Penerapan GWR dan MGWR dengan Pembobot Kernel Adaptive Tricube pada Pemodelan Prevalensi Stunting di Provinsi Jawa Tengah

Imas Fitri Ningrum, Sri Sulistijowati Handajani, Respatiwulan Respatiwulan

Abstract

Jawa Tengah merupakan salah satu provinsi dengan prevalensi stunting yang tinggi di Indonesia pada tahun 2022 sebesar 20,8% dan hampir mendekati prevalensi stunting di Indonesia sebesar 21,6%. Wilayah di Jawa Tengah beragam dalam hal geografi, ekonomi, sosial budaya, kualitas sumber daya manusia, dan ketersediaan sumber daya alam. Regresi spasial digunakan untuk memodelkan faktor-faktor yang mempengaruhi prevalensi stunting di Jawa Tengah dengan mempertimbangkan pengaruh lokasi. Perbedaan karakteristik antar lokasi menyebabkan heterogenitas spasial, sehingga masalah tersebut diatasi dengan pemodelan menggunakan geographically weighted regression (GWR). Pemodelan dengan GWR memberikan hasil bahwa tidak ada heteroskedastisitas pada salah satu variabel, sehingga pemodelan juga dilakukan menggunakan mixed geographically weighted regression (MGWR) dengan kernel tricube tertimbang adaptif. Namun, dari analisis, model GWR memberikan hasil yang lebih baik daripada model MGWR. Unit sampel dalam penelitian ini adalah 35 kabupaten/kota di Provinsi Jawa Tengah. Model GWR untuk memodelkan prevalensi stunting di Jawa Tengah menghasilkan model yang lebih baik dengan nilai AIC yang lebih kecil dibandingkan dengan model MGWR. Hasil penelitian menunjukkan bahwa balita yang kekurangan gizi memiliki pengaruh positif terhadap stunting, sedangkan bayi baru lahir yang menerima IMD, balita yang menerima vitamin A, dan pengeluaran riil per kapita memiliki pengaruh negatif terhadap stunting.

kata kunci: tricube adaptif; GWR; MGWR; stunting

Central Java is one of the provinces with a high prevalence of stunting in Indonesia in 2022 at 20.8% and is almost close to the prevalence of stunting in Indonesia at 21.6%. The regions in Central Java are diverse in terms of geography, economy, socio-culture, quality of human resources, and availability of natural resources. Spatial regression was used to model the factors that influence the prevalence of stunting in Central Java by considering the influence of location. The characteristics between locations cause heterogeneity, so the modeling used is Geographically Weighted Regression (GWR). Because one variable is not locally significant, modeling is also carried out using Mixed Geographically Weighted Regression (MGWR) with adaptive tricube kernel weighted. However, from the analysis, the GWR model gave better results than the MGWR model. The GWR model for modeling stunting prevalence in Central Java produces a better model with an AIC value of 148.883 and R^2 of 88.01% compared to the MGWR model, which only provides an AIC value of 190.371 and R^2 value of 47.66%. Based on the analysis results with the GWR model using adaptive tricube weighted, the factors influencing the prevalence of stunting in Central Java Province are newborns getting early breastfeeding initiation (IMD), toddlers with malnutrition, toddlers getting vitamin A, and real expenditure per capita.

Keywords: adaptive tricube; GWR; MGWR; stunting

References

Yuwanti, F. M. Mulyaningrum, dan M. M. Susanti, “Faktor-faktor yang mempengaruhi stunting pada balita di Kabupaten Grobogan,†J. Keperawatan dan Kesehatan Masyarakat., vol. 10, no. 1, p. 74-84, 2021. https://doi.org/10.31596/jcu.v10i1.704.

M. Rohmah dan R. S. Natalie, “Kejadian stunting di tinjau dari pola makan dan tinggi badan orang tua anak usia 12-36 bulan di Puskesmas Kinoivaro Kabupaten Sigi Provinsi Sulawesi Tengah,†J. Quality in Women’s Health., vol. 3, no. 2, p. 207-215, 2020. https://doi.org/10.30994/jqwh.v3i2.74.

