Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKAngka kematian ibu didefinisikan sebagai jumlah kematian ibu pada saat masa kehamilan atau dalam kurun waktu 42 hari setelah masa kehamilan berhenti setiap seratus ribu kelahiran hidup. Salah satu tujuan dari Millenium Development Goals MGDs Indonesia adalah untuk mengurangi angka kematian ibu. Salah satu faktor yang menentukan angka kematian ibu adalah jumlah kematian ibu. Menurut profil kesehatan Indonesia tahun 2014 provinsi Jawa Barat, Jawa Tengah, dan Jawa Timur berkontribusi 26 persen dari total jumlah kematian ibu di Indonesia. Variabel-variabel yang diduga memengaruhi kematian ibu adalah jumlah tenaga kesehatan, program pemberian beras miskin, ketersediaan air bersih, jumlah penduduk yang buta huruf, dan jumlah kelahiran yang dibantu oleh tenaga kesehatan. Data yang digunakan adalah data spasial yang merupakan data yang memiliki informasi koordinat di dalamnya. Menurut Cressie 1993, kejadian di suatu wilayah cenderung dipengaruhi oleh kejadian di sekitarnya dan ketergantungan spasial seringkali ditemukan di dalam analisis regresi. Oleh karena itu diduga bahwa jumlah kematian ibu di suatu wilayah dipengaruhi oleh jumlah kematian ibu di wilayah lainnya yang berdekatan. Pemodelan jumlah kematian ibu dilakukan dengan pendekatan regresi spasial menggunakan model Spatial Autoregressive dan Spatial Error, sehingga dapat diketahui variabel apa saja yang signifikan serta seberapa besar faktor spasial memengaruhi jumlah kematian ibu di Jawa Barat, Jawa Tengah, dan Jawa Timur. Pada ketiga daerah tersebut, juga akan dideteksi Kabupaten/kota mana saja yang memiliki jumlah kematian ibu tertinggi secara statistik menggunakan metode Spatial Scan Statistics. Hasil pemodelan menunjukkan bahwa jumlah tenaga kesehatan, program pemberian beras miskin, dan jumlah penduduk buta huruf merupakan faktor yang signifikan memengaruhi jumlah kematian ibu dan didapatkan cluster daerah yang memiliki jumlah kematian ibu tertinggi secara statistik.

---

ABSTRACTMaternal mortality is defined as the number of maternal deaths during pregnancy or within 42 days of termination of pregnancy every hundred thousands live births. One of the Millennium Development Goals MGDs of Indonesia was to reduce maternal mortality. One of the factors that determine maternal mortality is the number of maternal deaths. According to Indonesia 39s health profile in 2014, West Java, Central Java and East Java provinces contributed 26 percents of the total number of maternal deaths in Indonesia. The variabels suspected affect maternal deaths are the number of health workers, poor rice programs, the availability to access clean water, the number of illiterate people, and the number of births assisted by health personnel. The data is spatial data which has coordinate information in it. According to Cressie 1993, events in a region tend to be influenced by surrounding events and spatial dependence is often found in spatial data. Therefore it is suspected that the number of maternal deaths in a region is affected by the number of maternal deaths in other surrounding areas. Maternal deaths data was analyzed by spatial regression approach using Spatial Autoregressive and Spatial Error Model to know which variabels are significant and to know whether spatial factor influences the number of maternal deaths in West Java, Central Java, and East Java. In all three areas, the highest number of maternal deaths will also be detected statistically using the Spatial Scan Statistics method. The modeling results showed that the number of health workers, poor rice program, and the number of illiterate people were significant factors that affect the number of maternal deaths and the cluster areas that have highest number of maternal deaths were obtained statistically. "

