Pemodelan Spasial Balita Gizi Buruk dengan Geographically

SEMINAR NASIONAL TEKNOLOGI 2015
Institut Teknologi Nasional Malang
ISSN: 2407 – 7534
Pemodelan Spasial Balita Gizi Buruk dengan
Geographically Weighted Negative Binomial Regression
dan Flexibly Shaped Spatial Scan Statistic
(Studi Kasus Jumlah Balita Gizi Buruk di Jawa Timur Tahun 2013)
Tri Cahya Widodo1, DR. Sony Sunaryo, M.Si2, DR. Purhadi, M.Sc3
Mahasiswa Magister Statistika, Institut Teknologi Sepuluh Nopember
2,3 Dosen Jurusan Statistika, Institut Teknologi Sepuluh Nopember
e-mail: 1 [email protected], [email protected]
[email protected]
1
ABSTRAK
Salah satu metode analisis statistik untuk mengatasi overdispersi pada regresi poisson adalah
regresi binomial negatif. Model binomial negatif memiliki kegunaan yang sama dengan model regresi
poisson, yaitu untuk menganalisis hubungan antara variabel respon data count dengan satu atau lebih
variabel penjelas. Regresi binomial negatif akan menghasilkan estimasi parameter yang bersifat global.
Kondisi geografis, sosial budaya, dan ekonomi antar wilayah yang satu dengan wilayah yang lain jelas
sangat berbeda, sehingga penggunaan regresi binomial negatif menjadi kurang representatif, sehingga
diperlukan analisis yang mencakup pengaruh lokasi. Geographically Weighted Negative Binomial
Regression (GWNBR) adalah regresi binomial negatif yang mempertimbangkan aspek spasial dimana
data tersebut diambil. Pada penelitian ini akan dikaji faktor-faktor yang menyebabkan jumlah balita gizi
buruk dengan model GWNBR. Sebagai studi kasus digunakan data jumlah balita gizi buruk per
kabupaten/kota di Jawa Timur, dimana pada tahun 2013 merupakan provinsi dengan persentase balita
gizi buruk tertinggi di Pulau Jawa. Selain itu, untuk mengetahui kabupaten/kota yang akan dijadikan
prioritas lokasi pengentasan balita gizi buruk maka dilakukan deteksi hotspot/kantong gizi buruk dengan
metode Flexibly Shaped Spatial Scan Statistic.
Kata kunci: Gizi Buruk, GWNBR, Flexibly Shaped Spatial Scan Statistic,
Kantong Gizi Buruk
ABSTRACT
One of the methods of statistical analysis to overcome the over dispersion in Poisson regression is
Negative Binomial Regression. The negative binomial model has the same functionality with the Poisson
regression model, which is to analyze the relationship between the response variable count of data with one
or more explanatory variables. Negative binomial regression will produce a global parameter estimation.
Geographical conditions, socio-cultural, economic and inter-region one with the other areas are obviously
very different, so the use of negative binomial regression becomes less representative, so that the necessary
analysis that includes the influence of the location. Geographically Weighted Negative Binomial Regression
(GWNBR) is a negative binomial regression considering the spatial aspects in which the data is retrieved.
On this research will be examined the factors that cause the number of toddlers malnutrition with GWNBR
model. As the case study used data on the number of toddlers malnutrition per regency/city in East Java,
where in 2013 the province with the highest percentage of children malnutrition in Java. In addition, to
know the district/city that will be the priority location toddler alleviating malnutrition then made the
detection of hotspots/bag of malnutrition with the method of Flexibly Shaped Spatial Scan Statistics.
