Regresi Poisson Inverse Gausian untuk Pemodelan Data Cacah dengan Kasus Overdispersi (Studi Kasus: Jumlah Kasus Baru Penyakit Kusta di Provinsi Jawa Barat Tahun 2017)
No Thumbnail Available
Date
2020-01-14
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Penyakit kusta di Indonesia merupakan masalah kesehatan yang perlu mendapatkan
perhatian karena jumlahnya masih cukup tinggi. Pada tahun 2017 jumlah kasus baru
penyakit kusta di Indonesia menduduki peringkat ketiga di dunia, dimana Provinsi
Jawa Barat tercatat sebagai provinsi dengan jumlah kasus baru penyakit kusta
terbanyak kedua. Dalam upaya menurunkan jumlah kejadian kasus baru penyakit
kusta, maka perlu dilakukan pemodelan antara jumlah kasus baru penyakit kusta
dengan faktor-faktor yang diduga mempengaruhinya. Model regresi yang paling
sederhana untuk data cacah adalah regresi poisson. Namun pada regresi poisson
terdapat salah satu asumsi dasar yang harus terpenuhi yaitu asumsi equidispersi
(nilai mean dan varians variabel respon harus sama). Sementara itu, jumlah kasus
baru penyakit kusta di Provinsi Jawa Barat tahun 2017 merupakan data cacah yang
highly skewed dan mengalami overdispersi yang sangat tinggi (nilai varians jauh
lebih besar dari nilai mean). Oleh karena itu, dalam memodelkan data cacah
tersebut tidak cukup dengan regresi poisson sederhana, sehingga digunakan regresi
Poisson Inverse Gaussian (PIG). Menurut Hilbe (2014), regresi PIG lebih baik
dalam menangani overdispersi yang sangat tinggi dibanding regresi binomial
negatif. Penaksiran parameter regresi PIG dilakukan dengan metode Maximum
Likelihood Estimation (MLE) dan pengujian parameter dilakukan dengan metode
Maximum Likelihood Ratio Test (MLRT). Dari hasil pemodelan diperoleh
kesimpulan bahwa variabel prediktor yang siginifikan mempengaruhi jumlah kasus
baru penyakit kusta di Provinsi Jawa Barat tahun 2017 adalah persentase penduduk
miskin (X2) dan persentase rumah sehat (X5).
Description
Keywords
Data Cacah, Overdispersi, Regresi Poisson Inverse Gaussian