Kesehatan ibu merupakan salah satu indikator penting dalam pembangunan kesehatan karena berkaitan dengan keselamatan ibu selama masa kehamilan, persalinan, dan nifas. Salah satu upaya yang dilakukan dalam meningkatkan kesehatan ibu yaitu dengan melalui pelayanan antenatal care (ANC). Pelayanan antenatal care (ANC) bertujuan untuk memantau kondisi kesehatan ibu dan janin selama kehamilan, serta mendeteksi secara dini adanya komplikasi yang dapat membahayakan ibu maupun janin. Salah satu indikator yang digunakan untuk menilai cakupan pelayanan antenatal adalah cakupan kunjungan antenatal minimal empat kali atau yang dikenal dengan ANC K4.
Cakupan kunjungan antenatal lengkap sangat penting bagi ibu hamil karena pemeriksaan kehamilan secara teratur dapat membantu tenaga kesehatan dalam memantau kondisi ibu hamil dan memberikan intervensi yang diperlukan selama masa kehamilan. Namun, cakupan ANC K4 di Indonesia menunjukkan bahwa pelayanan belum dilakukan secara merata. Hal ini menunjukkan bahwa terdapat berbagai faktor yang dapat memengaruhi pemanfaatan pelayanan antenatal oleh ibu hamil.
Salah satu faktor yang dapat memengaruhi pemanfaatan pelayanan kesehatan ibu adalah pemberian tablet tambah darah (TTD) kepada ibu hamil. Tablet tambah darah diberikan sebagai upaya pencegahan anemia pada ibu hamil yang dapat meningkatkan risiko komplikasi selama masa kehamilan dan persalinan. Selain itu, kondisi lingkungan rumah tangga seperti akses sanitasi juga berperan dalam menjaga kesehatan ibu dan keluarga. Sanitasi yang baik dapat mengurangi risiko penyakit infeksi yang dapat memengaruhi kondisi kesehatan ibu selama masa kehamilan. Pelayanan persalinan juga penting dalam pelayanan kesehatan ibu hamil. Persalinan yang dibantu oleh tenaga kesehatan yang kompeten mencerminkan akses dan pemanfaatan layanan kesehatan oleh masyarakat.
Berdasarkan data Survei Kesehatan Indonesia (SKI) tahun 2023, terdapat variasi cakupan pemberian tablet tambah darah, akses sanitasi rumah tangga, pelayanan persalinan, serta cakupan kunjungan antenatal lengkap antar provinsi di Indonesia. Oleh karena itu, penelitian ini dilakukan untuk menganalisis pengaruh Pemberian Tablet Tambah Darah (TTD) pada Ibu Hamil, Akses Sanitasi Rumah Tangga, dan Pelayanan Persalinan terhadap Cakupan Kunjungan Antenatal Lengkap (ANC K4) di Indonesia menurut provinsi tahun 2023.
Berdasarkan latar belakang yang telah diuraikan, maka rumusan masalah dalam penelitian ini adalah sebagai berikut.
Berdasarkan rumusan masalah yang telah dikemukakan, maka tujuan penelitian ini adalah sebagai berikut.
Analisis regresi linier adalah analisis statistik yang mempelajari hubungan antara dua atau lebih variabel. Analisis regresi digunakan untuk mengukur seberapa besar pengaruh variabel independen terhadap variabel dependen.
Analisis regresi linier berganda merupakan model regresi yang melibatkan lebih dari satu variabel independen. Analisis regresi linier berganda dilakukan untuk mengetahui arah dan seberapa besar pengaruh variabel independen terhadap variabel dependen (Ghozali, 2018). Persamaan regresi yang diharapkan berbentuk sebagai berikut. \[ Y = \beta_0 + \beta_1 X_1 + \beta_2 X_2 + \ldots + \beta_n X_n + \epsilon \] Dengan \(Y\) adalah variabel dependen, \(\beta_0\) merupakan konstanta, serta \(\beta_1, \beta_2, \ldots, \beta_n\) merupakan koefisien regresi dari masing-masing variabel independen \(X_1, X_2, \ldots, X_n\), dan \(\epsilon\) adalah galat atau residual.