Keywords: Malnutrition, GWNBR, Flexibly Shaped Spatial Scan Statistic,
Bags Malnutrition
Pendahuluan
Persoalan gizi dalam pembangunan kependudukan masih merupakan persoalan yang
dianggap menjadi masalah utama dalam tatanan kependudukan dunia, terutama pada negaranegara berkembang. Oleh karena itu, persoalan ini menjadi salah satu butir penting yang
menjadi kesepakatan global dalam Milleneum Development Goals (MDGs). MDGs merupakan
SENATEK 2015 | Malang, 17 Januari 2015
631
SEMINAR NASIONAL TEKNOLOGI 2015
Institut Teknologi Nasional Malang
ISSN: 2407 – 7534
hasil dari The Millenium Summit pada bulan September 2000 yang dihadiri oleh para kepala
pemerintahan termasuk Indonesia yang salah satu fokus arah pembangunan globalnya adalah
menghapus kelaparan berat. Kelaparan berat yang menjadi indikator dalam MDGs adalah
prevalensi balita dengan berat badan rendah/kekurangan gizi dan proporsi penduduk dengan
asupan kalori di bawah tingkat konsumsi minimum. Target MDGs dalam hal menghapus
kelaparan berat pada tahun 2015 adalah mengurangi jumlah balita yang bergizi buruk atau gizi
kurang sehingga mencapai setengahnya.
Jumlah balita gizi buruk merupakan salah satu contoh data count, sehingga analisis yang
dapat digunakan untuk mengetahui faktor-faktor yang mempengaruhi adalah regresi Poisson.
Asumsi yang harus dipenuhi dalam regresi Poisson adalah varians dari variabel responnya sama
dengan mean. Akan tetapi, dalam kenyataannya hal tersebut sangat jarang terjadi karena
biasanya data count mempunyai varians yang lebih besar dari mean, atau yang biasa disebut
kondisi overdispersi (Cameron dan Trivedi, [2]). Overdispersi dapat mengakibatkan standard
error dari taksiran parameter regresi yang dihasilkan memiliki kecenderungan yang lebih
rendah dari yang seharusnya, sehingga kesimpulan yang dihasilkan menjadi tidak tepat (Ismail
dan Jemain, [4]). Salah satu metode yang digunakan untuk mengatasi overdispersi pada regresi
poisson adalah regresi binomial negatif (Berg dan MacDonald, [1]). Kelebihan model binomial
negatif dibanding model poisson adalah lebih fleksibel karena asumsi mean dan varians tidak
harus sama.
Menurut Tobler dalam Schabenberger dan Gotway [7] menyatakan bahwa antar daerah
pasti saling berhubungan, akan tetapi daerah yang lebih dekat akan lebih berpengaruh
dibandingkan dengan daerah yang jauh. Hal ini menunjukan adanya efek spasial antar wilayah,
dan efek spasial merupakan sesuatu yang lazim terjadi sebagai akibat perbedaan karakteristik
antara satu wilayah dengan wilayah lainnya. Model Geographically Weighted Negative Binomial
Regression (GWNBR) adalah metode untuk memodelkan data count dan overdispersi dengan
mempertimbangkan efek spasial didalamnya (Ricaldo dan Cavalho [6]).
Salah satu strategi penanggulangan balita gizi buruk adalah dengan cara memetakan
daerah yang merupakan kantong-kantong gizi buruk atau hotspot. Dengan adanya informasi
tentang kantong-kantong gizi buruk maka dapat diketahui wilayah yang memerlukan perhatian
khusus dan prioritas utama dalam menanggulangi masalah balita gizi buruk. Salah satu metode
yang digunakan untuk mendeteksi hotspot antara lain Flexibly Shaped Spatial Scan Statistic.
Kelebihan metode Flexibly Shaped Spatial Scan Statistic adalah keakuratan dan kekuatan yang
cukup baik dalam mendeteksi hotspot yang tidak berbentuk lingkaran (Tango dan Takahashi,
[8]).
Jawa Timur sebagai salah satu provinsi dengan populasi penduduk yang cukup besar,
ternyata memiliki persentase jumlah balita gizi buruk yang tinggi. Berdasarkan Riset Kesehatan
Dasar (Riskesdas) Tahun 2013, persentase jumlah balita gizi buruk di Jawa Timur sebesar 4,9%.
Angka tersebut secara nasional berada pada peringkat 11 dan merupakan propinsi dengan
persentase jumlah balita gizi buruk tertinggi di Pulau Jawa (Kemenkes RI, [5]). Oleh karena itu,
diperlukan suatu penelitian untuk mengidentifikasi faktor-faktor yang mempengaruhi gizi buruk
di Jawa Timur, dan informasi mengenai lokasi atau kantong-kantong keberadaan gizi buruk,
sehingga upaya pencegahan dan penanggulangan gizi buruk dapat tepat sasaran dan
berlangsung secara efektif dan efisien.
