi : [email protected]

ABSTRACT
The case of infant mortality in Bojonegoro Regency was quite high. According to Bojonegoro
District Health Profile (2016), Infant Mortality Rate (IMR) in Bojonegoro Regency increased
every year, from 2008-2016. One of the statistical methods that can analyze the factors that
affect the case of death is Poisson regression. In Poisson regression there was assumption
equidispersi that must be fulfilled is the value of variance equal to mean value. However, in
reality there was often a case of overdispersion in the response variable that is more than the
value of the mean value. It is known that there was overdispersion in the response variable
data in this study. The condition can be solved by using Generalized Poisson Regression
(GPR) model and Binomial negative regression model. In this study, the comparison between
the GPR model and the negative Binomial regression model with the best model selection in
model of infant mortality cases in Bojongoro District 2016. This study used secondary data
obtained from Bojonegoro District Health Office. The predictor variables suspected to affect
infant mortality are examination with K4 program, pregnancy complication handled, labor
by health worker, Low Birth Weight (LBW), pregnant mother gets Fe3 tablet, and PHBS
household. The result of research with GPR model resulted significant variable affecting
infant mortality is percentage of PHBS household and LBW percentage. Whereas, with
negative Binomial regression model did not yield significant variables. The best model
obtained with the smallest AIC value is the Generalized Poisson Regression model.

Keywords: Infant Death, Generalized Poisson Regression, Negative Binomial Regression

ABSTRAK
Kasus kematian bayi di Kabupaten Bojonegoro sampai saat ini cukup tinggi. Menurut Profil
Kesehatan Kabupaten Bojonegoro (2016), Angka Kematian Bayi (AKB) di Kabupaten
Bojonegoro mengalami peningkatan setiap tahun, dari tahun 2008-2016. Salah satu metode
statistika yang dapat menganalisis faktor yang berpengaruh terhadap kasus kematian adalah
regresi Poisson. Pada regresi Poisson terdapat asumsi equidispersi yang harus dipenuhi yaitu
nilai varian sama dengan nilai mean. Namun, pada kenyataannya seringkali terjadi kasus
overdispersi pada variabel respon yaitu nilai varian lebih dari nilai mean. Diketahui bahwa
terjadi overdispersi pada data variabel respon pada penelitian ini. Kondisi tersebut dapat
diatasi dengan menggunakan Generalized Poisson Regression (GPR) dan regresi Binomial
negatif. Pada penelitian ini dilakukan aplikasi GPR dan regresi Binomial negatif dalam
pemodelan kasus kematian bayi di Kabupaten Bojongoro tahun 2016. Penelitian ini
menggunakan data sekunder yang diperoleh dari Dinas Kesehatan Kabupaten Bojonegoro.
Adapun variabel prediktor yang diduga mempengaruhi kematian bayi adalah pemeriksaan
dengan program K4, komplikasi kehamilan yang ditangani, persalinan oleh tenaga kesehatan,
Berat Badan Lahir Rendah (BBLR), ibu hamil mendapat tablet Fe3, dan rumah tangga ber-
PHBS. Hasil penelitian dengan model GPR menghasilkan variabel yang signifikan
berpengaruh terhadap kematian bayi adalah persentasi rumah tangga ber-PHBS dan
persentasi BBLR. Sedangkan, dengan model regresi Binomial negatif tidak menghasilkan
variabel yang signifikan. Model terbaik yang didapatkan dengan nilai AIC terkecil yaitu pada
model Generalized Poisson Regression.

Kata Kunci: Kematian bayi,Generalized Poisson Regression, regresi Binomial negatif

Commented [SAS1]: In order : kematian bayi—poisson
regression, binomial negative
PENDAULUAN kelainan kongenital. Selain itu, penyebab
tidak lagsung berasal dari faktor ibu, faktor
Dalam bidang kesehatan angka bayi, faktor lingkungan, dan faktor
kematian merupakan salah satu indikator pelayanan kesehatan. Faktor ibu dapat
untuk menilai derajat kesehatan berupa riwayat komplikasi kehamilan pada
masyarakat, terutama kematian bayi. ibu. Ibu hamil dengan riwayat komplikasi
Upaya penurunan Angka Kematian Bayi kehamilan berkaitan dengan bayi prematur.
