Pemodelan Geographically Weighted Regression pada Kasus Pneumonia di Indonesia

Authors

  • Bernadita Oktaviani Universitas Negeri Padang
  • Nonong Amalita Universitas Negeri Padang
  • Yenni Kurniawati Universitas Negeri Padang
  • Zamahsary Martha Universitas Negeri Padang

DOI:

https://doi.org/10.59632/leibniz.v5i02.564

Keywords:

GWR, Pneumonia , Balita, Analisis Spasial

Abstract

Pneumonia adalah penyakit infeksi pernafasan yang menjadi salah satu penyumbang terbesar kasus kematian pada balita dan termasuk dalam  salah satu masalah kesehatan secara global. Kematian balita akibat pneumonia di Indonesia mengalami peningkatan dari 459 kasus pada tahun 2022 menjadi 522 kasus pada  tahun 2023 yang menunjukkan bahwa pneumonia masih menjadi masalah serius bagi kesehatan balita. Geographically Weighted Regression (GWR) adalah metode yang digunakan dalam penelitian ini. Data penelitian ini diperoleh dari publikasi yang diterbitkan oleh Kemenkes RI, yaitu Profil Kesehatan Indonesia 2023. Tujuan penelitian ini untuk mengevaluasi penerapan model GWR dalam memodelkan data spasial dan untuk mengidentifikasi faktor-faktor yang berpengaruh terhadap jumlah kasus pneumonia balita di Indonesia. Hasil analisis menunjukkan bahwa model GWR memberikan hasil yang lebih baik dalam memodelkan jumlah kasus pneumonia pada balita dibandingkan model regresi linier berganda dengan nilai AIC sebesar 15,66953 dan  sebesar 94,66%. Faktor-faktor yang berpengaruh signifikan terhadap jumlah kasus pneumonia pada balita di Indonesia tahun 2023 adalah persentase balita yang mendapat vitamin A, persentase bayi mendapat ASI eksklusif sampai 6 bulan, jumlah puskesmas, persentase bayi yang mendapat imunisasi dasar lengkap, persentase rumah tangga yang memiliki akses terhadap sanitasi layak, persentase penduduk miskin, persentase kejadian gizi buruk pada balita usia 0-59 bulan, dan jumlah bayi berat badan lahir rendah (BBLR).

Downloads

Download data is not yet available.

References

Afriani, B., & Oktavia, L. (2021). Faktor Risiko Kejadian Pneumonia Pada Bayi. Babul Ilmi Jurnal Ilmiah Multi Science Kesehatan, 13(2), 26–38. https://doi.org/10.36729/bi.v13i2.895

Anselin, L. (1988). Spatial Econometrics: Methods and Models. The Netherlands: Kluwer Academic Publishers.

Caraka, R. E., & Yasin, H. (2017). Geographically Weighted Regression (GWR): Sebuah Pendekatan Regresi Geografis. Yogyakarta: Mobius.

Erdkhadifa, R. (2021). Pemodelan Spasial Tingkat Pengangguran Terbuka Di Jawa Timur Dengan Geographically Weighted Regression. STATISTIKA Journal of Theoretical Statistics and Its Applications, 21(2), 85–97. https://doi.org/10.29313/statistika.v21i2.295

Fotheringham, A. S., Brunsdon, C., & Charlton, M. (2002). Geographically Weighted Regression: the analysis of spatial varying relationships. England: John Wiley & Sons Ltd.

Gujarati, D. N., & Porter, D. C. (2009). Basic Econometrics (Fifth Edit). New York: McGraw-Hill.

Harnanto, Y. I., Rusgiyono, A., & Wuryandari, T. (2017). Penerapan Analisis Klaster Metode Ward Terhadap Kabupaten/Kota Di Jawa Tengah Berdasarkan Pengguna Alat Kontrasepsi. Jurnal Gaussian, 6(4), 528–537. http://ejournal-s1.undip.ac.id/index.php/gaussian

Kementerian Kesehatan Republik Indonesia. (2024). Profil Kesehatan Indonesia 2023. Jakarta: Kemenkes RI

Kurnia, I. D., Krisnana, I., Putri, E. R., Arief, Y. S., & Rithpho, P. (2023). Analysis of Factors Affecting Pneumonia in Toodlers Based on Theory Epidemiology Triad. Malaysian Journal of Medicine and Health Sciences, 19(May), 1–8.

Lee, J., & Wong, D. W. S. (2001). Statiscal Analysis with ArcView Gis. New York: John Wiley & Sons, Inc.

Lutfiani, N., Sugiman, & Mariani, S. (2019). Pemodelan Geographically Weighted Regression (GWR) dengan Fungsi Pembobot Kernel Gaussian dan Bi-square. UNNES Journal of Mathematics, 8(1), 82–91. http://journal.unnes.ac.id/sju/index.php/ujmUJM8

Montgomery, D. C., Peck, E. A., & Vining, G. G. (2006). Introduction to Linear Regression Analysis (Fourth Edi). New Jersey: John Wiley & Sons, Inc.

Mujiarti, E. M., Yundari, & Huda, N. M. (2024). Pemodelan Geographically Weigted Regression pada Angka Partisipasi Sekolah di Kalimantan Barat Tahun 2022. Jurnal Gaussian, 13(1), 36–47. https://doi.org/10.14710/j.gauss.13.1.36-47

Nadya, M., Rahayu, W., & Santi, V. M. (2017). Analisis Geographically Weighted Regression (Gwr) Pada Kasus Pneumonia Balita Di Provinsi Jawa Barat. Jurnal Statistika Dan Aplikasinya, 1(1), 23–32. https://doi.org/10.21009/jsa.01103

Pagano, R. R. (2013). Understanding Statistics in the Behavioral Sciences (Tenth Edit). Canada: Cangage Learning.

Sari, M. P., & Cahyati, W. H. (2019). Tren Pneumonia Balita di Kota Semarang Tahun 2012-2018. Higeia Journal of Public Health Reseach and Development, 3(3), 407–416. https://doi.org/10.15294 /higeia/v3i3/30266

Supratiknyo, A. D., & Siwiendrayanti, A. (2024). Pemetaan Distribusi Kejadian Penyakit Pneumonia Pada Balita di Wilayah Kabupaten Magelang. Higeia Journal of Public Health Reseach and Development, 8(3), 356–370. https://doi.org/https://doi.org/10.15294 /higeia/v8i3/7389

UNICEF. 2024. Pneumonia pada anak: Apa yang perlu Anda ketahui. https://www.unicef.org/stories/childhood-pneumonia-explained.

Yuni, S. M., Saputra, T. M., & Fadhilah, N. N. (2025). The Implementation of Geographically Weighted Regression (GWR) Method on Open Unemployment Rate in Regency/City of Sumatra Island. Barekeng: Journal of Mathematics and Its Applications, 19(1), 73–86. https://doi.org/10.30598/barekengvol19iss1pp73-86

Published

2025-07-31

How to Cite

Pemodelan Geographically Weighted Regression pada Kasus Pneumonia di Indonesia. (2025). Leibniz: Jurnal Matematika, 5(02), 195-207. https://doi.org/10.59632/leibniz.v5i02.564