"Stunting merupakan salah satu masalah kesehatan masyarakat global yang sampai saat ini masih perlu memperoleh perhatian penting terutama di negara-negara berkembang. Indonesia perlu menurunkan prevalensi stunting menjadi 14% pada tahun 2024. Sebanyak 108 kabupaten/kota di Provinsi Banten, Jawa Barat, jawa Tengah dan Jawa Timur termasuk lokasi fokus intervensi percepatan penurunan stunting terintegrasi tahun 2023 dengan skema percepatan khusus. Penelitian ini bertujuan untuk mengetahui visualisasi dashboard data wilayah berisiko stunting dikaitkan dengan pola asuh, faktor lingkungan, faktor akses pelayanan kesehatan, penyakit infeksi dan BBLR di Provinsi Banten, Jawa Barat, Jawa Tengah dan Jawa Timur tahun 2021. Penelitian ini merupakan studi ekologi dengan unit analisis di tingkat kabupaten/kota dan menggunakan data sekunder berupa data agregat hasil Studi Status Gizi Indonesia (SSGI) Tahun 2021 yang diperoleh dari BKPK Kemenkes RI. Hasilnya dashboard yang dibuat dapat menyajikan data pemetaan sebaran risiko stunting dikaitkan dengan pola asuh, faktor lingkungan, faktor pelayanan kesehatan, penyakit infeksi dan BBLR. Selain itu juga menyajikan data dan grafik variabel di tingkat kabupaten/kota yang interaktif, serta menyajikan simulasi prevalensi stunting yang dihubungkan dengan variabel yang signifikan berhubungan dengan stunting pada penelitian ini.

---

Stunting is one of the global public health problems that still needs important attention, especially in developing countries. Indonesia needs to reduce the prevalence of stunting to 14% by 2024. A total of 108 districts/cities in the provinces of Banten, West Java, Central Java and East Java are included in the focus locations of the integrated stunting reduction acceleration intervention in 2023 with a special acceleration scheme. This study aims to describe the dashboard visualization of data on areas at risk of stunting associated with parenting, environmental factors, health service access factors, infectious diseases and LBW in Banten, West Java, Central Java and East Java Provinces in 2021. This research is an ecological study with a unit of analysis at the district / city level and used secondary aggregated data of the 2021 Indonesian Nutrition Status Study (SSGI) obtained from the BKPK Kemenkes RI. As a result, the dashboard created can present data mapping the distribution of stunting risk associated with parenting, environmental factors, health service factors, infectious diseases and LBW. In addition, it also presented data and graphs of variables at the interactive district / city level, and presented a simulation of the prevalence of stunting associated with variables that were significantly associated with stunting in this study."

"

Indonesia merupakan negara yang memiliki penduduk terbanyak ke-empat di dunia. Oleh karena itu, diperlukan pembangunan manusia untuk menciptakan sumber daya manusia yang memiliki kemampuan untuk menggerakkan roda perekonomian. Pembangunan manusia merupakan fokus perhatian pemerintah, dan tercantum dalam beberapa program yang diterapkan pemerintah di tingkat global maupun tingkat nasional. Pembangunan manusia diukur dengan suatu indeks komposit dasar yang dikenal dengan Indeks Pembangunan Manusia (IPM). IPM diukur dari tiga komponen dasar, yaitu umur panjang dan sehat, memiliki pengetahuan, dan standar hidup yang layak, sehingga IPM sering digunakan sebagai ukuran keberhasilan pemerintah dalam pembangunan manusia. Penelitian ini memodelkan variabel-variabel yang memengaruhi IPM Kabupaten/Kota Jawa Tengah pada periode tahun 2017 sampai dengan tahun 2019. Variabel-variabel prediktor yang digunakan dalam penelitian adalah Produk Domestik Regional Bruto, angka partisipasi sekolah SMA, kepadatan penduduk, tingkat partisipasi angkatan kerja, persentase penduduk miskin, dan persentase rumah tangga dengan sanitasi layak.  Penelitian ini menggunakan data yang mengandung informasi lokasi yang diamati dalam beberapa periode waktu (tahun). Data yang terobservasi ini saling berkorelasi secara spasial (ada autokorelasi spasial). Ketika data yang terobservasi mengandung autokorelasi spasial, model regresi linier biasa tidak dapat digunakan karena akan menghasilkan taksiran parameter regresi yang bias dan tidak konsisten. Oleh karena itu diperlukan metode lain yang dapat menangani masalah autokorelasi spasial pada data yaitu model regresi spasial. Selain itu, data juga diamati dalam beberapa periode waktu (tahun), sehingga model yang dapat digunakan dan menggambarkan kondisi data ini adalah model data panel spasial. Model data panel spasial terbagi menjadi dua, yaitu: model data panel spasial lag dan model data panel spasial error. Metode penaksiran parameter yang digunakan untuk model data panel spasial dalam penelitian ini adalah metode Maximum Likelihood. Berdasarkan perbandingan dari kedua model diperoleh hasil bahwa model terbaik yang dapat menjelaskan Indeks Pembangunan Manusia di Jawa Tengah adalah model data panel spasial lag. Variabel-variabel prediktor yang signifikan dan menjelaskan Indeks Pembangunan Manusia di Jawa Tengah adalah Produk Domestik Regional Bruto, angka partisipasi sekolah SMA, kepadatan penduduk, tingkat partisipasi angkatan kerja, persentase penduduk miskin, dan persentase rumah tangga dengan sanitasi layak.