(AKB) di Indonesia perlu ditingkatkan Salah satu pencegahan kematian bayi
setiap tahunnya. Menurut Badan Pusat adalah adanya kontak dengan tenaga
Statistika (BPS Jatim), AKB di Jawa kesehatan sejak awal untuk mendeteksi
Timur tahun 2016 sebesar 23,60 per 1000 riwayat komplikasi sehingga segera
kelahiran penduduk. Sedangkan, target mendapat penanganan dan dapat mencegah
AKB untuk Millenium Development Goals bayi lahir prematur (Ingan, dkk, 2017).
(MDGs) pada tahun 2015 sebesar 23 per Penyebab kematian bayi oleh faktor bayi
1000 kelahiran hidup sehingga Jawa Timur itu sendiri salah satunya adalah BBLR.
ditahun 2016 masih diatas target meskipun Bayi dengan BBLR mempunyai resiko
hanya selisih cukup kecil. Terdapat salah lebih tinggi terhadap kematian karena pada
satu Kabupaten di Jawa Timur dengan kondisi tersebut bayi rentan mengalami
AKB cukup tinggi yaitu Kabupaten gangguan kesehatan, seperti hipotermia
Bojonegoro. AKB di Kabupaten dan infeksi (Prawirohardjo, 2008).
Bojonegoro masih cukup tinggi sampai Dampak bayi dengan BBLR juga dapat
pada saat ini. Menurut Badan Pusat mengalami asfiksia. Asfiksia adalah suatu
Statistika (BPSJatim), AKB di Kabupaten keadaan gagal bernafas secara spontan dan
Bojonegoro mengalami kenaikan setiap teratur yang terjadi pada bayi sesaat setelah
tahun. Pada tahun 2015 AKB di Kabupaten dilahirkan. Menurut Depkes RI (2009),
Bojonegoro sebesar 34,86 per 1000 masalah asfiksia berkaitan dengan keadaan
kelahiran hidup. Sedangkan, tahun 2016 ibu. Maka pemeriksaan ibu selama
juga mengalami kenaikan yaitu sebesar kehamilan juga perlu, seperti kunjungan
35,00 per 1000 kelahiran hidup. Angka ibu hamil dengan program K4. Faktor
tersebut artinya masih diatas target MDG’s lingkungan dan faktor pelayanan kesehatan
yang diketahui sebesar 23 per 1000 juga dapat berupa persalinan oleh tenaga
kelahiran hidup. Menurut Profil Kesehatan kesehatan.
Kabupaten Bojonegoro (2016), AKB di Metode statistika yang bertujuan
Kabupaten Bojonegoro cenderung untuk mengambarkan hubungan antara
meningkat selama 9 tahun terakhir. variabel respon dan variabel prediktor
Terdapat banyak faktor penyebab dengan sebuah model adalah regresi.
kematian bayi baik berupa penyakit Output regresi dapat berupa persamaan
maupun lainnya. Penelitian oleh Arinta regresi (Singgih, 2010). Umumnya,
dkk (2016), menunjukkan bahwa penyebab analisis regresi digunakan untuk data yang
langsung kematian bayi adalah Berat variabel responnya berupa data kontinu.
Badan Lahir Rendah (BBLR), asfiksia, dan Namun, terdapat model regresi yangdapat
digunakan untuk menganalisis data diskret (1993), model GPR cocok digunakan
yang berupa data cacah (count). Model untuk data count yang mengalami
regresi tersebut adalah regresi Poisson. overdispersi atau underdispersi.
Regresi Poisson digunakan untuk Sedangkan, regresi Binomial negatif juga
menganalisis hubungan antara variabel disarankan untuk menganalisis data count
respon yang berupa data count dan variabel yang mengalami overdispersi. Jadi dapat
prediktor berupa data diskrit, kontinu, disimpulkan bahwa model GPR dan regresi
kategorik maupun campuran. Variabel Binomial negatif mempunyai fungsi sama
respon pada regresi Poisson juga yaitu mengatasi kondisi overdispersi pada
diharuskan mengikuti distribusi Poisson. regresi Poisson.
