ABSTRAK
Kartu Menuju Sehat (KMS) merupakan alat yang digunakan untuk memantau tumbuh kembang balita
dimana KMS ini merupakan modifikasi WHO-NCHS. Disisi lain, KMS yang saat ini digunakan di Indonesia
kurang menggambarkan pola pertumbuhan balita khususnya di Jawa Timur. Berdasarkan kurva
pertumbuhan balita di Propinsi Jawa Timur terdapat perubahan pola pada batas usia tertentu dan juga
varian error yang tidak konstan. Dalam Hal ini spline terbobot merupakan pendekatan yang sesuai untuk
memodelkan pertumbuhan balita di Jawa Timur. Dari analisis regresi spline terbobot diketahui bahwa
perubahan pola pertumbuhan balita di Jawa Timur terjadi pada usia 6 bulan dan 13 bulan pertama. KMS
yang dirancang dengan pendekatan regresi spline terbobot mempunyai nilai R2>99 % untuk setiap nilai
persentil, sehingga KMS rancangn ini dapat dikatakan baik dalam menggambarkan pola pertumbuhan balita
di Propinsi Jawa Timur. KMS yang dirancang dengan pendekatan regresi spline terbobot ini memiliki
standar evaluator yang lebih rendah dari pada KMS yang digunakan di Indonesia saat ini.
Kata kunci : KMS, Kurva, Spline, Model, Rancangan.
1
alternatif adalah dengan menggunakan pendekatan nonpa- berdasarkan titik knot optimum yaitu berapa banyak titik
rametrik dimana metode nonparametrik ini tidak mengacu knot dan dimana letak titik-titik knot tersebut.
pada suatu bentuk fungsi kurva tertentu (Hardle, 1990).
Secara umum bentuk persamaan nonparametrik digam- 5. Pemilihan λ Optimal
barkan sebagai berikut (Wahba, 1985): Parameter λ merupakan pengontrol keseimbangan antara
Yi = f(ti) + εi, i = 1,…,n (1) kesesuaian kurva terhadap data dan kemulusan kurva
(Eubank, 1988). Memasangkan nilai λ yang sangat kecil
dengan yi variabel respon ke-i, f(ti) fungsi nonparametrik, atau besar akan memberikan bentuk fungsi penyelesaian
dan εi residual random yang diasumsikan berdistribusi yang sangat kasar atau sangat mulus (Eubank, 1988),
independen dengan mean nol dan varians σ2. Lebih lanjut sehingga perlu didapatkan λ yang optimal. Salah satu
f(ti) merupakan kurva regresi yang bentuknya tidak metode pemilihan parameter penghalus yang banyak
diketahui. dikembangkan adalah Generalized Cross Validation
(GCV). Metode ini dikembangkan oleh Craven dan
3. Spline Dalam Regresi Nonparametrik Wahba (1979) , Wahba (1985), Li (1986), Kohn dkk
Spline merupakan model polinomial yang (1991), dan Budiantara (1999). Pada model regresi spline
tersegmen. Sifat tersegmen inilah yang memberikan terbobot kriteria GCV didefinsikan sebagai berikut
fleksibilitas yang lebih baik daripada model polinomial (Budiantara, 1999).
biasa. Sifat ini memungkinkan model regresi spline
menyesuaikan diri secara efektif terhadap karakteristik #$%
GCVλ = (4)
lokal dari data. Secara umum, fungsi spline berorde (m-1) &'( )*+,- ./
dengan titik-titik knot S1,S2,..Sk adalah sebarang fungsi
yang dapat disajikan dalam bentuk (Eubank, 1988). 12 3-2 /
= n-1
0
(5)
& )*+,- ./
'(
S(t) =
(2)
dengan : A = "! "! "! "!
W = Matrik diagonal bobot yang berukuran nxn.
(t- Sj)m-1 , jika t ≥ Sj
dengan
= sehingga diperoleh persamaan GCV sebagai berikut.
