PENDUGAAN PERSENTASE KEJADIAN GIZI BURUK DI JAWA TIMUR

MENGGUNAKAN MODEL REGRESI TERBOBOTI GEOGRAFIS (RTG)

Ida Mariati Hutabarat

Program Studi Matematika
Jurusan Matematika, FMIPA, Universitas Cenderawasih
E-mail: ida_mariati@yahoo.com

Abstrak
Provinsi Jawa Timur memiliki karakeristik 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 kab/kota di Jawa Timur. Model RTG dengan menggunakan pembobot fungsi kernel
kuadrat ganda lebih baik digunakan untuk memodelkan kejadian gizi buruk di Jawa Timurdibandingkan dengan regresi
linear konvensional berdasarkan kriteria kebaikan model yaitu R-square, Mean Square Error (MSE) dan Akaike
Information Criterion (AIC).
Kata Kunci: pendugaan persentase, gizi buruk, model regresi terboboti geografis.

26
1. Pendahuluan Penderita gizi buruk dari satu
Angka penderita gizi buruk di Indonesia wilayah diduga dapat dipengaruhi oleh
masih cukup tinggi.Pada tahun 2010, wilayah sekitarnya. Kondisi geografis,
jumlahnya mencapai 17.9 persen. Pada sosial budaya dan ekonomi tentunya akan
tahun 2015 pemerintah berupaya untuk berbeda antara wilayah yang satu dengan
menurunkan hingga menjadi 15,1 persen wilayah yang lain, sehingga diperlukan
sesuai dengan target Millenium suatu metode pemodelan statistik dengan
Development Goals (MDGs). Berdasarkan memperhitungkan faktor spasial. Literatur
Badan Penelitian dan Pengembangan yang berkaitan dengan masalah spasial
Kesehatan, beberapa provinsi tercatat telah banyak dikembangkan, antara lain
memiliki jumlah penderita gizi buruk yang spatial analysis of variance[2], model
cukup tinggi.Provinsi Jawa Timur dengan perubahan sruktural untuk data
menempati urutan pertama dengan 14.720 spasial yang diskrit [3], model spatial
kasus dan tingkat prevalensi gizi buruk adaptative filtering [4] yang digunakan
tertinggi sebesar 4.8 persen antar provinsi di untuk data spasial yang kontinu antar
Pulau Jawa [1]. spacenya. Model terakhir merupakan
Berbagai upaya telah dilakukan oleh pengembangan dari model regresi
pemerintah, khususnya Dinas Kesehatan, nonparametrik di mana parameter setiap
baik pendekatan strategis maupun wilayah diestimasi menggunakan klaribasi
pendekatan taktis.Pendekatan strategis yaitu model. Karena mengalami kesulitan dalam
berupaya mengoptimalkan operasional proses kalibrasi model dalam mengestimasi
pelayanan kesehatan terhadap ibu hamil dan parameter maka [5] mengembangkan model
pelayanan kesehatan balita diantaranya untuk data spasial yang tidak stasioner yang
pengoptimalan fungsi posyandu.Pendekatan diberi nama model Regresi Terboboti
taktis merupakan upaya antisipasi Geografis (RTG) Geographically Weighted
meningkatnya prevalensi balita gizi buruk Regression (GWR).
serta upaya penurunannya melalui berbagai Metode Regresi Terboboti Geografis
kajian atau penelitian yang berkaitan (RTG) relatif lebih mudah dalam
dengan balita gizi buruk. perhitungan dan lebih efektif dari metode
lainnya [6]. Pada bidang kesehatan

