Penaksiran Parameter Dan Pengujian Hipotesis Model Geographically Weighted Bivariate Poisson Regression. Studi Kasus : Jumlah Penderita Penyakit Kusta PB dan Kusta MB di Provinsi Jawa Timur Tahun 2012 - ITS Repository
SEMINAR HASIL TESIS
Penaksiran Parameter dan Pengujian Hipotesis
Model Geographically Weighted
Bivariate Poisson Regression
(Studi Kasus : Jumlah Penderita Penyakit Kusta PB dan kusta MB di Provinsi Jawa Timur
Tahun 2012)
Oleh : Muhamad Ikbal Thola 13130201028 Dosen Pembimbing : Dr. Purhadi, M.Sc
Jung & Winkelman, 1973
- Pritasari. 2013
Regresi Bivariat Regresi Univariat
Regresi Poisson
Poisson Poisson Double Respon Single Respon Variabel Respon
Variable Variable Distribusi Poisson
Analisis Spasial
GWPR • Pengaruh Lokasi GWBPR
- Karakteristik Wilayah
Nakaya, 2005
Pausi
2012
Basiler
- Korelasi • Poisson
KUSTA GWBPR
- Spasial
Jawa Timur
Multi
4.842 Kasus
Basiler
(25,5% di Indonesia) Peringkat Pertama
- Penaksir paramater model GWBPR
Rumusan • Statistik uji pada model GWBPR.
- Aplikasi Metode ini pada penyakit kusta di
Masalah Jawa timur
Tujuan
- Pengembangan kelimuwan metode GWBPR
Manfaat faktor-faktor yang
- Mengetahui mempengaruhi penyakit kusta
- Data tahun 2012
Batasan
- Penaksiran Parameter (MLE)
- Staistik Uji Menggunakan (MLRT)
Masalah • Belum mengatasi over/under dispersi.
Distribusi Poisson
Distribusi Univariat Poisson
Distribusi Bivariat Poisson
1 −
=
−
! , = 0,1,2, … 0,
= =
(Cameron & Trivedi, 2013)
2 −
− +
2
1
- 2
1
1
1
,
(Kawamura, 1973)
2
,
1
2 s= min
,
= 0,1,2, … 0,
=
2
,
1
;
=0
− ! !
2
− !
1
1
Regresi Poisson Regresi Univariat Poisson
Tidak Close Form Newton Raphson Pengujian Hipotesis :
MLE Model regresi univariat poisson ditulis seperti persamaan berikut
~ =
(Cameron & Trivedi, 2013)
Serentak :
1
=
2
= ⋯ = = 0 ; l=1, 2, ...,k
1
: minimal ada satu ≠ 0; ; l=1, 2, ...,k
Parsial : = 0; l=1, 2, ...,k
1
: ≠ 0; l=1, 2, ...,k Estimasi Paramater
Regresi Bivariat Poisson
Model Regresi Bivariat Poison adalah sebagi berikut , ~ , ,
1
2
1
2
- , j= 1,2; i=1,2,...n
= (Karlis & Ntozoufras, 2005)
Estimasi Parameter MLE Tidak Close Form Newton Raphson
Pengujian Hipotesis : Parsial
Serentak : = = ⋯ = = 0; j=1, 2
1
2
: = 0; j=1, 2; l = 1, 2, ..., k : Minimal ada satu
≠ 0;
1
