library(readxl)## Warning: package 'readxl' was built under R version 4.3.3library(car)## Warning: package 'car' was built under R version 4.3.3## Loading required package: carData## Warning: package 'carData' was built under R version 4.3.3library(olsrr)## Warning: package 'olsrr' was built under R version 4.3.3##
## Attaching package: 'olsrr'## The following object is masked from 'package:datasets':
##
## riverslibrary(MASS)##
## Attaching package: 'MASS'## The following object is masked from 'package:olsrr':
##
## cementlibrary(glmnet)## Warning: package 'glmnet' was built under R version 4.3.3## Loading required package: Matrix## Loaded glmnet 4.1-8data <- read_xlsx("D:/M S I/Documents/stunting.xlsx")
data## # A tibble: 27 × 14
## `Nama Kota / Kabupaten` Jumlah Bayi Stunting (Persen…¹ Berat Badan Bayi Lah…²
## <chr> <dbl> <dbl>
## 1 KABUPATEN BOGOR 27.6 2.06
## 2 KABUPATEN SUKABUMI 27 5.18
## 3 KABUPATEN CIANJUR 11.4 0
## 4 KABUPATEN BANDUNG 29.2 4.39
## 5 KABUPATEN GARUT 24.1 4
## 6 KABUPATEN TASIKMALAYA 20.7 0
## 7 KABUPATEN CIAMIS 25.4 0
## 8 KABUPATEN KUNINGAN 23.4 6.89
## 9 KABUPATEN CIREBON 22.9 3.36
## 10 KABUPATEN MAJALENGKA 24.1 5.1
## # ℹ 17 more rows
## # ℹ abbreviated names: ¹`Jumlah Bayi Stunting (Persen %)`,
## # ²`Berat Badan Bayi Lahir Rendah (Persen %)`
## # ℹ 11 more variables: `Jumlah Penduduk` <dbl>,
## # `Kepadatan Penduduk (Jiwa/Km^2)` <dbl>,
## # `Pemberian Asi Eksklusif Ibu` <dbl>, `Tingkat Pengangguran` <dbl>,
## # `Upah Minimum` <dbl>, `Persentase Penduduk Memiliki BPJS` <dbl>, …# Hilangkan kolom Nama Kota/Kabupaten (anggap ini kolom pertama)
data_fix <- data[, -1]data_fix <- data.frame(lapply(data_fix, as.numeric))#RENAME KOLOM
colnames(data_fix)[colnames(data_fix) == "Jumlah.Bayi.Stunting..Persen..."] <- "Jumlah_stunting"
str(data_fix)## 'data.frame': 27 obs. of 13 variables:
## $ Jumlah_stunting : num 27.6 27 11.4 29.2 24.1 20.7 25.4 23.4 22.9 24.1 ...
## $ Berat.Badan.Bayi.Lahir.Rendah..Persen... : num 2.06 5.18 0 4.39 4 0 0 6.89 3.36 5.1 ...
## $ Jumlah.Penduduk : num 4685 3233 2528 3696 4334 ...
## $ Kepadatan.Penduduk..Jiwa.Km.2. : num 1858 670 698 2154 888 ...
## $ Pemberian.Asi.Eksklusif.Ibu : num 63.8 63.6 81.7 63.6 93.6 ...
## $ Tingkat.Pengangguran : num 7.44 8.47 7.32 7.71 6.52 7.33 3.89 3.52 9.49 7.65 ...
## $ Upah.Minimum : num 4520212 3351883 2893229 3492466 2117318 ...
## $ Persentase.Penduduk.Memiliki.BPJS : num 59.9 62.4 44.7 57.3 47.2 ...
## $ Jumlah.Pelayanan.kesehatan : num 5461 3843 3063 4604 4548 ...
## $ Persentase.Rumah.Tangga.terhadap.Sumber.Air.Yang.layak : num 91.9 85.7 85.7 95.7 81.1 ...
## $ Persentase.Rumah.Tangga.yang.Memiliki.Akses.Terhadap.Sanitasi.Layak: num 71.5 53.2 63.8 66.7 54.7 ...
## $ Jumlah.Ibu.Hamil.Penerima.Tablet.Darah : num 105964 41890 36389 63361 46019 ...
## $ Persentase.Ibu.Hamil.Mendapatkan.Imunisasi : num 2.2 5.28 8.59 3.43 49.81 ...model_reg <- lm(Jumlah_stunting ~ ., data = data_fix)