27
beberapa penelitian yang telah dilakukan tersebut diamati. Berbeda dengan regresi
pada model RTG,[7]menggunakan model linear yang konvensional, nilai parameter
RTG untuk mengetahui faktor-faktor yang diasumsikan sama untuk semua titik
mempengaruhi tingkat kemiskinan makanan wilayah pengamatan, sehingga penduga
(food poverty). [8] menggunakan metode parameter yang dihasilkan juga bersifat
RTG untuk mengetahui hubungan antara tunggal dan diberlakukan untuk semua
tingkat kemiskinan dengan pertumbuhan wilayah.
ekonomi dan kebijakan pemerintah. Provinsi Jawa Timur memiliki
Matriks pembobot yang digunakan dalam karakeristik wilayah yang berbeda,
RTG berdasarkan posisi atau jarak satu sehingga dapat menyebabkan adanya
wilayah pengamatan dengan wilayah perbedaan kejadian balita gizi buruk antara
pengamatan yang lain. Semakin dekat wilayah satu dengan wilayah
suatu wilayah bobot pengaruhnya akan lainnya.Perbedaan karakteristik wilayah
semakin besar. dapat berupa masalah sosial, ekonomi,
Model RTG merupakan budaya, pola asuh, pendidikan, dan
pengembangan dari model regresi global lingkungan.Oleh karena itu, diperlukan
dimana ide dasarnya diambil dari regresi suatu pemodelan statistik dengan
nonparametrik [9].Model ini merupakan memperhitungkan faktor spasial. Tujuan
model regesi linear lokal (locally linier penelitan ini adalah menentukan model
regression) yang menghasilkan penduga kejadian gizi buruk di Provinsi Jawa Timur
parameter model yang bersifat lokal untuk menggunakan modelregresi terboboti
setiap titik atau wilayah dimana data geografisdengan pembobot kernel adaptif
tersebut dikumpulkan.Parameter model kuadrat ganda.
RTG dihitung pada setiap wilayah
pengamatan, sehingga setiap wilayah 2. Metode Penelitian
pengamatan mempunyai nilai parameter a. Data Penelitian
regresi yang berbeda-beda. Peubah respon Data yang digunakan dalam penelitian
dalam model RTGmerupakan peubah acak ini adalah data sekunder yang telah
kontinu diprediksi dengan peubah penjelas dikumpulkan oleh BPS, yaitu data survei
yang masing-masing koefisien regresinya sosial ekonomi nasional (SUSENAS) dan
bergantung pada wilayah dimana data Riset Kesehatan Dasar pada 38

28
kabupaten/kota yang ada di Jawa Timur Persentase pengeluaran perkapita untuk
tahun 2010. Selain itu juga data mengenai makanan sebulan (X4), Persentase jumlah
letak astronomi (letak lintang dan bujur) Posyandu (X5), Persentase Balita dalam
tiap kab/kota. Pada penelitian ini unit pemberian ASI eksklusif (X6).
observasi yang digunakan adalah kab/kota b. Metode Analisis.
di Provinsi Jawa Timur. Pengumpulan data Tahapan analisis data yang dilakukan untuk
dilaksanakan bulan Juli-Agustus 2010 dari memperoleh model RTG dalam pemodelan
rumah tangga yang terpilih sebagai persentase balita gizi buruk di Provinsi Jawa
sampel.Jumlah sampel sebesar 29952 Timur adalah sebagai berikut:
rumah tangga yang tersebar di seluruh 1. Mendeskripsi data balita gizi buruk di
kabupaten/kota di Jawa timur, dengan Provinsi Jawa Timur.
jumlah sampel berkisar antara 640-1120 2. Memeriksa multikolinearitas antar peubah
rumah tangga per kab/kota. Pengumpulan penjelas menggunakan nilai VIF (Variance
data dilakukan melalui wawancara tatap Inflation Factors)
muka antara petugas survey (pencacah) 3. Mendapatkan model regresi linear antara
dengan responden yakni kepala rumah peubah respon dan peubah penjelas
tangga, suami/istri kepala rumah tangga, menggunakan metode OLS (Ordinary Least
atau anggota rumah tangga lain yang Square).
mengetahui tentang karakteristik yang 4. Melakukan uji parameter regresi linear
ditanyakan. Berdasarkan hasil sensus secara serentak menggunakan ANOVA dan
penduduk yang dilakukan BPS Jawa uji parsial menggunakan uji-t.
Timur2010, jumlah penduduk Jawa 5. Melakukan uji asumsi residual yaitu melihat
Timursebesar 39 juta jiwa [10]. ada tidaknya autokorelasi dengan uji Durbin
Peubah yang digunakan dalam Watson (DW), Uji homogenitas
penelitian ini didasarkan pada menggunakan uji Glejser, uji normalitas
penelitian[11].Peubah tersebut adalah menggunakan metode Kolmogorov-Smirnov
persentase balita gizi buruk sebagai peubah (KS).
respon (Y), Persentase rumah tangga yang 6. Melakukan uji heterogenitas spasial
dapat mengakses air bersih (X1), Persentase menggunakan uji Breusch-Pagan (BP).
Penduduk Miskin (X2), Persentase balita 7. Menentukan ui dan vi berdasarkan garis
yang mengalami penyakit infeksi (X3), lintang selatan dan garis bujur timur untuk

