PEMODELAN INDEKS PEMBANGUNAN KESEHATAN MASYARAKAT DENGAN METODE GEOGRAPHICALLY WEIGHTED LOGISTIC REGRESSION
DOI:
https://doi.org/10.34123/jurnalasks.v14i2.333Keywords:
IPKM, GWLR, Adaptive Gaussian Kernel, GCV, AICAbstract
Geographically weighted logistic regression (GWLR) adalah metode yang dapat memodelkan data bersifat kategorik dengan mempertimbangkan efek spasial. Pada penelitian ini, metode GWLR digunakan untuk memodelkan indeks pembangunan kesehatan masyarakat (IPKM) di Provinsi Jawa Timur. Variabel yang digunakan adalah prevalensi balita stunting, hipertensi, pneumonia, persalinan ditangani nakes, pengguna KB MKJP, dan penduduk dengan perilaku cuci tangan benar. Hasil penelitian ini menunjukkan bahwa pemodelan GWLR dengan pembobot adaptive Gaussian Kernel lebih baik daripada pembobot lain dengan faktor yang berpengaruh signifikan secara lokal adalah prevalensi balita stunting dan hipertensi. Nilai akurasi, sensitivity, dan specitivity yang dihasilkan berturut-turut sebesar 97,4% , 100% dan 85,71%.
Downloads
Download data is not yet available.
References
Aji, Caraka. A. W. 2014. Analisis Faktor-Faktor yang Mempengaruhi Laju Pertumbuhan Penduduk Kota Semarang Tahun 2011 Menggunakan Geographically Weighted Logistic Regression. Skripsi. Semarang.
Albuquerque, P., Median, F. dan Silva, A. 2016. Geographically Weighted Logistic Regression Applied to Credit Scoring Models. Revista Contabilidade and Financas. Vol. 28 (73), 93-112.
Atkinson, P. M., German, S. E., Sear, D. A., & Clark, M. J. (2003). Exploring the relations between riverbank erosion and geomorphological controls using geographically weighted logistic regression. Geographical Analysis, Vol. 35(1), 58-82.
Caraka, Rezzy. E. dan Yasin, Hasbi. 2017. Geographically Weighted Regression (GWR). Yogyakarta: Mobius.
Desriwendi, Hoyyi, A. dan Wuryandari, T. 2015. Pemodelan Geographically Weighted Logistic Regression (GWLR) dengan Fungsi Pembobot Fixed Gaussian Kernel dan Adaptive Gaussian Kernel. Jurnal Gaussian. Vol. 4 (2), 193-204.
Eubank, Randall. 1988. Spline Smoothing and Nonparametric Regression. Journal of the American Statistical Association. Vol. 96 (456), 1523-1524.
Faturrahman, M. 2019. Pemodelan Indeks Pembangunan Kesehatan Masyarakat Kabupaten/Kota Di Pulau Kalimantan Menggunakan Pendekatan Regresi Probit. Jurnal Varian. Vol. 2 (2), 47-54.
Faturrahman, M., Purhadi, Sutikno, dan Ratnasari, V. 2016. Pemodelan Geographically Weighted Logistic Regession pada Indeks Pembangunan Kesehatan Masyarakat di Provinsi Papua. Prosiding Seminar Nasional MIPA. 34-42.
Fotheringham, A. S., Lu, B., Charlton, M. dan Harris, P. 2002. Geographically Weighted Regression with a non-Euclidean Distance Metric: a Case Study Using Hedonic House Price Data. International Journal of Geographical Information Science. http://dx.doi.org/10.1080/13658816.2013.865739 (Diakses 25 September, 2020).
Hosmer, David. W. dan Lemeshow, Stanley. 1989. Applied Logistic Regression. Edisi Kedua. New York: A Willey-Interscience Publication.
Kemenkes. 2011. Buku Saku Penanggulangan Daerah Bermasalah Kesehatan. Jakarta: Kemenkes.
Kemenkes. 2019. IPKM 2018. Jakarta: Lembaga Penerbit Badan Penelitian dan Pengembangan Kesehatan (LPB).
Kemenkes. 2019. Profil Kesehatan Provinsi Jawa Timur Tahun 2018. Surabaya: Kemenkes.
Lestari, Vivi. D. 2020. Model Geographically Weighted Logistic Regression dengan Fungsi Pembobot Adaptive Tricube. Skripsi. Samarinda.
Octavany, M. A., Budiantara dan Ratnasari. 2017. Pemodelan Faktor-Faktor yang Mempengaruhi Indeks Pembangunan Kesehatan Masyarakat Provinsi Jawa Timur Menggunakan Pendekatan Regresi Semiparametrik Spline. Jurnal Sains dan Seni ITS. Vol. 6 (1), 122-128.
Sabat, T., Meilanani, S. dan Purnomo, W. (2017). Spatial Modeling of Infant Mortality Rate In South Central Timor Regency Using GWLR Method With Adaptive Bisquare Kernel and Gaussian Kernel. Health Nations. Vol. 1 (2), 90-98.