Dalam analisis regresi linier berganda, pengujian dilakukan untuk mengetahui signifikansi hubungan antar variabel. Uji t dilakukan dengan tujuan untuk mengetahui pengaruh masing-masing variabel independen terhadap variabel dependen secara parsial, sedangkan uji F dilakukan untuk mengetahui pengaruh variabel independen secara simultan. Koefisien determinasi \((R^2)\) digunakan untuk melihat kemampuan model dalam menjelaskan variasi variabel dependen.
Model yang terbentuk dari analisis menggunakan metode regresi linier berganda harus memenuhi beberapa asumsi klasik. Apabila asumsi-asumsi tersebut terpenuhi, maka model regresi linier berganda dapat digunakan untuk menjelaskan hubungan antara variabel independen dan variabel dependen dalam penelitian.
Uji asumsi klasik merupakan hal penting dalam tahapan analisis regresi linier berganda. Pengujian ini dilakukan untuk menilai apakah model regresi yang terbentuk telah memenuhi asumsi-asumsi dasar yang diperlukan sehingga estimasi parameter yang dihasilkan tidak bias dan dapat dipercaya. Apabila asumsi-asumsi tersebut terpenuhi, maka model regresi linier berganda dapat digunakan untuk menjelaskan hubungan antara variabel independen dan variabel dependen dalam penelitian.
Adapun asumsi-asumsi klasik yang diuji dalam penelitian ini adalah sebagai berikut.
Uji linieritas adalah pengujian statistik yang bertujuan untuk mengetahui ada atau tidaknya hubungan secara linier antara variabel dependen terhadap variabel independen pada data penelitian yang akan diuji. Pelanggaran terhadap asumsi ini dapat menyebabkan kesalahan dalam spesifikasi model sehingga estimasi parameter menjadi tidak akurat. Pengujian untuk asumsi linieritas dapat dilakukan melalui analisis grafik visual seperti Residual vs Fitted Plot atau melalui uji statistik seperti Ramsey RESET Test.
Uji normalitas adalah uji statistik yang dilakukan untuk menguji apakah residual dalam model regresi memiliki distribusi normal atau tidak (Juliandi et al.,2014). Model regresi yang baik adalah model dengan residual data yang berdistribusi normal atau mendekati normal. Dalam suatu penelitian, untuk mengidentifikasi normalitas data yaitu dengan menganalisis melalui uji normalitas Shapiro-Wilk. Uji normalitas Shapiro-Wilk adalah uji yang dilakukan untuk mengetahui sebaran data acak suatu sampel yang kecil digunakan simulasi data yang tidak lebih dari 50 (Sugiyono, 2014). Pada kasus data yang berjumlah lebih dari 50, menggunakan uji normalitas Kolmogorov-Smirnov. Jika nilai probabilitas \(< 0.05\) maka data tersebut tidak berdistribusi normal. Sebaliknya, jika nilai probabilitas \(> 0.05\) maka data tersebut berdistribusi normal.
Uji homoskedastisitas adalah pengujian statistik yang bertujuan untuk mengetahui apakah dalam model regresi terdapat ketidaksamaan varians dari residual satu pengamatan ke pengamatan yang lain. Hal yang diharapkan adalah terdapat varians yang sama atau tetap (homoskedastisitas), sedangkan jika terdapat ketidaksamaan varians maka asumsi homoskedastisitas tidak terpenuhi (terdapat heteroskedastisitas). Model regresi yang baik adalah yang memenuhi asumsi homoskedastisitas atau tidak terjadi heteroskedastisitas (Ghozali, 2013). Pengujian heteroskedastisitas dalam analisis dapat dilakukan menggunakan uji Glejser.
