Pemetaan Disparitas Stunting di Jawa Timur dengan Spatial Autoregressive Model (SAR) dan Spatial Error Model (SEM)

M Syauqi Haris; Risqy Siwi Pradini; Ahsanun Naseh Khudori

doi:10.30865/json.v7i1.8877

Authors

M Syauqi Haris Institut Teknologi, Sains, dan Kesehatan RS dr Soepraoen Kesdam V/Brw https://orcid.org/0000-0001-5892-6357
Risqy Siwi Pradini Institut Teknologi Sains dan Kesehatan RS dr. Soepraoen Kesdam V/BRW
Ahsanun Naseh Khudori Institut Teknologi Sains dan Kesehatan RS dr. Soepraoen Kesdam V/BRW

DOI:

https://doi.org/10.30865/json.v7i1.8877

Keywords:

Stunting, Analisis Spasial, Regresi Spasial, Moran’s I, LISA

Abstract

Stunting masih menjadi masalah kesehatan masyarakat yang signifikan di Indonesia, khususnya di Provinsi Jawa Timur, di mana terdapat disparitas yang mencolok dalam prevalensi stunting. Penelitian ini bertujuan untuk mengevaluasi distribusi spasial stunting dan mengidentifikasi faktor-faktor yang mempengaruhinya, dengan mempertimbangkan perbedaan geografis antarwilayah. Untuk mencapai tujuan tersebut, penelitian menggunakan pendekatan analisis spasial dengan menggunakan data sekunder dari 38 kabupaten dan kota di Jawa Timur. Analisis ini melibatkan beberapa tahap, termasuk eksplorasi pola geografis melalui indeks autokorelasi global Moran's I dan analisis LISA, diikuti dengan pemodelan regresi spasial menggunakan Spatial Autoregressive Model (SAR) dan Spatial Error Model (SEM) berdasarkan matriks bobot tetangga terdekat. Klaster hotspot diidentifikasi di wilayah Tapal Kuda, sementara klaster outlier ditemukan di Sampang dan Tulungagung. Selain itu, model regresi spasial menunjukkan kinerja yang lebih baik dibandingkan dengan model Ordinary Least Squares (OLS), dengan nilai pseudo R² SAR sebesar 0,7203 dan penurunan Akaike Information Criterion (AIC) menjadi 259,05. Hasil analisis menunjukkan bahwa inisiasi menyusui dini, cakupan ibu hamil, dan pemberian tablet tambah darah merupakan faktor signifikan yang mempengaruhi prevalensi stunting (p <0,05). Secara keseluruhan, model spasial memberikan representasi yang lebih akurat tentang pengaruh spasial di seluruh wilayah dibandingkan dengan regresi linier biasa, sehingga dapat menjelaskan variasi geografis stunting dengan lebih baik. Temuan ini menyoroti kebutuhan mendesak untuk mengembangkan kebijakan berbasis wilayah yang disesuaikan dengan karakteristik spasial yang unik di setiap wilayah. Penelitian ini berkontribusi pada bidang studi spasial dalam epidemiologi gizi dan menawarkan dasar ilmiah untuk mengimplementasikan intervensi kesehatan masyarakat yang lebih tepat sasaran.

References

M. S. Haris, A. N. Khudori, and W. T. Kusuma, “Perbandingan Metode Supervised Machine Learning untuk Prediksi Prevalensi Stunting di Provisi Jawa Timur,” J. Teknol. Inf. dan Ilmu Komput., vol. 9, no. 7, p. 1571, 2022, doi: 10.25126/jtiik.2022976744.

A. Fitriangga, G. Albilardo, and M. Pramulya, “Distribution and Spatial Pattern Analysis on Malnutrition Cases: a Case Study in Pontianak City,” Malaysian J. Public Heal. Med., vol. 20, no. 2, pp. 56–64, 2020, doi: 10.37268/mjphm/vol.20/no.2/art.477.

K. Dong and S. Zhang, “Deciphering spatial domains from spatially resolved transcriptomics with an adaptive graph attention auto-encoder,” Nat. Commun., vol. 13, no. 1, pp. 1–12, 2022, doi: 10.1038/s41467-022-29439-6.

V. Uwiringiyimana, F. Osei, S. Amer, and A. Veldkamp, “Bayesian geostatistical modelling of stunting in Rwanda: risk factors and spatially explicit residual stunting burden,” BMC Public Health, vol. 22, no. 1, pp. 1–14, 2022, doi: 10.1186/s12889-022-12552-y.

V. N. Maniragaba, L. K. Atuhaire, and P. C. Rutayisire, “Undernutrition among the children below five years of age in Uganda: a spatial analysis approach,” BMC Public Health, vol. 23, no. 1, pp. 1–17, 2023, doi: 10.1186/s12889-023-15214-9.

N. Brazil, “The multidimensional clustering of health and its ecological risk factors,” Soc. Sci. Med., vol. 295, no. February, 2022, doi: 10.1016/j.socscimed.2021.113772.

