Hasil Pencarian  ::  Simpan CSV :: Kembali

"Stunting adalah kondisi gagal tumbuh pada balita akibat dari kekurangan gizi kronis,sehingga anak terlalu pendek pada usianya. Stunting memiliki dampak yang burukterhadap pertumbuhan dan perkembangan anak serta berpengaruh terhadap kualitassumber daya manusia di masa depan. Dalam rangka menurunkan angka stunting diIndonesia, pada tahun 2018, pemerintah menetapkan 100 kabupaten/kota sebagai daerahprioritas penanganan kasus stunting di Indonesia. Penetapan 100 kabupaten/kota prioritastersebut ditentukan berdasarkan indikator jumlah balita stunting, prevalensi stunting, dantingkat kemiskinan. Penelitian ini bertujuan untuk mengetahui variabel-variabel yangmemengaruhi status daerah prioritas penanganan stunting di Indonesia agar pemerintahlebih fokus dalam menangani kasus stunting di setiap daerah. Model yang digunakandalam penelitian ini adalah Geographically Weighted Logistic Regression (GWLR).Untuk variabel respon, kategori 0 adalah daerah bukan prioritas penanganan stunting(prevalensi stunting kurang dari rata-rata prevalensi stunting Indonesia tahun 2018sebesar 32,01%) dan kategori 1 adalah daerah prioritas penanganan stunting (prevalensistunting lebih besar dari rata-rata prevalensi stunting Indonesia tahun 2018 sebesar32,01%). Model Geographically Weighted Logistic Regression (GWLR) merupakanpengembangan dari model regresi logistik dengan memperhitungkan pengaruh spasial.Pengaruh spasial tersebut digambarkan melalui matriks pembobot di setiap lokasipengamatan sehingga menghasilkan pendugaan parameter model yang bersifat lokaluntuk setiap lokasi pengamatan. Metode penaksiran parameter yang digunakan adalahmetode Maximum Likelihood Estimation (MLE) dengan fungsi pembobot spasial adalahfungsi pembobot kernel Fixed Gaussian dan Fixed Bisquare. Pada penelitian ini datayang digunakan mengandung missing values sehingga diperlukan penanganan lebihlanjut. Penanganan missing values yang digunakan pada penelitian ini adalah metodeimputasi data menggunakan Classification and Regression Tree (CART). Model GWLRterbaik pada pemodelan kasus stunting di Indonesia tahun 2018 adalah model GWLRdengan pembobot fungsi kernel Fixed Bisquare dengan nilai AIC sebesar 622,806477dan akurasi klasifikasi model sebesar 0,7257.

---

Stunting is a condition of failure to thrive in children under five because of chronic

malnutrition so that the child is too short for his/her age. Stunting has bad effect on

children's growth and the quality of human resources in the future. To reduce the number

of stunting in Indonesia, in 2018, the government determined 100 districts/cities as

priority areas for handling stunting cases in Indonesia. The 100 priority districts/cities are

determined based on the number of stunting children, stunting prevalence, and poverty

level. This study aims to determine the variables that affect the status of priority areas for

stunting handling in Indonesia so the government can be more focused on handling

stunting cases in each region. The model used in this study is Geographically Weighted

Logistic Regression (GWLR) with 0 as the category of a non-priority area for handling

stunting cases (stunting prevalence is less than the average stunting prevalence of

Indonesia in 2018) and 1 as the category of a priority area for handling cases stunting (the

prevalence of stunting is greater than the average stunting prevalence of Indonesia in

2018). The average stunting prevalence of Indonesia in 2018 that used in this study is

32,01%. The Geographically Weighted Logistic Regression (GWLR) model is a

development of the logistic regression model which considers spatial influence. The

spatial influence is illustrated through a weighting matrix at each observation location to

produce an estimation of the local model parameters for each observation location. The

parameter estimation method used is the Maximum Likelihood Estimation (MLE) method

with the spatial weighting function is the Fixed Gaussian and Fixed Bisquare kernel

weighting function. There are missing values in the study data so Classification and

Regression Tree (CART) method used to handle the missing values. The results showed

that the best GWLR model on stunting cases modeling in Indonesia in 2018 is the GWLR

model with Fixed Bisquare kernel function weighting with AIC value of 622,806477 and

accuracy of model classification of 0,7257."

