Risiko Stunting di Papua Barat dengan Penerapan Regresi Generalized Poisson, Quasi Poisson, dan Binomial Negatif
DOI:
https://doi.org/10.47039/ish.8.2025.19-26Kata Kunci:
Stunting, Families, Regression Model, Overdispersion, West PapuaAbstrak
Keluarga berisiko stunting merupakan keluarga yang memiliki faktor-faktor yang dapat meningkatkan risiko terjadinya stunting pada anak. Jumlah keluarga berisiko stunting termasuk data cacah (count data) yang umumnya dimodelkan menggunakan regresi Poisson. Namun, model regresi Poisson mengasumsikan kondisi equidispersi, yaitu nilai rata-rata sama dengan varians. Overdispersi terjadi ketika varians lebih besar daripada rata-rata. Dalam kasus seperti itu, model alternatif yang lebih sesuai diperlukan. Tujuan dari penelitian ini adalah untuk menentukan model terbaik jumlah keluarga yang berisiko stunting pada tingkat kecamatan di Provinsi Papua Barat pada tahun 2024 dengan menggunakan regresi Generalized Poisson, Quasi Poisson, dan Binomial Negatif. Data yang digunakan merupakan data sekunder dari Badan Kependudukan dan Keluarga Berencana Nasional (BKKBN) Provinsi Papua Barat yang mencakup 86 kecamatan. Variabel independen yang digunakan adalah jumlah keluarga tidak mempunyai sumber air minum utama yang layak, jumlah keluarga tidak mempunyai jamban yang layak, jumlah PUS 4 Terlalu, dan jumlah keluarga bukan peserta KB modern. Hasil analisis menunjukkan bahwa data mengalami overdispersi dengan nilai sebesar berdasarkan uji Deviance dan berdasarkan uji Pearson Chi-Square. Berdasarkan kriteria Root Mean Square Error (RMSE), model Quasi Poisson memberikan nilai RMSE terkecil sebesar , dibandingkan Generalized Poisson sebesar dan Binomial Negatif sebesar . Oleh karena itu, model terbaik untuk memodelkan jumlah keluarga yang berisiko stunting di Provinsi Papua Barat pada tahun 2024 adalah regresi Quasi Poisson.
Referensi
Famoye, F. (1993). Restricted generalized Poisson regression model. Communications in Statistics—Theory and Methods, 22(5), 1335–1354. https://doi.org/10.1080/03610929308831089
Hilbe, J. M. (2011). Negative binomial regression (2nd ed.). Cambridge University Press.
Hilbe, J. M. (2014). Modeling count data. Cambridge University Press.
Ismardiani, Y., Fahmi, I., & D. (2025). Analysis of the relationship between environmental health factors and stunting incidence in Indonesia. Jurnal Ners, 9(4), 5667–5674. https://doi.org/10.31004/jn.v9i4.48960
Kementerian Kesehatan Republik Indonesia. (2023). Hasil Survei Status Gizi Indonesia (SSGI) 2022. Kementerian Kesehatan Republik Indonesia.
Kementerian Kesehatan Republik Indonesia. (2024). Membentengi anak dari stunting. Kementerian Kesehatan Republik Indonesia.
McCullagh, P., & Nelder, J. A. (1989). Generalized linear models (2nd ed.). Chapman & Hall.
Republik Indonesia. (2021). Peraturan Presiden Republik Indonesia Nomor 72 Tahun 2021 tentang percepatan penurunan stunting. Sekretariat Negara.
Ryan, T. P. (1997). Modern regression methods. Wiley.
United Nations. (2015). Transforming our world: The 2030 agenda for sustainable development.
World Health Organization. (2023). Levels and trends in child malnutrition: UNICEF/WHO/World Bank Group joint child malnutrition estimates: Key findings of the 2023 edition. https://www.who.int/publications/i/item/9789240073791
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2026 Mastiur Renita Damanik, Esther Ria Matulessy, Rium Hilum, Trigarcia Maleachi Randa, Dahlia Gladiola Rurina Menufandu

Artikel ini berlisensiCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.