pemodelan jumlah kematian ibu di jawa timur...

ERISKA EVADIANTI

1310 100083

DOSEN PEMBIMBING:

DR. PURHADI M.SC

Surabaya, 23 Juni 2014

SEMINAR HASIL TUGAS AKHIR

PEMODELAN JUMLAH KEMATIAN IBU DI

JAWA TIMUR DENGAN GEOGRAPHICALLY

WEIGHTED NEGATIVE BINOMIAL

REGRESSION (GWNBR)

OUTLINE

• PENDAHULUAN

• TINJAUAN PUSTAKA

•METODOLOGI PENELITIAN

•ANALISIS DAN PEMBAHASAN

•KESIMPULAN DAN SARAN

PENDAHULUAN

• LATAR BELAKANG

• RUMUSAN & TUJUAN MASALAH

• MANFAAT PENELITIAN

• BATASAN MASALAH

2011 627 kasus 104,4

2012 582 kasus 97,4

2013 642 kasus

BATASAN

MASALAH

RUMUSAN &

TUJUAN MASALAH

MANFAAT

PENELITIANLATAR

BELAKANG

TAHUN

2015

Tercapainya kesejahteraan dan

pembangunan masyarakat

mengurangi dua per

tiga rasio kematian ibu

NAIK

Jumlah Kematian Ibu Data Count Regresi Poisson

OverdispersiRegresi Binomial

Negatif

BATASAN

MASALAH

RUMUSAN &

TUJUAN MASALAH

MANFAAT

PENELITIANLATAR

BELAKANG

Geographically

Weighted Negative

Binomial Regression

BATASAN

MASALAH

RUMUSAN &

TUJUAN MASALAH

MANFAAT

PENELITIANLATAR

BELAKANG

nama tahun variabel yang signifikan

Pertiwi 2012

Persentase persalinan dibantu oleh dukun

Persentase rumah tangga hidup bersih sehat

Persentase sarana kesehatan

Novita 2012

Persentase ibu yang melaksanakan K1

Persentase persalinan yang dibantu dukun

Persentase ibu hamil yang mendapatkan Fe1

Persentase ibu hamil yang mengalami Resiko tinggi dan

komplikasi

Persentase rumah tangga berperilaku hidup bersih sehat

Qomariyah 2013

Persentase ibu yang melaksanakan K1

Persentase Ibu nifas yang mendapatkan pelayanan kesehatan

Persentase puskesmas yang melakukan kegiatan pelayanan

antenatal terintegrasi

Persentase puskesmas yang memiliki pedoman pencegahan dan

penanganan malaria pada ibu hamil

Aristia 2013 Persentase rumah tangga berperilaku hidup bersih sehat

• Model Regresi Binomial NegatifTerboboti Geografis untuk DataKematian Bayi

Afri (2013)

• Estimasi dan Pengujian Hipotesis ModelGeographically Weighted NegativeBinomial Regression (GWNBR)

Lieztyanto (2014)

BATASAN

MASALAH

MANFAAT

PENELITIANLATAR BELAKANG RUMUSAN &

TUJUAN MASALAH

RUMUSAN

MASALAH

Bagaimana deskriptif data jumlah kasus

kematian ibu di Jawa Timur tahun 2013

beserta faktor faktor yang diduga

mempengaruhinya?

Bagaimana model dan jumlah kematian ibu

di Jawa Timur tahun 2013 dengan Regresi

Binomial Negatif dan faktor apa saja yang

mempengaruhinya ?

Bagaimana model jumlah kematian ibu di

setiap kabupaten/kota di Jawa Timur tahun

2013 dengan Geographically Weighted

Negative Binomial Regression (GWNBR) dan

faktor apa saja yang mempengaruhinya ?

BATASAN

MASALAH

MANFAAT

PENELITIANLATAR BELAKANG RUMUSAN &

TUJUAN MASALAH

TUJUAN MASALAH

Mendiskriptifkan data jumlah kasus kematian ibu di Jawa

Timur tahun 2013 beserta faktor faktor yang diduga

mempengaruhinya.

Mendapatkan model jumlah kematian ibu di Jawa Timur

tahun 2013 dengan Regresi Binomial Negatif beserta faktor

faktor yang mempengaruhinya.

Mendapatkan model jumlah kematian ibu di setiap

kabupaten/kota di Jawa Timur tahun 2013 dengan

Geographically Weighted Negative Binomial Regression

(GWNBR) beserta faktor faktor yang mempengaruhinya.