Suyitno, Purhadi, Sutikno, dan Irhamah. (2016). Parameter Estimation of Geographically Weighted Trivariate Weibull Regression Model. Applied Mathematical Science. Vol. 10(18), 861-878.
Yrigoyen, C. C., Rodriguez, I. G. dan Otero, J. V. 2007. Modeling Spatial Variations In Household Disposable Income With Geographically Weighted Regression. MPRA Paper. No. 1682.
Albuquerque, P., Median, F. dan Silva, A. 2016. Geographically Weighted Logistic Regression Applied to Credit Scoring Models. Revista Contabilidade and Financas. Vol. 28 (73), 93-112.
Atkinson, P. M., German, S. E., Sear, D. A., & Clark, M. J. (2003). Exploring the relations between riverbank erosion and geomorphological controls using geographically weighted logistic regression. Geographical Analysis, Vol. 35(1), 58-82.
Caraka, Rezzy. E. dan Yasin, Hasbi. 2017. Geographically Weighted Regression (GWR). Yogyakarta: Mobius.
Desriwendi, Hoyyi, A. dan Wuryandari, T. 2015. Pemodelan Geographically Weighted Logistic Regression (GWLR) dengan Fungsi Pembobot Fixed Gaussian Kernel dan Adaptive Gaussian Kernel. Jurnal Gaussian. Vol. 4 (2), 193-204.
Eubank, Randall. 1988. Spline Smoothing and Nonparametric Regression. Journal of the American Statistical Association. Vol. 96 (456), 1523-1524.
Faturrahman, M. 2019. Pemodelan Indeks Pembangunan Kesehatan Masyarakat Kabupaten/Kota Di Pulau Kalimantan Menggunakan Pendekatan Regresi Probit. Jurnal Varian. Vol. 2 (2), 47-54.
Faturrahman, M., Purhadi, Sutikno, dan Ratnasari, V. 2016. Pemodelan Geographically Weighted Logistic Regession pada Indeks Pembangunan Kesehatan Masyarakat di Provinsi Papua. Prosiding Seminar Nasional MIPA. 34-42.
Fotheringham, A. S., Lu, B., Charlton, M. dan Harris, P. 2002. Geographically Weighted Regression with a non-Euclidean Distance Metric: a Case Study Using Hedonic House Price Data. International Journal of Geographical Information Science. http://dx.doi.org/10.1080/13658816.2013.865739 (Diakses 25 September, 2020).
Hosmer, David. W. dan Lemeshow, Stanley. 1989. Applied Logistic Regression. Edisi Kedua. New York: A Willey-Interscience Publication.
Kemenkes. 2011. Buku Saku Penanggulangan Daerah Bermasalah Kesehatan. Jakarta: Kemenkes.
Kemenkes. 2019. IPKM 2018. Jakarta: Lembaga Penerbit Badan Penelitian dan Pengembangan Kesehatan (LPB).
Kemenkes. 2019. Profil Kesehatan Provinsi Jawa Timur Tahun 2018. Surabaya: Kemenkes.
Lestari, Vivi. D. 2020. Model Geographically Weighted Logistic Regression dengan Fungsi Pembobot Adaptive Tricube. Skripsi. Samarinda.
Octavany, M. A., Budiantara dan Ratnasari. 2017. Pemodelan Faktor-Faktor yang Mempengaruhi Indeks Pembangunan Kesehatan Masyarakat Provinsi Jawa Timur Menggunakan Pendekatan Regresi Semiparametrik Spline. Jurnal Sains dan Seni ITS. Vol. 6 (1), 122-128.
Sabat, T., Meilanani, S. dan Purnomo, W. (2017). Spatial Modeling of Infant Mortality Rate In South Central Timor Regency Using GWLR Method With Adaptive Bisquare Kernel and Gaussian Kernel. Health Nations. Vol. 1 (2), 90-98.
Suyitno, Purhadi, Sutikno, dan Irhamah. (2016). Parameter Estimation of Geographically Weighted Trivariate Weibull Regression Model. Applied Mathematical Science. Vol. 10(18), 861-878.
Yrigoyen, C. C., Rodriguez, I. G. dan Otero, J. V. 2007. Modeling Spatial Variations In Household Disposable Income With Geographically Weighted Regression. MPRA Paper. No. 1682.
Downloads
Published
2022-10-17
How to Cite
Wardhani, Q. S., Handajani, S. S., & Susanto, I. (2022). PEMODELAN INDEKS PEMBANGUNAN KESEHATAN MASYARAKAT DENGAN METODE GEOGRAPHICALLY WEIGHTED LOGISTIC REGRESSION. Jurnal Aplikasi Statistika & Komputasi Statistik, 14(1), 1–12. https://doi.org/10.34123/jurnalasks.v14i2.333
Issue
Section
Komputasi Statistik