: ≠ 0, j = 1, 2 ; l = 1, 2, ..., k
1
j=1, 2; l=1, 2, ...,k
Geographically Weighted Poisson Regression (GWPR)
Tidak Close Form Newton Raphson
Pengujian Hipotesis : MLE
Model GWPR adalah sebagai berikut ~
= exp , + ,
=0
(Nakaya,2005) Serentak
Parsial : , = 0; = 1,2, … , ;
= 0, 1, 2, … ,
1
: Minimal ada satu , ≠ 0 : , = 0
1
: , ≠ 0; = 1,2, … Estimasi Parameter
: , = ; = 1,2, … , ; = 0, 1, 2, … ,
1
: , ≠ Kesamaan
Korelasi Multikolinieritas
H : Tidak ada hubungan antara Y dan Y Nilai VIF > 10 1 2 H : (ada hubungan antara Y dan Y Terjadi Multikolinearitas −2
1, 2
1
; Tolak H jika =
> ℎ ; −2
=
2
2 1 −
1− 1, 2
Statistik Spatial Dependence
Moran’s I
EFEK
Breusch Spatial Heterogenity
Pagan
SPASIAL
Adaptive Bisquare Pembobot Spasial
Kernel
Kerangka Konsep
Mencegah Mengobati PHBS
Objek Subjek
Lingkungan Sehat Sarana
Ekonomi Kesehatan
Pengetahuan
Sumber Data
X
Variabel
5 = Persentase Rumah Sehat
X
4 = Rasio Tenaga Medis
X
3 = Persentase kegiatan penyuluhan kesehatan
Profil Kesehatan Propinsi Jawa Timur
Tahun 2012
X
1 = Persentase penduduk miskin
X
2 = Jumlah kasus kusta MB
1 = Jumlah kasus kusta PB Y
Y
38 Kab/Kota Jawa Timur
2 = Persentase Rumah Tangga ber-PHBS
Struktur Data Kab/Kota Y
3.4 x 4 .
3.2 x 2 .
4 x 2 .
5 x 3 .
1 y 3 .
2 y 3 .
1 x 3 .
2 x
3.3 x 3 .
4 x 3 .
5 x 4 .
1 y 4 .
2 y 4 .
1 x 4 .
2 x
4 x 4 .
1 x 2 .
5 x 5 .
1 y 5 .
2 y 5 .
1 x 5 .
2 x
35 x 5 .
4 x 5 .
5 x 38 .
1 y 38 .
1 x 38 .
2 y 38 .
3 x 38 .
4 x 38 .
5 x
2 x
1 Y
2 X
4 u
1 X
2 X
3 X
4 X
5 u i v i
1 u
1 v
1
2 u
2 v
2
3 u
3 v
3
4 v
1 y 2 .
4
5 u
5 v
5 ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮
38 u
38 v
38 1 .
1 y 1 .
2 y 1 .
1 x 1 .
2 x 1 .
3 x 1 .
4 x 1 .
5 x 2 .
2 y 2 .
Metode Analisis
1. Penaksiran parameter Membentuk Fungsi Likelihood
Membuat fungsi ln Likelihood Mengalikan Pembobot dengan fungsi Likelihood
Menurunkan fungsi terhadap parameter Tidak Close Form
Newton-Raphson
2. Pengujian Hipotesis Serentak
:
1
, = ⋯ = , = 0
1
: M inimal ada satu , ≠ 0 Menentukan Statistik Uji
Maximum Likelihood Ratio Test daerah penolakan H Kesamaan
: , = ; j=1, 2; l=1, 2, ...,k
1
: M inimal ada satu , ≠ Menentukan Nilai Devians
Model GWBPR Membandingkan Nilai Devians
Model BPR dan GWBPR daerah penolakan H Parsial
: , = 0 : , ≠ 0
Menentukan statistik uji Menentukan daerah penolakan H