I. Mamlua’atul Mufidah and H. Basuki, “Analisis Regresi Linier Berganda Untuk Mengetahui Faktor Yang Mempengaruhi Kejadian Stunting Di Jawa Timur,” Indones. Nurs. J. Educ. Clin., vol. 3, no. 3, pp. 51–59, 2023.

Y. Chen, “An analytical process of spatial autocorrelation functions based on Moran’s index,” PLoS One, vol. 16, no. 4 April, pp. 1–27, 2021, doi: 10.1371/journal.pone.0249589.

M. C. Ingram and I. Harbers, “Spatial Tools for Case Selection: Using LISA Statistics to Design Mixed-Methods Research,” Polit. Sci. Res. Methods, vol. 8, no. 4, pp. 747–763, 2020, doi: 10.1017/psrm.2019.3.

B. A. Hailu, G. G. Bogale, and J. Beyene, “Spatial heterogeneity and factors influencing stunting and severe stunting among under-5 children in Ethiopia: spatial and multilevel analysis,” Sci. Rep., vol. 10, no. 1, pp. 1–10, 2020, doi: 10.1038/s41598-020-73572-5.

A. K. Reda, L. Tavasszy, G. Gebresenbet, and D. Ljungberg, “Modelling the effect of spatial determinants on freight (trip) attraction: A spatially autoregressive geographically weighted regression approach,” Res. Transp. Econ., vol. 99, no. March, 2023, doi: 10.1016/j.retrec.2023.101296.

F. C. Burgemeister, S. B. Crawford, N. J. Hackworth, S. Hokke, and J. M. Nicholson, Place-based approaches to improve health and development outcomes in young children: A scoping review, vol. 16, no. 12 December. 2021. doi: 10.1371/journal.pone.0261643.

Rita Uchenna Attah, Baalah Matthew Patrick Garba, Ifechukwu Gil-Ozoudeh, and Obinna Iwuanyanwu, “Leveraging geographic information systems and data analytics for enhanced public sector decision-making and urban planning,” Magna Sci. Adv. Res. Rev., vol. 12, no. 2, pp. 152–163, Nov. 2024, doi: 10.30574/msarr.2024.12.2.0191.

S. Sannigrahi et al., “Responses of ecosystem services to natural and anthropogenic forcings: A spatial regression based assessment in the world’s largest mangrove ecosystem,” Sci. Total Environ., vol. 715, p. 137004, 2020, doi: 10.1016/j.scitotenv.2020.137004.

M. Usman and K. Kopczewska, “Spatial and Machine Learning Approach to Model Childhood Stunting in Pakistan: Role of Socio-Economic and Environmental Factors,” Int. J. Environ. Res. Public Health, vol. 19, no. 17, 2022, doi: 10.3390/ijerph191710967.

B. KEMENKES. RI, “Laporan Pelaksanaan Integrasi Susenas Maret 2019 dan SSGBI Tahun 2019,” Kemenkes RI BPS 2019, pp. 1–150, 2019, [Online]. Available: https://cegahstunting.id/unduhan/publikasi-data/

BPS, “Statistik Kesejahteraan Rakyat 2019,” Badan Pus. Stat., vol. 11, no. 1, pp. 1–14, 2019, [Online]. Available: https://www.bps.go.id/id/publication/2019/11/22/1dfd4ad6cb598cd011b500f7/statistik-kesejahteraan-rakyat-2019.html

BPS, “Statistik Perumahan Dan Permukiman 2019,” Badan Pus. Stat., pp. 3–337, 2019, [Online]. Available: https://www.bps.go.id/id/publication/2020/08/28/a180fbf968ecf6fc9fde1d2a/indeks-pembangunan-manusia-2019.html

BPS, “Indeks Pembangunan Manusia 2019,” Badan Pus. Stat., vol. 53, no. 9, pp. 1689–1699, 2019, [Online]. Available: https://www.bps.go.id/id/publication/2020/08/28/a180fbf968ecf6fc9fde1d2a/indeks-pembangunan-manusia-2019.html

T. M. Oshan, J. P. Smith, and A. S. Fotheringham, “Targeting the spatial context of obesity determinants via multiscale geographically weighted regression,” Int. J. Health Geogr., vol. 19, no. 1, 2020, doi: 10.1186/s12942-020-00204-6.

B. A. Ejigu and E. Wencheko, “Introducing covariate dependent weighting matrices in fitting autoregressive models and measuring spatio-environmental autocorrelation,” Spat. Stat., vol. 38, p. 100454, 2020, doi: 10.1016/j.spasta.2020.100454.

V. Yildirim and Y. Mert Kantar, “Robust estimation approach for spatial error model,” J. Stat. Comput. Simul., vol. 90, no. 9, pp. 1618–1638, 2020, doi: 10.1080/00949655.2020.1740223.