---

Indonesia is the fourth most populous country in the world. Therefore, human development is needed to create human resources that have the ability to drive the economy. Human development is the focus of government attention and listed in several programs implemented by the government at the global and national levels. Human development is measured by a basic composite index known as the Human Development Index (HDI). HDI measures three basic components, that are long and healthy life, being knowledgeable, and have a decent standard of living, so HDI is often used as a measure of government success in human development. This study is modeling variables that affect the HDI of regency or city at Central Java in the period 2017 to 2019. The predictor variables used in this study are gross regional domestic product, high school participation rates, population density, labor force participation rates, percentage of poor people, and percentage of households with proper sanitation. This study uses data that contains location information observed over several time periods (years). Observations on this data are spatially correlated (there are spatial autocorrelations). When observations on data contain spatial autocorrelation, the linear regression model can not be used because it will produce an unbiased and inconsistent regression parameter estimate. Therefore we need another method that can handle the problem of spatial autocorrelation in the data, namely the spatial regression model. In addition, data is also observed in several time periods (years), so that the model can be used and describe the condition of the data is a spatial panel data model. The spatial panel data model is divided into two, known as spatial lag panel data model and spatial error panel data model. The parameter estimation method used for the spatial panel data model in this study is the Maximum Likelihood method. Based on the comparison of two models, it is obtained that the best model can explain the Human Development Index at Central Java is spatial lag panel data model. Significant predictor variables that explain the Human Development Index at Central Java are gross regional domestic product, high school participation rates, population density, labor force participation rates, percentage of poor population, and percentage of households with proper sanitation.

 

"

"ABSTRAKMenurut Badan Pusat Statistik (BPS) pengangguran adalah penduduk yang selamaseminggu terakhir tidak bekerja tetapi sedang mencari pekerjaan, ataumempersiapkan suatu usaha, atau merasa tidak mungkin mendapat pekerjaan,karena merasa putus asa, atau sudah diterima bekerja tetapi belum mulai bekerja.Sedangkan Tingkat Pengangguran Terbuka (TPT) adalah perbandingan jumlahpengangguran terhadap angkatan kerja. Pengangguran adalah suatu masalah yangserius bagi suatu negara. Tingkat Pengangguran Terbuka di Pulau Jawa, khususnyaJawa Barat, Jawa Tengah, dan Jawa Timur beragam. Di Jawa Barat TPT cenderungtinggi, sedangkan di Jawa Tengah dan Jawa Timur TPT cenderung rendah. Padaskripsi ini akan dimodelkan TPT di ketiga daerah tersebut, menggunakan tingkatpendidikan, kesehatan, PDRB, jumlah penduduk serta status pernikahan sebagaivariabel penjelas, faktor spasial juga diperhatikan karena jarak antarkabupaten/kota yang berdekatan, akan mengakibatkan TPT cenderung berkorelasi.Data yang digunakan adalah data sekunder bersumber dari BPS. Data akandianalisis menggunakan uji Moran I, untuk mengetahui tingkat dependensi spasial,dan metode Spatial Autoregressive untuk mengetahui variabel-variabel yangsignifikan mempengaruhi TPT di ketiga daerah tersebut dan besar pengaruh faktorspasialnya. Hasil yang diperoleh, variabel proporsi penduduk menikah, ratepenyakit, dan jumlah penduduk merupakan variabel yang signifikanmempengaruhi TPT. Pada ketiga daerah tersebut, juga akan diteliti kabupaten/kotamanakah yang memiliki TPT tertinggi menggunakan metode Spatial ScanStatistics. Hasil yang diperoleh, terdapat 22 kabupaten/kota yang merupakankelompok daerah dengan TPT paling tinggi (Most likely cluster) pada areapenelitian, 2 kabupaten/kota yang merupakan kelompok daerah dengan TPT palingtinggi di daerah Jawa Barat, 1 kabupaten/kota yang merupakan kelompok daerahdengan TPT paling tinggi di daerah Jawa Tengah, dan 15 kabupaten/kota yangmerupakan kelompok daerah dengan TPT paling tinggi di daerah Jawa Timur.

