PEMODELAN GIZI BURUK PADA BALITA DI KOTA SURABAYA DENGAN SPATIAL AUTOREGRESSIVE MODEL (SAR)

Transkripsi

1 PEMODELAN GIZI BURUK PADA BALIA DI KOA SURABAYA DENGAN SPAIAL AUOREGRESSIVE MODEL (SAR) Qurrota A yui, da Dr. Brodol Sutio S.U, M.Si, Jurusa Statistika Istitut ekologi Sepuluh Nopember Surabaya qurrota.ayui@rocketmail.com, brodol_su@statistika.its.ac.id ABSRAK Gizi buruk merupaka status kodisi seseorag yag kekuraga utrisi, atau utrisiya di bawah stadar. Gizi buruk bayak dialami oleh bayi dibawah lima tahu (balita). Surabaya adalah salah satu kota yag memiliki kasus gizi buruk yag relatif tiggi. Oleh sebab itu gizi buruk meadi perhatia khusus oleh pemeritah kota Surabaya utuk ditagai. Regresi spasial adalah salah satu metode yag bertuua utuk megetahui hubuga atara variabel respo dega variabel prediktor dega memperhatika aspek keterkaita wilayah atau spasial. Oleh sebab itu pada peelitia saat ii aka diguaka Spatial Autoregressive Model (SAR). Metode SAR dipilih karea diilai dapat mewakili permasalaha yag ada yaitu perbedaa karakteristik wilayah berpegaruh terhadap gizi buruk di Surabaya. Hasil pemodela gizi buruk balita da faktor-faktor yag mempegaruhi di Kota Surabaya melalui SAR meuukka selai depedesi lag yag sigifika, uga pada variabel variabel R yag memiliki akses air bersih (X 5 ), da rasio teaga kesehata dega umlah balita (X 9 ). Model SAR meghasilka R sebesar 55,6% da AIC sebesar 77,8996 yag lebih baik dibadigka regresi metode Ordiary Least Square (OLS) dega R sebesar 39,57% da AIC sebesar 83,00. Kata kuci : Gizi Buruk Balita, Mora s I, Spatial Autoreggressive Model (SAR). Pedahulua Gizi buruk merupaka status kodisi seseorag yag kekuraga utrisi, atau utrisiya di bawah stadar rata-rata. Gizi buruk masih meadi masalah yag belum terselesaika sampai saat ii. Gizi buruk bayak dialami oleh bayi dibawah lima tahu (balita). Masalah gizi buruk da kekuraga gizi telah meadi keprihatia duia sebab pederita gizi buruk umumya adalah balita da aak-aak yag tidak lai adalah geerasi geerus bagsa. Kasus gizi buruk merupaka aib bagi pemeritah da masyarakat karea teradi di tegah pesatya kemaua zama (Republika, 009). Upaya pecegaha yag dilakuka di ataraya dega selalu meigkatka sosialisasi, kuuga lagsug ke para pederita gizi buruk, pelatiha petugas lapaga, pegaraha megeai petigya ASI eksklusif pada ibu yag memiliki bayi, serta koordiasi litas sektor terkait pemeuha paga da gizi (Atara News, 0), Namu sampai saat ii peagaa yag diberika, haya mampu meguragi sedikit kasus gizi buruk pada balita. Bayak faktor- faktor yag diaggap mempegaruhi gizi buruk. Namu peyebab dasar teradiya gizi buruk ada dua hal yaitu sebab lagsug da sebab tidak lagsug. Sebab lagsug adalah kuragya asupa gizi dari makaa da akibat teradiya peyakit bawaa yag megakibatka mudah terifeksi peyakit DBD, HIV/ AIDS, da lai-lai. Sedagka kemiskia diduga meadi peyebab utama teradiya gizi buruk. Kuragya asupa gizi bisa disebabka oleh terbatasya umlah makaa yag dikosumsi atau makaaya tidak memeuhi usur gizi yag dibutuhka karea alasa sosial da ekoomi yaki kemiskia (Republika, 009). Selai kemiskia, faktor ligkuga da budaya turut adil dalam kasus gizi buruk. Surabaya adalah salah satu kota yag memiliki kasus gizi buruk yag relatif tiggi. Keaika agka gizi buruk di daerah lai di Jawa imur mecapai % sedagka di Surabaya tahu 00 mecapai,06%. Namu Dias Kesehata berupaya meeka agka tersebut sesuai dega target harapa yaki 0%. (Surabayakita, 00). Utuk megetahui secara tepat programprogram apa saa yag harus dilakuka pemeritah, maka perlu diketahui faktor- faktor yag berpegaruh terhadap gizi buruk. Meurut Ikata Dokter Aak Idoesia (IDAI) da UNICEF

