PEMODELAN GIZI BURUK PADA BALITA DI...

98
PEMODELAN GIZI BURUK PADA BALITA DI PROVINSI JAWA TIMUR MENGGUNAKAN GEOGRAPHICALLY WEIGHTED REGRESSION (GWR) Iif Istifaiyah PROGRAM STUDI MATEMATIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS ISLAM NEGERI SYARIF HIDAYATULLAH JAKARTA 2018 M/1439 H

Transcript of PEMODELAN GIZI BURUK PADA BALITA DI...

Page 1: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

PEMODELAN GIZI BURUK PADA BALITA DI PROVINSI JAWA

TIMUR MENGGUNAKAN GEOGRAPHICALLY WEIGHTED

REGRESSION (GWR)

Iif Istifaiyah

PROGRAM STUDI MATEMATIKA

FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS

ISLAM NEGERI SYARIF HIDAYATULLAH JAKARTA

2018 M/1439 H

Page 2: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

i

PEMODELAN GIZI BURUK PADA BALITA DI PROVINSI

JAWA TIMUR MENGGUNAKAN GEOGRAPHICAY

WEIGHTED REGRESSION (GWR)

Skripsi

Diajukan kepada

Universitas Islam Negeri Syarif Hidayatullah Jakarta

Fakultas Sains dan Teknologi

Untuk Memenuhi Salah Satu Persyaratan Dalam

Memperoleh Gelar Sarjana Sains (S.Mat)

Oleh :

Iif Istifaiyah

1111094000006

PROGRAM STUDI MATEMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS ISLAM NEGERI SYARIF HIDAYATULLAH

JAKARTA

2018 M / 1439 H

Page 3: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun
Page 4: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

iii

PERNYATAAN

DENGAN INI SAYA MENYATAKAN BAHWA SKRIPSI INI BENAR-

BENAR HASIL KARYA SENDIRI YANG BELUM PERNAH DIAJUKAN

SEBAGAI SKRIPSI PADA PERGURUAN TINGGI ATAU LEMBAGA

MANAPUN.

Jakarta, Maret 2018

Iif Istifaiyah

1111094000006

Page 5: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

iv

Persembahan

Kupersembahkan karya kecil ini untuk

Ummi, Cahaya hidup yang senantiasa ada saat suka maupun duka selalu setia

mendampingi saat lemah tak berdaya, yang selalu memanjatkan do’a untuk puteri

tercinta dalam setiap sujudnya. Terima kasih untuk semuanya.

Motto

Sesuatu yang belum dikerjakan seringkali tampak

mustahil, kita baru akan yakin jika kita telah berhasil

melakukannya dengan baik.

Page 6: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

v

ABSTRAK

Iif Istifaiyah, Pemodalan Balita Gizi Buruk di Provinsi Jawa Timur

Menggunakan Geographically Weighted Regression (GWR). Di bawah

bimbingan Dr. Nina Fitriyati, M.Kom dan Bambang Ruswandi, M.Stat

Status gizi balita merupakan salah satu indikator dalam menilai derajat

kesehatan masyarakat serta tolak ukur kesejahteraan suatu bangsa. Di antara

semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada

tahun 2014 termasuk dalam kelompok tinggi dan belum dapat memenuhi target

kesehatan Dinas Kesehatan. Selain faktor kesehatan, kemiskinan serta lingkungan

juga mempengaruhi angka gizi buruk pada balita. Pemodelan dengan

menggunakan regresi linear (global) belum tentu cocok diterapkan di seluruh

Kabupaten dan Kota. Karena kondisi kesehatan, lingkungan, dan ekonomi pada

tiap Kabupaten dan Kota di Jawa Timur berbeda-beda. Oleh sebab itu, pada

penelitian ini digunakan pendekatan geografis yaitu geographically weighted

regression (GWR) dalam memodelkan angka gizi buruk pada balita dengan

variabel-variabel yang diduga mempengaruhinya. Pembobot yang digunakan pada

penelitian ini adalah fungsi kernel adaptive gaussian. Berdasarkan pengujian

heterogenitas spasial, angka gizi buruk pada balita memiliki keragaman antara

satu wilayah dengan wilayah lain. Berdasarkan nilai dan nilai SSE, hasil

menunjukkan bahwa model GWR memberikan hasil yang lebih baik

dibandingkan dengan model regresi linier (global). Selain itu terbentuk tiga

kelompok daerah berdasarkan variabel yang signifikan. Kelompok pertama yaitu

kabupaten dan kota dimana tidak ada variabel penjelas berpengaruh terhadap

angka gizi buruk balita. Sedangkan kelompok kedua adalah kabupaten dan kota

dimana persentase berat badan lahir rendah sebagai variabel yang berpengaruh.

Sedangkan kelompok ketiga adalah kabupaten dan kota dimana persentase berat

badan lahir rendah dan presentase ketersediaan posyandu sebagai variabel yang

berpengaruh terhadap angka gizi buruk pada balita.

Kata Kunci : gizi buruk, regresi spasial, geographically weighted regression,

kernel adaptive gaussian.

Page 7: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

vi

ABSTRACT

Modeling of malnutrition for toddler in East Java Province using

Geographically Weighted Regression (GWR). Supervised by Dr. Nina Fitriyati,

M.Kom and Bambang Ruswandi, M.Stat

Toddler nutrition status is one indicator in assessing the degree of public

health as well as benchmarks of the welfare of a nation. Among all provinces in

Indonesia, the East Java has high malnutrition rates in 2014 and has not been

fullfil the target of healthcare in Dinas Kesehatan. There are many factor to affect

the toddles' malnutrition rate i.e. poverty and the environment. To model these

factors, the linear regression (global) is not necessarily appropriate in all districts

and cities. Therefore, in this study we used geographical approach i.e.

Geographically Weighted Regression (GWR) to model the affect factors in

malnutrition with the adaptive gaussian kernel for the weight function. Result of

the spatial heterogeneity test, shows that malnutrition rates for toddler have a

diversity between one region and another. Based on R2 values and SSE values,

the GWR model is better than the linear regression model (global). In addition,

there are three regional groups based on significant variables. The first group

consists of regencies and cities where there are no explanatory variables effect on

malnutrition rate for toddler. The second group consists of regencies and cities

where the percentage of low birth weight as the significant variable and the third

group consists of regencies and cities where the percentage of low birth weight

and percentage availability posyandu as the significant variables.

Keywords: malnutrition, spatial regression, geographically weighted regression,

adaptive gaussian kernel.

Page 8: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

vii

KATA PENGANTAR

Dengan menyebut nama Allah SWT yang Maha Pengasih lagi Maha

Penyayang, penulis panjatkan puji syukur atas kehadirat-Nya, yang telah

melimpahkan rahmat, hidayah dan inayah-Nya, Shalawat serta salam

semoga tercurahkan kepada Nabi Besar Muhammad SAW, keluarga, sahabat dan

para segenap umatnya.

Dengan segala kemudahan yang telah diberikan Allah SWT, penulis dapat

menyelesaikan skripsi yang berjudul “Pemodelan Gizi Buruk Pada Balita

Di Provinsi Jawa Timur Menggunakan Geographically Weighted

Regression (GWR)”. Skripsi ini sebagai salah satu syarat memperoleh gelar

sarjana sains.

Selama proses penyusunan skripsi ini, penulis mendapat banyak

bimbingan dan bantuan dari berbagai pihak. Oleh karena itu, penulis ingin

mengucapkan terima kasih kepada:

1. Bapak Dr.Agus Salim, M.Si, selaku Dekan Fakultas Sains dan Teknologi

Universitas Islam Negeri Syarif Hidayatullah Jakarta.

2. Ibu Dr.Nina Fitriyati, M.Kom, selaku Ketua Program Studi Matematika

Fakultas Sains dan Teknologi UIN Syarif Hidayatullah Jakarta dan selaku

dosen pembimbing I yang telah membimbing dan memberikan pengarahan

serta saran kepada penulis sampai dengan selesainya skripsi ini.

3. Bapak Bambang Ruswandi, M.Stat, selaku Pembimbing II yang telah

meluangkan waktunya untuk membimbing penulis dan memberikan

pengarahan serta saran sampai dengan selesainya skripsi ini.

4. Ummi, aa , teteh dan keponakan-keponakan tersayang yang selalu

memberikan do’a, motivasi dan dukungan yang tiada henti kepada penulis.

5. Risna, Nuru l , D wik a , T imm y, Ut ih d an F i t r i an i yang telah

membantu dan menemani penulis dalam berbagai hal, khususnya dalam

proses pembuatan skripsi. Terima kasih juga karena telah memberikan

warna-warni kehidupan kampus kepada penulis semasa kuliah. Thanks a

lot guys :*

Page 9: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

viii

6. Liquid yang telah memberikan semangat serta motivasi kepada penulis.

7. Seluruh teman-teman Matematika yang telah memberikan banyak

kenangan kepada penulis semasa kuliah.

8. Seluruh pihak yang telah membantu penulis, yang tidak bisa penulis

sebutkan satu persatu.

Mohon maaf bila ada kekurangan dalam penulisan skripsi ini. Kritik dan

saran sangat penulis harapkan yang sifatnya membangun untuk perbaikan di

masa yang akan datang. Semoga skripsi ini dapat bermanfaat bagi penulis dan

semua pihak yang membacanya.

Jakarta, Maret 2018

Penulis

Page 10: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

1

BAB I

PENDAHULUAN

1.1 Latar Belakang

Dalam mengkonsumsi makanan, banyak hal yang harus diperhatikan agar

asupan makanan tersebut memiliki kadar gizi yang tepat dan dapat diserap oleh

tubuh. Selain itu, perlu diperhatikan juga proses mendapat makanannya sehingga

apa yang masuk ke dalam tubuh memberikan manfaat. Hal ini sesuai dengan

firman Allah SWT di QS. Al-Maaidah:88

Dan makanlah makanan yang halal lagi baik dari apa yang Allah telah rezekikan

kepadamu, dan bertakwalah kepada Allah yang kamu beriman kepada-Nya.

(QS.Al Maaidah:88)

Dalam tafsir ibnu katsir juz 7 hal 7, firman Allah SWT “dan makanlah

makanan yang halal lagi baik dari apa yang Allah telah rezekikan kepadamu.”

Memiliki artian bahwa manusia diperintahkan untuk makan- makanan yang

“halal”. Halal dari proses pendapatannya dan halal cara memasaknya sehingga

memberikan “thayyib” manfaat bagi tubuh kita secra aman dan kecukupan [1].

Maka dari itu dalam proses pemenuhan gizi bagi tubuh manusia harus

mengetahui pola makanan yang sesuai dengan kebutuan gizi yang

diperlukan tubuh hingga memberikan manfaat dan kemaslahatan hidup.

Konsumsi gizi tersebut dapat menentukan tercapainya tingkat kesehatan atau

sering disebut sebagai status gizi.

Page 11: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

2

Pemenuhan gizi sangat berperan dalam perkembangan mental,

perkembangan jasmani dan produktifitas manusia. Oleh karena itu, pemenuhan

gizi merupakan faktor yang perlu diperhatikan dalam menjaga kesehatan

terutama pada balita, karena masa pertumbuhan balita merupakan periode yang

rentan gizi.

Gizi buruk merupakan salah satu indikator dalam mengukur indeks

kesehatan masyarakat. Menurut WHO gizi buruk merupakan masalah utama

dalam bidang kesehatan khususnya pada negara berkembang [2], gizi buruk

menyebabkan lebih dari sepertiga dari 9,2 juta kematian pada anak-anak di

bawah usia 5 tahun di dunia. Sedangkan prevelensi di Indonesia sebanyak

3,8% dari 13,168 balita mengalami gizi buruk, angka ini menurun dari tahun

sebelumnya yakni 4,7 %.

Banyak hal yang dapat menjadi penyebab faktor gizi buruk, namun

secara umum terdapat dua faktor utama yaitu penyebab langsung dan penyebab

tidak langsung. Penyebab langsung meliputi kurangnya ketersedian pangan

dan penyakit infeksi. Sedangkan penyebab tidak langsung yaitu pola asuh

yang tidak memadai, masih rendahnya akses pada kesehatan lingkungan dan

perilaku hidup sehat serta masalah kemiskinan [3].

Menurut data dinas kesehatan Indonesia pada tahun 2012, jumlah balita

penderita gizi buruk setiap provinsinya bervariasi ada yang rendah dan ada

pula yang tinggi dan setiap tahunnya jumlah bervariasi [4]. Menurut BPS

meskipun mengalami penurunan nasional, namun secara regional ada beberapa

provinsi yang tercatat memiliki angka balita gizi buruk cukup tinggi.

Page 12: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

3

Provinsi Jawa Timur merupakan salah satu Provinsi yang mengalami tingkat

penderita balita gizi buruk cukup tinggi. Provinsi Jawa Timur menyumbang

angka balita gizi buruk tertinggi ke dua dalam skala nasional, yaitu sebesar 4,8

persen kasus gizi buruk. Pada tahun 2011 jumlah penderita gizi buruk dapat di

tekan hingga menjadi 3.187 kasus dan menurun kembali pada tahun 2012 yaitu

berjumlah 1.131 [5]. Meskipun angka penderita gizi buruk di Provinsi Jawa

Timur mengalami penurunan akan tetapi permasalahan ini harus segera

diselesaikan mengingat dampak jangka panjang dari gizi buruk. Balita yang

digolongkan gizi buruk beresiko memiliki kecerdasan yang kurang dibandingkan

dengan balita yang lebih sehat. Untuk itu diperlukan suatu penanganan gizi

buruk di Provinsi Jawa Timur dengan mengetahui faktor- faktor yang

mempengaruhinya.

Salah satu cara yang dapat dilakukan untuk mengetahui faktor-faktor

penyebab gizi buruk pada balita di Provinsi Jawa Timur adalah dengan

menggunakan analisis regresi linier berganda. Analisis linier berganda adalah

salah satu metode statistika yang dapat menghasilkan model regresi yang

digunakan untuk menggambarkan keterkaitan antara kasus balita gizi buruk

dengan faktor-faktor yang mempengaruhinya.

Namun analisis regresi linier berganda memiliki keterbatasan dalam

pendugaan parameter. Dengan menggunakan Ordinary Least Square (OLS),

model regresi linier berganda menghasilkan nilai penduga parameter yang bersifat

global artinya berlaku sama untuk setiap wilayah pengamatan[6]. Pada

kenyataannya seringkali analisis yang menghasilkan model berbasis lokal

Page 13: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

4

kewilayahan sangat diperlukan, karena bisa jadi dari kasus yang diteliti akan

beragam dari satu wilayah ke wilayah lain yang disebut sebagai heterogenitas

wilayah atau heterogenitas spasial. Heterogenitas spasial terjadi karena perbedaan

kondisi wilayah baik dari segi geografis, sosial, budaya maupun hal-hal lain yang

dapat melatarbelakanginya.