---

ABSTRACTAccording to Badan Pusat Statistik (BPS), unemployment is the population that didnot work but looking for work, or preparing for a business, or find it is impossibleto get a job (in despair), or have been accepted to work but have not startedworking over the past week. Unemployment Rate (TPT = Tingkat PengangguranTerbuka) is the ratio of the number of unemployed to the labor force.Unemployment Rates in Java, especially in West Java, Central Java, and East Javaare diverse. In West Java TPT tends to be high, whereas in Central Java and EastJava TPT tends to be low. The objectives of this study is modeling the TPT inthose three regions, using rate of disease, infant mortality rate, educational level,population size, proportion of married people, and GDRP as explanatory variables.Spatial factors are also considered in the modeling since the closer the distance, thehigher the correlation. This study uses the secondary data from BPS. The data willbe analyzed using Moran I test, to obtain the information about spatial dependence,and Spatial Autoregressive method to obtain information, which variables aresignificant affecting TPT and how great the influence of spatial factors. The resultis, variables proportion of married people, rate of disease, and population size arerelated to TPT significantly. In all three regions, will also be investigateddistricts/cities which has the Hotspot of TPT using Spatial Scan Statistics Method,that is 22 districts/cities as a regional group with the highest TPT (Most likelycluster) in the study area, 2 districts/cities as a regional group with the highest TPTin West Java, 1 district/city as a regional groups with the highest TPT in CentralJava, and 15 districts/cities as a regional group with the highest TPT in East Java."

"ABSTRAKHotspot merupakan daerah yang memiliki intensitas kejadian yang lebih tinggi dibandingkan dengan daerah lain dalam suatu lokasi tertentu. Manfaat dari pendeteksian hotspot adalah memberikan informasi terkait daerah yang memiliki intensitas kejadian paling tinggi dibandingkan dengan lokasi sekitarnya. Upper Level Set (ULS) Scan Statistic adalah salah satu metode pendeteksian hotspot yang merupakan pengembangan dari scan statistic. Daerah yang ingin dideteksi adalah daerah di Jawa Tengah Tahun 2015 untuk kasus penyakit menular. Keberadaan penyakit menular harus mendapat perhatian lebih dibandingkan dengan penyakit tidak menular. Hal ini disebabkan karena penyakit menular cepat berkembang dengan pesat sehingga angka kesakitan maupun kematian terus bertambah. Salah satu cara untuk memutus mata rantai penyebaran penyakit tersebut dengan mengetahui dimana daerah yang memiliki tingkat intensitas tertinggi penyebaran penyakit tersebut. Penelitian ini menggunakan data sekunder yang diperoleh dari Dinas Kesehatan Provinsi Jawa Tengah Tahun 2015. Hasil pendeteksian hotspot dapat dijadikan bahan masukan untuk instansi pemerintahan untuk dapat mengambil tindakan sehingga tingkat kesehatan yang rendah dapat diminimalisir. Kasus yang diperhatikan adalah jumlah kasus HIV, malaria, DBD, dan campak yang diasumsikan berdistribusi poisson.

---

ABSTRACTHotspot is an area that has an unusual case occurrence compared to other areas in a certain location. The benefit of hotspot detection is to provide information related to the area that has the highest cases intensity compared to the surrounding area. Upper Level Set (ULS) scan statistic is one of hotspot detection method which is further development of Kulldorf's scan statistic. To do the detection area hotspot is an area that has an infectious disease cases in Central Java for 2015. Hotspot detection was performed in the area Central Java province which has communicable disease issue in 2015. The existence of a communicable disease should gain more attention than non-communicable diseases since it could spread quickly so that morbidity and mortality number increase rapidly as the consequence. One of the solutions to stop the spread of a certain communicable disease is to detect the area which is the most severe. This study used secondary data obtained from the Central Java Provincial Health Office in 2015. The results of hotspot detection can be used as recommendation for government agencies to take precise action for upgrading people health quality. The data analyzed in this study were the number of cases of HIV, AIDS, Malaria and dengue and assumed to have Poisson distribution."