Uji non-autokorelasi adalah pengujian statistik yang dilakukan untuk mengetahui apakah dalam sebuah model regresi linier terdapat korelasi antara kesalahan penganggu pada periode \(t\) dengan kesalahan pada periode \((t-1)\) atau sebelumnya. Jika terdapat korelasi, maka terjadi autokorelasi. Model regresi yang baik adalah model regresi yang bebas dari autokorelasi. Menurut Singgih Santoso, mendeteksi ada atau tidaknya autokorelasi dapat dilakukan melalui uji Durbin-Watson.
Uji non-multikolinieritas dilakukan untuk mengetahui apakah terdapat hubungan antar variabel bebas dalam regresi. Model dikatakan baik apabila tidak ada hubungan antar variabel bebas. Pengujian multikolinieritas umumnya dilakukan dengan menggunakan Variance Inflation Factor (VIF). Nilai VIF yang tinggi menunjukkan adanya masalah korelasi antar variabel independen.
Uji signifikansi dalam analisis regresi linier berganda digunakan untuk mengetahui apakah variabel independen memiliki pengaruh yang signifikan terhadap variabel dependen. Pengujian ini dilakukan untuk menilai signifikansi model regresi baik secara simultan maupun parsial.
Uji F merupakan pengujian yang bertujuan untuk mencari apakah variabel independen \((X)\) secara bersama-sama (simultan) mempengaruhi variabel dependen \((Y)\). Selain itu, uji F juga berperan untuk menguji hipotesis koefisien regresi (slope) secara bersamaan dan memastikan apakah model yang dibangun layak untuk menginterpretasikan pengaruh variabel independen \((X)\) terhadap variabel dependen \((Y)\). Uji F merupakan salah satu uji yang sangat penting karena jika model regresi yang dibangun tidak lolos uji F maka hasil uji t menjadi tidak relevan.
Nilai uji F dapat dilihat pada output summary(model) melalui nilai F-Statistic dan p-value. Jika nilai p-value lebih kecil dari tingkat signifikansi \((\alpha)\) yang digunakan maka variabel independen secara simultan berpengaruh terhadap variabel dependen dan model regresi dinyatakan signifikan. Sebaliknya, jika p-value lebih besar dari tingkat signifikansi \((\alpha)\) maka variabel independen tidak berpengaruh secara simultan terhadap variabel dependen dan model regresi tidak signifikan.
Menurut Ghozali (2021: 148-149), uji t pada dasarnya menunjukkan seberapa jauh pengaruh variabel independen/bebas \((X)\) secara individual (parsial) dalam menerangkan variasi variabel dependen/terikat \((Y)\). Uji t (t test) adalah salah satu pengujian statistik yang dipergunakan untuk menguji kebenaran dan kepalsuan hipotesis yang menyatakan bahwa diantara dua buah mean sampel yang diambil secara random dari populasi yang sama, tidak terdapat perbedaan yang signifikan (Sudjiono, 2010).
Nilai uji t dapat dilihat pada output summary(model) pada kolom \(Pr(>|t|)\). Jika nilai p-value lebih kecil dari tingkat signifikansi \((\alpha)\) maka variabel independen tersebut berpengaruh signifikan terhadap variabel dependen. Sebaliknya, jika nilai p-value lebih besar dari tingkat signifikansi \((\alpha)\) maka variabel independen tersebut tidak berpengaruh signifikan terhadap variabel dependen.
Koefisien determinasi menunjukkan besarnya keragaman variabel dependen/terikat \((Y)\) yang dapat dijelaskan oleh variabel independen/bebas \((X)\). Menurut Ghozali (2021:147), koefisien determinasi \((R^2)\) pada intinya mengukur seberapa jauh kemampuan model dalam menerangkan variasi variabel dependen/terikat \((Y)\). Nilai koefisien determinasi adalah antara nol dan satu. Nilai koefisien determinasi yang kecil berarti kemampuan variabel independen/bebas \((X)\) dalam menjelaskan variasi variabel dependen/terikat \((Y)\) amat terbatas. Nilai yang mendekati satu berarti variabel independen/bebas \((X)\) memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variasi variabel dependen/terikat \((Y)\).
