Project UAS Analisis Spasial
Pemodelan Faktor-Faktor yang Memengaruhi Indeks Kesehatan Kabupaten/Kota di Jawa Barat Tahun 2024 Menggunakan Geographically Weighted Regression
Auro Aurellia Simbolon | NPM 140720250010
18 June 2026
1 Pendahuluan
1.1 Latar Belakang
Provinsi Jawa Barat merupakan salah satu provinsi dengan jumlah penduduk terbesar di Indonesia. Besarnya jumlah penduduk tersebut menjadikan isu kesehatan sebagai salah satu aspek penting dalam pembangunan daerah. Kondisi kesehatan masyarakat berhubungan dengan kualitas hidup, produktivitas, dan kesejahteraan penduduk. Oleh karena itu, pemerataan capaian kesehatan antarwilayah perlu menjadi perhatian dalam upaya pembangunan kesehatan di Provinsi Jawa Barat.
Capaian kesehatan masyarakat dapat digambarkan melalui Indeks Kesehatan. Indeks ini menunjukkan kondisi kesehatan penduduk pada suatu wilayah, di mana nilai indeks yang lebih tinggi mencerminkan capaian kesehatan yang relatif lebih baik. Namun, nilai Indeks Kesehatan antar kabupaten/kota di Jawa Barat tidak selalu sama. Perbedaan tersebut dapat terjadi karena setiap wilayah memiliki karakteristik yang berbeda, baik dari sisi ketersediaan fasilitas kesehatan, kondisi lingkungan, perilaku hidup sehat, maupun permasalahan gizi masyarakat.
Beberapa faktor yang berkaitan dengan kondisi kesehatan masyarakat di antaranya adalah jumlah balita bergizi kurang, jumlah desa/kelurahan yang memiliki sarana kesehatan apotek, persentase penduduk usia 15–24 tahun yang merokok, dan persentase rumah tangga yang memiliki akses terhadap sanitasi layak. Jumlah balita bergizi kurang menunjukkan masih adanya permasalahan pemenuhan gizi pada kelompok usia rentan. Ketersediaan apotek menggambarkan kemudahan akses masyarakat terhadap sarana kesehatan. Perilaku merokok pada usia muda dapat menjadi faktor risiko kesehatan jangka panjang, sedangkan akses sanitasi layak mencerminkan kualitas lingkungan tempat tinggal masyarakat.
Perbedaan kondisi kesehatan antarwilayah tidak cukup hanya dilihat secara umum, karena kabupaten/kota yang berdekatan dapat memiliki pola kesehatan yang saling berkaitan. Dalam analisis regresi global seperti Ordinary Least Squares (OLS), pengaruh setiap faktor dianggap sama untuk seluruh wilayah. Padahal, pengaruh suatu faktor terhadap Indeks Kesehatan dapat berbeda antara satu kabupaten/kota dengan kabupaten/kota lainnya. Oleh karena itu, diperlukan metode yang mampu mempertimbangkan aspek lokasi dalam analisis.
Berdasarkan hal tersebut, penelitian ini menggunakan metode Geographically Weighted Regression (GWR) untuk memodelkan faktor-faktor yang berkaitan dengan Indeks Kesehatan kabupaten/kota di Jawa Barat tahun 2024. GWR digunakan karena mampu menghasilkan koefisien lokal pada setiap wilayah, sehingga dapat menunjukkan apakah pengaruh jumlah balita bergizi kurang, ketersediaan apotek, perilaku merokok usia muda, dan sanitasi layak berbeda antar kabupaten/kota. Hasil analisis ini diharapkan dapat memberikan gambaran yang lebih spesifik mengenai kondisi kesehatan di Jawa Barat, sehingga dapat menjadi bahan pertimbangan dalam perencanaan kebijakan kesehatan yang lebih sesuai dengan kondisi masing-masing wilayah.
1.2 Rumusan Masalah
Berdasarkan latar belakang tersebut, rumusan masalah dalam penelitian ini adalah sebagai berikut.
- Bagaimana gambaran kondisi Indeks Kesehatan kabupaten/kota di Provinsi Jawa Barat tahun 2024?
- Faktor apa saja yang berkaitan dengan perbedaan Indeks Kesehatan antar kabupaten/kota di Jawa Barat?
- Apakah pengaruh faktor-faktor kesehatan tersebut berbeda antarwilayah sehingga perlu dilihat berdasarkan kondisi lokal masing-masing kabupaten/kota?
1.3 Tujuan Analisis
Tujuan dari penelitian ini adalah sebagai berikut.
- Menggambarkan kondisi Indeks Kesehatan kabupaten/kota di Provinsi Jawa Barat tahun 2024.
- Mengidentifikasi faktor-faktor yang berkaitan dengan perbedaan kondisi kesehatan antar kabupaten/kota.
- Mengetahui perbedaan pengaruh faktor kesehatan pada setiap wilayah agar hasil analisis dapat memberikan gambaran yang lebih sesuai dengan kondisi lokal kabupaten/kota di Jawa Barat.
