PEMODELAN REGRESI PROBIT SPASIAL

PADA PREVALENSI STUNTING

DI PULAU SULAWESI

Melinda Sari
G501 17 030

Pembimbing Penguji
Junaidi, M.Si., Ph.D Iman Setiawan, S.Si., M.Si
Mohammad Fajri, S.Si., M.Si

PROGRAM STUDI STATISTIKA

JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS TADULAKO
2021
 Latar Belakang
Stunting
 Sulawesi Barat
• Kurang gizi kronis  Gorontalo
• Tinggi badan pendek atau sangat  Sulawesi Tenggara
pendek (kerdil)  Sulawesi Tengah

PSG
Rata-rata
Jumlah
Rendah kasus

2017=29,6% 2020 Sulawesi

Tinggi

Probit
Algoritma Probit
Ekspektasi-
Spasial
Maksimalisasi
 Penelitian Terdahulu
Fahmi, 2016 Agustia, 2018

Penelitian mengenai risiko kejadian stunting

Penelitian Regresi Probit Spasial pada balita 12-59 bulan di Kota Palu
mengenai Indeks Pembangunan
Manusia (IPM) di Jawa Timur • pemberian ASI eksklusif
menggunakan algoritma EM (Ekspektasi- • riwayat penyakit infeksi
Maksimalisasi). Ketepatan klasifikasi • status imunisasi tidak lengkap
model probit spasial lebih baik dalam
mengklasifikasikan IPM di Jawa Timur
dibandingkan model probit
 Rumusan Masalah

1. Bagaimana klasifikasi dari pemodelan prevalensi stunting di Pulau Sulawesi tahun

2018 menggunakan regresi probit spasial?
2. Variabel-variabel apa saja yang dapat mempengaruhi prevalensi stunting di Pulau
Sulawesi tahun 2018 menggunakan regresi probit spasial?

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)

2. Spatial Autoregressive Models (SAR)

3. Spatial Error Model (SEM)

4. Spatial Autoregrresive Moving Average (SARMA)

 TINJAUAN
Uji Dependensi Spasial
PUSTAKA
Statistik uji Lagrange digunakan untuk menentukan bentuk dari model regresi spasial
(Anselin, 1988).
𝑇 2 2
 Untuk melihat ada atau tidaknya efek korelasi Spatial Lag  𝐿𝑀 = ( 𝒆 𝑾𝒚 / 𝜎^ )
𝐿𝐴𝐺
(tidak ada dependensi spasial lag) 𝐷
(ada dependensi spasial lag)

 Untuk melihat ada atau tidaknya efek spasial error   ( 𝒆 𝑻 𝑾 𝑒 / 𝜎^ 2 )2

(tidak ada dependensi spasial error)
𝐿𝑀 𝐸𝑅𝑅 =
𝑇
(ada dependensi spasial error)

Uji Heterogenitas Spasial

Untuk melihat adanya keragaman dalam varians error, dilakukan pengujian heterogenitas
menggunakan uji Breusch-Pagan (Breusch & Pagan, 1979)
  1 𝒇 𝑇 𝑿 (𝑿 𝑻 𝑿 )− 𝟏 𝑿 𝑻 𝒇
𝐵𝑃=
 (homoskedastisitas) 2
minimal ada satu (heterokedastisitas)
 TINJAUAN
PUSTAKA
Matriks Pembobot Spasial

Matriks pembobot spasial (W)

dapat diperoleh berdasarkan
hubungan ketersinggungan antar
wilayah dan jarak dari
ketetanggaan (neighborhood).
Menurut LeSage (1999) Ada
beberapa metode untuk
mendefinisikan hubungan
persinggungan (contiguity).
1. Linear Contiguity (Persinggungan tepi)
2. Rook Contiguity (Persinggungan sisi)
3. Bhisop Contiguity (Persinggungan sudut)
4. Double Linear Contiguity (Persinggungan dua tepi)
5. Double Rook Contiguity (Persinggungan dua sisi)
6. Queen Contiguity (persinggungan sisi-sudut)
 TINJAUAN
PUSTAKA
Model Probit Spasial
 Model regresi probit spasial merupakan gabungan model regresi probit dan model spasial.

Bentuk model regresi probit spasial adalah sebagai berikut:

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 menentukan layak atau tidaknya suatu   𝛽^ 𝑘

𝑊𝑘=
variabel bebas dimasukkan ke dalam model. 𝑆𝐸( 𝛽^ 𝑘 )

Statistik uji Wald dengan hipotesis

, 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)

 Accuracy (tingkat akurasi total)

  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).