2 faktor- faktor yag diduga berpegaruh terhadap kasus gizi buruk pada balita adalah kemiskia, tigkat pegetahua orag tua, asupa gizi, layaa kesehata/ saitasi, da faktor peyakit bawaa. Dega megetahui faktor- faktor tersebut, peeliti igi megetahui faktor- faktor apa saa yag mempegaruhi umlah kasus umlah kasus gizi buruk pada balita khususya di Surabaya. Aalisis regresi merupaka salah satu aalisis statistika yag bertuua utuk memodelka hubuga atara variabel respo Y dega variabel prediktor X. Regresi spasial adalah salah satu metode yag bertuua utuk megetahui hubuga atara variabel respo dega variabel prediktor dega memperhatika aspek keterkaita wilayah atau spasial. Regresi spasial dibedaka meadi dua pedekata yaitu titik da area. Regresi spasial ii bayak diguaka di berbagai bidag atara lai kesehata, sosial, klimatologi, da lai- lai. Berbagai peelitia telah dilakuka terkait dega faktor- faktor yag mempegaruhi gizi buruk diataraya Hayati (009) meeliti faktor- faktor yag mempegaruhi gizi buruk balita di awa imur dega metode Aalisis Diskrimia, Marice (006) yag meeliti klasifikasi status gizi balita dega pedekata diskrimia bootstrap meyimpulka bahwa variabel yag berpegaruh adalah frekuesi pemberia gizi. Mugiyoo (000) meeliti aalisis status kesehata balita di awa imur dega megguaka metode regresi logistik polikotomus meyimpulka bahwa faktor yag mempegaruhi terhadap status kesehata balita adalah umur balita, pemberia ASI, imuisasi, da sumber air mium. Berdasarka peelasa diatas diketahui bahwa belum ada peelitia yag megkai gizi buruk balita da faktor-faktorya dega memperhatika aspek spasial. Oleh sebab itu pada peelitia saat ii aka diguaka Spatial Autoregressive Model (SAR). Metode SAR dipilih karea diilai dapat mewakili permasalaha yag ada yaitu perbedaa karakteristik wilayah berpegaruh terhadap gizi buruk di Surabaya. Oleh sebab itu, pegguaa model regresi spasial diharapka mampu meghasilka model gizi buruk balita yag spesifik di setiap daerah sehigga hasilya diharapka mampu memberi iformasi serta masuka yag positif bagi pemeritah dalam meeka umlah gizi buruk di Surabaya.. iaua Pustaka Spasial Area Model umum Spatial Autoregressive Models (model spasial autore-gressive) diyataka pada persamaa () da () (LeSage, 999; da Aseli 988). y W y Xβ u () dega u W u ε () ε ~ N (0, I) Dimaa y adalah vektor variabel depede ( x ), X matrik variabel idepede ( x (k+)), β vektor parameter koefisie regresi ((k+) x ), parameter koefisie spasial lag variabel depede, parameter koefisie spasial lag pada error, u da ε error ( x ), W da W matrik pembobot ( x ), I matrik idetitas, berukura x, bayakya amata atau lokasi (i=,,3,...,), da k bayakya variabel idepede (k=,,3,...,l). Dari persamaa (), ketika X = 0 da W 0 aka meadi model spasial autoregressive order pertama y W y ε. Model tersebut meuukka variasi pada y sebagai kombiasi liear variasi atar lokasi yag berdekata dega tapa variabel idepede. Jika W 0 atau 0 maka aka maadi model regresi spasial Spatial Autoregressive Model (SAR) atau Spatial Lag Model (SLM) y W y Xβ ε. Model tersebut megasumsika bahwa proses autoregressive haya pada variabel depede.

