Case Method 2 Sistem Informasi Manajemen

Analisis Faktor Yang Memengaruhi Jumlah Kematian Balita di Wilayah Asia pada Tahun 2010 Menggunakan Analisis Regresi Berganda

Nama : Ardis Maharani Luthfiyah

NIM : M0722017

Deskripsi Singkat Data

Data yang digunakan adalah data wilayah Asia pada tahun 2015 dengan 3 variabel yaitu jumlah kematian balita, jumlah balita yang diimunisasi hepatitis, dan jumlah balita yang diimunisasi polio. Data ini dianalisis dengan “Regresi Linear Berganda,” yang bertujuan untuk mengetahui apakah ada pengaruh antara jumlah balita yang sudah terimunisasi hepatitis dan polio terhadap jumlah kematian balita. Hasil analisis ini diharapkan dapat menjadi komponen pendukung pemerintahan Asia untuk berupaya meningkatkan imunisasi kesehatan bagi balita agar tercegahnya kematian untuk para balita.

Analisis Data

Dalam menganalisi data melalui beberapa tahap sebagai berikut.

1. Menginstal Package

Berikut merupakan daftar package yang digunakan untuk menganalisis data

library(lmtest)
## Warning: package 'lmtest' was built under R version 4.2.3
## Loading required package: 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.numeric
library(car)
## Warning: package 'car' was built under R version 4.2.3
## Loading required package: carData
## Warning: package 'carData' was built under R version 4.2.3
library(readxl)
## Warning: package 'readxl' was built under R version 4.2.3
library(readr)
## Warning: package 'readr' was built under R version 4.2.3
library(knitr)
## Warning: package 'knitr' was built under R version 4.2.3
library(rmarkdown)
## Warning: package 'rmarkdown' was built under R version 4.2.3
library(olsrr)
## Warning: package 'olsrr' was built under R version 4.2.3
## 
## Attaching package: 'olsrr'
## The following object is masked from 'package:datasets':
## 
##     rivers
library(stats)
library(ppcor)
## Warning: package 'ppcor' was built under R version 4.2.3
## Loading required package: MASS
## 
## Attaching package: 'MASS'
## The following object is masked from 'package:olsrr':
## 
##     cement
library(readxl)

2. Mengimpor Data

Data yang digunakan adalah file dataset Benua Asia pada Tahun 2010 yang terdiri atas 4 variabel yaitu,

  • Country = daftar negara yang ada di benua asia yang terdapat pada data tersebut.
  • Under_five_death = banyaknya balita yang meninggal per 1000 populasi
  • Hepapatis_B = banyak balita yang terimunisasi Hepatitis B (HepB3) pada anak usia 1 tahun (dalam persen).
  • Polio = banyak balita yang terimunisasi Polio (Pol3) pada anak usia 1 tahun (dalam persen).
data_cm2 <- read_excel("D:/semester 4/sistem informasi manajemen/data cm2.xlsx")
print(data_cm2)
## # A tibble: 27 × 5
##       No Country           Under_Five_deaths `Hepatitis _B` Polio
##    <dbl> <chr>                         <dbl>          <dbl> <dbl>
##  1     1 Brunei Darussalam               9.7             96    99
##  2     2 Bhutan                         42.4             91    92
##  3     3 Tajikistan                     42.7             93    95
##  4     4 India                          58.2             38    76
##  5     5 Lao PDR                        68.3             74    76
##  6     6 China                          15.8             99    99
##  7     7 Uzbekistan                     28.7             99    99
##  8     8 Mongolia                       26.3             96    96
##  9     9 Thailand                       13.6             98    99
## 10    10 Malaysia                        8.1             96    96
## # … with 17 more rows

kemudian mendefinisikan variabel prediktor yaitu:

  • X1 adalah jumlah balita yang terimunisasi hepatitis
  • X2 adalah jumlah balita yang terimunisasi polio

dan varibel respon yaitu:

  • Y adalah jumlah balita yang meninggal
Y= data_cm2$Under_Five_deaths
X1 = data_cm2$`Hepatitis _B`
X2 = data_cm2$Polio

data_balita_asia = data.frame(Y,X1,X2)
print(data_balita_asia)
##       Y X1 X2
## 1   9.7 96 99
## 2  42.4 91 92
## 3  42.7 93 95
## 4  58.2 38 76
## 5  68.3 74 76
## 6  15.8 99 99
## 7  28.7 99 99
## 8  26.3 96 96
## 9  13.6 98 99
## 10  8.1 96 96
## 11 31.7 77 88
## 12 29.5 96 88
## 13 37.3 80 85
## 14 87.8 66 66
## 15  2.8 96 96
## 16 20.4 99 98
## 17 43.1 96 96
## 18 63.7 92 90
## 19 11.4 99 99
## 20 33.8 83 82
## 21 43.8 89 90
## 22 45.9 82 83
## 23  3.2 83 98
## 24 87.1 82 52
## 25 13.9 97 97
## 26 49.1 94 94
## 27 22.9 88 94

3. Statistika Deskriptif

Statistika deskriptif ini akan menampilkan Nilai Minimal (Min), Kuartil 1 (Q1), Kuartil 2 atau Median (Q2), Kuartil 3 (Q3), Rata-Rata (Mean), dan Nilai Maksimal (Max) setiap variabel yang digunakan.