summary(model_reg)##
## Call:
## lm(formula = Jumlah_stunting ~ ., data = data_fix)
##
## Residuals:
## Min 1Q Median 3Q Max
## -7.8495 -1.6907 -0.1079 1.7293 6.7301
##
## Coefficients:
## Estimate
## (Intercept) 2.709e+01
## Berat.Badan.Bayi.Lahir.Rendah..Persen... 6.265e-01
## Jumlah.Penduduk 5.756e-03
## Kepadatan.Penduduk..Jiwa.Km.2. -4.255e-04
## Pemberian.Asi.Eksklusif.Ibu -2.037e-02
## Tingkat.Pengangguran 2.655e-01
## Upah.Minimum -1.938e-06
## Persentase.Penduduk.Memiliki.BPJS 1.160e-01
## Jumlah.Pelayanan.kesehatan -7.388e-03
## Persentase.Rumah.Tangga.terhadap.Sumber.Air.Yang.layak 6.724e-02
## Persentase.Rumah.Tangga.yang.Memiliki.Akses.Terhadap.Sanitasi.Layak -1.856e-01
## Jumlah.Ibu.Hamil.Penerima.Tablet.Darah 2.068e-04
## Persentase.Ibu.Hamil.Mendapatkan.Imunisasi -8.789e-02
## Std. Error
## (Intercept) 2.471e+01
## Berat.Badan.Bayi.Lahir.Rendah..Persen... 5.017e-01
## Jumlah.Penduduk 5.650e-03
## Kepadatan.Penduduk..Jiwa.Km.2. 3.546e-04
## Pemberian.Asi.Eksklusif.Ibu 6.489e-02
## Tingkat.Pengangguran 4.843e-01
## Upah.Minimum 1.307e-06
## Persentase.Penduduk.Memiliki.BPJS 1.667e-01
## Jumlah.Pelayanan.kesehatan 5.443e-03
## Persentase.Rumah.Tangga.terhadap.Sumber.Air.Yang.layak 2.241e-01
## Persentase.Rumah.Tangga.yang.Memiliki.Akses.Terhadap.Sanitasi.Layak 8.134e-02
## Jumlah.Ibu.Hamil.Penerima.Tablet.Darah 1.169e-04
## Persentase.Ibu.Hamil.Mendapatkan.Imunisasi 1.340e-01
## t value
## (Intercept) 1.096
## Berat.Badan.Bayi.Lahir.Rendah..Persen... 1.249
## Jumlah.Penduduk 1.019
## Kepadatan.Penduduk..Jiwa.Km.2. -1.200
## Pemberian.Asi.Eksklusif.Ibu -0.314
## Tingkat.Pengangguran 0.548
## Upah.Minimum -1.483
## Persentase.Penduduk.Memiliki.BPJS 0.696
## Jumlah.Pelayanan.kesehatan -1.357
## Persentase.Rumah.Tangga.terhadap.Sumber.Air.Yang.layak 0.300
## Persentase.Rumah.Tangga.yang.Memiliki.Akses.Terhadap.Sanitasi.Layak -2.281
## Jumlah.Ibu.Hamil.Penerima.Tablet.Darah 1.768
## Persentase.Ibu.Hamil.Mendapatkan.Imunisasi -0.656
## Pr(>|t|)
## (Intercept) 0.2914
## Berat.Badan.Bayi.Lahir.Rendah..Persen... 0.2322
## Jumlah.Penduduk 0.3256
## Kepadatan.Penduduk..Jiwa.Km.2. 0.2500
## Pemberian.Asi.Eksklusif.Ibu 0.7582
## Tingkat.Pengangguran 0.5922
## Upah.Minimum 0.1603
## Persentase.Penduduk.Memiliki.BPJS 0.4981
## Jumlah.Pelayanan.kesehatan 0.1961
## Persentase.Rumah.Tangga.terhadap.Sumber.Air.Yang.layak 0.7685
## Persentase.Rumah.Tangga.yang.Memiliki.Akses.Terhadap.Sanitasi.Layak 0.0387 *
## Jumlah.Ibu.Hamil.Penerima.Tablet.Darah 0.0988 .
## Persentase.Ibu.Hamil.Mendapatkan.Imunisasi 0.5225
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 4.378 on 14 degrees of freedom
## Multiple R-squared: 0.5998, Adjusted R-squared: 0.2568
## F-statistic: 1.749 on 12 and 14 DF, p-value: 0.1585Berdasarkan hasil model regresi diatas, terbentuknya persamaan dari seluruh peubah yang menghasilkan nilai koefisien determinasi sebesar 25.68% dengan 10 yang tidak signifikan. Selanjutnya akan diperiksa ada tidaknya multikolinearitas pada model.
vif(model_reg)## Berat.Badan.Bayi.Lahir.Rendah..Persen...
## 1.656029
## Jumlah.Penduduk
## 60.103332
## Kepadatan.Penduduk..Jiwa.Km.2.
## 3.570046
## Pemberian.Asi.Eksklusif.Ibu
## 1.556665
## Tingkat.Pengangguran
## 1.262967
## Upah.Minimum
## 2.720104
## Persentase.Penduduk.Memiliki.BPJS
## 5.474336
## Jumlah.Pelayanan.kesehatan
## 74.796205
## Persentase.Rumah.Tangga.terhadap.Sumber.Air.Yang.layak
## 2.090717
## Persentase.Rumah.Tangga.yang.Memiliki.Akses.Terhadap.Sanitasi.Layak
## 2.301377
## Jumlah.Ibu.Hamil.Penerima.Tablet.Darah
## 10.884044
## Persentase.Ibu.Hamil.Mendapatkan.Imunisasi
## 1.967576Hasil pemeriksaan nilai VIF menunjukkan bahwa adanya multikolinearitas , yang dimana nilai VIF nya > 10. multikolinearitas karena peubah memiliki VIF >10
bs <- ols_step_best_subset(model_reg)
