BAB IV HASIL DAN PEMBAHASAN
4.10 Pemodelan Regresi Terboboti Geografis
4.10.1 Estimasi Parameter dan Uji Parsial Model Regresi Terboboti Geografis
a. Matriks Pembobot Fungsi Fixed Kernel Gaussian
Matriks pembobot Wç diperoleh dengan mensubtitusikan nilai bandwidth dan jarak euclidian ke dalam fungsi Fixed Kernel Gaussian. Tabel 4.8 menyajikan matriks jarak dan pembobot untuk Kabupaten Bogor. Matriks jarak dan pembobot untuk seluruh Kabupaten dan Kota disajikan pada Lampiran.
Tabel 4.8 Pembobot Fungsi Fixed Kernel Gaussian Kota Banjar Kabupaten dan Kota Kab Purwakarta 1.456 0.121 Kab Kuningan 0.431 0.830 Kab Subang 1.366 0.156 Kota Bogor 1.941 0.023 Kab Bekasi 2.006 0.018 Kab Pangandaran 0.280 0.924 Kab Cirebon 0.643 0.662 Kab Cianjur 1.957 0.022
Kab Garut 1.003 0.367
Kab Bandung 1.229 0.222 Kota Bekasi 1.991 0.019 Kab Majalengka 0.791 0.536 Kab Tasikmalaya 0.610 0.690 Kota Cimahi 1.091 0.305 Kab Karawang 1.799 0.040 Kab Indramayu 1.092 0.305
37 Kab Sukabumi 1.698 0.056
Kab Bandung Barat 1.407 0.139
Kab Bogor 2.395 0.003
Kab Ciamis 0.340 0.891 Kota Sukabumi 1.676 0.061 Kota Tasikmalaya 0.338 0.892
Berdasarkan Tabel 4.8 diperoleh matriks pembobot yang digunakan pada model RTG dibentuk matriks diagonal sebagai berikut:
è[p=u éu wu‘ =diag[è[p=u éu wu‘ (1), è[p=u éu wu‘ (2),…, è[p=u éu wu‘ (2 7)]
= diag[0.017,1,…,0.892]
b. Estimasi Parameter Model Regresi Terboboti Geografis Kota Banjar Estimasi parameter model RTG menggunakan metode Weighted Least Squ are yaitu dengan menambahkan fungsi pembobot spasial Fixed Kernel Gau ssian. Berikut persamaan model RTG Kota Banjar:
™ = −5940.307+ 40.457ê '+ 0.352 Û
Berdasarkan persamaan model RTG Kota Banjar menunjukkan bahwa Kota Banjar memiliki nilai estimasi parameter terbesar pada variabel jumlah penduduk miskin. Persamaan model RTG Kota Banjar artinya setiap kenaikan jumlah penduduk miskin di Kota Banjar sebesar satu jiwa maka jumlah balita yang terkena penyakit pneumonia akan meningkat sebesar 40.457 jiwa dimana variabel lain konstan. Setiap kenaikan kepadatan penduduk di Kota Banjar sebesar satu jiwa/•ã maka jumlah balita yang terkena penyakit pneumonia akan meningkat sebesar 0.352 jiwa dimana variabel lain konstan.
c. Uji Parsial Parameter Model Regresi Terboboti Geografis Kota Banjar
Pengujian signifikansi parameter model RTG digunakan untuk mengetahui faktor-faktor yang mempengaruhi jumlah balita yang terkena penyakit pne
38 umonia di Provinsi Jawa Barat. Hasil uji parsial model RTG Kota Banjar disajikan pada Tabel 4.9.
Tabel 4.9 Uji Parsial Model RTG Kota Banjar
Variable Estimasi Parameter Thitung p-value
Konstanta -5940.307 1.302 0.013
X' 40.457 5.593 0.000
XÛ 0.352 2.780 0.011
Berdasarkan Tabel 4.9 diperoleh nilai p-value= 0.000<O0.05 dan nilai p-value= 0.011<O = 0.05, maka variabel jumlah penduduk miskin dan variabel kepadatan penduduk yang berpengaruh terhadap variabel jumlah balita yang terkena penyakit pneumonia di Kota Banjar.
4.10.2 Estimasi Parameter dan Uji Parsial Model Regresi Terboboti Geografis Kota Cirebon
a. Matriks Jarak dan Pembobot Kota Cirebon
Matriks pembobot Wç diperoleh dengan mensubtitusikan nilai bandwidth dan jarak euclidian ke dalam fungsi Fixed Kernel Gaussian. Tabel 4.10 menyajikan matriks jarak dan pembobot untuk Kota Cirebon.