29
 setiap kabupaten/kota di Provinsi Jawa
Timur.
8. Menghitung jarak euclidian antar wilayah
pengamatan berdasarkan posisi geografis.
Jarak euclidian antara wilayah i yang
terletak pada koordinat ( ui , v i ) terhadap
3. Hasil dan Pembahasan
a. Hasil Penelitian
Secara umum wilayah Jawa Timur
dapat dibagi menjadi dua bagian besar,
yaitu Jawa Timur daratan dan Kepulauan
Madura. Luas wilayah Jawa Timur daratan

wilayah j yang terletak pada koordinat hampir mencakup 90% dari seluruh wilayah
Provinsi Jawa Timur, sedangkan luas
( u j , v j ) . Perhitungan ini dilakukan untuk
Kepulauan Madura hanya sekitar 10%.
seluruh wilayah pengamatan.
9. Menentukan bandwidth optimum
b. Wilayah Administrasi
berdasarkan kriteria nilai CV minimum.
Provinsi Jawa Timur terbagi menjadi 29
10.Menghitung matriks pembobot dengan
kabupaten dan 9 kota [12].
menggunakan fungsi kernel kuadrat ganda
Rata-rata persentase balita penderita gizi
i. Menduga parameter model RTG dengan
buruk di Jawa Timur pada tahun 2010
menggunakan bandwidth optimum.
adalah 4,48 % dimana persentase balita
11.Melakukan uji goodness of fit pada model
penderita gizi buruk terendah berada pada
RTG.
Kotamadya Madiun yaitu 1% sedangkan
12.Melakukan uji signifikansi parameter.
persentase balita penderita gizi buruk
13.Mendapatkan model RTG kejadian balita
tertinggi berada pada Kabupaten Sampang
gizi buruk.
yaitu 16,2%. Berdasarkan persebarannya,
14.Membandingkan hasil regresi linear dan
persentase kejadian balita gizi buruk di
RTG dengan kriteria R-Square (R2), Mean
Provinsi Jawa Timur menyebar antar
Squares Error (MSE) dan Akaike
kabupaten/kota, seperti yang disajikan pada
Information Criterion (AIC).
Gambar 1. Kategori persentase balita
Metode yang digunakan untuk
penderita gizi buruk sangat tinggi (lebih
pendugaan parameter model adalah
dari 9 persen) terjadi di Kabupaten Jember
menggunakan metode Weighted Least
dan Sampang (Gambar 1).
Squares (WLS) yaitu dengan memberikan
Pengujian asumsi multikolinearitas
pembobot yang berbeda untuk setiap
perlu dilakukan sebelum proses pemodelan
wilayah. Analisis dilakukan dengan
regresi. Kasus multikolinieritas pada model
menggunakan program R.3.0.2.

