Upload
hoangtuyen
View
246
Download
1
Embed Size (px)
Citation preview
Pemodelan Kejadian Luar Biasa Difteri di Jawa Timur dengan Menggunakan Geographically Weighted
Negative Binomial Regression (GWNBR)
Oleh :
Bunga Nevrieda Nandasari (1310 100 011)
Dosen Pembimbing :
Ir. Sri Pingit Wulandari, M.Si
Selasa, 24 Juni 2014 Seminar Hasil Tugas Akhir
6/24/2014 Seminar Hasil Tugas Akhir 2
PENDAHULUAN
TINJAUAN PUSTAKA
METODOLOGI PENELITIAN
ANALISIS & PEMBAHASAN
KESIMPULAN
••••••••••••••••••••••••••••••••••
PENDAHULUAN
6/24/2014 Seminar Hasil Tugas Akhir 3
KEBIJAKAN PEMBANGUNAN KESEHATANKESEHATAN
PENDAHULUAN
6/24/2014 Seminar Hasil Tugas Akhir 4
KEBIJAKAN PEMBANGUNAN KESEHATAN
PENDAHULUAN
(World Health Organization, 2013)
6/24/2014 Seminar Hasil Tugas Akhir 5
Difteri disebabkan oleh bakteri Coryne Bacterium Diphteriae
(CBD) yang merupakan penyakit menular yang menyerangsaluran pernafasan bagian atas
PENDAHULUAN
123 189
406
806
1192
0
200
400
600
800
1000
1200
1400
2008 2009 2010 2011 2012
Kasus KLB Difteri di Indonesia
Sumber : Kementerian Kesehatan
6/24/2014 Seminar Hasil Tugas Akhir 6
PENDAHULUAN
123 189
406
806
1192
0
200
400
600
800
1000
1200
1400
2008 2009 2010 2011 2012
Kasus KLB Difteri di Indonesia
Sumber : Kementerian Kesehatan
• Jawa Timur1
• Kalimantan Selatan
2
• Sulawesi Selatan
3
• Fourth statement
6/24/2014 Seminar Hasil Tugas Akhir 7
PENDAHULUAN
Jumlah
Kasus KLB
Difteri
Data Count
Regresi
Poisson
Equidispersi
Overdispersi
Regresi Binomial Negatif
GWNBR
Spasial
6/24/2014 Seminar Hasil Tugas Akhir 8
PENDAHULUAN
6/24/2014 Seminar Hasil Tugas Akhir 9
• Faktor-faktor yang mempengaruhi adanya kasus difteri di Jawa Timur dengan menggunakan regresi logistik multinomial
Alfa’ida (2013)
• Faktor-faktor yang berhubungan dengan kejadian difteri di Sidoarjo menggunakan metode Regresi Logistik Ganda
Lestari (2012)
• Pemodelan KLB Difteri di Jawa Timur dengan pendekatan Regresi Non Parametrik Spline Multivariabel
Nikmah (2009)
•Model Regresi Binomial Negatif Terboboti Geografisuntuk Data Kematian Bayi
Afri (2013)
•Estimasi dan Pengujian Hipotesis Model GeographicallyWeighted Negative Binomial Regression (GWNBR)
Lieztyanto (2014)
PENDAHULUAN
6/24/2014 Seminar Hasil Tugas Akhir 10
Permasalahan1Bagaimana karakteristik jumlah kasus luar biasa difteri di Jawa Timur pada tahun 2012?
Bagaimana pemodelan GWNBR untuk kasus Luar biasa difteri di Jawa Timur pada tahun 2012?
Faktor-faktor apa yang mempengaruhi kejadian luar biasa difteri di Jawa Timur pada tahun 2012?
Tujuan Penelitian2Mendeskripsikan karakteristikjumlah Kasus luar biasa difteri di Jawa Timur pada tahun 2012.
Memodelkan GWNBR untuk kasus luar biasa difteri di Jawa Timur pada tahun 2012
Mengetahui faktor-faktor yang mempengaruhi kejadian luar biasa difteri di Jawa Timur pada tahun 2012.