BATASAN

MASALAH

RUMUSAN &

TUJUAN MASALAHLATAR BELAKANG MANFAAT

PENELITIAN

Memberikan wawasan pengetahuan tentang

penanganan kasus overdispersi pada regresi poisson

dengan menggunakan regresi Binomial Negatif serta

metode Geographically Weighted Negative Binomial

Regression (GWNBR) beserta aplikasinya.

Memberikan informasi dan masukkan tentang faktor

faktor yang mempengaruhi kematian ibu di setiap

kabupaten/kota untuk membantu pengambilan

kebijakan dalam upaya penurunan jumlah kematian

ibu.

RUMUSAN &

TUJUAN MASALAH

MANFAAT

PENELITIANLATAR BELAKANG BATASAN

MASALAH

Penelitian ini menggunakan data

jumlah kematian ibu di Jawa Timur

tahun 2013 dengan unit penelitian tiap

kabupaten/kota.

Pembobotan menggunakan fungsi

Adaptive bisquare kernel.

TINJAUAN PUSTAKA

• REGRESI POISSON

• OVERDISPERSI

• REGRESI BINOM NEGATIF

• SPASIAL

• GWNBR

• KEMATIAN IBU

Binomial Negatif SpasialOverdispersiRegresi

Poisson

Distribusi poisson merupakan bentuk distribusi untuk peristiwa yang

probabilitas kejadiannya sangat kecil dan bergantung pada interval

waktu tertentu dengan hasil pengamatan berupa variabel diskrit.

Regresi Poisson merupakan suatu bentuk analisis regresi yang digunakan

untuk memodelkan data yang berbentuk count (jumlah), misalnya data

tersebut dilambangkan dengan Y yaitu banyaknya kejadian yang terjadi

dalam suatu periode waktu dan/atau wilayah tertentu.

13

Penaksiran

parameter model

regresi poisson

menggunakan

metode Maximum

Likelihood

Estimation (MLE)

LANGKAH


Poisson

14

Penaksiran

parameter model

regresi poisson

menggunakan

metode Maximum

Likelihood

Estimation (MLE)

LANGKAH


Poisson

15


Poisson

16

Overdispersi dalam regresi poisson terjadi apabila nilai

variansnya lebih besar daripada nilai rata ratanya.

Parameter

konsisten namun

tidak efisien

Standar Error

UnderestimateTidak Valid

REGRESI

BINOMIAL NEGATIF

Binomial Negatif SpasialOverdispersiRegresi Poisson

Regresi Binomial Negatif merupakan salah satu alternatif

yang dapat digunakan untuk mengatasi kasus overdispersi

pada data jumlahan menggunakan regresi Poisson.

Regresi Binomial Negatif merupakan penerapan dari GLM,

maka distribusi binomial negatif memiliki tiga komponen yaitu

komponen random, komponen sistematik dan fungsi link .

17

Overdispersi SpasialBinomial

NegatifRegresi Poisson

18

Estimasi parameter dari regresi binomial negatif digunakan metode maksimum

likelihood dengan prosedur Newton Raphson. Langkah Langkah:



19



20

Mengetahui apakah pengamatan suatu lokasi berpengaruh terhadap

pengamatan dilokasi lain yang berdekatan

Overdispersi Binomial NegatifSpasial

Regresi Poisson

21

Adaptive Bisquare

Kernel

digunakan metode cross validation (CV) untuk meminimumkan bandwidth optimum

Overdispersi Binomial NegatifSpasial

Regresi Poisson

22

Model Geographically Weighted Negative Binomial Regression

(GWNBR) adalah salah satu metode yang cukup efektif

menduga data yang memiliki heterogenitas spasial untuk cacah

yang memiliki overdispersi. Model GWNBR akan menghasilkan

penduga parameter lokal dengan masing masing lokasi akan

memiliki parameter yang berbeda beda.