"AIDS merupakan fase infeksi dari virus HIV yang paling kronis yang dapat melemahkan kekebalan tubuh. AIDS disebabkan oleh virus HIV yang menyerang dan menghancurkan sel CD4 atau yang biasa disebutk dengan sel T. Pada tahun 2020, Provinsi Jawa Timur merupakan provinsi dengan jumlah infeksi HIV terbanyak dan urutan ketiga terbanyak untuk total kasus AIDS di Indonesia. Tujuan penelitian ini untuk memodelkan data tingkat proporsi kasus AIDS Provinsi Jawa Timur menggunakan Geographically Weighted Logistic Regression (GWLR) dan melihat hasil pengelompokan kabupaten/kota menggunakan analisis klaster k-means. Variabel yang digunakan untuk penelitian ini adalah Gini Rasio, Indeks L Pengeluaran Per Kapita, Rasio Jenis Kelamin, Rasio Ketergantungan, Indeks Pembangunan Gender (IPG), dan Jumlah Pos Pelayanan KB Desa. Tingkat proporsi kasus AIDS dikategorikan menjadi 2 kategori berdasarkan cut point yang telah ditentukan, dengan kategori 0 sebagai tingkat rendah dengan proporsi kasus AIDS kurang dari 0,0006 dan kategori 1 sebagai tingkat tinggi dengan proporsi kasus AIDS lebih dari atau sama dengan 0,0006. Penaksiran parameter untuk model Geographically Weighted Logistic Regression (GWLR) menggunakan metode Maximum Likelihood Estimation (MLE) dengan fungsi pembobot kernel Fixed Gaussian dan bandwidth optimum ditentukan menggunakan Akaike’s Information Criterion corrected (AICc). Nilai Z hitung dari parameter model yang paling sesuai akan dikelompokan menggunakan analisis klaster k-means, dengan Z hitung adalah nilai estimasi parameter dibagi dengan standar error. Hasil pengelompokan menunjukkan bahwa anggota klaster 1 memiliki kecenderungan merupakan kabupaten/kota yang memiliki variabel signifikan yaitu rasio jenis kelamin dan rasio ketergantungan yang merupakan perbandingan jumlah penduduk bukan angkatan kerja dengan jumlah penduduk angkatan kerja, sementara anggota klaster 2 memiliki kecenderungan merupakan kabupaten/kota yang memiliki variabel signifikan rasio ketergantungan.

---

AIDS is the most chronic phase of HIV infection which can weaken the immune system. AIDS is caused by HIV which attacks and destroys CD4 cells or also known as T cells. In 2020, East Java Province is a province which has the most HIV infections and in the third place for the highest total number of AIDS cases in Indonesia. The purpose of this research is to build a model using Geographically Weighted Logistic Regression (GWLR), and to work out the grouping results of regencies/cities using K- means Clustering Analysis. The variables used in this research are Gini Ratio, L Index of Per Capita Expenditure, Gender Ratio, Dependency Ratio, Gender Development Index, and The Number of Post Pelayanan KB Desa. The proportion levels of AIDS cases are categorized into 2 categories based on cut-point which has been specified, which 0 as the category of low level with the proportion of AIDS cases is less than 0.0006 and 1 as the category of high level with the proportion of AIDS cases is more than or equal to 0.0006. Parameter estimation for Geographically Weighted Logistic Regression (GWLR) is using Maximum Likelihood Estimation (MLE) method with Fixed Gaussian as weighted kernel function and optimum bandwidth is determined using Akaike’s Information Criterion Corrected (AICc). Z-Score of the most suitable model will be grouped using K-means Clustering Analysis, with Z-score is parameter estimator divided by standard error. Grouping results indicates cluster 1 members tend to be regencies/cities that have gender ratio and dependency ratio as significant variables, meanwhile cluster 2 members tend to be regencies/cities that have only dependency ratio as significant variable."