3 Ketika W 0 atau 0 maka aka maadi model regresi spasial autoregressive dalam error atau spatial error model (SEM) y Xβ Wu ε. Dega W u meuukka spasial struktur W pada spatially depedet error (ε ). Ketika W, W 0, 0, atau 0 maka disebut Spatial Autoregressive Movig Average (SARMA) dega persamaa sama seperti pada persamaa (). Jiika 0 da 0 maka aka maadi model regresi liear sederhaa y Xβ ε, yag estimasi parameterya dapat dilakuka melalui Ordiary Least Square (OLS). Dalam model tersebut tidak terdapat efek spasial. Spatial Autoregressive Model (SAR) Spatial Autoregressive Model (SAR) disebut uga Spatial Lag Model (SLM) adalah salah satu model spasial dega pedekata area dega memperhitugka pegaruh spasial lag pada variabel depede saa. Model ii diamaka Mixed Regressive-Autoregressive karea megkombiasika regresi biasa dega model regresi spasial lag pada variabel depede (Aseli,988). y W y Xβ ε Persamaa (3) dapat diyataka meadi persamaa (4). y y ~ I W Xβ I W ε N I W Xβ I W I I W (4), (3) Estimasi Parameter Spatial Autoregressive Model (SAR) Estimasi parameter Spatial Autoregressive Model (SAR) pada peelitia ii dilakuka melalui metode Maximum Likelihood Estimatio (MLE). Lagkah pertama adalah dega membetuk fugsi likelihood dari persamaa (3). Pembetuka fugsi likelihood tersebut dilakuka melalui error ε sehigga meadi persamaa (6) da persamaa (7). y W y Xβ ε ε y W y Xβ ε ( I W ) y Xβ (5) L( ; ε) ε Dega J I - W adalah fugsi acobia, yaitu differesial persamaa (5) terhadap y. y Substitusi persamaa (6) pada persamaa (7) meghasilka persamaa (8) maka didapatka fugsi likelihood sebagai berikut. L / L(, β, y) exp / / (, β, y) I - W ε ε J exp ε ε exp ( I W ) y Xβ ( I W ) y Xβ (8) (6) (7) 3

4 Operasi logaritma aturalya pada persamaa (9). l( L) l l I - W ( I W y Xβ I W y Xβ ) ( ) l( ) l( ) l I W ( I W ) y Xβ ( I W ) y Xβ Estimasi parameter β diperoleh dega memaksimumka fugsi logaritma atural likelihood persamaa (9), yaitu dega meuruka persamaa tersebut terhadap β Sehigga didapatka estimasi parameterya adalah β ˆ X X X ( I W ) y (0) Sedagka fugsi logaritma atural utuk megestimasi adalah Selautya estimasi parameter ˆ didapatka dega optimalisasi persamaa () f ( ) c l e0 ed e 0 ed l I - W Dega c l( ) l() e 0 y X 0 da ed W y X d e e e e 0 d 0 d Peguia hipotesis utuk sigifikasi parameter pada Peelitia ii digguaka Wald test adalah sebagai berikut (Aseli, 988). Hipotesis : β..., 0 H 0 : 0 p H : 0 ˆp p β k : estimasi parameter ke-p var( ˆ p ) : varias estimasi parameter ke-p Ho ditolak ika statistik ui Wald > Mora s I, - e e e l( ( )) l( ) l d 0 e L d l I - W l( L( )) l( ) l e0 ed e0 ed l( Statistik ui : ˆ p Wald var( ˆ p) Dega 0 ) Koefisie Mora s I diguaka utuk ui depedesi spasial atau autokorelasi atar amata atau lokasi. Hipotesis yag diguaka adalah : H o : I = 0 (tidak ada autokorelasi atar lokasi) H : I 0 (ada autokorelasi atar lokasi) l I - W () 4