1.4 Batasan Masalah
Agar penelitian lebih terarah, batasan masalah dalam penelitian ini adalah sebagai berikut.
- Unit analisis yang digunakan adalah kabupaten/kota di Provinsi Jawa Barat.
- Data yang dianalisis merupakan data tahun 2024.
- Variabel dependen dalam penelitian ini adalah Indeks Kesehatan.
- Variabel independen yang digunakan meliputi jumlah balita bergizi kurang, jumlah desa/kelurahan yang memiliki sarana kesehatan apotek, persentase penduduk usia 15–24 tahun yang merokok dalam sebulan terakhir, dan persentase rumah tangga yang memiliki akses terhadap sanitasi layak.
- Data spasial yang digunakan berupa shapefile batas administrasi kabupaten/kota di Provinsi Jawa Barat.
- Penelitian ini mencakup 27 kabupaten/kota di Provinsi Jawa Barat karena data spasial yang digunakan telah memuat Kabupaten Pangandaran sebagai unit wilayah tersendiri.
- Metode analisis yang digunakan adalah Ordinary Least Squares (OLS) sebagai model regresi global dan Geographically Weighted Regression (GWR) sebagai model regresi lokal berbasis wilayah.
- Hasil analisis digunakan untuk melihat pola hubungan dan variasi pengaruh antarwilayah, sehingga tidak dimaksudkan sebagai bukti hubungan sebab-akibat secara langsung.
2 Data dan Sumber Penelitian
## Data CSV yang digunakan: /Users/auroaurellias/Desktop/S2/Semester 2/Analisis Spasial/UAS/data_spasial_jabar_2024_clean.csv## # A tibble: 27 × 6
## Kabupaten_Kota Y_Indeks_Kesehatan X1_Balita_Gizi_Kurang X2_Apotek
## <chr> <dbl> <dbl> <dbl>
## 1 Bogor 80.2 8127 202
## 2 Sukabumi 80.1 8341 124
## 3 Cianjur 78.4 3069 106
## 4 Bandung 83.9 9102 167
## 5 Garut 80.4 6398 151
## 6 Tasikmalaya 77.5 3804 108
## 7 Ciamis 81.3 2332 88
## 8 Kuningan 83.9 3138 99
## 9 Cirebon 81.6 8571 204
## 10 Majalengka 78.9 3316 118
## # ℹ 17 more rows
## # ℹ 2 more variables: X3_Merokok_15_24 <dbl>, X4_Sanitasi_Layak <dbl>Data penelitian berasal dari publikasi resmi BPS Provinsi Jawa Barat dan Open Data Jabar. Data yang digunakan mencakup Indeks Kesehatan, jumlah balita bergizi kurang, jumlah desa/kelurahan yang memiliki apotek, persentase penduduk usia 15–24 tahun yang merokok, serta persentase rumah tangga dengan akses sanitasi layak pada tahun 2024.
Variabel yang digunakan adalah sebagai berikut.
| Kode | Variabel | Satuan |
|---|---|---|
| Y | Indeks Kesehatan Kabupaten/Kota di Jawa Barat Tahun 2024 | Indeks |
| X1 | Jumlah Balita Bergizi Kurang Tahun 2024 | Orang |
| X2 | Jumlah Desa/Kelurahan yang Memiliki Sarana Kesehatan Apotek Tahun 2024 | Desa/Kelurahan |
| X3 | Persentase Penduduk Usia 15–24 Tahun yang Merokok dalam Sebulan Terakhir Tahun 2024 | Persen |
| X4 | Persentase Rumah Tangga yang Memiliki Akses terhadap Sanitasi Layak Tahun 2024 | Persen |
3 Pengolahan Data Spasial
## Shapefile yang digunakan: /Users/auroaurellias/Desktop/S2/Semester 2/Analisis Spasial/UAS/Dashboard_UAS_Jabar_Pink/Batas Kabupaten Jawa Barat (extract.me)/Batas_Kabupaten_Jawa_Barat.shp## Kolom kode wilayah pada shapefile yang digunakan: KDPKAB## Kolom wilayah pada CSV yang digunakan: Kabupaten_Kota## Wilayah pada data tabular yang belum cocok dengan shapefile:## # A tibble: 0 × 1
## # ℹ 1 variable: Kabupaten_Kota <chr>## Wilayah pada shapefile yang belum cocok dengan data tabular:## [1] Kabupaten_Kota
## <0 rows> (or 0-length row.names)Jumlah wilayah yang digunakan dalam analisis adalah 27 kabupaten/kota. Pada versi revisi ini, data spasial menggunakan shapefile batas kabupaten/kota Jawa Barat yang memuat Kabupaten Pangandaran, sehingga analisis dapat dilakukan pada 27 kabupaten/kota apabila seluruh nama wilayah berhasil cocok dengan data tabular.