"AIDS merupakan fase infeksi dari virus HIV yang paling kronis yang dapat melemahkan kekebalan tubuh. AIDS disebabkan oleh virus HIV yang menyerang dan menghancurkan sel CD4 atau yang biasa disebutk dengan sel T. Pada tahun 2020, Provinsi Jawa Timur merupakan provinsi dengan jumlah infeksi HIV terbanyak dan urutan ketiga terbanyak untuk total kasus AIDS di Indonesia. Tujuan penelitian ini untuk memodelkan data tingkat proporsi kasus AIDS Provinsi Jawa Timur menggunakan Geographically Weighted Logistic Regression (GWLR) dan melihat hasil pengelompokan kabupaten/kota menggunakan analisis klaster. Variabel yang digunakan untuk penelitian ini adalah Gini Rasio, Indeks L Pengeluaran Per Kapita, Rasio Jenis Kelamin, Rasio Ketergantungan, Indeks Pembangunan Gender (IPG), dan Jumlah Pos Pelayanan KB Desa. Tingkat proporsi kasus AIDS dikategorikan menjadi 2 kategori berdasarkan cut point yang telah ditentukan, dengan kategori 0 sebagai tingkat rendah dengan proporsi kasus AIDS kurang dari 0,0006 dan kategori 1 sebagai tingkat tinggi dengan proporsi kasus AIDS lebih dari atau sama dengan 0,0006. Penaksiran parameter untuk model Geographically Weighted Logistic Regression (GWLR) menggunakan metode Maximum Likelihood Estimation (MLE) dengan fungsi pembobot kernel Fixed Gaussian dan bandwidth optimum ditentukan menggunakan Akaike’s Information Criterion corrected (AICc). Nilai Z hitung dari parameter model yang paling sesuai akan dikelompokan menggunakan analisis klaster k-means, dengan Z hitung adalah nilai estimasi parameter dibagi dengan standar error. Hasil pengelompokan menunjukkan bahwa anggota klaster 1 memiliki kecenderungan merupakan kabupaten/kota yang memiliki variabel signifikan yaitu rasio jenis kelamin dan rasio ketergantungan yang merupakan perbandingan jumlah penduduk bukan angkatan kerja dengan jumlah penduduk angkatan kerja, sementara anggota klaster 2 memiliki kecenderungan merupakan kabupaten/kota yang memiliki variabel signifikan rasio ketergantungan.

---

AIDS is the most chronic phase of HIV infection which can weaken the immune system. AIDS is caused by HIV which attacks and destroys CD4 cells or also known as T cells. In 2020, East Java Province is a province which has the most HIV infections and in the third place for the highest total number of AIDS cases in Indonesia. The purpose of this research is to build a model using Geographically Weighted Logistic Regression (GWLR), and to work out the grouping results of regencies/cities using K-means Clustering Analysis. The variables used in this research are Gini Ratio, L Index of Per Capita Expenditure, Gender Ratio, Dependency Ratio, Gender Development Index, and The Number of Post Pelayanan KB Desa. The proportion levels of AIDS cases are categorized into 2 categories based on cut-point which has been specified, which 0 as the category of low level with the proportion of AIDS cases is less than 0.0006 and 1 as the category of high level with the proportion of AIDS cases is more than or equal to 0.0006. Parameter estimation for Geographically Weighted Logistic Regression (GWLR) is using Maximum Likelihood Estimation (MLE) method with Fixed Gaussian as weighted kernel function and optimum bandwidth is determined using Akaike’s Information Criterion Corrected (AICc). Z-Score of the most suitable model will be grouped using K-means Clustering Analysis, with Z-score is parameter estimator divided by standard error. Grouping results indicates cluster 1 members tend to be regencies/cities that have gender ratio and dependency ratio as significant variables, meanwhile cluster 2 members tend to be regencies/cities that have only dependency ratio as significant variable. "

"Menganalisis hubungan antara jumlah tindak kejahatan dan faktor-faktor yang mempengaruhinya menjadi topik penelitian yang menarik karena jumlah tindak kejahatan di Indonesia dalam sepuluh tahun terakhir cenderung meningkat. Untuk meningkatkan kualitas keamanan masyarakat maka pemerintah perlu memahami faktor-faktor apa saja yang dapat memicu tindakan kejahatan. Dibandingkan dengan metode analisis regresi klasik, metode Geographically Weighted Regression GWR lebih diunggulkan karena dapat menangani masalah ketidak stasioneran spasial yang biasanya terjadi pada data fenomena-fenomena sosial. Ketidakstasioneran spasial adalah situasi dimana hubungan antar peubah berbeda-beda secara signifikan disetiap lokasi observasi. Hal tersebut mengakibatkan hasil analisis regresi klasik menjadi tidak akurat di beberapa lokasi. GWR menangani masalah tersebut dengan membangun model regresi di setiap titik observasi sehingga memungkinkan parameter regresi menjadi berbeda di setiap lokasi observasi. Penelitian ini menggunakan jumlah tindak kejahatan y sebagai peubah terikat dan peubah bebasnya adalah jumlah penduduk buta huruf x1, jumlah pengangguran x2, jumlah penduduk miskin x3, kepadatan penduduk x4, dan jumlah korban NAPZA x5. Penelitian ini menggunakan data sekunder yang dihimpun oleh POLRI, BPS, dan Dinsos di Jawa Tengah pada tahun 2015. Terdapat dua fungsi pembobot spasial GWR yang akan dibandingkan yaitu Kernel Gaussian dan Kernel Bisquare. Hasil penelitian menunjukkan fungsi Kernel Gaussian lebih baik dibanding Kernel Bisquare berdasarkan skor AIC dan R2. Hasil analisis menggunakan GWR menghasilkan model untuk 35 kabupaten/kota di Jawa Tengah.

