PEMODELAN KASUS PREVALENSI BALITA STUNTING TAHUN 2021 DI PROVINSI NUSA TENGGARA TIMUR DENGAN GEOGRAPHICALLY WEIGHTED REGRESSION

Sesilia Ina; Wara Pramesti; Fenny Fitriani

doi:10.55719/mv.v7i1.1449

Authors

Sesilia Ina Universitas PGRI Adibuana
Wara Pramesti Universitas PGRI Adibuana
Fenny Fitriani Universitas PGRI Adi Buana Surabaya

DOI:

https://doi.org/10.55719/mv.v7i1.1449

Keywords:

Kemiskinan, Stunting, NTT, GWR

Abstract

disebabkan penyakit infeksi berulang dan kondisi malnutrisi kronis selama masa kanak-kanak. Dampak utama akibat stunting adalah adanya potensi memperlambat perkembangan otak pada anak dan dalam jangka panjang dapat muncul resiko penyakit kronis. Keadaan ini tentu diduga ada beberapa atau banyak faktor yang berpengaruh, diantaranya persentase balita pernah mendapat imunusasi dasar lengkap, persentase perempuan yang melahirkan dengan berat badan anak kurang dari 2500 gram, persentasi perempuan NTT yang pernah kawin di bawah usia 17 tahun, persentase bayi usia 0 – 23 bulan dengan pemberian ASI ekslusif, jumlah tenaga medis, persentase penduduk miskin dan rata-rata konsumsi protein. Prevalensi stunting pada setiap daerah di kabupaten/kota Provinsi Nusa Tenggara Timur (NTT) tentunya berbeda, maka untuk mengetahui faktor-faktor yang berpengaruh signifikan terhadap prevalensi stunting di setiap kabupaten/kota ini adalah dapat digunakan metode Geographically Weighted Regression (GWR). Hasil penelitian menunjukan bahwa faktor persentase penduduk miskin berpengaruh signifikan terhadap prevalensi stunting ditemukan di 14 kabupaten/kota yang ada di Provinsi NTT. Sehingga faktor kemiskinan ini merupakan faktor yang paling banyak mempengaruhi kejadian stunting pada kabupaten/kota di Provinsi NTT. Sedangkan untuk faktor rata-rata konsumsi protein merupakan faktor yang paling sedikit mempengaruhi prevalensi stunting, yaitu hanya berpengaruh signifikan pada dua kabupaten/kota saja.

Downloads

References

N. H. Tamara, “Stunting, Ancaman Generasi Masa Depan Indonesia - Penyakit Tidak Menular Indonesia.” Accessed: Mar. 05, 2025. [Online]. Available: https://p2ptm.kemkes.go.id/kegiatan-p2ptm/subdit-penyakit-diabetes-melitus-dan-gangguan-metabolik/stunting-ancaman-generasi-masa-depan-indonesia

H. BKKPK, “Buku Saku Hasil Studi Status Gizi Indonesia (SSGI) Tahun 2021 - Badan Kebijakan Pembangunan Kesehatan | BKPK Kemenkes.” Accessed: Mar. 05, 2025. [Online]. Available: https://www.badankebijakan.kemkes.go.id/buku-saku-hasil-studi-status-gizi-indonesia-ssgi-tahun-2021/

Y. Yuwanti, F. M. Mulyaningrum, and M. M. Susanti, “Faktor – Faktor Yang Mempengaruhi Stunting Pada Balita Di Kabupaten Grobogan,” Jurnal Keperawatan dan Kesehatan Masyarakat Cendekia Utama, vol. 10, no. 1, pp. 74–84, Mar. 2021, doi: 10.31596/JCU.V10I1.704.

I. Nuraini, R. S. Iswati, and Aisyah, “Intervention Of Stunting Aged 0-59 Months Reviewing From Nutrition,” J Pharm Negat Results, vol. 13, no. 4, pp. 700–705, Oct. 2022, doi: 10.47750/PNR.2022.13.04.094.