PENDAHULUAN
6/24/2014 Seminar Hasil Tugas Akhir 11
Manfaat Penelitian3Penelitian ini diharapkan dapatmeningkatkan wawasan keilmuanmengenai pemodelan GeographicallyWeighted Negative Binomial Regressionuntuk kasus overdispersi dengan faktorspasial
Penelitian ini dapat memberikan informasimengenai faktor-faktor yang berpengaruhterhadap kenaikan kejadian luar biasadifteri bagi Dinas Kesehatan yangdiharapkan dapat digunakan sebagai bahanpertimbangan dalam membantupenanganan KLB difteri yang mewabah ditiap kabupaten/kota Jawa Timur.
Batasan Masalah4
Penelitian ini menggunakandata jumlah KLB difteri di JawaTimur pada tahun 2012 danpembobot yang digunakandalam pemodelan GWBNR adalah pembobot fungsi kernel adaptive bisquare.
TINJAUAN PUSTAKA
6/24/2014 Seminar Hasil Tugas Akhir 12
Menurut Cameron & Trivedi (1998)
1. Kejadian yang terjadi pada populasi yang besar dengan probabilitas yang kecil.
2. Bergantung pada interval waktu tertentu.
3. Kejadian yang termasuk ke dalam counting process atau termasuk ke dalam lingkupan proses stokastik.
4. Perulangan dari kejadian yang mengikuti sebaran distribusi binomial.
Regresi Poisson adalah salah satu regresi yang digunakan untuk memodelkan antara variabel respon danvariabel prediktor dengan mengasumsikan variabel Y berdistribusi poisson.
TINJAUAN PUSTAKA
6/24/2014 Seminar Hasil Tugas Akhir 13
FUNGSI PELUANG DISTRIBUSI POISSON
PERSAMAAN MODEL REGRESI POISSON
ESTIMASI PARAMETER MODEL REGRESI POISSON
𝑓 𝑦, 𝜇 =𝑒−𝜇𝜇𝑦
𝑦!; 𝑦 = 0,1,2, …
Maximum Likelihood Estimation (MLE)
𝐿 𝜷 =𝑒− 𝑖=1
𝑛 ex p(𝒙𝒊𝑇𝜷 𝑒𝑥𝑝 𝑖=1
𝑛 𝑦𝑖𝒙𝒊𝑇𝜷
𝑖=1𝑛 𝑦𝑖!
TINJAUAN PUSTAKA
6/24/2014 Seminar Hasil Tugas Akhir 14
H0 : 𝜷𝟏 = 𝜷𝟐 = ⋯ = 𝜷𝒑 = 𝟎
H1 : paling sedikit ada satu 𝜷𝒑 ≠ 0 ; p = 1,2,...,p
Statistik Uji : D( 𝜷) = −𝟐𝒍𝒏𝐋( 𝝎)
𝐋( 𝜴)
Tolak H0 jika D( 𝜷) > 𝝌𝟐(𝒑;𝜶)
H0 : 𝜷𝒑 = 𝟎
H1 : 𝜷𝒑 ≠ 0
Statistik Uji : 𝒛 = 𝜷𝒑
𝒔𝒆( 𝜷𝒑)
Tolak H0 jika 𝑧ℎ𝑖𝑡𝑢𝑛𝑔 > 𝑧( 𝛼2)
UJI SERENTAK UJI PARSIAL
TINJAUAN PUSTAKA
6/24/2014 Seminar Hasil Tugas Akhir 15
OVERDISPERSI
Var(Y)>E(Y)
Parameter model menjadi bias dan Tingkat kesalahan model semakin besar
Mendeteksi Overdispersi
Regresi Binomial
Negative
nilai deviance dan Pearson Chi-square dibagi dengan derajat bebasnya.
TINJAUAN PUSTAKA
6/24/2014 Seminar Hasil Tugas Akhir 16
Model binomial negatif merupakan salah satu solusi untuk mengatasi masalah overdispersi yang didasarkanpada model campuran Poisson-Gamma
FUNGSI PELUANG BINOMIAL NEGATIVE
ESTIMASI PARAMETER MODEL REGRESI BINOMIAL NEGATIF Maximum Likelihood Estimation (MLE)
𝑓 𝑦, 𝜇, 𝜃 = Γ(𝑦 + 1
𝜃
Γ 1𝜃 𝑦!
