Hasil Pencarian  ::  Simpan CSV :: Kembali

"Kemiskinan di Indonesia masih menjadi masalah yang harus diperhatikan setiap tahun. Menurut Laporan Susenas Maret 2022, Pulau Sulawesi menempati urutan ketiga dari enam pulau besar di Indonesia berdasarkan persentase penduduk miskin. Hal ini menunjukkan masih banyak penduduk di Pulau Sulawesi yang mengalami kemiskinan. Oleh karena itu, pemerintah perlu mengambil kebijakan yang tepat untuk mengatasi kemiskinan. Salah satu upaya yang dapat dilakukan pemerintah adalah dengan melakukan pengelompokan, yaitu mengelompokkan daerah-daerah kabupaten/kota di Pulau Sulawesi berdasarkan variabel-variabel kemiskinan. Tujuan penelitian ini adalah mengelompokkan data secara dua arah yaitu pengelompokan berdasarkan kabupaten/kota dan variabel-variabelnya secara bersamaan. Dengan terbentuknya pengelompokan kabupaten/kota dan variabel secara bersamaan akan mempermudah pemerintah untuk membuat kebijakan untuk mengatasi kemiskinan. Metode yang sesuai untuk mengelompokkan kabupaten/kota dan variabel-variabel secara bersamaan adalah metode biclustering. Metode biclustering dapat melakukan pengelompokan observasi dan karakteristik secara bersamaan sehingga terbentuk bicluster yang dapat dicirikan dengan karakteristik yang berbeda. Salah satu algoritma biclustering yaitu Iterative Signature Algorithm (ISA). Pengelompokan dengan menggunakan Iterative Signature Algorithm (ISA) memerlukan nilai ambang batas atas dan nilai ambang batas bawah. Nilai ambang batas adalah nilai yang digunakan untuk menentukan apakah suatu wilayah kabupaten/kota dan variabel-variabel dapat masuk ke dalam bicluster. Hasil yang terbaik dipilih berdasarkan rata-rata Mean Square Residu (MSR) per volume. Analisis biclustering pada data kemiskinan di Pulau Sulawesi tahun 2022 menggunakan Iterative Signature Algorithm (ISA) menghasilkan sebanyak 2 bicluster. Pemerintah diharapkan dapat membuat kebijakan yang tepat sesuai dengan masalah yang terjadi pada bicluster 1 dan bicluster 2.

---

Poverty in Indonesia is still a problem that must be addressed every year. According to the March 2022 Susenas report, Sulawesi Island ranks at third out of six major islands in Indonesia based on the percentage of the population living in poverty. This shows that there are still many people in Sulawesi Island who experience poverty.  Therefore, the government needs to take the right policy to overcome poverty. One of the efforts that the government can make is by clustering, namely grouping districts/cities on the island of Sulawesi based on poverty variables. The objective of this research is to group the data in two directions, namely grouping by district/city and its variables simultaneously. With the formation of groupings of districts/cities and variables simultaneously, it will be easier for the government to make policies to overcome poverty. The appropriate method to group districts/cities and variables together is the biclustering method. The biclustering method able to group observations and characteristics simultaneously so that biclusters formed that can be characterized differently. One of the biclustering algorithms is the Iterative Signature Algorithm (ISA). Clustering using the Iterative Signature Algorithm (ISA) requires an upper threshold value and a lower threshold value. Threshold value is the value used to determine whether a district/city and variables can be included in a bicluster. The best result is selected based on the average Mean Square Residu (MSR) per volume. Biclustering analysis of poverty data in Sulawesi Island in 2022 using Iterative Signature Algorithm (ISA) produce 2 biclusters. Based on this results, the government is expected to make a right policy to overcome poverty problems in bicluster 1 and bicluster 2."