Menurut Danardono (2015), distribusi Model GPR dan regresi Binomial
Poisson biasanya digunakan untuk negatif dilakukan untuk memodelkan kasus
memodelkan suatu kejadian yang kematian bayi di Kabupaten Bojonegoro
merupakan data cacah dalam interval tahun 2016 yang mengalami overdispersi.
waktu tertentu.Pemodelan jumlah kematian Jadi, penelitian ini bertujuan untuk aplikasi
bayi dengan regresi Poisson sering model GPR dan regresi Binomial negatif
dilakukan. Karena data yang berdistribusi terhadap kasus kematian bayi di Kabupaten
Poisson merupakan peristiwa yang jarang Bojonegoro tahun 2016.
terjadi dan biasanya berupa data kematian
(Jaka Nugraha, 2013) METODE PENELITIAN
Terdapat asumsi equidispersi pada
regresi Poisson, yaitu nilai variansi sama Penelitian ini merupakan jenis
dengan nilai mean (E(Y) = Var (X) = μ). penelitian non-reaktif dengan
Namun, jarang ditemukan kondisi tersebut menggunakan data sekunder yang
dan lebih sering terjadi kondisi diperoleh dari Dinas Kesehatan Kabupaten
overdispersi. Overdispersi terjadi apabila Bojonegoro. Data yang diperoleh berupa
nilai variansi lebih besar dari nilai mean data jumlah kematian bayi (Y), persentasi
(Var(X)> E(Y)). Kondisi overdispersi pemeriksaan dengan program K4 (X1),
dapat mengakibatkan simpangan baku dari persentasi komplikasi kehamilan yang
parameter atau variabel prediktor menjadi ditangani (X2), persentasi persalinan oleh
bias ke bawah dan signifikansi dari tenaga kesehatan (X3), persentsi BBLR
pengaruh varibel respon berbias ke atas (X4), persentasi ibu hamil mendapat tablet
(Ismail & Jemain, 2007).Kasus Fe3 (X5), dan persentasi rumah tangga ber-
overdispersi apabila dianalisis mengunakan PHBS (X6) di Kabupaten Bojonegoro
regresi Poisson kurang akurat dan dapat tahun 2016. Penelitian dilakukan pada
menyebabkan nilai standard error menjadi bulan April-Mei 2018 di Dinas Kesehatan
under estimate, sehingga hasil akhir yang Kabupaten Bojonegoro.
diperoleh akan tidak valid (McCullagh & Penelitian ini menggunakan total
Nedler, 1989). Perlu dilakukan population yaitu seluruh kematian bayi di
pendeteksian overdispersi sebelum Kabupaten Bojonegoro tahun 2016. Unit
dilakukan pemodelan regresi. Kondisi analisis yaitu 36 Puskesmas yang ada di
overdispersi dapat diatasi dengan Kabupaten Bojonegoro. Analisis data
menggunakan model Generalized Poisson termasuk analisis kuantitatif secara
Regression (GPR) dan regresi Binomial deskriptif. Adapun langkah-langkah
negatif. Kedua model tersebut merupakan analisis diantaranya, penggambaran secara
perluasan dari regresi Poisson. deskriptif variabel penelitian, pemeriksaan
Distribusi Poisson, Binomial, dan distribusi Poisson pada variabel respon,
negatif Binomial dalam regresi digunakan pemeriksaan multikolinieritas pada
untuk menganalisis data count (McCullagh variabel prediktor, pendeteksian
dan Nedler, 1989). Menurut Famoye overdispersi, pengujian signifikansi
parameter model secara serentak dan Distribusi Poisson dapat dideteksi dengan
parsial dengan menggunakanmodel menggunakan uji Kolmogorov Smirnov.