Metode Penelitian
Sumber data yang digunakan dalam penelitian ini adalah jumlah balita gizi buruk di
Provinsi Jawa Timur tahun 2013 dari Dinas Kesehatan Provinsi Jawa Timur, sementara untuk
data spasial berupa peta wilayah dan koordinat ibukota kabupaten/ kota di Jawa Timur didapat
dari hasil Pemetaan Sensus Penduduk 2010. Unit penelitian adalah 38 kabupaten/ kota yang
ada di Jawa Timur dengan variabel respon adalah jumlah balita gizi buruk di kabupaten/kota di
Jawa Timur. Sementara variabel prediktor adalah persentase balita yang tidak mendapat ASI eksklusif
(X1), persentase balita yang tidak pernah mendapat imunisasi (X2), persentase perempuan kawin usia
kurang dari 17 tahun (X3), persentase rumah tangga miskin (X4), rasio posyandu terhadap balita (X5),
persentase rumah tangga dengan akses berkelanjutan terhadap air minum layak (X6), persentase rumah
tangga dengan akses berkelanjutan terhadap sanitasi layak (X7).
SENATEK 2015 | Malang, 17 Januari 2015
632
SEMINAR NASIONAL TEKNOLOGI 2015
Institut Teknologi Nasional Malang
ISSN: 2407 – 7534
Tahap analisis yang digunakan adalah sebagai berikut :
1.
Membandingkan model regresi Poisson dan model regresi Binomial Negatif
Analisis regresi Poisson biasanya diterapkan dalam penelitian kesehatan masyarakat,
biologi, dan teknik. Model regresi Poisson termasuk model Generalized Linier Model (GLM)
dengan data respon mengikuti sebaran Poisson. regresi poisson dapat dinyatakan sebagai
berikut:
(1)
dimana
Regresi binomial negatif merupakan salah satu model regresi terapan dari GLM. Sebagai
penerapan dari GLM, maka distribusi binomial negatif memiliki ketiga komponen yaitu komponen
random, komponen sistematik dan fungsi link (Greene, [3]). Fungsi distribusi keluarga
eksponensial dari distribusi binomial negatif adalah :
(2)
2.
Mendapatkan model regresi Geographically Weighted Negative Binomial Regression
Model Geographically Weighted Negative Binomial Regression (GWNBR) adalah salah satu
metode yang cukup efektif menduga data yang memiliki spasial heterogenitas untuk data cacah yang
memiliki overdispersi. Model GWNBR akan menghasilkan pendugaan parameter lokal, dengan
masing-masing lokasi akan memiliki parameter yang berbeda. Model GWNBR yang merupakan
pengembangan dari distribusi negatif binomial yaitu :
(3)
dimana
3. Pemilihan model terbaik, dengan membandingkan nilai AIC dari regresi Binomial Negatif dan
GWNBR, dimana model terbaik adalah yang memiliki nilai AIC terkecil.
4. Mendeteksi kantong gizi buruk dengan Flexibly Shaped Spatial Scan Statistic
Hasil dan Pembahasan
Perbandingan Model Regresi Poisson dan Regresi Binomial Negatif
Pemodelan data count menggunakan regresi poisson akan menghasilkan estimasi parameter
yang bias, karena dalam pemodelan regresi poisson biasanya terjadi overdispersi, dimana nilai
varian lebih besar dari mean. Model regresi yang dapat mengatasi overdispersi pada data
count adalah model regresi binomial negatif, karena pemodelan dengan menggunakan
regresi binomial negatif tidak mengharuskan nilai varian sama dengan meannya. Berikut
adalah perbandingan estimasi parameter regresi poisson dan regresi binomial negatif
pada kasus balita gizi buruk di Jawa Timur:
Tabel 1. Perbandingan estimasi parameter regresi poisson dan regresi binomial negagtif
Regresi Poisson
Parameter Estimate Z hitung
8.544
83.730
-0.007
-3.929
0.002
0.827
Regresi Binomial Negatif
Parameter Estimate
Z hitung
8,027
5,304
-0,013
-0,438
-0,018
-0,461
SENATEK 2015 | Malang, 17 Januari 2015
633
SEMINAR NASIONAL TEKNOLOGI 2015
Institut Teknologi Nasional Malang
ISSN: 2407 – 7534
Devians
AIC
0.024
-0.053
-1,297
0,013
-0,018
9497,5
9810,8
20.546
-23.516
-40,096
17,815
-24,149
Devians
AIC
0,024
-0,031
-1,413
0,024
-0,024
41,032
560,48
1,31
-0,773
-2,989
2,195
-2,083
Berdasarkan nilai devians dan AIC maka dapat disimpulkan regresi binomial
negatif lebih cocok diterapkan pada data jumlah kasus balita gizi buruk daripada
regresi poisson karena devians dan AIC regresi binomial negatif lebih kecil daripada
regresi poisson.