"Indeks Pembangunan Manusia (IPM) merupakan salah satu indikator yang dapat digunakan untuk menggambarkan tingkat kesejahteraan rakyat di Indonesia. Pada tahun 2021, Provinsi Papua dan Papua Barat menempati dua urutan terakhir berdasarkan nilai IPM di Indonesia. Hal ini menandakan bahwa kesejahteraan masyarakat di Provinsi Papua dan Papua Barat dalam menikmati hasil pembangunan mengalami ketertinggalan dibandingkan dengan provinsi lain. Tetapi, IPM hanya dapat menggambarkan kesejahteraan dari dimensi pembentuknya saja, sehingga dibutuhkan indikator lain yang dapat menggambarkan kesejahteraan dari berbagai dimensi yang lebih luas. Pada penelitian ini dilakukan pengelompokan terhadap kabupaten/kota yang ada di Pulau Papua agar pemerintah lebih mudah dalam mengambil kebijakan yang tepat untuk mengatasi permasalahan kesejahteraan rakyat di Pulau Papua. Analisis yang digunakan pada penelitian ini adalah analisis biclustering. Analisis biclustering merupakan metode pengembangan dari analisis clustering yang digunakan untuk mengelompokkan baris dan kolom pada data secara bersamaan. Salah satu metode dari analisis biclustering adalah menggunakan algoritma Cheng and Church. Algoritma Cheng and Church menghasilkan bicluster yang memiliki ukuran yang maksimal dan mempunyai nilai mean squared residue lebih kecil dari batas yang telah ditentukan. Evaluasi dari hasil biclustering menggunakan rata-rata mean squared residue terhadap volume bicluster dan indeks Jaccard yaitu kemiripan antara dua hasil biclustering. Data yang akan digunakan dalam penelitian ini adalah data indikator kesejahteraan rakyat di pulau Papua tahun 2021. Analisis biclustering terhadap data indikator kesejahteraan rakyat di pulau Papua tahun 2021 menggunakan algoritma Cheng and Church mampu menghasilkan sebanyak 9 bicluster. Harapannya, pemerintah dapat membuat kebijakan yang tepat sesuai dengan masalah yang terjadi pada setiap bicluster.

---

The Human Development Index (HDI) is one of the indicators that can be used to describe the level of people's welfare in Indonesia. In 2021, Papua and Papua Barat Provinces occupy the last two ranks based on HDI values in Indonesia. This indicates that the welfare of the people in Papua and Papua Barat Provinces in enjoying the results of development has lagged compared to other provinces. However, HDI can only describe welfare from the dimensions that form it, so other indicators are needed to describe welfare from a broader range of dimensions. In this study, a grouping of districts/cities in Papua Island is carried out so that the government can more easily take the right policy to overcome the problems of people's welfare in Papua Island.  The analysis used in this research is biclustering analysis. Biclustering analysis is a development method of clustering analysis used to simultaneously group rows and columns in the data. One method of biclustering analysis is using the Cheng and Church algorithm. Cheng and Church's algorithm produces a bicluster with a maximum size and a mean squared residue value smaller than the predetermined limit. Evaluation of the biclustering results uses the average mean squared residue of the bicluster volume and the Jaccard index, which is the similarity between the two biclustering results. The data used in this study are welfare indicators data on Papua Island in 2021. Biclustering analysis of welfare indicators data on Papua Island in 2021 using the Cheng and Church algorithm produced as many as 9 biclusters. The hope is that the government can make the right policy according to the problems that occur in each bicluster."