1
1 + 𝜃𝜇
1𝜃 𝜃𝜇
1 + 𝜃𝜇
𝑦
TINJAUAN PUSTAKA
6/24/2014 Seminar Hasil Tugas Akhir 17
H0 : 𝜷𝟏 = 𝜷𝟐 = ⋯ = 𝜷𝒑 = 𝟎
H1 : paling sedikit ada satu 𝜷𝒑 ≠ 0 ; p = 1,2,...,p
Statistik Uji : D( 𝜷) = −𝟐𝒍𝒏𝐋( 𝝎)
𝐋( 𝜴)
Tolak H0 jika D( 𝜷) > 𝝌𝟐(𝒑;𝜶)
H0 : 𝜷𝒑 = 𝟎
H1 : 𝜷𝒑 ≠ 0
Statistik Uji : 𝑍ℎ𝑖𝑡=𝛽𝑝
𝑠𝑒(𝛽𝑝)
2
Tolak H0 jika 𝑧ℎ𝑖𝑡𝑢𝑛𝑔 > 𝑧( 𝛼2)
UJI SERENTAK UJI PARSIAL
TINJAUAN PUSTAKA
6/24/2014 Seminar Hasil Tugas Akhir 18
H0 : I = 0 (tidak ada dependensi spasial)H1 : I ≠ 0 (terdapat dependensi spasial)
Statistik Uji : 𝒁𝒉𝒊𝒕 =𝑰−𝑬(𝑰)
𝑽𝒂𝒓(𝑰)
Tolak H0 jika 𝒁𝒉𝒊𝒕 > 𝒁 𝜶𝟐
H0 : 𝜎21 = 𝜎2
2 = ⋯ = 𝜎2𝑛 = 𝜎2
H1 : Minimal ada satu 𝜎2𝑖 ≠ 𝜎2
Statistik Uji :
𝐵𝑃 =1
2𝒇𝑻𝒁(𝒁𝑻𝒁)−𝟏𝒁𝑻𝒇~𝜒2
(𝑝)
Tolak H0 jika BP>𝜒2(𝑝)
Uji Dependensi Spasial Uji Heterogenitas Spasial
TINJAUAN PUSTAKA
6/24/2014 Seminar Hasil Tugas Akhir 19
Geographically Weighted Negative Binomial Regression (GWNBR) merupakan salah satu metode yang cukupefektif menduga data yang memiliki heterogenitas spasial untuk data count yang memiliki overdispersi.
MODEL GWNBR
ESTIMASI PARAMETER MODEL REGRESI BINOMIAL REGRESI Maximum Likelihood Estimation (MLE)
𝑦𝑖~𝑁𝐵 𝑡𝑗𝑒𝑥𝑝
𝑝
𝛽𝑝 𝑢𝑖 , 𝑣𝑖 𝑥𝑖𝑘 , 𝜃(𝑢𝑖 , 𝑣𝑖) , 𝑖 = 1,2,3, … , 𝑛
𝐿 𝜷(𝑢𝑖 , 𝑣𝑖), 𝜃𝑖|𝑦𝑖 , 𝑥𝑖 =
𝑖=1
𝑛 Γ(𝑦𝑖 + 1𝜃𝑖
)
Γ 1𝜃𝑖
Γ(𝑦𝑖+1)
𝑖=1
𝑛1
1 + 𝜃𝑖𝜇𝑖
1𝜃𝑖
𝑖=1
𝑛𝜃𝑖𝜇𝑖
1 + 𝜃𝑖𝜇𝑖
𝑦𝑖
TINJAUAN PUSTAKA
6/24/2014 Seminar Hasil Tugas Akhir 20
𝑯𝟎 ∶ 𝜷𝒑 𝒖𝒊, 𝒗𝒊 = 𝜷𝒑
𝑯𝟎 ∶ 𝜷𝒑 𝒖𝒊, 𝒗𝒊 ≠ 𝜷𝒑
Statistik Uji : 𝑭𝒉𝒊𝒕 = 𝑫𝒆𝒗𝒊𝒂𝒏𝒔 𝑴𝒐𝒅𝒆𝒍 𝑨𝒅𝒇𝑨
𝑫𝒆𝒗𝒊𝒂𝒏𝒔 𝑴𝒐𝒅𝒆𝒍 𝑩𝒅𝒇𝑩
Tolak H0 jika 𝑭𝒉𝒊𝒕 > 𝑭(𝜶,𝒅𝒇𝑨,𝒅𝒇𝑩)
Uji Kesamaan Model GWNBR dengan Reg. Binom Negatif
TINJAUAN PUSTAKA
6/24/2014 Seminar Hasil Tugas Akhir 21
H0 : 𝜷𝟏 𝒖𝒊, 𝒗𝒊 = 𝜷𝟐 𝒖𝒊, 𝒗𝒊 = ⋯ = 𝜷𝒑 𝒖𝒊, 𝒗𝒊 = 𝟎
H1 : paling sedikit ada satu 𝜷𝒋 𝒖𝒊, 𝒗𝒊 ≠ 0 ; j = 1,2,...,p
Statistik Uji : D( 𝜷) = −𝟐𝒍𝒏𝐋( 𝝎)
𝐋( 𝜴)
Tolak H0 jika D( 𝜷) > 𝝌𝟐(𝒑;𝜶)