Model yang dapat mengatasi masalah heterogenitas spasial adalah

geographically weighted regression (GWR). GWR merupakan pengembangan

dari model regresi linier berganda. Model GWR adalah model yang digunakan

untuk menganalisa data spasial yang menghasilkan penduga parameter yang

bersifat lokal untuk setiap titik atau lokasi dimana data tersebut dikumpulkan.

Pada penelitian Tanadjaja[7] yang membahas mengenai pemodelan angka

harapan hidup di Papua menggunakan pendekatan Geographically Weighted

Regression, dari penelitian ini diketahui bahwa karakteristik angka harapan hidup

di Papua mengelompok sesuai dengan variabel yang mempengaruhinya dan

dengan taraf signifikansi 18% diperoleh model yang berbeda untuk setiap

kabupaten dan kota di Papua. Dan pada penelitian Utami[8] yang membahas

mengenai pemodelan regresi berganda dan Geographically Weighted Regression

pada tingkat pengangguran terbuka di Provinsi Jawa Tengah, dari penelitian ini

diketahui bahwa pada pemodelan regresi berganda dan GWR hanya satu variabel

penjelas yang signifikan yaitu prosentase kesempatan kerja. Secara ukuran model,

GWR menghasilkan lebih besar dibandingkan regresi berganda dan GWR

menghasilkan MSE lebih kecil dibandingakan regresi berganda.

Page 14: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

5

Penelitian ini membahas gizi buruk pada balita di Provinsi Jawa Timur,

dikarenakan gizi buruk merupakan data yang mempunyai keterkataitan antar

wilayah, maka digunakan model yang mengandung keterkaitan antar wilayah,

sehingga model yang tepat digunakan adalah model geographically weighted

regression (GWR). Peneliti meningkatkan pemilihan model GWR dengan

memeriksa heterogenitas spasial menggunakan Breusch-Pagan dan menggunakan

pembobot Kernel Adaptive Gaussian. Berdasarkan latar belakang diatas maka

penulis memilih judul “Pemodelan Gizi Buruk Pada Balita Di Provinsi Jawa

Timur Menggunakan Geographically Weighted Regression ”

1.2 Permasalahan

Berdasarkan uraian pada latar belakang dapat dirumuskan permasalahan

antara lain:

1. Bagaimanakah pemodelan gizi buruk pada balita di Provinsi Jawa

Timur menggunakan Geographically Weighted Regression (GWR) ?

2. Bagaimanakah pengelompokan Kabupaten dan Kota pada Provinsi

Jawa Timur berdasarkan variabel yang mempengaruhinya?

3. Model manakah yang lebih baik digunakan untuk memodelkan kejadian

balita gizi buruk di Provinsi Jawa Timur ?

1.3 Pembatasan Masalah

Dalam penelitian ini, permasalahan dibatasi oleh :

1. kejadian balita gizi buruk di Provinsi Jawa Timur pada tahun 2014.

Page 15: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

6

2. Tipe data spasial yang digunakan adalah tipe data titik.

1.4 Tujuan Penelitian

Berdasarkan rumusan masalah diatas, maka tujuan yang ingin di capai

dalam penelitian ini adalah:

1. Pemodelan gizi buruk pada balita di Provinsi Jawa Timur menggunakan

Geographically Weighted Regression (GWR).

2. Untuk mengetahui pengelompokan Kabupaten dan Kota pada Provinsi

Jawa Timur.

3. Menentukan model terbaik untuk memodelkan kejadian gizi buruk pada

balita buruk di Provinsi Jawa Timur pada tahun 2014.

1.5 Manfaat Penelitian

Adapun manfaat penelitian ini di antaranya adalah :

1. Membantu pemerintah Provinsi Jawa Timur untuk mengetahui faktor

yang mempengaruhi kasus gizi buruk pada balita di setiap Kabupaten

dan Kota di Provinsi Jawa Timur.

2. Membantu pemerintah Provinsi Jawa Timur dalam membuat rancangan

kebijakan, keputusan dan meningkatkan sarana dan prasarana umum

yang sesuai dengan faktor yang mempengaruhi kasus gizi buruk pada balita

di setiap Kabupaten dan Kota di Provinsi Jawa Timur.

Page 16: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun
Page 17: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

7

BAB II

LANDASAN TEORI

2.1 Gizi Buruk

Gizi buruk merupakan kurang gizi kronis akibat kekurangan asupan energi

dan protein yang berlangsung dalam jangka waktu yang lama. Anak disebut

mengalami gizi buruk apabila berat badan anak dibanding umur tidak sesuai

selama 3 bulan berturut-turut tidak naik dan tidak disertai tanda-tanda bahaya

.Gizi buruk sangat rentang terjadi pada anak balita dibawah 5 tahun, gizi buruk

terbagi menjadi tiga yaitu gizi buruk karena kekurangan protein, kekurangan

karbohidrat dan karena kekurangan kedua-duanya. Dampak gizi buruk pada anak

antara lain dapat menghambat pertumbuhan badan dan perkembangan mental

anak dan bisa menyebabkan kematian apabila tidak diberikan penanganan yang

baik. Berikut faktor-faktor yang dapat mempengaruhi balita gizi buruk[9] :

1) Berat Badan Lahir Rendah (BBLR)

2) Imunisasi

3) Posyandu

4) Balita yang diberi Vitamin A

5) Pemberian ASI Ekslusif

6) Rumah Tangga yang Menggunakan Air Minum Layak

7) Rumah Tangga Miskin

Page 18: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

8

2.2 Multikolinieritas

Salah satu asumsi yang harus dipenuhi dalam model regresi adalah tidak

ada hubungan antara variabel penjelas. Jika ada satu atau lebih hubungan antara

variabel penjelas maka disebut multikoliniearitas. Ketika terdapat

multikolinearitas pada variabel penjelas maka keputusan secara statistiknya

menjadi lemah. Variance Inflation Factor (VIF) merupakan salah satu statistik

yang dapat digunakan untuk mendeteksi gejala multikolonieritas pada analisis

regresi yang akan dibentuk. VIF adalah mengukur keeratan hubungan antar

variabel penjelas (X). Jika nilai VIF hitung di atas 10 maka terindikasi adanya

multikolinieritas antar variabel penjelas VIF dihitung berdasarkan persamaan [10].

(2.1)

dengan adalah koefisien determinasi antara dengan variabel penjelas

lainnya.

2.3 Uji Residual Berdistribusi Normal

Pengujian normalitas digunakan untuk mengetahui apakah residual dari

model mengikuti distribusi normal atau tidak. Salah satu metode yang dapat

digunakan adalah uji Kolmogorov Smirnov [10].

Hipotesis

: ( ) ( ) Residual berdistribusi normal

: ( ) ( ) Residual tidak berdistribusi normal

Statistik uji

| ( ) ( )| (2.2)

Page 19: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

9

Dengan:

( ) : Distribusi frekuensi kumulatif sampel

( ) : Distribusi frekuensi kumulatif teoritis

Kriteria uji :

Jika atau jika maka ditolak

Jika atau jika maka diterima

2.4 Uji Residual Bersifat Homoskedastisitas

Uji homoskedastisitas dilakukan untuk mengetahui apakah dalam sebuah

model regresi terjadi ketidaksamaan varian dari residual satu pengamatan ke

pengamatan yang lain. Salah satu cara yang digunakan untuk menguji

homoskedastisitas adalah dengan uji White dengan hipotesis sebagai berikut

[11]:

:

: minimal terdapat satu

, ,

Statistik uji :

[∑ (| | | |)

]( )⁄

[∑ (| | | |)

]( )⁄

(2.3)

Dengan:

: residual regresi ordinary least square (OLS)

: jumlah observasi

: jumlah variabel penjelas

Page 20: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

10

Kriteria uji :

Jika ( ) atau jika maka ditolak

Jika ( ) atau jika maka diterima

2.5 Turunan Matriks

Misalkan y adalah vektor elemen m dan x adalah vektor elemen n,

maka di notasikan dengan [12]:

[

]

(2.4)

Proposi 1

Misalkan

(2.5)

Dimana adalah matriks berukuran , adalah matriks berukuran

, adalah matriks berukuran dan tidak bergantung pada . Maka

[12]

(2.6)

Proposi 2

Misalkan skalar didefinisikan sebagai berikut [12]:

(2.7)

dimana adalah matriks berukuran , adalah matriks berukuran ,

Page 21: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

11

adalah matriks berukuran dan tidak bergantung pada dan , maka

(2.8)

dan

(2.9)

Proposi 3

Untuk kasus khusus jika matriks A berupa matriks persegi dan berupa

skalar dengan bentuk kuadratik sebagai berikut [12]:

(2.10)

Dimana matriks berukuran , A matriks berukuran dan tidak

bergantung pada , maka

( ) (2.11)

2.6 Model Regresi Linier Berganda (Global)

Regresi Linier berganda (global) merupakan metode yang memodelkan

hubungan antara variabel respon (Y) dan variabel penjelas ( ).

Model regresi global untuk variabel penjelas secara umum ditulis sebagai

berikut [11]:

∑ (2.12)

Dengan:

: nilai pengamatan variabel respon pada pengamatan ke-i

: nilai pengamatan variabel penjelas ke-k pada pengamatan ke-i , dengan

Page 22: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

12

: nilai intersep model regresi

: koefisien regresi variabel penjelas ke-k

: error pada pengamatan ke-i dengan asumsi identik, independen dan

berdistribusi normal (IIDN)

2.7 Estimasi Parameter Model Regresi Global

Estimasi parameter ini bertujuan untuk mendapatkan model regresi

linier berganda yang akan digunakan dalam analisis. Metode yang digunakan

untuk mengestimasi parameter model regresi linier berganda adalah metode

kuadrat terkecil atau sering juga disebut metode Ordinary Least Square (OLS).

Metode ini bertujuan untuk meminimumkan jumlah kuadrat error. Penaksiran OLS

untuk adalah sebagai berikut [11]:

( ) (2.13)

dengan, [

]

( )

, Y=[

]

,

[

]

( )

dengan :

Y : Vektor respon berukuran

: Vektor parameter berukuran

X : Matriks variabel bebas berukuran

: Banyaknya variabel penjelas

: Banyaknya data

Page 23: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

13

Persamaan (2.12) dapat ditulis dengan . Sehingga,

( ) ( )

( ) ( )

( ) ( ) ( ) (2.14)

Selanjutnya untuk mendapatkan penduga parameter dengan meminimumkan

persamaan diatas menggunakan persamaan (2.9) dan (2.11) kemudian hasilnya

disamadengankan nol :

( )

( )

( )

( ) (2.15)

Sehingga, penduga parameter adalah :

( )

2.8 Uji Simultan Regresi Global

Uji simultan adalah pengujian yang dilakukan secara bersama-sama pada

variabel penjelas untuk mengetahui variabel penjelas yang mempengaruhi

variabel respon dengan menggunakan analisis varians (ANOVA) yang

ditampilkan pada tabel 2.1 sebagai berikut [11]:

Page 24: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

14

Tabel 2.1 Analisis Varians Model Regresi Linier

Sumber

Variasi

Derajat

Bebas

Jumlah Kuadrat Rata-rata

Kuadrat

F-Hitung

Regresi P ∑( )

MSR =

Error n-p-1 ∑( )

MSE=

Total n-1 ∑( )

Hipotesis

:

: minimal terdapat satu ,

Statistik uji :

(2.16)

Kriteria uji :

Jika ( ) atau jika maka ditolak

Jika ( ) atau jika maka diterima

2.9 Uji Parsial

Uji parsial adalah metode pengujian yang dilakukan untuk mengetahui

pengaruh variabel penjelas secara individu terhadap variabel respon[11].

Page 25: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

15

Hipotesis

:

: dengan i= 1, 2, ... , k

Statistik uji :

( ) (2.17)

dengan

( ) √

∑ ( )

dimana :

MSE : Mean Square Error dari model regresi

: nilai prediktor pada pengamatan ke-i

: nilai rata-rata variabel prediktor

Kriteria uji :

Jika ( ) atau jika maka ditolak

Jika ( ) atau jika maka diterima

2.10 Hetegenitas Spasial

Heterogenitas spasial digunakan untuk mengetahui apakah terdapat

karakteristik yang berbeda di setiap lokasi pengamatan. Pengaruh yang terjadi

akibat adanya heteroskedastisitas spasial adalah adanya parameter regresi yang

berbeda-beda secara spasial. Uji heterogenitas spasial dapat diuji dengan

menggunakan uji Breusch-Pangan [13].

Page 26: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

16

Hipotesis :

( )

( ) ( )

(variansi antar lokasi sama),

i= 1,2,..., n

paling sedikit terdapat satu ( )

( )(variansi antar lokasi

berbeda)

Statistik uji :

(

) ( ) (

) (

)

(2.18)

dengan,

:

: (

)

: Kuadrat sisaan untuk pengamatan ke-i

: Ragam residual ( )

: Matriks yang sudah dinormal bakukan untuk setiap pengamatan

berukuran n x (p+1)

: Matriks pembobot lokasi i dengan lokasi j dengan fungsi pembobot

: Tr( )

Kriteria uji

Jika ( ) atau jika maka ditolak

Jika ( ) atau jika maka diterima

Page 27: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

17

2.11 Model Geographically Weighted Regression (GWR)

Model Geographically Weighted Regression (GWR) adalah perluasan dari

model regresi linier OLS (regresi global) menjadi model regresi terboboti

pengaruh spasial yang bersifat lokal pada setiap lokasi pengamatan, dimana setiap

parameter dihitung pada setiap titik lokasi, sehingga setiap titik lokasi geografis

mempunyai nilai parameter regresi yang berbeda-beda [14]. Metode Weighted

Least Square merupakan salah satu cara untuk mengestimasi parameter

dengan meminumkan jumlah kuadrat eror (sum square error) yang

mengandung heterogenitas spasial.

Model dari GWR dapat ditulis sebagai persamaan :

( ) ∑ ( ) (2.19)

dimana :

: Nilai observasi variabel respon untuk lokasi ke-i

: Nilai observasi penjelas ke-k pada lokasi pengamatan ke-i

( ) : Nilai intercept model regresi GWR

( ) : Koefisien regresi variabel penjelas ke-k pada lokasi pengamatan

ke-i

( ) : Koordinat letak geografis (lintang, bujur) dari lokasi pengamatan

ke-i

: Eror pengamtan ke-i

Parameter yang dihasilkan pada model GWR akan berbeda – beda pada

setiap lokasi pengamatan, sehingga terdapat parameter yang harus diestimasi,

dimana adalah jumlah lokasi pengamatan dan adalah jumlah

Page 28: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

18

parameter pada masing-masing lokasi pengamatan.