---

Analyzing the relationship between number of crime cases and factors defined became an interesting research topic over the last ten years. The total number of crime in Indonesia didn rsquo t show a consistent decrease. In order to upgrade people safeness quality, the government need to know the factors influence people committing crime acts. Rather than using classical regression analysis, Geographically Weighted Regression GWR was preferable since it gave a better representative model by effectively resolve spatial non stationary problem which is generally exist in spatial data of social phenomenon. Spatial non stationary is a situation when the relationship between variables are significantly different in each location of observation point, so that classic regression analysis will result a misleading interpretation in some location. GWR handled the spatial non stationary problem by generating a single model in each observation point which allow different relationship to exist at different point in space. This study used number of crime cases y as the dependent variable and the factors which affect the number of crime cases as independent variables that consist of the number of illiterates x1 , the number of unemployed x2, the number of poor population x3, population density x4, the number of victims of drug x5. This study used secondary data collected by POLRI, BPS, and Social ministry of Indonesia in Central Java during 2015. Two spatial weighting functions were compared i.e. Kernel Gaussian and Kernel Bisquare and the study result indicated that Kernel Gaussian was batter according to score of R2 and AIC. GWR generated model for 35 city regency in Central Java. "

"Diare merupakan salah satu infeksi saluran pencernaan berupa keluarnya tinja encer atau cair tiga kali atau lebih setiap hari. Penyakit ini umum terjadi di Indonesia dan potensial menjadi Kejadian Luar Biasa (KLB) yang sering menyebabkan kematian. Tujuan penelitian ini adalah memodelkan dan mengidentifikasi variabel yang dapat menjelaskan jumlah kejadian penyakit diare di Provinsi Jawa Barat. Jumlah kejadian diare sebagai variabel respons merupakan data berbentuk diskrit yang umumnya dimodelkan menggunakan regresi Poisson. Namun, adanya asumsi equidispersi yang harus dipenuhi dalam regresi Poisson membuat regresi Binomial Negatif digunakan apabila terjadi overdispersi. Aspek spasial juga diperhatikan sehingga model yang digunakan dalam penelitian ini adalah Geographically Weighted Negative Binomial Regression (GWNBR). Penaksiran parameter dilakukan menggunakan metode Maximum Likelihood Estimation dengan iterasi Newton-Raphson. Model GWNBR memberikan bobot tertentu pada setiap lokasi pengamatan sehingga menghasilkan taksiran parameter model yang berbeda untuk setiap lokasi pengamatan. Fungsi pembobot kernel yang digunakan adalah Fixed Bisquare dan bandwidth optimum ditentukan menggunakan cross validation (CV). Prediktor yang digunakan dalam penelitian ini adalah persentase rumah tangga yang memiliki akses terhadap sanitasi layak, persentase penduduk miskin, jumlah puskesmas, kepadatan penduduk, jumlah dokter umum, dan indeks pendidikan. Hasil dari analisis menunjukkan bahwa dalam model GWNBR diperoleh 5 kelompok berdasarkan prediktor yang signifikan. Sebanyak 3 prediktor secara signifikan menjelaskan jumlah kejadian diare di seluruh kabupaten/kota di Provinsi Jawa Barat tahun 2022, yaitu persentase penduduk miskin, kepadatan penduduk, dan indeks pendidikan.