Nilai koefisien determinasi dapat dilihat pada output summary(model) pada bagian Multiple R-Squared dan Adjusted R-Squared. Nilai R-Squared menunjukkan proporsi variasi variabel dependen yang dapat dijelaskan oleh seluruh variabel independen dalam model. Sedangkan, nilai Adjusted R-Squared merupakan nilai yang telah disesuaikan dengan jumlah variabel dalam model sehingga memberikan estimasi yang lebih akurat.
Data yang digunakan dalam penelitian ini merupakan data sekunder yang diperoleh dari Survei Kesehatan Indonesia (SKI) tahun 2023 yang diterbitkan oleh Kementerian Kesehatan Republik Indonesia. Data tersebut disajikan berdasarkan 38 provinsi di Indonesia dan digunakan sebagai dasar dalam analisis regresi linier berganda untuk mengetahui hubungan antara variabel penelitian.
Variabel yang digunakan dalam penelitian ini terdiri atas satu variabel dependen \((Y)\) dan tiga variabel independen \((X)\) dengan rincian sebagai berikut:
\(Y\) = Cakupan Kunjungan Antenatal
Lengkap (ANC K4)
\(X_1\) = Pemberian Tablet Tambah Darah
pada Ibu Hamil
\(X_2\) = Akses Sanitasi Rumah
Tangga
\(X_3\) = Pelayanan Persalinan
library(readxl)## Warning: package 'readxl' was built under R version 4.4.3data_komlan <- read_excel("C:/Users/LENOVO/Documents/Regresi Berganda.xlsx")
head(data_komlan)## # A tibble: 6 × 4
## Y X1 X2 X3
## <dbl> <dbl> <dbl> <dbl>
## 1 58 31.3 88.3 35.5
## 2 57.3 29.4 94.5 36.8
## 3 71.8 42.3 86.5 44.1
## 4 55.5 39.6 96.1 40.4
## 5 67.5 51.4 95.3 21.6
## 6 57.9 38.3 92.6 29.3Variabel dependen \((Y)\) dalam penelitian ini adalah cakupan kunjungan antenatal lengkap (ANC K4), yaitu persentase ibu hamil yang melakukan kunjungan pemeriksaan kehamilan minimal empat kali selama masa kehamilan. Variabel ini dipilih sebagai variabel terikat karena cakupan ANC K4 merupakan salah satu indikator penting dalam pelayanan kesehatan ibu untuk memantau kondisi kesehatan ibu dan janin selama kehamilan.
Adapun variabel independen yang digunakan terdiri dari tiga indikator yang berkaitan dengan pelayanan kesehatan ibu dan kondisi lingkungan. Variabel pertama \((X_1)\) adalah pemberian tablet tambah darah pada ibu hamil, yang merupakan salah satu intervensi kesehatan untuk mencegah anemia selama masa kehamilan. Variabel kedua \((X_2)\) adalah akses sanitasi rumah tangga, yang mencerminkan kondisi sanitasi lingkungan yang dapat memengaruhi kesehatan ibu dan keluarga. Variabel ketiga \((X_3)\) adalah pelayanan persalinan, yang menggambarkan pemanfaatan layanan kesehatan oleh ibu dalam proses persalinan.
Pemilihan ketiga variabel independen tersebut didasarkan pada pertimbangan bahwa faktor pelayanan kesehatan ibu serta kondisi sanitasi lingkungan dapat berperan dalam meningkatkan pemanfaatan pelayanan kesehatan selama masa kehamilan. Melalui analisis terhadap variabel-variabel tersebut, penelitian ini bertujuan untuk mengidentifikasi faktor-faktor yang berpengaruh terhadap cakupan kunjungan antenatal lengkap di Indonesia menurut provinsi tahun 2023.
