Evaluasi Regresi Terklaster Fuzzy Spasial dan Penerapannya terhadap Data Stunting di Jawa Barat

Abstract

Data spasial dapat mengandung fenomena yang bersifat gradual dalam perubahannya. Metode fuzzy merupakan metode yang dapat menangkap perubahan gradual tersebut bahkan terhadap keragaman wilayah transisi. Data spasial pada umumnya mengandung ketergantungan dan keragaman spasial. Pendekatan dengan pengelompokan fuzzy spasial (spatial fuzzy clustering) dapat mengatasi keragaman spasial dengan representasi yang lebih alami terhadap keragaman lokal, mengurangi risiko kesalahan klasterisasi yang bersumber dari pemaksaan struktur klaster yang kaku, menghasilkan pemodelan yang lebih adaptif terhadap struktur spasial yang kompleks dan data yang besar, sehingga dapat meningkatkan presisi dan stabilitas pendugaan. Penelitian ini menggunakan metode pengelompokan fuzzy spasial SFCR (Spatial Fuzzy Clustered Regression) dan FGWCR (Fuzzy Geographically Weighted Clustering Regression). SFCR merupakan metode pengelompokan fuzzy spasial dengan penalti spasial dan FGWCR adalah metode tanpa penalti spasial. Keduanya dievaluasi melalui simulasi pada penelitian ini. Adanya penalti yang digunakan dapat memperbaiki struktur model regresi yang dihasilkan, dimana lokasi amatan yang berdekatan biasanya memiliki kesamaan karakteristik dan nilai koefisien regresi sehingga berada dalam klaster yang sama. Data dirancang sehingga terdapat 6 klaster dalam proses simulasi. Terdapat tiga skenario yang digunakan yaitu skenario lemah, moderat, dan kuat. Masing-masing skenario merupakan kombinasi dari parameter autokorelasi spasial dan derajat fuzziness. Perubahan nilai derajat fuzziness (??) akan mempengaruhi struktur klaster yang terbentuk. Autokorelasi spasial (?) mengukur tingkat pengaruh lokasi tetangga dalam alokasi klaster. Oleh karena itu simulasi dengan kombinasi perubahan nilai ? dan ?? penting dilakukan untuk memahami seberapa besar kontribusi informasi spasial serta fleksibilitas model fuzzy terhadap akurasi model dalam berbagai skenario. Penelitian ini juga bertujuan untuk menerapkan model terbaik hasil simulasi terhadap data persentase anak usia 0-59 bulan stunting di 539 kecamatan, provinsi Jawa Barat. SFCR merupakan metode yang menggabungkan klasterisasi spasial dan pembentukan persamaan regresi secara simultan, sehingga waktu komputasi menjadi lebih efisien. Keunggulan SFCR dibandingkan metode lain yaitu adanya struktur fuzzy yang dapat menangkap perubahan halus pada data, sehingga keragaman dalam data dapat dimodelkan dengan lebih baik. FGWCR merupakan pengembangan dari Fuzzy C-Means yang menyertakan pengaruh geografis. FGWCR menghasilkan klaster yang mempertimbangkan kedekatan spasial dan kesamaan atribut sehingga efektif digunakan pada data spasial. Hasil simulasi menunjukkan metode SFCR lebih mampu mencerminkan keragaman data dan pembagian klaster dengan akurat. Hal ini menunjukkan bahwa pendekatan spasial dengan penalti dalam SFCR cukup efektif menjaga struktur lokal, sekaligus menghasilkan segmentasi yang teratur dan jelas. Kebaikan model dievaluasi oleh nilai RMSE. Semakin kecil nilai RMSE maka model yang dihasilkan semakin baik. Nilai RMSE untuk metode SFCR pada autokorelasi spasial lemah, moderat, dan kuat (?? = 1,5) berturut-turut yaitu 0,294; 0,288; dan 0,282, sedangkan untuk metode FGWCR yaitu 0,661; 0,543; dan 0,58. Nilai RMSE metode SFCR konsisten berada di bawah FGWCR pada seluruh skenario, menandakan SFCR lebih stabil dalam pendugaan. Penerapan metode SFCR pada data empiris menghasilkan enam klaster. Klaster 1 terdiri atas kecamatan-kecamatan yang berada di wilayah Tasikmalaya, Pangandaran, Kota Banjar, Ciamis, Kecamatan Losarang di Indramayu, serta Kecamatan Cikarang di Bekasi. Karakteristik klaster 1 ditandai oleh wilayah wilayah dengan persentase kasus stunting yang tinggi. Klaster 2 merupakan area wilayah Sukabumi dan Cianjur serta terdapat satu daerah Kecamatan Majalengka. Klaster ini memiliki rataan persentase kasus stunting tertinggi kedua. Selanjutnya wilayah Bandung, Garut, dan sebagian wilayah Sumedang termasuk ke dalam klaster 3. Klaster ini ditandai dengan rataan persentase KK (Kepala Keluarga) miskin tertinggi. Klaster 4 terdiri atas wilayah Cirebon, Kuningan, Majalengka, dan sebagian Indramayu. Rataan persentase KK miskin di wilayah ini menempati urutan tertinggi kedua. Wilayah Karawang, Purwakarta, Subang, dan sebagian Indramayu termasuk ke dalam klaster 5. Rataan persentase kasus stunting dan KK miskin di wilayah ini menempati urutan terendah kedua. Perhatian yang lebih besar perlu diberikan terhadap ibu hamil, karena kondisi ibu hamil KEK (Kekurangan Energi Kronis) paling tinggi rataan persentasenya. Rataan persentase kasus stunting terendah berada di wilayah klaster 6 yang meliputi kecamatan yang berada di Kabupaten Bogor dan Bekasi. Peubah lokal yang berpengaruh terhadap persentase stunting dalam klaster satu dan dua yaitu, kondisi ibu hamil KEK (??1), anak mengalami stunting/gizi buruk mendapatkan tambahan asupan gizi (??4), dan anak menjalani imunisasi lengkap (??5). Peubah lokal yang sama-sama berpengaruh terhadap persentase stunting dalam klaster 3 dan 4 yaitu ??1 dan ??4. Peubah persentase anak usia 0-59 bulan menjalani imunisasi lengkap (??5) juga berpengaruh terhadap persentase stunting dalam klaster 4. Peubah lokal yang berpengaruh dalam klaster 5 yaitu ??4 dan persentase KK miskin (??8). Selain peubah ??1, ??4dan ??5, peubah lokal yang berpengaruh terhadap persentase stunting di klaster 6 adalah persentase akses air minum bersih (??6) dan jamban sehat (??7).