---

Diarrhea is an intestinal infection characterized by the excretion of loose or watery stools three or more times a day. This disease is common in Indonesia and has the potential to become an outbreak (KLB) that often leads to death. The aim of this study is to model and identify variables that can explain the number of diarrhea cases in West Java Province. The number of diarrhea cases as the response variable is discrete data, which is generally modeled using Poisson regression. However, due to the equidispersion assumption required in Poisson regression, Negative Binomial regression is used if overdispersion occurs. Spatial aspects are also considered, so the model used in this study is Geographically Weighted Negative Binomial Regression (GWNBR). Parameter estimation is done using the Maximum Likelihood Estimation method with Newton-Raphson iteration. The GWNBR model assign specific weights to each observation location, resulting in different parameter estimates for each location. The kernel weighting function used is Fixed Bisquare, and the optimal bandwidth is determined using cross-validation (CV). The predictors used in this study are the percentage of households with access to adequate sanitation, the percentage of poor population, the number of health centers, population density, the number of general practitioners, and the education index. The results of the analysis show that the GWNBR model identified 5 groups based on significant predictors. Three predictors significantly explain the number of diarrhea cases in all districts/cities in West Java Province in 2022: the percentage of the poor population, population density, and education index."

"Kemiskinan adalah suatu masalah yang tidak hanya dipengaruhi oleh dimensi ekonomi, namun juga dapat dipengaruhi oleh dimensi-dimensi lain seperti pendidikan, kesehatan, dan standar hidup yang layak. Kemiskinan dapat diukur dengan Head Count Index, yaitu indeks yang mengukur persentase penduduk miskin di suatu wilayah. Dimensi-dimensi yang menjelaskan kemiskinan biasanya terdiri dari beberapa variabel. Sehingga apabila dalam penelitian akan dilakukan pemodelan menggunakan beberapa dimensi, akan mengandung banyak sekali variabel, yang memungkinkan adanya multikolinearitas antar variabel independen. Kondisi ini menyebabkan pemodelan tidak dapat dilakukan dengan baik. Masalah multikolinearitas pada data yang dimodelkan, dapat diatasi menggunakan metode Analisis Komponen Utama (Principal Component Analysis). Metode Principal Component Analysis (PCA) dilakukan pada variabel-variabel independen, sehingga diperoleh komponen-komponen utama yaitu hasil reduksi dari variabel-variabel independen. Komponen-komponen utama ini tidak lagi saling berkorelasi. Selanjutnya dilakukan analisis regresi dengan komponen-komponen utama tersebut sebagai variabel independen barunya. Model ini disebut Regresi Komponen Utama (RKU). Penelitian ini menggunakan data yang terkait dengan lokasi atau geografis atau dapat disebut dengan data spasial. Setelah dilakukan pemeriksaan asumsi, terdapat multikolinearitas dan heterogenitas spasial pada data. Oleh karena itu, untuk menangani kedua masalah ini, dapat digunakan pemodelan Geographically Weighted Principal Component Regression (GWPCR) atau Regresi Komponen Utama Terboboti Geografis (RKUTG). Sebelum diterapkan metode Regresi Komponen Utama Terboboti Geografis (RKUTG), akan digunakan metode Analisis Komponen Utama menentukan komponen-komponen utama untuk dijadikan variabel independen atau prediktor baru dalam penelitian ini. Didapat tiga komponen utama yang masing-masing komponen menjelaskan Faktor Demografi dan Air Bersih untuk PC1 atau komponen utama pertama, Faktor Kondisi Hidup Layak dan Ketimpangan untuk PC2, dan Faktor Kesejahteraan Anak untuk PC3. Lalu dilakukan Regresi Komponen Utama (RKU) dengan PC1, PC2, dan PC3 sebagai prediktornya dan diperiksa asumsi heterogenitas spasial dari model RKU. Pemeriksaan asumsi mengambil keputusan bahwa terdapat heterogenitas spasial pada model RKU sehingga model GWPCR dapat dilakukan. Berdasarkan hasil pemodelan RKUTG, pengaruh setiap komponen utama bervariasi pada setiap lokasi dan jika dikelompokkan diperoleh 4 kelompok, yaitu kelompok 1 yaitu Kabupaten/Kota dengan Head Count Index dipengaruhi oleh PC1 yaitu sebanyak 13 Kabupaten/Kota, kelompok 2 yaitu Kabupaten/Kota dengan Head Count Index dipengaruhi PC1 dan PC2 yaitu sebanyak 5 Kabupaten/Kota, kelompok 3 yaitu Kabupaten/Kota dengan Head Count Index dipengaruhi PC1 dan PC3 yaitu sebanyak 4 Kabupaten/Kota, dan kelompok 4 yaitu Kabupaten/Kota dengan Head Count Index dipengaruhi PC1, PC2 dan PC3 yaitu sebanyak 4 Kabupaten/Kota.