Tabel 4.10 Pembobot Fungsi Fixed Kernel Gaussian Kota Cirebon Kabupaten dan Kota Jarak Pembobot
è[p=u ëp‘svp
Kota Depok 1.772 0.044 Kota Banjar 0.629 0.674
Kota Cirebon 0 1
Kota Bandung 0.924 0.427 Kab Sumedang 0.786 0.540 Kab Purwakarta 1.222 0.226 Kab Kuningan 0.301 0.913 Kab Subang 1.059 0.327 Kota Bogor 1.768 0.044 Kab Bekasi 1.724 0.052 Kab Pangandaran 0.899 0.447 Kab Cirebon 0.183 0.967 Kab Cianjur 1.938 0.023
39 Kab Garut 1.154 0.266
Kab Bandung 1.215 0.230 Kota Bekasi 1.713 0.054 Kab Majalengka 0.540 0.748 Kab Tasikmalaya 0.904 0.443 Kota Cimahi 0.971 0.391 Kab Karawang 1.480 0.113 Kab Indramayu 0.639 0.665 Kab Sukabumi 1.602 0.077 Kab Bandung Barat 1.319 0.177 Kab Bogor 2.239 0.006 Kab Ciamis 0.650 0.656 Kota Sukabumi 1.613 0.075 Kota Tasikmalaya 0.695 0.618
Berdasarkan Tabel 4.10 diperoleh matriks pembobot yang digunakan pada model RTG dibentuk matriks diagonal sebagai berikut.
è[p=u ëp‘svp =diag[è[p=u ëp‘svp (1), è[p=u ëp‘svp (2),…., è[p=u ëp‘svp
(27)]
= diag[0.044, 0.674,…, 0.618]
b. Estimasi Parameter Model Regresi Terboboti Geografis Kota Cirebon Estimasi parameter model RTG menggunakan metode Weighted Least Square yaitu dengan menambahkan fungsi pembobot spasial Fixed Kernel Gaussian. Berikut persamaan model RTG Kota Cirebon:
™ = −5777.772+ 42.521ê '+ 0.375 Û− 54.809 Ý
Berdasarkan persamaan model RTG Kota Cirebon menunjukkan bahwa Kota Cirebon memiliki nilai estimasi parameter terbesar pada variabel jumlah penduduk miskin. Persamaan model RTG Kota Cirebon artinya setiap kenaikan jumlah penduduk miskin di Kota Cirebon sebesar satu jiwa maka jumlah balita yang terkena penyakit pneumonia akan meningkat sebesar 42.521 jiwa dimana variabel lain konstan. Setiap kenaikan kepadatan penduduk di Kota Cirebon sebesar satu jiwa/•ã maka jumlah balita yang terkena penyakit pneumonia akan meningkat sebesar 0.375 jiwa
40 dimana variabel lain konstan. Setiap kenaikan air layak konsumsi di Kota Cirebon sebesar satu persen maka jumlah balita yang terkena penyakit pneumonia akan menurun sebesar 54.809 jiwa dimana variabel lain konstan.
c. Uji Signifikansi Parameter Model Regresi Terboboti Geografis Kota Cirebon
Pengujian signifikansi parameter model RTG digunakan untuk mengetahui faktor-faktor yang mempengaruhi jumlah balita yang terkena penyakit pne umonia di Provinsi Jawa Barat. Hasil uji parsial parameter model RTG Kota Cirebon disajikan pada Tabel 4.11.
Tabel 4.11 Uji Parsial Parameter Model RTG Kota Cirebon Variable Estimasi Parameter Thitung p-value
Konstanta -5777.772 1.551 0.136
' 42.521 5.878 0.000
Û 0.375 2.960 0.007
Ý -54.809 2.100 0.048
Berdasarkan Tabel 4.11 diperoleh nilai p-value= 0.000<O = 0.05, nilai p-value= 0.077<O = 0.05 dan nilai p-value=0.048<O = 0.05 maka variabe l jumlah penduduk miskin, variabel kepadatan penduduk dan variabel air la yak konsumsi yang berpengaruh terhadap variabel jumlah balita yang terke na penyakit pneumonia di Kota Cirebon.
4.10.3 Estimasi Parameter dan Uji Parsial Model Regresi Terboboti Geografis Kabupaten Bogor
a. Matriks Jarak dan Pembobot Kabupaten Bogor
Matriks pembobot Wç diperoleh dengan mensubtitusikan nilai bandwidth dan jarak euclidian ke dalam fungsi Fixed Kernel Gaussian. Tabel 4.12 menyajikan matriks jarak dan pembobot untuk Kabupaten Bogor.
Tabel 4.12 Pembobot Fungsi Fixed Kernel Gaussian Kabupaten Bogor Kabupaten dan Kota
Jarak
Pembobot è[uv ép?p‘
Kota Depok 0.518 0.765
41 Kota Banjar 2.395 0.003
Kota Cirebon 2.239 0.006 Kota Bandung 1.367 0.155 Kab Sumedang 1.470 0.116 Kab Purwakarta 1.018 0.356 Kab Kuningan 2.10 0.012 Kab Subang 1.201 0.237 Kota Bogor 0.470 0.802 Kab Bekasi 0.637 0.668 Kab Pangandaran 2.424 0.002 Kab Cirebon 2.059 0.014 Kab Cianjur 0.597 0.701 Kab Garut 1.477 0.114 Kab Bandung 1.177 0.252 Kota Bekasi 0.635 0.669 Kab Majalengka 1.714 0.053 Kab Tasikmalaya 1.861 0.031 Kota Cimahi 1.315 0.179
Kab Ciamis 2.06029 0.01472 Kota Sukabumi 0.74081 0.57959 Kota Tasikmalaya 2.07569 0.01381
Berdasarkan Tabel 4.12 diperoleh matriks pembobot yang digunakan pada model RTG dibentuk matriks diagonal sebagai berikut.
