ANALISIS PENGARUH CAKUPAN IMUNISASI TERHADAP KEMATIAN ANAK BALITA DI NEGARA PHILIPPINES TAHUN 2000 SAMPAI DENGAN 2015 MENGGUNAKAN METODE REGRESI LINEAR BERGANDA
A. PENDAHULUAN
Data Negara Philippines yang berisikan data mengenai cakupan imunisasi Hepatitis B, imunisasi Campak yang mengandung vaksin dosis pertama, imunisasi Polio, dan imunisasi Difteri Tetanus Toksoid dan Pertusis yang mengacu pada kematian anak di bawah lima tahun pada tahun 2000 sampai 2015. Dimana penyakit tersebut juga merupakan penyebab utama kematian balita, cakupan imunisasi yang rendah berkaitan dengan kematian balita yang tinggi, dan faktor-faktor upaya yang mempengaruhi pemberian cakupan imunisasi juga harus diperhatikan. Oleh karena itu, dalam pengolahan data ini akan dibahas mengenai hubungan atau pola variabel-variabel yang ada di dalam data global tahun 2000 sampai 2015 khususnya pada Negara Philippines dengan menggunakan metode Analisis Regresi Linear Berganda.
B. LANDASAN TEORI
a. Kematian Anak Balita Di Negara Philippines
Angka kematian Balita di Philippines masih lebih tinggi dibandingkan dengan rata-rata global (27 per 1.000 kelahiran hidup) dan rata-rata negara-negara Asia Tenggara (23 per 1.000 kelahiran hidup). Banyak faktor yang mempengaruhi kematian balita, seperti penyakit Hepatitis B, Campak, Polio, dan Difteri Tetanus Toksoid dan Pertusis merupakan penyebab utamanya. Penyakit-penyakit ini dapat berakibat fatal bagi balita, terutama mereka yang tidak memiliki sistem kekebalan tubuh yang kuat. Dimana dengan imunisasi terbukti efektif dalam mencegah penyakit-penyakit ini dan menyelamatkan nyawa anak-anak.
b. Regresi Linear Berganda
Analisis regresi linear berganda merupakan teknik statistik yang digunakan untuk mengetahui arah memodelkan hubungan/ mengetahui pengaruh antara masing-masing variabel independen terhadap variabel dependen dan memprediksi nilai variabel dependen berdasarkan nilai-nilai variabel independen. Bentuk umum model regresi linear berganda adalah \[Y = {\beta_{0}} + {\beta_{1}}X_{1} + {\beta_{2}}X_{2} + ... + {\beta_{n}}X_{n} + {\epsilon}\]
dimana,
\(Y\) : variabel dependen
\(X_{1}, X_{2}, ..., X_{n}\) : variabel-variabel independen
\(\epsilon\) : galat acar (random error)
\({\beta_{0}}, {\beta_{1}}, ..., {\beta_{n}}\) : parameter-parameter populasi yang nilainya tidak diketahui.
c. Uji Asumsi
Uji asumsi klasik pada dasarnya adalah salah satu uji yang digunakan sebagai syarat statistik. Agar model regresi linear berganda yang dihasilkan dapat dipercaya dan valid, maka dilakukan uji asumsi terhadap beberapa persyaratan dasar. Tujuan utama uji asumsi adalah untuk memastikan bahwa model regresi linear berganda memenuhi asumsi-asumsi klasik yang mendasari teknik statistik ini. Syarat uji asumsi yaitu residu data berdistribusi normal, residu data tidak homogen, tidak terdapat autokorelasi, dan tidak terdapat multikolinearitas.