H0 : 𝜷𝒋 𝒖𝒊, 𝒗𝒊 = 𝟎
H1 : 𝜷𝒋 𝒖𝒊, 𝒗𝒊 ≠ 0 ; j=1.2,...,p
Statistik Uji :𝑧ℎ𝑖𝑡 =𝜷𝒋 𝒖𝒊,𝒗𝒊
𝒔𝒆(𝜷𝒋 𝒖𝒊,𝒗𝒊 )
𝟐
Tolak H0 jika 𝑧ℎ𝑖𝑡 > 𝑧(𝛼/2)
UJI SERENTAK UJI PARSIAL
METODOLOGI PENELITIAN
6/24/2014 Seminar Hasil Tugas Akhir 22
SUMBER DATAData profil kesehatan di Dinas Kesehatan Provinsi Jawa timur
38 Kab/Kota di Jawa Timur
METODOLOGI PENELITIAN
6/24/2014 Seminar Hasil Tugas Akhir 23
Variabel Keterangan
Y Jumlah kasus KLB Difteri di tiap kabupaten/kota di Jawa Timur tahun 2012
X1 Persentase penderita difteri yang mendapatkan imunisasi DPT3 di wilayah KLB
X2 Persentase rumah tangga yang berperilaku hidup bersih dan sehat (PHBS)
X3 Presentase rumah tangga yang memiliki sumber air minum terlindung
X4 Persentase rumah sehat menurut kabupaten/kota
X5 Jumlah Sarana Kesehatan (Rumah Sakit)
X6 Jumlah Sarana Kesehatan (Puskesmas)
VARIABEL PENELITIAN
X7 Kepadatan Penduduk
METODOLOGI PENELITIAN
6/24/2014 Seminar Hasil Tugas Akhir 24
LANGKAH ANALISIS
Mendeskripsikan karakteristik jumlah Kejadian Luar biasa difteri di Jawa Timur pada tahun 2012menggunakan analisis statistika deskriptif.
Mengidentifikasi dan menyelesaikan adanya kasus multikolinieritas.
Pengujian Over/under dispersi.
Pemodelan dengan menggunakan Regresi Binomial Negatif.
Pemodelan dengan menggunakan regresi poisson
Memodelkan GWNBR untuk Kejadian Luar biasa difteri di Jawa Timur pada tahun 2012
METODOLOGI PENELITIAN
6/24/2014 Seminar Hasil Tugas Akhir 25
LANGKAH ANALISIS
Memodelkan GWNBR untuk Kejadian Luar biasa difteri di Jawa Timur pada tahun 2012
Uji Breusch-Pagan untuk melihat heterogenitas spasial data dan uji Moran I untuk menguji dependensi spasial data.
Menghitung jarak Euclidean antar lokasi pengamatan berdasarkan posisi geografis.
