Melinda Sari
G501 17 030
Pembimbing Penguji
Junaidi, M.Si., Ph.D Iman Setiawan, S.Si., M.Si
Mohammad Fajri, S.Si., M.Si
PSG
Rata-rata
Jumlah
Rendah kasus
Probit
Algoritma Probit
Ekspektasi-
Spasial
Maksimalisasi
Penelitian Terdahulu
Fahmi, 2016 Agustia, 2018
Tujuan Penelitian
1. Menentukan klasifikasi dari pemodelan prevalensi stunting di Pulau Sulawesi tahun
2018 menggunakan regresi probit spasial.
2. Menentukan variabel-variabel apa saja yang dapat mempengaruhi prevalensi
stunting di Pulau Sulawesi tahun 2018 menggunakan regresi probit spasial.
Manfaat Penelitian
1. Menambah wawasan dalam bidang statistika mengenai metode pemodelan
untuk data kualitatif, khususnya model probit spasial.
2. Memberikan informasi yang diharapkan dapat digunakan pemerintah dalam
menurunkan angka stunting.
Batasan Masalah
Batasan masalah pada penelitian ini yaitu matriks pembobot yang digunakan adalah
Queen Contiguity (Persinggungan sisi-sudut)
TINJAUAN
PUSTAKA
Normalitas 2
𝑘
Uji
normalitas digunakan untuk menguji apakah
pada residual memiliki distribusi yang normal
(Thode, 2002).
𝑇3=
1
𝐷 [∑ (
𝑖=1
𝛼𝑖 𝑥 𝑛 −𝑖 +1 − 𝑥 𝑖 ) ]
Statistik uji Shapiro-Wilk dengan hipotesis
sisaan berdistribusi normal Multikolinearitas
sisaan tidak berdistribusi normal Uji multikolinieritas Apabila nilai VIF-nya
dilakukan untuk kurang dari 10 maka
melihat ada atau pada model
1 tidaknya korelasi tersebut tidak
𝑉𝐼𝐹 𝑗=
(1− 𝑅 𝑗2) yang tinggi antara terdapat
variabel-variabel multikolinieritas,
bebas dalam suatu dan sebaliknya
pemodelan regresi. (Gujarati,2004).
Transformasi Data
Transformasi data merupakan salah satu cara yang
dilakukan untuk menormalkan data dengan merubah
skala pengukuran data asli menjadi bentuk lain yang
masih memiliki nilai sama sehingga dapat memenuhi uji
asumsi (Ghozali, 2016).
TINJAUAN
Model Probit
PUSTAKA
Model probit merupakan salah satu
pemodelan statistik dengan variabel
respon kualitatif (berkategori)
(Locking et al., 2013). Regresi Spasial
Penelitian yang berkaitan dengan
region atau kewilayahan disebut
dengan spasial. Pada data spasial,
seringkali pengamatan di suatu
wilayah bergantung pada
pengamatan di wilayah lain yang
berdekatan (neighborhood)
(Anselin,1988).
Turunan
model yang bisa diperoleh dari model umum regresi spasial:
1. Ordinary Least Square (OLS)
Estimasi parameter model probit spasial dapat dilakukan dengan menggunakan metode
Maximum Likelihood Estimation (MLE). Bentuk dari fungsi ln likelihood yang didapatkan
diselesaikan menggunakan Algoritma EM (Ekspektasi-Maksimalisasi)(Dempster et al., 1977).
Maksimalisasi
Ekspektasi
Tahap perhitungan untuk
Tahap perhitungan ekspektasi dari
mencari penaksir parameter yang
fungsi ln likelihood dengan
memaksimumkan fungsi ln
memperhatikan data yang tidak
likelihood hasil dari tahap
lengkap
Ekspektasi sebelumnya
TINJAUAN
PUSTAKA
Pengujian Parameter
, untuk
Keputusan untuk menolak diambil apabila nilai
atau p-value lebih kecil dari nilai (Long & Freese,
2001)
10
TINJAUAN
PUSTAKA
Ketepatan Klasifikasi
Confusion matrix merupakan evaluasi yang melihat probabilitas kesalahan klasifikasi yang dilakukan
oleh suatu fungsi klasifikasi. Nilai ketepatan klasifikasi diperoleh dengan membandingkan nilai
prediksi yang benar dari model dengan nilai observasi (Fawcett, 2006).