è[uv ép?p‘ = diag[è[uv ép?p‘ (1), è[uv ép?p‘ (2),…, è[uv ép?p‘ (27)]
= diag[0.765,0.003,…,0.013]
b. Estimasi Parameter Model Regresi Terboboti Geografis Kabupaten Bogor
Estimasi parameter model RTG menggunakan metode Weighted Least Square yaitu dengan menambahkan fungsi pembobot spasial Fixed Kernel Gaussian. Berikut estimasi parameter model RTG Kabupaten Bogor:
42
™ = 1953.877+ 0.282ê Û+ 220.186 Ü− 64.262 Ý Berdasarkan persamaan model RTG Kabupaten Bogor menunjukkan bahwa Kabupaten Bogor memiliki nilai estimasi parameter terbesar pada variabel gizi kurang. Persamaan model RTG diatas artinya setiap kenaikan kepadatan penduduk di Kabupaten Bogor sebesar satu jiwa/•ã maka jumlah balita yang terkena penyakit pneumonia akan meningkat sebesar 0.282 jiwa dimana variabel lain konstan. Setiap kenaikan gizi kurang di Kabupaten Bogor sebesar satu persen maka jumlah balita yang terkena penyakit pneumonia pada balita akan meningkat sebesar 220.186 jiwa dimana variabel lain konstan. Setiap kenaikan air layak konsumsi di Kabupaten Bogor sebesar satu persen maka jumlah balita yang terkena penyakit pneumonia akan menurun sebesar 64.262 jiwa dimana variabel lain konstan.
c. Uji Parsial Parameter Model Regresi Terboboti Geografis Kabupaten Bogor
Pengujian signifikansi parameter model RTG digunakan untuk mengetahui faktor-faktor yang mempengaruhi jumlah balita yang terkena penyakit pneumonia di Provinsi Jawa Barat. Hasil uji parsial parameter model RTG Kabupaten Bogor disajikan pada Tabel 4.13.
Tabel 4.13 Uji Parsial Parameter Model RTG Kabupaten Bogor Variable Estimasi Parameter Thitung p-value
Konstanta 1953.877 2.927 0.008
XÛ 0.282 2.224 0.037
XÜ 220.186 3.917 0.000
XÝ -64.262 2.462 0.023
Berdasarkan Tabel 4.13 diperoleh nilai p-value= 0.037<O = 0.05, nilai p-value= 0.008<O = 0.05 dan nilai p-value= 0.023<O = 0.05, maka variabel kepadatan penduduk, variabel gizi kurang dan variabel air layak konsumsi yang berpengaruh terhadap variabel jumlah balita yang terkena penyakit pneumonia di Kabupaten Bogor.
43 4.10.4 Estimasi Parameter dan Uji Parsial Model Regresi Terboboti Geografis Kota Bandung
a. Matriks Jarak dan Pembobot Kabupaten Bogor
Matriks pembobot Wç diperoleh dengan mensubtitusikan nilai bandwidth dan jarak euclidian ke dalam fungsi Fixed Kernel Gaussian. Tabel 4.14 menyajikan matriks jarak dan pembobot untuk Kota Bandung.
Tabel 4.14 Pembobot Fungsi Fixed Kernel Gaussian Kota Bandung Kabupaten dan Kota Kab Purwakarta 0.433 0.829 Kab Kuningan 0.738 0.581
Kab Subang 0.425 0.835
Kota Bogor 0.905 0.442 Kab Bekasi 0.980 0.384 Kab Pangandaran 1.119 0.287 Kab Cirebon 0.742 0.578 Kab Cianjur 1.014 0.359
Kab Garut 0.445 0.820
Kab Bandung 0.306 0.910 Kota Bekasi 0.964 0.396 Kab Majalengka 0.386 0.861 Kab Tasikmalaya 0.613 0.687 Kota Cimahi 0.052 0.997
Kab Ciamis 0.71963 0.597 Kota Sukabumi 0.69165 0.621 Kota Tasikmalaya 0.74568 0.575
44 Berdasarkan Tabel 4.14 diperoleh matriks pembobot yang digunakan pada model RTG dibentuk matriks diagonal sebagai berikut.
è[p=u éu r> ?=diag[è[p=u éu r> ?(1), è[p=u éu r> ?(2),…
è[p=u éu r> ? (27)]
= diag[0.390, 0.341,…,0.575]
b. Estimasi Parameter Model Regresi Terboboti Geografis Kota Bandung
Estimasi parameter model RTG menggunakan metode Weighted Least Square yaitu dengan menambahkan fungsi pembobot spasial Fixed Kernel Gaussian. Berikut persamaan model RTG Kota Bandung.
