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 chronicmalnutrition so that the child is too short for his/her age. Stunting has bad effect onchildren's growth and the quality of human resources in the future. To reduce the numberof stunting in Indonesia, in 2018, the government determined 100 districts/cities aspriority areas for handling stunting cases in Indonesia. The 100 priority districts/cities aredetermined based on the number of stunting children, stunting prevalence, and povertylevel. This study aims to determine the variables that affect the status of priority areas forstunting handling in Indonesia so the government can be more focused on handlingstunting cases in each region. The model used in this study is Geographically WeightedLogistic Regression (GWLR) with 0 as the category of a non-priority area for handlingstunting cases (stunting prevalence is less than the average stunting prevalence ofIndonesia in 2018) and 1 as the category of a priority area for handling cases stunting (theprevalence of stunting is greater than the average stunting prevalence of Indonesia in2018). The average stunting prevalence of Indonesia in 2018 that used in this study is32,01%. The Geographically Weighted Logistic Regression (GWLR) model is adevelopment of the logistic regression model which considers spatial influence. Thespatial influence is illustrated through a weighting matrix at each observation location toproduce an estimation of the local model parameters for each observation location. Theparameter estimation method used is the Maximum Likelihood Estimation (MLE) methodwith the spatial weighting function is the Fixed Gaussian and Fixed Bisquare kernelweighting function. There are missing values in the study data so Classification andRegression Tree (CART) method used to handle the missing values. The results showedthat the best GWLR model on stunting cases modeling in Indonesia in 2018 is the GWLRmodel with Fixed Bisquare kernel function weighting with AIC value of 622,806477 andaccuracy of model classification of 0,7257."

"Berdasarkan standar prevalensi stunting yang ditetapkan oleh WHO, yaitu sebesar 20%,tingkat prevalensi stunting di Indonesia masih cukup tinggi. Oleh sebab itu, pada tahun2018 pemerintah menetapkan 100 kabupaten prioritas penurunan angka stunting.Penentuan 100 kabupaten tersebut hanya didasarkan pada kriteria jumlah dan prevalensibalita stunting yang dibobot dengan tingkat kemiskinan provinsi (desa-kota). Akibatnya,akan tidak efektif apabila pemerintah memberikan alokasi APBN, APBD, dan perhatianyang merata pada 100 daerah prioritas tanpa melihat kondisi pada masing-masingkabupaten untuk indikator yang lain. Dengan demikian, diperlukan analisispengelompokan 100 kabupaten prioritas intervensi stunting pada tahun 2018 berdasarkanpada indikator-indikator yang telah ditetapkan oleh Tim Nasional PercepatanPenanggulangan Kemiskinan untuk melihat kondisi keparahan stunting. Analisispengelompokan ini diharapkan dapat dijadikan acuan bagi pemerintah dalam penentuankelompok kabupaten prioritas dan diharapkan pemerintah dapat mengambil kebijakanyang tepat sesuai dengan kondisi masing-masing kelompok. Banyaknya observasi yangdigunakan adalah 100 kabupaten prioritas intervensi stunting tahun 2018 dengan terdapatdelapan variabel numerik dan enam variabel kategorik. Adapun metode yang digunakanadalah metode Partitioning Around Medoids (PAM) dengan menggunakan Gowerdistance yang mampu menangani pengelompokan pada tipe data campuran. Hasil daripenelitian ini menunjukkan bahwa terbentuk lima kelompok kabupaten yang memilikikarakteristik masing-masing. Diperoleh bahwa Cluster 5 memiliki kondisi yang relatifpaling buruk di antara cluster lainnya untuk setiap indikator, sehingga sebaiknya menjadikelompok kabupaten prioritas pertama dalam penanganan kasus stunting. Cluster yangmenjadi prioritas kedua adalah cluster 4, prioritas ketiga adalah cluster 2, dan prioritaskeempat adalah cluster 3. Cluster 1 memiliki kondisi yang relatif paling baik di antaracluster lainnya, sehingga menjadi prioritas terakhir. Kabupaten-kabupaten yang berasaldari Provinsi Papua dan Provinsi NTT secara garis besar merupakan kabupatenkabupatenyang memiliki kondisi keparahan stunting yang buruk, dengan mayoritasmerupakan anggota cluster 2, cluster 4, dan cluster 5. Secara umum untuk lebihmeningkatkan upaya penurunan angka stunting pada 100 kabupaten prioritas, pemerintahperlu mengoptimalkan upaya penurunan angka kemiskinan, meningkatkan proporsipenduduk dengan perilaku BAB di jamban, meningkatkan akses masyarakat terhadap airbersih dan akses masyarakat terhadap sanitasi yang baik, meningkatkan jumlah posyanduper desa, dan meningkatkan ketersediaan jumlah dokter pada masing-masing kabupaten......Based on the stunting prevalence standard set by WHO, which is 20%, the stuntingprevalence rate in Indonesia is still quite high. Therefore, in 2018 the government set 100priority districts to reduce stunting rates. The determination of the 100 regencies onlybased on the criteria of the number and prevalence of stunted children weighted by theprovincial (rural-urban) poverty rate. As a result, it will be ineffective if the governmentallocates the state budget, regional budget, and equal attention to 100 priority areaswithout looking at each district’s conditions for other indicators. Therefore, an analysisof the 100 priority districts for stunting intervention needed in 2018 based on indicatorsestablished by the National Team for the Acceleration of Poverty Reduction to see thecondition of the severity of stunting. This grouping analysis expected to use as a referencefor the government in determining priority district groups and expected the governmentto take appropriate policies by each group’s conditions. The number of observations usedwas 100 priority districts for stunting intervention in 2018 with eight numerical variablesand six categorical variables. The method used is the Partitioning Around Medoids (PAM)method using a Gower distance that believed to handle grouping on mixed data types.The results of this study indicate that five district groups formed that have their respectivecharacteristics. It found that cluster 5 had the relatively worst condition among the otherclusters for each indicator, so it should be the priority group in handling stunting cases.The second priority cluster is cluster 4, the third priority is cluster 2, and the fourth priorityis cluster 3. Cluster 1 has the relatively best condition among other clusters, so it becomesthe last priority. Districts originating from Papua Province and East Nusa TenggaraProvince are generally districts that have reduced stunting severity, with the majoritybeing members of cluster 2, cluster 4, and cluster 5. In general, to further increase effortsto reduce stunting rates at 100 priority districts, the government needs to optimize effortsto reduce poverty, increase the proportion of the population with defecation behavior inlatrines, increase community access to clean water and community access to propersanitation, increase the number of posyandu per village, and increase the availability ofdoctors in each district"