Hasil Prediksi
Hasil Observasi
Positive (P) Negative (N)
Positive (P) True Positive (TP) False Negative (FN)
Negative (N) False Positive (FP) True Negative (TN)
𝑇𝑃
𝑆𝑒𝑛𝑠𝑖𝑡𝑖𝑣𝑖𝑡𝑦= ×100 %
𝑇𝑃+𝐹𝑁
𝑇𝑁
𝑆𝑝𝑒𝑐𝑖𝑣𝑖𝑠𝑖𝑡𝑦 = ×100 %
𝑇𝑁 +𝐹𝑃
TINJAUAN
PUSTAKA
Stunting
Stunting atau balita pendek merupakan masalah kurang gizi kronis yang disebabkan asupan gizi
yang kurang dalam waktu cukup lama sebagai akibat dari pemberian makanan yang tidak sesuai
dengan kebutuhan gizi yang diperlukan (Awaludin, 2019).
Analisis Deskriptif
ya
Transformasi
Membuat matriks pembobot
menggunakan queen contiguity
Ketepatan Klasifikasi
Kesimpulan
Selesai
Metode Penelitian
Imunisasi dasar
Imunisasi dasar lengkap
lengkap apabila
apabila telah
telah
mendapatkan satu kali imunisasi HB-0,
satu kali imunisasi BCG, tiga kali imunisasi
X1 Imunisasi dasar lengkap DPT HB/DPT-HB-HiB, empat kali - Persen
imunisasi polio
imunisasi polio atau
atau tiga
tiga kali
kali imunisasi
imunisasi IPV,
IPV,
dan satu kali imunisasi campak
Proporsi
Proporsi desa
desa yang
yang Proporsi
Proporsi jumlah
jumlah desa
desa dalam
dalam 11
X2
X2 mempunyai kecukupan kabupaten/kota yang memiliki kecukupan
mempunyai kecukupan kabupaten/kota yang memiliki kecukupan Persen
Persen
posyandu
posyandu posyandu
posyandu
Prevalensi
Proporsi balita yang telah didiagnosis
Infeksi Saluran
X5 menderita sakit ISPA oleh tenaga kesehatan - Persen
Pernafasan Atas
(dokter/perawat/bidan) dalam 1 bulan terakhir
(ISPA) balita
Total Standar
Variabel Rata-rata Minimum Maksimum
Sampel Deviasi
Y 81 32,6815 7,7667 17,60 50,50
X1 81 45,5543 13,3646 3,30 76,90
X2 81 24,1420 26,7588 0 85,50
X3 81 34,6159 14,8229 2,08 71,90
X4 81 9,0160 3,8742 0 17,10
X5 81 3,2222 3,1035 0 15,50
X6 81 22,0556 6,3218 5,40 38,70
Uji Multikolinearitas
Hipotesis pada uji Multikolinearitas
Tidak terjadi multikolinearitas, jika nilai VIF < 10
Terjadi multikolinearitas, jika nilai VIF > 10
Variabel X1 X2 X3 X4 X5 X6
Nilai VIF 1,262 1,077 1,144 1,265 1,054 1,061
20
Hasil dan Pembahasan
Uji Efek Spasial Nilai
p-value LM lebih kecil dari ,
sehingga disimpulkan tolak . Hal ini
Uji Dependensi Spasial menunjukkan bahwa terdapat
dependensi spasial lag dan
Untuk melihat ada atau tidaknya efek korelasi Spatial Lag
dependensi spasial error. Namun, nilai
(tidak ada dependensi spasial lag)
RLMlag lebih besar dibandingkan
(ada dependensi spasial lag)
dengan nilai RLMerr, maka akan
dilakukan analisis probit spasial
Untuk melihat ada atau tidaknya efek spasial error dengan bentuk model Spatial
(tidak ada dependensi spasial error)
Autoregressive (SAR) probit.
(ada dependensi spasial error)
Uji
Lagrange
Dependensi p-value
Multiplier (Value)
Spasial
Uji Heterogenitas Spasial
LMlag 6,076 0,0137
(homoskedastisitas) LMerr 4,5966 0,0320
minimal ada satu , dengan (heterokedastisitas) RLMlag 3,7605 0,0525
RLMerr 2,2812 0,131
Uji Heterogenitas
Nilai BP p-value
Spasial
Uji Breusch Pagan 7,5542 0,2726 Nilai
p-value sebesar 0,2726 lebih besar dari , sehingga
dapat disimpulkan terima yang artinya tidak ada gejala
heterokedastisitas (homoskedastisitas).
Hasil dan Pembahasan
Pengujian Parameter Parsial
Hipotesis uji Wald
, untuk .