library(readxl)
data_komlan <- read_excel("C:/Users/LENOVO/Documents/Regresi Berganda.xlsx")
head(data_komlan)## # A tibble: 6 × 4
## Y X1 X2 X3
## <dbl> <dbl> <dbl> <dbl>
## 1 58 31.3 88.3 35.5
## 2 57.3 29.4 94.5 36.8
## 3 71.8 42.3 86.5 44.1
## 4 55.5 39.6 96.1 40.4
## 5 67.5 51.4 95.3 21.6
## 6 57.9 38.3 92.6 29.3model <- lm(Y ~ X1 + X2 + X3, data = data_komlan)
summary(model)##
## Call:
## lm(formula = Y ~ X1 + X2 + X3, data = data_komlan)
##
## Residuals:
## Min 1Q Median 3Q Max
## -21.100 -3.625 1.112 3.902 12.924
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -30.1989 12.2072 -2.474 0.018518 *
## X1 0.5836 0.1067 5.471 4.2e-06 ***
## X2 0.5790 0.1606 3.604 0.000990 ***
## X3 0.4164 0.1034 4.026 0.000301 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 7.46 on 34 degrees of freedom
## Multiple R-squared: 0.8166, Adjusted R-squared: 0.8004
## F-statistic: 50.46 on 3 and 34 DF, p-value: 1.299e-12Berdasarkan output R, diperoleh nilai:
\(\beta_0\) = -30.1989
\(\beta_1\) = 0.5836
\(\beta_2\) = 0.5790
\(\beta_3\) = 0.4164
Dengan demikian, dapat dibangun model regresi awal sebagai berikut. \[ \hat{Y} = -30.1989+0.5836X_1+0.5790X_2+0.4164X_3 \]
Hipotesis
\(H_0\): Terdapat hubungan linier antara variabel independen dengan variabel dependen
\(H_1\): Tidak terdapat hubungan linier antara variabel independen dengan variabel dependen
Taraf Signifikansi
\(\alpha\) = 5%
Statistik Uji
lmtest::resettest(model)##
## RESET test
##
## data: model
## RESET = 1.7273, df1 = 2, df2 = 32, p-value = 0.1939Berdasarkan hasil uji Ramsey RESET test, diperoleh nilai p-value sebesar 0.1939
Daerah Kritis
Tolak \(H_0\) jika p-value \(< \alpha\)
Keputusan dan Kesimpulan
Pada taraf signifikansi \(\alpha\) = 5%, \(H_0\) gagal ditolak karena nilai p-value (0.1939) \(> \alpha\) (0.05) sehingga dapat disimpulkan bahwa terdapat hubungan linier antara variabel \(X_1, X_2, X_3\) dengan variabel \(Y\) dalam model regresi.
Hipotesis
\(H_0\): Residual data berdistribusi normal
\(H_1\): Residual data tidak berdistribusi normal
Taraf Signifikansi
\(\alpha\) = 5%
Statistik Uji
residuals <- resid(model)
shapiro.test(residuals)##
## Shapiro-Wilk normality test
##
## data: residuals
## W = 0.96318, p-value = 0.2404Data yang digunakan dalam penelitian ini berjumlah 38 atau \(\leq\) 50 sehingga uji yang digunakan yaitu uji Shapiro-Wilk. Berdasarkan output, diperoleh nilai statistics Shapiro-Wilk sebesar 0.96318 dengan p-value sebesar 0.2404
Daerah Kritis
Tolak \(H_0\) jika p-value \(< \alpha\)
Keputusan dan Kesimpulan
Pada taraf signifikansi \(\alpha\) = 5%, \(H_0\) gagal ditolak karena nilai p-value (0.2404) \(> \alpha\)(0.05) sehingga dapat disimpulkan bahwa residual data berdistribusi normal.
Hipotesis
\(H_0\): Tidak terjadi gejala heteroskedastisitas (varians residual konstan)
\(H_1\): Terdapat gejala heteroskedastisitas (varians residual tidak konstan)
Taraf Signifikansi
\(\alpha\) = 5%
Statistik Uji
glejser_test <- lm(abs(residuals) ~ X1 + X2 + X3, data = data_komlan)
summary(glejser_test)##
## Call:
## lm(formula = abs(residuals) ~ X1 + X2 + X3, data = data_komlan)
##
## Residuals:
## Min 1Q Median 3Q Max
## -6.354 -2.650 -1.212 1.658 13.782
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 17.56571 7.48236 2.348 0.0249 *