2.12 Penentuan Bandwith

Bandwith adalah ukuran jarak fungsi pembobot dan jarak pengaruh suatu

lokasi pengamatan terhadap lokasi yang lain. Untuk setiap lokasi yang dekat

dengan lokasi pengamatan maka akan lebih berpengaruh dalam membentuk

parameter model lokasi. Pemilihan bandwith optimum penting karena akan

mempengaruhi ketepatan model terhadap data. Nilai bandwith yang sangat kecil

akan mengakibatkan variansi yang besar sehingga sedikit lokasi yang berada

dalam radius. Oleh karena itu digunakan kriteria minimum cross validation (CV)

untuk menentukan bandwidth optimum, nilai bandwidth optimum ditunjukkan

dengan nilai CV minimum [15]. Cross validation (CV) dapat dirumuskan sebagai

berikut :

(CV) = ∑ ( ( ))

(2.20)

dimana

( ) : nilai estimasi dimana pengamatan lokasi ( ) dihilangkan

dari proses estimasi

N : jumlah sampel penelitian.

2.13 Pembobot Model Geographically Weighted Regression

Pada analisis yang dipengaruhi faktor spasial, penaksiran parameter di suatu

titik ( ) akan lebih pengaruh oleh titik-titik yang dekat dengan lokasi ( )

dari pada titik yang lebih jauh. Oleh karena itu, pemilihan pembobot spasial

Page 29: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

19

sangatlah penting pada model GWR. Tujuan pembobot pada model GWR adalah

untuk menampilkan nilai pembobot yang mewakili letak data pengamatan satu

dengan letak data pengamatan yang lainnya. Terdapat beberapa fungsi pembobot

yang dapat digunakan pada model GWR, pada penelitian ini pembobot yang

digunakan adalah Kernel Adaptive Gaussian. Kernel Adaptive Gaussian adalah

fungsi kernel yang memiliki bandwidth berbeda pada setiap lokasi pengamatan

[14].

Gambar 2.1 Fungsi Kernel Adaptive

(Sumber : Fotheringham, A.S., Brundson, C., 2002. Geographically

Weighted Regression. Chichester:109)

Dengan perhitungan statistik Fungsi Kernel Adaptive Gaussian sebagai berikut

(

(

)

) (2.21)

dimana

√( ) ( ) : jarak antara titik lokasai i dan lokasi j

h : nilai bandwidth

2.14 Estimasi Parameter Model Geographically Weighted Regression (GWR)

Estimasi parameter model Geographically Weghted Regression (GWR)

dilakukan menggunakan model Weighted Least Square (WLS) yaitu dengan

Page 30: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

20

memberikan pembobot yang berbeda untuk setiap lokasi dimana data diamati.

Sehingga parameter model untuk setiap lokasinya adalah [14]:

( ) (2.22)

[

]

( )

, Y=[

]

,

[

]

( )

Persamaan (2.22) dapat ditulis dengan ( ) . Sehingga,

( ) ( )

( ) ( )

( ) ( ) ( ) (2.23)

Selanjutnya untuk mendapatkan penduga parameter dengan meminimumkan

persamaan diatas menggunakan persamaan (2.9) dan (2.11) kemudian hasilnya

disamadengankan nol :

( )

( )

( )

( )

Sehingga, penduga parameter adalah :

( ) (2.24)

Page 31: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

21

Dimana W adalah matriks pembobot berbentuk matriks diagonal yakni,

[

]

Misalkan ( ) adalah elemen baris ke-i dari matriks X.

Maka nilai penduga untuk Y pada lokasi pengamatan ( ) dapat diperoleh

dengan cara berikut :

( )

(( ( ) ) ( ) (2.25)

Sehingga untuk seluruh pengamatan dapat ditulis dengan :

( ) dan ( )

Atau dapat pula ditulis dengan

dan ( ) (2.26)

Dimana I adalah matriks identitas berukursn n x n

Dan

[ (( ( ) )

( )

(( ( ) )

( )

(( ( ) )

( ) ]

(2.27)

2.15 Uji Parsial Parameter Geographically Weighted Regression (GWR)

Uji parsial parameter pada model GWR bertujuan untuk mengetahui

pengaruh variabel penjelas terhadap variabel respon [14]. Dengan matriks varians

dimana ((

) maka

( ) ( )

Page 32: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

22

( ) ( ) (( ) )

( ) (( ) )

( ) (( ) )

(2.28)

Selanjutnya estimator parameter ( ) diasumsikan berdistribusi normal

dengan nilai tengah ( ). Berdasarkan dalil limit pusat yaitu jika

( ) maka

( )( √ ) ⁄ ( ) sehingga didapat :

( ) ( )

( √ ) (2.29)

dengan adalah elemen diagonal ke-k dari matriks . Sehingga statistik uji

yang digunakan adalah :

( )

( √ ) (2.30)

2.16 Uji Kesesuaian Model Geographically Weighted Regression Regression

(GWR)

Uji Kesesuaian model GWR yaitu dengan mengkombinasikan uji regresi

linier global dengan model yang terboboti pengaruh spasial (GWR) sehingga

diperoleh model yang paling sesuai untuk menggambarkan data yang diperoleh

[14].

Hipotesis

: ( ) untuk setiap k = 0,1,2, ... , q dan i = 1,2, ... , n

(Tidak ada perbedaan yang signifikan antara model regresi global dan

Page 33: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

23

GWR)

: Paling tidak terdapat satu ( ) untuk setiap k = 0,1,2, ... , q

dan i = 1,2, ... , n

(Terdapat perbedaan yang signifikan antara model regresi global dan

GWR).

Pengujian kesesuaian model GWR berdasarkan nilai jumlah kuadrat Sum

Square Error ( SSE) pada regresi linier global ( ) dan pada GWR ( ) . Pada

regrsi global dengan menggunakan metode OLS diperoleh nilai SSE sebagai

berikut [14]:

( )

( )

Karena ( ) dan dimisalkan ( ) sehingga

( ) ( )

( ) (2.31)

Dan pada GWR, dimana koefisien regresi yang bervariasi secara spasial

pada persamaan yang ditentukan dengan metode WLS, maka SSE dapat ditulis

sebagai berikut[14] :

Page 34: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

24

( ) ( )

( ) ( )

( ( ) ) ( ( ) )

(( ( ) ) ( ( ) )

( )( ) (2.32)

Dengan menggunakan selisisih jumlah kuadrat residual dan maka uji

statsitik kesesuaian model GWR dapat ditulis dengan :

*( ( ) ( ))

+

* ( )

+

[ (( ) ( ) ( ))

]

[ ( ( ) ( ))

]

(2.33)

dengan

( )

[ ( ( ) )

( )

( ( ) )

( )

( ( ) )

( )]

Matriks identitas

( ) ( ) ( )

Page 35: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

25

2.17 Pemilihan Model Terbaik

Pemilihan model terbaik di lakukan untuk menentukan model mana yang

lebih tepat di gunakan untuk kejadian balita gizi buruk di provinsi Jawa Timur

dengan membanding nilai dan nilai SSE dari regresi global dan GWR. Model

yang baik adalah model yang memiliki nilai tinggi dan nilai SSE rendah.

Rumus dari dan SSE adalah sebagai berikut [11] :

Tabel 2.2 Pemilihan Model Terbaik

SSE

Global ∑ ( )

∑ ( )

∑( )

GWR ∑ ( )

∑ ( )

∑( )

Page 36: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

26

BAB III

METODE PENELITIAN

3.1 Sumber Data

Data yang digunakan dalam penelitian ini adalah data sekunder yang

diperoleh dari Dinas Kesehatan Jawa Timur dan Badan Pusat Statistik Jawa

Timur. Data tersebut merupakan data gizi buruk yang diambil dari 29 kabupaten

dan 9 kota di Provinsi Jawa Timur. Pada Provinsi Jawa Timur kejadian kasus gizi

buruk tertinggi terjadi tahun 2014, sehingga pada penelitian ini data yang

digunakan merupakan data balita gizi buruk pada tahun 2014. Data penelitian ini

terdiri dari variabel gizi buruk pada balita, berat badan lahir rendah (BBLR),

balita imunisasi lengkap, ketersediaan posyandu, pemberian vitamin A, ASI

ekslusif, keluarga yang memiliki akses air bersih dan rumah tangga miskin.

3.2 Identifikasi Variabel

Variabel yang digunakan dalam penelitian ini dapat dilihat pada tabel 3.1

sebagai berikut:

Tabel 3.1 Indentifikasi Variabel

Kode Variabel Skala Pengukuran

Variabel Respon

Y Kasus balita gizi Buruk

Rasio

Variabel Penjelas

Berat Badan Lahir Rendah (BBLR)

Rasio

Balita Imunisasi

Rasio

Page 37: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

27

Posyandu Rasio

Balita yang diberi Vitamin A

Rasio

Asi Ekslusif Rasio

Keluarga yang memiliki akses air

bersih

Rasio

Rumah Tangga Miskin

Rasio

Berikut merupakan penjelas definis variabel dari variabel-variabel yang

digunakan dalam penelitian ini:

1. Gizi buruk

Merupakan presentase kejadian gizi buruk pada balita. Perhitungan

presentase kejadian gizi buruk pada balita diperoleh dengan cara sebagai

berikut.

2. Berat badan lahir rendah (BBLR)

Merupakan presentase balita dengan berat badan lahir rendah. Perhitungan

presentase balita berat bdan lahir rendah diperoleh dengan cara sebagai

berikut.

3. Imunisasi

Merupakan presentase balita yang diimunisasi. Perhitungan presentase

balita yang diimunisasi diperoleh dengan cara sebagai berikut.

Page 38: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

28

4. Posyandu

Merupakan presentase ketersediaan posyandu. Perhitungan presentase

ketersediaan posyandu diperoleh dengan cara sebagai berikut.

5. Balita yang diberi vitamin A

Merupakan presentase balita yang diberi vitamin A. Perhitungan presentase

balita yang diberi vitamin A diperoleh dengan cara sebagai berikut.

6. ASI Ekslusif

Merupakan presentase balita yang diberi ASI ekslusif. Perhitungan

presentase balita yang diberi ASI ekslusif diperoleh dengan cara sebagai

berikut.

7. Rumah tangga yang memiliki sumber air minum layak

Merupakan presentase rumah tangga yang memiliki sumber air minum

layak. Perhitungan presentase rumah tangga yang memiliki sumber air

minum layak diperoleh dengan cara sebagai berikut.

Page 39: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

29

8. Rumah Tangga Miskin

Merupakan presentase rumah tangga miskin. Perhitungan presentase rumah

tangga miskin diperoleh dengan cara sebagai berikut.

3.3 Analisis Deskriptif

Deskriptif data yang ditampilkan pada penelitian adalah deskripsi

seluruh variabel penelitian dengan memperlihatkan nilai tertinggi dan terendah

pada setiap variabel penelitian dan peta tematik.

3.4 Pendeteksian Multikolinieritas

Model GWR merupakan model yang dapat digunakan untuk data yang tidak

mengandung multikolinearitas, sehingga data yang dimiliki untuk penelitian ini

harus tidak mengandung multikoliniearitas atau tidak adanya hubungan antar

variabel penjelas. Pendeteksian multikolieritas dapat dilakukan menggunakan uji

Valiance Inflation Factor (VIF) yaitu jika nila VIF > 10 maka dapat diambil

kesimpulan telah terjadi multikolinearitas pada data penelitian.

3.5 Uji Residual Berdistribusi Normal

Pengujian residual berdistribusi normal dilakukan menggunakan uji

Kolmogorov – Smirnov[7]. Menggunakan uji statiktik pada persamaan (2.2).

3.6 Uji Residual Bersifat Homoskedastisitas

Uji ini dilakukan dengan menggunakan uji White, langkah pengujian dari

uji White [7] menggunakan uji statistik pada persamaan (2.3).

Page 40: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

30

3.7 Estimasi Parameter Model Regresi Global

Estimasi parameter ini bertujuan untuk mendapatkan model regresi linier

berganda yang akan digunakan dalam analisis. Metode yang digunakan untuk

mengestimasi parameter model regresi linier berganda adalah metode

kuadrat terkecil atau sering juga disebut metode ordinary least square (OLS)

dengan persamaan parameter pada (2.13).

3.8 Uji Simultan Regresi Global

Uji simultan adalah pengujian yang dilakukan secara bersama-sama pada

variabel penjelas untuk mengetahui variabel penjelas yang mempengaruhi

variabel respon dengan menggunakan analisis varians (ANOVA). Dengan uji F

pada tabel 2.1.

3.9 Uji Parsial Regresi Global

Uji parsial adalah metode pengujian yang dilakukan untuk mengetahui

pengaruh variabel penjelas secara individu terhadap variabel respon[7]. Dengan

melakukan uji t pada persamaan (2.17).

3.10 Heterogenitas Spasial

Pengujian heterogenitas spasial digunakan untuk mengetahui apakah

terdapat karakteristik yang berbeda di setiap lokasi pengamatan. Uji yang

dilakukan menggunakan uji Breusch Pangan [8]. Dengan statitik Uji pada

persamaan (2.18).

Page 41: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

31

3.11 Pembobot Model Geographically Weighted Regression

Pada penelitian ini matriks pembobot yang digunakan adalah fungsi

pembobot Kernel Adaptive Gaussian. Langkah pertama yang dilakukan dalam

mencari matriks pembobot spasial adalah dengan menghitung jarak euclidiean

pada semua lokasi pengamatan. Setalah didapat jarak euclidiean untuk setiap

lokasi pengamatan maka selanjutnya dengan mencari nilai bandwidth pada

setiap lokasi pengamatan menggunakan persamaan (2.20), setelah diperoleh nilai

bandwidth untuk setiap lokasi hitung jarak euclidean dan bandwidth

menggunakan persamaan (2.21) untuk mendapatkan matriks pembobot Adaptive

Gaussian.

3.12 Estimasi Parameter Model Geographically Weghted Regression

(GWR)

Metode yang digunakan untuk estimasi parameter model

Geographically Weghted Regression (GWR) dilakukan menggunakan metodel

Weighted Least Square (WLS). Metode ini digunakan untuk data yang

mengandung heterogenitas spasial dengan cara meminimumkan jumlah kuadrat

simpangannya dan menambahkan matriks pembobot spasial.

Selanjutnya akan dijelaskan estimasi parameter menggunakan metode

kuadrat terkecil yang memuat matriks pembobot lokasi pengamatan i

dengan lokasi pengamatan ke j. Sebagai contoh akan dijelaskan estimasi

parameter model GWR pada lokasi pengamatan Kabupaten Sampang.