0 , jika t < Sj
5
1 4,- ,-
GCVλ = n- (6)
α dan δ adalah konstanta real dan S1, S2,…,Sn adalah titik &'( )*+,- ./
knot
664 (7/ ,- 66/
= n-1 (7)
4. Estimasi Parameter Regresi Spline &'( )*+,- ./
Anggap ada n pengamatan
yang
memenuhi persamaan yi = f(ti) + εi dimana f(t) adalah Nilai λ yang optimum berkaitan dengan nilai GCV yang
sebuah fungsi regresi yang tidak diketahui dan residual (e) minimum.
diasumsikan independen dengan varian konstan σ2.
Fungsi f(t) dapat dimodelkan dengan (m-1) derajat 6. Estimasi Bobot
penalized spline dan basis potongan polinomial sebagai Ada dua macam cara mendapatkan estimasi bobot.
berikut (Lee dan Yao, 2008). pertama dengan coba-coba (trial residual). Sistem trial
error ini adalah mendapatkan bobot dengan menggunakan
S(t) =
fungsi prediktornya (Montgomery dan peck,1982).
dengan {S1,…,Sj} adalah kombinasi knot dan fungsi (t)+ Namun demikian sulit untuk menemukan bobot yang
didefinisikan sebagai maksimum (t,0). Dugaan fungsi optimal karena banyaknya kombinasi dari fungsi
kurva f(t) dapat diperoleh melalui estimasi koefisien α = prediktor. Cara kedua adalah dengan estimasi
(α0,…, α m-1), δ = dengan y = menggunakan Moving Average (Silverman, 1985).
Metode estimasi dengan ini adalah dengan mengambil
1 …
…
persamaan.
X=
1 …
…
08 9 : ; <
@
= >?
@
(8)
Estimator spline dalam regresi nonparametrik memiliki dimana: mi = Max (1,i-k) ; i = 1,2,…,n
sifat fleksibilitas yang tinggi dan kemampuan mengesti- ni = Min(n,i+k) ; i = 1,2,…,n
masi perilaku data yang cenderung berbeda pada interval k = Jumlah Parameter
yang berlainan (Eubank, 1988). Untuk menda-patkan nilai r*j= Bobot LMA atau GMA.
taksiran parameter dapat diperoleh dengan:
! = "! "! "! "! D
@E( C@ 1@ 3- )@
/
AB ? = (9)
= Aλ y (3) )*F!
Jika ingin mengestimasi kurva regresi nonparametrik Persamaan untuk Local Moving Average (LMA)
dengan pendekatan regresi spline, maka secara teoritis (7/
D
@E( C@ 1@ 3- )@
dapat dilakukan dengan mencari model spline terbaik ri* = (10)
GF@@ !(7/
2
Persamaan untuk General Moving Average (GMA) dengan:
(7/ LK = Koefisien regresi antara |e| terhadap variabel
D
@E( C@ 1@ 3- )@
ri* = (11) prediktor.
G '( )*F!(7/
Daerah penolakan :
Penggunaan bobot LMA atau GMA masing-masing Tolak H0 jika thit > ttabel.
mempunyai kelebihan dan kekurangan. Untuk mengatasi
kasus heteroskedastisitas yaitu varian residual tidak 7.3. Distribusi Normal
homogen, GMA dapat mengatasi lebih signifikan. Disisi Uji asumsi kenormalan residual yang digunakan
lain LMA juga mempunyai kelebihan selain dapat adalah dengan menggunakan uji kenormalan Kolmogorov
mengatasi heteroskedastisitas juga memberikan nilai Smirnov sebagai berikut (Kvam dan Vidakovic, 2007).