"Triclustering merupakan salah satu metode data mining yang juga merupakan pengembangan dari metode biclustering dan clustering. Metode tersebut mengelompokkan set data berupa matriks tiga dimensi (gen, kondisi, dan waktu) menjadi kelompok-kelompok submatriks yang memiliki kesamaan satu sama lain. Salah satu algoritma dari analisis triclustering adalah Extended Dimension Iterative Signature Algorithm (EDISA). Algoritma ini mempertimbangkan jarak Pearson antara tiap gen dan kondisi terhadap vektor rata-rata sebagai ukuran kemiripan. Proses pertama dari EDISA adalah langkah preprocessing yaitu menghapus gen yang memiliki nilai ekspresi gen yang berbeda sangat signifikan dengan nilai ekspresi gen lainnya. Lalu langkah selanjutnya yaitu memilih sebanyak s sampel gen dengan cara memilih satu gen secara random untuk menjadi seed gen, lalu mencari sebanyak s-1 gen yang memiliki jarak Pearson terdekat dengan seed gen tersebut. Tahap berikutnya membuat vektor bobot gen dan kondisi, lalu memasangkannya dengan sampel gen yang telah terpilih, kemudian menghitung vektor rata-ratanya. Proses selanjutnya yaitu proses iterasi di mana setiap gen dan kondisi yang memiliki jarak Pearson terhadap vektor rata-rata di atas ambang batas tertentu (TG dan TG, keduanya merupakan ukuran seberapa baik keselarasan suatu gen dan kondisi terhadap rata-rata kandidat tricluster) harus dihapus karena dianggap tidak memiliki kemiripan yang cukup dengan anggota tricluster lain pada setiap iterasinya. Proses selanjutnya adalah postprocessing yang bertujuan untuk menggabungkan tricluster yang memiliki kemiripan untuk dijadikan tricluster yang lebih besar dan dijadikan sebagai kumpulan tricluster final. Algoritma ini diterapkan pada data ekspresi gen penyakit paru-paru. Penerapan algoritma tersebut menggunakan beberapa skenario dengan nilai Tg dan TG yang berbeda. Hasil dari penerapan pada data ekspresi gen penyakit paru-paru diperoleh bahwa semakin besar nilai TG, maka jumlah gen yang dapat masuk ke dalam tricluster makin banyak, dan semakin besar nilai TG, maka jumlah kondisi yang dapat masuk ke dalam tricluster juga makin banyak. Selain itu, dilakukan evaluasi dari tricluster menggunakan nilai Tricluster Diffusion Score (TD Score) untuk mencari skenario terbaik. Didapat bahwa skenario terbaik merupakan skenario dengan nilai Tg=0,3 dan nilai TG=0,2. Melalui algoritma ini dapat dideteksi gen-gen yang dapat membedakan karakteristik pasien yang berpenyakit paru-paru dan pasien yang sehat."

"Keberhasilan pembangunan suatu negara dapat dilihat dari kondisi kesejahteraan rakyatnya. Peningkatan kesejahteraan rakyat menjadi sasaran utama dalam kegiatan pembangunan yang dilaksanakan oleh pemerintah. Agar pembangunan yang dilakukan efektif dan tepat sasaran, perlu dilakukan pengelompokan untuk mengetahui karakteristik wilayah. Penelitian ini membahas mengenai pengelompokan kabupaten/kota di Pulau Jawa berdasarkan indikator kesejahteraan rakyat tahun 2022. Kesejahteraan yang diukur merupakan kesejahteraan materi. Variabel yang digunakan dalam penelitian ini adalah persentase penduduk miskin, PDRB per kapita atas dasar harga berlaku, rata-rata lama sekolah, harapan lama sekolah, persentase pengeluaran per kapita untuk makanan, tingkat pengangguran terbuka, jumlah penduduk, kepadatan penduduk, dan angka harapan hidup. Terdapat dua pendekatan yang digunakan dalam mengelompokkan kabupaten/kota beserta variabel-variabelnya. Pendekatan pertama adalah mengelompokkan kabupaten/kota dan variabel-variabelnya secara simultan dengan menggunakan metode biclustering plaid model. Pendekatan kedua adalah mengelompokkan kabupaten/kota menggunakan clustering metode Ward dan dilanjutkan dengan metode biplot. Tujuan penelitian ini adalah membandingkan hasil kedua pendekatan tersebut, yaitu hasil biclustering dan hasil cluster-biplot pada data 119 kabupaten/kota di Pulau Jawa pada tahun 2022 berdasarkan indikator kesejahteraan rakyat. Berdasarkan hasil penelitian, didapatkan jumlah kelompok dari kedua pendekatan tersebut adalah sebanyak 2 dengan kelompok 1 merupakan wilayah yang lebih sejahtera daripada kelompok 2. Ditinjau dari nilai standar deviasinya, kelompok hasil biclustering plaid model memiliki nilai standar deviasi yang lebih kecil dibanding kelompok hasil cluster-biplot. Dengan demikian, secara umum pendekatan pertama menghasilkan kelompok yang lebih baik karena lebih homogen dibandingkan dengan pendekatan kedua.