4 Analisis Deskriptif
| Variabel | Minimum | Rata_rata | Maksimum |
|---|---|---|---|
| Y - Indeks Kesehatan | 77.52 | 81.940 | 86.34 |
| X1 - Balita Gizi Kurang | 407.00 | 3521.963 | 9102.00 |
| X2 - Apotek | 15.00 | 95.889 | 204.00 |
| X3 - Merokok Usia 15–24 | 9.25 | 13.400 | 18.06 |
| X4 - Sanitasi Layak | 45.88 | 75.703 | 99.08 |
Berdasarkan tabel deskriptif, Indeks Kesehatan memiliki nilai minimum sebesar 77.52 pada Tasikmalaya dan maksimum sebesar 86.34 pada Kota Bekasi. Hal ini menunjukkan adanya perbedaan capaian kesehatan antarwilayah di Jawa Barat.
5 Peta Sebaran Variabel
5.1 Peta Indeks Kesehatan
Interpretasi: Peta Indeks Kesehatan memperlihatkan bahwa kondisi kesehatan antar kabupaten/kota tidak merata. Wilayah dengan warna lebih pekat memiliki Indeks Kesehatan lebih tinggi, sedangkan warna lebih muda menunjukkan Indeks Kesehatan lebih rendah. Nilai tertinggi terdapat pada Kota Bekasi, sedangkan nilai terendah terdapat pada Tasikmalaya.
5.2 Peta X1: Jumlah Balita Bergizi Kurang
Interpretasi: Jumlah balita bergizi kurang paling tinggi terdapat pada Bandung sebanyak 9102 orang, sedangkan nilai terendah terdapat pada Pangandaran sebanyak 407 orang. Perbedaan ini menunjukkan bahwa persoalan gizi balita tidak tersebar merata di seluruh wilayah.
5.3 Peta X2: Jumlah Desa/Kelurahan yang Memiliki Apotek
Interpretasi: Wilayah dengan jumlah desa/kelurahan yang memiliki apotek lebih tinggi ditunjukkan oleh warna lebih pekat. Jumlah tertinggi terdapat pada Cirebon, sedangkan jumlah terendah terdapat pada Kota Cimahi. Variabel ini menggambarkan salah satu aspek ketersediaan sarana kesehatan di masyarakat.
5.4 Peta X3: Persentase Penduduk Usia 15–24 Tahun yang Merokok
Interpretasi: Persentase penduduk usia 15–24 tahun yang merokok tertinggi terdapat pada Purwakarta sebesar 18.06%, sedangkan yang terendah terdapat pada Pangandaran sebesar 9.25%. Variabel ini penting karena kebiasaan merokok pada usia muda dapat berhubungan dengan kualitas kesehatan jangka panjang.
5.5 Peta X4: Persentase Rumah Tangga dengan Sanitasi Layak
Interpretasi: Persentase rumah tangga dengan akses sanitasi layak tertinggi terdapat pada Kota Bekasi sebesar 99.08%, sedangkan yang terendah terdapat pada Kota Sukabumi sebesar 45.88%. Sanitasi layak merupakan faktor lingkungan yang penting dalam mendukung kesehatan masyarakat.
6 Metode Analisis
6.1 Ordinary Least Squares (OLS)
Regresi OLS digunakan sebagai model global. Model ini menghasilkan satu koefisien untuk seluruh wilayah, sehingga pengaruh setiap variabel dianggap sama untuk semua kabupaten/kota.
Model OLS yang digunakan adalah:
\[ Y_i = \beta_0 + \beta_1X_{1i} + \beta_2X_{2i} + \beta_3X_{3i} + \beta_4X_{4i} + \varepsilon_i \]
6.2 Moran’s I
Moran’s I digunakan untuk melihat apakah terdapat pola spasial pada Indeks Kesehatan. Jika Moran’s I signifikan, maka wilayah yang berdekatan cenderung memiliki nilai yang mirip atau membentuk pola tertentu. Uji ini penting dilakukan sebelum menggunakan pendekatan spasial, karena dapat menunjukkan apakah unsur lokasi perlu dipertimbangkan dalam pemodelan.
Rumus Moran’s I adalah sebagai berikut:
\[ I = \frac{n}{S_0} \frac{\sum_{i=1}^{n}\sum_{j=1}^{n}w_{ij}(x_i-\bar{x})(x_j-\bar{x})} {\sum_{i=1}^{n}(x_i-\bar{x})^2} \]
Keterangan:
- \(I\) adalah nilai indeks Moran;
- \(n\) adalah jumlah wilayah pengamatan;
- \(w_{ij}\) adalah elemen matriks pembobot spasial antara wilayah ke-\(i\) dan wilayah ke-\(j\);
- \(x_i\) dan \(x_j\) adalah nilai variabel pada wilayah ke-\(i\) dan ke-\(j\);
- \(\bar{x}\) adalah rata-rata nilai variabel;
- \(S_0\) adalah jumlah seluruh bobot spasial, yaitu \(S_0 = \sum_i\sum_j w_{ij}\).
Nilai Moran’s I yang positif menunjukkan bahwa wilayah yang berdekatan cenderung memiliki nilai yang mirip, sedangkan nilai negatif menunjukkan bahwa wilayah berdekatan cenderung memiliki nilai yang berbeda. Jika p-value kurang dari 0,05, maka pola spasial dianggap signifikan.