Kematian IbuGWNBR

23

Penaksiran

parameter

model GWNBR

menggunakan

metode

Maximum

Likelihood

Estimation (MLE)

LANGKAH

Kematian IbuGWNBR

24

SerentakKesamaan model GWNBR

dan BNParsial

PENGUJIAN

Kematian IbuGWNBR

25

Kematian IbuGWNBR

26

Kematian IbuLangsung

Tidak Langsung1 • Mendapatkan Fe 3

2 • Ibu Hamil Resti

3• Ibu Hamil dg Komplikasi

4• Persalinan dibantu dukun

5 • Ibu Nifas mendapatkan pelayanan

6 • Ibu Nifas mendapatkan vit A

7 • Rasio Sarana Rumah Sakit

8 • Rasio Sarana Puskesmas

GWNBR Kematian

Ibu

METODOLOGI PENELITIAN

• SUMBER DATA

• VARIABEL PENELITIAN

• LANGKAH PENELITIAN

• DIAGRAM ALIR

Langkah Penelitian Diagram AlirVariabel PenelitianSumber

Data

28

Data

Sekunder

Laporan LB3 KIA Sie Kesga Dinas Kesehatan Provinsi

Jawa Timur tahun 2013

38 Kabupaten

/Kota

Langkah Penelitian Diagram AlirSumber Data

29

Variabel

Penelitian

Variabel Keterangan

Y Jumlah kematian Ibu di tiap kabupaten/kota

X1 Persentase ibu hamil mendapatkan Fe 3

X2 Persentase ibu hamil beresiko tinggi

X3 Persentase penanganan ibu mengalami komplikasi

X4 Persentase persalinan dibantu dukun

X5 Persentase Ibu Nifas mendapatkan pelayanan

X6 Persentase Ibu Nifas mendapatkan vitamin A

X7 Rasio sarana kesehatan Rumah Sakit

X8 Rasio sarana kesehatan Puskesmas

ui Lintang (longitude) kabupaten/ kota ke-i

vi Bujur (latitude) kabupaten/kota ke-i

Diagram AlirVariabel PenelitianSumber Data

30

Langkah

Penelitian

1. Mendeskripsikan variabel respon dan prediktor.

2. Mengidentifikasi dan menyelesaikan adanya kasus

multikolinieritas.

3. Melakukan pemeriksaan overdispresi data.

4. Mendapatkan model Binomial Negatif

a) Menaksir parameter model regresi binomial negatif.

b) Menguji signifikasi parameter model regresi binomial

negatif secara serentak

c) Menguji signifikasi parameter model regresi binomial

negatif secara parsial.

5. Melakukan pengujian spasial

Diagram AlirVariabel PenelitianSumber Data

31

Langkah

Penelitian

6. Mendapatkan model GWNBR dengan langkah- langkah

sebagai berikut:

a. Menaksir parameter model GWNBR.

b. Menghitung jarak euclidian antar lokasi pengamatan

berdasarkan posisi geografisnya

c. Mendapatkan bandwidth optimal untuk setiap lokasi

pengamatan.

d. Menghitung matrik pembobot

e. Melakukan pengujian kesamaan model GWNBR dengan

regresi binomial negatif, pengujian signifikasi parameter

model secara serentak maupun parsial.

7. Melakukan intepretasi model GWNBR dan membentuk peta

pengelompokkan.

Langkah Penelitian Diagram

AlirVariabel PenelitianSumber Data

32

ANALISIS & PEMBAHASAN

• DESKRIPTIF

• MULTIKOLINEARITAS

• REGRESI POISSON

• OVERDISPERSI

• REGRESI BINOM NEGATIF

• SPASIAL

• GWNBR

Regresi Poisson OverdispersiMultikolinearitasDeskriptif

Pesebaran AKI

MALANG

JEMB ER

TUBA N

BANYUW ANGI

BLITAR

KEDIRI

NGAW I

LUM AJANGPACITAN

BOJONE GORO

LA MONGAN

MADIUN

SITUBONDO

GRES IK

PASURUAN

NGANJUK

SAMP ANG

PONOROGO

SUMENEP

PROB OLINGGO

BONDOW OSO

JOM BANG

BANGKALAN

TRENGGALEK

MOJOK ERTO

TULUNGA GUNG

MAGETA N

SIDOARJO

PAME KASA N

SURABAY A (KOTA)

BATU (K OTA)KEDIRI (KOTA)

MALANG (K OTA)

PASURUAN (KOTA)

BLITAR (KOTA)

PROB OLINGGO (K OTA)

MADIUN (KOTA)