5 Statistik ui (Lee da Wog, 00): Z hitug I - Io var(i) dimaa I Ms var(i Ms i S w ( x i o i i ( x x)( x i x) x) [( 3 3) S S So ] ) ( )( )( 3) S o E I Ms Io k[( ) S S 3S ( )( )( 3) S o o ] 4 ( xi x) /(( x x) ) i i, S ( wio woi) ( wi wi) i i k i S S o i w i w io w i w oi w i Dega x i adalah data ke-i, x data ke-, x rata-rata data, var (I) varias Mora s I, da E(I) expected value. Pegambila keputusa Ho ditolak ika Z hitug Z /. Nilai dari ideks I adalah atara - da. Apabila I > I o maka data memiliki autokorelasi positif, ika I < I o maka data memiliki autokorelasi egatif. Pola pegelompoka da peyebara atar lokasi dapat uga disaika dega Mora s Scatterplot yag meuukka hubuga atara ilai amata pada suatu lokasi (distadarisasi) dega rata-rata ilai amata dari lokasi-lokasi yag bertetaggaa dega lokasi yag bersagkuta (Lee da Wog, 00). Scatterplot tersebut terdiri atas empat kuadra, yaitu kuadra I, II, III, da IV. Lokasi-lokasi yag bayak berada di kuadra I da III cederug memiliki autokorelasi positif. Sedagka lokasi-lokasi yag bayak berada di kuadra II da IV cederug memiliki autokorelasi egatif. Berikut adalah peelasa dari masig-masig kuadra (Perobelli da Haddad, 003). - Kuadra I (High-High), meuukka lokasi yag mempuyai ilai amata tiggi dikeliligi oleh lokasi yag mempuyai ilai amata tiggi. - Kuadra II (Low-High), meuukka lokasi yag mempuyai ilai amata redah dikeliligi oleh lokasi yag mempuyai ilai amata tiggi. - Kuadra III (Low-Low), meuukka lokasi yag mempuyai ilai amata redah dikeliligi oleh lokasi yag mempuyai ilai amata redah. - Kuadra IV (High-Low), meuukka lokasi yag mempuyai ilai amata tiggi dikeliligi oleh lokasi yag mempuyai ilai amata redah. Matriks Pembobot. Kode bier, wi 0 utuk utuk i da laiya yag berdekata. Row Stadardizatio * i i w w w i 5

6 3. Varias stabilizatio * w i w i i, wi i, Utuk medapatka model yag terbaik seumlah model harus dievaluasi. Ada beberapa kriteria dalam meetuka model terbaik. Dalam peelitia ii diguaka kriteria AIC (Akaike s Iformatio Criterio). AIC dirumuska sebagai berikut. AIC = -L m + m dimaa : L m = maksimum log-likelihood m = umlah parameter dalam model. Gizi Buruk da Faktor yag Mempegaruhi Gizi buruk merupaka status kodisi seseorag yag kekuraga utrisi, atau utrisiya di bawah stadar rata-rata. Status gizi buruk dibagi meadi tiga bagia, yaki gizi buruk karea kekuraga protei (disebut kwashiorkor), karea kekuraga karbohidrat atau kalori (disebut marasmus), da kekuraga keduaduaya (Dias Kesehata Jatim, 006). Ada bayak faktor yag diduga meadi peyebab teradiya gizi buruk pada balita. Meurut UNICEF (988), ada faktor peyebab utama, atara lai :. Peyebab Lagsug : Asupa Makaa, Ifeksi Peyakit. Peyebab idak Lagsug : Pola Asuh Aak, Ketersediaa Paga, Layaa Gambar. Baga Faktor yag Mempegaruhi Gizi Buruk Balita 3. Metodologi Data yag diguaka dalam peelitia ii adalah data dari Dias Kesehata Kota Surabaya tahu 009. Uit observasi yag diguaka adalah kecamata-kecamata di kota Surabaya yag terdiri dari 3 kecamata. Observasi (amata) adalah pada tigkat kecamata da diasumsika pegambila sampel pada masig-masig variabel di setiap kecamata tersebut adalah sama. Variabel yag diguaka dalam peelitia meliputi variabel depede da idepede pada abel. 6

