Aplikasi Model Geographically Weighted Regression (GWR) untuk Menentukan Faktor-Faktor yang Mempengaruhi Kasus Gizi Buruk Anak Balita di Jawa Barat
Keywords:
Geographically Weighted Regression, Weighting, MalnutritionAbstract
Ordinary Linear Regression (OLR) model is a form of regression that used to indicate the relationship between the response variable with the predictor variable. Classical linear regression assumes that the value of the regression parameter estimates will have the same value for each observation or apply globally. Geographically Weighted Regression (GWR) model is the local form of the classical linear regression model that takes into account aspects of the spatial or geographic coordinates of a point (ui ,vi). In GWR, the estimated value of the regression parameters will vary for each location. This study aims to know the factors that affect malnutrition of toodler in West Java by using GWR. The test results of the multiple linear regression model showed that the assumption of varians homogeneity is not significant or there is spatial heterogeneity, and multiple linear regression models were not significant. Thus, the analysis continued using a GWR with weighted fixed Kenel Gaussian and GWR with adaptive weighted Kernel Gaussian. Based on the value of coefficient determination (R2) and sum of squared residuals, GWR models with adaptive weighted Kernel Gaussian is suitable for modeling the malnutrition of toodler in West Java. GWR models with adaptive weighted kernel Gaussian has an R2 value that greater than the multiple linear regression model and GWR models with fixed weighting kernel Gaussian, 0.8994658 or 89.95%, and JK (S) is the smallest, 0.2555239. Geographical factors also affect the cases of malnutrition of toodler in West Java that would be obtained GWR models vary according to each city/district in West Java. The local factors affecting malnutrition of toodler in West Java is the case of infants with low birth weight (LBW), infants received vitamin A, health facilities, exclusively breast-fed babies, poverty, and the age of first marriage ≤ 15 years.
ABSTRAK
Model regresi linear klasik atau Ordinary Linear Regression (OLR) merupakan bentuk regresi yang umum digunakan untuk menyatakan bentuk hubungan antara variabel respon dengan varabel prediktornya. Regresi linear klasik mengasumsikan bahwa nilai taksiran parameter regresi akan bernilai sama untuk setiap lokasi pen gamatan atau berlaku secara global. Model Geographically Weighted Regression (GWR) adalah bentuk lokal dari regresi linear klasik yang memperhatikan aspek spasial atau lokasi geografis yang berupa koordinat titik (ui ,vi). Dalam GWR, nilai taksiran parameter regresi yang diperoleh untuk setiap lokasi pengamatan akan berbeda-beda. Penelitian ini bertujuan untuk mengatahui faktor-faktor yang mempengaruhi kasus gizi buruk anak balita di Jawa Barat dengan menggunakan GWR. Hasil pengujian terhadap model regresi linear berganda menunjukkan bahwa asumsi homogenitas varians tidak terpenuhi atau terjadi heterogenitas spasial, dan model regresi linear berganda yang diperoleh tidak berarti secara signifikan. Sehingga, analisis dilanjutkan dengan menggunakan GWR dengan pembobot fixed Kernel Gaussian dan GWR dengan pembobot adaptive Kernel Gaussian. Berdasarkan nilai R2 dan jumlah kuadrat residual JK(S) model GWR dengan pembobot adaptive Kernel Gaussian lebih cocok digunakan untuk memodelkan kasus gizi buruk anak balita di Jawa Barat. Model GWR dengan pembobot adaptive Kernel Gaussian, menghasilkan paling besar dibandingkan model regresi linear berganda dan model GWR dengan pembobot fixed Kernel Gaussian, yaitu 0,899465 atau 89,95%, dan JK(S) yang paling kecil, yaitu 0,2555239. Faktor geografis juga berpengaruh terhadap kasus gizi buruk anak balita di Jawa Barat sehingga akan diperoleh model GWR berbeda-beda untuk setiap kota/kabupaten di Jawa Barat. Adapun faktor-faktor lokal yang mempengaruhi kasus gizi buruk anak balita di Jawa Barat adalah kasus bayi dengan berat badan lahir rendah (BBLR), anak balita mendapat vitamin A, sarana kesehatan, bayi yang diberi ASI eksklusif, penduduk miskin, dan usia perkawinan pertama ≤ 15 tahun.
References
Admin, Master. (2012). Mendeteksi Gizi Buruk Pada Balita. Pati : Dinkes.
Agustina, Fitriani. (2010). Modul Praktikum 4 Analisis Regresi Ganda. Bandung : Jurusan Pendidikan Matematika FPMIPA UPI : Tidak diterbitkan.