MOJOK ERTO (KOTA) Keterangan

1 - 4

5 - 13

14 - 20

21 - 28

29 - 49

100 0 100 200 Miles

N

EW

S

Pesebaran Jumlah Kasus Kematian Ibu di Jawa Timur

Regresi Poisson OverdispersiMultikolinearitasDeskriptif

Persentase dibantu dukun

MALANG

JEMB ER

TUBA N

BANYUW ANGI

BLITAR

KEDIRI

NGAW I

LUM AJANGPACITAN

BOJONE GORO

LA MONGAN

MADIUN

SITUBONDO

GRES IK

PASURUAN

NGANJUK

SAMP ANG

PONOROGO

SUMENEP

PROB OLINGGOBONDOW OSO

JOM BANG

BANGKALAN

TRENGGALEK

MOJOK ERTO

TULUNGA GUNG

MAGETA N

SIDOARJO

PAME KASA N

SURABAY A (KOTA)

BATU (K OTA)KEDIRI (KOTA)

MALANG (K OTA)

PASURUAN (KOTA)

BLITAR (KOTA)

PROB OLINGGO (K OTA)

MADIUN (KOTA)

MOJOK ERTO (KOTA) Keterangan: (%)0 - 0.85

0.85 - 2.37

2.37 - 5.1

100 0 100 200 MilesS

Pesebaran Persentase Persalinan Dibantu Dukun

Regresi Poisson OverdispersiDeskriptifMultikolinearitas

Variabel VIF

X1 1,953

X2 1,606

X3 1,428

X4 1,276

X5 1,249

X6 2,034

X7 1,231

X8 1,229

NILAI VIF < 10

Tidak terdapat kasus

multikolinearitas pada data,

maka dapat dilanjutkan dengan

Regresi Poisson.

Multikolinearitas OverdispersiDeskriptif Regresi

Poisson

Parameter Estimasi Zhitung Pr(|Z|>)β0 2,630 52,976 <2e-16 β1 0,294 4,897 0,000β2 0,012 0,238 0,812β3 0,174 3,256 0,001β4 0,018 0,397 0,692β5 -0,068 -1,278 0,201β6 -0,166 -2,622 0,009β7 -0,507 -6,359 0,000β8 -0,435 -8,264 < 2e-16

AIC= 287,14Devians= 103,42 ; df= 29

Output software R

didapat :


Poisson

Parameter Estimasi Zhitung Pr(|Z|>)

β0 2,630 52,976 <2e-16

β1 0,294 4,897 0,000

β2 0,012 0,238 0,812

β3 0,174 3,256 0,001

β4 0,018 0,397 0,692

β5 -0,068 -1,278 0,201

β6 -0,166 -2,622 0,009

β7 -0,507 -6,359 0,000

β8 -0,435 -8,264 < 2e-16

AIC= 287,14

Devians= 103,42 ; df= 29

Pengujian serentak:

Keterangan:

Pengujian Parsial:


Poisson

Model yang terbentuk adalah:

Variabel yang memberikan pengaruh signifikan terhadap

jumlah kematian ibu adalah Persentase ibu hamil yang

mendapatkan Fe3 (X1), Persentase penanganan ibu yang

mengalami komplikasi (X3), Persentase Ibu Nifas yang

mendapatkan vitamin A (X6), Persentase sarana kesehatan Rumah

Sakit (X7), dan Persentase sarana kesehatan Puskesmas (X8).

Multikolinearitas Regresi PoissomDeskriptifOverdispersi

Kriteria nilai db nilai/db

Deviance 103,42 29 3,566

OVERDISPERSI

REGRESI

BINOMIAL NEGATIF

GWNBRSpasialRegresi Binomial

Negatif

Parameter Estimasi Zhitung Pr(|Z|>)β0 2,62765 30,182 0,0000β1 0,28008 2,328 0,027071β2 0,03428 0,322 0,749552β3 0,13784 1,328 0,194427β4 0,01975 0,211 0,834449β5 -0,06575 -0,647 0,522886β6 -0,17822 -1,436 0,161737β7 -0,56153 -4,476 0,000108β8 -0,39158 -3,955 0,000452

AIC= 265,33Devians= 29,148 ; df= 29

Output software R

didapat :

Pengujian serentak:

Pengujian Parsial:


Negatif

Parameter Estimasi Zhitung Pr(|Z|>)

β0 2,62765 30,182 0,00000

β1 0,28008 2,328 0,027071

β2 0,03428 0,322 0,749552

β3 0,13784 1,328 0,194427

β4 0,01975 0,211 0,834449

β5 -0,06575 -0,647 0,522886

β6 -0,17822 -1,436 0,161737

β7 -0,56153 -4,476 0,000108

β8 -0,39158 -3,955 0,000452

AIC= 265,33

Devians= 29 ; df= 29

Keterangan:


Negatif

Model yang terbentuk adalah:

Variabel yang memberikan pengaruh signifikan

terhadap jumlah kematian ibu adalah Persentase ibu hamil

yang mendapatkan Fe3 (X1), Persentase sarana kesehatan

Rumah Sakit (X7), dan Persentase sarana kesehatan

Puskesmas (X8).