30
 regresi menyebabkan parameter regresi terjadi sebesar 0, 05 persen jika dilakukan
yang dihasilkan akan memiliki galatyang penambahan pemberian asi eksklusif (X6)
sangat besar. Kriteria untuk mengetahui sebesar satu persen dengan syarat peubah yang
adanya multikolinieritas antar peubah lain adalah konstan. Namun, peningkatan
penjelas adalah nilai VIF (Variance kejadian balita gizi buruk dapat terjadi sebesar
Inflation Factors). Tabel 1 menunjukkan 0, 18 persen jika rumah tangga miskin (X 2)
bahwa tidak terdapat korelasi antar peubah bertambah sebesar satu persen dan sebesar 0,14
prediktor karena nilai VIP semua peubah persen jika persentase balita yang mengalami
penjelas kurang dari 10. penyakit infeksi (X3) bertambah sebesar satu
persen dengan syarat peubah yang lain adalah
konstan. Interpretasi serupa berlaku untuk
setiap peubah dalam model regresi.
PAMEKASAN
TUBAN
LA MO NGA N
GRESIK
BA NG KA LAN
SA MP AN G
SU MEN EP
Pada Tabel 1 dari enam peubah
BOJON EG OR O SURABAYA

penjelas hanya satu peubah yang

NGAW I SIDO AR JO
NGA NJUK MOJO KE RTO
JOMBANG
MAD IUN
MAG ETAN PA SU RU AN SITUBONDO
PO NOROGO KE DIRI BATU PROBOLIN GGO BO ND OW OSO Keterangan variabel Y(%) :

PA CITAN
TULUN GA GU NG
BLITAR
MALA NG
LUMAJAN G
JEMB ER
< 3.9
4-8.9
>9
berpengaruh signifikan terhadap peubah
BANYUW A NG I
TRENGGALE K

respon pada α = 5%.

Tabel 1 Uji parameter model regresi

Gambar 1. Persebaran persentase balita Pend K S t- p- V

uga oe t v va I
penderita gizi buruk di Jawa Timur f d a lu P
E l e
r u
Model regresi linear yang terbentuk r e
o
menggunakan enam peubah penjelas secara r
inter -4.955 7 -0.68 0.499
bersamaan adalah sebagai berikut : sep -0.043 . -1.15 0.259 1.4
X1 0.175 2 2.48 0.019* 2.7
^
Y=-4.96-0.04 X 1 +0.18 X 2 +0.14 X 3 X2 0.138 4 1.27 0.215 1.4
X3 0.101 0 0.85 0.403 2.8
+0.10 X4 +0.21 X5 -0.05 X 6 X4 0.206 0 0.70 0.487 1.2
X5 - . -0.47 0.638 1.6
Model tersebut menjelaskan bahwa balita gizi X6 0. 0
buruk akan berkurang sebesar 0,04 persen jika 0 3
4 7
peubah rumah tangga yang dapat mengakses air 9 0
.
bersih (X1) bertambah sebesar satu persen 0
7
dengan syarat peubah yang lain adalah konstan. 0
0
Penurunan kejadian balita gizi buruk juga dapat .

31
 1 ga e e
0
ma
9
0 n
. Re 6 140. 23.442 3.77 0.006
1
gre 3 651 6.223 **
1
9 si 1 192.
0
Gal 3 913
.
2 at 7 333.
9
Tot 563
2
0 al
. Keterangan : **) signifikan pada α=1%
1
0 Pengujian sisaan tidak ada
3
autokorelasi dilakukan dengan cara melihat
Keterangan : * signifikan pada α=5%
nilai Durbin Watson. Nilai statistik Durbin
Watson-nya adalah 1.22971. Apabila
Namun hasil pengujian secara serentak
dibandingkan dengan tabel statistik uji
menggunakan analisis ragam (ANOVA),
Durbin Watson untuk α = 0,05, n = 38 dan
parameter model regresi signifikan
dengan peubah penjelas sebanyak 6
berpengaruh terhadap model dengan p-
diperoleh batas bawah (dL)= 1.146 dan batas
value sebesar 0.006 dan taraf nyata (α)
atas (dU)= 1,864 maka nilai statistik Durbin
sebesar 5% (Tabel 2). Nilai koefisien
Watson-nya berada diantara dU dan 4-dU
determinasi (R2) adalah 42,2%, yang berarti
yang berarti bahwa galattidak terjadi
bahwa model regresi dapat menjelaskan
autokorelasi.
keragaman kejadian balita gizi buruk
Uji homogenitas dilakukan dengan
sebesar 42,2% sedangkan sisanya sebesar
menggunakan uji Glejser. Uji ini diperoleh
57,8% dijelaskan oleh peubah lain diluar
dengan meregresikan nilai absolut sisaan
model.
dari model awal dengan semua peubah
penjelas yang digunakan. Hasil pengujian
Tabel 2 Analisis ragam model regresi
menunjukkan bahwa terdapat peubah yang
Su d Jum Kua F p nyata berpengaruh pada taraf signifikansi α
mb b lah drat - -
sebesar 5 persen sehingga dapat
er kua teng v v
disimpulkan bahwa dalam data terdapat
ker drat ah al al
a- u u kasus heteroskedastisitas.