Mendapatkan bandwidth optimal untuk setiap lokasi pengamatan dengan menggunakan Cross Validation (CV).
Menghitung matrik pembobot dengan menggunakan fungsi Adaptive Bisquare Kernel.
Melakukan pengujian kesamaan model GWNBR dengan regresi binomial negatif, pengujian signifikansi parameter model secara serentak maupun parsial.
Melakukan intepretasi model GWNBR yang didapatkan dan membentuk peta pengelompokkan.
6/24/2014 Seminar Hasil Tugas Akhir 26
ANALISIS DAN PEMBAHASAN
Karakteristik Kejadian Luar Biasa Difteri tahun 2012 di Jawa Timur
52 44 86 76148
300
660
955
15 17 20 21 24 31 38 380
200
400
600
800
1000
1200
2005 2006 2007 2008 2009 2010 2011 2012
Jumlah kasus kab
6/24/2014 Seminar Hasil Tugas Akhir 27
ANALISIS DAN PEMBAHASAN
Karakteristik Kejadian Luar Biasa Difteri tahun 2012 di Jawa Timur
M ALA N G
JE M BE R
TU B AN
BAN YU W AN G I
BLITA R
KED IR I
N GA W I
LU M AJA N GPAC ITA N
BO JON E GO R O
LAM O N G AN
M AD IU N
SITU BO N D O
GR E SIK
N GA N JU K
PAS U R U A N
SAM PAN G
PO N OR O GO
SU M E N EP
PR O BO LIN GG O
JO M B AN G
BO N D OW O SO
BAN GK ALA N
TR E N G GA LE K
M OJO KE R TO
TU L U N G AG U N G
M AG ETA N
SID OA R JO
PAM EKA SA N
BATU
SU R A BA YA
100 0 100 200 Miles
N
EW
S
Y
kategori
2 - 13
14 - 25
26 - 42
43 - 95
96 - 129
6/24/2014 Seminar Hasil Tugas Akhir 28
ANALISIS DAN PEMBAHASAN
Pemeriksaan Multikolinieritas
X1 X2 X3 X4 X5 X6
X2 0,372
X3 0,045 -0,016
X4 0,367 0,484 0,163
X5 0,347 0,321 -0,041 0,333
X6 0,071 0,268 -0,110 -0,025 0,581
X7 0,164 0,151 0,005 0,470 0,499 -0,225
KOEFISIEN KORELASI
6/24/2014 Seminar Hasil Tugas Akhir 29
ANALISIS DAN PEMBAHASAN
Pemeriksaan Multikolinieritas
NILAI VIF Variabel VIFX1 1,437X2 1,553X3 1,063X4 1,808
X5 4,831X6 3,717X7 3,356
TIDAK TERDAPAT KASUS MULTIKOLINIERITAS
6/24/2014 Seminar Hasil Tugas Akhir 30
ANALISIS DAN PEMBAHASAN
REGRESI POISSONEstimate Std. Error z-hit
(Intercept) 2.98175 0.04003 74.489
X1 -0.59368 0.04361 -13.614
X2 -0.31514 0.04805 -6.559
X3 -0.20026 0.03224 -6.211X4 0.40192 0.0455 8.833X5 0.77643 0.07073 10.977
X6 -0.1847 0.06692 -2.76
X7 -0.43866 0.05818 -7.54AIC = 578,88
Devians = 387,11 Df = 30
H0 : 𝛽1 = 𝛽2 = ⋯ = 𝛽7 = 0H1 : paling sedikit ada satu 𝛽𝑗 ≠ 0 ; j = 1,2,...,7
𝜒2(7;0.10) = 12,071
Tolak H0 jika D( 𝛽) > 𝜒2(𝑝;𝛼)
UJI SERENTAK
6/24/2014 Seminar Hasil Tugas Akhir 31
ANALISIS DAN PEMBAHASAN
REGRESI POISSONEstimate Std. Error z-hit
(Intercept) 2.98175 0.04003 74.489
X1 -0.59368 0.04361 -13.614
X2 -0.31514 0.04805 -6.559
X3 -0.20026 0.03224 -6.211X4 0.40192 0.0455 8.833X5 0.77643 0.07073 10.977
X6 -0.1847 0.06692 -2.76
X7 -0.43866 0.05818 -7.54AIC = 578,88
Devians = 387,11 Df = 30
H0 : 𝛽𝑗 = 0
H1 : 𝛽𝑗 ≠ 0
𝑧( 0.102) = 1,64
𝑧ℎ𝑖𝑡𝑢𝑛𝑔 > 𝑧( 𝛼2)
UJI PARSIAL
12.90367 > 1 Overdispersi
6/24/2014 Seminar Hasil Tugas Akhir 32
ANALISIS DAN PEMBAHASAN
Int. Theta Devians Df Devians/Df1.85 29.408 30 0.98031.9 30.113 30 1.0038
1.89 29.973 30 0.99911.89192 30 30 1.0000
PEMILIHIAN INITIAL THETA
Initial theta 1,89192 menghasilkan rasio nilai devians dengan derajat bebasnya bernilai 1 yang artinya tidak terdapat kasus overdispersi.
