Claim Missing Document
Check
Articles

Found 35 Documents
Search

Pemodelan Spatial Autoregressive Confused pada Prevalensi Ketidakcukupan Konsumsi Pangan di Nusa Tenggara Tahun 2023 Baharuddin Baharuddin; Agusrawati Agusrawati; Irma Yahya
Indonesian Journal of Applied Statistics Vol 8, No 2 (2025)
Publisher : Universitas Sebelas Maret

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.13057/ijas.v8i2.103618

Abstract

Analisis regresi terhadap prevalensi ketidakcukupan konsumsi pangan (prevalence of undernourishment, PoU) di Provinsi Nusa Tenggara Barat dan Provinsi Nusa Tenggara Timur menunjukkan adanya otokorelasi spasial, baik pada peubah respon maupun pada komponen galat. Kondisi tersebut menyebabkan pelanggaran terhadap asumsi regresi linier. Penelitian ini bertujuan untuk menangani kedua bentuk otokorelasi spasial tersebut melalui pemodelan spatial autoregressive confused (SAC). Data PoU menurut kabupaten/kota bersumber dari Badan Pangan Nasional, sementara peubah bebas berasal dari publikasi Badan Pusat Statistik. Hasil penelitian ini menunjukkan bahwa model SAC memberikan dugaan parameter yang lebih akurat dibandingkan dengan model regresi linier. Faktor-faktor yang berpengaruh signifikan terhadap PoU di suatu kabupaten/kota meliputi produksi beras per kapita, realisasi bantuan sosial pangan per kapita, PoU di daerah tetangga, dan suku-suku galat di daerah tetangga.A regression analysis of the prevalence of undernourishment (PoU) in the provinces of Nusa Tenggara Barat and Nusa Tenggara Timur indicates the presence of spatial autocorrelation, both in the response variable and the error component. This condition violates the assumptions of linear regression. This study aims to address both forms of spatial autocorrelation by employing the spatial autoregressive confused (SAC) model. The 2023 PoU data by regency/city in Nusa Tenggara were sourced from the National Food Agency, while the explanatory variables were obtained from BPS-Statistics publications. The results of this study show that the SAC model provides more accurate parameter estimates compared to the linear regression model. The factors that significantly influence the PoU in a given regency/city include per capita rice production, per capita realization of food social assistance, the PoU levels in neighboring regions, and error terms in surrounding areas.Kata kunci: pembobot spasial berbasis jarak; prevalensi ketidakcukupan konsumsi pangan; regresi spasialKeywords: Distance-based weight; prevalence of undernourishment; spatial regression
Pemodelan Spasial Indeks Pembangunan Manusia di Pulau Sulawesi Menggunakan Spatial Error Model Baharuddin; Syafaat Nugiansa; Muhammad Ihwal; Makkulau; Lilis Laome; Andi Tenri Ampa
Arus Jurnal Sains dan Teknologi Vol 4 No 1: April (2026)
Publisher : Arden Jaya Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57250/ajst.v4i1.2459

Abstract

Indeks Pembangunan Manusia (IPM) di Pulau Sulawesi tahun 2023 menunjukkan kesenjangan yang signifikan antarkabupaten/kota, yang ditandai dengan variasi nilai yang cukup tinggi. Ketimpangan ini mengindikasikan keterbatasan model klasik dalam menangani ketergantungan spasial antarwilayah. Penelitian ini bertujuan untuk menganalisis pola spasial dan faktor-faktor yang memengaruhi IPM, dengan membandingkan kinerja model regresi OLS dan Spatial Error Model (SEM). Metode yang digunakan adalah pemodelan spasial dengan data sekunder BPS tahun 2023. Matriks pembobot spasial dikonstruksi menggunakan k-Nearest Neighbors (k=4), dan uji autokorelasi spasial dilakukan dengan indeks Moran. Hasil penelitian mengonfirmasi adanya autokorelasi spasial positif pada IPM. Model SEM terbukti lebih unggul daripada OLS dengan nilai AIC yang lebih rendah dan mampu menangkap ketergantungan spasial melalui parameter λ yang signifikan. Variabel kepadatan penduduk berpengaruh positif signifikan, sedangkan persentase penduduk miskin berpengaruh negatif signifikan terhadap IPM.
Otokorelasi Spasial pada Prevalensi Balita Stunting, Wasting, Underweight, dan Overweight di Pulau Sulawesi Tahun 2022 Baharuddin; Irma Yahya; Muhammad Ihwal
Journal of Mathematics, Computations and Statistics Vol. 7 No. 2 (2024): Volume 07 Nomor 02 (Oktober 2024)
Publisher : Jurusan Matematika FMIPA UNM