Misalkan model GWR Kabupaten Sampang dari persamaan (2.22)

adalah :

Page 42: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

32

Dengan =[

],

[

]

, =

[

]

dan = [

]

3.13 Uji Parsial Model Geographically Weighted Regression (GWR)

Parameter pada lokasi pengamatan ke i yang sudah didapat terlebih dahulu

diuji dengan menggunakan uji-t. Dengan stastik uji yang digunakan terdapat

pada persamaan (2.30)

3.14 Uji Kesesuaian Model (Goodness Of Fit) Geographically Wegihted

Regression (GWR)

Pada pengujian kesesuain model, dengan mengkombinasikan Sum Square

Error (SSE) regresi linier global dengan Sum Square Error (SSE) model yang

terboboti p e n g a r u h spasial GWR. Sehingga uji F yang digunakan terdapat

pada persamaan (2.33).

3.15 Pemilihan Model Terbaik

Pada tahap pemilihan model terbaik dengan membandingan nilai dan

nilai SSE dari regresi global dan GWR pada tabel 2.2. Model yang baik adalah

model yang memiliki nilai tinggi dan nilai SSE rendah.

Page 43: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

33

Page 44: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

33

3.16 Alur Penelitian

Start

Input Data

Deskripsi Data

Apakah terdapat

multikolnearitas ?

Tidak

Pengujian Asumsi Ordianry Least Square

Apakah residual

berdistribusi normal?

Apakah residual bersifat

homoskedastisitas?

Apakah terdapat pengaruh spasial ?

Tidak Ya

Regresi Global GWR

Menaksir parameter regresi global

Uji simultan regresi global

Uji parsial regresi global

Membentuk matriks pembobot

Uji parsial GWR

Uji kesesuaiuan model GWR

Pemilihan model terbaik

selesai

Apakah terdapat heterogenitas

spasial?

Ya

Tidak

Ya

Tidak

Ya

Tidak

Page 45: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

34

Page 46: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

34

BAB IV

HASIL DAN PEMBAHASAN

4.1 Karakteristik Gizi Balita di Provinsi Jawa Timur

Jawa Timur secara geografis terletak antara dan lintang

selatan dan antar dan bujur timur dengan Selat Bali sebagai

pembatas daerah bagian timur, Provinsi Jawa Tengah sebagai pembatas daerah

bagian barat, Samudra Indonesia sebagai pembatas bagian selatan serta Laut Jawa

sebagai pembatas daerah bagian utara.

Provinsi Jawa Timur merupakan Provinsi terluas di pulau Jawa dengan luas

wilayah mencakup 46.71280 . Secara administratif provinsi Jawa Timur

terbagi menjadi 29 Kabupaten dan 9 Kota dimana jumlah penduduk pada tahun

2014 sebanyak 38.847.561 ribu jiwa yang terdiri atas 19.172.610 ribu jiwa

penduduk laki-laki dan 19.674.951 ribu jiwa penduduk perempuan.

Data yang digunakan dalam penelitian ini terdiri dari satu varibel respon

yaitu kejadian balita gizi buruk pada tahun 2014 dan 7 variabel penjelas yaitu

berat badan lahir rendah (bblr), balita imunisasi lengkap, ketersediaan posyandu,

vitamin A, ASI ekslusif, keluarga yang memiliki akses air bersih dan rumah

tangga miskin pada tahun 2014 serta koordinat lokasi. Untuk mengetahui

karakteristik gizi balita di Provinsi Jawa Timur maka dilakukan analisis deskriptif

dapat dilihat pada tabel 4.1

Page 47: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

35

Tabel 4.1 Statistik Deskriptif Gizi Balita di Provinsi Jawa Timur

No Kab/Kota Y

1 Pacitan 0,144 4,577 100 2,551 71,81 19,883 13,656 19,5

2 Ponorogo 0,599 2,443 100 1,767 82,2 51,692 66,286 13,22

3 Trenggalek 1,473 2,102 97,75 1,782 74,86 5,683 36,017 15,98

4 tulung agung 0,138 3,249 98,07 1,695 90,68 5,625 75,23 10,64

5 Blitar 0,09 3,051 99,27 1,779 79,07 20,464 74,005 12,13

6 Kediri 0,212 2,293 98,01 1,498 45,7 25,155 79,799 15,52

7 Malang 0,198 1,892 98,15 1,85 84,39 75,066 16,662 12,54

8 Lumajang 0,788 3,252 98,85 1,595 96,14 58,607 61,539 13,98

9 Jember 0,051 2,888 100 1,633 77,69 67,099 69,004 13,27

10 Banyuwangi 0,45 1,902 98,42 1,96 70,49 6,704 63,507 11,25

11 Bondowoso 1,286 4,217 93,66 1,977 91,59 55,644 42,269 17,89

12 Situbondo 0,745 4,04 89,13 1,985 75,87 55,992 71,865 16,23

13 Probolinggo 0,672 3,334 93,12 1,457 90,28 15,473 9,148 25,22

14 Pasuruan 0,151 1,869 95,25 1,474 85,29 8,729 78,93 13,18

15 Sidoarjo 0,044 1,792 99,33 1,329 88,17 7,745 54,096 7,45

16 Mojokerto 0,1 2,253 100 1,627 83,77 29,974 89,782 12,23

17 Jombang 0,05 4,13 99,1 10,253 60,34 34,381 61,191 13,84

18 Nganjuk 0,169 2,501 98,31 1,718 78,25 7,124 57,372 14,91

19 Madiun 0,736 3,512 97,83 1,9 89,27 9,766 54,437 15,45

20 Magetan 0,771 4,034 100 2,153 78,35 92,963 91,719 12,94

21 Ngawi 0,86 3,479 99,33 2,242 81,25 3,742 53,556 18,26

22 Bojonegoro 0,127 2,547 98,39 1,871 92,23 40,222 13,275 18,78

23 Tuban 0,727 3,51 95,18 1,546 91,02 41,5 35,786 20,19

24 Lamongan 0,143 2,171 100 2,7 77,2 35,736 38,175 18,7

25 Gresik 0,251 2,06 100 1,478 80,63 18,234 68,776 16,42

26 Bangkalan 0,017 1,898 66,78 1,389 78,71 21,223 33,064 28,12

27 sampang 0,013 2,11 79,2 1,16 87,98 24,787 55,304 32,47

28 Pamekesan 0,781 1,93 84,5 1,301 72,73 7,745 55,712 22,47

29 Sumenep 0,107 2,56 88,91 2,023 82,86 7,643 55,638 24,61

30 Kota Kediri 0,026 3,904 96,84 2,001 76,78 24,154 50,279 9,31

31 Kota Blitar 0,044 4,014 100 1,687 86,27 38,362 4,118 7,63

32 Kota Malang 0,032 4,223 100 0,994 96,96 41,312 93,587 5,9

33 Kota

Probolinggo 3,604 7,349 96,58 1,389 94,51 17,035 75,891 19,03

34 Kota

Pasuruan

0,183 1,258 97,92 1,759 75,53 25,754 67,143 9

35 Kota 0,295 2,795 98,8 1,838 91,19 17,391 68,88 7,41

Page 48: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

36

Mojokerto

36 Kota Madiun 0,53 2,43 97,85 2,236 89,27 33,714 76,834 6,11

37 Kota

Surabaya

0,902 3,381 99,41 1,31 83,39 26,884 27,893 7,07

38 Kota Batu 0,488 2,041 98,31 1,186 85,41 59,569 36,469 5,1

Untuk mengetahui pengelompokan Kabupaten dan Kota di Provinsi Jawa

Timur berdasarkan data kejadian balita gizi buruk , berat badan lahir rendah,

imunisasi, pemberian vitamin A , ASI ekslusif , rumah tangga yang memiliki

sumber air minum layak dan rumah tangga miskin pada tahun 2014 dapat

menggunakan peta tematik. Pada penelitian ini dilakukan klasifikasi dalam peta

tematik menjadi 3 kelompok.

4.1.1 Gizi Buruk Pada Balita

Gambar 4.1 Persebaran Kejadian Gizi Buruk Pada Balita Di Provinsi Jawa

Timur Pada Tahun 2014

Page 49: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

37

Daerah yang memiliki presentase kejadian gizi buruk pada balita tertinggi

ditandai dengan biru tua dan presentase kejadian gizi buruk terendah ditandai

dengan warna putih. Gambar 4.1 membagi kejadian gizi buruk pada balita di

Provinsi jawa Timur menjadi 3 katagori yaitu sangat rendah (0,01 % - 1,21%),

sedang (1,21%-2,41%) dan tertinggi (2,41%-3,60%). Berdasarkan gambar 4.1

dapat diketahui bahwa presentase kejadian gizi buruk pada balita tertinggi terjadi

di Kota Probolinggo dengan kasus kejadian gizi buruk sebesar 3,604 persen dan

kasus balita gizi buruk sedang terjadi di Kabupaten Trenggaleng sebesar 1,413

persen sedangkan kasus kejadian gizi buruk pada balita terendah terjadi di

Kabupaten Sampang dengan kasus kejadian gizi buruk sebesar 0,013 persen.

4.1.2 Berat Badan Lahir Rendah (BBLR)

Gambar 4.2 Persebaran Berat Badan Lahir Rendah Di Provinsi Jawa Timur

Pada Tahun 2014

Page 50: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

38

Daerah yang memiliki presentase berat badan lahir rendah tertinggi ditandai

dengan ungu tua dan presentase berat badan lahir rendah terendah ditandai dengan

warna putih. Gambar 4.2 membagi berat badan lahir rendah di Provinsi jawa

Timur menjadi 3 katagori yaitu sangat rendah (1,3 % - 3,3%), sedang (3,3%-

5,3%) dan tertinggi (5,3%-7,3%). Berdasarkan gambar 4.2 dapat diketahui bahwa

presentase berat badan lahir rendah tertinggi terjadi di Kota Probolinggo dengan

jumlah BBLR sebesar 7,349 persen dan BBLR sedang terdapat di Kabupaten

Pacitan sebesar 4,557 persen sedangkan BBLR terendah terjadi di Kota pasuruan

sebesar 1,258 persen.

4.1.3 Pemberian Imunisasi

Gambar 4.3 Persebaran Pemberian Imunisasi Di Provinsi Jawa Timur Pada

Tahun 2014

Page 51: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

39

Daerah yang memiliki presentase pemberian imunisasi tertinggi ditandai

dengan hijau tua dan presentase pemberian imunisasi terendah ditandai dengan

warna putih. Gambar 4.3 membagi presentase pemberian imunisasi di Provinsi

jawa Timur menjadi 3 katagori yaitu sangat rendah (66,8% - 77,9%), sedang

(77,9%-88,9%) dan tertinggi (88,9%-100%). Berdasarkan gambar 4.3 dapat

diketahui bahwa presentase pemberian imunisasi tertinggi terjadi di Kabupaten

Pacitan sebesar 100 Persen dan pemberian imunisasi terendah terjadi di

Kabupaten Bangkalan sebesar 66,78 persen.

4.14 Ketersedian Posyandu

Gambar 4.4 Persebaran Ketersediaan Posyandu Di Provinsi Jawa Timur

Pada Tahun 2014

Page 52: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

40

Daerah yang memiliki presentase ketersediaan posyandu tertinggi ditandai

dengan biru tua dan presentase ketersediaan posyandu terendah ditandai dengan

warna putih. Gambar 4.4 membagi ketersediaan posyandu di Provinsi jawa Timur

menjadi 3 katagori yaitu sangat rendah (0,99 % - 1,56%), sedang (1,56%-2,13%)

dan tertinggi (2,13%-2,70%). Berdasarkan gambar 4.4 dapat diketahui bahwa

presentase ketersediaan posyandu tertinggi Kabupaten Pacitan sebesar 2,70 persen

dan ketersedian posyandu sedang terdapat di Kabupaten Sampanng sebesar 1,16

persen sedangkan terendah terdapat di Kota malang sebesar 0,99 persen.

4.1.5 Pemberian Vitamin A

Gambar 4.5 Persebaran Pemberian Vitamin A Di Provinsi Jawa Timur

Pada Tahun 2014

Page 53: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

41

Daerah yang memiliki presentase Pemberian Vitamin A tertinggi ditandai

dengan ungu tua dan presentase ketersediaan posyandu terendah ditandai dengan

warna putih. Gambar 4.5 membagi Pemberian Vitamin A di Provinsi jawa Timur

menjadi 3 katagori yaitu sangat rendah (46 % - 63%), sedang (63%-80%) dan

tertinggi (80%-97%). Berdasarkan gambar 4.5 dapat diketahui bahwa presentase

Pemberian Vitamin A tertinggi Kota Malang sebesar 96,96 persen dan presentase

Pemberian Vitamin A sedang terjadi di kota Ponorogo sebesar 72,2 persen

sedangkan presentase Pemberian Vitamin A terendah terdapat di Kabupaten

Kediri sebesar 45,70 persen.

4.1.6 Pemberian ASI Ekslusif

Gambar 4.6 Persebaran Pemberian ASI Ekslusif Di Provinsi Jawa Timur

Pada Tahun 2014

Page 54: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

42

Daerah yang memiliki presentase Pemberian ASI Ekslusif tertinggi ditandai

dengan coklat dan presentase Pemberian ASI Ekslusif sedang ditandai dengan

warna orange sedangkan presentase Pemberian ASI Ekslusif terendah ditandai

dengan warna putih. Gambar 4.6 membagi Pemberian ASI Ekslusif di Provinsi

jawa Timur menjadi 3 katagori yaitu sangat rendah (4 % - 33%), sedang (33%-

63%) dan tertinggi (63%-93%). Berdasarkan gambar 4.6 dapat diketahui bahwa

presentase Pemberian ASI Ekslusif tertinggi terdapat di Kabupaten Magetan

sebesar 92,96 persen dan pemberian ASI ekslusif sedang terdapat di Kabupaten

Jember sebesar 69,004 persen sedangkan presentase pemberian ASI Ekslusif

terendah terdapat di kabupaten Ngawi sebesar 3,74 persen.

4.17 Rumah Tangga Yang Memiliki Sumber Air Minum Layak

Gambar 4.7 Persebaran Rumah Tangga Yang Memiliki Sumber Air Minum

Layak Di Provinsi Jawa Timur Pada Tahun 2014

Page 55: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

43

Daerah yang memiliki presentase rumah tangga yang memiliki air minum

layak tertinggi ditandai dengan coklat dan presentase rumah tangga yang memiliki

air minum layak sedang ditandai dengan warna orange sedangkan presentase

rumah tangga yang memiliki air minum layak terendah ditandai dengan warna

putih. Gambar 4.7 membagi rumah tangga yang memiliki air minum layak di

Provinsi jawa Timur menjadi 3 katagori yaitu sangat rendah (4 % - 34%), sedang

(34%-64%) dan tertinggi (64%-94%). Berdasarkan gambar 4.7 dapat diketahui

bahwa presentase rumah tangga yang memiliki air minum layak tertinggi tertinggi

terdapat di Kota Malang sebesar 93.58 peresen dan presentase rumah tangga yang

memiliki air minum layak sedang terdapat di Kabupaten Ngawi sebesar 53,556

persen sedangkan presentase rumah tangga yang memiliki sumber air minum

layak terendah terdapat di Kota Blitar sebesar 4,12 persen.