™ = −2330.36+ 34.714ê '+ 0.347 Û+ 132.454 Ü
−62.198 Ý
Berdasarkan persamaan model RTG Kota Bandung menunjukkan bahwa Kota Bandung memiliki nilai estimasi parameter terbesar pada variabel gizi kurang. Persamaan model RTG Kota Bandung artinya setiap kenaikan jumlah penduduk miskin di Kota Bandung sebesar satu jiwa maka jumlah balita yang terkena penyakit pneumonia akan meningkat sebesar 34.714 jiwa dimana variabel lain konstan. Setiap kenaikan kepadatan penduduk di Kota Bandung sebesar satu jiwa/•ã jumlah balita yang terkena penyakit pneumonia akan meningkat sebesar 0.347 jiwa dimana variabel lain konstan. Setiap kenaikan gizi kurang di Kota Bandung sebesar satu persen maka jumlah balita yang terkena penyakit pneumonia akan meningkat sebesar 132.454 jiwa dimana variabel lain konstan. Setiap kenaikan air layak konsumsi di Kota Bandung sebesar satu persen maka jumlah balita yang terkena penyakit pneumonia akan menurun sebesar 62.198 jiwa dimana variabel lain konstan.
45 c. Uji Parsial Parameter Model Regresi Terboboti Geografis Kota
Bandung
Pengujian signifikansi parameter model RTG digunakan untuk mengetahui faktor-faktor yang mempengaruhi jumlah balita yang terkena penyakit pneumonia di Provinsi Jawa Barat. Hasil uji parsial parameter model RTG Kota Bandung disajikan pada Tabel 4.15.
Tabel 4.15 Uji Parsial Parameter Model RTG Kota Bandung Variable Estimasi Parameter Thitung p-value
Konstanta -2330.36 1.698 0.104 p-value= 0.012< α=0.05, nilai p-value= 0.028< α=0.05 dan nilai p-value= 0
.027<α=0.05, maka variabel jumlah penduduk miskin, variabel kepadatan
penduduk, variabel gizi kurang dan variabel air layak konsumsi yang berpengaruh terhadap variabel jumlah balita yang terkena penyakit pneumo
nia di Kota Bandung.
Berikut estimasi parameter model Regresi Terboboti Geografis setiap Kabupaten dan Kota di Provinsi Jawa Barat. Hasil estimasi parameter dan nilai p-value model RTG setiap Kabupaten dan Kota di Provinsi Jawa Barat disajikan pada Tabel 4.16
Tabel 4.16 Estimasi Parameter dan p-value Model RTG Setiap Kabupaten dan Kota di Provinsi Jawa Barat
Kabupaten dan Kota (– , — ) (– , — ) (– , — ) '(– , — ) g(– , — ) Kota Depok 1198.43
(0.013) 18.92
(0.016) 0.293
(0.031) 202.626
(0.001) -64.591 (0.022) Kota Banjar -5940.307
(0.207) 40.457
(0.000) 0.352 (0.011) Kota Cirebon -5777.772
(0.136) 42.521
(0.000) 0.3754
(0.007) -54.809
(0.048) Kota Bandung -2330.36 34.714 0.3475 132.454 -62.198
46 (0.104) (0.000) (0.012) (0.028) (0.027) Kab Sumedang -3025.222
(0.103) 35.863
(0.000) 0.349
(0.012) 128.151
(0.033) -61.968 (0.027) Kab Purwakarta -712.481
(0.049) 27.925
(0.000) 0.316
(0.021) 165.528
(0.008) -63.819 (0.023) Kab Kuningan -5190.55
(0.147) 41.248
(0.000) 0.368 (0.008) Kab Subang -1867.406
(0.056) 30.239
(0.000) 0.320
(0.019) 156.935
(0.011) -63.802 (0.023) Kota Bogor 1801.025
(0.019) 19.674
(0.013) 0.292
(0.031) 198.343
(0.002) -63.681 (0.024) Kab Bekasi 738.974
(0.012) 19.265
(0.014) 0.294
(0.030) 201.792
(0.001) -65.026 (0.021) Kab Pangandaran -5693.396
(0.247) 38.656
(0.000) 0.337 (0.015) Kab Cirebon -5233.159
(0.127) 41.4
(0.000) 0.369
(0.008) -56.667
(0.042) Kab Cianjur 3662.502
(0.036) 20.375 Kab Bandung -693.003
(0.102) 32.026
(0.000) 0.341
(0.013) 142.959
(0.019) -62.484 (0.026) Kota Bekasi 763.697
(0.013) 19.428
(0.014) 0.294
(0.030) 201.034
(0.001) -64.934 (0.021) Kab Majalengka -4062.118
(0.116) 38.6
(0.000) 0.358
(0.010) -59.99
(0.032) Kab Tasikmalaya -3576.435
(0.184) 38.684
(0.000) 0.364 (0.009) Kota Cimahi -2062.158
(0.099) 33.942
