Pemodelan Angka Kematian Bayi di Provinsi Riau Menggunakan Metode Regresi Logistik Multinomial

Abstract

Angka Kematian Bayi (AKB) merupakan indikator penting dalam menilai kesejahteraan dan derajat kesehatan masyarakat, yang diukur berdasarkan jumlah kematian bayi sebelum usia satu tahun per 1000 kelahiran hidup pada tahun yang sama. AKB yang tinggi menunjukkan adanya tantangan dalam sistem pelayanan kesehatan, khususnya dalam perawatan ibu dan anak. Penelitian ini bertujuan untuk memodelkan AKB berdasarkan tiga kategori klasifikasi (rendah, sedang, tinggi) menggunakan metode regresi logistik multinomial, serta mengidentifikasi faktor- faktor yang berpengaruh terhadap AKB. Data AKB tahun 2020-2023 bersumber dari Badan Pusat Statistik (BPS) Provinsi Riau. Pemilihan variabel dilakukan menggunakan metode backward elimination, sedangkan evaluasi model dilakukan dengan confusion matrix. Hasil penelitian menunjukkan dari empat variabel yang digunakan, yaitu variabel persentase ibu hamil yang mendapatkan pelayanan K4, variabel persentasi bayi yang mendapatkan ASI eksklusif, variabel persentase ibu yang melakukan kunjungan nifas, dan variabel persentase kemiskinan, didapat bahwa variabel persentase bayi yang mendapatkan ASI eksklusif dan persentase kemiskinan berpengaruh signifikan terhadap klasifikasi AKB.

Infant Mortality Rate (IMR) is an essential indicator of community welfare and public health level, measured as the number of infant deaths before the age of one year per 1000 live births in the same year. A high IMR indicates challenges in the health service system, particularly in maternal and child care. This study aims to model IMR based on three classification categories (low, medium, high) using the multinomial logistic regression method and to identify the influencing factors. IMR data for 2020–2023 was sourced from the Central Statistics Agency (BPS) of Riau Province. Variable selection was carried out using the backward elimination method, and model evaluation was performed using a confusion matrix. Results revealed that among the four variables analyzed – percentage of pregnant women receiving K4 services, percentage of infants receiving exclusive breastfeeding, percentage of mothers completing postnatal visits, and poverty rate – exclusive breastfeeding coverage and poverty rate had a significant effect on the classification of IMR.