6.3 Geographically Weighted Regression (GWR)
GWR merupakan pengembangan regresi yang memperbolehkan koefisien berbeda antarwilayah. Dengan demikian, model ini dapat menunjukkan pengaruh lokal pada setiap kabupaten/kota. Jika OLS menghasilkan satu persamaan untuk seluruh wilayah, maka GWR menghasilkan persamaan lokal yang disesuaikan dengan posisi geografis masing-masing wilayah.
Model GWR yang digunakan adalah:
\[ Y_i = \beta_0(u_i,v_i) + \beta_1(u_i,v_i)X_{1i} + \beta_2(u_i,v_i)X_{2i} + \beta_3(u_i,v_i)X_{3i} + \beta_4(u_i,v_i)X_{4i} + \varepsilon_i \]
Keterangan:
- \(Y_i\) adalah Indeks Kesehatan pada wilayah ke-\(i\);
- \(X_{1i}\) sampai \(X_{4i}\) adalah variabel independen pada wilayah ke-\(i\);
- \((u_i,v_i)\) adalah koordinat lokasi wilayah ke-\(i\);
- \(\beta_0(u_i,v_i)\) adalah intersep lokal;
- \(\beta_k(u_i,v_i)\) adalah koefisien lokal variabel ke-\(k\) pada wilayah ke-\(i\);
- \(\varepsilon_i\) adalah galat atau error model.
6.3.1 Kernel dan Bandwidth
Dalam GWR, wilayah yang lebih dekat dengan lokasi pengamatan diberi bobot yang lebih besar dibandingkan wilayah yang lebih jauh. Bobot tersebut ditentukan menggunakan fungsi kernel dan bandwidth. Kernel berfungsi sebagai pembobot jarak, sedangkan bandwidth menentukan sejauh mana wilayah sekitar ikut memengaruhi estimasi koefisien lokal.
Salah satu fungsi kernel yang umum digunakan adalah kernel Gaussian, dengan bentuk:
\[ w_{ij} = \exp\left(-\frac{d_{ij}^{2}}{2b^{2}}\right) \]
Selain itu, kernel bi-square dapat dituliskan sebagai:
\[ w_{ij} = \begin{cases} \left(1-\left(\frac{d_{ij}}{b}\right)^2\right)^2, & d_{ij} < b \\ 0, & d_{ij} \geq b \end{cases} \]
Keterangan:
- \(w_{ij}\) adalah bobot spasial antara wilayah ke-\(i\) dan ke-\(j\);
- \(d_{ij}\) adalah jarak antara wilayah ke-\(i\) dan ke-\(j\);
- \(b\) adalah bandwidth.
Bandwidth dapat berbentuk fixed atau adaptive. Fixed bandwidth menggunakan jarak yang sama untuk seluruh wilayah, sedangkan adaptive bandwidth menyesuaikan jumlah tetangga pada setiap wilayah. Pemilihan kernel dan bandwidth terbaik dalam penelitian ini dilakukan dengan membandingkan nilai AIC dan R-square, di mana model yang lebih baik memiliki AIC lebih kecil dan R-square lebih besar.
7 Hasil Regresi Global OLS
| Variabel | Estimate | Std. Error | t value | Pr(>|t|) |
|---|---|---|---|---|
| (Intercept) | 77.30087 | 4.07430 | 18.97280 | 0.00000 |
| X1_Balita_Gizi_Kurang | 0.00024 | 0.00031 | 0.78170 | 0.44272 |
| X2_Apotek | -0.01624 | 0.01420 | -1.14371 | 0.26504 |
| X3_Merokok_15_24 | 0.13403 | 0.19117 | 0.70110 | 0.49059 |
| X4_Sanitasi_Layak | 0.04691 | 0.02880 | 1.62882 | 0.11759 |
| Ukuran | Nilai |
|---|---|
| AIC | 125.8626 |
| R-square | 0.1572 |
| Adjusted R-square | 0.0040 |
| p-value F-statistic | 0.4158 |
Interpretasi OLS: Nilai R-square model OLS sebesar 0.1572 menunjukkan bahwa variabel X1–X4 mampu menjelaskan sekitar 15.72% variasi Indeks Kesehatan. Secara teori, OLS hanya menangkap hubungan rata-rata seluruh wilayah. Jika koefisien tidak signifikan secara global, hal tersebut tidak langsung berarti variabel tidak penting sama sekali, karena pengaruhnya mungkin berbeda pada setiap wilayah. Oleh karena itu, analisis dilanjutkan dengan GWR untuk menangkap kemungkinan variasi lokal.