(0.000) 0.344
(0.013) 136.495
(0.024) -62.529 (0.026) Kab Karawang -109.504
(0.0205) 22.665
(0.005) 0.298
(0.028) 188.074
(0.003) -64.544 (0.022) Kab Indramayu -4183.102
(0.086) 36.886
(0.000) 0.343
(0.013) 128.065
(0.033) -62.293 (0.026) Kab Sukabumi 1772.208
(0.041) 23.615
(0.003) 0.304
(0.026) 180.7
(0.004) -63.004 (0.025) Kab Bandung Barat 135.541
(0.070) 28.699
(0.000) 0.325
(0.018) 159.513
(0.010) -63.177 (0.025) Kab Bogor 1953.877
(0.008) 14.851
(0.053) 0.282
(0.037) 220.186
(0.000) -64.262 (0.023) Kab Ciamis -4649.875
(0.177) 39.898
(0.000) 0.362 (0.009) Kota Sukabumi 1949.686
(0.048) 24.213
(0.003) 0.307
(0.024) 177.573
(0.004) -62.778 (0.025)
47 Kota Tasikmalaya -4631.627
(0.183) 39.73
(0.000) 0.360 (0.010)
Berdasarkan Tabel 4.16 diperoleh nilai estimasi parameter untuk masing-masing Kota dan Kabupaten di Provinsi Jawa Barat dan nilai yang berada didalam kurung menunjukkan nilai p-value dari masing-masing Kota dan Kabupaten di Provinsi Ja wa Barat. Salah satunya pada Kota Banjar diperoleh nilai p-value estimasi paramet er sebesar 0.000< α= 0.05 dan sebesar 0.011< α= 0.05, artinya parameter dan berpengaruh signifikan terhadap jumlah balita yang terkena penyakit pneu monia di Kota Banjar.
Berikut peta tematik masing-masing estimasi parameter model RTG setiap Kabup aten dan Kota di Provinsi Jawa Barat.
1. Peta Tematik Estimasi Parameter model RTG
Peta tematik estimasi parameter model RTG setiap Kabupaten dan Kota di Provinsi Jawa Barat disajikan pada Gambar 4.2. Berdasarkan Gambar 4.2 diperoleh bahwa estimasi parameter terendah sebesar -5940.307 di Kabupaten Cirebon dan estimasi parameter tertinggi sebesar 3662.502 di Kabupaten Cianjur.
Gambar 4.2 Peta Tematik Estimasi Parameter 0 Model RTG
2. Peta Tematik Estimasi Parameter model RTG
Peta tematik estimasi parameter model RTG setiap Kabupaten dan Kota di Provinsi Jawa Barat disajikan pada Gambar 4.3.
48 Berdasarkan Gambar 4.3 diperoleh bahwa estimasi parameter terendah sebesar 14.851 di Kabupaten Bogor dan estimasi parameter tertinggi sebesar 42.521 di Kota Cirebon. Artinya pada Kabupaten Bogor variabel jumlah penduduk miskin berpengaruh kecil terhadap jumlah balita yang ter kena penyakit pneumonia dan Kota Cirebon variabel jumlah penduduk miskin berpengaruh besar terhadap jumlah balita yang terkena penyakit pneumonia. Secara garis besar variabel jumlah penduduk miskin berpengar
uh kecil terhadap jumlah balita yang terkena penyakit pneumonia di wilayah timur Provinsi Jawa Barat.
Gambar 4.3 Peta Tematik Estimasi Parameter 1 Model RTG
3. Peta Tematik Estimasi Parameter Model RTG
Peta tematik estimasi parameter model RTG setiap Kabupaten dan Kota di Provinsi Jawa Barat disajikan pada Gambar 4.4.
Berdasarkan Gambar 4.4 diperoleh bahwa estimasi parameter terendah sebesar 0.282 di Kabupaten Bogor dan estimasi parameter tertinggi sebesar 0.375 di Kota Cirebon. Artinya pada Kabupaten Bogor variabel kepadatan penduduk berpengaruh kecil terhadap jumlah balita yang terkena penyakit pneumonia dan Kota Cirebon variabel kepadatan penduduk berpengaruh besar terhadap jumlah balita yang terkena penyakit pneumonia. Secara garis besar variabel kepadatan penduduk berpengaruh kecil terhadap jumlah balita yang terkena penyakit pneumonia di wilayah timur Provinsi
Jawa Barat.
49 Gambar 4.4 Peta Tematik Estimasi Parameter 2 Model RTG
4. Peta Tematik Estimasi Parameter ' model RTG
Peta tematik estimasi parameter ' model RTG setiap Kabupaten dan Kota di Provinsi Jawa Barat disajikan pada Gambar 4.5.