## X1 0.10765 0.06539 1.646 0.1089
## X2 -0.18109 0.09846 -1.839 0.0746 .
## X3 -0.01692 0.06340 -0.267 0.7911
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 4.572 on 34 degrees of freedom
## Multiple R-squared: 0.1334, Adjusted R-squared: 0.05694
## F-statistic: 1.745 on 3 and 34 DF, p-value: 0.1764Berdasarkan hasil uji Glejser test, diperoleh nilai
p-value untuk masing-masing variabel independen sebagai
berikut.
\(X_1\) = 0.1089
\(X_2\) = 0.0746
\(X_3\) = 0.7911
Daerah Kritis
Tolak \(H_0\) jika p-value \(< \alpha\)
Keputusan dan Kesimpulan
Pada taraf signifikansi \(\alpha\) = 5%, \(H_0\) gagal ditolak karena nilai p-value \(X_1 = 0.1089, X_2 = 0.0746,\) dan \(X_3 = 0.7911\) \(> \alpha\)(0.05) sehingga dapat disimpulkan bahwa tidak terjadi gejala heteroskedastisitas (varians residual konstan) dalam model regresi atau dengan kata lain asumsi homoskedastisitas terpenuhi.
Hipotesis
\(H_0\): Tidak terdapat autokorelasi
\(H_1\): Terdapat autokorelasi
Taraf Signifikansi
\(\alpha\) = 5%
Statistik Uji
library(lmtest)## Warning: package 'lmtest' was built under R version 4.4.3## Loading required package: zoo## Warning: package 'zoo' was built under R version 4.4.2##
## Attaching package: 'zoo'## The following objects are masked from 'package:base':
##
## as.Date, as.Date.numericdwtest(model)##
## Durbin-Watson test
##
## data: model
## DW = 2.4541, p-value = 0.8904
## alternative hypothesis: true autocorrelation is greater than 0Berdasarkan hasil uji Durbin-Watson test, diperoleh nilai DW sebesar 2.4541 dengan p-value sebesar 0.8904
Daerah Kritis
Tolak \(H_0\) jika p-value \(< \alpha\)
Keputusan dan Kesimpulan
Pada taraf signifikansi \(\alpha\) = 5%, \(H_0\) gagal ditolak karena nilai p-value (0.8904) \(> \alpha\)(0.05) sehingga dapat disimpulkan bahwa tidak terdapat autokorelasi dalam model regresi.
car::vif(model)## X1 X2 X3
## 1.304037 1.486681 1.432173Berdasarkan hasil uji multikolinieritas menggunakan Variance Inflation Factor (VIF), diperoleh nilai VIF untuk masing-masing variabel independen sebagai berikut.
\(X_1\) = 1.304037
\(X_2\) = 1.486681
\(X_3\) = 1.432173
Pada setiap variabel independen, diketahui seluruh nilai VIF \(<\) 10 sehingga diperoleh keputusan bahwa asumsi non-multikolinieritas terpenuhi, maka dapat disimpulkan bahwa tidak ada hubungan antar variabel independen dalam model regresi.
Hipotesis
\(H_0\): \(\beta_i = 0\) dengan \(i = 1, 2,\) dan \(3\) (model regresi tidak sesuai)
\(H_1\): \(\beta_i \ne 0 \quad\) untuk paling sedikit satu \(i\), dengan \(i = 1, 2,\) dan \(3\) (model regresi sesuai)
Taraf Signifikansi
\(\alpha\) = 5%
Statistik Uji
model <- lm(Y ~ X1 + X2 + X3, data = data_komlan)
summary(model)##
## Call:
## lm(formula = Y ~ X1 + X2 + X3, data = data_komlan)
##
## Residuals:
## Min 1Q Median 3Q Max
## -21.100 -3.625 1.112 3.902 12.924
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -30.1989 12.2072 -2.474 0.018518 *
## X1 0.5836 0.1067 5.471 4.2e-06 ***
## X2 0.5790 0.1606 3.604 0.000990 ***
## X3 0.4164 0.1034 4.026 0.000301 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 7.46 on 34 degrees of freedom
## Multiple R-squared: 0.8166, Adjusted R-squared: 0.8004
## F-statistic: 50.46 on 3 and 34 DF, p-value: 1.299e-12Berdasarkan hasil uji F, diperoleh p-value sebesar 0.000000000001299
Daerah Kritis
Tolak \(H_0\) jika p-value \(< \alpha\)
Keputusan dan Kesimpulan
Pada taraf signifikansi \(\alpha\) = 5%, \(H_0\) ditolak karena nilai p-value (0.000000000001299) \(< \alpha\) (0.05) sehingga dapat disimpulkan bahwa model regresi cocok atau sesuai untuk memprediksi variabel dependen \((Y)\).