8 Uji Asumsi Model OLS
| Asumsi | Metode | P_Value | Kesimpulan |
|---|---|---|---|
| Normalitas residual | Shapiro-Wilk | 0.3838 | Terpenuhi |
| Heteroskedastisitas | Breusch-Pagan | 0.6897 | Tidak terindikasi heteroskedastisitas |
| Autokorelasi non-spasial | Durbin-Watson | 0.3556 | Tidak terindikasi autokorelasi non-spasial |
| Variabel | VIF | Kesimpulan |
|---|---|---|
| X1_Balita_Gizi_Kurang | 3.2656 | Tidak ada multikolinearitas serius |
| X2_Apotek | 3.0648 | Tidak ada multikolinearitas serius |
| X3_Merokok_15_24 | 1.3145 | Tidak ada multikolinearitas serius |
| X4_Sanitasi_Layak | 1.2668 | Tidak ada multikolinearitas serius |
Interpretasi uji asumsi: Residual model OLS memenuhi asumsi normalitas apabila p-value Shapiro-Wilk lebih besar dari 0,05. Uji Breusch-Pagan digunakan untuk melihat apakah terdapat heteroskedastisitas; p-value lebih besar dari 0,05 menunjukkan bahwa varians residual relatif homogen. Nilai VIF yang lebih kecil dari 5 menunjukkan tidak terdapat masalah multikolinearitas serius antarvariabel independen.
9 Uji Autokorelasi Spasial Moran’s I
| Matriks_Pembobot | Moran_I | P_Value | Kesimpulan |
|---|---|---|---|
| Queen Contiguity | 0.2986 | 0.0082 | Terdapat autokorelasi spasial |
| Rook Contiguity | 0.2986 | 0.0082 | Terdapat autokorelasi spasial |
| Residual OLS Queen | 0.2297 | 0.0274 | Residual masih berpola spasial |
Interpretasi Moran’s I: Nilai Moran’s I yang positif menunjukkan bahwa wilayah berdekatan cenderung memiliki Indeks Kesehatan yang mirip. Jika p-value kurang dari 0,05, maka terdapat autokorelasi spasial yang signifikan. Hasil pada residual OLS juga penting karena menunjukkan apakah model global masih meninggalkan pola spasial. Apabila residual OLS signifikan, maka penggunaan model lokal seperti GWR menjadi semakin relevan.
10 Pemilihan Kernel dan Bandwidth GWR
## Adaptive bandwidth (number of nearest neighbours): 24 AICc value: 129.2846
## Adaptive bandwidth (number of nearest neighbours): 23 AICc value: 129.2818
## Adaptive bandwidth (number of nearest neighbours): 21 AICc value: 129.5005
## Adaptive bandwidth (number of nearest neighbours): 23 AICc value: 129.2818## Adaptive bandwidth (number of nearest neighbours): 24 AICc value: 132.728
## Adaptive bandwidth (number of nearest neighbours): 23 AICc value: 133.5066
## Adaptive bandwidth (number of nearest neighbours): 26 AICc value: 131.8902
## Adaptive bandwidth (number of nearest neighbours): 26 AICc value: 131.8902## Adaptive bandwidth (number of nearest neighbours): 24 AICc value: 131.0717
## Adaptive bandwidth (number of nearest neighbours): 23 AICc value: 131.708
## Adaptive bandwidth (number of nearest neighbours): 26 AICc value: 130.5725
## Adaptive bandwidth (number of nearest neighbours): 26 AICc value: 130.5725## Fixed bandwidth: 143929.2 AICc value: 129.5687
## Fixed bandwidth: 88970.91 AICc value: 131.5557
## Fixed bandwidth: 177895.3 AICc value: 129.5633
## Fixed bandwidth: 198887.4 AICc value: 129.61
## Fixed bandwidth: 164921.4 AICc value: 129.5452
## Fixed bandwidth: 156903.1 AICc value: 129.5434
## Fixed bandwidth: 151947.5 AICc value: 129.5479
## Fixed bandwidth: 159965.8 AICc value: 129.5429
## Fixed bandwidth: 161858.6 AICc value: 129.5434
## Fixed bandwidth: 158795.9 AICc value: 129.5429## Fixed bandwidth: 143929.2 AICc value: 138.6657
## Fixed bandwidth: 88970.91 AICc value: 212.5693
## Fixed bandwidth: 177895.3 AICc value: 133.8372
## Fixed bandwidth: 198887.4 AICc value: 132.49
## Fixed bandwidth: 211861.3 AICc value: 131.6695
## Fixed bandwidth: 219879.6 AICc value: 131.1963
## Fixed bandwidth: 224835.2 AICc value: 130.9339
## Fixed bandwidth: 227897.9 AICc value: 130.7849
## Fixed bandwidth: 229790.8 AICc value: 130.6978