Berdasarkan Gambar 4.5 diperoleh bahwa estimasi parameter ' terendah
sebesar 59.743 di Kabupaten Pangandaran dan estimasi parameter ' tertinggi sebesar 220.186 di Kabupaten Bogor. Artinya pada Kabupaten Pangandaran variabel gizi kurang berpengaruh kecil terhadap jumlah balita yang terkena penyakit pneumonia dan Kabupaten Bogor variabel gizi kura ng berpengaruh besar terhadap balita yang terkena penyakit pneumonia.
Secara garis besar variabel gizi kurang berpengaruh kecil terhadap jumlah balita yang terkena penyakit pneumonia di wilayah barat Provinsi Jawa Barat.
Gambar 4.5 Peta Tematik Estimasi Parameter 3 Model RTG
50 5. Peta Tematik Estimasi Parameter g Model RTG
Peta tematik estimasi parameter g model RTG setiap Kabupaten dan Kota di Provinsi Jawa Barat disajikan pada Gambar 4.6.
Berdasarkan Gambar 4.6 diperoleh bahwa estimasi parameter g terendah sebesar -65.026 di Kabupaten Bekasi dan estimasi parameter g tertinggi sebesar -39.696 di Kabupaten Pangandaran. Artinya pada Kabupaten Beka si variabel air layak konsumsi berpengaruh kecil terhadap balita yang terke na penyakit pneumonia dan Kabupaten Pangandaran variabel variabel air layak konsumsi berpengaruh besar terhadap balita yang terkena penyakit pneumonia. Secara garis besar variabel air layak konsumsi berpengaruh kecil terhadap balita yang terkena penyakit pneumonia di wilayah selatan Provinsi Jawa Barat.
Gambar 4.6 Peta Tematik Estimasi Parameter 4 Model RTG 4.10.5 Uji Kesesuaian Model
Uji kesesuaian model digunakan untuk mengetahui apakah terdapat perbedaan yang signifikan antara model regresi linier berganda dengan model RTG. Diperoleh
;< => ?= 1.65 < ;=uvsq ( , Û; .ÛÛ.; . )= 2.12, maka @ diterima yang artinya tidak terdapat perbedaan yang signifikan antara model regresi linier berganda dengan model RTG pada kasus jumlah balita yang terkena penyakit pneumonia.
51 4.11 Pemilihan Model Terbaik
Pemilihan model terbaik adalah suatu proses evaluasi dari model yang digunakan untuk mengetahui seberapa besar peluang masing-masing model yang terbentuk sesuai dengan data. Pada penelitian ini membandingkan model regresi linier berganda dan model RTG berdasarkan nilai tertinggi. Berikut hasil perbandingan dari kedua model disajikan pada Tabel 4.17.
Tabel 4.17 Pemilihan Model Terbaik Model Regresi Linier Berganda RTG
54.3% 90.8%
Berdasarkan Tabel 4.17 diperoleh bahwa nilai terpilih model RTG lebih baik dibandingkan dengan model regresi linier berganda. Dimana pada model RTG dapat menjelaskan jumlah balita yang terkena penyakit pneumonia sebesar 90.8%.
52
BAB V PENUTUP
5.1 Kesimpulan
a. Berdasarkan hasil pemodelan RTG diperoleh model yang berbeda-beda untuk setiap wilayah Kabupaten dan Kota di Provinsi Jawa Barat. Berikut salah satu model pada Kota Banjar
™ = −5940.307+ 40.457ê '+ 0.352 Û
b. Berdasarkan model RTG diperoleh faktor-faktor yang mempengaruhi jumlah balita yang terkena penyakit pneumonia yaitu jumlah penduduk miskin, kepadatan penduduk, gizi kurang dan air layak konsumsi.
c. Diperoleh bahwa nilai model regresi linier berganda sebesar 54.3%, sedangkan model RTG sebesar 90.8%. Sehingga terpilih model RTG lebih baik dibandingkan dengan model regresi linier berganda. Dimana pada model RTG dapat menjelaskan jumlah balita yang terkena penyakit pneumonia sebesar 90.8%.
d. Berdasarkan model RTG diperoleh empat kategori kelompok pengelompokkan Kabupaten dan Kota di Provinsi Jawa Barat berdasarkan variabel yang berpengaruh terhadap jumlah balita yang terkena penyakit pneumonia. Kelompok pertama adalah Kabupaten dan Kota di Provinsi Jawa Barat dengan variabel yang berpengaruh yaitu jumlah penduduk miskin dan kepadatan penduduk terhadap jumlah balita yang terkena penyakit pneumonia. Kelompok kedua adalah Kabupaten dan Kota di Provinsi Jawa Barat dengan variabel yang berpengaruh yaitu jumlah penduduk miskin, kepadatan penduduk, dan air layak konsumsi terhadap jumlah balita yang terkena penyakit pneumonia. Kelompok ketiga adalah Kabupaten dan Kota di Provinsi Jawa Barat dengan variabel yang berpengaruh yaitu kepadatan penduduk, gizi kurang dan air layak konsumsi terhadap jumlah balita yang terkena penyakit pneumonia. Sedangkan
53 kelompok keempat adalah Kabupaten dan Kota di Provinsi Jawa Barat dengan variabel yang berpengaruh yaitu jumlah penduduk miskin, kepadatan penduduk, gizi kurang dan air layak konsumsi terhadap jumlah balita yang terkena penyakit pneumonia.