"Bayi usia dibawah satu bulan termasuk kedalam kategori usia dengan risiko gangguan kesehatan paling tinggi, risiko tersebut dapat berakibat fatal yaitu kejadian kematian apabila tidak mendapat pelayanan kesehatan yang memadai. Kematian neonatal di Provinsi Jawa Tengah, Provinsi Jawa Timur dan Provinsi Jawa Barat tersebut pada tahun 2022 mencapai 38,38% dari jumlah kematian neonatal pada tingkat nasional. Di Provinsi Daerah Istimewa Yogyakarta selama 4 tahun cenderung meningkat, dengan peningkatan terbesar terjadi di Tahun 2022 dengan peningkatan sebesar 16% dibandingkan Tahun 2021. Tujuan dari penelitian ini adalah untuk mengetahui determinan AKN yang dipengaruhi oleh kondisi spasial di Provinsi Jawa Tengah, Jawa Timur, Jawa Barat dan Daerah Istimewa Yogyakarta pada tahun 2022. Penelitian berdesain studi ekologi dengan unit analisis 105 kabupaten/kota di Provinsi Jawa Tengah, Jawa Timur, Jawa Barat dan Daerah Istimewa Yogyakarta. Data yang dianalisis merupakan data agregat yang bersumber dari data sekunder berupa Profil Kesehatan Provinsi Tahun 2022 dan hasil Susenas Tahun 2022 yang dipublikasikan oleh BPS. Pemodelan dengan metode GWR diketahui bahwa dari 6 variabel yang dianalisis dalam model, terdapat 3 variabel yang berpengaruh signifikan secara statistik dengan AKN yaitu variabel BBLR, kerapatan jalan, dan KN lengkap.

---

Babies aged under one month are included in the age category with the highest risk of health problems, this risk can have fatal consequences, namely death if they do not receive adequate health services. Neonatal deaths in Central Java Province, East Java Province and West Java Province in 2022 will reach 38.38% of the number of neonatal deaths at the national level. In the Yogyakarta Special Region Province, it has tended to increase over the past 4 years, with the largest increase occurring in 2022 with an increase of 16% compared to 2021. The aim of this research is to determine the determinants of AKN which are influenced by spatial conditions in the Provinces of Central Java, East Java, Java West and Special Region of Yogyakarta in 2022. The research has an ecological study design with analysis units of 105 districts/cities in the Provinces of Central Java, East Java, West Java and the Special Region of Yogyakarta. The data analyzed is aggregate data sourced from secondary data in the form of the 2022 Provincial Health Profile and the results of the 2022 Susenas published by BPS. Modeling using the GWR method shows that of the 6 variables analyzed in the model, there are 3 variables which have a statistically significant effect on AKN are the variables LBW, road density, and complete neonatal visit."

"ABSTRAKAngka Kematian Ibu Maternal merupakan salah satu indikator untuk memonitor pencapaian Tujuan Pembangunan Milenium (Millenium Development Goals). Oleh Karena itu penulis melakukan penelitian ini dengan tujuan untuk mengetahui bagaimana sebaran wilayah Angka Kematian Ibu Maternal di kota dan kabupaten di Provinsi Jawa Barat serta faktor-faktor apa saja yang mempengaruhinya. Penelitian ini menggunakan analisis spasial dan analisis statistik dengan metode pearson product moment maka dapat diketahui hubungan antara aksessibilitas, indeks pendidikan, ekonomi, dan jumlah fasilitas kesehatan dengan Angka Kematian Ibu Maternal. Hasil analisis menunjukkan bahwa wilayah Angka Kematian Ibu Maternal yang tinggi berada pada wilayah dengan klasifikasi aksessibilitas yang rendah dan wilayah dengan indeks pendidikan yang rendah. Wilayah tersebut terdapat di bagian selatan, di bagian timur laut, hingga ke bagian tenggara Provinsi Jawa Barat.

---

AbstractMaternal mortality rate is an indicator for monitoring the achievement of the Millennium Development Goals (MDGs). Therefore, the author conducted this research with the aim to find out how the distribution of the Maternal Mortality Rate in the cities and counties in Province of West Java and then the factors that influence it are. This research using spatial analysis and statistical analysis by the method of Pearson product moment, it is known relationship between accessibility, education index, economy, and the number of health facilities with the Maternal Mortality Rate. The result showed that the Maternal Mortality is high in areas with low accessibility and areas with low education index. The region is scattered in the south, in the northeast down to the southeastern province of West Java."