Hipotesis
\(H_0\): \(\beta_j = 0\) dengan \(j = 1, 2,\) dan \(3\) (koefisien parameter tidak berpengaruh signifikan)
\(H_1\): \(\beta_j \ne 0 \quad\) dengan \(j = 1, 2,\) dan \(3\) (koefisien parameter berpengaruh signifikan)
Taraf Signifikansi
\(\alpha\) = 5%
Statistik Uji
model <- lm(Y ~ X1 + X2 + X3, data = data_komlan)
summary(model)##
## Call:
## lm(formula = Y ~ X1 + X2 + X3, data = data_komlan)
##
## Residuals:
## Min 1Q Median 3Q Max
## -21.100 -3.625 1.112 3.902 12.924
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -30.1989 12.2072 -2.474 0.018518 *
## X1 0.5836 0.1067 5.471 4.2e-06 ***
## X2 0.5790 0.1606 3.604 0.000990 ***
## X3 0.4164 0.1034 4.026 0.000301 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 7.46 on 34 degrees of freedom
## Multiple R-squared: 0.8166, Adjusted R-squared: 0.8004
## F-statistic: 50.46 on 3 and 34 DF, p-value: 1.299e-12Berdasarkan hasil uji t, diperoleh:
\(t_1\) = 5.471 dengan p-value
= 0.0000042
\(t_2\) = 3.604 dengan p-value
= 0.000990
\(t_3\) = 4.026 dengan p-value
= 0.000301
Daerah Kritis
Tolak \(H_0\) jika p-value \(< \alpha\)
Keputusan dan Kesimpulan
Pada taraf signifikansi \(\alpha\) = 5%, \(H_0\) ditolak karena p-value \(X_1 = 0.0000042, X_2 = 0.000990,\) dan \(X_3 = 0.000301 < \alpha\) (0.05) sehingga dapat disimpulkan bahwa koefisien parameter \(X_1, X_2\) dan \(X_3\) berpengaruh signifikan terhadap variabel \(Y\).
model <- lm(Y ~ X1 + X2 + X3, data = data_komlan)
summary(model)##
## Call:
## lm(formula = Y ~ X1 + X2 + X3, data = data_komlan)
##
## Residuals:
## Min 1Q Median 3Q Max
## -21.100 -3.625 1.112 3.902 12.924
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -30.1989 12.2072 -2.474 0.018518 *
## X1 0.5836 0.1067 5.471 4.2e-06 ***
## X2 0.5790 0.1606 3.604 0.000990 ***
## X3 0.4164 0.1034 4.026 0.000301 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 7.46 on 34 degrees of freedom
## Multiple R-squared: 0.8166, Adjusted R-squared: 0.8004
## F-statistic: 50.46 on 3 and 34 DF, p-value: 1.299e-12Berdasarkan output tersebut, diperoleh nilai Multiple R-Squared sebesar 0.8166. Hal ini menunjukkan bahwa sebesar 81.66% variasi variabel dependen \((Y)\) dapat dijelaskan oleh variabel independen \((X_1, X_2,\) dan \(X_3)\) dalam model regresi. Sementara itu, sebesar 18.34% variasi variabel dependen \((Y)\) dijelaskan oleh faktor lain di luar model penelitian.
