Pemodelan Stunting pada Balita di Indonesia Menggunakan Geographically Weighted Regression (GWR)

Rida Sari -
Rara Winanda -

Abstract


Stunting affects children's growth, with the number of cases of stunting under five in Indonesia amounting to 21.6 percent in 2022. Each province in Indonesia has different stunting rates. So a solution is needed to find out the right factors as a form of prevention of cases of stunting toddlers. This study uses geographically weighted regression in modeling the stunting rate, with variables that are assumed to influence it. Based on the spatial heterogeneity test, the stunting rate among toddlers varies in each region. Furthermore, several regional groups were formed based on significant variables. The first group is provinces that do not have explanatory variables that affect stunting rates in children under five. Meanwhile, the second group showed Low Birth Weight (LBW) as an influencing variable and the third group consisted of exclusive breastfeeding and Low Birth Weight (LBW) as a variable affecting stunting rates in toddlers.


Full Text:

PDF

References


Sulistyowati, R., Silviliyana, M., Sari, N.R., Putrianti, R., dan Anggraeni, G. (2022). Profil Anak Usia Dini. Jakarta: Badan Pusat Statistik.

Sutarto, S.T.T., Mayasari, D., dan Indriyani, R. (2018). Stunting Faktor Resiko dan Pencegahannya. Agromedicine Unila, 5(1), 540-545.

Baculu, E. P. H., Juffrie, M., & Helmyati, S. (2016). Faktor risiko gizi buruk pada balita di Kabupaten Donggala Provinsi Sulawesi Tengah. Jurnal Gizi dan Dietetik Indonesia (Indonesian Journal of Nutrition and Dietetics), 3(1), 51-59.

Badan Kebijakan Pembangunan Kesehatan. (2022). “Hasil Survei Status Gizi Indonesia (SSGI) 2022”. Hal. 9.

Artika, M. F., (2018). Pengaruh Stunting Pada Tumbuh Kembang Anak. Stikes Surya Mitra Husada.

Kemenkes, R. I., (2021). Profil Kesehatan Indonesia Tahun 2021. Jakarta: Kementrian Kesehatan Republik Indonesia.

Janah, M., & Kartini, A. Y. (2022). Penerapan Metode Regresi Linier Berganda Pada Kasus Balita Gizi Buruk Di Kabupaten Bojonegoro. Jurnal Statistika Dan Komputasi, 1(2), 74-82.

Azkia, Q,., Kismiantini, K., dan Setiawan, E. P. (2022, May). Pemodelan Gizi Buruk pada Balita di Provinsi Jawa Timur Menggunakan Geographically Weighted Regression (GWR). In Prosiding Seminar Nasional Matematika dan Statistika (Vol. 2).

Wati, D. C., & Utami, H. (2020). Model geographically weighted panel regression (GWPR) dengan fungsi kernel fixed gaussian pada indeks pembangunan manusia di Jawa Timur. Jurnal Matematika Thales, 2(1).

Anselin, L., 1998. Spatial Econometric: Method and Models. Netherkands: Kluwer Academic Publisher.

Krismayanto, U. K., & Pasaribu, E. (2022, November). Analisis Regresi Spasial Indeks Pembangunan Kesehatan Masyarakat dan Paradoks Simpson Kabupaten/Kota di Pulau Sumatera Tahun 2018. In Seminar Nasional Official Statistics (Vol. 2022, No. 1, pp. 1037-1052).

Pamungkas, R. A., Yasin,H., dan Rahmawati, R. (2016). Perbandingan model gwr dengan fixed dan adaptive bandwidth untuk persentase penduduk miskin di Jawa Tengah. Jurnal Gaussian, 5(3), 535-544.

Lumaela, A. K., Otok, B. W., & Sutikno, S. (2013). Pemodelan chemical oxygen demand (cod) sungai di Surabaya dengan metode mixed geographically weighted regression. Jurnal Sains dan Seni ITS, 2(1), D100-D105.

Nugraha, B. (2022). Pengembangan uji statistik: Implementasi metode regresi linier berganda dengan pertimbangan uji asumsi klasik. Pradina Pustaka.

Istifaiyah, I. (2018). Pemodelan Gizi Buruk Pada Balita di Provinsi Jawa Timur Menggunakan Geographically Weighted Regression (GWR). Universitas Syarif Hidayatullah: Jakarta.

Tizona., Risky, A., Goejantoro, R., and Wasono, W. (2017). Pemodelan Geographically Weighted Regression (GWR) Dengan Fungsi Pembobot Adaptive Kernel Bisquare Untuk Angka Kesakitan Demam Berdarah di Kalimantan Timur Tahun 2015. Eksponensial 8.1: 87-94.

Fotheringham, A. S., Brunsdon, C., & Charlton, M. (2002). Geographically Weighted Regression (GWR) the analysis of spatially varying relationship. Chichester: John Wiley and sons.

Azizah, L. N. (2013). Pengujian signifikansi model geographically weighted regression (GWR) dengan uji F dan uji t: studi kasus jumlah kematian bayi di Jawa Timur tahun 2012. Doctoral dissertation, Universitas Islam Negeri Maulana Malik Ibrahim.

Damayanti, R., & Chamid, M. S. (2016). Analisis Pola Hubungan PDRB dengan Faktor Pencemaran Lingkungan di Indonesia Menggunakan Pendekatan Geographically Weighted Regression (GWR). Jurnal Sains dan Seni ITS, 5(1), D7-D12.

Caraka, R. E., & Yasin, H. (2017). Geographically weighted regression (GWR) sebuah pendekatan regresi geografis. Spasial Data Panel.

Diastina, N., Handajani, S., Slamet, I. (2019). Analisis Model Geographically Weighted Regression (GWR) pada Kasus Jumlah Peserta KB Aktif di Provinsi Jawa Tengah. Prosiding Seminar Nasional Geotik. ISSN:2580-8796.

Mariani, S., Wardono, Masrukan &Fauzi, F. 2017. The ArcView And Geoda Apllication In Optimization Of Spatial Regression Estimate. Journal Of Theoretical and Applied Information Technology, 95(5):1102-1115.

Drapper, N. R., & Smith, H. (1992). Analisis Regresi Terapan Edisi Kedua. Alih Bahasa oleh PT. Gramedia Pustaka Utama. Jakarta.

Xie, G., and Cowpertwait, P. Generalised AIC for the Evaluation of Autoregressive Conditional Duration Models. International Journal op Statistics and Economics. (2014): 70-79.

Putri, A., & Salamah, M. (2013). Pemodelan Kasus Balita Gizi Buruk di Kabupaten Bojonegoro dengan Geographically Weighted Regression (GWR). Jurnal Sains dan Seni ITS, 2(1), D106-D111.




DOI: http://dx.doi.org/10.24036/unpjomath.v8i3.15057