Kementrian Kesehatan RI. “Mengenal Lebih Jauh tentang Stunting.†https://yankes.kemkes.go.id/view_artikel/2657/mengenal-lebih-jauh-tentang-stunting (diakses 6 Oktober 2023)

Kementrian Kesehatan RI. “Apa Itu Stunting?†https://yankes.kemkes.go.id/view_artikel/1516/apa-itu-stunting (diakses 6 Oktober 2023)

Kementrian Kesehatan RI. Hasil Survey Status Gizi Indonesia (SSGI) 2022.â€
https://kesmas.go.id/assets/uploads/comtents/attachments/09fb5b8ccfd088080f2521ff0b437f.pdf (diakses 11 Oktober 2023)

A. Fadliana dan P. P. Darajat, “Pemetaan faktor risiko stunting berbasis system informasi geografis menggunakan metode geographically weighted regression,†J. Ikraith Informatika, vol. 5, no. 3, p. 91-102, 2021. https://journals.upi-yai.ac.id/index.php/ikraith-informatika/article/view/1408

D. E. Kusumawati, Nursafitri, Adhyanti, W. Aslinda, dan P. Candriasih, “Praktek pemberian makan dan tingkat pendapatan keluarga balita stunting di Wilayah Kerja Puskesmas Kamaipura Kabupaten Sigi,†J. Ilmu Gizi, vol. 2, no. 2, p. 30-35, 2022. https://doi.org/10.33860/shjig.v2i2.895.

E. Bujawati, S. Alam, M. Amansyah, Y. Adnan, Jean, D. A. Putri, Nurlaela, D. Afika, dan W. Wahab, “Determinan kejadian stunting di Kabupaten Maros,†J. Kesmas (JKMJ), vol. 7, no. 1, p. 22-30, 2023. https://doi.org/10.22437/jkmj.v7i1.23392.

I. R. Akolo, “Perbandingan matriks pembobot rook dan queencontiguity dalam analisis spatial autoregressive model (SAR) dan spatial error model (SEM),†J. Probability And Statistics, vol. 3, no. 1 p. 11-18, 2022. https://doi.org/10.34312/jjps.v3i1.13582.

Taqwin, A. V. Pont, dan Y. Iskandar, “Determinan stunting balita di wilayah kerja Puskesmas Moutong Kabupaten Parigi Moutong Sulawesi Tengah,†J. Bidan Cerdas, vol. 5, no. 1, p. 43-50, 2023. https://doi.org/10.33860/jbc.v5i1.1809.

D. C. Montgomery, E. A. Peck, dan G. Vining G 2, Introduction Linear Regression Analysis Fifth Edition, New York: John Wiley and Sons., 2012.

S. Fortheringham, M. Charlton, dan C. Brunsdon, Geographically Weighted Regression – The Analysis of Spatially Varying Relationships, Chichester: John Wiley & Sons Ltd., 2002.

D. Kusnandar, N. N. Debataraja, dan S. Fitriani, “Pemodelan sebaran total dissolved solid menggunakan metode mixed geographically weighted regression,†J. Aplikasi Statistika & Komputasi Statistika, vol. 12, no. 1, p. 9-16, 2021. https://doi.org/10.34123/jurnalasks.v13i1.257.

N. F. Apriyani, D. Yuniarti, dan M. N. Hayati, “Pemodelan mixed geographically weighted regression (MGWR) (studi kasus: jumlah penderita diare di Provinsi Kalimantan Timur tahun 2015),†J. Eksponensial vol. 9, p. 59-66, 2018.

R. B. Primasari, A. Rusgiyono, dan D. Ispriyanti, “Pemodelan mixed geographically weighted regression (MGWR) dengan jarak euclidean dan jarak manhattan (studi kasus: kematian bayi neonatal di Jawa Tengah tahun 2018-2020),†J. Gaussian vol. 11, p. 478 – 487, 2022. https://doi.org/10.14710/j.gauss.11.4.478-487.

M. R. Shovalina, “Pemodelan dan pemetaan pravalensi penderita penyakit kusta di kabupaten/kota Jawa Timur dengan pendekatan mixed geographically weighted regression,†Skripsi Institut Teknologi Sepuluh Nopember., 2016. https://media.neliti.com/media/publications/133082-ID-pemodelan-dan-pemetaan-prevalensi-kusta.pdf

W. S. M. Dewi, “Pemodelan angka kematian balita di Provinsi Jawa Barat menggunakan metode mixed geographically weighted regression,†Skripsi Universitas Sebelas Maret., 2020.

Harahap, R. N., “Implementasi geographically weighted regression (GWR) dan mixed geographically weighted regresion (MGWR) dalam perhitunan jumlah penduduk miskin (studi kasus: jumlah penduduk miskin Provinsi Jawa Tengah 2020). Skripsi Universitas Islam Indonesia, 2022. https://dspace.uii.ac.id/bitstream/handle/123456789/39664/18611099.pdf?sequence=1

N. Khoirunnisa dan I. Rofiki, “Analisis pengaruh rata-rata lama sekolah, PDRB, upah minimum, dan tingkat partisipasi angkatan kerja terhadap tingkat pengangguran terbuka di Jawa Timur,†Jurnal Ilmiah Matematika (MATHunesa), vol. 13, no. 1, pp. 267–273, 2023. https://doi.org/10.26740/mathunesa.v13n1.p267-273.

DOI: https://doi.org/10.13057/ijas.v8i2.94657

Refbacks

  • There are currently no refbacks.