Pemodelan Jumlah Balita Gizi Buruk dengan GWNBR
Pemodelan Geographically Weighted Negative Binomial Regression dilakukan dengan
memasukan fungsi pembobot spasial. Matriks pembobot yang digunakan merupakan matriks yang
berisi fungsi kernel yang terdiri dari jarak antar lokasi dan bandwidth. Fungsi kernel yang
digunakan dalam pemodelan GWNBR ini adalah fungsi adaptive bisquare kernel karena
pengamatan tersebar, sehingga membutuhkan bandwidth yang berbeda-beda di tiap
lokasinya. Penentuan bandwidth dilakukan dengan metode cross validation. Setelah
diperoleh nilai bandwidth maka diperoleh matriks pembobot spasial dengan memasukan
nilai bandwidth dan jarak euclidean ke dalam fungsi kernel.
Berdasarkan hasil pengujian signifikansi parameter dengan software R, diperoleh
parameter yang signifikan berbeda-beda untuk tiap kabupaten/kota. Parameter yang
signifikan di setiap kabupaten/kota yang telah dikelompokkan dapat dilihat pada Tabel 2
berikut:
Tabel 2. Pengelompokan Kabupaten/Kota berdasarkan Variabel yang Signifikan dalam Model GWNBR
Kelompok
Kabupaten/Kota
Variabel yang
Signifikan
1
Ponorogo, Malang, Jember, Banyuwangi,
Bondowoso, Situbondo, Probolinggo,
Mojokerto, Jombang, Bojonegoro, Tuban,
Lamongan, Kota Probolinggo, Kota
Pasuruan, Kota Mojokerto
X1, X2, X3, X4, X5, X6,
dan X7
2
Gresik, Sampang, Pamekasan, Sumenep
3
4
Kediri, Nganjuk, Madiun, Magetan,
Ngawi, Kota Kediri, Kota Madiun
Trenggalek, Tulungagung, Pasuruan,
Sidoarjo
5
Blitar, Kota Blitar
6
Bangkalan, Kota Surabaya
7
Lumajang
8
9
10
Kota Malang
Pacitan
Kota Batu
X1, X 2, X 3, X 4, X 5,
dan X6
X1, X2, X3, X5, X6,
dan X7
X1, X3, X4, X5, X6,
dan X7
X1, X2, X4, X5, X6,
dan X7
X1, X 3, X 4, X 5, dan
X6
X2, X3, X4, X5, X6,
dan X7
X1, X2, X5, X6,
dan X7
X4, X5, X6, dan X7
X1, X5, X6, dan X7
Pada gambar 1. warna merah adalah kelompok dimana variabel yang signifikan
mempengaruhi jumlah balita gizi buruk adalah X1,X2,X3,X4,X5,X6,danX7. Warna kuning adalah
SENATEK 2015 | Malang, 17 Januari 2015
634
SEMINAR NASIONAL TEKNOLOGI 2015
Institut Teknologi Nasional Malang
ISSN: 2407 – 7534
kelompok dimana variabel yang signifikan mempengaruhi jumlah balita gizi buruk adalah
X1,X2,X3,X4,X5,danX6. Warna orange adalah kelompok dimana variabel yang signifikan
mempengaruhi jumlah balita gizi buruk adalah X1,X2,X3,X5,X6,danX7. Warna biru muda
adalah kelompok dimana variabel yang signifikan mempengaruhi jumlah balita gizi buruk
adalah X1,X3,X4,X5,X6,danX7. Warna hijau muda adalah adalah kelompok dimana
variabel yang signifikan mempengaruhi jumlah kasus balita gizi buruk adalah
X1,X2,X4,X5,X6,danX7. Warna ungu adalah kelompok dimana variabel yang signifikan
mempengaruhi jumlah balita gizi buruk adalah X1,X3,X4,X5,danX6. Warna abu-abu adalah
kelompok dimana variabel yang signifikan mempengaruhi jumlah balita gizi buruk adalah
X2,X3,X4,X5,X6,danX7. Warna biru tua adalah kelompok dimana variabel yang signifikan
mempengaruhi jumlah balita gizi buruk adalah X1,X2,X5,X6,danX7. Warna hijau tua adalah
kelompok dimana variabel yang signifikan mempengaruhi jumlah balita gizi buruk adalah
X4,X5,X6,danX7 dan Warna pink adalah kelompok dimana variabel yang signifikan mempengaruhi
jumlah balita gizi buruk adalah X1,X5,X6,danX7.
