Penerapan Metode Regresi Linier Berganda Pada Kasus Balita Gizi Buruk Di Kabupaten Bojonegoro

Abstract

Latar Belakang: Balita merupakan kelompok paling rentan terhadap masalah gizi apabila ditinjau dari sudut masalah kesehatan dan gizi, dimana balita mengalami siklus pertumbuhan dan perkembangan yang relatif pesat. Salah satu metode untuk menentukan faktor-faktor yang signifikan berpengaruh terhadap terjadinya kasus gizi buruk adalah metode Regresi Linear Berganda. Tujuan: Mendapatkan statistik deskriptif untuk kasus balita gizi buruk beserta variabel prediktornya di kabupaten Bojonegoro tahun 2020, dan mengetahui variabel apa saja yang dianggap signifikan mempengaruhi terjadinya kasus gizi buruk di kabupaten Bojonegoro menggunakan metode Regresi Linier Berganda. Metode: Diberikan metode kuantitatif dengan statistik deskriptif, pen gujian asumsi klasik, dan pengujian parameter Regresi Linear Berganda untuk Persentase Kejadian Balita yang mengalami gizi buruk di kabupaten Bojonegoro. Hasil: Karakteristik kejadian balita gizi buruk di kabupaten Bojonegoro untuk persentase kejadian balita gizi buruk per kecamatan terrendah sebesar 1,03% dan tertinggi 7,22%. Diperoleh variable-variabel yang signifikan memberikan pengaruh negative terhadap Persentase Kejadian Balita yang mengalami gizi buruk Per Kecamatan, yaitu Persentase Balita Ditimbang Empat Kali atau Lebih dalam Enam Bulan Terakhir sebesar -2,117, dan Persentase Balita Kurus Mendapatkan Makanan Tambahan sebesar -0,438. Akurasi model regresi diperoleh R-Square sebesar 74,3%. Kesimpulan: Variabel yang berpengaruh signifikan terhadap kejadian balita yang mengalami gizi buruk adalah Persentase Balita Ditimbang Empat Kali atau Lebih dalam Enam Bulan Terakhir, dan Persentase Balita Kurus Mendapatkan Makanan Tambahan.

The Application of the Least Squares Method to Multicollinear Data

“…Multiple linear regression analysis is an analysis with multiple independent variables (Janah & Kartini, 2022). Regression analysis is an analysis that aims to determine whether there is a statistically dependent relationship between two variables, namely the predictor variable and the response variable (Hermawan, 2021).…”

“…The least squares method can be applied to various types of mathematical models, such as linear, polynomial, and exponential models (Klau, 2019). This method is also very useful in processing data that contains noise or uncertainty because it can reduce the effect of data variability (Janah & Kartini, 2022). The least squares method is used to determine the coefficient values in the straight line equation by minimizing the sum of the squared differences between the observed values and the values predicted by the mathematical model (Sartika et al, 2020).…”

“…In the multiple linear regression analysis method, there is a classic assumption test, namely the heteroscedasticity test, which aims to test whether the inequality of the residual variance from one observation to another in the regression model is fixed (Janah & Kartini, 2022). In the least squares method, the main objective is to find the regression coefficient value that best estimates the value of the dependent variable from the independent variables.…”