## Fixed bandwidth: 230960.7 AICc value: 130.6458
## Fixed bandwidth: 231683.7 AICc value: 130.6145
## Fixed bandwidth: 232130.5 AICc value: 130.5954
## Fixed bandwidth: 232406.7 AICc value: 130.5836
## Fixed bandwidth: 232577.4 AICc value: 130.5765
## Fixed bandwidth: 232682.8 AICc value: 130.572
## Fixed bandwidth: 232748 AICc value: 130.5693
## Fixed bandwidth: 232788.3 AICc value: 130.5676
## Fixed bandwidth: 232813.2 AICc value: 130.5666
## Fixed bandwidth: 232828.6 AICc value: 130.5659
## Fixed bandwidth: 232838.1 AICc value: 130.5655
## Fixed bandwidth: 232844 AICc value: 130.5653
## Fixed bandwidth: 232847.6 AICc value: 130.5651
## Fixed bandwidth: 232849.9 AICc value: 130.565## Fixed bandwidth: 143929.2 AICc value: 136.5683
## Fixed bandwidth: 88970.91 AICc value: 207.9811
## Fixed bandwidth: 177895.3 AICc value: 132.4906
## Fixed bandwidth: 198887.4 AICc value: 131.676
## Fixed bandwidth: 211861.3 AICc value: 131.1415
## Fixed bandwidth: 219879.6 AICc value: 130.7806
## Fixed bandwidth: 224835.2 AICc value: 130.5595
## Fixed bandwidth: 227897.9 AICc value: 130.4271
## Fixed bandwidth: 229790.8 AICc value: 130.3476
## Fixed bandwidth: 230960.7 AICc value: 130.2995
## Fixed bandwidth: 231683.7 AICc value: 130.2702
## Fixed bandwidth: 232130.5 AICc value: 130.2522
## Fixed bandwidth: 232406.7 AICc value: 130.2412
## Fixed bandwidth: 232577.4 AICc value: 130.2344
## Fixed bandwidth: 232682.8 AICc value: 130.2302
## Fixed bandwidth: 232748 AICc value: 130.2276
## Fixed bandwidth: 232788.3 AICc value: 130.226
## Fixed bandwidth: 232813.2 AICc value: 130.225
## Fixed bandwidth: 232828.6 AICc value: 130.2244
## Fixed bandwidth: 232838.1 AICc value: 130.224
## Fixed bandwidth: 232844 AICc value: 130.2238
## Fixed bandwidth: 232847.6 AICc value: 130.2237
## Fixed bandwidth: 232849.9 AICc value: 130.2236| Kernel | AIC | AICc | R_Square | Bandwidth |
|---|---|---|---|---|
| Adaptive gaussian | 115.5789 | 129.2818 | 0.2791 | 23.0 |
| Adaptive bisquare | 105.1670 | 131.8902 | 0.5692 | 26.0 |
| Adaptive tricube | 106.3097 | 130.5725 | 0.5416 | 26.0 |
| Fixed gaussian | 115.6944 | 129.5429 | 0.2774 | 158795.9 |
| Fixed bisquare | 112.6417 | 130.5650 | 0.3847 | 232849.9 |
| Fixed tricube | 113.9549 | 130.2236 | 0.3421 | 232849.9 |
Interpretasi pemilihan kernel: Kernel dan bandwidth menentukan seberapa besar pengaruh wilayah sekitar terhadap estimasi lokal suatu kabupaten/kota. Model yang lebih baik ditandai oleh nilai AIC yang lebih kecil dan R-square yang lebih besar. Berdasarkan hasil perbandingan, kernel terbaik berdasarkan AIC terkecil adalah Adaptive bisquare dengan bandwidth sebesar 26, AIC sebesar 105.167, dan R-square sebesar 0.5692. Artinya, model tersebut paling efisien dalam menjelaskan variasi Indeks Kesehatan dengan mempertimbangkan struktur lokal wilayah.
11 Model GWR Final
## Adaptive bandwidth (number of nearest neighbours): 24 AICc value: 132.728
## Adaptive bandwidth (number of nearest neighbours): 23 AICc value: 133.5066
## Adaptive bandwidth (number of nearest neighbours): 26 AICc value: 131.8902
## Adaptive bandwidth (number of nearest neighbours): 26 AICc value: 131.8902| Model | AIC | R_Square |
|---|---|---|
| OLS | 125.8626 | 0.1572 |
| GWR | 105.1670 | 0.5692 |
Interpretasi model GWR: Model GWR menghasilkan R-square sebesar 0.5692, lebih tinggi dibandingkan R-square OLS sebesar 0.1572. Nilai AIC GWR sebesar 105.167 juga lebih kecil dibandingkan AIC OLS sebesar 125.8626. Secara teori, AIC yang lebih kecil menunjukkan model yang lebih baik dengan mempertimbangkan ketepatan model dan kompleksitasnya. Dengan demikian, GWR lebih sesuai dibandingkan OLS dalam menjelaskan Indeks Kesehatan karena mampu menangkap perbedaan pengaruh antarwilayah.