Gambar 1. Peta Pengelompokan Kabupaten/Kota berdasarkan variabel
yang signifikan dalam model GWNBR
Berdasarkan pengujian pamareter secara parsial, sebagai contoh akan disajikan pengujian
parameter pada lokasi penelitian yaitu Kabupaten Kediri.
Tabel 3. Pengujian Parameter Model GWNBR di Kabupaten Kediri dengan Pembobot Adaptive Bisquare
Kernel
Parameter
Estimate
8,419
-0,032
-0,034
0,030
0,012
-1,930
0,030
-0,030
8202,411
|Z hitung|
35,145
-5,323
-2,616
5,444
1,244
-21,962
15,864
-15,198
35,145
Berdasarkan Tabel 3 diketahui bahwa variable-variabel yang berpengaruh secara
signifikan dapat dilihat dari nilai |Zhitung|>Zα/2 dengan taraf signifikansinya sebesar 5% di mana
Z tabel atau Zα/2 = 1,96 dan variabel yang signifikan adalah X1,X2,X3,X5,X6,danX7, sehingga
dapat dibentuk model seperti berikut:
) = 8,419-0,032 X1-0,034 X2+0,030 X3+ 0,012 X4-1,930 X5+0,030 X6-0,030 X7+
(4)
Pemilihan Model Terbaik
SENATEK 2015 | Malang, 17 Januari 2015
635
SEMINAR NASIONAL TEKNOLOGI 2015
Institut Teknologi Nasional Malang
ISSN: 2407 – 7534
Sebagai perbandingan antara model regresi binomial negatif dengan metode GWNBR
maka di bawah ini disajikan nilai AIC dari masing-masing model.
Tabel 4. Perbandingan AIC regresi poisson, regresi binomial negagtif dan GWNBR
Model Regresi
AIC
Regresi Binomial Negatif
560,48
GWNBR Adaptive Bisquare Kernel
449.60
Berdasarkan Tabel 4 nilai AIC untuk metode GWNBR dengan pembobot Adaptive
Bisquare Kernel menghasilkan nilai yang lebih kecil daripada nilai AIC regresi binomial
negatif, oleh karena itu dapat disimpulkan bahwa metode GWNBR merupakan model terbaik
yang digunakan dalam pemodelan jumlah balita gizi buruk di Jawa Timur tahun 2013.
Pendeteksian Kantong Balita Gizi Buruk Menggunakan Flexibly Shaped Spatial
Scan Statistic
Metode flexibly shaped spatial scan statistic memeriksa 38 kabupaten/kota yang
terdapat di Jawa Timur dimana hasilnya diperoleh empat kantong balita gizi buruk seperti
terlihat di Tabel 5. Panjang maksimum setiap kantong balita gizi buruk dibatasi 15
kabupaten/kota yang berbatasan dan jarak terdekat, termasuk kabupaten/kota awal.
Pengujian tingkat signifikansi dilakukan dengan teknik simulasi Monte Carlo dengan
pengulangan sebanyak 999 kali.