bs## Best Subsets Regression
## ----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
## Model Index Predictors
## ----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
## 1 Berat.Badan.Bayi.Lahir.Rendah..Persen...
## 2 Berat.Badan.Bayi.Lahir.Rendah..Persen... Persentase.Rumah.Tangga.yang.Memiliki.Akses.Terhadap.Sanitasi.Layak
## 3 Berat.Badan.Bayi.Lahir.Rendah..Persen... Tingkat.Pengangguran Persentase.Rumah.Tangga.yang.Memiliki.Akses.Terhadap.Sanitasi.Layak
## 4 Berat.Badan.Bayi.Lahir.Rendah..Persen... Upah.Minimum Persentase.Rumah.Tangga.yang.Memiliki.Akses.Terhadap.Sanitasi.Layak Jumlah.Ibu.Hamil.Penerima.Tablet.Darah
## 5 Berat.Badan.Bayi.Lahir.Rendah..Persen... Upah.Minimum Jumlah.Pelayanan.kesehatan Persentase.Rumah.Tangga.yang.Memiliki.Akses.Terhadap.Sanitasi.Layak Jumlah.Ibu.Hamil.Penerima.Tablet.Darah
## 6 Berat.Badan.Bayi.Lahir.Rendah..Persen... Upah.Minimum Jumlah.Pelayanan.kesehatan Persentase.Rumah.Tangga.yang.Memiliki.Akses.Terhadap.Sanitasi.Layak Jumlah.Ibu.Hamil.Penerima.Tablet.Darah Persentase.Ibu.Hamil.Mendapatkan.Imunisasi
## 7 Berat.Badan.Bayi.Lahir.Rendah..Persen... Kepadatan.Penduduk..Jiwa.Km.2. Upah.Minimum Jumlah.Pelayanan.kesehatan Persentase.Rumah.Tangga.yang.Memiliki.Akses.Terhadap.Sanitasi.Layak Jumlah.Ibu.Hamil.Penerima.Tablet.Darah Persentase.Ibu.Hamil.Mendapatkan.Imunisasi
## 8 Berat.Badan.Bayi.Lahir.Rendah..Persen... Jumlah.Penduduk Kepadatan.Penduduk..Jiwa.Km.2. Upah.Minimum Jumlah.Pelayanan.kesehatan Persentase.Rumah.Tangga.yang.Memiliki.Akses.Terhadap.Sanitasi.Layak Jumlah.Ibu.Hamil.Penerima.Tablet.Darah Persentase.Ibu.Hamil.Mendapatkan.Imunisasi
## 9 Berat.Badan.Bayi.Lahir.Rendah..Persen... Jumlah.Penduduk Kepadatan.Penduduk..Jiwa.Km.2. Upah.Minimum Persentase.Penduduk.Memiliki.BPJS Jumlah.Pelayanan.kesehatan Persentase.Rumah.Tangga.yang.Memiliki.Akses.Terhadap.Sanitasi.Layak Jumlah.Ibu.Hamil.Penerima.Tablet.Darah Persentase.Ibu.Hamil.Mendapatkan.Imunisasi
## 10 Berat.Badan.Bayi.Lahir.Rendah..Persen... Jumlah.Penduduk Kepadatan.Penduduk..Jiwa.Km.2. Tingkat.Pengangguran Upah.Minimum Persentase.Penduduk.Memiliki.BPJS Jumlah.Pelayanan.kesehatan Persentase.Rumah.Tangga.yang.Memiliki.Akses.Terhadap.Sanitasi.Layak Jumlah.Ibu.Hamil.Penerima.Tablet.Darah Persentase.Ibu.Hamil.Mendapatkan.Imunisasi
## 11 Berat.Badan.Bayi.Lahir.Rendah..Persen... Jumlah.Penduduk Kepadatan.Penduduk..Jiwa.Km.2. Pemberian.Asi.Eksklusif.Ibu Tingkat.Pengangguran Upah.Minimum Persentase.Penduduk.Memiliki.BPJS Jumlah.Pelayanan.kesehatan Persentase.Rumah.Tangga.yang.Memiliki.Akses.Terhadap.Sanitasi.Layak Jumlah.Ibu.Hamil.Penerima.Tablet.Darah Persentase.Ibu.Hamil.Mendapatkan.Imunisasi
## 12 Berat.Badan.Bayi.Lahir.Rendah..Persen... Jumlah.Penduduk Kepadatan.Penduduk..Jiwa.Km.2. Pemberian.Asi.Eksklusif.Ibu Tingkat.Pengangguran Upah.Minimum Persentase.Penduduk.Memiliki.BPJS Jumlah.Pelayanan.kesehatan Persentase.Rumah.Tangga.terhadap.Sumber.Air.Yang.layak Persentase.Rumah.Tangga.yang.Memiliki.Akses.Terhadap.Sanitasi.Layak Jumlah.Ibu.Hamil.Penerima.Tablet.Darah Persentase.Ibu.Hamil.Mendapatkan.Imunisasi
## ----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
##
## Subsets Regression Summary
## -----------------------------------------------------------------------------------------------------------------------------------