12 Koefisien Lokal GWR
| Kabupaten_Kota | Intercept | X1_Balita_Gizi_Kurang | X2_Apotek | X3_Merokok_15_24 | X4_Sanitasi_Layak | Local_R2 |
|---|---|---|---|---|---|---|
| Bogor | 85.50040 | 0.00031 | -0.02800 | -0.33582 | 0.04774 | 0.77436 |
| Sukabumi | 86.44736 | 0.00027 | -0.02570 | -0.42759 | 0.05219 | 0.74651 |
| Cianjur | 86.62774 | 0.00031 | -0.02564 | -0.42013 | 0.04456 | 0.62606 |
| Bandung | 86.45160 | 0.00037 | -0.02152 | -0.28155 | 0.00525 | 0.53972 |
| Garut | 79.02814 | 0.00022 | -0.00831 | 0.08275 | 0.02087 | 0.50886 |
| Tasikmalaya | 76.61691 | 0.00010 | -0.00276 | 0.20416 | 0.02887 | 0.45755 |
| Ciamis | 76.58057 | 0.00004 | -0.00059 | 0.22508 | 0.02643 | 0.41187 |
| Kuningan | 77.21438 | 0.00002 | -0.00030 | 0.21212 | 0.02144 | 0.38439 |
| Cirebon | 78.15701 | 0.00002 | -0.00098 | 0.18477 | 0.01514 | 0.38494 |
| Majalengka | 79.22075 | 0.00007 | -0.00282 | 0.13827 | 0.00980 | 0.45428 |
| Sumedang | 81.82497 | 0.00014 | -0.00670 | 0.03184 | -0.00281 | 0.49916 |
| Indramayu | 82.83930 | 0.00011 | -0.00666 | 0.03565 | -0.01337 | 0.50479 |
| Subang | 86.73306 | 0.00036 | -0.02285 | -0.18238 | -0.00971 | 0.57505 |
| Purwakarta | 85.99263 | 0.00038 | -0.02814 | -0.28146 | 0.02575 | 0.61167 |
| Karawang | 85.06543 | 0.00037 | -0.02917 | -0.23353 | 0.03138 | 0.70254 |
| Bekasi | 84.92825 | 0.00035 | -0.02921 | -0.25839 | 0.03954 | 0.76352 |
| Bandung Barat | 86.86997 | 0.00036 | -0.02680 | -0.35583 | 0.02612 | 0.58302 |
| Pangandaran | 75.54982 | 0.00003 | 0.00018 | 0.25892 | 0.03321 | 0.42243 |
| Kota Bogor | 85.56051 | 0.00031 | -0.02795 | -0.33932 | 0.04747 | 0.76541 |
| Kota Sukabumi | 86.29566 | 0.00030 | -0.02674 | -0.39872 | 0.04796 | 0.69778 |
| Kota Bandung | 88.17747 | 0.00034 | -0.02166 | -0.30746 | -0.01052 | 0.54360 |
| Kota Cirebon | 78.17074 | 0.00002 | -0.00099 | 0.18443 | 0.01505 | 0.38461 |
| Kota Bekasi | 85.02755 | 0.00033 | -0.02895 | -0.28076 | 0.04306 | 0.77880 |
| Kota Depok | 85.22282 | 0.00032 | -0.02849 | -0.30872 | 0.04625 | 0.78551 |
| Kota Cimahi | 87.41083 | 0.00037 | -0.02496 | -0.32949 | 0.00937 | 0.56075 |
| Kota Tasikmalaya | 76.78518 | 0.00008 | -0.00201 | 0.20719 | 0.02659 | 0.44564 |
| Kota Banjar | 76.11847 | 0.00002 | 0.00024 | 0.24437 | 0.02894 | 0.39857 |
Interpretasi koefisien lokal: Koefisien lokal menunjukkan bahwa pengaruh variabel tidak sama di seluruh wilayah. Koefisien positif berarti kenaikan variabel tersebut berkaitan dengan kenaikan Indeks Kesehatan pada wilayah tertentu. Sebaliknya, koefisien negatif berarti kenaikan variabel tersebut berkaitan dengan penurunan Indeks Kesehatan pada wilayah tertentu. Namun, interpretasi ini tetap bersifat hubungan statistik, bukan hubungan sebab-akibat mutlak.
13 Peta Koefisien Lokal GWR
13.1 Peta Koefisien X1
Interpretasi: Koefisien X1 menunjukkan bagaimana hubungan jumlah balita bergizi kurang dengan Indeks Kesehatan berbeda antarwilayah. Koefisien tertinggi terdapat pada Purwakarta, sedangkan koefisien terendah terdapat pada Kuningan. Jika koefisien bernilai positif, maka peningkatan jumlah balita bergizi kurang berkaitan dengan kenaikan Indeks Kesehatan pada model lokal, tetapi hasil ini perlu ditafsirkan hati-hati karena X1 merupakan data jumlah dan dapat dipengaruhi oleh ukuran penduduk.
13.2 Peta Koefisien X2
Interpretasi: Koefisien X2 menggambarkan hubungan lokal antara jumlah desa/kelurahan yang memiliki apotek dan Indeks Kesehatan. Koefisien tertinggi terdapat pada Kota Banjar, sedangkan koefisien terendah terdapat pada Bekasi. Apabila koefisien negatif, maka secara lokal peningkatan jumlah apotek tidak selalu diikuti oleh peningkatan Indeks Kesehatan. Hal ini dapat terjadi karena jumlah apotek belum tentu menggambarkan kualitas atau pemerataan akses kesehatan secara keseluruhan.
13.3 Peta Koefisien X3
Interpretasi: Koefisien X3 menunjukkan bahwa hubungan perilaku merokok usia muda dengan Indeks Kesehatan tidak seragam di seluruh wilayah. Koefisien tertinggi terdapat pada Pangandaran, sedangkan koefisien terendah terdapat pada Sukabumi. Dalam konteks kesehatan, koefisien positif atau negatif perlu dibaca bersama kondisi wilayah lain, karena variabel merokok dapat berkaitan dengan faktor sosial, ekonomi, dan perilaku kesehatan yang lebih luas.