GCV yang lebih minimum. Hipotesis :
H0 : F (x) = F0 (x) ( residual berdistribusi normal)
7. Pemeriksaan Asumsi Residual H1 : F (x) ≠ F0 (x) ( residual tidak berdistribusi normal)
7.1. Independen
Autokorelasi dapat diartikan sebagai korelasi Statistik Uji :
sisaan yang satu (εi) dengan sisaan lainnya (εj). Penyebab M 9
NO6
P 6 (14)
utama terjadinya autokorelasi adalah ada variabel penting dengan :
yang tidak digunakan dalam model. Pengujian untuk S (x) = fungsi peluang kumulatif
mendeteksi korelasi serial yang dikembangkan oleh F0(x) = fungsi peluang kumulatif distribusi normal
statistik Durbin dan Watson yang dikenal sebagai statistik atau fungsi distribusi yang dihipotesiskan
d Durbin-Watson, yang didefinisikan sebagai (Gujarati, F (x) = fungsi distribusi yang belum diketahui
2004):
Hipotesis Daerah penolakan :
H0 : Tidak ada korelasi antar sisaan Tolak H0 apabila Duji > D1-α,n
H1 : Ada korelasi antar sisaan
8. Kartu Menuju Sehat
Statistik Uji David Morley merupakan pelopor yang menggu-
D
IE/HI HI'(
/
d= (12) nakan kartu pertumbuhan anak yang disebut road to
D /
IE/ HI health chart pada tahun 1975 di desa Imesi, Nigeria
(Narendra,dkk, 2002). Kartu ini merupakan kurva berat
Pengambilan keputusan mengenai ada tidaknya badan anak berusia 0–5 tahun terhadap umurnya. Karena
autokorelasi: kelengkapan kartu tersebut untuk kesehatan balita, maka
1. Jika hipotesis nol (H0) adalah tidak ada korelasi serial disebut kartu menuju sehat. UNICEF menyatakan kartu
positif, maka apabila KMS sebagai komponen integral untuk layanan kesehatan
d < dL = Tolak H0 primer yang sangat bermanfaat bagi negara-negara
d > dU = Gagal tolak H0 berkembang.
dL < d ≤ dU = Pengujian tidak meyakinkan (tidak Menurut Morley pertumbuhan balita dapat diamati
dapat diputuskan untuk menolak atau tidak menolak dengan cara menimbang balita secara teratur setiap bulan
H 0) kemudian mencocokannya dengan KMS. Acuan baku
2. Jika hipotesis nol (H0) adalah tidak ada korelasi serial yang digunakan pada KMS Morley adalah presentil sesuai
negatif, maka apabila dengan International Childern’s Center UK Study yaitu
d > 4- dL = Tolak H0 garis atas adalah persentil ke-50 berat badan laki-laki.
d < 4- dU = Gagal Tolak H0 Sedangkan garis bawah merupakan persentil ke-3 berat
4- dU ≤ d ≤ 4- dL = Pengujian tidak meyakinkan badan balita perempuan. Pertumbuhan balita yang baik,
(tidak dapat diputuskan untuk menolak atau tidak akan mengikuti arah lengkungan garis pada KMS. Pada
menolak H0) balita yang sehat, setiap bulan berat badan anak
bertambah mengikuti pola garis hijau atau pindah ke pola
7.2. Identik warna di atasnya.
Identik yaitu varian residual homogen artinya
pada nilai variabel bebas berapapun variannya konstan 9. Sumber Data
yakni σ2. Jika variannya berbeda-beda atau bervariasi, Data yang digunakan adalah data sekunder yang
berarti terjadi heteroskedastisitas. Pengujian secara diperoleh dari Dinas Kesehatan Propinsi Jawa Timur
statistik dilakukan dengan menggunakan uji Glejser. tentang umur dan berat badan balita yang direkap pada
Setelah mendapatkan residual ei dari OLS, maka untuk setiap Posyandu di 38 (tiga puluh delapan) kabupaten
melakukan uji glejser yaitu dengan meregresikan variabel /kota yang ada di Propinsi Jawa Timur mulai bulan
X terhadap nilai absolut dari ei. Januari sampai dengan Desember 2010.
Hipotesis 10. Variabel Penelitian
H0 : Residual homogen Variabel-variabel yang digunakan dalam
H1 : Residual tidak homogen penelitian ini adalah sebagai berikut:
Statistik Uji: 1. Variabel respon (y) : Berat badan balita (kg)
JK
t= (13) 2. Variabel Prediktor (t) : Usia balita (bulan)
$%JK
3
11. Langkah Analisis
Berdasarkan tujuan penelitian disusun tahap- Scatterplot of Berat Badan (Kg) vs Usia (Bulan)
tahap analisis sebagai berikut :
15.0
Tahap 1 Mendapatkan model regresi spline terbobot
terbaik dari data berat badan balita di Jawa Timur
12.5
4
adalah model regresi spline orde 2 (kuadratik) dengan 3 Setelah didapatkan model spline terbobot terbaik, maka
kombinasi titik knot yaitu S1=7 S2=20 dan S3=23 dengan tahap selanjutnya adalah melakukan diagnostic checking
nilai GCV sebesar 0,0069. terhadap residual data, untuk mengetahui apakah residual
telah memenuhi asumsi IIDN sebagai berikut.