Tabel 5 Hasil Deteksi Kantong Balita Gizi Buruk di Jawa Timur
Kantong Jumlah Maximum
Case
%
Harapan
Gizi
Kab/Kota Distance
Buruk
1
6
104.764 km 8.110
35.72
4.927,72
Resiko
Relatif
P-value
1,646
0,001
2
2
73,99 km
2.619
11.54
1.929,66
1,357
0,001
3
2
38,86 km
1.441
6.35
1197,08
1,204
0,001
4
1
0 km
478
2.11
386,17
1,238
0,006
Berdasarkan proses deteksi gizi buruk diperoleh empat kantong balita gizi buruk seperti
terlihat pada Gambar 1 dengan keterangan untuk setiap kantong balita gizi buruk adalah
sebagai berikut:
1. Kantong gizi buruk 1 (warna merah) terdiri atas 6 kabupaten/kota yaitu Kabupaten
Probolinggo, Kabupaten Pasuruan, Kabupaten Sidoarjo, Kabupaten Mojokerto, Kabupaten
Gresik, dan Kota Surabaya. Kantong gizi buruk 1 memiliki persentase jumlah balita gizi
buruk sebesar 35,72% dari populasi. Dilihat dari nilai resiko relatif maka proporsi balita gizi
buruk pada kabupaten/kota yang berada di dalam kantong lebih besar 1,646 kali dari
kabupaten/kota di luar kantong gizi buruk 1.
2. Kantong balita gizi buruk 2 (warna kuning) terdiri atas 2 kabupaten/kota yaitu Kabupaten
Jember dan Kabupaten Banyuwangi. Kantong balita gizi buruk 2 memiliki persentase
jumlah balita gizi buruk sebesar 6,35% dari populasi. Dilihat dari nilai resiko relatif maka
proporsi balita gizi buruk pada kabupaten/kota yang berada di dalam kantong lebih besar
1,357 kali dari kabupaten/kota di luar kantong balita gizi buruk 2.
3. Kantong balita gizi buruk 3 (warna hijau) terdiri atas 2 kabupaten/kota yaitu Kabupaten
Blitar dan Kabupaten Kediri. Kantong balita gizi buruk 3 memiliki persentase jumlah balita
gizi buruk sebesar 11,54% dari populasi. Dilihat dari nilai resiko relatif maka proporsi balita
gizi buruk pada kabupaten/kota yang berada di dalam kantong lebih besar 1,204 kali dari
kabupaten/kota di luar kantong balita gizi buruk 3.
4. Kantong balita gizi buruk 4 (warna biru) terdiri atas 1 kabupaten/kota yaitu Kabupaten
Ngawi. Kantong balita gizi buruk 4 memiliki persentase jumlah balita gizi buruk sebesar
2,11% dari populasi. Dilihat dari nilai resiko relatif maka proporsi balita gizi buruk pada
kabupaten/kota yang berada di dalam kantong lebih besar 1,238 kali dari kabupaten/kota
di luar kantong balita gizi buruk 4.
SENATEK 2015 | Malang, 17 Januari 2015
636
SEMINAR NASIONAL TEKNOLOGI 2015
Institut Teknologi Nasional Malang
ISSN: 2407 – 7534
Gambar 2. Peta Hasil Deteksi Kantong Balita Gizi Buruk di Jawa Timur
Tabel 6 menunjukkan hasil deteksi kantong balita gizi buruk yang digabungkan dengan
hasil analisis dengan GWNBR sehingga diperoleh peta prioritas lokasi pengentasan balita gizi
buruk beserta faktor signifikan yang mempengaruhi. Secara umum, variabel persentase balita
yang tidak mendapat ASI eksklusif (X1), rasio posyandu terhadap balita (X5), dan persentase rumah
tangga dengan akses berkelanjutan terhadap air minum layak (X6), merupakan variabel yang berlaku
global untuk semua kabupaten/kota di empat kantong balita gizi buruk.