GWNBRRegresi Binomial

Negatif Spasial

p-value 0,1137899

alpha 0,1

DEPENDENSI SPASIAL

P-VALUE > ALPHA

TIDAK ADA DEPENDENSI

SPASIAL PADA DATA

HETEROGENITAS SPASIAL

BPtest 11,987

χ2(0.2;8) 11,03

BP test > χ2

Variansi antar lokasi

berbeda

45

SerentakKesamaan model GWNBR

dan BNParsial

PENGUJIAN

SpasialRegresi Binomial

Negatif GWNBR

Devians

BNdf

Devians

GWNBRdf Fhit

29 29 9997,68 29 0,029

Keterangan: F tabel=1,861

Tidak ada perbedaan

antara model BN dan

GWNBR

46

SpasialRegresi Binomial

Negatif GWNBR

Devians

GWNBRdf χ2

(0.05;8)

997,68 29 15,507

TOLAK HO

Pacitan 48.80 55.24 3.33 0.66 1.88 0.03 -0.08 -0.71 -9.90Ponorogo 45.27 52.53 3.22 0.61 1.75 0.02 -0.15 -0.63 -9.33Trenggalek 41.05 40.53 1.57 0.76 0.58 -0.28 -0.04 -0.69 -7.39Tulungagung 36.83 38.29 1.34 0.74 0.37 -0.33 -0.09 -0.55 -6.47

Blitar 43.60 47.89 3.09 0.67 1.77 0.15 0.08 -0.69 -8.62

Kediri 31.86 34.12 1.10 0.82 0.47 -0.01 0.27 -0.65 -5.20Malang 43.45 38.16 1.66 0.72 1.20 -0.10 0.22 -0.96 -7.90

β0 β1 β2 β3 β4 β5 β6 β7 β8

36.83 38.29 1.34 0.74 0.37 -0.33 -0.09 -0.55 -6.47

TULUNGAGUNG

Kel Kabupaten Variabel yang Signifikan

1

Pacitan, Ponorogo, Blitar, Jember, Banyuwangi, Bondowoso, Probolinggo, Pasuruan, Nganjuk, Ngawi, Bojonegoro,

Gresik, Pamekasan, kota Kediri, kota Blitar, kota Pasuruan, kota Mojokerto, kota

Surabaya, dan kota Batu

2Trenggalek, Tulungagung, Kediri,

Lumajang, Jombang, Madiun, Magetan, Tuban, Lamongan dan kota Madiun

3Malang, Situbondo, Sidoarjo, Mojokerto,

Bangkalan, Sampang ,Sumenep, kota Malang dan kota Probolinggo

MALANGJEM BER

TUBAN

BANYUW AN GI

BL ITAR

KEDIR I

NGAW I

LUM AJANGPACITAN

BOJONEGORO

LAMONGAN

MADIU N

SITU BON DO

GR ESIK

NGAN JUK

PASURUAN

SAMPANG

PONOR OGO

SUM ENEP

PROBOLINGGO

JOM BANG

BOND OW OSO

BANGKAL AN

TRENGGAL EK

MOJOKERTO

TULU NGAGU NG

MAGETAN

SID OAR JO

PAMEKASAN

BATU

SUR ABAYA

100 0 100 200 Miles

N

EW

S

View1

Keterangan

Kelompok 1

Kelompok 2

Kelompok 3

KESIMPULAN & SARAN

Regresi Poisson

5 variabel signifikan

Regresi Binomial Negatif

3 variabel signifikan

Nilai Devians lebih kecil

Dapat menangani

Overdispersi

KESIMPULAN & SARAN

3 KELOMPOKGeographically

Weighted Negative

Binomial Regression

1• Jenis Bobot

2• Faktor sosial, pendidikan, lingkungan.

