Regresi Poisson Inverse Gausian untuk Pemodelan Data Cacah dengan Kasus Overdispersi (Studi Kasus: Jumlah Kasus Baru Penyakit Kusta di Provinsi Jawa Barat Tahun 2017)

AHID NUR ISTINAH

Regresi Poisson Inverse Gausian untuk Pemodelan Data Cacah dengan Kasus Overdispersi (Studi Kasus: Jumlah Kasus Baru Penyakit Kusta di Provinsi Jawa Barat Tahun 2017)

dc.contributor.advisor	Septiadi Padmadisastra
dc.contributor.advisor	Neneng Sunengsih
dc.contributor.author	AHID NUR ISTINAH
dc.date.accessioned	2024-05-30T06:07:47Z
dc.date.available	2024-05-30T06:07:47Z
dc.date.issued	2020-01-14
dc.description.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).
dc.identifier.uri	https://repository.unpad.ac.id/handle/kandaga/140720187004
dc.subject	Data Cacah
dc.subject	Overdispersi
dc.subject	Regresi Poisson Inverse Gaussian
dc.title	Regresi Poisson Inverse Gausian untuk Pemodelan Data Cacah dengan Kasus Overdispersi (Studi Kasus: Jumlah Kasus Baru Penyakit Kusta di Provinsi Jawa Barat Tahun 2017)