4.18 Rumah Tangga Miskin

Gambar 4.8 Persebaran Rumah Tangga Miskin Di Provinsi Jawa Timur

Pada Tahun 2014

Page 56: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

44

Daerah yang memiliki presentase rumah tangga miskin ditandai dengan merah tua

dan presentase rumah tangga miskin sedang ditandai dengan warna merah muda

sedangkan presentase rumah tangga miskin terendah ditandai dengan warna putih.

Gambar 4.8 membagi rumah tangga miskin di Provinsi jawa Timur menjadi 3

katagori yaitu sangat rendah (5,1 % - 14,2%), sedang (14,2%-23,3%) dan tertinggi

(23,3%-32,5%). Berdasarkan gambar 4.8 dapat diketahui bahwa presentase rumah

tangga miskin tertinggi terdapat di Kabupaten Sampang sebesar 32.47 persen dan

presentase rumah tangga miskin sedang terdapat di Kabupaten Banyuwangi

sebesar 11,25 persen sedangkan presentase angka rumah tangga miskin terendah

terjadi di Kota Batu sebesar 5.10 persen.

4.2 Uji Asumsi Multikolinieritas

Pengujian asumsi multikolinearitas merupakan tahap awal sebelum

melakukan Regresi Liniear atau Regresi Global dan Geographicallly Weighted

Regression. Berikut adalah hasil nilai VIF untuk masing-masing variabel.

Tabel 4.2 Uji Asumsi Multikolinearitas

Variabel VIF Kesimpulan

1,260 Tidak Multikolinearitas

2,128 Tidak Multikolinearitas

1,347 Tidak Multikolinearitas

1,392 Tidak Multikolinearitas

1,070 Tidak Multikolinearitas

1,109 Tidak Multikolinearitas

2,227 Tidak Multikolinearitas

Page 57: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

45

Berdasarkan tabel 4.2 dapat dilihat bahwa seluruh variabel penjelas

memiliki nilai VIF yang tidak melebihi 10, sehingga dapat disimpulkan tidak

terjadi multikolinearitas atau antar variabel penjelas tidak saling berhubungan.

4.3 Pengujian Residual Berdistribusi Normal

Berikut Adalah hasil dari uji Kolmogorov –Smirnov:

Tabel 4.3 Uji Asumsi Normalitas

Kolmogorov-

Smirnov Asymp.Signifikan Kesimpulan

0,123 0,156 Terima H0

Berdasarkan tabel 4.3 dapat diketahui bahwa diterima karena nilai

signifikan lebih besar dari , sehingga dapat disimpulkan bahwa residual

berdistribusi normal.

4.4 Pengujian Residual Bersifat Homoskedastisitas

Berikut adalah hasil dari uji White :

Tabel 4.4 Uji Homoskedastisitas

Kesimpulan

2,063 2,26 Terima

Berdasarkan tabel 4.4 dapat diambil kesimpulan bahwa dengan taraf kepercayaan 5

% diterima yang berarti residual bersifat homoskedastisitas pada data pengamatan

kejadian balita gizi buruk di provinsi Jawa Timur pada tahun 2014.

Page 58: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

46

4.5 Estimasi Parameter Model Regresi Berganda

Estimasi model regresi berganda (global) menggunakan metode ordinary least

square (OLS). Berikut akan ditampilkan estimasi parameter untuk regresi global

pada kejadian balita gizi buruk di Provinsi Jawa Timur.

Tabel 4.5 Penaksiran Parameter Model Regresi Global

Parameter Taksiran Standard Error

Konstanta 1,564 2,273

0,357 0,086

0,007 0,019

-0,106 0,07

-0,001 0,01

-0,002 0,004

-0,002 0,003

0,017 0,020

Sehingga model regresi global dengan menggunakan nilai taksiran di atas

adalah

Berdasarkan model di atas dapat menjelaskan bahwa apabila terjadi

peningkatan jumlah BBLR di Provinsi jawa Timur sebesar 1 persen maka

kejadian gizi buruk di Provinsi Jawa timur akan mengalami peningkatan sebesar

0,357 persen dimana variabel penjelas lainnya bersifat konstan. Dan juga semakin

banyak balita yang melakukan imunisasi maka akan semakin banyak data status

gizi pada balita yang tercatat. Sehingga jika balita imunisasi naik 1 persen maka

Page 59: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

47

kejadian gizi buruk meningkat sebesar 0,007 persen dimana variabel lain bersifat

konstan. Penurunan gizi buruk di Provinsi Jawa Timur sebesar 0,106 persen

jika ketersediaan posyandu naik 1 persen dan juga kejadian balita gizi buruk di

Provinsi Jawa Timur akan mengalami penurunan sebesar persen jika balita

yang diberi vitamin A naik 1 persen. Kejadian balita gizi buruk juga akan

mengalami penurunan sebesar 0,002 persen jika pemberian ASI Eklusif naik

sebesar 1 persen, kejadian gizi buruk di Provinsi Jawa Timur juga akan

mengalami penurunan sebesar 0,002 persen jika jumlah rumah tangga yang

memiliki sumber air minum layak naik 1 persen dan akan mengalami kenaikan

sebesar 0,017 persen jika presentase rumah tangga miskin naik 1 persen dimana

variabel penjelas yang lain bersifat konstan.

4.6 Uji Simultan Model Regresi Global

Uji parameter secara simultan dilakukan dengan menggunakan hipotesis

sebagai berikut :

: Tidak terdapat variabel penjelas yang berpengaruh terhadap kejadian balita

gizi buruk di Provinsi Jawa Timur.

: Minimal terdapat satu variabel penjelas yang berpengaruh terhadap kejadian

balita gizi buruk di Provinsi Jawa Timur

Page 60: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

48

Tabel 4.6 Uji Simultan Model Regresi Global

Sumber

Keragaman

Residual

SS Df MS F

Regresi 6,782 7 0,969

Residual 8,479 30 0,283

Total 15,261 37 3,428

Berdasarkan tabel 4.6 diketahui nilai

maka dapat diambil keputusan tolak yang artinya minimal terdapat satu

variabel penjelas pada penelitian ini yang dapat mempengaruhi kejadian balita

gizi buruk di Provinsi Jawa Timur.

4.7 Uji Parsial Regresi Global

Uji Parsil yang dilakukan menggunakan hipotesis sebagai berikut :

: Variabel penjelas ke-i tidak berpengaruh terhadap kejadian balita gizi buruk

di Provinsi Jawa Timur.

: Variabel penjelas ke-i berpengaruh terhadap kejadian balita gizi buruk di

Provinsi Jawa Timur.

Tabel 4.7 Uji Parsial Model Regresi Global

Varibel Kesimpulan

Konstanta 0.688 2,359 Terima

4,141 2,359 Tolak

0,418 2,359 Terima

1,497 2,359 Terima

0,127 2,359 Terima

Page 61: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

49

0,535 2,359 Terima

0,524 2,359 Terima

0,845 2,359 Terima

Bersadasarkan tabel 4.7 dengan taraf kepercayaan 5% di ketahui bahwa

variabel berat badan lahir rendah(BBLR) mempengaruhi kejadian balita gizi

buruk di Provinsi Jawa Timur.

4.8 Uji Heterogenitas Spasial

Sebelum melakukan uji model geographically weighted regression (GWR)

pengujian heteroskedastisitas perlu dilakukan untuk mengetahui ada tidaknya

keragaman akibat pengaruh spasial. Uji heterogenitas spasial dapat dilakukan

dengan uji Bruesch-Pangan dengan hipotesis sebagai berikut :

terjadi heterogenitas antar wilayah

Tabel 4.8 Uji Heterogenitas Spasial

Kesimpulan

14,453 14,07 Tolak

Berdasarkan hasil uji breusch-pagan didapat nilai = 14,4536

sehingga ditolak, yang berarti terdapat heterogenitas spasial atau

terdapat perbedaan ragam antar Kabupaten dan Kota di Provinsi Jawa Timur.

Page 62: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

50

4.9 Pemilihan Bandwidth

Sebelum mencari nilai bandwidth langkah pertama yang harus dilakukan

adalah mencari jarak antar lokasi pengamatan (jarak euclidean) berdasarkan garis

lintang dan garis bujur setiap Kabupaten dan Kota di Provinsi Jawa Timur. Hasil

perhitungan jarak euclidean dapat dilihat pada lampiaran 4.

Setalah mendapatkan jarak euclidean antar lokasi pengamatan langkah

selanjutnya adalah mencari bandwidth optimum. Nilai bandwidth digunakan

untuk mendapatkan matriks pembobot spasial pada setiap Kabupaten dan Kota di

Provinsi Jawa Timur. Pemilihan bandwidth terbaik adalah dengan

meminimumkan nilai cross validation. Pada penelitian ini matriks pembobot

spasial yang digunakan adalah fungsi Kernel Adaptive Gaussian, sehingga nilai

bandwidth akan berbeda untuk setiap Kabupaten dan Kota di Provinsi Jawa

Timur. Berikut ini bandwidth pada Kabupaten dan Kota menggunakan fungsi

Kernel Adaptive Gaussian.

Tabel 4.9 Pemilihan Bandwidth

No Kabupaten / Kota Bandwidth No Kabupaten /

Kota Bandwidth

1 Kab.Pacitan 1,1681 20 Kab. Magetan 0,8796

2 Kab.Ponorogo 0,9334 21 Kab. Ngawi 0,9344

3 Kab.Trenggalek 0,7482 22 Kab.Bojonegoro 0,9108

4 Kab.Tulungagung 0,7393 23 Kab.Tuban 0,9796

5 Kab.Blitar 0,7442 24 Kab.Lamongan 9,6397

6 Kab.Kediri 0,6932 25 Kab.Gresik 0,7350

7 Kab.Malang 4,8825 26 Kab.Bangkalan 1,0118

8 Kab.Lumajang 0,9017 27 Kab.Sampang 1,3456

9 Kab.Jember 1,3803 28 Kab.Pamekasan 1,0995

10 Kab.Banyuwangi 1,4320 29 Kab.Sumenep 2,7516

11 Kab.Bodowoso 1,0503 30 Kota Kediri 0,6566

12 Kab.Situbondo 1,4320 31 Kota Blitar 1,1375

Page 63: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

51

13 Kab. Purbolinggo 0,7482 32 Kota Malang 0,6502

14 Kab.Pasuruan 0,9155 33 Kota Probolinggo 0,7808

15 Kab.Sidoarjo 0,8341 34 Kota Pasuruan 0,7308

16 Kab.Mojekerto 0,6355 35 Kota Mojekerto 0,7310

17 Kab.Jombang 0,6680 36 Kota Madiun 0,7808

18 Kab.Nganjuk 0,6490 37 Kota Surabaya 0,8527

19 Kab.Madiun 0,8074 38 Kota Batu 9,6804

4.10 Matriks Pembobot

Setelah memperoleh nilai bandwidth optimum, maka langkah selanjutnya

adalah memperoleh matriks pembobot pada masing-masing Kabupaten dan Kota.

Pada penelitian ini akan digunakan pembobot fungsi Adaptive Gaussian. Berikut

akan ditampilkan matiks pembobor spasial Adaptive Gaussian pada lokasi

pengamatan yaitu Kabupaten Sampang ( ). Untuk matriks pembobot

seluruh lokasi pengamatan dapat dilihat pada lampiran 5.

( ) [ ( ) ( ) ( )]

[ ]

4.11 Estimasi Parameter Model GWR

Estiamsi parameter model GWR menggunakan metode weight least square

(WLS) yaitu dengan menambahkan fungsi pemboobot spasial adaptive gaussian.

Berikut akan ditampilkan estimasi parameter GWR pada salah satu lokasi

pengamatan yang ada di Provinsi Jawa Timur yaitu Kabupaten Sampang.

Tabel 4.10 Penaksiran Parameter Model GWR Pada Kabupaten Sampang

Parameter Taksiran Standard Error

Konstanta 1,330 2,111

Page 64: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

52

0,505 0,087

0,010 0,175

-0,137 0,056

-0,006 0,008

-0,007 0,004

-0,00014 0,003

0,019 0,020

Sehingga model GWR pada Kabupaten Sampang dengan menggunakan

nilai taksiran di atas adalah

Berdasarkan model diatas dapat menjelaskan bahwa apabila terjadi

peningkatan jumlah BBLR di Kabupaten Sampang sebesar 1 persen maka

kejadian gizi buruk di Kabupaten Sampang akan mengalami peningkatan sebesar

0,128 persen dimana variabel penjelas lainnya bersifat konstan. Dan juga semakin

banyak balita yang melakukan imunisasi maka akan semakin banyak data status

gizi pada balita yang tercatat. Akan tetapi menurut dinas kesehatan Provinsi Jawa

Timur sebagian besar masyarakat di Provinsi Jawa Timur mempunyai kebiasaan

atau budaya akan melakukan pelayanan imunisasi hanya pada tahap pertama dan

memelakukan imunisai jika balitanya mengalami infeksi tertentu. Hal ini

menyebabkan data kejadian gizi buruk meningkat sebesar 0,010 persen dimana

variabel lain bersifat konstan. Terjadi perbedaan interpretasi model dengan teori

kesehatan pada variabel imunisasi ( ). Hal serupa juga di utarakan oleh Budi

Faisol Wahyudi pada penelitiannya yang berjudul analisis faktor yang berkaitan

Page 65: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

53

dengan kasus gizi buruk pada balita di Kabupaten Sampang yang menyimpulkan

bahwa terdapat 5 dari 6 sempel balita di Kabupaten Sampang dengan status telah

diimunisasi mengalami gizi buruk. Hal ini dikarenakan masyarakat kabupaten

sampang hanya melakukan imunisasi pada balita sebanyak satu kali. penurunan

gizi buruk di Kabupaten Sampang sebesar 0,137 persen jika ketersediaan

posyandu naik 1 persen dan juga kejadian balita gizi buruk di Kabupaten

Sampang akan mengalami penurunan sebesar persen jika balita yang diberi

vitamin A naik 1 persen. Kejadian balita gizi buruk juga akan mengalami

penurunan sebesar 0,007 persen jika pemberian ASI Eklusif naik sebesar 1

persen, kejadian gizi buruk di Kabupaten Sampang juga akan mengalami

penurunan sebesar 0,00014 persen jika jumlah rumah tangga yang memiliki air

layak minum naik 1 persen dan akan mengalami kenaikan sebesar 0,019 persen

jika presentase rumah tangga miskin naik 1 persen dimana variabel penjelas yang

lain bersifat konstan.