7 abel. Variabel Peelitia Kode Variabel Defiisi Skala Pegukura Variabel depede : y Kasus gizi buruk pada balita Persetase balita pederita gizi buruk yag ada di setiap kecamata Surabaya. Variabel idepede : X Bayi yag lahir dega berat bada redah (BBLR) Persetase bayi yag lahir dega berat bada redah. X Bayi tidak medapat ASI Merupaka persetase bayi yag tidak ekslusif diberi ASI eksklusif X 3 Keluarga yag tidak Persetase rumah tagga (R) yag megguaka garam beryodium tidak megguaka garam beryodium X 4 Balita yag tidak medapat Persetase balita yag tidak medapat vitami A vitami A X 5 Keluarga yag mempuyai akses Merupaka persetase rumah tagga air bersih (R) yag memiliki akses air bersih meliputi sumur pompa (SP), sumur gali (SGL), air hua (PAH) X 6 empat umum yag tidak sehat Merupaka persetase tempat- tempat yag saitasiya tidak memeuhi syarat. empat umum meliputi : pasar, sekolah, tempat wisata, hotel, RS, popes X 7 Keluarga yag berperilaku hidup bersih sehat (PHBS) Persetase rumah tagga (R) yag berperilaku hidup bersih sehat. X 8 Keluarga miski Persetase keluarga miski yag ada di setiap kecamata di Surabaya. persetase persetase persetase persetase persetase persetase persetase persetase persetase X 9 Rasio teaga kesehata dega umlah balita Merupaka umlah teaga kesehata (medis, bida, perawat, ahli gizi, saitasi, farmasi, kesmas) di setiap kecamata dibagi dega umlah balita. Dikali dega 00 persetase X 0 Rasio umlah posyadu dega umlah balita Merupaka umlah posyadu yag ada ditiap kecamata dibagi dega umlah balita. Dikali dega 00 persetase Adapu lagkah aalisis yag dilakuka dalam peelitia ii adalah :. Melakuka eksplorasi data peta tematik utuk megetahui pola peyebara da depedesi pada masig- masig variabel serta korelasi utuk megetahui pola hubuga variabel X da Y.. Meetuka pembobot spasial (W) yaitu Quee Cotiguity. 3. Ui depedesi spasial atau korelasi dega Mora s I pada masig- masig variabel. Hipotesis yag diguaka utuk ui depedesi spasial : H 0 : I = 0 (tidak ada autokorelasi atar lokasi) H : I 0 (ada autokorelasi atar lokasi) 7

8 4. Melakuka pemodela regresi dega metode Ordiary Least Square (OLS) yag meliputi estimasi parameter, estimasi sigifikasi model, ui asumsi residual (idetik, idepede, da berdistribusi ormal. 5. Melakuka pemodela Spatial Autoregressive Model (SAR) dega tahapa sebagai berikut. a. Setelah matriks W terbetuk dega eleme-elemeya (w i ) berilai da 0, dilakuka kodig pembobota utuk medapatka matriks W yag stadar dega meset umlah eleme baris sama dega. Caraya dega membagi setiap eleme dega umlah eleme barisya (Row Stadardizatio). b. Melakuka estimasi parameter, peguia sigifikasi parameter dega Wald, da ui asumsi residual regresi dari model spasial yag terbetuk. c. Pemiliha model terbaik dega kriteria AIC (Akaike s Iformatio Criterio). d. Megiterpretasika da meyimpulka hasil yag diperoleh. 4. Hasil da Pembahasa Nilai Mora s I Berdasarka hasil peguia autokorelasi spasial dega Mora s I dega tigkat sigifikasi 5%, diketahui bahwa terdapat autokorelasi spasial pada variabel persetase gizi buruk balita (Y), R yag tidak megguaka garam beryodium (X 3 ), tempat-tempat umum yag tidak bersih (X 6 ), R yag berphbs (X 7 ), peduduk miski (X 8 ), da rasio posyadu dega umlah balitaya (X 0 ). abel 4. Peguia Depedesi Spasial Mora s I Variabel Mora s I Z hitug Kasus gizi buruk (Y) 0,436,94 * Berat bada bayi lahir redah (X ) -0,08 -,68 Bayi yag tidak medapat