---

Poverty is a problem that is not only influenced by the economic dimension, but can also be influenced by other dimensions such as education, health, and a decent standard of living. Poverty can be measured by the Head Count Index, which is an index that measures the percentage of poor people in a region. The dimensions that explain poverty usually consist of several variables. Therefore, if the research will be modeled using several dimensions, it will contain a large number of variables, which allows for multicollinearity between independent variables. This condition causes the modeling to not be done properly. The problem of multicollinearity in the data being modeled can be overcome using the Principal Component Analysis method. The Principal Component Analysis (PCA) method is performed on the independent variables, so that the main components are obtained, namely the reduction results of the independent variables. These main components are no longer correlated with each other. Furthermore, regression analysis is carried out with these main components as the new independent variables. This model is called Principal Component Regression (RKU). This study uses data related to location or geography or can be called spatial data. After checking the assumptions, there is multicollinearity and spatial heterogeneity in the data. Therefore, to handle these two problems, Geographically Weighted Principal Component Regression (GWPCR) modeling or Geographically Weighted Principal Component Regression (RKUTG) can be used. Before applying the Geographically Weighted Principal Component Regression (RKUTG) method, the Principal Component Analysis method will be used to determine the main components to be used as independent variables or new predictors in this study. There are three main components, each of which explains the Demographic and Clean Water Factors for PC1 or the first main component, the Decent Living Conditions and Inequality Factors for PC2, and the Child Welfare Factor for PC3. Principal Component Regression (RKU) was then conducted with PC1, PC2, and PC3 as predictors and the assumption of spatial heterogeneity of the RKU model was checked. The assumption check makes a decision that there is spatial heterogeneity in the RKU model so that the GWPCR model can be carried out. Based on the results of RKUTG modeling, the influence of each main component varies at each location and if grouped, 4 groups are obtained, namely group 1, namely districts / cities with Head Count Index influenced by PC1, consisting of 13 districts / cities, group 2, namely districts / cities with Head Count Index influenced by PC1 and PC2, consisting of 5 districts / cities, group 3, namely districts / cities with Head Count Index influenced by PC1 and PC3, consisting of 4 districts / cities, and group 4, namely districts / cities with Head Count Index influenced by PC1, PC2 and PC3, consisting of 4 districts / cities."

"Kematian balita merupakan indikator utama kesehatan anak dan pembangunan bangsa secara keseluruhan, karena mencerminkan kondisi sosial, ekonomi, dan lingkungan. Angka kematian balita sebagai barometer sosial ekonomi dan kesehatan telah dimasukkan dalam Sustainable Development Goals (SDGs) dengan target baru untuk menurunkan angka kematian balita di dunia secara keseluruhan menjadi kurang dari 25 per 1000 kelahiran hidup di tahun 2030. Tujuan penelitian ini adalah untuk mengetahui faktor apa yang memengaruhi jumlah kasus kematian balita di Pulau Jawa. Variabel respon penelitian ini adalah jumlah kasus kematian balita yang merupakan data diskrit  dengan kondisi overdispersi. Penelitian ini menggunakan model Geographically Weighted Negative Binomial Regression (GWNBR) yang merupakan pengembangan regresi Binomial Negatif dengan memperhitungkan pengaruh spasial. Data yang digunakan pada penelitian ini mengandung missing value sehingga dilakukan penanganan dengan imputasi data menggunakan Classification and Regression Tree (CART). Model yang digunakan untuk menganalisis jumlah kasus kematian balita adalah model GWNBR dengan fungsi pembobot kernel Adaptive Gaussian. Hasil dari analisis tersebut menunjukkan bahwa terdapat 5 variabel prediktor yang secara signifikan memengaruhi jumlah kasus kematian balita di seluruh Kabupaten/Kota di pulau Jawa yaitu variabel kecukupan air bersih (AIRB), proporsi diare pada balita (DIARE), kecukupan jumlah dokter (DOK), cakupan penimbangan balita (CPB) dan cakupan Imunisasi Dasar Lengkap (IDL).