4.12 Pengujian Parsial Model GWR

Pengujian parsial pada model GWR digunakan untuk mengetahui faktor-

faktor yang mempengaruhi kejadian balita gizi buruk di setiap kabupaten maupun

kota di Provinsi Jawa Timur pada tahun 2014. Berikut merupakan pengujian

parsial pada Kabupaten Sampang di Provinsi Jawa Timur Dengan hipotesis

sebagai berikut :

:variabel penjelas ke-i tidak berpengaruh secara signifikan pada Kabupaten

Sampang)

Page 66: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

54

: variabel penjelas ke-i berpengaruh secara signifikan pada Kabupaten

Sampang)

Tabel 4.11 Uji Parsial Model GWR di Kabupaten Sampang

Varibel Kesimpulan

Konstanta 0.690 2,413 Terima

6,767 2,413 Tolak

0,633 2,413 Terima

2,463 2,413 Tolak

0,758 2,413 Terima

1,977 2,413 Terima

0,398 2,413 Terima

1,025 2,413 Terima

Bersadasarkan tabel 4.11 juga dapat diketahui bahwa dengan taraf

kepercayaan 5% terdapat faktor yang berpengaruh nyata pada Kabupaten

Sampang adalah variabel BBLR( ) dan posyandu ( ).

Pada model GWR kondisi di suatu lokasi pengamatan akan memiliki

hubungan yang erat dengan lokasi lain yang berdekatan. Hal tersebut sesuai

dengan hukum I Tobler yaitu “segala sesuatu saling berhubungan satu dengan

yang lainnya, tapi sesuatu yang lebih dekat lebih mempunyai pengaruh dari pada

sesuatu yang jauh”. Sehingga pada penelitian ini akan mengkaji tiga lokasi yang

memiliki jarak berbeda terhapad kabupaten Sampang, yaitu Kabupaten

Pamekasan, Kota Mojekerto dan Kabupaten Pacitan.

Page 67: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

55

4.12.1 Estimasi Parameter dan Uji Parsial Kabupaten Pamekasan

a. Matriks Pembobot Kabupaten Pamekasan

Berikut adalah matriks pembobot spasial adaptive gaussian pada

Kabupaten Pamekasan :

( ) [ ( ) ( ) ( )]

[ ]

b. Estimasi Parameter Kabupaten Pamekasan

Berikut akan ditampilkan estimasi parameter GWR pada Kabupaten

Pamekasan:

Tabel 4.12 Penaksiran Parameter Model GWR pada Kabupaten Pamekasan

Parameter Taksiran Standard Error

Konstanta 1,486 1,874

0,446 0,070

0,009 0,015

-0,126 0,055

-0,0031 0,008

-0,0045 0,003

-0,0001 0,003

0,0175 0,017

Sehingga model GWR pada Kabupaten Pamekasan dengan menggunakan

nilai taksiran di atas adalah

Page 68: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

56

Berdasarkan model di atas dapat menjelaskan bahwa apabila terjadi

peningkatan jumlah BBLR di kabupaten Pamekasan sebesar 1 persen maka

kejadian gizi buruk di Kabupaten Pamekasan akan mengalami peningkatan

sebesar 0,446persen dimana variabel penjelas lainnya bersifat konstan, dan juga

semakin banyak balita yang melakukan imunisasi maka akan semakin banyak data

status gizi pada balita yang tercatat. Akan tetapi menurut dinas kesehatan

Provinsi Jawa Timur sebagian besar masyarakat di Provinsi Jawa Timur

mempunyai kebiasaan atau budaya akan melakukan pelayanan imunisasi hanya

pada tahap pertama dan melakukan imunisai jika balitanya mengalami infeksi

tertentu. Sehingga menyebabkan data kejadian gizi buruk meningkat sebesar

0,009 persen jika jumlah balita yang di imunisasi naik 1 persen dan kejadian

balita gizi buruk di Kabupaten Pamekasan akan mengalami penurunan sebesar

0,126 persen jika ketersediaan posyandu naik 1 persen dan juga kejadian balita

gizi buruk di Kabupaten Pamekasan akan mengalami penurunan sebesar 0,005

persen jika presentasi balita yang diberi vitamin A naik 1 persen. Kejadian balita

gizi buruk juga akan mengalami penurunan sebesar 0,0004 persen jika pemberian

ASI Eklusif naik sebesar 1 persen, kejadian gizi buruk di kabupaten Pamekasan

juga akan mengalami penurunan sebesar 0,0024 jika jumlah rumah tangga yang

memiliki air layak naik 1 persen dan akan mengalami kenaikan sebesar 0,039

persen jika rumah tangga miskin naik 1 persen dimana variabel penjelas yang lain

bersifat konstan.

Page 69: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

57

c. Pengujian Parsial Model GWR Kabupaten Pamekasan

Pengujian parameter model GWR digunakan untuk mengetahui faktor-

faktor yang mempengaruhi kejadian balita gizi buruk di Kabupaten Pamekasan di

Provinsi Jawa Timur pada Tahun 2014. Dengan hipotesis sebagai berikut :

: variabel penjelas ke-i tidak berpengaruh secara signifikan pada Kabupaten

Pamekasan)

: variabel penjelas ke-i berpengaruh secara signifikan pada Kabupaten

Pamekasan)

Tabel 4.13 Pengujian Parsial Model GWR di Kabupaten Pamekasan

Varibel Kesimpulan

Konstanta 0,6361 2,413 Terima

6,373 2,413 Tolak

0,622 2,413 Terima

2,6063 2,413 Tolak

0,3834 2,413 Terima

2,1242 2,413 Terima

0,448 2,413 Terima

0,9924 2,413 Terima

Bersadasarkan tabel 4.13 juga dapat diketahui bahwa faktor yang

berpengaruh nyata pada Kabupaten Pamekasa dengan taraf kepercayaan 5%

adalah variabel penjelas berat badan lahir rendah ( ) dan posyandu ( ).

Page 70: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

58

4.12.2 Estimasi Parameter dan Uji Parsial Kabupaten Jombang

a. Matriks Pembobot Kabupaten Jombang

Berikut adalah matriks pembobot spasial adaptive gaussian pada

Kabupaten Jombang :

( ) [ ( ) ( ) ( )]

[ ]

b. Estimasi Parameter Kabupaten Jombang

Berikut akan ditampilkan estimasi parameter GWR pada Kabupaten

Jombang:

Tabel 4.14 Penaksiran Parameter model GWR pada Kabupaten Jombang

Parameter Taksiran Standard Error

Konstanta 7,492 2,010

0,342 0,078

0,019 0,016

-0,092 0,056

-0,0001 0,008

-0,0048 0,004

-0,0009 0,003

0,038 0,019

Sehingga model GWR pada Kabupaten Jombang dengan menggunakan nilai

taksiran di atas adalah

Page 71: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

59

Berdasarkan model di atas dapat menjelaskan bahwa apabila terjadi

peningkatan jumlah BBLR di Kabupaten Jombang sebesar 1 persen maka

kejadian gizi buruk di Kabupaten Jombang akan mengalami peningkatan sebesar

0,342 persen dimana variabel penjelas lainnya bersifat konstan, dan juga semakin

banyak balita yang melakukan imunisasi maka akan semakin banyak data status

gizi pada balita yang tercatat. Akan tetapi menurut dinas kesehatan Provinsi Jawa

Timur sebagian besar masyarakat di Provinsi Jawa Timur mempunyai kebiasaan

atau budaya akan melakukan pelayanan imunisasi hanya pada tahap pertama dan

memelakukan imunisai jika balitanya mengalami infeksi tertentu. Sehingga

menyebabkan data kejadian gizi buruk meningkat sebesar 0,019 persen jika

jumlah balita yang di imunisasi naik 1 persen dan kejadian balita gizi buruk di

Kabupaten Jombang akan mengalami penurunan sebesar 0,092 persen jika

ketersediaan posyandu naik 1 persen dan juga kejadian balita gizi buruk di

Kabupaten Jombang akan mengalami penurunan sebesar 0,0001 persen jika

presentasi balita yang diberi vitamin A naik 1 persen. Kejadian balita gizi buruk

juga akan mengalami penurunan sebesar 0,004 persen jika pemberian ASI Eklusif

naik sebesar 1 persen, kejadian gizi buruk di kabupaten Jombang juga akan

mengalami penurunan sebesar 0,0009 persen jika jumlah keluarga yang

memiliki air layak naik 1 persen dan akan mengalami kenaikan sebesar 0,085

persen jika rumah tangga miskin naik 1 persen dimana variabel penjelas yang lain

bersifat konstan.

Page 72: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

60

c. Pengujian Parsial Model GWR Kabupaten Jombang

Pengujian parameter model GWR digunakan untuk mengetahui faktor-

faktor yang mempengaruhi kejadian balita gizi buruk di kabupaten Jombang di

Provinsi Jawa Timur pada Tahun 2014. Dengan hipotesis sebagai berikut :

: variabel penjelas ke-i tidak berpengaruh secara signifikan pada Kabupaten

Jombang)

: variabel penjelas ke-i berpengaruh secara signifikan pada Kabupaten

Jombang)

Tabel 4.15 Uji Parsial Model GWR di Kabupaten Jombang

Varibel Kesimpulan

Konstanta 1,367 2,413 Terima

4,357 2,413 Tolak

1,164 2,413 Terima

- 1,642 2,413 Terima

0,012 2,413 Terima

1,145 2,413 Terima

0,371 2,413 Terima

1,918 2,413 Terima

Bersadasarkan tabel 4.15 juga dapat diketahui bahwa faktor yang

berpengaruh nyata pada Kabupaten Jombang dengan taraf kepercayaan 5%

adalah variabel penjelas berat badan lahir rendah ( ).

Page 73: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

61

4.12.3 Estimasi Parameter dan Uji Parsial Kabupaten Pacitan

a. Matriks Pembobot Kabupaten Pacitan

Berikut adalah matriks pembobot spasial adaptive gaussian pada

Kabupaten Pacitan :

( ) [ ( ) ( ) ( )]

[ ]

b. Estimasi Parameter Kabupaten Pacitan

Berikut akan ditampilkan estimasi parameter GWR pada Kabupaten Pacitan:

Tabel 4.16 Penaksiran Parameter model GWR pada Kabupaten Pacitan

Parameter Taksiran Standard Error

Konstanta 2,690 2,111

0,128 0,087

0,015 0,175

-0,048 0,056

-0,0006 0,008

-0,001 0,004

-0,00035 0,003

0,041 0,020

Sehingga model GWR pada Kabupaten Pacitan dengan menggunakan nilai

taksiran d iatas adalah

Berdasarkan model diatas dapat menjelaskan bahwa apabila terjadi

peningkatan jumlah BBLR di Kabupaten Pacitan sebesar 1 persen maka kejadian

Page 74: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

62

gizi buruk di Kabupaten Pacitan akan mengalami peningkatan sebesar

0,128dimana variabel penjelas lainnya bersifat konstan dan juga semakin banyak

balita yang melakukan imunisasi maka akan semakin banyak data status gizi pada

balita yang tercatat. Akan tetapi menurut dinas kesehatan Provinsi Jawa Timur

sebagian besar masyarakat di Provinsi Jawa Timur mempunyai kebiasaan atau

budaya akan melakukan pelayanan imunisasi hanya pada tahap pertama dan

memelakukan imunisai jika balitanya mengalami infeksi tertentu. Sehingga

menyebabkan data kejadian gizi buruk meningkat sebesar 0,015 jika jumlah

balita yang di imunisasi naik 1 persen dan kejadian balita gizi buruk di Kabupaten

Pacitan akan mengalami penurunan sebesar 0,048 persen jika ketersediaan

posyandu naik 1 persen dan juga kejadian balita gizi buruk di Kabupaten Pacitan

akan mengalami penurunan sebesar 0,006 persen jika balita yang diberi vitamin

A naik 1 persen. Kejadian balita gizi buruk juga akan mengalami penurunan

sebesar 0,001 persen jika pemberian ASI Eklusif naik sebesar 1 persen, kejadian

gizi buruk di Kabupaten Pacitan juga akan mengalami penurunan sebesar 0,0035

jika jumlah keluarga yang memiliki air layak naik 1 persen dan akan mengalami

kenaikan sebesar 0,041 persen jika rumah tangga miskin naik 1 persen dimana

variabel penjelas yang lain bersifat konstan.

c. Pengujian Parsial Model GWR Kabupaten Pacitan

Pengujian parameter model GWR digunakan untuk mengetahui faktor-

faktor yang mempengaruhi kejadian balita gizi buruk di kabupaten Ponorogo di

Provinsi Jawa Timur pada tahun 2014. Dengan hipotesis sebagai berikut :

Page 75: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

63

: variabel penjelas ke-i tidak berpengaruh secara signifikan pada Kabupaten

Pacitan)

: variabel penjelas ke-i berpengaruh secara signifikan pada Kabupaten

Pacitan)

Tabel 4.17 Uji Parsial Model GWR di Kabupaten Pacitan

Varibel Kesimpulan

Konstanta 1,200 2,413 Terima

1,384 2,413 Terima

0,810 2,413 Terima

- 0,820 2,413 Terima

0,688 2,413 Terima

0,229 2,413 Terima

0,822 2,413 Terima

2,051 2,413 Terima

Bersadasarkan tabel 4.17 juga dapat diketahui bahwa dengan taraf

kepercayaan 5% tidak ada faktor dalam penelitian ini yang dapat berpengaruh

nyata pada Kabupaten Pacitan.

Berdasarkan penjabaran diatas dengan 3 lokasi yang memiliki jarak berbeda

terhadap kabupaten Sampang, dapat diketahui bahwa kabupaten Pamekasan yang

memiliki jarak terdekat dengan Kabupaten Sampang memiliki pengaruh yang

lebih besar terhadap Kabupaten Sampang.

Model GWR yang dihasilkan pada masing-masing lokasi pengamatan akan

berbeda-beda bergantung pada nilai koefisien regresi GWR dan variabel penjelas

yang signifikan mempengaruhi variabel respon. Keragaman koefisien regresi ini

Page 76: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

64

merupakan bentuk ketidakstabilan struktural yang menggambarkan adanya

keheterogenan wilayah. Berdasarkan analisis model GWR terdapat 3 kelompok

kategori variabel yang mempengaruhi setiap Kabupaten dan Kota di Provinsi

Jawa Timur, sebagai berikut :

Tabel 4.18 Pengelompokkan Variabel Penjelas Yang Signifikan Dalam

Model GWR Tiap Kabupaten dan Kota di Provinsi Jawa Timur.