C. PEMBAHASAN
a. Input Data
Sebelum memasukan data kita perlu mempersiapkan library yang akan digunakan. Pada analisis data kali ini menggunakan library:
library(readxl)## Warning: package 'readxl' was built under R version 4.2.3library(stats)
library(carData)## Warning: package 'carData' was built under R version 4.2.3library(car)## Warning: package 'car' was built under R version 4.2.3library(zoo)## Warning: package 'zoo' was built under R version 4.2.3##
## Attaching package: 'zoo'## The following objects are masked from 'package:base':
##
## as.Date, as.Date.numericlibrary(lmtest)## Warning: package 'lmtest' was built under R version 4.2.3library(fit.models)## Warning: package 'fit.models' was built under R version 4.2.3library(knitr)## Warning: package 'knitr' was built under R version 4.2.3library(kableExtra)## Warning: package 'kableExtra' was built under R version 4.2.3Data yang digunakan dalam analisis ini adalah data Philippines pada tahun 2000 sampai 2015, dengan varaibel:
- Y : Under Five Deaths (Kematian Balita)
- X1 : Hepatitis B (Cakupan imunisasi Hepatitis B (HepB3) pada anak usia 1 tahun dalam satuan persen)
- X2 : Measles (Cakupan imunisasi Campak yang mengandung vaksin dosis pertama (MCV1) pada anak usia 1 tahun dalam satuan persen)
- X3 : Polio (Cakupan imunisasi Polio (Pol3) pada anak usia 1 tahun dalam satuan persen)
- X4 : Diphtheria (Cakupan imunisasi Difteri Tetanus Toksoid dan Pertusis (DTP3) pada anak usia 1 tahun dalam satuan persen)
Data_Philippines <- read_excel("D:/SEMESTER 4/SIM/Data_Philippines.xlsx")
Data_Philippines## # A tibble: 16 × 7
## Country Year Under_five_deaths Hepatitis_B Measles Polio Diphtheria
## <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 Philippines 2000 37.7 46 19 74 78
## 2 Philippines 2001 36.9 45 19 76 79
## 3 Philippines 2002 36.2 42 19 77 79
## 4 Philippines 2003 35.5 52 19 85 84
## 5 Philippines 2004 34.9 48 18 85 88
## 6 Philippines 2005 34.2 49 19 90 89
## 7 Philippines 2006 33.6 77 19 88 88
## 8 Philippines 2007 33 87 17 87 87
## 9 Philippines 2008 32.5 88 22 87 91
## 10 Philippines 2009 32.1 85 19 87 87
## 11 Philippines 2010 31.7 77 10 88 79
## 12 Philippines 2011 31.3 87 36 88 87
## 13 Philippines 2012 30.9 88 42 88 88
## 14 Philippines 2013 30.5 89 54 85 89
## 15 Philippines 2014 30.1 67 54 82 67
## 16 Philippines 2015 29.6 75 57 79 60View(Data_Philippines)b. Model Regresi Linear Berganda
anreg <- lm(Data_Philippines$Under_five_deaths~ Data_Philippines$Hepatitis_B + Data_Philippines$Measles + Data_Philippines$Polio + Data_Philippines$Diphtheria, data = Data_Philippines)
anreg##
## Call:
## lm(formula = Data_Philippines$Under_five_deaths ~ Data_Philippines$Hepatitis_B +
## Data_Philippines$Measles + Data_Philippines$Polio + Data_Philippines$Diphtheria,
## data = Data_Philippines)
##
## Coefficients:
## (Intercept) Data_Philippines$Hepatitis_B
## 51.16583 -0.05969
## Data_Philippines$Measles Data_Philippines$Polio
## -0.06381 -0.26850
## Data_Philippines$Diphtheria
## 0.12689Interpretasi: Apabila variabel lain diasumsikan 0 maka Kematian Balita (KM) sebesar 51.16583. Jika variabel X1 (Hepatitis B) naik 1% maka Kematian Balita akan turun sebesar 0.059693, jika variabel X2 (Measles) naik 1% satuan maka Kematian Balita akan turun sebesar 0.06381, jika variabel X3 (Polio) naik 1% maka Kematian Balita akan turun sebesar 0.26850, dan jika variabel X4 (Diphtheria) naik 1% maka Kematian Balita akan naik sebesar 0.12689.