32
 Uji normalitas sisaan digunakan Jawa Timur.Selanjutnya menghitung jarak
metode Kolmogorov- Smirnov euclidean berdasarkan letak geografis untuk
(KS).Asumsi ini dibutuhkan sebagai setiap kabupaten/kota di Provinsi Jawa
kesahihan dalam pengujian hipotesis Timur.Berikutnya memilih lebar jendela
model.Hasil pengujian normalitas sisaan optimum untuk setiap kabupaten/kota
didapatkan nilai KS sebesar 0,123 dan p- dengan fungsi kernel adaptif kuadrat ganda
value lebih dari 0,148.Dengan menggunakan software R 2.15.0.
menggunakan α sebesar 0.05 persen, maka Perhitungan lebar jendela ini didasarkan
sisaan memenuhi asumsi menyebar normal. pada jarak suatu wilayah dengan tetangga
Berdasarkan hasil uji Breusch- terdekat yang memberikan pengaruh
Pagan diperoleh nilai BP sebesar 9.4642, terhadap wilayah tersebut. Nilai lebar
sedangkan nilai tabel Khi-kuadrat pada taraf jendela dengan fungsi kernel kuadrat ganda
nyata (α) sebesar 10% adalah 9.24.Oleh untuk Provinsi Jawa Timur diperoleh dari
karena itu keputusan yang diambil adalah hasil iterasi 0,483 dengan CV = 204,98.
tolak H0, artinya model regresi linear Penduga parameter model RTG
memiliki efek keragaman spasial.Terjadinya diperoleh dengan memasukkan pembobot
kasus heterogenitas spasial pada data untuk setiap wilayah pengamatan dalam
persentase balita gizi buruk di Provinsi perhitungannya menggunakan metode
Jawa Timur mengindikasikan bahwa Weighted Least Squares (WLS), sehingga
parameter model regresi dipengaruhi oleh diperoleh 38 model kejadian gizi buruk
faktor wilayah pengamatan, dalam hal ini yang berbeda untuk setiap kab/kota yang
adalah letak geografis ada di Jawa Timur. Ringkasan statistik nilai
kabupaten/kota.Untuk mengatasi efek dugaan parameter model RTG dengan
keragaman spasial digunakan model regresi pembobot fungsi kernel adaftif kuadrat
lokal yaitu Regresi Terboboti Geografis ganda untuk setiap wilayah ( ui , v i ); i=¿
(RTG). 1,2,...,38 disajikan pada Tabel 3.
Langkah pertama yang dilakukan Tabel 3
untuk memperoleh model RTG adalah Ringkasan statististik Parameter Model RTG
dengan pembobot fungsi kernel adaptif kuadrat
menentukan wilayah pengamatan dalam hal ganda
ini adalah letak geografis (longitude dan
latitude) tiap kabupaten/kota di Provinsi Pe Nilai Koefisien Parameter
M K Me K M