ASI ekslusif (X ) 0,065 0,465 R yag tidak megguaka garam 0,480,705 * beryodium (X 3 ) Balita yag tidak diberi vitami A (X 4 ) -0,093-0,485 R yag mempuyai akses air bersih (X 5 ) -0,70 0,8676 empat-tempat umum yag tidak bersih (X 6 ) 0,335 3,359 * R yag berphbs (X 7 ) 0,589,98759 * Peduduk miski (X 8 ) 0,4930 4,30687 * Rasio teaga kesehata (X 9 ) -0,336-0,0687 Rasio posyadu (X 0 ) 0,698,5478 * Ket : * ) sigifika pada α=5%, Z, 96 0,05 Sebagia besar variabel memiliki ilai Mora s I lebih besar dari I o = -0,0333 yag meuukka bahwa terdapat autokorelasi positif atau pola yag megelompok da memiliki kesamaa karakteristik pada lokasi yag berdekata. Variabel gizi buruk balita memiliki ilai Mora s I sebesar 0,436 yag sigifika pada α=5% mempuyai autokorelasi positif. Variabel lai yag memiliki pola megelompok adalah R yag tidak megguaka garam beryodium (X 3 ), tempat-tempat umum yag tidak bersih (X 6 ) R yag berphbs (X 7 ), peduduk miski (X 8 ), da rasio posyadu dega umlah balitaya (X 0 ). Hal ii sesuai dega Mora s scatterplot yag meuukka hubuga atara ilai pegamata pada suatu kecamata dega ilai kecamata lai. Berdasarka gambar tersebut, dapat diketahui bahwa teradi pegelompoka kecamata pada beberapa variabel yag memiliki ilai Mora s I sigifika. Pada variabel gizi buruk balita, memiliki pola megelompok. Hal ii sesuai dega Mora s Scatterplot yag meuukka pola megelompok pada kuadra I da III. Sedagka pada variabel bayi yag lahir dega berat bada redah (BBLR) memiliki meyebar atau tidak teradi pegelompoka kecamata. Jika dibadigka dega I o meuukka bahwa data berpola meyebar karea ilai Mora s I medekati ol. Pola meyebar tersebut meuukka 8

9 bahwa atar kecamata memiliki karakteristik BBLR yag berbeda. Selai itu, variabel lai yag memiliki pola meyebar adalah bayi yag tidak medapat ASI ekslusif (X ), balita yag tidak medapat vitami A (X 4 ), da rasio teaga kesehata dega umlah balita (X 9 ). Model Regresi Pada lagkah pemodela, dimulai dega megguaka metode Ordiary Least Square (OLS). Metode ii meghasilka variabel yag sigifika pada taraf α = 5% adalah variabel R yag memiliki akses air bersih (X 5 ), da rasio teaga kesehata dega umlah balita (X 9 ). Model regresi yag terbetuk mempuyai ilai R sebesar 54,9% yag berarti model dapat meelaska keragama gizi buruk balita sebesar 54,9% sedagka sisaya sebesar 45,% dielaska oleh variabel lai diluar model. abel 4. Estimasi Parameter Regresi OLS Parameter Estimasi Std. Error P-value β 0 -,83,5-0,53 0,599 β 0,84 0,78,6 0, β -0,006 0, ,934 β 3-0,337 0,4787-0,70 0,489 β 4 0,0334 0,046,7 0,7 β 5-0,09 0,000 -,* 0,047 β 6-0, ,006-0,58 0,567 β 7 0,0084 0, ,38 0,70 β 8 0,0559 0,033,69 0,06 β 9,349 0,4766,83* 0,00 β 0 0,004 0,33 0,07 0,948 R 54,9% Ket : *) sigifika pada α=5%, t, 75 0,95;0 Selautya pada peguia asumsi residual didapatka residual yag idepede atau tidak terdapat autokorelasi, megikuti distribusi ormal, da idetik atau tidak terdapat heterodeskisitas. Asumsi tidak ada multikoliieritas sudah terpeuhi oleh model karea ilai VIF kurag dari 0. Metode OLS memiliki kiera kurag baik, karea Oleh karea itu perlu dilakuka permodela spasial. abel 4.3 Estimasi parameter SAR Parameter Estimasi Std. Error