---

The success of a country's development can be known from the well-being of its people. Improving the welfare of the population is the main goal in the development activities carried out by government. To ensure that development is effective and targeted, grouping is needed to understand the characteristics of the region. This study discusses the grouping of regencies/cities in Java based on the people's welfare indicators in 2022. The measured welfare is material well-being. Variables used in this study are the percentage of the poor population, GDP per capita at current prices, average length of schooling, expected length of schooling, percentage of per capita expenditure on food, open unemployment rate, population, population density, and life expectancy. There are two approaches used in grouping regencies/cities along with their variables. The first approach is to group regencies/cities and their variables simultaneously using plaid model biclustering method. The second approach is to group regencies/cities using the Ward clustering method and then followed by the biplot method. The aim of this study is to compare the results of these two approaches, namely the biclustering results and the cluster-biplot results on data from 119 regencies/cities in Java in 2022 based on people's welfare indicators. Based on the results of this study, the number of groups from each approach is 2, with group 1 being more prosperous than group 2. Judging from the standard deviation values, the plaid model biclustering result groups have lower standard deviation values compared to the cluster-biplot result groups. Therefore, in general the first approach produces better groups as they are more homogeneous compared to the second approach."

"Stunting juga dikenal sebagai "pendek", adalah kondisi gagal tumbuh pada anak berusia di bawah 5 tahun akibat kekurangan gizi kronis dan infeksi berulang terutama pada periode 1.000 Hari Pertama Kehidupan (HPK), yaitu dari janin hingga anak berusia 23 bulan. Berdasarkan hasil SSGI tahun 2022, Provinsi Sulawesi Tengah menduduki peringkat ke 6 dengan prevalensi stunting mencapai 28,2%, turun 1,5% dari tahun 2021 yaitu 29,7% (peringkat 8). Namun, angka ini masih lebih tinggi dari rata–rata nasional sebesar 21,6 persen. Penelitian ini merupakan penelitian kuantitatif dengan desain cross sectional yang faktor determinan stunting pada anak usia 6–23 bulan di Provinsi Sulawesi Tengah. Variabel independen dalam penelitian ini meliputi faktor anak, faktor ibu dan faktor rumah tangga. Analisis data menggunakan uji kai kuadrat dan regresi logistik berganda model determinan. Hasil penelitian menunjukkan, faktor anak (jenis kelamin, berat badan lahir, ISPA dan riwayat imunisasi), faktor ibu (pendidikan ibu), faktor rumah tangga (ketahanan pangan rumah tangga, sanitasi jamban, jumlah balita dalam keluarga) berhubungan dengan kejadian stunting pada anak usia 6–23 bulan. Faktor dominan yang berhubungan dengan kejadian stunting pada anak usia 6–23 bulan adalah BBLR (OR: 2,306) setelah dikontrol oleh variabel jenis kelamin, ISPA, riwayat imunisasi, pendidikan ibu, sanitasi jamban, dan jumlah balita dalam keluarga.

---

Stunting, also known as “shortness”, is a condition of failure to thrive in children under 5 years of age due to chronic malnutrition and recurrent infections especially in the period of the First 1,000 Days of Life (HPK), which is from the fetus until the child is 23 months old. Based on the results of the SSGI in 2022, Central Sulawesi Province is ranked 6th with a stunting prevalence of 28.2%, down 1.5% from 2021 which was 29.7% (rank 8). However, this figure is still higher than the national average of 21.6 percent. This study is a quantitative study with a cross-sectional design that determines stunting in children aged 6–23 months in Central Sulawesi Province. Independent variables in this study include child factors, maternal factors and household factors. Data analysis used the chi-square test and multiple logistic regression of the determinant model. The results showed that child factors (gender, birth weight, ARI and immunization history), maternal factors (mother's education), household factors (household food security, latrine sanitation, number of toddlers in the family) were associated with the incidence of stunting in children aged 6–23 months. The dominant factor associated with the incidence of stunting in children aged 6–23 months is LBW (OR: 2.306) after being controlled by variables of gender, ARI, immunization history, maternal education, latrine sanitation, and number of toddlers in the family."

"Pada penelitian ini mengimplementasikan algoritma Similarity Based Biclustering dengan menggunakan PAM clustering pada tiga dataset ekspresi gen microarray. Penelitian ini bertujuan untuk mengetahui ekspresi regulasi dari masing-masing bicluster yang diperoleh dan mengetahui kinerja algoritma Similarity Based Biclustering-PAM clustering berdasarkan hasil analisis kelompok kondisi. Similarity based biclustering-PAM clustering secara teoritis terdiri dari empat tahap utama yaitu: mentransformasi data, membangun matriks similaritas, proses clustering khususnya dalam tesis ini menggunakan metode partisi PAM dan mengekstrak bicluster. Algoritma similarity based biclustering-PAM clustering dapat mengetahui ekspresi regulasi dari tiap bicluster pada tiga dataset yaitu: Diabetes Melitus tipe II, Diabetes Retinopati, dan Limfoma. Akurasi yang diperoleh dari algoritma Similarity Based Biclustering untuk masing-masing dataset yaitu Diabetes Melitus tipe II sebesar 0.55, Diabetes Retinopati sebesar 0.80 dan Limfoma sebesar 0.83.