33
uba i ua dia ua a 8
h n rti n rti x Pengujian kesesuaian model RTG dilakukan
l1 l3 dengan menggunakan selisih jumlah kuadrat
int - - -9.66 -2.12 15.6
sisaan model RTG dan model regresi global.
ers 2 15 -0.03 0.01 0
ep 7 .8 -0.04 0.22 0.04
Model RTG akan berbeda signifikan dengan
X1 . 7 0.05 0.14 0.36 model regresi global jika dapat menurunkan
X2 9 - 0.16 0.37 0.51 jumlah kuadrat sisaan secara signifikan.Tabel 4
X3 8 0. 0.25 0.87 0.49 menunjukkan bahwa nilai statistik uji F sebesar
X4 - 06 -0.02 0.05 1.19
3.783 dengan p-value sebesar 0,02. Dengan
X5 0 - 0.19
X6 . 0.
menggunakan taraf nyata (α) sebesar 5%
0 09 model RTG berbeda signifikan dengan model
8 0. regresi global.
- 01 Tabel 4
0 0. Uji kesesuaian model RTG dengan pembobot
. 12 kernel adaptif kuadrat ganda
1 0.
sumbe d ju ku F p
4 09
r b ml ad - -
- -
error ah rat v v
0 0.
ku te a a
. 07
ad ng l l
1 rat ah u u
0 e e
RTG 21.23 171.989 8.101 3.783 0.02*
-
im-
0
prove 9.77 20.923 2.142
.
ment
2
RTG
7 resi- 7.00 192.913
- dual
0 OLS
. residu

4 a
Keterangan : *)signifikan pada α=5%
1
- Selanjutnya pemilihan model terbaik
0
dilakukan dengan menggunakan kriteria
.
nilai R2, MSE dan AIC. Model terbaik
1

34
 adalah model dengan nilai AIC terkecil Provinsi Jawa Timur. Pengelompokkan
[15]. Tabel 5 merupakan perbandingan kabupaten/kota yang memiliki kesamaan
model regresi linear dengan model RTG peubah yang berpengaruh signifikan
menggunakan pembobot kernel kuadrat terhadap kejadian gizi buruk disajikan pada
ganda. Berdasarkan Tabel 6 model RTG Gambar 2.
merupakan model terbaik untuk Berdasarkan Gambar 2 dapat disim-
memodelkan persentase kejadian gizi buruk pulkan bahwa suatu peubah penelitian
di Provinsi jawa Timur karena mempunyai dipengaruhi oleh aspek kewilayahan
nilai R2 terbesar, MSE dan AIC yang (spasial), sehingga perlu dipertimbangkan
terkecil. aspek spasial pada model.
N

W E

Tabel 5
Perbandingan Kesesuaian Model
Tuban Sumenep
Bangkalan Sampang
Lamongan Pamekasan
Gresik
Bojonegoro Kota Surabaya
Ngawi Jombang Sidoarjo Peubah signifikan
Madiun Nganjuk
2 Mojokerto -
Model R M AIC Magetan

Kediri
Kota Pasuruan
Pasuruan
Kota Batu Probolinggo Situbondo x2
Ponorogo Kota Malang Bondowoso x2, x3
Tulungagung x2, x5
S
Pacitan Blitar Malang Lumajang
Trenggalek
Jember
x4
Banyuwangi

E
Regresi 0.4217 6. 185.5761
100 0 100 200 Miles

Linear 0.9372 2 109.5714 Gambar 2 Pengelompokkan peubah yang

RTG * 2 signifikan menurut kabupaten /kota
3
2. Kabupaten yang tidak teridentifikasi
1 faktor-faktor yang berpengaruh terhadap
4 kejadian balita gizi buruk adalah Kabupaten
2
Keterangan : *) Model terbaik
Pacitan, Ponorogo, Trenggalek, Tulung
Agung, Blitar, Nganjuk, Madiun, Magetan,
Peubah penjelas yang berpengaruh
Ngawi, Bojonegoro, Kota Blitar dan Kota
berbeda pada setiap wilayah pengamatan,
Madiun. Peubah rumah tangga miskin (X2)
dapat digunakan uji parsial pengaruh faktor
berpengaruh signifikan pada sebagaian
geografis untuk setiap peubah penjelas.
besar Kabupaten Kota.Hal ini berarti bahwa
Peubah yang berpengaruh signifikan
penyebab kejadian gizi buruk di wilayah
terhadap kejadian balita gizi buruk sebagian
tersebut adalah kemiskinan, yaitu
besar berbeda di tiap kabupaten/kota
ketidakmampuan dari sisi ekonomi untuk

