PENDUGAAN PERSENTASE KEJADIAN GIZI BURUK DI JAWA TIMUR MENGGUNAKAN MODEL REGRESI TERBOBOTI GEOGRAFIS (RTG)
Abstract
Provinsi Jawa Timur memiliki karakeristik wilayah yang berbeda. Perbedaan karakteristik wilayah dapat berupa masalah sosial, ekonomi, budaya, pola asuh, pendidikan, dan lingkungan, sehingga dapat menyebabkan adanya perbedaan kejadian balita gizi buruk antara wilayah satu dengan wilayah lainnya. Penderita gizi buruk dari satu wilayah diduga dipengaruhi oleh wilayah sekitarnya. Oleh karena itu, diperlukan suatu pemodelan statistik dengan memperhitungkan faktor spasial. Metode statistik yang dapat digunakan untuk menganalisis data dengan memperhitungkan faktor spasial adalah Regresi Terboboti Geografis (RTG). Penelitian ini bertujuan untuk menentukan model kejadian gizi buruk di Provinsi Jawa Timur menggunakan model RTG dengan pembobot kernel adaptif kuadrat ganda dan membandingkan model RTG dengan model regresi linear konvensional.Data yang digunakan adalah data sekunder dari survei sosial ekonomi nasional (SUSENAS) dan Riset Kesehatan Dasar (RISKESDA) 2010 pada 38 kabupaten/kota di Jawa Timur.Pendugaan parameter model dilakukan dengan menggunakan metode Weighted Least Squares (WLS) yaitu dengan memberikan pembobot yang berbeda untuk setiap wilayah. Hasil penelitian diperoleh terdapat 38 model kejadian gizi buruk yang berbeda untuk setiap kab/kota di Jawa Timur.  Model RTG dengan menggunakan pembobot fungsi kernel kuadrat ganda lebih baik digunakan untuk memodelkan kejadian gizi buruk di Jawa Timurdibandingkan dengan regresi linear konvensional berdasarkan kriteria kebaikan model yaitu R-square, Mean Square Error (MSE) dan Akaike Information Criterion (AIC).Downloads
References
Badan Penelitian dan Pengembangan Kesehatan. (2008). Laporan Hasil Riset Kesehatan Dasar (Riskesdas) Nasional. Jakarta: Departemen Kesehatan Republik Indonesia.
Griffith D.A. (1978). A spatially adjusted ANOVA model. Geographical analysis.; 10 : 296-301.
Anselin L. (1988). Spatial Economics: Methods and Models. Dordrecht: Academic Publishers.
Foster, S. A. dan Gorr, W. L. (1986). An adaptive filter for estimating spatially varying parameters: Application to modeling police hours spent in response to calls for service. Management Science, 32: 878-889.
Brunsdon, C, Fotheringham ,A, S., Charlton M. (1998). Geographically Weighted: a method for exploring spatial nonstationarity. Geographical Analysis. 1998; 28 : 281-298.
Huang, Y dan Leung, Y. (2002). Analysing regional industrialization in Jiangsu Province using geographically weighted regression. Journal of Geographical System, 4:233-249.
Farrow A, Larreab C, Hymana G dan Lemaa G. (2013). Exploring the spatial variation of food poverty in Ecuador. [cited 2013 May 27]. Available from :http://www.sciencedirect.com/science/article/pii/S0306919205000783.
Duval-Diop D. (2013). Rediscovering the delta a reassessment of the linkages between poverty, economic growth and public policy using geographically weighted regression analysis. A dissertation Ph.D. Louisiana State University and Agricultural & Mechanical College, United State-Louisiana. [cited 2013 Oct 27]. Available from :http://etd.lsu.edu/docs/available/etd-11102006-112931/unrestricted/Duval-Diop_dis.pdf.
Mei CL. (2005). Geographically weighted regression technique for spatial data analysis. School of Science Xi’an Jiaotong University.
Badan Pusat Statistik. (2010). Jawa Timur dalam angka. Jakarta : Badan Pusat Statistik.
Hutabarat IM, Saefuddin A, Hardinsyah, Djuraidah A. (2013). Estimation in Measurement error models on cases of malnutrition in the province of East Java. Proceedings the third basic science international conference; (3) :M21-1-2.
Badan Perencanaan Pembangunan Daerah. [homepage on the Internet].[update 2013 Mar 18; cited 2013 Oct 15]. Available from :http://bappeda.jatimprov.go.id/.
Hutabarat IM, Saefuddin A, Hardinsyah, Djuraidah A, Mangku IW. (2013). Geographically Weighted Regression Modeling on Cases of Malnutrition in East Java Province. Proceeding The International Conference on Applied Statistics; 139-148.
Fotheringham AS, Brunsdon C, Charlton M. (2002). Geographically Weighted Regression: The Analysis of Spatially Varying Relationships. England: John Wiley & Sons, Ltd., West Sussex.
Nakaya T, Fotheringham AS. , Brunsdon C, and Charlton M. (2005). Geographically Weighted Poisson Regression for disease association mapping. Statistics in Medicine; 24: 2695-2717.
Schabenberger O, Gotway CA. (2005). Statistical Methods for Spatial Data Analysis. Chapman & Hall/CRC