---

Under-five mortality is the main indicator of child health and the development of the nation as a whole, because it reflects social, economic and environmental conditions. The under-five mortality rate as a socio-economic and health barometer has been included in the Sustainable Development Goals (SDGs) with a new target to reduce the world under-five mortality rate as a whole to less than 25 per 1000 live births in 2030. The purpose of this study was to determine what factors which affects the number of under-five mortality cases in Java. The response variable of this research is the number of under-five mortality cases which are discrete data with overdispersion conditions. This study uses a Geographically Weighted Negative Binomial Regression (GWNBR) model which is the development of Negative Binomial regression by taking into account the spatial effect. The data used in this study contains missing values ​​so that it is handled by imputing data using the Classification and Regression Tree (CART). The model used to analyze the number of under-five mortality cases is the GWNBR model with the Adaptive Gaussian kernel weighting function. The results of the analysis show that there are 5 predictor variables that significantly affect the number of cases of under-five mortality in all districts/cities on the island of Java, namely the clean water adequacy variable (AIRB), the proportion of diarrhea in children under five (DIARE), the adequacy of the number of doctors (DOK), coverage of under-five weighing (CPB) and coverage of Complete Basic Immunization (IDL)."

"Beberapa jurnal statistik menunjukkan bahwa pergerakan harga saham dapat diprediksi dengan menggunakan pergerakan harga masa lalu, namun cara ini ditentang oleh Eugene Fama dalam tesisnya yang berjudul Random Walk in Stock Market. Hal tersebut didukung oleh Burton G. Malkiel dalam bukunya yang berjudul Random Walk in Wall Street. Berdasarkan hal tersebut harus dicari cara lain yaitu dengan menggunakan rasio keuangan. Dutta tahun 2012 menunjukkan cara memprediksi pergerakan saham menggunakan Binary Logistic Regression (BLR) dengan rasio keuangan sebagai prediktornya. Model BLR-nya terlibat dalam algoritma klasifikasi biner yang menggunakan nilai cut off dalam aturan klasifikasinya untuk mengklasifikasikan perusahaan mana yang harga sahamnya akan naik atau tidak. Metode ini diterapkan dalam penelitian ini untuk memprediksi pergerakan saham di Indonesia. Sebuah penelitian menunjukkan bahwa keputusan investor dipengaruhi oleh lokasi perusahaan. Oleh karena itu, BLR belum tentu menjadi model yang tepat untuk memprediksi pergerakan saham karena tidak memperhatikan unsur regional (spasial) sehingga dalam penelitian ini digunakan model regresi logistik biner yang mempertimbangkan elemen spasial yang disebut dengan Geographically Weighted Logistic Regression (GWLR) model dan membandingkan kinerja model. dengan model BLR dalam memprediksi pergerakan saham dengan menggunakan rasio keuangan sebagai prediktor. Penelitian diawali dengan mencari model BLR terbaik yang dibuat dari data latih tahun 2013. Model terbaik dengan prediktor rasio keuangan adalah DER (Debt to Equity Ratio). Kemudian dibuat model GWLR dengan prediktor yang sama. BLR dan GWLR dilibatkan vii Universitas Indonesia dalam algoritma klasifikasi biner. Kemudian dilakukan pengujian algoritma masing-masing menggunakan data latih 2013, dan data pengujian tahun 2014 menghasilkan AUC masing-masing sebesar 0,6252723 dan 0,6666667, untuk algoritma klasifikasi biner yang melibatkan GWLR, dan untuk algoritma klasifikasi biner yang melibatkan BLR diperoleh 0,6176471, dan 0,627381. Hal ini menunjukkan bahwa kinerja model GWLR lebih baik dari pada BLR.Several statistical journals show that stock price movements can be predicted using past price movements, but this method is opposed by Eugene Fama in his thesis entitled Random Walk in Stock Market. This is supported by Burton G. Malkiel in his book entitled Random Walk in Wall Street. Based on this, another way must be sought, namely by using financial ratios. Dutta 2012 shows how to predict stock movements using Binary Logistic Regression (BLR) with financial ratios as predictors. The BLR model is involved in a binary classification algorithm that uses the cut off value in its classification rules to classify which companies will increase their share price or not. This method is applied in this study to predict stock movements in Indonesia. A study shows that investors' decisions are influenced by the location of the company. Therefore, BLR is not necessarily the right model for predicting stock movements because it does not pay attention to regional (spatial) elements so in this study a binary logistic regression model is used that considers spatial elements called the Geographically Weighted Logistic Regression (GWLR) model and compares performance. model. with the BLR model in predicting stock movements using financial ratios as predictors. The research begins with finding the best BLR model made from training data in 2013. The best model with a predictor of financial ratios is DER (Debt to Equity Ratio). Then a GWLR model was made with the same predictors. BLR and GWLR were involved vii University of Indonesia in the binary classification algorithm. Then each algorithm was tested using the 2013 training data, and the 2014 test data resulted in an AUC of 0.6252723 and 0.6666667, respectively, for the binary classification algorithm involving GWLR, and for the binary classification algorithm involving BLR it was obtained 0, 6176471, and 0.627381. This shows that the performance of the GWLR model is better than the BLR."