Kabupaten dan Kota Variabel yang mempengaruhinya

Kabupaten Mojekerto, Kabupaten

Nganjuk, Kabupaten Madiun,

Kabupaten Magetan, Kabupaten

Ngawi, Kota Madiun, Kabupaten

Kediri, Kota kediri , Kabupaten

Blitar, Kabupaten Ponorogo,

Kabupaten Pacitan.

Tidak ada Variabel yang signifikan

Kabupaten Bojonegoro dan

Kabupaten Tuban, Kabupaten

Lamongan, Kabupaten Gresik,

Kabupaten Sidoarjo, Kabupaten

Jombang, Kabupaten Bangkalan,

Kabupaten Sumenep, Kabupaten

Pasuruan, Kota Pasuruan, Kota Batu,

Kota Surabaya, Kota Malang,

Kabupaten Probolinggo, Kabupaten

Lumajang, Kabupaten Situbondo,

Kabupaten Jember dan Kabupaten

Banyuwangi.

Bayi Berat Lahir Rendah (BBLR)

Kota Probolinggo, Kabupaten

Sampang, Kabupaten Pamekasan,

Bayi Berat Lahir Rendah (BBLR)

dan Posyandu

Page 77: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

65

Kabupaten Bondowoso

Berikut dijabarkan model GWR setiap kabupaten dan kota dengan

pengelompokkan berdasarkan variabel penjelas yang signifikan dapat

mempengaruhi presentase kejadian balita gizi buruk di Provinsi Jawa Timur.

1. Model GWR pada Kelompok Pertama

Dimana tidak ada variabel penjelas yang signifikan mempengaruhi kejadia

gizi buruk terdiri dari Kabupaten Mojekerto, Kabupaten Nganjuk,

Kabupaten Madiun, Kabupaten Magetan, Kabupaten Ngawi, Kota Madiun,

Kabupaten Kediri, Kota kediri, Kabupaten Blitar, Kabupaten Ponorogo dan

Kabupaten Pacitan. Seperti kota Pacitan merupakan termasuk wilayah yang

relatif berkembang dengan insfratukture kesehatan yang relatif lengkap, hal

ini secara tidak langsung berdampak positif terhadap wilayah sekitarnya.

Kabupaten Ponorogo merupakan wilayah yang memiliki daya tarik

pariwisata yang dengan kesenian reog yang terkenal serta sumber daya alam

yang bagus dapat meningkatkan perekonomian. Sehingga dimungkinka

variabel penjelas yang terdapat pada penelitian ini tidak mempunyai

pengaruh secara nyata terhadap kejadian balita gizi buruk di beberapa

wilayah tersebut.

2. Model GWR pada Kelompok 2 dengan variabel penjelas yang signifikan

BBLR ( )

Page 78: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

66

Tabel 4.19 Model GWR Tiap Kabupaten dan Kota di Provinsi Jawa Timur

dengan Variabel yang Signifikan BBLR ( )

Kabupaten dan Kota Model GWR

Kabupaten Bojonegoro

Kabupaten Tuban

Kabupaten Malang

Kabupaten Sidoarjo

Kabupaten Lamongan

Kabupaten Sumenep

Kota Pasuruan

Kota Batu

Kabupaten Probolinggo

Kabupaten Jombang

Kota Blitar

Kota Malang

Kabupaten Banyuwangi

Kabupaten Situbondo

Kabupaten Bangkalan

Kota Probolinggo

Kota Surabaya

Kabupaten Gresik

Kabupaten Pasuruan

Kabupaten Lumajang

Kabupaten Jember

Page 79: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

67

Pada tabel 4.19 dapat dilihat model GWR yang terbentuk menjelaskan

bahwa untuk variabel penjelas BBLR ( ) memiliki hubungan yang positif

terhadap presentase kejadian balita gizi buruk dikelompok 2. Yang artinya

semakin tinggi presentase BBLR ( ) makan akan semakin bertambah pula

presentase balita gizi buruk.

3. Model GWR pada Kelompok 3 dengan variabel penjelas yang signifikan

BBLR ( ) dan posyandu ( )

Tabel 4.20 Model GWR Tiap Kabupaten dan Kota di Provinsi Jawa Timur

dengan Variabel yang Signifikan BBLR ( ) Posyandu ( )

Kabupaten dan Kota Model GWR

Kabupaten Bondowoso Kabupaten Sampang

Kabupaten Pamekasan

Pada tabel 4.20 dapat dilihat model GWR Yang terbentuk menjelaskan

bahwa variabel penjelas BBLR ( ) memiliki hubungan yang positif pada

presentase balita gizi buruk di Kabupaten dan Kota kelompok 3. Yang artinya

semakin tinggi presentase BBLR di Kabupaten dan Kota kelompok 3 maka

presentase kejadian balita gizi burukpun akan semakin tinggi. Sedangkan untuk

variabel penjelas posyandu ( ) memiliki hubungan yang negatif pada kabupaten

dan kota tersebut, yang artinya jika ketersedian posyandu meningkat dapat

menurunkan presentase kejadian balita gizi buruk di Kabupaten dan Kota

dikelompok 3.

Page 80: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

68

Berikut akan ditampilkan peta tematik yang akan memperlihatkan variabel

penjelas yang mempengaruhi ke jadian balita gizi buruk di setiap Kabupaten dan

Kota di Provinsi Jawa Timur.

Gambar 4.9 Peta Tematik Penyebaran Variabel yang Signifikan pada

Setiap Kabupaten dan Kota di Provinsi Jawa Timur

Berdasarkan gambar 4.18 memperlihatkan bahwa variabel penjelas yang

dapat mempengaruhi presentase kejadian gizi buruk di Provinsi Jawa Timur pada

setiap lokasi berbeda-beda dan cendrung mengumpul pada lokasi tertentu.

Page 81: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

69

4.13 Pengujian Kesesuain Model GWR

Pengujian kesesuain model GWR dilakukan untuk mengetahui apakah

terdapat perbedaan yang signifikan antara model regresi linier (global) dengan

GWR , dengan hipotesis yang digunakan adalah :

tidak ada perbedaan yang signifikan antara model regresi global dan GWR

terdapat perbedaan yang signifikan antara model regresi global dan GWR

Tabel 4.21 Uji Kesesuaian Model GWR

Sumber

Keragaman

Residual

SS Df MS F

Residual Global 8,479 30

GWR

improvement

4.311 8,0958 0,532

GWR residual 4,167 21,904 0,190 2,799

Berdasarkan tabel 4.21 di peroleh nilai = 2,799 dengan taraf

kepercayan 5 % didapat nilai = 2,487 sehingga nilai > maka

dapat disimpulkan ditolak yang artinya terdapat perbedaan yang signifikan

antara regresi global dengan GWR.

4.14 Pemilihan Model Terbaik

Perbandinagan model terbaik merupakan proses evaluasi dari model untuk

mengetahui seberapa besar peluang masing-masing model yang terbentuk sudah

sesuai dengan data. Pada penelitian ini dibandingkan model regrresi linier dengan

pendekatan OLS dan GWR berdasarkan kriteria dan SSE yang diperoleh dari

Page 82: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

70

lampiran 14. Hasil perbandingan kedua metode tersebut dapat dilihat pada tabel

4.22.

Tabel 4.22 Pemilihan Model Terbaik

Model SSE

Regresi Global 44 % 8,479

GWR 72 % 4,167

Berdasarkan tabel 4.22 diperoleh informasi bahwa berdasarkan nilai dan

nilai SSE, model GWR lebih baik dibandingkan model regresi global dengan

pendakatan OLS. Model GWR Terbukti mampu meningkatkan nilai dan

menurunkan nila SSE.

Page 83: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

71

BAB V

KESIMPULAN DAN SARAN 5.1 Kesimpulan 1. Data yang digunakan dalam pemodelan mengandung pengaruh spasial

sehingga dilakukan pemodelan GWR dengan perhitungan menggunakan

matriks pembobot Adaptive Gaussian. Berdasarkan hasil pemodelan

dengan GWR diperoleh model yang berbeda- beda pada untuk setiap

wilayah kabupaten dan kota di Provinsi Jawa Timur. Berikut salah satu

model pada Kabupaten Sampang Provinsi Jawa Timur.

2. Dengan variabel penjelas berat badan lahir rendah mempengaruhi

sebagian besar wilayah Kabupaten dan Kota Provinsi Jawa Timur.

3. Terdapat 3 katagori pengelompokkan Kabupaten dan Kota di Provinsi

Jawa Timur menurut variabel-variabel yang signifikan mempengaruhi

gizi buruk pada balita. Katagori pertama, dimana tidak ada satu variabel

penjelas yang signifikan mempengaruhi gizi buruk pada balita, terdiri

dari Kabupaten Mojekerto, Kabupaten Nganjuk, Kabupaten Madiun,

Kabupaten Magetan, Kabupaten Ngawi, Kota Madiun, Kabupaten Kediri,

Kota kediri , Kabupaten Blitar, Kabupaten Ponorogo dan Kabupaten

Pacitan. Katagori kedua dimana wilayah di pengaruhi oleh berat badan lahir

rendah, terdiri dari Kabupaten Bojonegoro, Kabupaten Tuban, Kabupaten

Malang, Kabupaten Sidoarjo, Kabupaten Lamongan, Kabupaten

Sumenep, Kabupaten Pasuruan, Kota Batu, Kabupaten Probolinggo,

Page 84: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

72

Kabupaten Jombang, Kota blitar, Kota Malang, Kabupaten Banyuwangi,

Kabupaten Situbondo, Kabupaten Bangkalan, Kabupaten Probolinggo,

Kota Surabaya, Kabupaten Gresik. Selanjutnya katagori ke tiga dimana

wilayah gizi buruk pada balita dipengaruhi oleh berat bdan lahir rendah dan

posyandu terdiri dari Kabupaten Bondowoso, Kabupaten Sampang dan

Kabupaten Pamekasan. Berikut peta tematik pengelompokan kabupaten

dan Kota sesuai dengan variabel yang mempengaruhinya.

4. Model terbaik menggunakan model GWR dengan nilai sebesar 72

persen dan SSE sebesar 4,167.

5.2 Saran

1. Upaya yang dapat dilakukan pemerintah untuk mengurangi jumlah kejadian

balita gizi buruk di Provinsi Jawa Timur adalah peningkatan penyebaran

Page 85: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

73

pelayanan posyandu, penyebaran pelayanan imunisasi, peningkatan

gerakan pemberian ASI ekslusif dan mengurangi presentasi kemiskinan di

setiap kabupaten dan kota.

2. Pada penelitian ini hanya menggunkan faktor sosial dan ekonomi sebagai

variabel penjelas yangdiduga dapat mempengaruhi gizi buruk di Provinsi

Jawa Timur, diharapkan untuk peneliti selanjutnya dapat menambahkan

lagi faktor lainnya seperti pendidikan.

3. Penelitian ini dapat dilanjutkan dengan menggunakan fungsi matriks

pembobot spasial yang lain seperti kernel gaussian, kernel bisquare

kernel adaptive bisquare dan juga dapat menggunakan matriks pembobot

spasial bertipe area seperti rook contiguity , quuen contiguit.

Page 86: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

73

DAFTAR PUSTAKA

[1] Bahrun Abu Bakar. 2003. Tafsir Ibnu Katsir Juz 7.Bandung: Sinar Baru

Algensindo.

[2] WHO Kesehatan Keluarga dan Masyarakat. Diakses 27 September 2017/20.15

http://who.or.id/ourwords.asp?id=ow3

[3] Profil Kesehatan Indonesia. Diakses 27 September 2017/21.00

www.depkes.go.id/.../profil-kesehatan-indonesia/profil-kesehatan-

indonesia-2014.pdf

[4] Depkes.go.id-Kemenkes. Diakses 27 September 2017/21.47

www.depkes.go.id/.../profil-kesehatan-indonesia/profil-kesehatan-

indonesia-2012.pdf

[5] Kesehatan Provinsi jawa Timur Tahun 2012. Diakses 27 September2017/22.50

www.depkes.go.id/.../profil-kesehatan-indonesia/profil-kesehatan-

provinsi-jawa-timur-2012.pdf

[6] Yasin, H., 2011. Pemilihan Variabel Pada Model Geographically Weighted

Regression , Jurnal Media Statistika, 4, hal63-72

[7] Tanadjaja,Ardianto .2017. Pemodelan Angka Harapan Hidup di Papua dengan

Metode Geographically Weighted Regressian. Surabaya: Intitut

Teknologi Sepuluh Nopember

[8] Utami, TW,. 2017. Pengangguran Terbuka Provinsi Jawa Tengah

Menggunakan Metode Geographically Weighted Regressian. Semarang.

Universitas Muhammadiyyah Semarang.

[9] Widarjono, Agus., 2009.Ekonometrika Pengantar dan Aplikasi. Edisi

Ketiga.Yogyakarta : Ekonisia.

[10] Anselin, L., 1998. Spatial Econometric: Method and Models. Netherkands :

Kluwer Academic Publisher.

[11] Fotheringham, A.S., Brundson, C., 2002. Geographically Weighted

Regression. Chichester : John Wiley and Sons.

Page 87: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

74

[12] J.Barnes, 2011. Matrix Differntiational. USA. Departement of Civil

Engineering. Universitas of Minnesota.

[13] D.Christopher., 2011. Local Models For Spatial Analysis. Second Edition.

New York : CRC Press.