35
 memenuhi kebutuhan dasar makanan satu.Sebaliknya, semakin jauh jarak antar
dimana seseorang yang hanya dapat wilayah maka semakin kecil pengaruhnya
memenuhi kebutuhan konsumsi kurang dari sehingga nilai pembobotnya mendekati nol
2100 kalori perhari. [14]. Matriks pembobot diatas digunakan
untuk menduga parameter di wilayah ( u1 , v 1 )
c. Pembahasan Hasil Penelitian . . Untuk menduga parameter di wilayah
Hasil penelitian diperoleh bahwa
( u2 , v 2 ) perlu dicari terlebih dahulu matriks
terdapat 38 model kejadian gizi buruk yang
pembobot W ( u2 , v 2 ), dengan cara yang sama
berbeda untuk setiap kab/kota yang ada di
seperti langkah diatas sampai diperoleh
Jawa Timur. Hal ini didukung oleh
matriks pembobot untuk pengamatan
pendapat Bitter et al (2007) yang
menyebutkan bahwa model GWR yang terakhirW ( u38 , v 38 ). Pembobot yang di cari

diperoleh akan bersifat unik, yaitu model dalam penelitian ini sampai pembobot

regresi untuk titikyang satu berbeda dengan ( u38 , v 38 ), maka dapat dikatakan ada 38
titik-titik yang lainnya. pembobot yang dihitung berdasarkan pusat
Matriks pembobot spasial merupakan yang berbeda.
bagian yangpenting dalam model regresi Pemilihan model terbaik dilakukan
RTG karena pendugaanparameter spasial dengan menggunakan kriteria nilai R2, MSE
tergantung pada matriks bobot spasial W. dan AIC. Model terbaik adalah model
Matriks pembobot yang digunakan dalam dengan nilai R2 terbesar serta nilai MSE
penelitian ini adalah fungsi kernel adaptif dan AIC terkecil [15]. Berdasarkan hasil
kuadrat ganda. Hal ini didasarkan pada analisi model RTG merupakan model
penelitian [13] yang menyatakan bahwa terbaik untuk memodelkan persentase
pembobot fungsi kernel adaptif kuadrat kejadian gizi buruk di Provinsi Jawa Timur
ganda lebih baik digunakan untuk dibandingkan model regresi konvensional
pemodelan gizi buruk di Jawa Timur. karena model RTG dapat menaikkan nilai
Besarnya nilai pembobot yang digunakan koefisien determinasi (R2) dari 42.17%
bergantung pada jarak antar wilayah menjadi 93.72%, menurunkan nilai MSE
pengamatan.Semakin dekat jarak antar dari 6.223 menjadi 2.142 dan nilai AIC dari
wilayah maka semakin besar pengaruhnya, 185.5761 menjadi 109.5714
sehingga nilai pembobotnya mendekati