Nilai
mutlak statistik uji W
Variabel Coeffisien Std. Error Wald p-value
pada variabel bebas X2
Konstanta -1,1863 1,5091 -0,7861 0.4318 (proporsi desa yang
X1 -0,7166 0,8409 -0,8521 0.3941 mempunyai kecukupan
X2 0,5109 0,2129 2,4004 0.0164 posyandu) dan X6 (prevalensi
X3 -0,1353 0,6684 -0,2024 0.8396 gizi buruk balita) lebih besar
X4 0,3749 0,7222 0,5191 0.6037 dari nilai tabel atau dapat
dilihat dari nilai p-value pada
X5 -0,2814 0,4404 -0,6389 0.5229
masing-masing variabel bebas
X6 0,0831 0,0239 3,4824 0.0005
yang nilainya kurang dari
sehingga tolak
Hasil dan Pembahasan
Model Regresi Probit Spasial
∗ 81 Prediksi probabilitas untuk
^𝒚 𝒊 =−1,1863+0,1083
(∑ )
𝑖=1, 𝑗 ≠ 𝑖
∗
𝑤 𝑖𝑗 𝑦 +0,5109 𝑋 2 𝑖+0,0831 𝑋 6 𝑖
𝑖
pengamatan pada model
prevalensi stunting untuk wilayah
kabupaten/kota di Pulau Sulawesi
∗ ∗ ∗ ∗
^𝒚𝑷𝒂𝒍𝒖=−1,1863+0,1083 ( 𝑦 +𝑦 +𝑦 )+0,5109𝑋2𝑃𝑎𝑙𝑢+0,0883𝑋 6𝑃𝑎𝑙𝑢
𝐷𝑜𝑛𝑔𝑔𝑎𝑙𝑎 𝑃𝑎𝑟𝑖𝑔𝑖𝑀𝑜𝑢𝑡𝑜𝑛𝑔 𝑆𝑖𝑔𝑖 𝒊 𝒊 𝒊𝒋
𝛀
𝒊𝒊
−𝟏
𝑃 ( 𝒚 =1| 𝑿 ∗ ,𝑾 𝒚 ∗)=Φ (𝑰 − 0,1083𝑾 ) 𝑿 𝜷
( )
nilai
prediksi probabilitas Kota Palu, dimana Kota
Palu berada pada . Maka probabilitas pada model
prevalensi stunting untuk wilayah Kota Palu
Nilai
prediksi probabilitas Kota Palu sebesar
menyatakan bahwa peluang Kota Palu untuk
tergolong menjadi kategori prevalensi
stunting tinggi adalah sebesar 75,08%,
sedangkan peluang Kota Palu untuk
tergolong menjadi kategori prevalensi
stunting rendah adalah sebesar 24,92%
Lanjutan
Peta hasil prediksi klasifikasi prevalensi stunting yang dihasilkan berdasarkan model SAR probit dari
variabel bebas yang signifikan menurut kabupaten/kota di pulau sulawesi tahun 2018
Lanjutan 13 kabupaten/kota mengalami perubahan dari
prevalensi stunting berkategori tinggi menjadi
Aktual Prediksi Kabupaten/Kota kategori rendah dan pada 12 kabupaten/kota
Bolaang Mongondow, Minahasa,
Kepulauan Sangihe Talaud, Kepulauan
terjadi hal sebaliknya. Sedangkan sisanya yaitu
Talaud, Minahasa Selatan, Bolaang sebesar 56 kabupaten/kota tidak mengalami
Mongondow Utara, Kepulauan Sitaro, perubahan kategori ketika dimasukkan ke dalam
Minahasa Tenggara, Bolaang Mongondow model SAR probit.