"

Posisi Indonesia sebagai salah satu negara yang masuk ke dalam kategori High Burden Countries untuk penyakit menular Tuberkulosis (TB), menyebabkan TB menjadi masalah kesehatan yang patut diperhatikan oleh Pemerintah. Maka, penting bagi Pemerintah untuk mengidentifikasi faktor-faktor yang mempengaruhi jumlah kasus TB. Pada umumnya, model regresi linear berganda digunakan untuk melihat bagaimana hubungan linear antara faktor-faktor tersebut dengan jumlah kasus TB, namun dengan model ini variasi spasial pada data tidak diperhitungkan. Untuk menutupi kekurangan tersebut, penelitian ini menggunakan model spasial, yaitu model yang memperhitungkan lokasi geografis observasi dalam pembentukan model. Penelitian ini mencakup dua jenis Geographically Weighted Models (GWM), yaitu Geographically Weighted Regression (GWR) dan Mixed Geographically Weighted Regression (MGWR). Jenis model spasial ini akan memberikan bobot tertentu pada observasi-observasi sesuai dengan lokasi geografisnya. Kedua model tersebut dikonstruksi untuk melihat hubungan antara jumlah kasus baru TB dengan faktor-faktor yang diduga mempengaruhinya per Kabupaten/Kota di Pulau Jawa tahun 2017. Faktor-faktor tersebut adalah jumlah penduduk, angka keberhasilan pengobatan TB, persentase balita yang diimunisasi BCG, persentase penderita HIV, persentase rumah sehat, persentase penduduk miskin dan jumlah puskesmas per seratus ribu penduduk. Perbandingan performa kedua model diukur menggunakan Akaike’s Information Criterion (AIC) dan Adjusted R² untuk menentukan model yang relatif lebih baik. Dari penelitian ini, ditemukan bahwa GWR merupakan model yang relatif lebih baik untuk data. Salah satu penemuan pada penelitian ini adalah bahwa hubungan antara persentase balita yang diimunisasi BCG dan jumlah kasus baru TB adalah negatif dan paling kuat di DKI Jakarta. Hal ini dapat disebabkan oleh tingginya tingkat kesadaran dari pentingnya imunisasi BCG dan sosialisasinya di lokasi tersebut.

 

---

Indonesia’s position as one of the High Burden Countries for the infectious disease, Tuberculosis (TB), has caused TB to be a major health problem in Indonesia. As means to control the number of TB cases, it becomes important for the government to identify the factors affecting it. Commonly, multiple linear regression models are used to evaluate the linear relationship between the factors and the number of TB cases.  Unfortunately, this model does not have the ability to expose the spatial variation in the data. To improve that, this research uses a spatial model: a model that takes the geographical location into account in the making of the model. This research covers two types of Geographically Weighted Models (GWM), which are Geographically Weighted Regression (GWR) and Mixed Geographically Weighted Regression (MGWR). These spatial models assign weights to the observations based on its’ geographical location. These two models will be constructed to evaluate the relationship between the number of TB cases and the factors affecting it per Regency/City in Java in 2017, namely: population, success rate of TB treatment, percentage of toddlers receiving BCG vaccine, percentage of HIV patient, percentage of healthy homes, percentage of poor people and the number of public health centre per one hundred thousand people. The performance of both models is measured using Akaike’s Information Criterion (AIC) and Adjusted R² to find out which model is relatively better. The result of this research suggests that the GWR model is the relatively better model for the data. The model suggests that the relationship between percentage of toddlers receiving BCG vaccine and the number of TB cases is negative and is the strongest in Jakarta, which may be caused by the level of awareness and socialization of BCG vaccine that is better in this area.

 

"