5.2 Saran
Untuk penelitian selanjutnya diharap dapat menambahkan variabel penjelas dan menggunakan fungsi pembobot spasial yang lain seperti fixed kernel bisquare, adaptive kernel Gaussian, adaptive kernel bisquare.
54
REFERENSI
[1] A. S. Fotheringham, C. Brunsdon dan M. Charlton, Geographically Weighted Regression the analysis of spatially varying relationships, England: John Wiley & Sons Ltd, 2002.
[2] R. E. Caraka and H. Yasin, Geographically Weighted Regression (GWR);
Sebuah Pendekatan Regresi Geografis, Yogyakarta: MOBIUS, 2017.
[3] "Profil Kesehatan Jawa Barat," 2018. [Online]. Available:
www.diskes.jabarprov.go.id. [Accessed 23 September 2020].
[4] "Data dan Informasi Profil Kesehatan Indonesia," 2018. [Online]. Available:
pusdatin.kemkes.go.id. [Accessed 23 September 2020].
[5] I. Aulia, M. Salamah dan S. Andari, "Pemodelan Pneumonia pada Balita di Surabaya Menggunakan Spatial Autoregressive Models," Jurnal Sains dan Seni ITS, vol. 6 No 1, 2017.
[6] I. G. M. Sriandi dan M. Susilawati, "Pemodelan Kasus Pneumonia pada Balita di Provinsi Bali Menggunakan Metode Regresi Nonparametrik B-Spline," E-Jurnal Matematika, vol. 9 (3), pp. 197-204, 2020.
[7] N. Aldriana, "Faktor-faktor yang Berhubungan dengan Pneumonia pada Balita di Wilayah Kerja Puskesmas Rambah Samo 1 Tahun 2014," Jurnal Maternity and Neonatal, vol. 1 No 6, 2015.
[8] "Pedoman Pengendalian Infeksi Saluran Pernapasan Akut," 2011. [Online].
Available: www.kemenkes.go.id. [Accessed 1 September 2020].
[9] [Online]. Available: jabar.bps.go.id. [Accessed 2021 Januari 7].
[10] M. Said, "Pengendalian Pneumonia Anak-Balita dalam Rangka Pencapaian MDG4," Buletin Jendela Epidemiologi, Vol. 3 ISSN: 2087-1546, 2010.
[11] R. E. Walpole, Pengantar Statistika, Gramedia Pustaka Utama, 2017.
[12] R. K. Sembiring, Analisis Regresi Edisi Kedua, Bandung: ITB, 2003.
55 [13] D. Suliyanto, Ekonometrika Terapan Teori & Aplikasi dengan SPSS,
Yogyakarta: ANDI, 2011.
[14] D. N. Gujarati, Dasar-dasar Ekonometrika Edisi Ketiga Jilid 2, Erlangga, 2007.
[15] W. Falah M.Si, Menggambar Peta dengan ArcGIS 10.1 Tutorial ArcGIS 10.1 untuk Pemula, Budi Utama, 2015.
[16] A. Saefuddin, N. A. Setiabudi dan N. A. Achsani, "On Comparisson Between Ordinary Linear Regression and Geographically Weighted Regression: With Apllication to Indonesian Poverty Data," European Journal of Scientific Research, vol. 57 No 2, pp. 275-285, 2011.
[17] A. Tanadjaja, I. Zain dan W. Wibono, "Pemodelan Angka Harapan Hidup di Papua dengan Pendekatan Geographically Weighted Regression," Jurnal Sains dan Seni ITS, vol. 6 No 1, 2017.
[18] H. Nufusia, A. Alamudi dan D. Kusumaningrum, "Regresi Terboboti geografis untuk Analisis Pendapatan Asli Daerah Kabupaten/Kota di Provinsi Aceh," Xplore, vol. 1, pp. 1-8.
[19] I. A. Kadri, M. Susilawati dan S. Kartika, "Faktor-faktor yang Berpengaruh Signifikan Terhadap Indeks Pembangunan Manusia di Provinsi Papua," E-Jurnal Matematika , vol. 9 (1), pp. 31-36, 2020.
[20] A. M.Kim, S. Kang dan J. H. Park, "A Spatial Analysis of Geographic Variation and Factors Associated with Hospitalization for Bacterial Pneumonia in Korea," BMC Pulmonary Medicine, 2019.
[21] H. Kosai, R. Tamaki dan M. Salto, "Incidence and Risk Factors of Chilhood Pneumonia Like Episodes in Biliran Island Philippines-A Community Based Study," PLOS ONE, 2015.
[22] S. Georganos, D. E. Tenenbaum dan S. Kalogirou, "Examining the NDVI-Rainfall Relationship in the semi-arid Sahel Using Geographically Weighted Regression," Journal of Arid Environments, pp. 1-11, 2017.
[23] D. N. Gujarati, Basic Econometrics, The McGraw-Hill Companies, 2004.