MALANGJEM BER

TUBAN

BANYUW AN GI

BL ITAR

KEDIR I

NGAW I

LUM AJANGPACITAN

BOJONEGORO

LAMONGAN

MADIU N

SITU BON DO

GR ESIK

NGAN JUK

PASURUAN

SAMPANG

PONOR OGO

SUM ENEP

PROBOLINGGO

JOM BANG

BOND OW OSO

BANGKAL AN

TRENGGAL EK

MOJOKERTO

TULU NGAGU NG

MAGETAN

SID OAR JO

PAMEKASAN

BATU

SUR ABAYA

100 0 100 200 Miles

N

EW

S

View1

Keterangan

Kelompok 1

Kelompok 2

Kelompok 3

• Afri, L. E. (2013). Model Regresi Binomial Negatif Terboboti Geografis untuk Data

Kematian Bayi. Jurnal Ilmiah Edu Research Vol.2 No.1

•Agresti, A. (2002). Categorical Data Analysis.Seond Edition. New York: John Wiley and

Sons.

•Anselin, L. (1988). Spatial Econometris: Methods and Models. Dordrecht: Kluwer

Academic Publishers.

•Aristia, R. (2013). Faktor Yang Mempengaruhi Jumlah Kematian Ibu Hamil di Jawa Timur

Menggunakan Regresi Binomial Negatif dan Geographically Weighted Poisson

Regression(GWPR). Surabaya: Institut Teknologi Sepuluh Nopember.

•Dinkes. (2014). Laporan LB3 KIA Sie Kesga Dinkes Prov. Jatim. Surabaya: Dinas

Kesehatan Jawa Timur.

•Dinkes. (2012). Profil Kesehatan Provinsi Jawa Timur Tahun 2012. Surabaya: Dinas

Kesehatan Jawa Timur.

•Greene, W. (2008). Functional forms for the negative binomial model for count data.

Economics Letters 99(3) , 585-590.

•Hardin, J. W., & Hilbe, J. M. (2007). Generalized Linear Models and Extensions Second

Edition. Texas: Stata Press.

•Hocking, R. R. (1996). Methods and applications of linear models: regression and the

analysis of variance. New York: John Wiley and Sons.52

•Lieztyanto, Y. G., & Purhadi. (2014). Estimasi dan Pengujian Hipotesis Model

Geographically Weighted Negative Binomial Regression (GWNBR). Seminar Nasional

Pendidikan Sains Tahun 2014 , 1107-1112.

•McCullagh, P., & Nelder, J. A. (1989). Generalized linear models. London: Chapman and

Hall.

•Mertha, W. P. (2008). Analisa Hubungan Kondisi Sektor Ekonomi dan Penelitian terhadap

Angka Kemiskinan di Jawa Timur menggunakan Metode GWR. Surabaya: Institut Teknologi

Sepuluh Nopember.

•Mukti, A. G. (2012, September 4). Kompas. Dipetik Februari 5, 2014, dari

http://health.kompas.com

•Novita, L. (2012). Pemodelan Maternal Mortality di Jawa Timur dengan Pendekatan

GWPR. Surabaya: Institut Teknologi Sepuluh Nopember.

•Pertiwi, L. D. (2012). Spatial Durbin Model Untuk Mengidentifikasi Faktor Faktor yang

Mempengaruhi Kematian Ibu di Jawa Timur. Surabaya: Institut Teknologi Sepuluh

Nopember.

•Qomariyah, N. (2013). Pemodelan Faktor-Faktor yang Mempengaruhi Jumlah Kematian

Ibu di Jatim dengan Pendekatan GWPR (Geographically Weighted Poisson Regression)

Ditinjau dari Segi Fasilitas Kesehatan . Surabaya: Institut Teknologi Sepuluh Nopember.

•Ricardo, A., & Carvalho, T. (2013). Geographically Weighted Negative Binomial

Regression-Incorporating Overdispersion. Business Media New York: Springer Science.

•WHO. (t.thn.). World Health Organozation. Dipetik 02 20, 2014, dari

http://www.who.int53

TERIMA KASIH

SELAMAT SIANG

ERISKA EVADIANTI-

ERISKA EVADIANTI

1310 100083

DOSEN PEMBIMBING:

DR. PURHADI M.SC

Surabaya, 23 Juni 2014

SEMINAR HASIL TUGAS AKHIR

PEMODELAN JUMLAH KEMATIAN IBU DI

JAWA TIMUR DENGAN GEOGRAPHICALLY

WEIGHTED NEGATIVE BINOMIAL

REGRESSION (GWNBR)

pemodelan jumlah kematian ibu di jawa timur...

Documents