Estimasi parameter model Geographically Weighted Poisson Regression (GWPR) pada data yang mengandung outlier

INDONESIA :

Model Geographically Weighted Poisson Regression (GWPR) merupakan pengembangan dari regresi Poisson atau bentuk lokal regresi Poisson dimana memperhatikan lokasi dari titik pengamatan yang menghasilkan penaksir parameter model yang bersifat lokal untuk setiap titik atau lokasi dimana data tersebut dikumpulkan, dengan mengasumsikan data berdistribusi Poisson. Dalam menganalisis data dengan menggunakan model GWPR, terkadang ditemukan adanya outlier. Outlier ini dapat diidentifikasi secara jelas karena berbeda dengan mayoritas titik sampel lainnya. Namun, adanya outlier dapat berdampak terhadap hasil estimasi parameter model yang menyebabkan estimasi parameter menjadi bias. Salah satu metode penyelesaian outlier adalah metode robust-M. Penelitian ini bertujuan untuk mendapatkan estimasi parameter model GWPR yang mengandung outlier. Hasil penelitian diaplikasikan pada balita gizi buruk di Provinsi Jawa Timur, sehingga akan didapatkan pemetaan balita gizi buruk di Jawa Timur. Variabel respon yang digunakan pada penelitian ini adalah jumlah balita gizi buruk di setiap kabupaten/kota dan variabel prediktornya adalah imunisasi Tetanus Toxoid (TT) yang pertama pada ibu hamil (X1), pemeriksaan neonatal lengkap ibu hamil (X2), asupan Air Susu Ibu (ASI) eksklusif (X3), pelayanan balita (X4), pelayanan penyuluhan (X5), berperilaku hidup sehat dan bersih (X6), dan jumlah ahli gizi (X7). Setelah didapatkan modelnya maka dilakukan uji F. Hasil yang didapatkan dari penelitian ini adalah model GWPR pada data yang mengandung outlier lebih baik dalam menjelaskan jumlah balita gizi buruk di Jawa Timur tahun 2012 daripada model GWPR.

ENGLISH :

Geographically Weighted Poisson Regression (GWPR) model is a development or local forms of Poisson regression which regarding to the location of the observation point that generates a parameter estimator of local model for each point or location where the data is collected, assuming the data is Poisson distributed. In the data analyzing process using GWPR model, sometimes find the existence of outlier. It can be identified clearly since it is different from the other majority of sample points. However, the existence of an outlier may affect to the resulting parameter estimation of model that causes parameter estimates to be biased. One of methods to solve the outlier is robust-M method. This research aims to get parameter estimation of GWPR model which contains outlier. The result was applied into the case of malnutrition toddler in the East Java province. Thus, it will be obtained the model of malnutrition toddler in East Java. The respond variable that used in this research is number of malnutrition toddler in each regency/town, and the predictor variable were the immunization of Tetanus Toxoid (TT) for pregnant mother (X1), full neonatal examination of pregnant mother (X2), the intake of breast milk exclusively (X3), services toddlers (X4), counseling services (X5), clean and healthy life behavior (X6), and total of nutritionists (X7). After getting the model, it tested by F-test. The result of this research showed that GWPR model in data that contains outlier could explain better the mapping of malnutrition toddler in East Java at 2012 than GWPR model.