Generalized Poisson Regression dan Berdasarkan uji Kolmogorov
regresi Binomial negatif. smirnov yang telah dilakukan, didapatkan
nilai signifikan yaitu sebesar 0,525. Dapat
HASIL PENELITIAN dilihat bahwa nilai signifikan lebih besar
dari nilai signifikansi (α=0,05) yang berarti
Variabel respon pada penelitian ini H0 diterima, artinya data jumlah kematian
adalah jumlah kematian bayi (Y), bayi di Kabupaten Bojonegoro tahun 2016
sedangkan terdapat 6 variabel prediktor mengikuti distribusi Poisson. Maka, data
diantaranya persentasi pemeriksaan dengan dapat digunakan dalam pemodelan
program K4 (X1), persentasi komplikasi Generalized Poisson Regression dan
kehamilan yang ditangani (X2), persentasi regresi Binomial negatif.
persalinan oleh tenaga kesehatan (X3),
persentsi BBLR (X4), persentasi ibu hamil Pengujian Multikolinieritas
mendapat tablet Fe3 (X5), dan persentasi Terdapat beberapa kriteria dalam
rumah tangga ber-PHBS (X6). Berikut melakukan pemodelan regresi Poisson,
gambaran varibel respon dan variabel salah satunya adalah tidak terjadi
prediktor secara deskriptif statistik multikolinieritas antar variabel prediktor.
disajikan pada tabel 1. Multikolinieritas dapat dilihat dari nilai
tolerance dan VIF. Tidak terjadi
Tabel 1.Deskripsi Variabel Respon dan multikolinieritas apabila nilai tolerance
Prediktor kurang dari 0,01 sedangkan nilai VIF tidak
lebih dari 10. Berikut nilai tolerance dan
Variabel Min Max Mean SD
VIF disajika pada tabel 3.
Y 0 19 7,50 4,46
X1 67,70 99,20 86,41 8,25
Tabel 2. Nilai Tolerance dan VIF Variabel
X2 62,50 144,9 101,27 15,50 Prediktor
X3 89,00 113,8 99,48 5,24
X4 2,50 10,70 5,083 1,85 Variabel Mean SD Tolerance VIF
X5 67,67 109,6 84,90 9,43 X1 86,41 8,25 0,137 7,312
X6 23,00 86,30 X2 101,27 15,50 0,435 2,297
56,70 16,26
X3 99,48 5,24 0,176 5,670
Berdasarkan tabel1, variabel X4 5,083 1,85 0,628 1,593
jumlah kematian bayi mempunyai nilai X5 84,90 9,43 0,601 1,664
maksimum sebesar 19 dan nilai minimum X6 56,70 16,26 0,920 1,087
sebesar 0. Selisih nilai maksimum dan
minimum tersebut sangat tinggi. Sehingga Berdasarkan tabel 3, nilai tolerance
nilai variansi juga tinggi. Pada variabel pada seluruh variabel prediktor bernilai
prediktor, dapat terlihat bahwa variabel lebih dari 0,01.Sedangkan nilai VIF pada
rumah tangga ber-PHBS mempunyai nilai seluruh variabel prediktor bernilai kurang
variansi paling tinggi. dari 10. Hal tersebut menunjukkan tidak
terjadi multikolinieritas antar variabel
Pengujian Distribusi Poisson prediktor, sehingga seluruh variabel dapat
Salah satu asumsi yang harus diikutsertakan dalam pembentukan model
terpenuhi dalam penerapan Generalized GPR maupun regresi binomial negatif.
Poisson Regression dan regresi Binomial
negatif untuk memodelkan sebuah kasus Pengujian Overdispersi pada Variabel
adalah data dari variabel respon yang Respon
diteliti mengikuti distribusi Poisson. Untuk mengetahui overdispersi
pada variabel respon dapat dilihat pada
nilai variansi dan mean. Terjadi kondisi dari nilai chi-square tabel. Nilai yang
overdispersi jika nilai variansi lebih besar didapatkan dari pengujian serentak dengan
dari nilai mean. Nilai variansi yang menggunakan nilai likelihood ratio yaitu
didapatkan dari variabel respon sebesar sebesar 16,03. Sedangkan nilai tabel chi-
19,857. Sedangkan nilai mean dari variabel square yaitu sebesar 12,59. Dapat
respon sebesar 7,50. Terlihat bahwa nilai disimpukan nilai likelihood ratio lebih
variansi lebih besar dari nilai mean artinya besar dari nilai chi-square pada tabel. Hal
terjadi overdispersi pada data jumlah tersebut berarti H0 ditolak, artinya minimal
kematian bayi di Kabupaten Bojonegoro terdapat satu parameter yang berpengaruh.
tahun 2016. Oleh karena itu, tepat Selanjutnya dilakukan pengujian
digunakan model GPR dan regresi parsial parameter untuk mengetahui
Binomial negatif pada data penelitian ini. pengaruh variabel prediktor terhadap
Selain dapat dideteksi dengan variabel respon secara individu. Kriteria
melihat nilai variansi dan mean, pengambilan keputusan adalah H0 ditolak,
overdispersi juga dapat dideteksi jika p-value kurang dari nilai signifikansi
menggunakan nilai deviance dan pearson (α=0,05). Berikut pengujian parsial
chi-square yang dibagi derajat bebasnya disajikan pada tabel 7.