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35580/jmathcos.v7i2.2408

Abstract

Prevalensi balita stunting, wasting, underweight, dan overweight setiap kabupaten/kota tidaklah sama. Ada kemungkinan bahwa angka prevalensi balita di suatu daerah terkait dengan angka prevalensi balita di daerah yang berdekatan. Penelitian ini bertujuan menguji adanya otokorelasi spasial pada prevalensi balita stunting, wasting, underweight, dan overweight di Pulau Sulawesi. Data yang dipakai adalah data sekunder berupa prevalensi balita setiap kabupaten/kota yang merupakan hasil Survei Status Gizi Indonesia (SSGI) tahun 2022. Karena beberapa kabupaten/kota terpisah oleh lautan dengan Pulau Sulawesi maka kami memakai matriks pembobot spasial berbasis k-tetangga terdekat. Hasil pengujian dengan indeks Moran menunjukkan bahwa terdapat otokorelasi spasial positif pada prevalensi balita stunting, wasting, underweight, dan overweight. Sebaran angka prevalensi membentuk pola sistematik yang mengelompok di suatu kawasan pada masing-masing provinsi.
Peramalan Harga Daging Ayam Ras Menggunakan Fuzzy Time Series Markov Chain Makkulau; Al Gustaf Fahlevi Ahmar; Andi Tenri Ampa; Baharuddin; Muhammad Ihwal
Arus Jurnal Sains dan Teknologi Vol 4 No 2: Oktober (2026)
Publisher : Arden Jaya Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57250/ajst.v4i2.3463

Abstract

Tujuan penelitian ini untuk mengetahui tingkat keakuratan hasil peramalan harga daging ayam ras di Provinsi Sulawesi Tenggara menggunakan metode Fuzzy Time Series Markov Chain dan untuk mengetahui hasil peramalan harga daging ayam ras di Provinsi Sulawesi Tenggara menggunakan metode Fuzzy Time Series Markov Chain. Fuzzy Time Series Markov Chain adalah salah satu metode peramalan yang dikembangkan dari Fuzzy Time Series dan Markov Chain. Metode ini mempertimbangkan hubungan fuzzy antarperiode dan juga peluang perpindahan antarstate fuzzy berdasarkan data historis untuk menangkap pola perpindahan data dengan matriks probabilitas transisi digunakan sebagai dasar perhitungan peramalan. Data yang digunakan dalam penelitian ini adalah data sekunder yang didapat dari website Kementerian Perdagangan Republik Indonesia. Data tersebut berupa data mingguan dari harga daging ayam ras di Provinsi Sulawesi Tenggara pada minggu ke-6 tahun 2024 hingga minggu ke-1 tahun 2026. Data dibagi menjadi training dan testing dengan bobot masing-masing 80% dan 20%. Kebaikan model ramalan harga daging ayam ras dilakukan dengan melihat nilai Mean Absolute Percentage Error (MAPE), di mana diperoleh sebesar 0,748% dan 1,228% pada data training dan testing, yang berarti bahwa dari perolehan nilai MAPE tersebut, maka dapat disimpulkan bahwa hasil peramalan harga daging ayam ras di Provinsi Sulawesi Tenggara dengan menggunakan metode Fuzzy Time Series Markov Chain sangat baik. Hasil peramalan harga daging ayam ras 3 periode ke depan dengan metode Fuzzy Time Series Markov Chain mengalami tren penurunan harga yang kecil dan cenderung stabil.
Negative Binomial Regression for Low Birth Weight (LBW) Cases in Kolaka Regency Rista Utami; Irma Yahya; Baharuddin
VARIANSI: Journal of Statistics and Its application on Teaching and Research Vol. 8 No. 02 (2026)
Publisher : Program Studi Statistika Fakultas MIPA UNM

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35580/variansiunm505

Abstract

Low birth weight (LBW) is a major risk factor for neonatal mortality. Kolaka Regency experienced a 41.98% increase in LBW cases in 2024, necessitating an analysis of influencing factors. This study aims to model the average number of LBW cases using negative binomial regression. Data were obtained from the Kolaka District Health Office with 12 sub-districts as observation units. The dependent variable was the number of LBW cases, while independent variables included the percentage of K4 antenatal care coverage (X1), number of pregnant women consuming 90 iron supplement tablets (X2), and number of pregnant women with chronic energy deficiency (CED, X3). Results showed overdispersion in the data, making negative binomial regression appropriate. Two variables significantly influenced LBW cases: the number of pregnant women consuming 90 iron supplement tablets had a negative effect (β2 = -0.0025; p = 0.004), and the number of pregnant women with CED had a positive effect (β3 = 0.0231; p < 0.001). Increasing consumption of 90 iron supplement tablets reduces the average number of LBW cases, while increasing the number of pregnant women with CED increases the average number of LBW cases in Kolaka Regency.