Pemodelan Angka Kematian Bayi di Jawa Barat Menggunakan Pendekatan Analisis Regresi Spline dan Kernel

Abstract

Angka Kematian Bayi (AKB) atau Infant Mortality Rate (IMR) merupakan indikator yang sangat sensitif terhadap upaya pelayanan kesehatan terutama yang berhubungan dengan bayi baru lahir. AKB juga merupakan salah satu permasalahan yang perlu ditangani dan menjadi target SDGs pada tujuan nomor 3 (kehidupan yang sehat dan sejahtera). Provinsi Jawa Barat terdiri dari 27 Kabupaten/Kota memiliki AKB sebesar 3,26/1000 kelahiran hidup pada tahun 2019. Pola data AKB di Jawa Barat memiliki bentuk pola yang berubah – ubah pada selang titik tertentu sehingga pemodelan dilakukan menggunakan regresi nonparametrik. Pendekatan regresi nonparametrik yang dipilih adalah regresi spline yang memiliki kemampuan menyesuaikan diri lebih efektif dari karakteristik data dan regresi kernel yang mudah diimplementasikan. Peubah penjelas yang digunakan adalah Angka Harapan Hidup, Persentase Penduduk Miskin, Tingkat Pengangguran Terbuka serta Rata – rata Lama Sekolah. Penelitian ini menghasilkan model terbaik regresi spline 3 knot dan model terbaik regresi kernel dengan lebar jendela 1,2; 1,2; 1,1; dan 1. Hasil evaluasi model menunjukan kinerja model regresi spline lebih baik dari regresi kernel dengan masing – masing nilai MSE, RMSE, dan MAPE sebesar 0,66; 0,81; dan 18,54%.

The Infant Mortality Rate (IMR) is a very sensitive indicator of health service efforts, especially those related to newborns. IMR is also one of the problems that need to solve and the target of the SDGs number 3 (Good health and well-being). Java Province consists of 27 regencies/cities with an IMR of 3,26/1000 live births in 2019. The pattern of IMR data in West Java province had a pattern that changes at certain points so that the modeling is carried out using nonparametric regression. The selected nonparametric regression approach was spline regression which able to adapt more effectively with the characteristics of the data and kernel regression is easy to implementation. The explanatory variables used are life expectancy, the percentage of poor people, the open unemployment rate and the average length of schooling. The best model given by spline regression at 3 knot and kernel regression with bandwidth 1.2; 1.2; 1.1; and 1. Based model evaluation, the spline regression model's performance is better than the kernel regression with MSE, RMSE, and MAPE values are 0.66; 0.81, and 18.54%.