Pemodelan Geographically Weighted Logistic Regression pada Kasus Stunting di Indonesia = Geographically Weighted Logistic Regression Modeling on Stunting Cases in Indonesia
Faisal Khafie Alam;
Yekti Widyaningsih, supervisor; Siti Nurrohmah, supervisor; Dian Lestari, examiner; Saskya Mary Soemartojo, examiner
(Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2020)
|
|
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. |
 S-Faisal Khafie Alam.pdf :: Unduh
|
| No. Panggil : | S-Pdf |
| Entri utama-Nama orang : | |
| Entri tambahan-Nama orang : | |
| Entri tambahan-Nama badan : | |
| Subjek : | |
| Penerbitan : | Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2020 |
| Program Studi : |
| Bahasa : | ind |
| Sumber Pengatalogan : | LibUI ind rda |
| Tipe Konten : | text |
| Tipe Media : | computer |
| Tipe Carrier : | online resource |
| Deskripsi Fisik : | xvii, 91 pages : illustration ; appendix |
| Naskah Ringkas : | |
| Lembaga Pemilik : | Universitas Indonesia |
| Lokasi : | Perpustakaan UI |
| No. Panggil | No. Barkod | Ketersediaan |
|---|---|---|
| S-Pdf | 14-22-67690728 | TERSEDIA |
| Ulasan: |
| Tidak ada ulasan pada koleksi ini: 20509591 |