56 [24] J. A. Yacim dan D. G. Brand, "A Comparison of bandwidth and kernel
function selection in geographixally weighted regression for house valuation,"
International Journal of Technology, vol. 10(1), pp. 58-68, 2019.
[25] P. E. Bidanset dan J. R. Lombard, "The effect of kernel and bandwidth specification in geographically weighted regression models on the accuracy and uniformity of mass real estate appraisal," Journal of property tax assessment & administration, vol. 10, no. 3, 2014.
[26] S. Oliveira, J. M. C dan L. Lourenco, "exploring the spatial patterns of fire density in southern europeusing geographically weighted regression," applied geography, vol. 51, pp. 143-157, 2014.
[27] W. Zucchini, "Applied Smoothing Techniques Part 1: Kernel Density Estimation," October 2003.
57
LAMPIRAN
Lampiran 1 : Data Jumlah Balita Yang Terkena Penyakit Pneumonia tahun 2018 dan Titik Koordinat Provinsi Jawa Barat
Kab dan Kota Lintang Bujur PHBS BBLR Kota Depok 6.38767 106.748 80.11 1.01 Kota Banjar 7.3724 108.501 78.36 2.82 Kota Cirebon 6.74269 108.484 75.22 3.66 Kota Bandung 6.90327 107.573 67.79 2.17 Kab Sumedang 6.80943 107.7 66.95 3.09 Kab Purwakarta 6.59204 107.271 66.62 1.94 Kab Kuningan 6.9868 108.307 66.38 6.41 Kab Subang 6.49453 107.454 65.77 2.22 Kota Bogor 6.59502 106.722 65.46 1.78 Kab Bekasi 6.26696 106.827 65.1 0.55 Kab Pangandaran 7.6401 108.417 62.62 4.6
Kab Cirebon 6.76054 108.301 62.08 3.15 Kab Cianjur 7.05168 106.57 60.1 2.58 Kab Garut 7.34256 107.498 60 2.71 Kab Bandung 7.06271 107.311 56.43 2.21 Kota Bekasi 6.28418 106.833 55.31 0.65 Kab Majalengka 6.8069 107.948 54.91 4.44 Kab Tasikmalaya 7.4271 107.893 53.58 3.42 Kota Cimahi 6.88621 107.524 53.58 2.72 Kab Karawang 6.26405 107.084 53.48 2.55 Kab Indramayu 6.45102 107.915 51.79 3.95 Kab Sukabumi 6.84923 106.885 49.91 6.1
Kab Bandung
Barat 6.9045 107.174 49.78 3.54 Kab Bogor 6.54505 106.254 48.49 1.49 Kab Ciamis 7.31054 108.166 47.55 4.63 Kota Sukabumi 6.93693 106.882 40.95 3.7
Kota
Tasikmalaya 7.35981 108.163 40.25 2.59
58
Lampiran 2 : Matriks Jarak Euclidean antar Kabupaten dan Kota Provinsi Jawa Barat
59 Kota Bandung 0.97317 1.039897 0.924929 0.738319 Kab Sumedang 1.04164 0.97904 0.786641 0.631905
Kab
Purwakarta 0.56191 1.456661 1.222134 1.108205 Kab Kuningan 1.6701 0.431872 0.301704 0
Kab Subang 0.71465 1.366184 1.059107 0.984265 Kota Bogor 0.20896 1.941738 1.768324 1.632551 Kab Bekasi 0.14425 2.006431 1.724191 1.645735 Pangandaran Kab 2.08653 0.280744 0.899936 0.662481 Kab Cirebon 1.5978 0.643634 0.183429 0.226315 Kab Cianjur 0.68741 1.957717 1.938862 1.737991 Kab Garut 1.21433 1.003681 1.154185 0.88354 Kab Bandung 0.87913 1.229849 1.215902 0.99862 Kota Bekasi 0.13426 1.991506 1.713206 1.63236 Majalengka Kab 1.2709 0.791411 0.540305 0.401708
Kab
Tasikmalaya 1.54679 0.610389 0.904103 0.60399 Kota Cimahi 0.92222 1.091797 0.971052 0.789517 Kab Karawang 0.3578 1.799499 1.480008 1.420744 Kab Indramayu 1.16852 1.09227 0.639785 0.663943 Kab Sukabumi 0.48161 1.6985 1.60228 1.428073
Kab Bandung
Barat 0.66994 1.407222 1.319926 1.135654 Kab Bogor 0.5186 2.395011 2.239125 2.100069 Kab Ciamis 1.69242 0.340434 0.650623 0.352826 Kota Sukabumi 0.56549 1.67644 1.613442 1.425278
Kota
Tasikmalaya 1.71672 0.338707 0.695745 0.399835
Kab
Subang Kota
Bogor Kab
Bekasi … Kota Cimahi Kota Depok 0.714651 0.208957 0.144254 0.922223
Bekasi … Kota Cimahi Kota Depok 0.714651 0.208957 0.144254 0.922223