14. Diagnostic Checking Tabel 4 Hasil pengecekan asumsi residual spline terbobot
Setelah didapatkan model spline original (tanpa Asumsi Statistik Hitung Statistik Tabel
bobot) terbaik, maka selanjutnya adalah dilakukan Identik t hitung = 1,784 (t0.025,59) = 2,001
diagnostic checking terhadap residual data, untuk dU(4,61) = 1,728
mengetahui apakah residual telah memenuhi asumsi IIDN 4-dU = 2,272
adalah sebagai berikut. Independen d = 1,97718
Tabel 2 Hasil pengecekan asumsi residual spline original dL(4,61) = 1,449
Asumsi Statistik Hitung Statistik Tabel 4-dL = 2,551
Identik t hitung = 2,524 (t0.025,59) = 2,001 Distribusi Normal Duji = 0,083 D0.95, 60 = 0,172
dU(5,61) = 1,767
4-dU = 2,233 Tabel 4 menunjukkan bahwa model spline
Independen d = 2,1163 terbobot kuadratik dengan 2 titik knot yaitu S1 = 6 dan
dL(5,61) = 1,414 S2 = 13 telah memenuhi asumsi IIDN.
4-dL = 2,586
Distribusi Normal Duji = 0,094 D0.95, 60 = 0,172 16. Uji Signifikansi Parameter Model Regresi
Spline Terbobot
Berdasarkan pengecekan asumsi residual pada Uji signifikansi parameter digunakan untuk
Tabel 3 terdapat 1 asumsi yang dilanggar yaitu residual mengetahui apakah parameter dari model yang telah
tidak identik. Untuk menyelesaikan kasus residual tidak dibangun berpengaruh atau tidak. Terdapat 2 pengujian
identik maka dalam estimasi parameter dapat digunakan signifikansi parameter, yaitu pengujian secara serentak
suatu bobot tertentu. (uji-F) dan pengujian secara individu (uji-t).
B = β0 + β1 x + β2 x2 + β3 (x – 6)+2 + β4 (x – 13)+2
B = 3,4608 + 0,9886x – 0,0552x2 + 0,0431 (x – 6)+2 Plot Berat Badan Balita Propinsi Jawa Timur
+ 0,0116 (x – 13)+2 Untuk Setiap Nilai Persentil
3,4608 + 0,9886 x – 0,0552 x2 <6 Gambar 4 Plot Berat Badan Balita Untuk Setiap Nilai Persentil
B = 5,0124 + 0,4714 x – 0,0121 x2 6≤ x < 13
6,9728 + 0,1698 x – 0,0005 x2 ≥ 13 Gambar 4 menunjukkan pola persebaran berat
badan balita di Jawa Timur yang diwakili oleh nilai-nilai
Terdapat 3 model regresi spline untuk masing- persentil ke-3, 5, 10, 25, 35, 50, 65, 75, 90, 95 dan 97.
masing potongan atau segmen. Model spline untuk berat Terlihat bahwa pola pertumbuhan berat badan balita di
badan balita di Jawa Timur sebelum usia 6 bulan adalah Jawa Timur cenderung berubah pada sekitar usia 6 bulan
3,4608 + 0,9886 x – 0,0552 x2 dan model spline terbobot pertama, dan semakin usianya mendekati 60 bulan, maka
ketika usia balita antara 6 sampai dengan sebelum 13 variasi berat badan balita di Jawa Timur semakin besar.
bulan bulan adalah 5,0124 + 0,4714 x – 0,0121 x2 Berikut adalah model regresi spline terbobot
sedangkan model spline terbobot untuk balita yang orde 2 dengan kombinasi 2 titik knot untuk masing-
berusia lebih dari 13 bulan adalah 6,9728 + 0,1698 x – masing persentil.
0,0005 x2.