(db) pada masing-masing model. Nilai
deviance dan pearson chi-square yang
dibagi derajat bebasnya tersebut apabila Tabel 4. Estimasi Parameter Model
bernilai lebih dari 1 artinya terjadi Generalized Poisson Regression
overdispersi pada data. Parameter Mean Estimasi SE P-
Value
Tabel 3. Nilai Deviance dan Pearson Chi- β1 86,41 -0,007 0,020 0,740
square β2 101,27 -0,003 0,018 0,851
β3 99,48 0,015 0,015 0,312
Chi- Deviance/ β4 5,083 -0,011 0,005 0,030
Kriteria
square/db db β5 84,90 0,144 0,043 0,001
GPR 92,583 3,193 β6 56,70 0,006 0,004 0,120
Regresi Binomial θ 1,611 1,405 0,252
80,841 2,788
Negatif
Berdasarkan tabel 7 diketahui
Berdasarkan tabel 5 dapat diketahui bahwa β4 dan β5signifikan berpengaruh
bahwa nilai deviance dan pearson chi- terhadap kematian bayi karena nilai p-
square yang dibagi derajat bebasnya pada value kurang dari nilai signifikansi
model GPR maupun regresi Binomial (α=0,05). β4 merupakan persentasi
negatif bernilai lebih dari 1 sehingga dapat komplikasi kehamilan yang ditangani,
disimpulkan bahwa kasus kematian bayi di sedangkan β5 merupakan persentasi
Kabupaten Bojonegoro pada tahun 2016 BBLR. Sehingga model GPR yang
mengalami overdispersi. terbentuk sebagai berikut :

𝜇̂ = 𝑒𝑥𝑝(1,611 − 0,011 X4 + 0,114 X5 )

Pengujian Signifikan Parameter Model
Generalized Poisson Regression
Pengujian Signifikan Parameter Model
Pengujian serentak dilakukan untuk
Regresi Binomial Negatif
mengetahui pengaruh variabel respon
Sama halnya dengan pengujian
terhadap variabel prediktor secara
serentak pada model GPR. Pengujian
bersamaan. Pengujian serentak dilakukan
serentak pada model regresi Binomial
dengan metode Maximum Likelihood
negatif juga dilakukan untuk mengetahui
Estimator (MLE).
pengaruh variabel respon terhadap variabel
Pengambilan keputusan adalah H0
prediktor secara bersamaan. Pengujian
ditolak, nilai likelihood ratio lebih besar
serentak dilakukan dengan metode mean, dapat juga diketahui dengan nilai
Maximum Likelihood Estimator (MLE). deviance dan pearson chi-square yang
Pengambilan keputusan adalah H0 dibagi derajat bebasnya. Nilai deviance
ditolak, nilai likelihood ratio lebih besar yang dibagi derajat bebasnyabernilai tinggi
dari nilai chi-square tabel. Hasil dari menunujukkan bahwa terjadi overdispersi
pengujian serentak parameter yaitu nilai pada variabel dependen (George & Moon-
likelihood ratio sebesar 2,14. Sedangkan, Ho, 2006)
nilai chi-square tabel sebesar 12,59. Dapat Penggunaan modelGeneralized
disimpulkan bahwa nilai likelihod ratio Poisson Regression (GPR) pada kasus
sebesar 2,14 lebih kecil dari nilai tabel chi- kematian bayi di Kabupaten Bojonegoro
square yaitu sebesar 12,59. Hal tersebut tahun 2016 menghasilkan bahwa terdapat
berarti tidak terdapat parameter yang dua variabel yang signifikan berpengaruh
berpengaruh. terhadap model. Variabel yang signifikan
Selanjutnya dilakukan pengujian terhadap model diantaranya persentasi
parsial parameter untuk mengetahui komplikasi kehamilan yang ditangani dan
pengaruh variabel prediktor terhadap persentasi Berat Badan Lahir Rendah
variabel respon secara individu, dengan (BBLR). Sedangkan model regresi
kriteria pengambilan keputusan adalah H0 Binomial negatif tidak menghasilkan
ditolak jika p-value kurang dari nilai variabel yang signifikan.