[14] Fotheringham, A.S., Brundson, C., 2000. Qualitative Geography

Perpeectives on Spatial Data Analysis. London : SAGE Publication

Inc

Page 88: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

75

LAMPIRAN 1: Pendeteksian Multikolinearitas

Model

Collinearity Statistics

Tolerance VIF

1 (Constant)

BBLR ,793 1,260

Imunisasi ,470 2,128

Posyandu ,743 1,347

Vitamin A ,718 1,392

ASI Ekslusif ,934 1,070

Keluarga yang Memiliki Akses

Air Bersih ,902 1,109

Rumah Tangga Miskin ,449 2,227

LAMPIRAN 2: Normalitas

LAMPIRAN 3: Heterogenitas Spasial Breusch-Pagan

studentized Breusch-Pagan test

data: regresi BP = 14.4536, df = 7, p-value = 0.04368

One-Sample Kolmogorov-Smirnov Test

Unstandardized Residual

N 38

Normal Parametersa,b

Mean ,0000000

Std. Deviation ,47870170

Most Extreme Differences Absolute ,123

Positive ,123

Negative -,095

Test Statistic ,123

Asymp. Sig. (2-tailed) ,156c

Page 89: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

76

LAMPIRAN 4: Matriks Euclidean Jarak antar Kabupaten dan Kota di Provinsi Jawa Timur

1 2 3 4 5 6 7 8 9 10 38

1 0 0,43 0,63 0,73 0,74 0,89 6,27 1,78 2,51 2,87 11,27

2 0,43 0 0,05 0,98 0,61 1,23 1,21 1,33 1,17 0,65 2,27

3 0,63 0,34 0 0,11 0,12 0,29 5,69 1,18 1,92 1,88 10,69

4 0,73 0,40 0,11 0 0,01 0,18 5,62 1,11 1,85 2,15 10,62

5 0,74 0,40 0,12 0,01 0 0,17 5,62 1,11 1,85 2,15 10,62

6 0,89 0,50 0,29 0,18 0,17 0 5,54 1,05 1,79 2,05 10,54

7 6,27 6,02 5,69 5,62 5,62 5,54 0 4,51 3,77 3,53 5

8 1,78 1,51 1,18 1,11 1,11 1,05 4,51 0 0,74 1,10 9,51

9 2,5 2,25 1,92 1,85 1,85 1,79 3,77 0,74 0 0,61 8,77

10 2,5 2,55 1,88 2,15 2,15 2,05 3,53 1,10 0,61 0 8,52

11 2,47 2,16 1,85 1,76 1,76 1,66 3,90 0,72 0,46 0,39 11,3

12 2,87 1,093 2,25 2,15 2,15 2,054 3,53 1,10 0,61 0 8,52

13 1,3 1,05 0,74 0,65 0,65 0,57 4,97 0,47 1,21 1,50 9,97

38 11,27 11,02 10,69 10,62 10,62 10,54 5 9,51 8,77 8,52 0

Keterangan Kabupaten dan Kota :

1. Kab.Pacitan 5. Kab.Blitar 9. Kab.Jember 13.Kab. Probolinggo

2. Kab.Ponorogo 6. Kab.Kediri 10.Kab. Banyuwangi

3. Kab.Trenggalek 7. Kab.Malang 11.Kab.Bondowoso

4. Kab.Tulungagung 8. Kab.Lumajang 12.Kab.Situbondo 38. Kota.Batu

Page 90: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

77

LAMPIRAN 5 : Matriks Pembobot Adaptive Gauss Antar Kabupaten dan Kota di Provinsi Jawa Timur

1 2 3 4 5 6 7 8 9 10 38

1 1 0,898 0,700 0,997 0,793 0,948 0,993 0,827 0,676 0,880 0,507

2 0,934 1 0,997 0,415 0,712 0,202 0,969 0,334 0,697 0,901 0,972

3 0,863 0,977 1 0,987 0,985 0,912 0,506 0,420 0,378 0,420 0,543

4 0,818 0,946 0,987 1 0,999 0,966 0,515 0,468 0,406 0,321 0,547

5 0,816 0,945 0,986 0,999 1 0,969 0,515 0,468 0,405 0,322 0,547

6 0,747 0,885 0,924 0,996 0,973 1 0,524 0,505 0,429 0,357 0,552

7 5E-08 3E-10 2E-14 0,440 6E-14 0,181 1 3E-07 0,023 0,047 0,875

8 0,309 0,347 0,284 0,720 0,361 0,483 0,998 1 0,864 0,740 0,617

9 0,099 0,083 0,036 0,505 0,053 0,225 0,999 0,715 1 0,912 0,663

10 0,099 0,083 0,042 0,505 0,061 0,227 0,999 0,741 0,999 1 0,678

11 0,105 0,090 0,046 0,510 0,066 0,231 0,999 0,758 0,999 0,999 1E-31

12 0,048 0,032 0,010 0,465 0,016 0,196 0,999 0,498 0,998 0,999 0,67

13 0,500 0,600 0,606 0,895 0,704 0,826 0,995 0,888 0,766 0,916 0,588

38 5E-22 5E-31 4E-46 0,440 1E-45 0,181 1 7E-26 0,997 0,999 1

Keterangan Kabupaten dan Kota :

5. Kab.Pacitan 5. Kab.Blitar 9. Kab.Jember 13.Kab. Probolinggo

6. Kab.Ponorogo 6. Kab.Kediri 10.Kab. Banyuwangi

7. Kab.Trenggalek 7. Kab.Malang 11.Kab.Bondowoso

8. Kab.Tulungagung 8. Kab.Lumajang 12.Kab.Situbondo 38. Kota.Batu

Page 91: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

78

LAMPIRAN 6: Output Model Geographically Weighted Regression dengan

GWR4

ADAPTIVE GAUSSIAN GWR

***********************************************************************

******

* Semiparametric Geographically Weighted Regression

*

* Release 1.0.90 (GWR 4.0.90)

*

* 12 May 2015

*

* (Originally coded by T. Nakaya: 1 Nov 2009)

*

*

*

* Tomoki Nakaya(1), Martin Charlton(2), Chris Brunsdon (2)

*

* Paul Lewis (2), Jing Yao (3), A Stewart Fotheringham (4)

*

* (c) GWR4 development team

*

* (1) Ritsumeikan University, (2) National University of Ireland,

Maynooth, *

* (3) University of Glasgow, (4) Arizona State University

*

***********************************************************************

******

Program began at 12/11/2017 2:24:03 PM

***********************************************************************

******

***********************************************************************

******

Data filename: D:\punya iif\gwr\gizi buruk JATIM.csv

Number of areas/points: 38

Model settings---------------------------------

Model type: Gaussian

Geographic kernel: adaptive Gaussian

Method for optimal bandwidth search: interval search

Criterion for optimal bandwidth: CV

Number of varying coefficients: 8

Number of fixed coefficients: 0

Modelling options---------------------------------

Standardisation of independent variables: OFF

Testing geographical variability of local coefficients: On

Local to Global Variable selection: OFF

Global to Local Variable selection: OFF

Prediction at non-regression points: OFF

Variable settings---------------------------------

Page 92: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

79

Area key: field1: Kab/Kota

Easting (x-coord): field10 : Longitude

Northing (y-coord): field11: Latitude

Cartesian coordinates: Euclidean distance

Dependent variable: field2: Gizi

Offset variable is not specified

Intercept: varying (Local) intercept

Independent variable with varying (Local) coefficient: field3: BBLR

Independent variable with varying (Local) coefficient: field4: Imun

Independent variable with varying (Local) coefficient: field5: Posyandu

Independent variable with varying (Local) coefficient: field6: Vitamin

Independent variable with varying (Local) coefficient: field7: ASI

Independent variable with varying (Local) coefficient: field8: AAB

Independent variable with varying (Local) coefficient: field9: Miskin

***********************************************************************

******

***********************************************************************

******

Global regression result

***********************************************************************

******

< Diagnostic information >

Residual sum of squares: 8.478747

Number of parameters: 8

(Note: this num does not include an error variance term for a Gaussian

model)

ML based global sigma estimate: 0.472361

Unbiased global sigma estimate: 0.531625

-2 log-likelihood: 50.838435

Classic AIC: 68.838435

AICc: 75.267006

BIC/MDL: 83.576711

R square: 0.444405

Adjusted R square: 0.291137

Variable Estimate Standard Error t(Est/SE)

-------------------- --------------- --------------- ---------------

Intercept -1.564189 2.273268 -0.688080

BBLR 0.357464 0.086318 4.141261

Imun 0.007995 0.019125 0.418027

Posyandu -0.106144 0.070869 -1.497743

Vitamin -0.001323 0.010346 -0.127916

ASI -0.002212 0.004132 -0.535470

AAB -0.002048 0.003902 -0.524810

Miskin 0.017470 0.020654 0.845858

***********************************************************************

******

GWR (Geographically weighted regression) bandwidth selection

***********************************************************************

******

Bandwidth search <golden section search> min, max

0.321093, 0.388325

Bandwdith: 0.381966 Criterion: 16.65956

Valid_fit

Page 93: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

80

Bandwdith: 0.618034 Criterion: 17.60031

Valid_fit

Bandwdith: 0.236068 Criterion: 17.1771

Valid_fit

Bandwdith: 0.3989584 Criterion: 16.75308

Valid_fit

Bandwdith: 0.3409377 Criterion: 16.76818

Valid_fit

Bandwdith: 0.3662946 Criterion: 16.54158

Valid_fit

Bandwdith: 0.3566091 Criterion: 16.62501

Valid_fit

Bandwdith: 0.3682174 Criterion: 16.52942

Valid_fit

Bandwdith: 0.3734689 Criterion: 16.57706

Valid_fit

Bandwdith: 0.3688819 Criterion: 16.52942

Valid_fit

Bandwdith: 0.3680555 Criterion: 16.5274

Valid_fit

Bandwdith: 0.3683908 Criterion: 16.52474

Valid_fit

Bandwdith: 0.3685784 Criterion: 16.52618

Valid_fit

Bandwdith: 0.3684315 Criterion: 16.52461

Valid_fit

Bandwdith: 0.3684816 Criterion: 16.52514

Valid_fit

Bandwdith: 0.3684315 Criterion: 16.52461

Valid_fit

Best bandwidth size 0.3684315

Minimum CV 16.52461

***********************************************************************

******

GWR (Geographically weighted regression) result

***********************************************************************

******

Bandwidth and geographic ranges

Bandwidth size: 0.3684315

Diagnostic information

Residual sum of squares: 4.16702

Effective number of parameters (residual: 2traceS - traceS'S): 16.09578

Effective degrees of freedom (residual: 2traceS - traceS'S): 21.90422

Sigma (residual: 2traceS - traceS'S): 0.436163

Effective number of parameters (model: traceS): 13.32811

Effective degrees of freedom (model: traceS): 24.67189

Sigma (model: traceS): 0.4109713

Sigma (ML): 0.3311471

AICc : 71.87491

R square: 0.7269437

***********************************************************************

******

GWR ANOVA Table

Page 94: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

81

***********************************************************************

******

Source SS DF MS

F

----------------- ------------------- ---------- --------------- ------

----

Global Residuals 8.479 30.000

GWR Improvement 4.311 8.0958 0.53259

GWR Residuals 4.167 21.9042 0.19024

2.7996

***********************************************************************

******

Program terminated at 12/11/2017 2:24:04 PM

Page 95: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

82

LAMPIRAN 7: Estimasi Parameter Model GWR Untuk Setiap Lokasi Pengamatan

Kabupaten/Kota

Kab.Pacitan -2.690 0.128 -0.048

Kab.Ponorogo -2.543 0.094 -0.042

Kab.Trenggalek -2.423 0.055 -0.037

Kab.Tulungagung -2.576 0.095 -0.044

Kab.Blitar -2.591 0.101 -0.045

Kab.Kediri -2.572 0.126 -0.050

Kab.Malang -1.437 0.391 -0.116

Kab.Lumajang -2.906 0.457 -0.114

Kab.Jember -2.336 0.480 -0.122

Kab.Banyuwangi -1.740 0.509 -0.135

Kab.Bondowoso -1.936 0.532 -0.139

Kab.Situbondo -1.740 0.509 -0.135

Kab.Probolinggo -3.082 0.368 -0.095

Kab.Pasuruan -2.821 0.451 -0.113

Kab.Sidoarjo -2.253 0.473 -0.124

Kab.Mojokerto -2.089 0.156 -0.056

Kab.Jombang -2.749 0.342 -0.092

Kab.Nganjuk -2.005 0.074 -0.039

Kab.Madiun -2.290 0.116 -0.045

Kab.Magetan -2.365 0.095 -0.041

Kab.Ngawi -2.425 0.147 -0.051

Kab.Bojonegoro -2.173 0.272 -0.077

Kab.Tuban -1.985 0.335 -0.092

Kab.Lamongan -1.230 0.372 -0.114

Page 96: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

83

Kab.Gresik -2.573 0.426 -0.111

Kab.Bangkalan -1.491 0.494 -0.134

Kab.Sampang -1.330 0.505 -0.137

Kab.Pamekasan -1.267 0.543 -0.149

Kab.Sumenep -1.486 0.446 -0.126

Kota Kediri -2.891 0.157 -0.055

Kota Blitar -3.171 0.304 -0.078

Kota Malang -2.663 0.239 -0.072

Kota Probolinggo -1.940 0.546 -0.146

Kota Pasuruan -2.360 0.438 -0.115

Kota Mojokerto -2.560 0.409 -0.107

Kota Madiun -2.354 0.100 -0.043

Kota Surabaya -2.022 0.486 -0.129

Kota Batu -1.243 0.371 -0.113

Page 97: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

84

LAMPIRAN 8: Nilai untuk Setiap Lokasi Pengamatan

Kabupaten/Kota

Kab.Pacitan 1.384 0.810

Kab.Ponorogo 1.0307 0.7527

Kab.Trenggalek 0.5896 0.6544

Kab.Tulungagung 1.0595 0.7769

Kab.Blitar 1.1260 0.7933

Kab.Kediri 1.4135 0.8810

Kab.Malang 5.8003 2.123

Kab.Lumajang 6.0267 2.0376

Kab.Jember 6.4406 2.1757

Kab.Banyuwangi 6.7522 2.3915

Kab.Bondowoso 6.8079 2.4181

Kab.Situbondo 6.7522 2.3915

Kab.Probolinggo 4.8325 1.7005

Kab.Pasuruan 5.9967 2.0314

Kab.Sidoarjo 6.2453 2.2148

Kab.Mojokerto 1.6051 0.9797

Kab.Jombang 4.3570 1.6412

Kab.Nganjuk 0.6993 0.6775

Kab.Madiun 1.1777 0.7969

Kab.Magetan 0.9561 0.7206

Kab.Ngawi 1.5800 0.9000

Kab.Bojonegoro 3.2979 1.3806

Kab.Tuban 4.3131 1.6454

Kab.Lamongan 5.5338 2.0809

Page 98: PEMODELAN GIZI BURUK PADA BALITA DI …repository.uinjkt.ac.id/dspace/bitstream/123456789/48365...semua provinsi di Indonesia, tingkat angka gizi buruk balita di Jawa Timur pada tahun

85

Kab.Gresik 5.5807 1.9884

Kab.Bangkalan 6.5764 2.3942

Kab.Sampang 6.7672 2.4631

Kab.Pamekasan 6.9822 2.6063

Kab.Sumenep 6.3732 2.2732

Kota Kediri 1.8276 0.9746

Kota Blitar 4.1250 1.4088

Kota Malang 2.8571 1.2682

Kota Probolinggo 6.8028 2.4937

Kota Pasuruan 5.7139 2.0579

Kota Mojokerto 5.3528 1.9182

Kota Madiun 1.0431 0.7681

Kota Surabaya 6.4105 2.2997

Kota Batu 5.5181 2.0738