3 . faktor-faktor yang berpengaruh Analisis Deskriptif
Uji Korelasi Multikolinearitas Pemodelan dengan Regresi Bivariat Poisson Uji Dependensi dan Heterogenitas Spasial Penaksiran parameter menggunakan model GWBPR
Pengujian Kesamaan model GWBPR dan regresi bivariat poisson Pengujian hipotesis
Interpretasi model Kesimpulan
Penaksiran Parameter Model GWBPR
e e u v B k y k y k
x β x β
1 2 1 1 1 1 ln ... , exp , exp , ln n n n n T T i i i i i i i i i i i i i
Q L u v u v u v B
x β x β
1 2 1 2 1 2 ( ) ( ) , , min , 1 2
1
2
1
n T T
i i j i i j i i j ij
jQ u v u v u v B w
x β x β
, ! ( )!( )! T i i T i i i i i i i i y k y k u v u v k y y i i i k i i
β β
1 1 1 2 1 , , ,
2
min , 1 2 1 2 1 1, , , , , , , , ! ! ! i i i i i i i i i i y k y k k y y n u v u v u v i i i i i i i i i i i i k i u v u v u v L u v u v u v e y k y k k
,
, , ; 1, 2 T i j i i x u v j i i i i
u v u v e j β
1 2 , , 1
... exp , T T
i i i i
n u v u v i i i i L u v e e B
i i x β x β
- , exp , exp , ln
y k y k 1 j 2 j
Q k w w ij T T ij
- x u v , u v , j i i j i i
u v , u v , j 1 j 1 k
i i i i e u v , e u v ,
i i i i
x u v , T j β 1 i i min y , y 1 j 2 j n n y k e x 1 j j
x u v , Q T
x x
- β j i i 1
exp u v , w w T j j β 1 i i ij T ij
u v ,
β j 1 i i 1 j 1 k e u v ,
i i
x u v , T j β 2 i i min y , y 1 j 2 j n n y k e x 2 j j T
Q
x x
exp u v , w w T j j β 2 i i ij T ij
-
x u v ,
β j i i 2 u v ,
β j 2 i i 1 j 1 k e u v ,
i i
θ
- , , , , T i i i i i i i i
, i i u v
Q Q u v u v u v u v u v Q Q Q u v u v u v u v u v u v
, i i u v g
θ
, i i
H u v θ
( 1)
ˆ ˆ , , i i i i m m u v u v
θ θ
Stop
Q Simetris u v
1
1
1 ˆ ˆ ˆ ˆ , , , , i i i i i i i i m m m m u v u v u v u v
θ θ H θ g θ
Newton-Raphson
2 , , , , T T T i i i i i i i i u v u v u v u v
θ β β
1
2
Q Q Q u v u v u v u v
g θ β β
- ,
- , , , , ,
- , , , , , , i i i i T T i i i i i i i i T T T i i i i i i i i i i i i
2 2 2 2 1 1 1 2 2 2 2 1 2 2 2
H θ β β β β β β β β
Pengujian Parameter Model GWBPR
ˆ ( )
ˆ ˆ
ˆ , 2ln 2 ln ln
ˆ ( ) i i
L D u v L L L
1
θ
tolak H jika nilai , >
2
2
: paling sedikit ada satu , ≠ 0
Pengujian Kesamaan Model : , =
; dengan j = 1, 2; l = 1, 2, ..., k
1
: paling sedikit ada satu , ≠
1 2
ˆ / ˆ
, / hit i i
D df F D u v df
θ θ
1
tolak H jika nilai
ℎ
>
;
1 ,
2 .