signifikansi (α=0,05). Berikut pengujian Persentasi komplikasi kehamilan
parsial disajikan pada tabel 9. yang ditangani terbukti signifikan
berpengaruh terhadap kasus kematian bayi
Tabel 5. Estimasi Parameter ModelRegresi di Kabupaten Bojonegoro tahun 2016.
Binomial Negatif Interpretasi dari model yang didapat adalah
setiap peningkatan 1% komplikasi
Parameter Estimasi SE P-Value
β1 -0,018 0,057 0,744 kehamilan yang ditangani oleh tenaga
β2 0,002 0,047 0,964 kesehatan, maka jumlah kasus kematian
β3 0,020 0,045 0,659 akan berkurang sebesar 1,011 kali atau
β4 -0,013 0,015 0,390 1,1% dari sebelumnya. Persentasi
β5 0,165 0,135 0,223 komplikasi kehamilan yang ditangani
β6 0,008 0,013 0,534
θ 1,728 3,808 0,650 mempunyai pengaruh negatif terhadap
jumlah kasus kematian bayi. semakin
Berdasarkan tabel 9 diketahui bahwa tidak meningkant persentasi komplikasi
terdapat parameter yang signifikan kehamilan yang ditangani makan jumlah
terhadap model, karena nilai p-value pada keatian bayi akan semakin menurun.
seluruh parameter lebih dari nilai Menurut Prawirohardjo (1999),
signifikansi (α=0,05). komplikasi kehamilan merupakan suatu
keadaan gawat darurat yang dapat
PEMBAHASAN menyebabkan kematian ibu maupun bayi.
Diperkirakan 15% ibu hamil akan berisiko
Pada deskripsi variabel jumlah tinggi dan mengalami komplikasi obstetrik
kematian bayi diketahui bahwa selisih nilai yang membahayakan ibu maupun janin
maksimum dan minimum yaitu cukup apabila tidak ditangani dengan memadai
tinggi. Hal tersebut mengakibatkan nilai (Saifuddin, 2007). Komplikasi kehamilan
variansinya juga tinggi. Nilai variansi yang dapat berupa pendarahan, pre-eklamsi,
tinggi dapat mengakibatkan terjadi infeksi, dll. Terdapat faktor risiko yang
overdispersi pada data jumlah kematian menyebabkan terjadinya komplikasi
bayi di Kabupaten Bojonegoro tahun 2016. kehamilan. Penelitian sebelumnya oleh
Overdispersi pada penelitian ini selain Faizatul (2015) menunjukkan bahwa faktor
diketahui menggunakan nilai variansi dan risiko yang menyebabkan komplikasi
kehamilan seperti hamil terlalu muda, bayi di Kabupaten Bojonegoro tahun 2016
hamil terlalu tua, terlalu banyak anak, jarak adalah model Generalized Poisson
kehamilan mempunyai risiko 2,8 kali Regression (GPR) dan regresi Binomial
mengalami komplikasi kehamilan daripada negatif.Model dengan nilai AIC terkecil
yang tidak memiliki faktor risiko. yang didapatkan yaitu pada model GPR.