"Anak-anak cenderung mengalami risiko kematian tertinggi pada bulan pertama kehidupan. Provinsi Jawa Tengah menempati posisi pertama sebagai penyumbang kematian neonatal tertinggi secara nasional tahun 2021. Pemanfaatan sistem informasi geografis dapat digunakan untuk mengetahui hubungan faktor yang berpengaruh terhadap kematian neonatal sehingga dapat menjadi bahan pertimbangan dalam proses perencanaan kesehatan selanjutnya melalui aspek spasial. Tujuan penelitian ini untuk mengetahui keterkaitan antara kematian neonatal dan determinan yang mempengaruhinya secara spasial pada tiap kabupaten/kota di Provinsi Jawa Tengah tahun 2021. Penelitian ini menggunakan desain studi ekologi dengan pendekatan spasial. Analisis spasial pada penelitian ini menggunakan teknik autokorelasi spasial menggunakan indeks moran. Hasil penelitian menunjukkan terdapat autokorelasi spasial positif antar kabupaten/kota berdasarkan angka kematian neonatal di Provinsi Jawa Tengah. Pola persebaran mengelompok terbentuk pada Variabel BBLR, cakupan komplikasi kebidanan tangani, cakupan komplikasi neonatal ditangani, cakupan kunjungan antenatal (K4), puskesmas, ketinggian wilayah, dan kerapatan jalan terhadap kematian neonatal. Variabel komplikasi neonatal ditangani dan variabel ketinggian wilayah secara signifikansi menunjukkan ada interaksi spasial terhadap kematian neonatal. Wilayah yang berisiko tinggi antara lain Kabupaten Purbalingga, Kabupaten Banjarnegara, dan Kabupaten Wonosobo. Kesimpulan yang dapat ditarik adalah perlu meningkatkan pemantauan pada wilayah berisiko tinggi, peningkatan sumber daya manusia kesehatan dan sarana prasarana di dataran tinggi, serta penguatan pelaksanaan program P4K untuk memperkecil risiko komplikasi yang dapat berdampak pada kematian bayi baru lahir.

---

Children tend to experience the highest risk of death in the first month of life. Central Java Province occupies the first position as the highest contributor to neonatal mortality nationally in 2021. Utilization of geographic information systems can be used to determine the relationship of factors that influence neonatal mortality so that it can be taken into consideration in the next health planning process through spatial aspects. The purpose of this study was to determine the relationship between neonatal mortality and the determinants that affect it spatially in each district/city in Central Java Province in 2021. This study used an ecological study design with a spatial approach. Spatial analysis in this study uses spatial autocorrelation techniques using the Moran index. The results showed that there was a positive spatial autocorrelation between districts/cities based on neonatal mortality in Central Java Province. The clustered distribution pattern is formed on the LBW Variable, coverage of obstetric complications handled, coverage of neonatal complications treated, coverage of antenatal visits (K4), health center, area altitude, and road density on neonatal deaths. The neonatal complications variable was treated and the regional altitude variable significantly showed that there was a spatial interaction with neonatal death. Areas that are at high risk include Purbalingga Regency, Banjarnegara Regency, and Wonosobo Regency. The conclusion that can be drawn is that it is necessary to increase monitoring in high-risk areas, increase health human resources and infrastructure in the highlands, and strengthen the implementation of the P4K program to minimize the risk of complications that can impact on newborn mortality."

"Penurunan Angka Kematian Ibu (AKI) hingga mencapai 102 per 100.000 kelahiran hidup di tahun 2015 sulit dicapai. Peningkatan penolong persalinan oleh tenaga kesehatan merupakan upaya pendekatan untuk mencapai target tersebut. Chen et al menyatakan densitas tenaga kesehatan per 1000 penduduk kurang dari 2,5 akan sulit mencapai persentase persalinan oleh tenaga kesehatan lebih dari 80%. Penelitian ini ditujukan untuk mengetahui hubungan antara densitas bidan dan persentase persalinan oleh bidan di Jawa Barat, Jawa Tengah, Jawa Timur, dan Banten. Desain penelitian adalah cross sectional menggunakan data gabungan Susenas 2010 dan Potensi Desa 2011 dengan unit analisis 107 kabupaten/kota. Hasil analisis menunjukkan ukuran yang paling baik dalam menjelaskan hubungan antara densitas bidan dan persentase persalinan oleh bidan adalah jumlah bidan per 10.000 penduduk dibandingkan jumlah bidan per luas wilayah dan persentase desa memiliki bidan. Peningkatan jumlah bidan per 10.000 penduduk dapat meningkatkan persentase persalinan oleh bidan sebesar 4,1% setelah dikontrol oleh densitas dokter dan provinsi, dengan R2 0,38. Sedangkan peningkatan jumlah bidan per 10.000 penduduk dapat meningkatkan persentase persalinan oleh bidan pada kuintil pengeluaran rendah sebesar 6,0% setelah dikontrol oleh densitas dokter, dengan R2 0,11.