---

In this research implements Similarity Based Biclustering algorithm by using PAM Clustering method in three dataset of microarray gene expression. Aim of this research is to know the regulated expression of each obtained bicluster and to know the performance of Similarity Based Biclustering PAM Clustering algorithm based on the result of group condition analysis. Similarity Based Biclustering is theoretically composed of four main stages transforming data, constructing matrix similarity, clustering process, especially in this thesis using PAM partition algorithm and extracting bicluster. Similarity Based Biclustering PAM is able to know the regulatory expression of each bicluster in three datasets Diabetes Mellitus type 2, Diabetes Retinopathy, and Lymphoma. Accuracy obtained from Similarity Based Biclustering algorithm for each dataset is 0.55 in data of type 2 diabetes mellitus, 0.80 in diabetic retinopathy data and 0.83 in lymphoma data."

"Prinsip parsimoni adalah prinsip yang menyatakan bahwa jika terdapat beberapa penjelasan untuk suatu fenomena, maka penjelasan paling sederhanalah yang harus dipilih. Prinsip ini digunakan dalam analisis data untuk memilih model yang paling efisien dalam menjelaskan variabilitas data dengan parameter seminimal mungkin. Namun pada beberapa kondisi, data bisa saja melibatkan pengukuran atau variabel yang cukup banyak. Data berdimensi tinggi dapat menyebabkan kompleksitas dan kesulitan dalam analisis, sehingga reduksi dimensi pada data penting untuk dilakukan. Principal Component Analysis (PCA) adalah salah satu metode yang dapat digunakan untuk melakukan reduksi dimensi, dengan mengekstraksi variabel baru dan mengurangi pengaruh dari variabel yang tidak relevan. Namun, metode PCA tidak toleran terhadap missing value, sehingga algoritma Nonlinear Iterative Partial Least Squares (NIPALS) dapat digunakan dalam mengatasi data yang mengandung missing value. Performa dari algoritma NIPALS dievaluasi menggunakan nilai normalized root mean square error (NRMSE) dan koefisien korelasi Pearson. Kemudian, performa dari algoritma ini dibandingkan dengan dua metode lain, meliputi Probabilistic Principal Component Analysis (PPCA) dan SVDImpute. Setelah dilakukan percobaan sebanyak seratus kali pada data survei COVIDiSTRESS, didapatkan hasil bahwa algoritma NIPALS memiliki performa yang lebih baik dan stabil dalam melakukan reduksi dimensi dibandingkan SVDImpute dan PPCA pada data dengan missing value sebesar 1% hingga 15%.

---

The principle of parsimony, states that if there are multiple explanations for a phenomenon, the simplest explanation should be chosen. This principle is applied in data analysis to select the most efficient model that explains the variability of the data with minimal parameters. However, in some cases, the data may involve a large number of measurements or variables. High-dimensional data can lead to complexity and difficulties in analysis, therefore dimensionality reduction is important. Principal Component Analysis (PCA) is one method that can be used for dimensionality reduction by extracting new variables and reducing the influence of irrelevant variables. However, PCA is not tolerant to missing values, so the Nonlinear Iterative Partial Least Squares (NIPALS) algorithm can be used to handle data with missing values. The performance of the NIPALS algorithm is evaluated using the normalized root mean square error (NRMSE) and Pearson correlation coefficient. Subsequently, the performance of this algorithm is compared with two other methods, including Probabilistic Principal Component Analysis (PPCA) and SVDImpute. After conducting a hundred trials on the COVIDiSTRESS survey data, it was found that the NIPALS algorithm performed better and was more stable in dimension reduction compared to SVDImpute and PPCA algorithms on data with missing values ranging from 1% to 15%."

