Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKPendugaan Persentase Kejadian Gizi Buruk di Jawa Timur Menggunakan Model Regresi Terboboti Geografis. Provinsi Jawa Timur memiliki karakteristik 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 kabupaten/kota di Jawa Timur. Model RTG dengan menggunakan pembobot fungsi kernel kuadrat ganda lebih baik digunakan untuk memodelkan kejadian gizi buruk di Jawa Timur dibandingkan dengan regresi linear konvensional berdasarkan kriteria kebaikan model yaitu R-square, mean square error (MSE) dan Akaike information criterion (AIC).

---

The province of East Java has its characteristics that differentiate it from any other regions. Dissimilarities in characteristics of a region may encompass issues such as social, economic, cultural, parenting, education, and the environment, so as to cause the difference in the case of severe under nutrition between one region to another. Sufferers of malnutrition in one region may be linked and influenced by the surrounding regions. Therefore, we need a statistical modeling that can take into account the spatial factor. Statistical methods that can be used to analyze the data and also takes into account the spatial factor are the Geographically Weighted Regression (GWR). This study is aimed to determine the case of malnutrition models in East Java Province using GWR model with kernel adaptive bi-square weighting and comparing it to the conventional linear regression model. The data used in the study are secondary data obtained from the National Socio-Economic Survey and Basic Health Research (2010) conducted in 38 districts in East Java. Estimation is done by using the Weighted Least Squares method that provides different weighting values to each region. The result showed that there are 38 models of the malnutrition case that is different from each district in East Java. The GWR model with bi-square kernel weighting function is better in modelling the case of malnutrition in East Java compared to the conventional linear regression models that are based on the criteria of goodness that is the R- square, Mean Square Error and the Akaike Information Criterion."

"The Province of East Java has its characteristics that differentiate it from any other regions. Dissimilarities incharacteristics of a region may encompass issues such as social, economic, cultural, parenting, education, and theenvironment, so as to cause the difference in the case of severe under nutrition between one region to another. Sufferersof malnutrition in one region may be linked and influenced by the surrounding regions. Therefore, we need a statisticalmodeling that can take into account the spatial factor. Statistical methods that can be used to analyze the data and alsotakes into account the spatial factor are the Geographically Weighted Regression (GWR). This study is aimed todetermine the case of malnutrition models in East Java Province using GWR model with kernel adaptive bi-squareweighting and comparing it to the conventional linear regression model. The data used in the study are secondary dataobtained from the National Socio-Economic Survey and Basic Health Research (2010) conducted in 38 districts in EastJava. Estimation is done by using the Weighted Least Squares method that provides different weighting values to eachregion. The result showed that there are 38 models of the malnutrition case that is different from each district in EastJava. The GWR model with bi-square kernel weighting function is better in modelling the case of malnutrition in EastJava compared to the conventional linear regression models that are based on the criteria of goodness that is the Rsquare,Mean Square Error and the Akaike Information Criterion.Pendugaan Persentase Kejadian Gizi Buruk di Jawa Timur Menggunakan Model Regresi Terboboti Geografis.Provinsi Jawa Timur memiliki karakteristik wilayah yang berbeda. Perbedaan karakteristik wilayah dapat berupa masalahsosial, ekonomi, budaya, pola asuh, pendidikan, dan lingkungan, sehingga dapat menyebabkan adanya perbedaankejadian balita gizi buruk antara wilayah satu dengan wilayah lainnya. Penderita gizi buruk dari satu wilayah didugadipengaruhi oleh wilayah sekitarnya. Oleh karena itu, diperlukan suatu pemodelan statistik dengan memperhitungkanfaktor spasial. Metode statistik yang dapat digunakan untuk menganalisis data dengan memperhitungkan faktor spasialadalah regresi terboboti geografis (RTG). Penelitian ini bertujuan untuk menentukan model kejadian gizi buruk diProvinsi Jawa Timur menggunakan model RTG dengan pembobot kernel adaptif kuadrat ganda dan membandingkanmodel RTG dengan model regresi linear konvensional. Data yang digunakan adalah data sekunder dari survei sosialekonomi 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 denganmemberikan pembobot yang berbeda untuk setiap wilayah. Hasil penelitian diperoleh terdapat 38 model kejadian giziburuk yang berbeda untuk setiap kabupaten/kota di Jawa Timur. Model RTG dengan menggunakan pembobot fungsikernel kuadrat ganda lebih baik digunakan untuk memodelkan kejadian gizi buruk di Jawa Timur dibandingkan denganregresi linear konvensional berdasarkan kriteria kebaikan model yaitu R-square, mean square error (MSE) dan Akaikeinformation criterion (AIC)."

"Data hitung merupakan contoh data diskrit non negatif yang sering dijumpai di penerimaan data. Analisis yang biasa digunakan dalam pemodelan data hitung adalah Analisis regresi poisson, dimana salah satu asumsi dari regresi ini adalah equidispersion yaitu ketika mean dan varians datanya sama. Namun dalam praktiknya, keadaan overdispersi lebih umum daripada equidispersion. Data berpengalaman Overdispersi ini tentunya membutuhkan penanganan khusus untuk dapat dianalisis. Model Regresi yang dapat menangani masalah dispersi berlebih ini adalah model Quasi-regresi. Poisson, dimana model ini memperhitungkan elemen parameter dispersi penyebabnya varians data tidak sama dengan mean. Metode yang digunakan dalam penilaian Parameter dari model regresi Quasi-Poisson adalah Maximum Quasi-Likelihood yang bukan perhatikan secara khusus bentuk distribusi variabel respon. Perhitungan numerik yang digunakan dalam penelitian ini adalah Newton Raphson setara dengan Iterative Weighted Least Square (IWLS). Tujuan dari penelitian ini adalah dengan mengaplikasikan metode estimasi Maximum Quasi-Likelihood dalam melakukan estimasi Parameter regresi Quasi-Poisson. Hasil studi kasus pada data yang bermasalah pada di atas menunjukkan bahwa, dalam kasus penyebaran berlebih, metode regresi Quasi-Poisson Kemungkinan Kuasi Maksimum menyajikan model yang lebih baik daripada Regresi Poisson.Calculated data is an example of non-negative discrete data that is often found in data reception. The analysis commonly used in calculating data modeling is regression analysis, where one of the assumptions of this regression is equidispersion, which is when the mean and variance of the data are the same. In practice, however, the overdispersion state is more generally equidispersion. Experienced data. This overdispersion certainly requires special handling to be analyzed. A regression model that can address this excess dispersion problem is a Quasi-regression model. Poisson, where this model takes into account the dispersion parameter because the variance of the data is not the same as the mean. The method used in the sample The parameter of the Quasi-Poisson regression model is the Maximum Quasi-Likelihood which is not a specific form of the distribution of the response variable. The numerical calculation used in this study is Newton Raphson equivalent to the Iterative Weighted Least Square (IWLS). The purpose of this study is to apply the Quasi-Likelihood Maximum method in estimating Quasi-Poisson regression parameters. The results of the case study on the problematic data above show that, in case of excess spread, the Quasi-Poisson regression method of Quasi-Maximum Likelihood presents a better model than Poisson Regression."