6/24/2014 Seminar Hasil Tugas Akhir 33
ANALISIS DAN PEMBAHASAN
REGRESI BINOMIAL NEGATIFH0 : 𝛽1 = 𝛽2 = ⋯ = 𝛽7 = 0H1 : paling sedikit ada satu 𝛽𝑗 ≠ 0 ; j = 1,2,...,7
𝜒2(7;0.05) = 14,0671
Tolak H0 jika D( 𝜷) > 𝝌𝟐(𝒑;𝜶)
UJI SERENTAK
Estimate Std. Error z-hit(Intercept) 3.00705 0.11513 26.119X1 -0.52669 0.14 -3.762X2 -0.28732 0.14629 -1.964X3 -0.1266 0.11861 -1.067X4 0.30572 0.1562 1.957X5 0.59707 0.25359 2.355X6 -0.02194 0.22346 -0.098X7 -0.21171 0.211 -1.003Devians 30
6/24/2014 Seminar Hasil Tugas Akhir 34
ANALISIS DAN PEMBAHASAN
REGRESI BINOMIAL NEGATIFH0 : 𝛽𝑗 = 0
H1 : 𝛽𝑗 ≠ 0
𝑧( 0.102) = 1,64
𝑧ℎ𝑖𝑡𝑢𝑛𝑔 > 𝑧( 𝛼2)
UJI PARSIAL
Estimate Std. Error z-hit(Intercept) 3.00705 0.11513 26.119X1 -0.52669 0.14 -3.762X2 -0.28732 0.14629 -1.964X3 -0.1266 0.11861 -1.067X4 0.30572 0.1562 1.957X5 0.59707 0.25359 2.355X6 -0.02194 0.22346 -0.098X7 -0.21171 0.211 -1.003Devians 30
6/24/2014 Seminar Hasil Tugas Akhir 35
H0 : I = 0 (tidak ada dependensi spasial)H1 : I ≠ 0 (terdapat dependensi spasial)
P-value = 0,8868
H0 : 𝝈𝟐𝟏 = 𝝈𝟐
𝟐 = ⋯ = 𝝈𝟐𝟑𝟖 = 𝝈𝟐
H1 : Minimal ada satu 𝝈𝟐𝒊 ≠ 𝝈𝟐
Uji Dependensi Spasial Uji Heterogenitas Spasial
Pemodelan Jumlah Kejadian Luar Biasa Difteri di Jawa Timur menggunakan Metode GWNBR
P-value = 0,08163
6/24/2014 Seminar Hasil Tugas Akhir 36
𝑯𝟎 ∶ 𝜷𝒑 𝒖𝒊, 𝒗𝒊 = 𝜷𝒑
𝑯𝟎 ∶ 𝜷𝒑 𝒖𝒊, 𝒗𝒊 ≠ 𝜷𝒑
Statistik Uji : 𝑭𝒉𝒊𝒕 = 𝟑, 𝟓𝟎𝟑
Tolak H0 jika 𝑭𝒉𝒊𝒕 > 1,60648
Uji Kesamaan Model GWNBR dengan Reg. Binom Negatif
Pemodelan Jumlah Kejadian Luar Biasa Difteri di Jawa Timur menggunakan Metode GWNBR
6/24/2014 Seminar Hasil Tugas Akhir 37
H0 : 𝜷𝟏 𝒖𝒊, 𝒗𝒊 = 𝜷𝟐 𝒖𝒊, 𝒗𝒊 = ⋯ = 𝜷𝟕 𝒖𝒊, 𝒗𝒊 = 𝟎H1 : paling sedikit ada satu 𝜷𝒋 𝒖𝒊, 𝒗𝒊 ≠ 0 ; j = 1,2,...,7
Statistik Uji : D( 𝜷) = 10,10197
Tolak H0 jika D( 𝜷) > 9,80235
UJI SERENTAK
Pemodelan Jumlah Kejadian Luar Biasa Difteri di Jawa Timur menggunakan Metode GWNBR
6/24/2014 Seminar Hasil Tugas Akhir 38