Almatsier, Sunita. (2004). Prinsip Gizi Dasar. Jakarta : PT Gramedia Pustaka Utama.
Ariyanto, Eko Fuji. (2010). Forum. Potret Gizi di Jawa Barat. [online] Tersedia di http://www.yipd.or.id/main/readnews/16099. Tanggal akses : 14 Mei 2013.
Badan Pusat Statistik Provinsi Jawa Barat. (2012). Jabar dalam Angka 2012. Bandung: BPS Provinsi Jawa Barat.
Departemen Kesehatan Republik Indonesia. (2010). Keputusan Menteri Kesehatan Republik Indonesia Nomor : 1995/MENKES/SK/XII/2010 Tentang Standar Antropometri Penilaian Status Gizi Anak. Jakarta : Depkes RI.
Dwinata, Alona. (2012). Model Regresi Logistik Terboboti Geografis (Studi Kasus : Pemodelan Kemiskinan di Provinsi Jawa Timur). Tesis. Bogor : Sekolah Pascasarjana IPB : Tidak diterbitkan.
Fikri, M. Nazarudin, dkk. (2009). Modul Pelatihan Sistem Informasi Geografis (SIG) Tingkat Dasar Bidang Kesehatan. Mataram : Kerjasama Pemerintah Kota Mataram, Dinas Kesehatan Provinsi NTB, DED, GTZ : Tidak diterbitkan.
Fotheringham AS, Brundson C, Chartlon M. (2002). Geographically Weighted Regression, the Analysis of Spatially Varying Relationships. England : John Wiley & Sons, Ltd.
Gujarati, Damodar N. (2003). Basic Econometrics. New York : McGraw- Hill.
Handayani U.N, Dewi, Seolistijadi, dan Sunardi. (2005). Pemanfaatan Analisis Spasial untuk Pengolahan Data Spasial Sistem Informasi Geografi. Jurnal. Fakultas Teknologi Informasi, Universitas Stikubank Semarang.
Istiono, Wahyudi, dkk. (2009). Analisis Faktor-Faktor yang Mempengaruhi Status Gizi Balita. Berita Kedokteran Masyarakat. 25, (3), 150-155.
Janie, Dyah Nirmala Arum. (2012). Statistik Deskriptif & Regresi Linear Berganda Dengan SPSS. Semarang : Semarang University Press.
Nachrowi, Nachrowi Djalal dan Hardius Usman. (2002). Penggunaan Teknik Ekonometri. Jakarta : PT RajaGrafindo Persada.
Nakaya T, Fotheringham AS, Brunsdon C, Charlon M. (2005). Geographcally Weighted Poisson Regression for Desease Association Mapping. Statistics in Medicine, Volume 24 Issue 17, pages 2695-2717.
Pangaribuan, Siska Dina Delima. (2001). Analisis Regresi Logistik Terhadap Faktor-Faktor yang Mempengaruhi Status Gizi Anak Balita di Jawa Tengah. Skripsi. Bogor : Jurusan Statistika FPMIPA IPB : Tidak diterbitkan.
Prihatiningsih, Oktaviani. (2012). Menentukan Faktor-Faktor yang Mempengaruhi Tingkat Pengangguran Terbuka (TPT) Provinsi Jawa Barat dengan Regresi Terboboti Geografis (RTG). Skripsi. Bogor : Jurusan Statistika FPMIPA IPB : Tidak diterbitkan.
Rahmawati, Rita dan Anik Djuraidah. (2010). Regresi Terboboti Geografis dengan Pembobot Kernel Kudrat Galat untuk Data Kemiskinan di Kabupaten Jember. [online] Tersedia di http://journal.ipb.ac.id/index.php/statistika/arti-cle/viewFile/4885/3319. Tanggal akses : 17 Januari 2013.
Saefuddin, Asep. (2011). On Comparisson between Ordinary Linear Regression and Geographically Weighted Regression: With Application to Indonesia Poverty Data. European Journal of Scientific Research. 57,(2), 275-285.
Sudjana. (2003). Teknik Analisis Regresi dan Korelasi. Bandung : Tarsito.
Sudjana. (2005). Metoda Statistika. Bandung : Tarsito.
Suparyanto. (2011). Konsep Balita. [online] Tersedia di http://dr- suparyanto.blogspot.com/2011/03/konsep-balita.html?m=1 . Tanggal akses: 29 Maret 2013.
Wheeler, David C. and Antonio Paez. (2010). Handbook of Applied Spatial Analysis : Software Tools, Methods and Applications. Berlin : Springer.
Yasin, Habib. (2011). Pemilihan Variabel pada Model Geographically Weighted Regression. Jurnal. Program Studi Statistika FPMIPA UNDIP.