Mugianti dkk., 2018 Ulfani dkk., 2011

Faktor langsung yang Faktor yang berhubungan

berhubungan dengan stunting nyata terhadap pravelensi
• karakteristik anak berupa • PDRB/kapita
jenis kelamin laki-laki • Tingkat pendidikan
• berat badan lahir rendah • Perilaku higiene
• konsumsi makanan berupa • Pemanfaatan posyandu
asupan energi rendah dan • Imunisasi lengkap
asupan protein rendah • Kejadian diare
• penyakit infeksi ISPA
• penyakit infeksi diare
Kerangka Mulai

Pikir Pengambilan Data

Analisis Deskriptif

Pemenuhan uji asumsi Tidak

(Normalitas, Multikolinearitas)

ya
Transformasi
Membuat matriks pembobot
menggunakan queen contiguity

Uji dependensi spasial

dan heterogenitas

Pembentukan model probit spasial

Ketepatan Klasifikasi

Kesimpulan

Selesai
 Metode Penelitian

Laboratorium Statistika Terapan

Lokasi dan Tempat Program Studi Statistika, Jurusan
Penelitian Matematika, Fakultas Matematika dan
Ilmu Pengetahuan Alam, Universitas
Tadulako

Populasi dalam penelitian ini adalah

Populasi dan Sampel data prevalensi stunting di Pulau
Penelitian Sulawesi dan sampel yang digunakan
sebagai unit pengamatan adalah 81
wilayah kabupaten/kota di Sulawesi
 Metode Penelitian Data yang digunakan dalam
penelitian ini adalah data sekunder
yang berasal dari Indeks
Prosedur Pengambilan Data Pembangunan Kesehatan Masyarakat
(IPKM) tahun 2018

Simbol Nama Variabel Definisi Operasional Kategori Satuan

0 : Rendah, jika
Proporsi balita sangat pendek dan pendek 32,68%
Y Pravelensi Stunting dengan perbandingan tinggi badan dan -
umur 1 : Tinggi, jika
32,68%

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

Suplementasi gizi dalam bentuk makanan

Suplementasi gizi dalam bentuk makanan
Balita memperoleh PMT tambahan dengan formulasi khusus dan
Balita memperoleh PMT tambahan dengan formulasi khusus dan
X3 (Pemberian Makanan difortifikasi dengan vitamin dan mineral - Persen
X3 (Pemberian Makanan difortifikasi dengan vitamin dan mineral - Persen
Tambahan) dengan sasaran kelompok balita untuk
Tambahan) dengan sasaran kelompok balita untuk
pemulihan atau pemenuhan status gizi
pemulihan atau pemenuhan status gizi
Lanjutan

Proporsi balita yang telah didiagnosis diare oleh

Prevalensi diare
X4 tenaga kesehatan (dokter/perawat/bidan)  - Persen
balita
dalam 1 bulan terakhir

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

Prevalensi gizi Proporsi balita dengan perbandingan berat

X6 - Persen
buruk balita badan dan umur
 Metode Penelitian
Analisis Data

1. Melakukan analisis deskriptif masing-masing variabel sebagai gambaran awal prevalensi

stunting di Pulau Sulawesi.
2. Pemenuhan uji asumsi normalitas menggunakan uji Shapiro-Wilk dan uji multikolinearitas
dengan melihat kriteria VIF, apabila melanggar akan dilakukan transformasi.
3. Membuat matriks pembobot antar lokasi dengan menggunakan queen contiguity untuk
model probit spasial.
4. Menguji efek spasial yaitu uji dependensi spasial dengan uji Lagrange Multiplier dan uji
heterogenitas spasial dengan uji Breusch-Pagan.
5. Pembentukan model probit spasial dengan melakukan estimasi parameter dan pengujian
hipotesis parsial kemudian hasil diinterpretasi.
6. Menghitung ketepatan klasifikasi antara data observasi dan data prediksi.
7. Membuat kesimpulan.
 Hasil dan Pembahasan
Statistika Deskriptif Prevalensi stunting terendah di
Pulau Sulawesi 17,60% yaitu
kabupaten Kolaka Timur dan
prevalensi stunting tertinggi
50,50% yaitu kabupaten
Pangkajene Kepulauan

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

Terdapat 39 kabupaten/kota yang tergolong ke kategori rendah dan

42 kabupaten/kota yang tergolong ke kategori tinggi, atau secara
presentase bahwa 48,15% berkategori rendah dan 51,85%
berkategori tinggi. Beberapa wilayah yang berdekatan memiliki
kecenderungan prevalensi stunting yang tidak jauh berbeda.
 Hasil dan Pembahasan
Uji Normalitas
Shapiro-Wilk p-value
 Hipotesis uji normalitas dengan Shapiro-Wilk
0,9938 0,969
sisaan berdistribusi normal
sisaan tidak berdistribusi normal
p-value
  yang berarti terima atau data sisaan
berdistribusi normal