Wald ,6096 8,944 a β 0-0,898997, ,38477 β 0,6688 0,005, c β -0, , ,3608 β 3-0, ,3376 0,5879 β 4 0, ,07333,3375 c β 5-0,0635 0, , a β 6-0, , ,38075 β 7 0, , ,45075 β 8 0, , , b β 9, , ,564 a β 0-0,0343 0, ,00704 Ket : a ) sigifika pada α=5%, b ) sigifika pada α=0%, c ) sigifika pada α=0%, 0,05; 3,84, 0,0;,706, 0,0;,64 Berdasarka estimasi parameter Spatial Autoregressive Model (SAR), diketahui bahwa terdapat depedesi lag pada variabel depede yag dituukka oleh parameter yag 9

10 sigifika pada α = 5%. Sedagka variabel-variabel idepede yag sigifika berpegaruh pada α = 5% adalah variabel R yag memiliki akses air bersih (X 5 ), da rasio teaga kesehata dega umlah balita (X 9 ). Variabel laiya yaitu Persetase keluarga miski (X 8 ) sigifika pada taraf α = 0%. Sedagka variabel BBLR (X ) da balita yag tidak medapat vitami A (X 4 ) sigifika pada taraf α = 0%. Secara umum model SAR yag megguaka taraf sigifika 5% dapat diyataka sebagai berikut. abel 4.4 Persamaa Regresi Spatial Autoregressive Model y i i, i Model SAR R 0,469 w y 0,0X,3X 0,556 5i abel 4.4 meuukka bahwa ilai R sebesar 0,556. Hal ii berarti bahwa model tersebut mampu meelaska variasi dari gizi buruk balita sebesar 55,6% da sisaya 44,74% dielaska oleh variabel lai di luar model. Selautya pada peguia asumsi residual didapatka residual yag idepede atau tidak terdapat autokorelasi, megikuti distribusi ormal, pada ui Gleser didapatka residual sudah idetik atau tidak terdapat heterodeskisitas. Pemiliha model terbaik atara model regresi OLS da model SAR bertuua utuk megetahui model maa yag lebih baik diterapka pada kasus gizi buruk pada balita di Kota Surabaya. Kriteria kebaika model yag diguaka adalah dega membadigka ilai R da ilai AIC (Akaike s Iformatio Criterio) dari kedua model tersebut. Berikut perbadiga modelya. abel 4.5 Perbadiga Nilai R da AIC Model Model R AIC Model OLS 0, ,00 Model SAR 0,556 77,8996 Berdasarka abel 4.4 terlihat bahwa model dega ilai R tertiggi da ilai AIC terkecil yaitu model SAR. Sehigga model SAR lebih baik diguaka utuk megaalisis data kasus gizi buruk balita di Kota Surabaya dibadigka dega model regresi dega megguaka metode OLS. Faktor- faktor yag Mempegaruhi Gizi Buruk Balita Setelah medapat model yag terbaik, selautya dilakuka aalisis lebih laut megeai faktor-faktor yag mempegaruhi gizi buruk balita. 9i i Gambar 4. Persebara Wilayah Berdasarka Gizi Buruk, Air Bersih, da Rasio eaga Kesehata 0

11 Gambar 4. terdiri dari sembila 9 tabulasi, dimaa tiga tabulasi diataraya tidak ada isiya (tabulasi,3 da 6). abulasi 9 haya berisi wilayah yaitu Kecamata Bulak yag mempuyai gizi buruk tiggi, rasio teaga kesehata tiggi, da R yag memiliki akses air bersih redah. abulasi 8 berisi kecamata yaitu Kecamata Beowo da Kecamata Lakarsatri. abulasi 4 da 5 masig-masig memiliki 3 wilayah aggota. abulasi 4 memiliki aggota atara lai Kecamata Semampir, Guugayar, da Gayuga yag memiliki ilai gizi buruk da rasio teaga kesehata ketegori redah, air bersih kategori sedag. abulasi 5 memiliki wilayah Kecamata Geteg, Woocolo, da eggilis yag mempuyai ilai gizi buruk, rasio teaga kesehata da air bersih kategori meegah. abulasi memiliki karakteristik air