## Adj. Pred
## Model R-Square R-Square R-Square C(p) AIC SBIC SBC MSEP FPE HSP APC
## -----------------------------------------------------------------------------------------------------------------------------------
## 1 0.1911 0.1588 0.0667 5.2969 163.6212 86.8110 167.5087 585.7951 23.2979 0.9038 0.9383
## 2 0.3259 0.2697 0.175 2.5838 160.7019 84.9064 165.8853 509.4521 20.9239 0.8188 0.8427
## 3 0.3642 0.2812 0.1487 3.2441 161.1229 86.1192 167.6021 502.3537 21.2798 0.8425 0.8570
## 4 0.4208 0.3155 0.1555 3.2627 160.6040 87.0852 168.3790 479.3991 20.9192 0.8405 0.8425
## 5 0.5022 0.3837 0.2448 2.4143 158.5137 87.8904 167.5845 432.6068 19.4232 0.7946 0.7822
## 6 0.5293 0.3881 -0.4681 3.4663 159.0023 90.5172 169.3690 430.5859 19.8685 0.8304 0.8002
## 7 0.5488 0.3826 -1.4801 4.7840 159.8598 93.5967 171.5223 435.6756 20.6373 0.8845 0.8311
## 8 0.5675 0.3753 -1.6621 6.1291 160.7156 96.9851 173.6740 442.1632 21.4765 0.9475 0.8649
## 9 0.5882 0.3702 -1.5325 7.4054 161.3921 100.7266 175.6463 447.3245 22.2535 1.0149 0.8962
## 10 0.5943 0.3407 -1.5499 9.1942 162.9933 104.5909 178.5433 470.1502 23.9273 1.1334 0.9636
## 11 0.5972 0.3019 -2.2704 11.0901 164.7945 108.4827 181.6404 500.0379 26.0020 1.2858 1.0472
## 12 0.5998 0.2568 -2.6719 13.0000 166.6214 112.4171 184.7631 535.0607 28.3910 1.4741 1.1434
## -----------------------------------------------------------------------------------------------------------------------------------
## AIC: Akaike Information Criteria
## SBIC: Sawa's Bayesian Information Criteria
## SBC: Schwarz Bayesian Criteria
## MSEP: Estimated error of prediction, assuming multivariate normality
## FPE: Final Prediction Error
## HSP: Hocking's Sp
## APC: Amemiya Prediction Criterianull<-lm(Jumlah_stunting ~ 1, data=data_fix) # 1 here means the intercept
full<-lm(Jumlah_stunting ~ ., data=data_fix)
step(full, scope=list(lower=null, upper=full),data=data_fix, direction='backward', trace=0)##
## Call:
## lm(formula = Jumlah_stunting ~ Berat.Badan.Bayi.Lahir.Rendah..Persen... +
## Upah.Minimum + Jumlah.Pelayanan.kesehatan + Persentase.Rumah.Tangga.yang.Memiliki.Akses.Terhadap.Sanitasi.Layak +
## Jumlah.Ibu.Hamil.Penerima.Tablet.Darah, data = data_fix)
##
## Coefficients:
## (Intercept)
## 3.731e+01
## Berat.Badan.Bayi.Lahir.Rendah..Persen...
## 9.380e-01
## Upah.Minimum
## -2.326e-06
## Jumlah.Pelayanan.kesehatan
## -2.700e-03
## Persentase.Rumah.Tangga.yang.Memiliki.Akses.Terhadap.Sanitasi.Layak
## -1.543e-01
## Jumlah.Ibu.Hamil.Penerima.Tablet.Darah
## 2.195e-04step(null, scope=list(lower=null, upper=full),data=data, direction='forward', trace=0)##
## Call:
## lm(formula = Jumlah_stunting ~ Berat.Badan.Bayi.Lahir.Rendah..Persen... +
## Persentase.Rumah.Tangga.yang.Memiliki.Akses.Terhadap.Sanitasi.Layak,
## data = data_fix)
##
## Coefficients:
## (Intercept)
## 27.6723
## Berat.Badan.Bayi.Lahir.Rendah..Persen...
## 0.9866
## Persentase.Rumah.Tangga.yang.Memiliki.Akses.Terhadap.Sanitasi.Layak
## -0.1164step(null, scope=list(lower=null, upper=full),data=data, direction='both', trace=0)##
## Call:
## lm(formula = Jumlah_stunting ~ Berat.Badan.Bayi.Lahir.Rendah..Persen... +
## Persentase.Rumah.Tangga.yang.Memiliki.Akses.Terhadap.Sanitasi.Layak,
## data = data_fix)
##
## Coefficients:
## (Intercept)
## 27.6723
## Berat.Badan.Bayi.Lahir.Rendah..Persen...
## 0.9866
## Persentase.Rumah.Tangga.yang.Memiliki.Akses.Terhadap.Sanitasi.Layak
## -0.1164Hasil penyeleksian melalui best subset, backward, forward, dan stepwise menghasilkan model yang sama, yaitu dengan 12 peubah penjelas.