Tabel 6 Kantong Balita Gizi Buruk dan Variabel Signifikan yang Mempengaruhi
Kantong
Balita
Gizi Buruk
1
2
3
4
Kabupaten/Kota
Kabupaten Probolinggo
Kabupaten Pasuruan
Kabupaten Sidoarjo
Kabupaten Mojokerto
Kabupaten Gresik
Kota Surabaya
Kabupaten Jember
Kabupaten Banyuwangi
Kabupaten Blitar
Kabupaten Kediri
Kabupaten Ngawi
Variabel yang Signifikan
X1,
X1,
X1,
X1,
X1,
X1,
X1,
X1,
X1,
X1,
X1,
X2, X3, X4, X5, X6, dan
X3, X4, X5, X6, dan X7
X3, X4, X5, X6, dan X7
X2, X3, X4, X5, X6, dan
X2, X3, X4, X5, dan X6
X3, X4, X5, dan X6
X2, X3, X4, X5, X6, dan
X2, X3, X4, X5, X6, dan
X2, X4, X5, X6, dan X7
X2, X3, X5, X6, dan X7
X2, X3, X5, X6, dan X7
X7
X7
X7
X7
Kesimpulan
1. Berdasarkan hasil perbandingan antara model regresi Poisson, regresi binomial
negatif, dan GWNBR, dapat disimpulkan bahwa model Geographically Weighted
Negative Binomial Regression dengan pembobot fungsi kernel Adaptive Bisquare
adalah model terbaik untuk analisis jumlah balita gizi buruk di Jawa Timur tahun
2013 karena memiliki nilai AIC terkecil.
2. Pendeteksian kantong balita gizi buruk dengan metode Flexibly Shaped Spatial Scan
Statistic menghasilkan empat kantong balita gizi buruk. Hasil pendeteksian
kantong balita gizi buruk digabungkan dengan hasil analisis dari metode
GWNBR sehingga diperoleh kabupaten/kota yang perlu prioritas pengentasan
balita gizi buruk beserta faktor yang signifikan mempengaruhi.
3. Penelitian balita gizi buruk di Jawa Timur ini hanya mencakup 38 kabupaten/kota,
sehingga hasil deteksi kantong balita gizi buruk kurang akurat dan tepat sasaran.
SENATEK 2015 | Malang, 17 Januari 2015
637
SEMINAR NASIONAL TEKNOLOGI 2015
Institut Teknologi Nasional Malang
ISSN: 2407 – 7534
Oleh karena itu, pada penelitian berikutnya diharapkan mencakup level yang
lebih kecil, yaitu kecamatan atau desa/kelurahan sehingga lebih menggambarkan
tingkat balita gizi buruk suatu daerah.
4. Pengentasan dan penanggulangan balita gizi buruk dapat dilakukan dengan
memprioritaskan kabupaten/kota yang menjadi kantong balita gizi buruk
dengan penekanan pada faktor balita yang tidak mendapatkan ASI Eksklusif,
rasio posyandu terhadap balita dan persentase rumah tangga dengan akses berkelanjutan
terhadap air minum layak.
Daftar Pustaka
1.
2.
3.
4.
5.
6.
7.
8.
Berk, Richard dan MacDonald, J.M. (2008). Overdispersion and poisson regression. Philadelphia:
Springer.
Cameron, A. Colin dan Trivedi, Pravin K. (1998). Regression analysis of count data. New York:
Cambridge University Press.
Greene, W. 2008. Functional Forms For The Negative Binomial Model For Count Data. Foundations and
Trends in Econometrics. Working Paper. Departement of Economics. Stren Scool of Business:New York
University, 585-590.
Ismail, N. dan Jemain, A. A. (2007). Handling overdispersion with negative binomial and generalized
poisson regression models. Virginia: Casualty Actuarial Society Forum.
Kementrian Kesehatan Republik Indonesia. 2014. Profil Kesehatan Indonesia Tahun 2013
Ricardo, A., dan Carvalho, T.V.R. 2013. Geographically Weighted Negative Binomial RegressionIncorporating Overdispersion. Springer Science : Business Media New York.
Schabenberger O dan Gotway CA. 2005. Statistical Methods For Spatial Data Analysis. Chapman &
Hall/CRC
Tango, T. dan Takahashi, K. (2005), “A Flexibly Shaped Spatial Scan Statistic For Detecting
Clusters”, International Journal of Health Geographics, Volume 4:11.
SENATEK 2015 | Malang, 17 Januari 2015
638