13.4 Peta Koefisien X4
Interpretasi: Koefisien X4 menunjukkan hubungan lokal antara sanitasi layak dan Indeks Kesehatan. Koefisien tertinggi terdapat pada Sukabumi, sedangkan koefisien terendah terdapat pada Indramayu. Jika koefisien bernilai positif, maka semakin tinggi persentase rumah tangga dengan sanitasi layak cenderung berkaitan dengan Indeks Kesehatan yang lebih tinggi pada wilayah tersebut.
14 Pembahasan Umum
Hasil OLS menunjukkan bahwa model global memiliki kemampuan penjelasan yang terbatas. Hal ini terlihat dari nilai R-square OLS yang relatif rendah. Meskipun uji asumsi OLS secara umum terpenuhi, hasil Moran’s I menunjukkan adanya pola spasial pada Indeks Kesehatan dan residual OLS. Artinya, lokasi wilayah perlu dipertimbangkan dalam pemodelan.
Model GWR memberikan hasil yang lebih baik dibandingkan OLS berdasarkan nilai AIC yang lebih rendah dan R-square yang lebih tinggi. Hal ini menunjukkan bahwa hubungan antara faktor-faktor kesehatan dan Indeks Kesehatan tidak bersifat sama di seluruh wilayah. Dengan kata lain, setiap kabupaten/kota memiliki karakteristik lokal yang dapat memengaruhi kekuatan dan arah hubungan antarvariabel.
Secara umum, hasil ini menunjukkan bahwa kebijakan kesehatan sebaiknya tidak hanya dibuat secara seragam untuk seluruh wilayah. Pemerintah daerah perlu mempertimbangkan kondisi lokal, seperti wilayah dengan sanitasi rendah, wilayah dengan jumlah balita bergizi kurang tinggi, atau wilayah dengan perilaku merokok usia muda yang tinggi.
15 Kesimpulan
15.1 Kesimpulan Statistik
- Model OLS menghasilkan R-square sebesar 0.1572 dan AIC sebesar 125.8626.
- Hasil Moran’s I menunjukkan adanya autokorelasi spasial pada Indeks Kesehatan dan residual OLS, sehingga penggunaan pendekatan spasial dapat dipertimbangkan.
- Kernel terbaik untuk model GWR berdasarkan AIC terkecil adalah Adaptive bisquare dengan bandwidth 26.
- Model GWR menghasilkan R-square sebesar 0.5692 dan AIC sebesar 105.167.
- Berdasarkan perbandingan AIC dan R-square, model GWR lebih baik dibandingkan OLS dalam memodelkan Indeks Kesehatan kabupaten/kota di Jawa Barat tahun 2024.
15.2 Kesimpulan Umum
Secara umum, Indeks Kesehatan kabupaten/kota di Jawa Barat tahun 2024 memiliki pola yang berbeda antarwilayah. Faktor seperti gizi balita, ketersediaan apotek, perilaku merokok usia muda, dan sanitasi layak tidak memberikan pengaruh yang sama di setiap daerah. Oleh karena itu, hasil analisis ini menekankan pentingnya pendekatan kebijakan kesehatan yang lebih memperhatikan kondisi lokal masing-masing kabupaten/kota.
16 Daftar Pustaka
Badan Pusat Statistik Provinsi Jawa Barat. (2024). Indeks Kesehatan Kabupaten/Kota di Jawa Barat. BPS Provinsi Jawa Barat.
Badan Pusat Statistik Provinsi Jawa Barat. (2024). Jumlah Desa/Kelurahan yang Memiliki Sarana Kesehatan Menurut Kabupaten/Kota di Provinsi Jawa Barat. BPS Provinsi Jawa Barat.
Badan Pusat Statistik Provinsi Jawa Barat. (2024). Persentase Penduduk Usia 15 Tahun ke Atas yang Merokok dalam Sebulan Terakhir Menurut Kabupaten/Kota dan Kelompok Umur di Provinsi Jawa Barat. BPS Provinsi Jawa Barat.
Badan Pusat Statistik Provinsi Jawa Barat. (2024). Persentase Rumah Tangga yang Memiliki Akses terhadap Sanitasi Layak. BPS Provinsi Jawa Barat.
Dinas Kesehatan Provinsi Jawa Barat. (2024). Jumlah Balita Bergizi Kurang Berdasarkan Kabupaten/Kota di Jawa Barat. Open Data Jabar.
Fotheringham, A. S., Brunsdon, C., & Charlton, M. (2002). Geographically Weighted Regression: The Analysis of Spatially Varying Relationships. John Wiley & Sons.
Anselin, L. (1988). Spatial Econometrics: Methods and Models. Kluwer Academic Publishers.
Tobler, W. R. (1970). A computer movie simulating urban growth in the Detroit region. Economic Geography, 46(sup1), 234–240.