0 0 Timur, Manado, Bitung, Tomohon,
Kotamobagu, Banggai, Tojo Una-una,
Morowali Utara, Bantaeng, Muna,
Konawe, Kolaka, Konawe Selatan,
Wakatobi, Kolaka Utara, Kolaka timur,
Muna Barat, Kendari,Kota Gorontalo
Poso, Toli-toli, Palu, Wajo, Sidenreng
Rappang, Luwu, Luwu Timur, Makassar,
0 1
Pare-pare, Buton Tengah, Pohuwato,
Bone Bolango
Minahasa Utara, Bolaang Mongondow
Selatan, Banggai Kepulauan, Morowali,
1 0 Banggai Laut, Selayar, Bulukumba, Toraja
Utara, Bombana, Buton Utara, Konawe
Utara, Konawe Kepulauan, Mamasa
Donggala, Buol, Parigi Moutong, Sigi,
Jeneponto, Takalar, Gowa, Sinjai, Maros,
Pangkajene Kepulauan, Barru, Bone,
Soppeng, Pinrang, Enrekang, Tana Toraja,
1 1 Luwu Utara, Palopo, Buton, Buton
Selatan, Bau-bau, Boalemo, Gorontalo,
Gorontalo Utara, Majene, Polewali
Mandar, Mamuju, Mamuju Utara, Mamuju
Tengah
Hasil dan Pembahasan
Ketepatan Klasifikasi
Hasil Prediksi
Hasil Observasi
0 1
0 27 (TP) 12 (FN)
1 13 (FP) 29 (TN)
27
𝑆𝑒𝑛𝑠𝑖𝑡𝑖𝑣𝑖𝑡𝑦= ×100 %=69,63 %
27+12
29
𝑆𝑝𝑒𝑐𝑖𝑣𝑖𝑠𝑖𝑡𝑦 = × 100 %=69,05 %
29+13
Kesimpulan dan Saran
Kesimpulan
Model
yang dihasilkan dengan menggunakan regresi probit spasial adalah sebagai berikut:
Hasil prediksi klasifikasi prevalensi stunting dari model SAR probit diperoleh kabupaten/kota
yang tergolong dalam kategori tinggi sebesar 41 kabupaten/kota, sedangkan untuk kategori
rendah sebesar 40 kabupaten/kota dengan ketepatan klasifikasi model adalah sebesar
69,14%.
Pemodelan regresi probit spasial pada penelitian ini menunjukkan bahwa proporsi desa
yang mempunyai kecukupan posyandu (X2) dan prevalensi gizi buruk balita (X6) secara
signifikan mempengaruhi prevalensi stunting di Pulau Sulawesi pada tahun 2018.
Saran
Saran yang dapat dipertimbangkan untuk penelitian
selanjutnya adalah dapat menggunakan model spasial
yang lain selain Spatial Autoregressive model, seperti
Spatial Error model.
Daftar Pustaka
[BPMI], Biro Pers, Media dan Informasi Sekretariat Presiden. (2020). Fokus Ghozali, I. (2016). Aplikasi Analisis Multivariate dengan Program SPSS.
Penurunan Stunting di Sepuluh Provinsi. Biro Pers, Media dan Semarang: Badan Penerbit UNDIP.
Informasi Sekretariat Presiden.
Gujarati, D. N. (2004). Basic Econometrics 4th Edition. In Tata McGraw-
Anselin, L. (1988). Lagrange Multiplier Test Diagnostics for Spatial Hill.
Dependence and Spatial Heterogeneity. Geographical Analysis,
20(1), 1–17. LeSage, J. P. (1999). The theory and practice of spatial econometrics.
Department of Economics, University of Toledo.
Arbia, G. (2014). A Primer for Spatial Econometrics: With Applications in LeSage, J. P. (2000). Bayesian estimation of limited dependent variable
R. In PalgraveTexts in Econometrics. spatial autoregressive models. Geographical Analysis.
Awaludin. (2019). Analisis Bagaimana Mengatasi Permasalahan Stunting Di Locking, H., Månsson, K., & Shukur, G. (2013). Performance of some ridge
Indonesia. Jurnal Kedokteran, 35(4), 60. parameters for probit regression: With application to swedish job
search data. Communications in Statistics: Simulation and
Azwar, A. (2004). Kecenderungan Masalah Gizi Dan Tantangan Di Masa Computation, 42(3), 698–710.
Datang. Dirjen Bina Kesmas Depkes.
Long, J. S., & Freese, J. (2001). Regression Models for Categorical
Breusch, T. S., & Pagan, A. R. (1979). A Simple Test for Heteroscedasticity Dependent Variables Using STATA. In Sociology The Journal Of The
and Random Coefficient Variation. Econometrica. British Sociological Association.
McMillen, D. P. (1992). Probit With Spatial Autocorrelation. Journal of
Dempster, A. P., Laird, N. M., & Rubin, D. B. (1977). Maximum Likelihood Regional Science.
from Incomplete Data Via the EM Algorithm . Journal of the Royal
Statistical Society: Series B (Methodological). Mugianti, S., Mulyadi, A., Anam, A. K., & Najah, Z. L. (2018). Faktor
penyebab anak stunting usia 25-60 Bulan di Kecamatan Sukorejo
Fawcett, T. (2006). An introduction to ROC analysis. Pattern Recognition Kota Blitar. Jurnal Ners Dan Kebidanan (Journal of Ners and
Letters. Midwifery).