Berikut adalah plot model regresi spline terbobot BQ = 2,1967 + 0,7896 x – 0,0330 x2 + 0,0321 (x – 11)+2 +
orde 2 dengan kombinasi 2 titk knot S1 = 6 dan S2 = 13. 0,0021 (x – 29)+2
Gambar 3 Plot spline terbobot kuadratik dengan titik knot S1 =6 BSR = 3,6866 + 1,0827 x – 0,0707 x2 + 0,0587 (x – 5)+2 +
dan S2 = 13 0,0116 (x – 13)+2
17. Rancangan Kartu Menuju Sehat (KMS) BTR = 3,8640 + 1,0986 x – 0,0682 x2 + 0,0509 (x – 8)+2 +
Rancangan KMS yang akan dibangun terdiri dari 0,0167 (x – 14)+2
nilai-nilai persentil dari data berat badan balita di Propinsi
Jawa Timur, yaitu persentil ke-3, 5, 10, 25, 35, 50, 65, 75, BU = 4,2381 + 1,3866 x – 0,1186 x2 + 0,1056 (x – 6)+2 +
90, 95 dan 97. Masing-masing persentil dilakukan pemo- 0,0126 (x – 12)+2
delan dengan regresi spline terbobot kuadratik kombinasi
2 titik knot. Berikut merupakan plot persebaran untuk BUR = 4,3490 + 1,7128 x – 0,1939 x2 + 0,1745 (x – 11)+2–
masing-masing persentil. 0,0190 (x –39)+2
6
Tabel 7 Nilai R2 Untuk Setiap Nilai Persentil direvisi berdasarkan Standar Antropometri WHO 2005,
Persentil R2 sehingga KMS yang digunakan di Indonesia saat ini
3 99,45 % adalah KMS standar baru dari WHO 2005, KMS ini
5 99,67 % dirancang dengan mengembangkan data dari beberapa
10 99,73 % Negara di Asia diantaranya adalah Indonesia, Srilangka,
25 99,89 % Bangladesh dan Maldivesini dimana negara-negara terse-
35 99,85 % but mempunyai pola pertumbuhan balita yang relatif
50 99,93 % sama. Berikut adalah KMS yang digunakan di Indonesia
65 99,91 % saat ini.
75 99,90 %
90 99,74 %
95 99,71 %
7
sedangkan pada KMS rancangan berada pada interval 9,5 metrik dan Semiparametrik: Sebuah Pemodelan
sampai dengan 10,6 Kg. Untuk berat badan balita dengan Statistika Masa Kini dan Masa Mendatang. Pidato
resiko kelebihan gizi (zona kuning atas) pada KMS yang pengukuhan untuk jabatan guru besar dalam
saat ini digunakan berada pada interval 16 sampai dengan bidang Matematika Statistika dan Probabilitas,
17,5 Kg, sedangkan pada KMS rancangan berada pada Jurusan Statistika FMIPA, ITS, Surabaya.
interval interval 14,9 sampai dengan 15,8 Kg. Budiantara, I.N, dan Purnomo, J.D.T. (2010). Model
Berdasarkan perbandingan visual antara KMS Regresi Nonparametrik Spline Terbobot dan
pada Gambar 7 juga dapat diketahui bahwa berat badan Aplikasinya Dalam Merancang KMS. Laporan
balita usia 0-6 bulan pada KMS rancangan berada lebih Penelitian Guru Besar, Jurusan Statistika FMIPA,
tinggi dari pada KMS Indonesia. Hal ini diakibatkan oleh ITS, Surabaya.
banyaknya ibu yang masih kurang paham akan Craven, P dan Wahba, G. (1979). Smoothing Noisy
pentingnya pemberian ASI eksklusif, sehingga banyak Data With Spline Function: Estimating The
balita di Jawa Timur yang diberi susu formula. Hal ini Correct Degree of Smoothing by The Method of
menyebabkan berat badan balita lebih cepat meningkat Generalized Cross Validation. Numer. Math. , 31,
pada sekitar usia tersebut (adingingsih, 2010). 377-403.