Pemodelan Jumlah Kejadian Luar Biasa Difteri di Jawa Timur menggunakan Metode GWNBR
6/24/2014 Seminar Hasil Tugas Akhir 39
Pemodelan Jumlah Kejadian Luar Biasa Difteri di Jawa Timur menggunakan Metode GWNBR
PEMODELAN JUMLAH KLB DIFTERI DI KABUPATEN TULUNGAGUNG
Estimate Z-VALUE(Intercept) 1,621 75,520
Z.X1 -0,074 79,165Z.X2 -0,044 -3,218Z.X3 -0,011 -4,045Z.X4 0,043 -0,493
Z.X5 0.053 1.211Z.X6 0.002 1.499Z.X7 -0.014 0.077
θ 1.436 -
H0 : 𝛽𝑗 = 0
H1 : 𝛽𝑗 ≠ 0
𝑧( 0.102) = 1,64
𝑧ℎ𝑖𝑡𝑢𝑛𝑔 > 𝑧( 𝛼2)
UJI PARSIAL
TOLAK H0
6/24/2014 Seminar Hasil Tugas Akhir 40
Pemodelan Jumlah Kejadian Luar Biasa Difteri di Jawa Timur menggunakan Metode GWNBR
PEMODELAN JUMLAH KLB DIFTERI DI KABUPATEN TULUNGAGUNG
Berdasarkan dari variabel yang signifikan dari model yang terbentuk di kabupaten tulungagung dapatdisimpulkan bahwa setiap pertambahan 1 persen penderita difteri yang mendapatkan DPT3 maka akanmengurangi rata-rata jumlah KLB difteri sebesar exp(0,002582) = 1,0025 ≈ 1 kasus dengan asumsi variabel lainkonstan.
6/24/2014 Seminar Hasil Tugas Akhir 41
KESIMPULAN
Pada tahun 2012 kabupaten Situbondo memiliki jumlahpaling banyak KLB difteri dan kota Kediri memiliki jumlahpaling sedikit KLB difteri di Jawa Timur. Hal ini salahsatunya disebabkan oleh kabupaten Situbondo yangmemiliki persentase penderita difteri yang sudahmendapatkan DPT3 yang tergolong sedikit sedangkan kotaKediri memiliki persentase yang tergolong tinggi.
Berdasarkan hasil pemodelan GWNBR dengan fungsi pembobot kernel adaptive bisquare didapatkan pengelompokan sebanyak 4 kelompok berdasarkan variabel-variabel yang signifikan.
Faktor-faktor yang mempengaruhi KLB difteri disemua kabupaten/kota di jawa timur adalah persentasependerita difteri yang mendapatkan DPT3, persentaserumah tangga yang berperilaku hidup bersih dan sehat(PHBS), dan persentase rumah tangga yang memilikisumber air minum terlindung.