---

Decreasing Maternal Mortality Rate (MMR) up to 102 per 100000 live births in 2015 is difficult to achieve. An approaching effort to achieve these targets is by increasing skilled birth attendant. Chen et al declared the density of health workers per 1000 population less than 2.5, will be difficult to reach the percentage of skilled birth attendant more than 80%. This study is aimed to determine the relationship between density of midwives and percentage of births by midwives in West Java, Central Java, East Java, and Banten. This research used secondary data from Susenas 2010 and Podes 2011, with cross-sectional study design. Unit of analysis covers 107 districts / cities.

The results showed that number of midwives per 10,000 population describes the relationship between density of midwives and percentage of births by midwives better than number of midwives per area and percentage of village which has midwives. The increasing number of midwives per 10,000 population can increase the percentage of births by midwives by 4.1% after controlling the density of doctors and province (R2 0.38). While increasing number of midwives per 10,000 population can increase the percentage of births by midwives at lower quintiles by 6.0% after being controlled by the density of physicians (R2 0.11)."

"ABSTRAKKematian bayi di Kabupaten Garut tahun 2011 sebanyak 358 kasus, salahsatu penyebab adalah masalah laktasi sebanyak 10 kasus. Penelitian bertujuanmemperoleh informasi mendalam mengenai pengetahuan, persepsi danperilaku ibu serta pencatatan pelaporan terkait kematian bayi. Penelitianmenggunakan metode kualitatif melalui wawancara mendalam dan diskusikelompok terarah. Informan sebanyak 22 orang yaitu ibu dengan riwayatbayinya meninggal karena masalah laktasi, bidan, kepala puskesmas, kepalaseksi ibu-bayi dan petugas pencatatan pelaporan dinas kesehatan. Penelitianmenunjukkan pengetahuan tentang penyebab kematian bayi karena masalahlaktasi belum diketahui oleh ibu dan bidan. Masih ada mitos atau kepercayaantentang laktasi dan ibu masih mempercayai mitos atau kepercayaan tersebut.Perilaku ibu tentang pelayanan yang berhubungan dengan laktasi masihkurang sesuai. Beberapa bidan mendapat kesulitan dalam pengisianpencatatan pelaporan dan pembahasan Audit Maternal Perinatal tidakdilakukan dalam pertemuan khusus. Saran untuk dinas kesehatan diperlukanpengkatagorian yang lebih tepat penyebab kematian bayi yang berhubunganmasalah laktasi dan melaksanakan AMP sesuai dengan pedoman. Saran untukbidan adanya kegiatan supervisi oleh bidan koordinator dalam pengkatagorianpenyebab kematian bayi pada bidan desa, meningkatkan pengetahuan danketerampilan bidan tentang tugas utama bidan terkait manajemen laktasi danpenyuluhan dan KIE pada masyarakat agar mendukung ibu untuk menyusuidengan benar.

---

ABSTRACTInfant mortality in Garut District in 2011 as many as 358 cases, one of the causesis the problem lactation 10 cases. The research aims to obtain in-depthinformation about the knowledge, perceptions and behaviors related to maternaland infant death records reporting. Research using qualitative methods through indepthinterviews and focus group discussions. Informants were 22 people,mothers with a history of baby died due to lactation, midwife, health center chief,section chief the mother-infant and health department officials reporting records.Research shows knowledge of the causes of infant deaths due to lactation is notknown by the mother and midwife. There are still myths or beliefs about lactationand mother still believe the myth or belief. Maternal behavior of lactation-relatedservices is still less appropriate. Some midwives have difficulty in filling thereporting and recording of Maternal Perinatal Audit the discussion was not in aspecial meeting. Suggestions for health departement needed more appropriatelycategorizing the causes of infant deaths related problems lactation and implementAMP lactation according to the guidelines. Advice to midwife the midwifecoordinator supervision activities by categorizing the causes of infant mortality inthe village midwife, increasing the knowledge and skills of midwives on the maintasks associated midwife lactation management and counseling and IEC in thecommunity to support mothers to breastfeed properly."