Dinas Komunikasi dan Informatika Propinsi Jawa
19. Kesimpulan Timur. (2011). Rendahnya Daya Beli Pengaruhi
Berdasarkan analisis yang telah dilakukan, maka Terjadinya Gizi Buruk Di Pamekasan. Diakses
dapat diambil beberapa kesimpulan antara lain: pada 3 Mei 2011, dari Media Jatim Menuju E-
Government: jatimprov.go.id
1. Model regresi spline terbobot terbaik yang Eubank, R.L. (1988). Nonparametric Regression And
mengGambarkan hubungan antara berat badan Spline Smoothing. New York: Marcel Dekker,Inc.
terhadap usia balita di propinsi Jawa Timur dapat Gujarati, D. (2004). Basic Econometric. New York: The
dibagi menjadi tiga segmen yaitu, McGraw-Hill Companies.
Hardle, W. (1990). Applied Nonparametric Regession.
3,4902 + 0,9763 x – 0,0540 x2 <6 Cambridge: Cambridge University Press.
B = 4,9950 + 0,4747 x – 0,0122 x2 6≤ x < 13 Kohn, R.dkk. (1991). Performance of Cross Validation
6,9723 + 0,1705 x – 0,0005 x2 ≥ 13 and Maximum Likelihood Estimators of Spline
Smoothing Parameters. Journal of The American
2. Rancangan Kartu Menuju Sehat (KMS) yang telah Statistical Association , 86, 1042-1050.
dirancang dengan pendekatan regresi spline terbobot Kvam, P. H., dan Vidakovic, B. (2007). Nonparametric
mempunyai nilai R2=99,77%, sehingga KMS Statistics with Applications to Science and
rancangan ini dapat dikatakan baik dalam menggam- Engineering. New Jersey: John Wiley & Sons.
barkan pola pertumbuhan balita di propinsi Jawa Lee C. M. dan Fang Yao. (2008). On Knot Placement
Timur. for Penalized Spline Regression. Department of
Statistics, University of Toronto Canada.
3. Hasil perbandingan KMS yang digunakan di Li, K.C. (1986). Asymtotic Optimality of Cl and
Indonesia saat ini dengan rancangan KMS dengan Generalized Cross Validation in Ridge Regression
pendekatan regresi spline adalah bahwa KMS With Application to Spline Smoothing. Ann.Statist
dengan pendekatan spline terbobot memiliki standar , 14, 1101-1112.
evaluator yang lebih rendah daripada KMS yang Montgomery, D., & Peck, E. (1982). Introduction to
digunakan di Indonesia saat ini. Linear Regression Analysis. New York: John
Wiley & Son.
Narendra, M., Sularyo, T., Suyitno, H., & Ranuh, I.
19. Saran
(2002). Tumbuh Kembang Anak dan Remaja.
Petugas posyandu yang mencatat data berat
Jakarta: CV. Sagung Seto.
badan balita di Jawa Timur memiliki tingkat
Silverman, B.W. (1985). Some Aspect of The Spline
ketrampilan yang berbeda. Disamping itu petugas yang
Smoothing Approach to Nonparametric Regression
mengentri data kekomputer berbeda dengan petugas
Curve Fitting (With Discussion). Journal of The
yang mencatat dilapangan, sehingga ada kemungkinan
Royal Statistical Society, ser B , 47, 1-52.
perbedaan informasi data. Oleh karena itu sebelum data
Siswono. (2010). Kasus Gizi Buruk : Empat Propinsi
digunakan dalam analisis sebaiknya di screening atau
Tak Pernah Absen. Diakses pada 3 Mei 2011, dari
diteliti terlebih dahulu apakah terdapat data yang tidak
Indonesian Nutrition Network: http://gizi.net
lazim (salah dalam proses pengentrian/pencatatan) agar
Subanar, dan Budiantara, I.N. (1999). Weighted Spline
didapatkan hasil analisis yang akurat.
Estimator in a Partially Linear Models, Proceeding
of the SEAMS-GMU. International Conference
20. Daftar Pustaka
1999 on Mathematics and Its Applications , 61-70.
Budiantara, I.N. (1999). Estimator Spline Terbobot
Wahba, G. (1985). A Comparison of GCV and GML for
Dalam Regresi Semiparametrik. Majalah Ilmu
Choosing the Smoothing Parameter in the
Pengetahuan dan Teknologi , 10, 103-109.
Generalized Spline Smoothing Problem. Journal
Budiantara, I.N. (2009). Spline dalam Regresi Nonpara-
the Annals of Statistics , 13, 1378-1402 .