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

Variabel X1, X2, X3, X4, X5 dan X6 memiliki nilai VIF

< 10, sehingga dapat dikatakan tidak terjadi
masalah multikoliniearitas pada variabel bebas.
 Hasil dan Pembahasan
Penentuan Matriks Bobot Spasial

Matriks terboboti (weighted matrix) untuk Pulau

Sulawesi pada penelitian ini didasarkan pada hubungan
persinggungan sisi-sudut (queen contiguity)

Penggunaan bobot queen contiguity

didasarkan pada wilayah kabupaten/kota
di Pulau Sulawesi yang tidak simetris,
sehingga pengamatan pada setiap wilayah
yang bersisian atau bagian sudutnya
bertemu dengan wilayah lain maka bobot
akan bernilai satu dan wilayah lain diberi
nilai nol

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

Hasil prediksi dari model SAR probit,

kabupaten/kota yang tergolong dalam kategori
tinggi sebesar 41 kabupaten/kota, sedangkan
untuk kategori rendah sebesar 40 kabupaten/kota

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)

 Accuracy (tingkat akurasi total)

  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
Penurunan Stunting di Sepuluh Provinsi. Biro Pers, Media dan
Informasi Sekretariat Presiden.
Anselin, L. (1988). Lagrange Multiplier Test Diagnostics for Spatial
Dependence and Spatial Heterogeneity. Geographical Analysis,
20(1), 1–17.
Arbia, G. (2014). A Primer for Spatial Econometrics: With Applications in
R. In PalgraveTexts in Econometrics.
Awaludin. (2019). Analisis Bagaimana Mengatasi Permasalahan Stunting Di
Indonesia. Jurnal Kedokteran, 35(4), 60.
Azwar, A. (2004). Kecenderungan Masalah Gizi Dan Tantangan Di Masa
Datang. Dirjen Bina Kesmas Depkes.
Breusch, T. S., & Pagan, A. R. (1979). A Simple Test for Heteroscedasticity
and Random Coefficient Variation. Econometrica.
Dempster, A. P., Laird, N. M., & Rubin, D. B. (1977). Maximum Likelihood
from Incomplete Data Via the EM Algorithm . Journal of the Royal
Statistical Society: Series B (Methodological).
Fawcett, T. (2006). An introduction to ROC analysis. Pattern Recognition
Letters.
Ghozali, I. (2013). Aplikasi Analisis Multivariate dengan Program IBM
SPSS 21Update PLS Regresi. Semarang: Badan Penerbit Universitas
Diponegoro.
Ghozali, I. (2016). Aplikasi Analisis Multivariate dengan Program SPSS.
Semarang: Badan Penerbit UNDIP.
Ghozali, I. (2016). Aplikasi Analisis Multivariate dengan Program SPSS.
Semarang: Badan Penerbit UNDIP.
Gujarati, D. N. (2004). Basic Econometrics 4th Edition. In Tata McGraw-
Hill.
LeSage, J. P. (1999). The theory and practice of spatial econometrics.
Department of Economics, University of Toledo.
LeSage, J. P. (2000). Bayesian estimation of limited dependent variable
spatial autoregressive models. Geographical Analysis.
Locking, H., Månsson, K., & Shukur, G. (2013). Performance of some ridge
parameters for probit regression: With application to swedish job
search data. Communications in Statistics: Simulation and
Computation, 42(3), 698–710.
Long, J. S., & Freese, J. (2001). Regression Models for Categorical
Dependent Variables Using STATA. In Sociology The Journal Of The
British Sociological Association.
McMillen, D. P. (1992). Probit With Spatial Autocorrelation. Journal of
Regional Science.
Mugianti, S., Mulyadi, A., Anam, A. K., & Najah, Z. L. (2018). Faktor
penyebab anak stunting usia 25-60 Bulan di Kecamatan Sukorejo
Kota Blitar. Jurnal Ners Dan Kebidanan (Journal of Ners and
Midwifery).
Thode, H. C. (2002). Testing For Normality. In Testing For Normality. CRC
Press.
Ulfani, D. H., Martianto, D., & Baliwati, Y. F. (2011). Faktor-Faktor Sosial
Ekonomi dan Kesehatan Masyarakat Kaitannya dengan Masalah Gizi
Underweight, Stunted dan Wasted di Indonesia: Pendekatan Ekologi
Gizi. Jurnal Gizi Dan Pangan, 6(1), 59.
TERIMA KASIH