summary(data_balita_asia)
##        Y               X1              X2       
##  Min.   : 2.80   Min.   :38.00   Min.   :52.00  
##  1st Qu.:14.85   1st Qu.:82.50   1st Qu.:86.50  
##  Median :31.70   Median :93.00   Median :94.00  
##  Mean   :34.86   Mean   :88.11   Mean   :89.74  
##  3rd Qu.:44.85   3rd Qu.:96.00   3rd Qu.:97.50  
##  Max.   :87.80   Max.   :99.00   Max.   :99.00

4. Analisis Regresi Linear Berganda

Dilakukan uji regresi linear berganda dengan hipotesis sebagai berikut.

model_regresi=lm(Y~.,data = data_balita_asia)
model_regresi
## 
## Call:
## lm(formula = Y ~ ., data = data_balita_asia)
## 
## Coefficients:
## (Intercept)           X1           X2  
##   190.31885     -0.02027     -1.71242
Diperoleh Persamaan Regresi yaitu Y= 190,32 -0,02X1 - 1,71X2 

summary(model_regresi)
## 
## Call:
## lm(formula = Y ~ ., data = data_balita_asia)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -21.181  -8.264  -2.983   9.771  29.363 
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 190.31885   21.54404   8.834 5.22e-09 ***
## X1           -0.02027    0.26306  -0.077    0.939    
## X2           -1.71242    0.30933  -5.536 1.08e-05 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 13.42 on 24 degrees of freedom
## Multiple R-squared:  0.6978, Adjusted R-squared:  0.6726 
## F-statistic: 27.71 on 2 and 24 DF,  p-value: 5.805e-07

Fungsi summary digunakan untuk melihat hasil analisis regresi secara lengkap. Berdasarkan output di atas dapat diketahui: Dihasilkan nilai F-hitung = 27.71 , t-hitung X1 = 0.939, t-hitung X2 = 1.08e-05.

5. Uji Asumsi Klasik

a. Uji Normalitas Residual

  shapiro.test(model_regresi$residuals)
## 
##  Shapiro-Wilk normality test
## 
## data:  model_regresi$residuals
## W = 0.96143, p-value = 0.3981

Berdasarkan hasil di atas, didapatkan nilai p-value = 0.3981 lebih dari α (0.05) maka dapat dikatakan bahwa residual data tersebut berdistribusi normal.

b. Uji non Autokorelasi

dwtest(model_regresi)
## 
##  Durbin-Watson test
## 
## data:  model_regresi
## DW = 1.8195, p-value = 0.3273
## alternative hypothesis: true autocorrelation is greater than 0

Berdasarkan hasil di atas, nilai p-value = 0.3273 lebih dari alpha (0.05) maka dapat dikatakan terdeteksi adanya non autokorelasi galat atau dengan kata lain tidak terdeteksi adanya masalah autokorelasi.

c. Uji Multikolinearitas

vif(model_regresi)
##       X1       X2 
## 1.775151 1.775151

Berdasarkan hasil di atas, diketahui nilai VIF dari kedua variabel prediktor kurang dari 10 yaitu 1.775151. Oleh karena itu, dikatakan tidak ada multikolinieritas.

d. Uji Homogenitas

bptest(model_regresi, data = data_balita_asia)
## 
##  studentized Breusch-Pagan test
## 
## data:  model_regresi
## BP = 0.8523, df = 2, p-value = 0.653

Berdasarkan hasil di atas, nilai p-value = 0.653 lebih dari alpha (0.05) maka dapat dikatakan tidak terbukti ada pelanggaran asumsi homogenitas ragam galat

Hasil Analisis Data

1. Persamaan Linear Regresi Ganda

Y= 190,32 -0,02X1 - 1,71X2

Berdasarkan persamaan diatas maka, nilai konstanta 190,32. Artinya, variabel kematian balita bertambah 190,32 jika tidak ada imunisasi hepatitis dan polio. Jika jumlah balita yang terimunisasi hepatitis b meningkat 1%, maka jumlah kematian balita akan mengalami penurunan sebesar 0.02% kasus. Jika jumlah balita yang terimunisasi polio meningkat 1%, maka jumlah kematian balita akan mengalami penurunan sebesar 1.71% kasus.

2. a. Uji Simultan

Uji simultan atau disebut uji-F digunakan untuk melihat seberapa pengaruh jumlah balita yang terimunisasi hepatitis dan polio dengan jumlah kematian balita secara bersamaan. Berdasarkan perhitungan summary dari regresi di atas, nilai signifikansi dari uji-F dimana p-value sebesar 5.805e-07 bernilai kurang dari α=0,05. Artinya, terdapat pengaruh yang signifikan secara bersama-sama diantara jumlah balita yang terimunisasi hepatitis dan polio dengan jumlah kematian balita yang terjadi di negara-negara Benua Asia tahun 2010.

2. b. Uji Parsial

Berdasarkan hasil diatas, didapatkan nilai signifikansi dari masing-masing variabel penelitian. Nilai signifikansi dari jumlah balita terimunisasi hepatitis sebesar 0.939. Nilai signifikansi tersebut lebih dari α=0.05 maka terima H0. Artinya, dari variabel laju pertumbuhan ekonomi tidak terdapat pengaruh signifikan dengan jumlah kematian balita yang terjadi di negara-negara Benua Asia tahun 2010. Sedangkan, nilai signifikan dari jumlah balita terimunisasi polio sebesar 1.08e-05. Nilai signfikan tersebut bernilai kurang dari α=0.05 maka tolak H0. Artinya, dari jumlah balita yang terimunisasi polio terdapat pengaruh secara signifikan dengan jumlah kematian balita yang terjadi di negara-negara Benua Asia tahun 2010.