36
 Pemodelan RTG menggunakan fungsi nilai AIC dari 185.5761 menjadi 109.5714.
kernel kuadrat ganda menghasilkan 5 Pemodelan RTG menggunakan fungsi
kelompok kabupaten/kota berdasarkan kernel kuadrat gandamenghasilkan 5
kesamaan peubah yang berpengaruh kelompok kabupaten/ kota berdasarkan
signifikan terhadap kejadian gizi buruk di kesamaan peubah yang berpengaruh
Provinsi Jawa Timur. Wilayah Kab/Kota signifikan terhadap kejadian gizi buruk di
yang saling berdekatan cenderung Provinsi Jawa Timur.
membentuk satu kelompok dalam hal Daftar Pustaka
peubah yang signifikan mempengaruhi Badan Penelitian dan Pengembangan
Kesehatan. (2008). Laporan Hasil Riset
kejadian balita gizi buruk di Jawa Timur.
Kesehatan Dasar (Riskesdas) Nasional.
Hal ini didukung oleh hukum pertama Jakarta: Departemen Kesehatan Republik
Indonesia.
tentang geografi yang dikemukakan oleh
Griffith D.A. (1978). A spatially adjusted
Tobler yang berbunyi:”Everything is ANOVA model. Geographical analysis.; 10 :
296-301.
related to everything else, but near thing
Anselin L. (1988). Spatial Economics:
are more related than distant thing”. Methods and Models. Dordrecht: Academic
Publishers.
Segala sesuatu saling berhubungan satu
Foster, S. A. dan Gorr, W. L. (1986). An
dengan yang lainnya, tetapi sesuatu yang adaptive filter for estimating spatially
varying parameters: Application to
dekat lebih mempunyai pengaruh daripada
modeling police hours spent in response to
sesuatu yang jauh [16]. calls for service. Management Science, 32:
878-889.
Brunsdon, C, Fotheringham ,A, S., Charlton M.
d. Simpulan (1998). Geographically Weighted: a method
for exploring spatial nonstationarity.
Kesimpulan yang dapat dirumuskan dari
Geographical Analysis. 1998; 28 : 281-298.
penelitian ini adalah metode RTG lebih baik Huang, Y dan Leung, Y. (2002). Analysing
regional industrialization in Jiangsu
digunakan untuk memodelkan persentase
Province using geographically weighted
balita gizi buruk di Provinsi Jawa Timur regression. Journal of Geographical System,
4:233-249.
dengan peubah-peubah penjelasnya,
Farrow A, Larreab C, Hymana G dan Lemaa G.
dibandingkan analisis regresi linear (2013). Exploring the spatial variation of
food poverty in Ecuador. [cited 2013 May
konvensional. Model RTG dapat menaikkan
27]. Available
nilai koefisien determinasi (R2) dari from
:http://www.sciencedirect.com/science/articl
42.17% menjadi 93.72%, menurunkan
e/pii/S0306919205000783.
nilai MSE dari 6.223 menjadi 2.142 dan

37
Duval-Diop D. (2013). Rediscovering the delta
a reassessment of the linkages between
poverty, economic growth and public policy
using geographically weighted regression
analysis. A dissertation Ph.D. Louisiana
State University and Agricultural &
Mechanical College, United State-Louisiana.
[cited 2013 Oct 27]. Available
from :http://etd.lsu.edu/docs/available/etd-
11102006-112931/unrestricted/Duval-
Diop_dis.pdf.
Mei CL. (2005). Geographically weighted
regression technique for spatial data
analysis. School of Science Xi’an Jiaotong
University.
Badan Pusat Statistik. (2010). Jawa Timur
dalam angka. Jakarta : Badan Pusat Statistik.
Hutabarat IM, Saefuddin A, Hardinsyah,
Djuraidah A. (2013). Estimation in
Measurement error models on cases of
malnutrition in the province of East Java.
Proceedings the third basic science
international conference; (3) :M21-1-2.
Badan Perencanaan Pembangunan Daerah.
[homepage on the Internet].[update 2013
38
Mar 18; cited 2013 Oct 15]. Available
from :http://bappeda.jatimprov.go.id/.
Hutabarat IM, Saefuddin A, Hardinsyah,
Djuraidah A, Mangku IW. (2013).
Geographically Weighted Regression
Modeling on Cases of Malnutrition in East
Java Province. Proceeding The International
Conference on Applied Statistics; 139-148.
Fotheringham AS, Brunsdon C, Charlton M.
(2002). Geographically Weighted
Regression: The Analysis of Spatially
Varying Relationships. England: John Wiley
& Sons, Ltd., West Sussex.
Nakaya T, Fotheringham AS. , Brunsdon C,
and Charlton M. (2005). Geographically
Weighted Poisson Regression for disease
association mapping. Statistics in Medicine;
24: 2695-2717.
Schabenberger O, Gotway CA. (2005).
Statistical Methods for Spatial Data
Analysis. Chapman & Hall/CRC