c. Uji Simultan (F) dan Uji Parsial (T)
summary(anreg)##
## Call:
## lm(formula = Data_Philippines$Under_five_deaths ~ Data_Philippines$Hepatitis_B +
## Data_Philippines$Measles + Data_Philippines$Polio + Data_Philippines$Diphtheria,
## data = Data_Philippines)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.62780 -0.39864 0.02873 0.26780 0.81419
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 51.16583 2.87643 17.788 1.87e-09 ***
## Data_Philippines$Hepatitis_B -0.05969 0.01097 -5.440 0.000204 ***
## Data_Philippines$Measles -0.06381 0.01211 -5.271 0.000264 ***
## Data_Philippines$Polio -0.26850 0.04348 -6.175 6.96e-05 ***
## Data_Philippines$Diphtheria 0.12689 0.02367 5.361 0.000230 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.5356 on 11 degrees of freedom
## Multiple R-squared: 0.9668, Adjusted R-squared: 0.9547
## F-statistic: 80.05 on 4 and 11 DF, p-value: 4.651e-08Interpretasi: Karena P-value > 0,05 maka dihasilkan variabel Hepatitis B, Measles, Polio, dan Diphtheria berpengaruh signifikan terhadap variabel Kematian Balita. Nilai Adjusted R-square sebesar 95,47% yang berarti variabel kematian balita dan 4,53% lainnya dipengaruhi oleh faktor lain.
d. Uji Asumsi
1. UJI NORMALITAS
residu = resid(anreg)
shapiro.test(residu)##
## Shapiro-Wilk normality test
##
## data: residu
## W = 0.95024, p-value = 0.4935Interpretasi: Karena P-value > 0,05 maka residu data berdistribusi normal.
2. UJI HOMOGENITAS
bptest(anreg)##
## studentized Breusch-Pagan test
##
## data: anreg
## BP = 4.5264, df = 4, p-value = 0.3394Interpretasi: Karena P-value > 0,05 maka residu data homogen.
3. UJI AUTOKORELASI
dwtest(anreg)##
## Durbin-Watson test
##
## data: anreg
## DW = 2.242, p-value = 0.2989
## alternative hypothesis: true autocorrelation is greater than 0Interpretasi: Karena P-value > 0,05 maka data tidak terdapat autokorelasi.
4. UJI NON MULTIKOLINEARITAS
vif(anreg)## Data_Philippines$Hepatitis_B Data_Philippines$Measles
## 2.165069 1.839047
## Data_Philippines$Polio Data_Philippines$Diphtheria
## 2.450334 2.175500Interpretasi: Karena keempat nilai VIF < 10, maka dapat disimpulkan tidak terdapat multikolinearitas.
e. Grafik Sebaran Data
plot(Data_Philippines$Year, Data_Philippines$Under_five_deaths,
col = "pink", xlab = "Tahun", ylab = "Kematian Balita", pch = 16)
Interpretasi: Dapat dilihat dari plot, jumlah angka kematian Balita di Negara Philippines semakin menurun setiap tahunnya.
D. KESIMPULAN
- Didapakan model regersi linier berganda untuk analisis data ini yaitu: \[KM = 51.16583 - 0.05969X_1 - 0.06381X_2 - 0.26850X_3 + 0.12689X_4\]
- Cakupan imunisasi Hepatitis B, Measles, Polio, dan Diphtheria pada anak usia 1 tahun berpengaruh signifikan terhadap Kematian Balita, dengan nilai Adjusted R-square sebesar 95,47%.
- Data analisis tersebut berdistribusi normal, data homogen, tidak terjadi autokorelasi dan tidak terjadi multikolinearitas.
- Angka Kematian Balita di Negara Philippines semakin menurun setiap tahunnya.