"Adenoma merupakan jenis tumor jinak pada lapisan epidermis jaringan. Adenoma dapat berubah menjadi kanker ganas yang kemudian disebut Adenocarcinoma. Terdapat salah satu bentuk data biologi molekuler yang sedang berkembang saat ini, yaitu data ekspresi gen microarray. Microarray dapat digunakan untuk pendeteksian dan penelitian dalam bidang onkologi. Salah satu metode untuk mengolah dan menganalisis data ekspresi gen microarray adalah dengan biclustering. Dalam skripsi ini akan dilakukan implementasi salah satu metode biclustering pada data ekspresi gen microarray, yaitu dengan algoritma Binary Inclusion-Maximal. Algoritma akan diimplementasi pada data Adenoma kolon yang terdiri dari 7070 gen dengan 4 sampel sel adenoma dan 4 sampel sel normal. Implementasi tersebut membutuhkan waktu kurang dari 1 detik dan menghasilkan 22 bicluster yang terdiri dari 25 gen secara keseluruhan.

---

Adenoma is a benign type of tumor in the epidermal layer of a tissue. Adenoma can turn into a malignant cancer which is then called Adenocarcinoma. There is a form of molecular biology data which is developing today, namely microarray gene expression data. Microarray can be use for detection and research in the field of oncology. One method for processing and analyzing microarray gene data is by biclustering. In this study the writer will be using one method of biclustering, the Binary Inclusion Maximal algorithm, and implement it on microarray gene expression data. The algorithm will be implemented on Colon Adenoma data consisting of 7070 genes with 4 adenoma cell samples and 4 normal cell samples. The implementation took less than one second and resulted in 22 biclusters composed of 25 genes."

"Stunting merupakan masalah gizi kronis yang diukur berdasarkan TB/U. Di Indonesia, prevalensi stunting pada balita umur (0-59 bulan) mengalami peningkatan dari tahun 2007, 2010, hingga tahun 2013. Prevalensi stunting pada balita umur (0-59 bulan) di Pulau Sulawesi mengalami peningkatan hingga 41,05 persen pada tahun 2013. Angka tersebut menggambarkan masalah kesehatan masyarakat yang serius. Tujuan penelitian ini adalah untuk melihat hubungan faktor risiko dengan kejadian stunting pada balita umur (12-59 bulan) di Pulau Sulawesi tahun 2013. Penelitian ini menggunakan data sekunder Riskesdas 2013, dengan desain cross sectional. Sampel penelitian ini adalah 7462 balita umur (12-59 bulan) di Pulau Sulawesi yang memiliki data lengkap, dan tidak mempunyai data z-score TB/U < -6SD dan > +6SD. Hasil penelitian menunjukkan, kejadian stunting pada balita umur (12-59 bulan) di Pulau Sulawesi tahun 2013 sebesar 43,3 persen. Hasil analisis bivariat menunjukkan hubungan yang bermakna (nilai p ≤ 0,05) antara umur, jenis kelamin, status imunisasi dasar, berat badan lahir, pendidikan ibu, tinggi badan ibu, wilayah tempat tinggal, status ekonomi keluarga, dan fasilitas sanitasi dengan kejadian stunting pada balita umur (12-59 bulan) di Pulau Sulawesi tahun 2013. Oleh karena itu perlu dilakukan pencegahan terhadap faktor risiko, utamanya pencegahan primer, serta melakukan deteksi dini dengan pengukuran TB/U secara teratur.

---

Stunting is a chronic malnutrition measured using height-for-age indicator. In Indonesia, prevalence of stunting on under-five-children (0-59 months) increases from 2007, 2010, to 2013. Prevalence of stunting on under-five-children (0-59 months) in Sulawesi Island increases by 41,05 percent in 2013. This number indicates a serious public health problem in Sulawesi Island.

This study aims to determine the relationship between risk factors with stunting on under-five-children (12-59 months) in Sulawesi Island in 2013. This study uses secondary data from the Riskesdas 2013, with a cross-sectional study. The sample amounts to 7462 under-five-children (12-59 months) in Sulawesi Island, who have complete data, and don’t have z-score data H/A < -6SD and > +6SD.

