Penerapan Model Geographically Weighted Lasso pada Kasus Stunting Tingkat Kabupaten/Kota di Provinsi Jawa Barat Tahun 2023
Abstract
Abstract. Stunting is the impaired growth and development of children due to chronic malnutrition and recurrent infections characterised by body length or height below standard values. Spatial analysis is used to see whether there are spatial effects, namely data homogeneity or heterogeneity. It is necessary to test using the Geographically Weighted Regression (GWR) method to see these spatial effects. However, this method is not sufficient to be used if there is multicollinearity or a relationship between independent variables in each region of measurement. Therefore, testing is done using the Geographially Weighted Lasso (GWL) method which is an extension of the GWR method. This study aims to apply the GWL model to see spatial risk factors in stunting cases in Bandung city in an effort to reduce stunting rates. GWR modelling is done to be able to overcome the heterogeneity problem, but there is a new problem, namely the emergence of multicollinearity in the GWR model, multicollinearity occurs in the variable infants with malnutrition status ( ). To deal with this problem, it is necessary to do further modelling using the GWL method. With a coefficient of determination of 87.61%, the model can explain that the number of LBW babies ( ), the number of babies receiving exclusive breastfeeding ( ), the number of proper sanitation ( ), and the number of babies with poor nutritional status ( ) can affect the number of stunting cases in West Java Province. It is known that the number of babies with poor nutritional status ( ) has a significant effect in each district /city in West Java Province.
Abstrak. Stunting merupakan gangguan pertumbuhan dan perkembangan anak akibat kekurangan gizi kronis dan infeksi berulang yang ditandai dengan panjang atau tinggi badan yang berada di bawah nilai standar. Analisis spasial digunakan untuk melihat ada tidaknya efek spasial, yaitu kehomogenan data atau heterogenitas. Perlu dilakukan pengujian dengan menggunakan metode Geographically Weighted Regression (GWR) untuk melihat efek spasial tersebut. Namun, metode tersebut belum cukup untuk digunakan apabila terjadi multikolinearitas atau adanya hubungan antarvariabel bebas di setiap wilayah pengamaan. Maka dilakukan pengujian dengan menggunakan metode Geographially Weighted Lasso (GWL) yang meupakan perluasan dari metode GWR. Penelitian ini bertujuan untuk menerapkan model GWL untuk melihat faktor risiko secara spasial pada kasus stunting di kota Bandung dalam upaya penekanan penurunan angka stunting. Pemodelan GWR dilakukan untuk dapat mengatasi masalah heterogenitas tersebut, namun terdapat masalah baru yaitu munculnya multikolinearitas pada model GWR, multikolinearitas tersebut terjadi pada variabel bayi dengan status gizi kurang ( ). Untuk menangani masalah tersebut maka perlu dilakukan pemodelan selanjutnya dengan menggunakan metode GWL. Dimana dengan nilai koefisien determinasi sebesar 87.61% model tersebut dapat menjelaskan bahwa jumlah bayi BBLR ( ), jumlah bayi yang menerima ASI eksklusif ( ), jumlah sanitasi layak ( ), dan jumlah bayi dengan status gizi kurang ( ) dapat memengaruhi jumlah kasus stunting di Provinsi Jawa Barat.Diketahui bahwa jumlah bayi dengan status gizi kurang ( ), berpengaruh secara signifikan di setiap wilayah kabupaten/kota di Provinsi Jawa Barat.
References
Alfaridh, A. Y. (2021). Peningkatan Kesadaran dan Pengetahuan tentang ASI Eksklusif pada Remaja dan Ibu dengan Penyuluhan serta Pembentukan Kader Melalui Komunitas "CITALIA". Jurnal Pengabdian Kesehatan Masyarakat (Pengmaskesmas), 1(2), 119-127.
Anis, S. (2017). Pemodelan Tingkat Kemiskinan Pulau Jawa dengan Metode Geographically Weighted Lasso [Thesis]. Universitas Padjajaran.
Lestari, S. S. S., Meimela, A., & Revildy, W. D. (2021). Analisis Faktor Tingkat Pengangguran Terbuka Dengan Metode Geographically Weighted Lasso. Seminar Nasional Official Statistics, 2020(1), 1286–1293. https://doi.org/10.34123/semnasoffstat.v2020i1.693
Mahalani, A. J. (2022). Least Absolute Shrinkage and Selection Operator (LASSO) untuk Mengatasi Multikolinearitas pada Model Regresi Linear Berganda. Bandung Conference Series: Statistics, 2(2), 119-125.
Open Data Jabar. (2023, October 4). Data Terbaru! Prevalensi Stunting di Jabar Menurun 4,3%, Pencapaian Target WHO Semakin Dekat. Https://Opendata.Jabarprov.Go.Id/
Ramadhan, A. Z. (2013). Perbandingan Metode Geographically Weighted LASSO (GWL)-Lokal dan Metode Geographically Weighted Lasso (GWL)-Global dalam Mengatasi Kasus Multikolinieritas Lokal pada Model Geographically Weighted Regression (GWR). Skripsi, 1–30
Setiyorini, A. (2017). Implementations of geographically weighted lasso in spatial data with multicollinearity (Case study: Poverty modeling of Java Island). AIP Conference Proceedings, 1827.
WHO, W. H. O. (2015). Stunting. Www.Who.Int.
Yulita, T. (2016). Pemodelan Geographically Weighted Ridge Regression dan Geographically Weighted Lasso pada Data Spasial Dengan Multikolinieritas. Tesis, 1–53. https://repository.ipb.ac.id/handle/123456789/80158
Agustin Nuriani Sirodj, D., Made Sumertajaya, I., & Kurnia, A. (2023). Analisis Clustering Time Series untuk Pengelompokan Provinsi di Indonesia Berdasarkan Indeks Pembangunan Manusia Jenis Kelamin Perempuan (Vol. 23, Issue 1). https://www.bps.go.id/indicator/40/462/1/indeks-pembangunan-manusia-ipm-menurut-
Anis, S. (2017). Pemodelan Tingkat Kemiskinan Pulau Jawa dengan Metode Geographically Weighted Lasso [Thesis]. Universitas Padjajaran.
dr. Desi Fajar Susanti, M. S. Sp. A. (2022, October 26). Mengenal Apa Itu Stunting…. Kemenkes Direktorat Jenderal Pelayanan Kesehatan.
KemenKes Indonesia. (2022). Data Survei Status Gizi Indonesia (SSGI).
Yulianti, N. A., Cahyawati, D., Susanti, E., Jurusan, ), & Fakultas, M. (n.d.). Penggunaan Metode Double Exponential Smoothing Tipe Holt pada Peramalan Kasus Covid-19 di Provinsi Sumatera Selatan (Vol. 23, Issue 1). http://corona.sumselprov.go.id/.
Zulfan, Radhiah, Usman, T., Zuhra, R., Nazaruddin, & Marzuki. (2023). Pengaruh Pandemi Covid-19 terhadap Prestasi Mahasiswa Fakultas MIPA Universitas Syiah Kuala. Statistika, 23(2), 110–115. https://doi.org/10.29313/statistika.v23i2.1714