Pentingnya deteksi risiko Seperti penelitian yang dilakukan oleh
komplikasi kehamilan bagi hamil perlu Rahmadeni dan Zulya (2016),
diketahui bagi setiap ibu hamil. Sehingga, menunjukkan bahwa model GPR dalam
dapat segera mendapat penanganan baik mengatasi kasus overdispersi mempunyai
oleh ibu hamil maupun oleh petugas nilai AIC terkecil dibandingkan model
kesehatan. Dapat disimpulkan bahwa regresi Binomial negatif.
komplikasi kehamilan dapat Model GPR pada penelitian ini
membahayakan ibu hamil dan janin, maka menghasilkan dua parameter yang
perlu penanganan segera. signifikan, sedangkan model regresi
Persentasi Berat Badan Lahir Binomial Negatif tidak menghasilkan
Rendah (BBLR) juga terbukti signifikan parameter yang signifikan. Jadi, dapat
berpengaruh terhadap kasus kematian bayi disimpulkan bahwa model GPR lebih baik
di Kabupaten Bojonegoro tahun 2016. dari model regresi Binomial negatif,
Interpretasi dari model adalah setiap sehingga menghasilkan parameter yang
peningkatan 1% bayi dengan berat badan signifikan dalam pemodelan kasus
lahir rendah, maka jumlah kematian bayi kematian bayi di Kabupaten Bojonegoro
akan meningkat 1,12 kali atau 12% dari tahun 2016.
sebelumnya. Pengaruh dari persentasi
BBLR terhadap kasus kematian bayi SIMPULAN DAN SARAN
bersifat positif, artinya semakin meningkat
persentasi BBLR maka jumah kematian Simpulan
bayi akan semakin meningkat. Variabel respon pada penelitian ini
Bayi BBLR mempunyai hubungan adalah jumlah kematian bayi yang terbukti
dengan kematian bayi. Seperti penelitian terjadi overdispersi. Kondisi tersebut
yang dilakukan oleh Dwi dan Nunik diatasi dengan menggunakan Generalized
(2014), menunjukkan bahwa BBLR Poisson Regression (GPR) dan regresi
berhubungan dengan kematian bayi. BBLR Binomial negatif.
mempunyai risiko tinggi bagi kesehatan Kesimpulan yang diperoleh dari
bayi. Bayi dengan riwayat BBLR akan hasil penelitian adalah dengan
lebih mudah terkena infeksi penyakit. menggunakan model GPR menghasilkan
Karena bayi dengan BBLR merupakan dua variabel yang signifikan
faktor risiko terjadinya salah satu penyakit mempengaruhi kasus kematian bayi di
yaitu sepsis (Nur dkk, 2017). Sepsis Kabupaten Bojonegoro tahun 2016. Kedua
merupakan suatu penyakit sindroma yang variabel tersebut adalah persentasi
diakibatkan oleh inflamasi imunologi komplikasi kehamilan dan persentasi Berat
karena tubuh merespon microorganisme Badan Lahir Rendah (BBLR).
penyebab penyakit secara berlebihan
(Aswoco, 2017). Dapat disimpulkan bahwa Saran
bayi dengan BBLR berisiko terinfeksi Saran yang dapat diberikan dari
penyakit yang dapat menyebabkan hasil analisis dan pembahasan adalah kasus
kematian. overdispersi sebaiknya ditangani
Model terbaik diperoleh dari nilai menggunakan model regresi yang tepat.
Akaike’s Information Criterion (AIC) Sehingga, tidak ada bias yang terjadi pada
terkecil pada model. Model yang signifikan pengaruh variabel prediktor.
digunakan untuk mengatasi kasus kematian
 Selain itu, Dinas Kesehatan <www.depkes.go.id/resources/dow
Kabupaten Bojonegoro lebih nload/pusdatin/profil-kesehatan-
meningkatkan upaya strategis dalam indonesia/profil-kesehatan-
penurunan kasus kematian bayi pada tahun indonesia-2009.pdf> [diakses pada
yang akan datang. Upaya yang perlu 4 Juni 2018]
ditingkatkan khususnya pada penanganan Hasanah, N.M., Hariati Lestari, dan
segera komplikasi pada ibu hamil dan Rasma, 2017. Analisis Faktor
mengurangi angka BBLR dengan Risiko Jenis Kelamin Bayi, BBLR,
memberikan edukasi tentang kesehatan Persalinan Prematur, Ketuban
janin yang dikandung sehingga tidak Pecah Dini, dan Tindakan
terjadi kelahiran bayi prematur. Persalinan dengan Kejadian Sepsis
Neonatus. Tersedia di:
DAFTAR PUSTAKA <https://ojs.uho.ac.id> [diakses
pada 4 Juni 2018].