model2 <- lm(Jumlah_stunting ~ Berat.Badan.Bayi.Lahir.Rendah..Persen... + Persentase.Rumah.Tangga.yang.Memiliki.Akses.Terhadap.Sanitasi.Layak, data=data_fix)
summary(model2)##
## Call:
## lm(formula = Jumlah_stunting ~ Berat.Badan.Bayi.Lahir.Rendah..Persen... +
## Persentase.Rumah.Tangga.yang.Memiliki.Akses.Terhadap.Sanitasi.Layak,
## data = data_fix)
##
## Residuals:
## Min 1Q Median 3Q Max
## -8.8397 -2.5426 0.4133 2.7650 6.2199
##
## Coefficients:
## Estimate
## (Intercept) 27.67226
## Berat.Badan.Bayi.Lahir.Rendah..Persen... 0.98656
## Persentase.Rumah.Tangga.yang.Memiliki.Akses.Terhadap.Sanitasi.Layak -0.11644
## Std. Error
## (Intercept) 4.22936
## Berat.Badan.Bayi.Lahir.Rendah..Persen... 0.38662
## Persentase.Rumah.Tangga.yang.Memiliki.Akses.Terhadap.Sanitasi.Layak 0.05317
## t value
## (Intercept) 6.543
## Berat.Badan.Bayi.Lahir.Rendah..Persen... 2.552
## Persentase.Rumah.Tangga.yang.Memiliki.Akses.Terhadap.Sanitasi.Layak -2.190
## Pr(>|t|)
## (Intercept) 9.11e-07
## Berat.Badan.Bayi.Lahir.Rendah..Persen... 0.0175
## Persentase.Rumah.Tangga.yang.Memiliki.Akses.Terhadap.Sanitasi.Layak 0.0385
##
## (Intercept) ***
## Berat.Badan.Bayi.Lahir.Rendah..Persen... *
## Persentase.Rumah.Tangga.yang.Memiliki.Akses.Terhadap.Sanitasi.Layak *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 4.34 on 24 degrees of freedom
## Multiple R-squared: 0.3259, Adjusted R-squared: 0.2697
## F-statistic: 5.801 on 2 and 24 DF, p-value: 0.008809AIC(model2); BIC(model2)## [1] 160.7019## [1] 165.8853Model regresi yang terbentuk menunjukkan bahwa faktor persentase bayi lahir dengan berat badan rendah berpengaruh positif terhadap jumlah stunting, sedangkan persentase rumah tangga dengan akses sanitasi layak berpengaruh negatif. Setiap kenaikan 1% bayi lahir berat badan rendah meningkatkan jumlah stunting sebesar 0,987, sedangkan setiap kenaikan 1% akses sanitasi layak menurunkan jumlah stunting sebesar 0,116. Kedua variabel ini signifikan secara statistik pada tingkat signifikansi 5%. Model ini menjelaskan sekitar 32,6% variasi dalam jumlah stunting di data.
