Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
ABSTRAK
Penelitian ini bertujuan untuk mempelajari pengaruh otonomi perempuan dalam rumah tangga terhadap kelahiran bayi BBLR di Indonesia dengan menggunakan data SDKI 2017. Unit analisis dalam penelitian ini adalah wanita usia subur yang dalam 5 tahun yang lalu melahirkan anak lahir hidup tunggal (kelahiran tunggal). Otonomi perempuan diukur menggunakan pertanyaan mengenai keterlibatan perempuan dalam penentuan keputusan dalam rumah tangga serta sikap perempuan terhadap pemukulan oleh suami/pasangan. Skor otonomi perempuan yang diperoleh menggunakan Principal Component Analysis (PCA) selanjutnya dikelompokkan menjadi kategori tinggi dan rendah. Data SDKI 2017 dianalisis menggunakan regresi logistik biner dengan Multiple Imputation karena cukup besarnya persentase sampel yang memiliki missing data, yaitu mencapai 15,37 persen dari total unit analisis. Hasil penelitian menunjukkan bahwa otonomi perempuan dalam rumah tangga berpengaruh signifikan terhadap kelahiran bayi BBLR. Perempuan dengan otonomi rendah memiliki kecenderungan yang lebih tinggi untuk melahirkan bayi BBLR. Selain otonomi perempuan dalam rumah tangga, variabel yang secara statistik berpengaruh signifikan terhadap kelahiran bayi BBLR, yaitu umur ibu saat melahirkan, lama sekolah ibu, indeks kekayaan, daerah tempat tinggal, paritas, perawatan kesehatan antenatal, serta konsumsi pil zat besi selama kehamilan. Sedangkan variabel status kehamilan, status kerja ibu, interval kelahiran, dan perilaku merokok ibu tidak signifikan secara statistik memengaruhi kelahiran bayi BBLR.

---

ABSTRACT
This study aims to study the effect of womens autonomy on LBW births in Indonesia using the 2017 IDHS data. The unit analysis in this study is women in childbearing age (15-19 years old) who in the past 5 years gave birth to a single live born child (single birth). Womens autonomy is measured using questions about womens involvement in decision making in the household and womens atitudes toward beating by their husbands spouses. Womens autonomy scores obtained using Principal Component Analysis (PCA) are further grouped into 2 categories (high and low). The 2017 IDHS data were analyzed using binary logistic regression with Multiple Imputation because of the large percentage of samples that had missing data, which reached 15.37 percent. The results showed that womens autonomy had a significant effect on birth of LBW babies. Women with low autonomy have a higher tendency to give birth to LBW babies. Beside womens autonomy, variables that have a statistically significant effect on LBW babies, namely mothers age at birth, mothers years of schooling, wealth index, area of residence, parity, antenatal health care, and consumption of iron pills during pregnancy. While the variables of pregnancy status, mothers work status, birth intervals, and mothers smoking behavior did not have statistically significant effect to birth of LBW babies.

Abstrak :
Pada setiap analisis statistik memungkinkan berhadapan dengan missing values atau missing data karena pada saat survei kemungkinan ada responden yang tidak dapat menjawab pertanyaan atau tidak ingin menjawab pertanyaan pada saat wawancara survei. Missing values tidak dapat langsung dilakukan analisis menggunakan analisis data lengkap, oleh karena itu missing values telah menjadi masalah yang sering dihadapi oleh para peneliti. Dataset survei biasanya terdiri dari sejumlah besar variabel kontinu salah satunya berdistribusi multivariat normal. Salah satu cara untuk menangani missing values dapat dilakukan dengan imputasi, yaitu proses pengisian atau penggantian missing values pada dataset dengan nilai-nilai yang mungkin berdasarkan informasi yang didapatkan pada dataset tersebut. Penelitian ini akan menerapkan metode sequence regression multivariate imputation (SRMI) untuk imputasi missing values pada data multivariat normal. SRMI merupakan metode imputasi ganda yang nilai imputasinya didapatkan dari model sequence of regression yaitu setiap variabel yang mengandung missing values diregresikan terhadap semua variabel lain yang tidak mengandung missing values sebagai variabel prediktor. Cara mendapatkan nilai imputasi digunakan pendekatan iterasi untuk menarik nilai dari distribusi posterior prediktif pada missing values di bawah masing-masing model regresi secara beruntun. Penelitian ini menggunakan data multivariat normal yang telah dibangkitkan sebanyak 500 observasi dengan menggunakan lima nilai imputasi ganda dan hasil evaluasi kualitas imputasi menggunakan Root Mean Square Error (RMSE). Hasil evaluasi kualitas imputasi dapat dikatakan baik jika nilai RMSE semakin kecil, maka eror semakin kecil atau nilai estimasi mendekati nilai sebenarnya (Chai & Draxler, 2014) dan hasil yang didapatkan nilai RMSE kecil sehingga SRMI dapat diterapkan untuk melakukan imputasi terhadap data multivariat normal. ......Missing values are the absence of data items for an observation or more observations that can result in the loss of certain information. During surveys, there are often missing values or missing data because there are likely respondents who cannot answer the question or do not want to answer the question. That is a problem for researchers because, with missing values, the results of observation cannot be analyzed properly. Survey datasets usually consist of continuous variables, one of which is a normal multivariate distribution. One way to deal with missing values ​​can be done by imputation, which is the process of filling or replacing missing values ​​in a dataset with possible values ​​based on the information obtained in the dataset. This study will apply the sequence regression multivariate imputation (SRMI) method for missing values ​​imputation in normal multivariate data. SRMI is a multiple imputation method whose implication value is obtained from the sequence of regression model, that is, every variable containing missing values ​​is regressed on all other variables that do not contain missing values ​​as predictor variables. The method of obtaining imputation values ​​is used by the iterative approach to drawing values ​​from the predictive posterior distribution in the missing values ​​below each successive regression model. This study uses multivariate normal data that has been generated a total of 500 observations using five multiple imputation values ​​and the evaluation results using Root Mean Square Error (RMSE) which have little value in applying to normal multivariate data so SRMI can be applied to impute normal multivariate data.