Andriani, Arinta Riza, dkk, 2015. Faktor Famoye, F., 1993. Restricted Generalized
Penyebab Kematian Bayi di Poisson Regression Model.
Wilayah Kerja Puskesmas Ngombol Communication in Statistics-
Kabupaten Purworejo. Tersedia di: Theory and Methods 22, 1335-1354
<https://media.neliti.com/media/pu Dunteman, George H., dan Moon-Ho R.
blications/18425-ID-faktor- Ho, 2006. An Introduction To
penyebab-kematian-bayi-di- Generalized Linear Models. United
wilayah-kerja-puskesmas-ngombol- State: Sage Publications, Inc.
kabuapten-purwo.pdf>[diakses Ismail N, Jemain AA, 2007. Handling
pada 4 Juni 2018] Overdispersion with Negative
Asmoro, A.A., 2017. Problematika Binomial and Generalized Poisson
Penanganan Sepsis. Malang: UB Regression Models. Casuality
Press. Society Forum. 103-158.
Badan Pusat Statistika Provinsi Jawa McCullagh, P. dan Nedler, J. A, 1989.
Timur, 2016. Indikator Angka Generalized Liniear Models. New
Kematian Bayi. [online] Tersedia York: Chapman and Hall London
di: <https://jatim.bps.go.id> Nugraha, Jaka, 2013. Pengantar Analisis
[diakses pada 4 Juni 2018]. Data Kategorik. Yogyakarta:
Badan Pusat Statistika Provinsi Jawa Depublish
Timur, 2016. Jawa Timur Dalam Prawirohardjo, S, 2008. Ilmu Kebidanan.
Angka 2016. Tersedia di: Jakarta: Yayasan Bina Pustaka
https://jatim.bps.go.id [diakses pada Rahmadeni, dan Zulya D, 2016.
3 Juni 2018]. Perbandingan Model Regresi
Danardono, 2015. Analisis Data Generalized Poisson Regression
Longitudinal. Yogyakarta: Gadjah dan Binomial Negatif Untuk
Mada University Press Mengatasi Overdispersi Pada
Dinas Kesehatan Kabupaten Bojonegoro, Regresi Poisson. Tersedia di:
2016. Profil Kesehatan Kabupaten <ejournal.uin-
Bojonegoro Tahun 2016. Tersedia suska.ac.id/index.php/JSMS/article/
di:<http://www.depkes.go.id/resour download/> [diakses pada 2 Juni
ces/download/profil/PROFIL_KAB 2018]
_KOTA_2016/3522_Jatim_Kab_B Rini, Dwi Setyo, dan Nunik Puspitasari,
ojonegoro_2016.pdf> [diakses pada 2014. Hubungan Status Kesehatan
2 Juni 2018] Neonatal dengan Kematian Bayi.
Depkes RI, 2009. Sistem Kesehatan Tersedia di:
Nasional. Tersedia di: <http://journal.unair.ac.id/JBK@hu
 bungan-status-kesehatan-neonatal-
dengan-kematian-bayi-article-
8583-media-40-category-3.html>
[diakses pada 4 Juni 2018]
Saifuddin, A.B., 2007 Buku Panduan
Praktik Pelayanan Kesehatan
Maternal dan Neonatal. Jakarta:
YBP-SP
Santoso, Singgih, 2010. Statistik
Parametrik: Konsep dan Aplikasi
dengan SPSS. Jakarta: PT Elex
Media Komputindo
Tarigan, IU, dkk., 2017. Faktor-Faktor
yang Berhubungan dengan
Pelayanan Bayi di Indonesia:
Pendekatan Analasis Multilevel.
Tersedia di:
<https://media.neliti.com/media/pu
blications/108678-ID-faktor-faktor-
yang-berhubungan-dengan-pe.pdf>
[diakses 3 Juni 2018
Ummah, Faizatul, 2015. Kontribusi Faktor
Risiko Terhadap Komplikasi
Kehamilan di Rumah Sakit
Muhammadiyah Surabaya.
Tersedia di:
<http://jurnal.stikesmuhla.ac.id/201
6/12/17/jurnal-surya-vol-7-no-2-
april-2015-issn-1979-9128/>
[diakses pada 4 Juni 2018]