N. Oktia, N. Dokter, and R. Bsmi, “Stunting Pada Anak: Penyebab Dan Faktor Risiko Stunting Di Indonesia,” QAWWAM : Journal for gender mainstreaming, vol. 14, no. 1, pp. 19–28, Jul. 2020, doi: 10.20414/QAWWAM.V14I1.2372.

I. D. N. Supariasa and H. Purwaningsih, “Faktor-Faktor Yang Mempengaruhi Kejadian Stunting Pada Balita Di Kabupaten Malang,” Karta Rahardja: Jurnal Pembangunan dan Inovasi, vol. 1, no. 2, pp. 55–64, Dec. 2019, doi: 10.20473/MGI.V10I1.13-19.

L. Anselin, Spatial Econometrics : Methods and Models . Berlin: Springer – Verlag, 2008.

K. L. Nirmala and W. Pramesti, “Pemodelan Analisis Regresi Spasial Pada Kasus Kemiskinan Kabupaten/Kota Di Jawa Timur Tahun 2020,” VARIANSI: Journal of Statistics and Its application on Teaching and Research, vol. 3, no. 2, pp. 95–101, Sep. 2021, doi: 10.35580/VARIANSIUNM24477.

A. S. Fotheringham, C. Brunsdon, and M. Charlton, Geographically Weighted Regression: The Analysis of Spatially Varying Relationships. West Sussex: John Wiley & Sons Ltd, 2002.

N. F. Apriyani, D. Yuniarti, D. Memi, and N. Hayati, “Pemodelan Mixed Geographically Weighted Regression (MGWR),” EKSPONENSIAL, vol. 9, no. 1, pp. 59–66, Nov. 2018, Accessed: Mar. 05, 2025. [Online]. Available: https://jurnal.fmipa.unmul.ac.id/index.php/exponensial/article/view/276

N. K. E. Y. Utari, I. G. A. M. Srinadi, and M. Susilawati, “Model Geographically Weighted Regression (Gwr) Faktor-Faktor Yang Memengaruhi Kecelakaan Lalu Lintas Di Provinsi Bali,” E-Jurnal Matematika, vol. 8, no. 2, pp. 140–147, Jun. 2019, doi: 10.24843/MTK.2019.V08.I02.P245.

A. Y. K. Kartini and L. N. Ummah, “Pemodelan Kejadian Balita Stunting di Kabupaten Bojonegoro dengan Metode Geographically Weighted Regression dan Multivariate Adaptive Regression Splines,” J Statistika: Jurnal Ilmiah Teori dan Aplikasi Statistika, vol. 15, no. 1, pp. 127–136, Jul. 2022, doi: 10.36456/JSTAT.VOL15.NO1.A5074.

A. Yudono, J. Purnomo, and R. Damayanti, “Geographical Weighted Regression of Risk Factor of Stunting in Malang Regency, Indonesia,” Forum Geografi, vol. 35, no. 1, pp. 1–13, Jan. 2021, doi: 10.23917/FORGEO.V35I1.12273.

D. Ardianti, H. Pramoedyo, and N. Nurjannah, “Distance weight of GWR-Kriging model for stunting cases in East Java,” J Phys Conf Ser, vol. 1968, no. 1, p. 012028, Jul. 2021, doi: 10.1088/1742-6596/1968/1/012028.

M. G. Leto Bele, E. Mustikawati, P. Hermanto, and F. Fitriani, “Pemodelan Geographically Weighted Regression pada Kasus Stunting di Provinsi Nusa Tenggara Timur Tahun 2020,” Jurnal Statistika dan Aplikasinya, vol. 6, no. 2, pp. 179–191, Dec. 2022, doi: 10.21009/JSA.06204.

A. Fadliana, P. Prima Darajat, J. Raya Mojosari No, K. Malang, and J. Timur, “Pemetaan Faktor Risiko Stunting Berbasis Sistem Informasi Geografis Menggunakan Metode Geographically Weighted Regression,” IKRA-ITH Informatika : Jurnal Komputer dan Informatika, vol. 5, no. 3, pp. 91–102, Oct. 2021, Accessed: Mar. 05, 2025. [Online]. Available: https://journals.upi-yai.ac.id/index.php/ikraith-informatika/article/view/1408