Persamaan regresi: Jumlah_stunting = 27.67226 + 0.98656 * Berat_Badan_Bayi_Lahir_Rendah_Persen - 0.11644 * Persentase_Rumah_Tangga_Akses_Sanitasi_Layakx <- as.matrix(data_fix[, -1])
y <- data_fix$Jumlah_stunting
rid <- cv.glmnet(x, y, alpha = 0, nfolds = 5) # Ridge regression
# secara default, nfolds = 10 sehingga akan buruk ketika n<30
rid##
## Call: cv.glmnet(x = x, y = y, nfolds = 5, alpha = 0)
##
## Measure: Mean-Squared Error
##
## Lambda Index Measure SE Nonzero
## min 7.5 62 24.15 6.062 12
## 1se 2178.6 1 26.70 6.088 12coef(rid, s = "lambda.min")## 13 x 1 sparse Matrix of class "dgCMatrix"
## s1
## (Intercept) 2.823506e+01
## Berat.Badan.Bayi.Lahir.Rendah..Persen... 3.398398e-01
## Jumlah.Penduduk 1.429145e-04
## Kepadatan.Penduduk..Jiwa.Km.2. -8.485435e-05
## Pemberian.Asi.Eksklusif.Ibu -2.153747e-02
## Tingkat.Pengangguran 2.135592e-01
## Upah.Minimum -5.247843e-07
## Persentase.Penduduk.Memiliki.BPJS -3.279316e-03
## Jumlah.Pelayanan.kesehatan 6.294923e-05
## Persentase.Rumah.Tangga.terhadap.Sumber.Air.Yang.layak -2.984286e-02
## Persentase.Rumah.Tangga.yang.Memiliki.Akses.Terhadap.Sanitasi.Layak -3.931192e-02
## Jumlah.Ibu.Hamil.Penerima.Tablet.Darah 7.700353e-06
## Persentase.Ibu.Hamil.Mendapatkan.Imunisasi -1.995666e-02Model ridge regression yang dibentuk menunjukkan bahwa variabel persentase bayi stunting, persentase bayi lahir dengan berat badan rendah, dan tingkat pengangguran memiliki kontribusi paling besar terhadap prediksi jumlah stunting. Koefisien untuk “Persentase Bayi Stunting” dan “Berat Badan Bayi Lahir Rendah” bersifat positif, artinya peningkatan pada variabel-variabel ini akan meningkatkan jumlah stunting. Sementara itu, variabel akses sanitasi layak memiliki koefisien negatif, yang berarti peningkatan akses sanitasi layak cenderung menurunkan jumlah stunting. Ridge regression menjaga semua variabel tetap di model (tidak melakukan seleksi variabel seperti Lasso), namun mengecilkan nilai koefisien untuk mengurangi overfitting.
lass <- cv.glmnet(x, y, alpha=1, nfolds = 5)
lass##
## Call: cv.glmnet(x = x, y = y, nfolds = 5, alpha = 1)
##
## Measure: Mean-Squared Error
##
## Lambda Index Measure SE Nonzero
## min 1.136 8 26.83 9.083 4
## 1se 2.179 1 27.24 9.380 0coef(lass,s="lambda.min")## 13 x 1 sparse Matrix of class "dgCMatrix"
## s1
## (Intercept) 2.407923e+01
## Berat.Badan.Bayi.Lahir.Rendah..Persen... 4.495377e-01
## Jumlah.Penduduk .
## Kepadatan.Penduduk..Jiwa.Km.2. -6.281080e-06
## Pemberian.Asi.Eksklusif.Ibu .
## Tingkat.Pengangguran .
## Upah.Minimum -1.057772e-07
## Persentase.Penduduk.Memiliki.BPJS .
## Jumlah.Pelayanan.kesehatan .
## Persentase.Rumah.Tangga.terhadap.Sumber.Air.Yang.layak .
## Persentase.Rumah.Tangga.yang.Memiliki.Akses.Terhadap.Sanitasi.Layak -4.466102e-02
## Jumlah.Ibu.Hamil.Penerima.Tablet.Darah .
## Persentase.Ibu.Hamil.Mendapatkan.Imunisasi .Berdasarkan hasil regresi Lasso, model yang dihasilkan hanya mempertahankan beberapa variabel yang memiliki koefisien tidak nol. Ini berarti hanya variabel-variabel tersebut yang berkontribusi signifikan dalam menjelaskan variasi pada variabel target (jumlah bayi stunting). Variabel-variabel yang terpilih antara lain:
\[ \hat{Y} = 24.0792 + 0.4495 \times \text{Berat\_Badan\_Bayi\_Lahir\_Rendah\_\%} - 6.28108\times10^{-6} \times \text{Kepadatan\_Penduduk} - 1.05777\times10^{-7} \times \text{Tingkat\_Pengangguran} - 0.044661 \times \text{Persentase\_Akses\_Sanitasi\_Layak} \]