DAFTAR PUSTAKA
6/24/2014 Seminar Hasil Tugas Akhir 42
Afri, L. E. (2013). Model Regresi Binomial Negatif Terboboti Geografis untuk Data Kematian Bayi. Jurnal
Ilmiah Edu Research Vol.2 No.1.Alfa'ida, S. (2013). Pengelompokan Kabupaten/Kota di Jawa Timur berdasarkan Jumlah Kasus Difteri dan
Faktor-Faktor Penyebabnya pada KLB Difteri. Surabaya: Institut Teknologi Sepuluh Nopember.Anselin, L. (1988). Spatial Econometris: Methods and Models. Dordrecht: Kluwer Academic Publishers.Cameron, A. C., & Trivedi, P. K. (1998). Regression Analysis of Count Data. Cambridge: Camb Cambridge
University.Dinas Kesehatan Provinsi Jawa Timur. (2011). Pedoman Penanggulangan KLB Diphteri Di Jawa Timur.
Surabaya: Dinas Kesehatan Provinsi Jawa Timur.Dinas Kesehatan Provinsi Jawa Timur. (2013). Profil Kesehatan Provinsi Jawa Timur Tahun 2012.
Surabaya: Dinas Kesehatan Provinsi Jawa Timur.Hardin, J., & Hilbe, J. (2007). Generalized Linier Models and Extensions. Texas: Stata Press.Hocking, R. (1996). Method and Applications of Linier Models. New York: John Wiley and Sons,Inc.
DAFTAR PUSTAKA
6/24/2014 Seminar Hasil Tugas Akhir 43
Irawati, B. (2013). Pemodelan Generalized Poisson Regression (GPR) dan Regresi Binomial Negatif untuk
Mengatasi Overdispersi pada Jumlah Kasus Kanker Serviks di Jawa Timur. Surabaya: InstitutTeknologi Sepuluh Nopember.
Kartono, B., Purwana, R., & Djaja, I. M. (2008). Hubungan Lingkungan Rumah dengan KLB Difteri diKabupaten Tasikmalaya (2005-2006) dan Garut Januari 2007, Jawa Barat. Makara, Kesehatan, Vol.
12, No. 1, 8-12.Kunoli, F. J. (2013). Pengantar Epidemiologi Penyakit Menular. Jakarta: Trans Info Media.Lestari, K. S. (2012). Faktor-Faktor yang Berhubungan dengan Kejadian Difteri di Kabupaten Sidoarjo.
Depok: Universitas Indonesia.Lieztyanto, Y. G. (2014). Estimasi Model Geographically Weighted Negative Binomial Regression
(GWNBR) pada Data Kasus Kanker Serviks di Jawa Timur. Surabaya: Institut Teknologi SepuluhNopember.
Mertha, W. P. (2008). Analisa Hubungan Kondisi Sektor Ekonomi dan Penelitian terhadap Angka
Kemiskinan di Jawa Timur menggunakan Metode GWR. Surabaya: Institut Teknologi SepuluhNopember.
DAFTAR PUSTAKA
6/24/2014 Seminar Hasil Tugas Akhir 44
Nikmah, I. (2009). Pemodelan Kejadian Luar Biasa (KLB) Penyakit Difteri di Jawa Timur
dengan Pendekatan Regresi Nonparametrik Spline Multivariabel. Surabaya: InstitutTeknologi Sepuluh Nopember.
Public Health. (2014, Februari 24). The Indonesian Public Healt Portal. Diambil kembalidari Indonesian Public Healt: http://www.indonesian-publichealth.com/2012/11/faktor-risiko-difteri.html
Ricardo, A., & Carvalho, T. (2013). Geographically Weighted Negative Binomial Regression-
Incorporating Overdispersion. Business Media New York: Springer Science.Walpole, E. R. (1995). Pengantar Statistik Edisi Ketiga. Jakarta: Pustaka Utama.Widoyono. (2011). Epidemiologi, Penularan, Pencegahan, dan Pemberantasan Penyakit
Tropis, Edisi Kedua. Jakarta: Erlangga.World Health Organization. (2013). Pocket Book of Hospital Care for Children, 2nd edition.
World Health Organization.
Pemodelan Kejadian Luar Biasa Difteri di Jawa Timur Tahun 2012 dengan Menggunakan Geographically Weighted Negative Binomial Regression (GWNBR)
Oleh :
Bunga Nevrieda Nandasari (1310 100 011)
Dosen Pembimbing :
Ir. Sri Pingit Wulandari, M.Si
Minggu, 24 Juni 2014 Seminar Hasil Tugas Akhir