The results of this study indicate that the occurrence of stunting on under-five-children (12-59 months) in Sulawesi Island in 2013 is 43,3 percent. The bivariate analysis indicates significant association (p ≤ 0,05) between age, gender, status of primary immunization, birth weight, maternal education, maternal height, region of residence, family economic status, and sanitation facilities with stunting on under-five-children (12-59 months) in Sulawesi Island in 2013. Therefore, it’s necessary to implement prevention of risk factors especially primary prevention, and early detection using height-for-age measurement frequently."

"Kemiskinan merupakan suatu kondisi yang ditandai dengan ketidakmampuan seseorang dalam memenuhi kebutuhan pokoknya. Berdasarkan publikasi Badan Pusat Statistik (BPS) dari tahun 2017 hingga 2020, Provinsi Papua dan Papua Barat yang berada di Pulau Papua merupakan dua provinsi dengan kemiskinan tertinggi di Indonesia. Oleh karena itu, penelitian ini bertujuan untuk menganalisis variabel-variabel yang signifikan memengaruhi kemiskinan di Pulau Papua. Permasalahan kemiskinan merupakan permasalahan kompleks yang tidak hanya terjadi pada satu waktu dan dapat dipengaruhi oleh aspek kewilayahan atau spasial. Hal ini mengindikasikan perlunya dilakukan suatu penelitian yang melibatkan efek spasial dalam beberapa periode waktu. Sehubungan dengan hal tersebut, maka data spasial dengan struktur panel digunakan dalam penelitian ini. Data penelitian yang merupakan data spasial dengan struktur panel mengakibatkan kemungkinan munculnya pengaruh spasial seperti heterogenitas spasial. Uji heterogenitas spasial dilakukan menggunakan uji Breusch-Pagan. Berdasarkan pengujian didapatkan bahwa terdapat heterogenitas spasial pada data kemiskinan di Pulau Papua tahun 2017-2020 sehingga dilakukan analisis lebih lanjut dengan menggunakan model Geographically Weighted Panel Regression (GWPR). Model GWPR dibentuk menggunakan fungsi pembobot kernel Fixed Gaussian, Fixed Bisquare, dan Fixed Tricube. Hasil penelitian menunjukkan bahwa model GWPR dengan fungsi pembobot kernel Fixed Gaussian merupakan model terbaik dalam memodelkan data kemiskinan di Pulau Papua tahun 2017-2020 dengan koefisien determinasi sebesar 84.93% dan RMSE sebesar 0.013459686. Variabel harapan lama sekolah, angka harapan hidup, rasio gini, pengeluaran per kapita disesuaikan, dan tingkat partisipasi angkatan kerja berpengaruh signifikan terhadap kemiskinan pada minimal satu lokasi di kabupaten/kota di Pulau Papua. Variabel angka harapan hidup dan pengeluaran per kapita disesuaikan merupakan variabel yang paling banyak berpengaruh signifikan terhadap kemiskinan di kabupaten/kota di Pulau Papua.

---

Poverty is a condition characterized by a person’s inability to fulfill their basic needs. Based on the publications of Badan Pusat Statistik (BPS) from 2017 to 2020, the provinces of Papua and West Papua on the island of Papua are the two provinces with the highest rates of poverty in Indonesia. Therefore, this study aims to analyze the variables that significantly affect poverty on Papua Island. The problem of poverty is a complex problem that does not only occur at one time and can be influenced by regional or spatial aspects. This indicates the need for a study involving spatial effects over several periods. In this regard, spatial data with panel structure is used in this study. Research data which is spatial data with a panel structure results in the possibility of the emergence of spatial influences such as spatial heterogeneity. A spatial heterogeneity test was performed using the Breusch-Pagan test. Based on the test, it was found that there is spatial heterogeneity in poverty data in Papua Island in 2017-2020 so further analysis will be carried out using the Geographically Weighted Panel Regression (GWPR) model. The GWPR model is formed using the Fixed Gaussian, Fixed Bisquare, and Fixed Tricube kernel weighting functions. The results show that the GWPR model with the Fixed Gaussian kernel weighting function is the best in modeling poverty data in Papua Island in 2017- 2020 with the coefficient of determination of 84.93% and RMSE of 0.013459686. The variables of expected years of schooling, life expectancy, gini ratio, consumption per capita, and labor force participation rate have a significant effect on poverty in at least one location in a district/city on Papua Island. The variables of life expectancy and consumption per capita have a significant effect on poverty in most districts/cities on Papua Island."