Model Geographically Weighted Poisson Regression Pada Jumlah Kasus Penderita Tuberculosis di Surabaya

Article Sidebar

pdf
Published Feb 13, 2020

Main Article Content

Hani Khaulasari
Jurusan Pendidikan Matematika, IKIP Widya Darma Surabaya

Abstract

Tuberculosis adalah suatu penyakit menular yang mematikan yang disebabkan oleh bakteri mycobacterium Tuberculosis. Kota Surabaya merupakan kota dengan jumlah penyebaran penderita Tuberculosis tertinggi di Jawa Timur. Penyebaran penyakit Tuberculosis melibatkan efek spasial. Salah satu metode spasial yang dapat digunakan adalah Geographically Weighted Poisson Regresssion (GWPR). Tujuan penelitian ini adalah mendapatkan faktor-faktor yang berpengaruh secara lokal. Data penelitian diperoleh dari Dinas Kesehatan Kota Surabaya dan BPS Kota Surabaya, yang terdiri dari variabel respon jumlah penderita Tuberculosis di 31 Kecamatan Surabaya Tahun 2018 dan sebelas faktor yang diduga mempengaruhi penyebaran Tuberculosis. Model GWPR dengan fungsi kernel fixed Gaussian menghasilkan faktor yang berpengaruh terhadap jumlah penyebaran penderita Tuberculosis di Surabaya Tahun 2018 yaitu jumlah penderita HIV/AIDS (X1), jumlah kepadatan penduduk (X2), persentase rumah sehat (X4), persentase rumah tangga yang berPHBS (X5), Rasio penyuluhan kesehatan (X6), Persentase Penduduk yang mendapatkan keterbukaan informasi TB (X7), jumlah tenaga medis (X8), jumlah sarana kesehatan (X9). persentase penduduk yang tidak tamat SD (X10) dan persentase penduduk yang tamat SMA (X11). Model GWPR membentuk lima kelompok dengan faktor yang mempengaruhi berbeda-beda. Model GWPR adalah model terbaik untuk memodelkan faktor-faktor Tuberculosis di Surabaya Tahun 2018.

Article Details

How to Cite
KHAULASARI, Hani. Model Geographically Weighted Poisson Regression Pada Jumlah Kasus Penderita Tuberculosis di Surabaya. Prosiding SI MaNIs (Seminar Nasional Integrasi Matematika dan Nilai-Nilai Islami), [S.l.], v. 3, n. 1, p. [001-010], feb. 2020. Available at: <http://conferences.uin-malang.ac.id/index.php/SIMANIS/article/view/889>. Date accessed: 19 apr. 2024.
ABNT APA BibTeX CBE EndNote - EndNote format (Macintosh & Windows) MLA ProCite - RIS format (Macintosh & Windows) RefWorks Reference Manager - RIS format (Windows only) Turabian
Issue
Vol 3 No 1 (2019): Prosiding SI MaNIs (Seminar Nasional Integrasi Matematika dan Nilai Islami)
Section
Mathematics
Creative Commons License

This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

Copyright Notice

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

References

[1] E. U. L. Fitri, “Pemodelan Faktor-Faktor yang Mempengaruhi Jumlah Kasus Tuberkulosis di Jawa Timur Menggunakan Metode Geographically Weighted Generalized Poisson Regression dan Geographically Weighted Negative Binomial Regression,” PhD Thesis, Institut Teknologi Sepuluh Nopember, 2017.
[2] A. E. Noveyani dan S. Martini, “Evaluasi Program Pengendalian Tuberkulosis Paru dengan Strategi DOTS di Puskesmas Tanah Kalikedinding Surabaya,” J. Berk. Epidemiol., vol. 2, no. 2, hlm. 251–262, 2014.
[3] A. C. Cameron dan P. K. Trivedi, Regression analysis of count data, vol. 53. Cambridge university press, 2013.
[4] S. N. Aulele, “Pemodelan Jumlah Kematian Bayi di Provinsi Maluku Tahun 2010 dengan Menggunakan Regresi Poisson,” BAREKENG J. Ilmu Mat. Dan Terap., vol. 6, no. 2, hlm. 23–27, 2012.
[5] R. S. Pontoh, D. Y. Faidah, dan A. Citraningsih, “Count Data Regression pada Penyakit Tuberkulosis di Jawa Barat,” dalam Prosiding Seminar Nasional Statistika| Departemen Statistika FMIPA Universitas Padjadjaran, 2014, vol. 4, hlm. 370–375.
[6] D. Y. Faidah, “FAKTOR-FAKTOR YANG MEMPENGARUHI PENYAKIT TUBERCOLOSIS DENGAN PENDEKATAN REGRESI POISSON DAN GEOGRAPHICALLY WEIGHTED POISSON REGRESSION,” J. Biastatistics Dep. Stat. FMIPA Univ. Padjadjaran, vol. 9, no. 1, hlm. 8–14, 2015.
[7] T. Nakaya, A. S. Fotheringham, C. Brunsdon, dan M. Charlton, “Geographically weighted Poisson regression for disease association mapping,” Stat. Med., vol. 24, no. 17, hlm. 2695–2717, 2005.
[8] R. D. Lestari, S. P. Wulandari, dan P. Purhadi, “Pemodelan Faktor-Faktor yang Mempengaruhi Jumlah Kasus Penyakit Tuberkulosis di Jawa Timur dengan Pendekatan Generalized Poisson Regression dan Geographically Weighted Poisson Regression,” J. Sains Dan Seni ITS, vol. 3, no. 2, hlm. D188–D193, 2014.
[9] Octavianty, T. Toharudin, dan I. M. Jaya, “Geographically weighted poisson regression semiparametric on modeling of the number of tuberculosis cases (Case study: Bandung city),” dalam AIP Conference Proceedings, 2017, vol. 1827, hlm. 020022.
[10] L. A. Makalew, B. W. Otok, S. Layuk, dan others, “Modeling the Number of Cases of Tuberculosis Sensitive Drugs (Tbsd) in East Java using Geographically Weighted Poisson Regression (GWPR).,” Indian J. Public Health Res. Dev., vol. 10, no. 6, 2019.
[11] A. S. Fotheringham, C. Brunsdon, dan M. Charlton, “Geographically weighted regression,” Sage Handb. Spat. Anal., hlm. 243–254, 2009.
[12] L. Anselin, Spatial econometrics: methods and models, vol. 4. Springer Science & Business Media, 2013.
[13] L. Anselin dan R. Florax, New directions in spatial econometrics. Springer Science & Business Media, 2012.
[14] N. R. Draper dan H. Smith, Applied regression analysis, vol. 326. John Wiley & Sons, 1998.
[15] J. E. Cavanaugh dan A. A. Neath, “The Akaike information criterion: Background, derivation, properties, application, interpretation, and refinements,” Wiley Interdiscip. Rev. Comput. Stat., vol. 11, no. 3, hlm. e1460, 2019.