Estimasi parameter model geographically weighted logistic regression (GWLR) pada data yang mengandung outlier

INDONESIA: Model Geographically Weighted Logistic Regression (GWLR) merupakan pengembangan dari regresi logistik atau bentuk lokal regresi logistik yang memperhatikan lokasi dari titik pengamatan yang menghasilkan penaksir parameter model yang bersifat lokal untuk setiap titik atau lokasi dimana data tersebut dikumpulkan, dengan mengasumsikan data berdistribusi Bernoulli. Dalam menganalisis data dengan menggunakan model GWLR, terkadang ditemukan adanya outlier. Outlier ini dapat diidentifikasi secara jelas karena berbeda dengan mayoritas titik sampel lainnya. Namun, adanya outlier dapat berdampak terhadap hasil estimasi parameter model yang menyebabkan estimasi parameter menjadi bias. Salah satu metode penyelesaian outlier adalah metode Bianco-Yohai. Penelitian ini bertujuan untuk mendapatkan estimasi parameter model GWLR yang mengandung outlier. Hasil penelitian diaplikasikan pada prevalensi balita kurang gizi di Provinsi Jawa Timur, sehingga akan diperoleh pemetaan balita gizi buruk di Jawa Timur. Variabel respon yang digunakan pada penelitian ini adalah prevalensi balita kurang gizi di setiap Kabupaten/Kota dan variabel prediktornya adalah persalinan pertama dengan dokter (X1), penduduk miskin (X2), balita yang mendapat vitamin A (X3), asupan ASI (X4), bayi dengan berat lahir rendah (X5), imunisasi lengkap (X6), dan konsumsi makanan (X7). Hasil yang diperoleh dari penelitian ini adalah model GWLR pada data yang mengandung outlier lebih baik dalam menjelaskan prevalensi balita kurang gizi di Jawa Timur tahun 2013 daripada model GWLR. ENGLISH: Geographically Weighted Regression Model Logistic (GWLR) is a development of the logistic regression or local forms of logistic regression that in which to the location of the observation is considered that produces a locally model parameter estimator for each point or location where the data is collected, assuming the data is Bernoulli distributed.In the data analyzing process using GWLR model, sometimes any outliers are found. These outliers can be clearly identified as different from the majority of other sample points. The existence of outliers can affect the result of parameter estimation model that causes parameter estimates to be biased. One of outlier solution method is a Bianco-Yohai method. This study aims to obtain a parameter estimation of GWLR model containing outlier. The research result was applied to the prevalence of malnourished children in East Java province, Thus, it will be obtained the model of malnutrition children in East Java is obtained. The respond variable that used in this research is prevalence of malnourished children in each regency/town, and the predictor variable were the first childbirth which under the care of doctor (X1), the poor (X2), toddlers who received Vitamin A (X3), intake of breastmilk (X4), low weighed newborn baby (X5), full immunization (X6), and food consumption (X7). The result of this research showed that GWLR model in data that contains outlier could explain better the mapping of malnourished children in East Java in 2013 than GWLR model