bersih tiggi, rasio teaga kesehata da gizi buruk redah. abulasi 7 adalah tabulasi yag memiliki aggota terbayak. Kuadra ii memiliki karakteristik air bersih da rasio teaga kesehata kategori redah. Kecamata yag memiliki ilai gizi buruk tertiggi adalah Kecamata ades, yag terlihat berwara merah meuukka gizi buruk sagat tiggi 5. Kesimpula Pemodela regresi dega megguaka metode Ordiary Least Square (OLS) meghasilka sebagia besar parameter tidak sigifika pegaruhya terhadap gizi buruk balita baik pada taraf α = 5% atau α = 0%. Hal ii meuukka bahwa metode OLS kurag maksimal, karea bayak parameter yag tidak sigifika, da ilai R yag relatif kecil. Sedagka hasil pemodela SAR meuukka bahwa lag variabel depede berpera petig pada pemodela gizi buruk balita di Surabaya. Sedagka utuk faktor-faktor eksteral yag mempegaruhi gizi buruk balita didapatka bahwa dari 0 variabel bebas, haya variabel yag sigifika pada α = 5% yaitu variabel R yag memiliki akses air bersih (X 5 ), da rasio teaga kesehata dega umlah balita (X 9 ). Kemudia pemiliha model terbaik didapatka model SAR lebih baik dibadigka model regresi dega metode OLS dega R sebesar 39,57% da AIC sebesar 83,00, sedagka ilai R SAR sebesar 55,6% da AIC 77,8996. Sehigga model SAR yag didapat adalah Daftar Pustaka y i 0,49 w i, i y 0,0X Aseli, L. (988). Spatial Ecoometrics : Methods ad Models, Kluwer Academic Publishers, Netherlads. Bekti, R.D. (0), Spatial Durbi Model (SDM) Utik Megidetifikasi Faktor-Faktor Yag Berpegaruh erhadap Keadia Diare Di Kabupate uba, esis, Jurusa Statistika Istitut ekologi Sepuluh Nopember, Surabaya. Dias Kesehata Jatim. (006), Profil Kesehata Propisi Jawa imur 006, Surabaya. [diuduh pada taggal 9 Februari 0]. Hayati, M. (009). Aalisis Diskrimia pada Faktor- Faktor yag Mempegaruhi Gizi Buruk Balita Di Jawa imur, ugas akhir, Jurusa Statistika Istitut ekologi Sepuluh Nopember, Surabaya. Kisslig, W. D. da Carl, G. (007). Spatial Autocorrelatio ad the Selectio of Simultaeous Autoregressive Models, Global Ecology ad Biogeography, Joural Compilatio. Kompas. (009). Pederita Gizi Buruk di Surabaya Meigkat 7 Perse, [diuduh pada taggal maret 0]. Lee Jay, Wog S W David.(000). Statistical Aalysis with Arcview GIS. Joh Willey & Sos, INC: Uited Stated of America. LeSage, J.P. (999). he heory ad Practice of Spatial Ecoometrics, eco.utoledo.edu, [diuduh pada taggal 5 Maret 0]. 5i,5X 9i i

12 LeSage, J.P ad Pace, R.K. (009). Itroductio to Spatial Ecoometrics, eco.utoledo.edu, [diuduh pada taggal 5 Maret 0]. Marice, D. (006). Klasifikasi Status Gizi balita dega Pedekata Aalisis Diskrimia Bootstrap, ugas akhir, Jurusa Statistika Istitut ekologi Sepuluh Nopember, Surabaya. Mugiyoo. (000), Aalisis Statistik Status Kesehata Balita Di Jawa imur, ugas akhir, Jurusa Statistika Istitut ekologi Sepuluh Nopember, Surabaya. Pudiadi, S. (004). Ilmu Gizi Kliis Pada Aak, edisi keempat, Fakultas Kedoktera UI : Jakarta, 000. Sudayasa, P. (00), Faktor- Faktor Peyebab Kurag Gizi Pada Balita, [diuduh pada taggal 9 Februari 0] Wiaro, D. (009), Aalisis Agka Kematia Bayi di Jawa imur dega Pedekata Model Regresi Spatial, esis, Jurusa Statistika Istitut ekologi Sepuluh Nopember, Surabaya.