model <- lm(Y ~ X1 + X2 + X3, data = data_komlan)
summary(model)##
## Call:
## lm(formula = Y ~ X1 + X2 + X3, data = data_komlan)
##
## Residuals:
## Min 1Q Median 3Q Max
## -21.100 -3.625 1.112 3.902 12.924
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -30.1989 12.2072 -2.474 0.018518 *
## X1 0.5836 0.1067 5.471 4.2e-06 ***
## X2 0.5790 0.1606 3.604 0.000990 ***
## X3 0.4164 0.1034 4.026 0.000301 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 7.46 on 34 degrees of freedom
## Multiple R-squared: 0.8166, Adjusted R-squared: 0.8004
## F-statistic: 50.46 on 3 and 34 DF, p-value: 1.299e-12Berdasarkan uji F yang telah dilakukan sebelumnya, model awal regresi cocok atau sesuai untuk digunakan dalam melakukan analisis lebih lanjut. Selain itu, berdasarkan uji t yang telah dilakukan, koefisien parameter regresi untuk \(X_1\) yaitu \(\beta_1\), \(X_2\) yaitu \(\beta_2\), dan \(X_3\) yaitu \(\beta_3\) berpengaruh secara signifikan terhadap \(Y\). Sehingga model akhirnya sama dengan model awal, yaitu sebagai berikut.
\[ \hat{Y} = -30.1989+0.5836X_1+0.5790X_2+0.4164X_3 \]
Berdasarkan hasil analisis regresi linier berganda yang telah dilakukan, diperoleh bahwa model yang digunakan telah memenuhi seluruh asumsi klasik sehingga layak digunakan untuk analisis lebih lanjut. Hasil pengujian secara simultan melalui uji F menunjukkan bahwa variabel pemberian tablet tambah darah pada ibu hamil, akses sanitasi rumah tangga, dan pelayanan persalinan secara bersama-sama memiliki pengaruh yang signifikan terhadap cakupan kunjungan antenatal lengkap (ANC K4) di Indonesia menurut provinsi tahun 2023.
Hasil pengujian secara parsial menggunakan uji t juga menunjukkan bahwa ketiga variabel independen tersebut memiliki pengaruh yang signifikan terhadap variabel dependen. Dengan demikian, model regresi yang diperoleh dalam penelitian ini dapat dituliskan sebagai berikut. \[ \hat{Y} = -30.1989+0.5836X_1+0.5790X_2+0.4164X_3 \]
Persamaan regresi tersebut menunjukkan bahwa variabel pemberian tablet tambah darah pada ibu hamil, akses sanitasi rumah tangga, serta pelayanan persalinan memiliki hubungan positif terhadap cakupan kunjungan antenatal lengkap (ANC K4). Artinya, peningkatan pada ketiga variabel tersebut cenderung diikuti oleh peningkatan cakupan kunjungan antenatal lengkap.
Selain itu, nilai koefisien determinasi \((R^2)\) sebesar 0.8166 menunjukkan bahwa sekitar 81.66% variasi cakupan kunjungan antenatal lengkap dapat dijelaskan oleh ketiga variabel independen dalam model. Sementara itu, sekitar 18.34% variasi lainnya dipengaruhi oleh faktor lain di luar variabel yang diteliti dalam penelitian ini.
Berdasarkan hasil penelitian, diharapkan pemerintah dan instansi kesehatan dapat terus meningkatkan upaya pemberian tablet tambah darah kepada ibu hamil, memperbaiki akses sanitasi rumah tangga, serta meningkatkan kualitas pelayanan persalinan. Upaya tersebut diharapkan dapat mendorong peningkatan pemanfaatan layanan kesehatan ibu, khususnya dalam meningkatkan cakupan kunjungan antenatal lengkap.
Selain itu, penelitian selanjutnya disarankan untuk menambahkan variabel lain yang berpotensi memengaruhi cakupan kunjungan antenatal, sehingga model yang diperoleh dapat menjelaskan variasi data secara lebih komprehensif.