Pengujian Serentak Model :
, = ⋯ = , = 0 ; j = 1,2; l =1,2, .. k Pengujian Parsial Model GWBPR : , = 0
1
/2
>
ℎ
Tolak H jika
1 ˆ ˆ , , i i i i u v u v
dimana
: , ≠ 0; j = 1,2; l =1,2, .. k ; i= 1,2, ...,n
se u v Var u v
ˆ ˆ , , jl i i jl i i
ˆ , ˆ , jl i i hit jl i i u v Z se u v
Cov θ H θ
Analisis Jumlah Kasus Kusta PB dan MB di Jawa Timur
Statistik Deskriptif Variabel
Variabel Total Sampel Mean Std. Dev Minimum Maksimum Y
1 38 8,97 14,29 0,00 71,00 Y 2 38 118,40 135,90 0,00 553,00
X 1 38 32,39 13,02 13,24 62,39
X 2 38 43,72 14,79 8,50 65,74
X 3 38 1,30 1,06 0,09 4,05
X 4
38 25.49 34,35 3,51 167,03
X 5 38 67,84 12,97 38,29 87,17
Sumenep Sampang
Jumlah Kasus Kusta PB = 341 Jumlah Kasus Kusta MB = 4501
Koefisien Korelasi Variabel Respon Nilai Koefisien Korelasi sebesar 0,83
ℎ
= 8,928
0,05;36
= 2,0438
ℎ
>
0,05;36
Tolak H karena Multikolinearitas Variabel Prediktor
Variabel
X5 VIF
1,590 1,393 1,451 1,726 1,666 Tidak terjadi multikolinearitas karena VIF < 10
Pemodelan Regresi Bivariat Poisson Parameter Kusta PB (Y
1 ) Kusta MB (Y
2 ) Taksiran Std
Error Z
hitung
Taksiran Std Error Z hitung- 1,6708 0,9286368 -1,799 2,6185 0,1223916 21,394* 0,1017 0,0146232 6,955* 0,0413 0,0016492 25,075* 0,0140 0,0063049 2,224* 0,0022 0,0012738 1,698
- 0,2770 0,1485888 -1,864 0,0467 0,0209011 2,235*
- 0,2385 0,0366798 -6,502* -0,0460 0,0025055 -18,355* 0,0189 0,0103764 1,817 0,0168 0,0013756 12,190*
.1 j
.2 j
.3 j
.4 j
.5 j
=3,33672 .0 j
=12986,778 Pengujian Serentak
0,05;10
2
= 18,307 Tolak H karena
>
0,05;10
2
ˆ
Pemodelan GWBPR
- 0.0304 -0.0752
2 Breuch-
Y
2
(0.05,5)
tolak H karena BP >
= 0,05
11.6935 16.1604 11,07 P-Value 0,03924 0,006401
2 (0.05,5)
Pengujian Dependensi Spasial
1 Y
= 0,05 Pengujian Heterogenitas Spasial
p-value >
Gagal tolak H karena
P-Value 0.9399 0.3327
2 Moran’s I.
1 Y
Y
Pagan
Pengujian Kesamaan Mode GWBPR
F F Model Devians Df Devians/df hitung tabel
12986,778 10 1298,6778
BPR
19,675 2,978 660,033 10 66,0033
GWBPR
tolak H karena nilai F > F
hitung tabel
Pengujian Serentak Model GWBPR
2
= 18,307
(0.05,10)
, = 660,033
2
tolak H karena nilai , >
(0.05,10) Pengujian Parsial Model Kusta PB
Kelompok Kabupaten/Kota Variabel yang Signifikan Kab. Pacitan, Ponorogo, Blitar, Kediri, Malang, Lumajang, Jember, Situbondo, Probolinggo, Sidoarjo, Mojokerto, Jombang, Ngawi, Madiun, Bojonegoro, Tuban, Lamongan, X , X , X , X dan X
1 1 2 3 4 5 Bangkalan, Sampang, Pamekasan, Kota. Probolinggo, Pasuruan, Surabaya, dan Kota Batu.
Kab. Trenggalek, Tulungagung, Bondowoso, Nganjuk, X , X , X , dan X
2 1 2 3 4 Sumenep, Kota Kediri, Mojokerto dan Malang Kab. Banyuwangi, Pasuruan, Magetan, Kota Blitar, dan X , X , X dan X
3 1 2 4 5 Madiun Kab. Gresik
X , X , X dan X
4 1 3 4 5 Kusta MB Kelompok Kabupaten/Kota Variabel yang Signifikan
Kab. Pacitan, Ponorogo, Trenggalek, Tulungangung, Kediri, Lumajang, Jember, Bondowoso, Situbondo, Probolinggo, Pasuruan, Sidoarjo, Mojokerto, Jombang, Nganjuk, Madiun, X , X , X , X dan X
1 1 2 3 4 5 Ngawi, Bojonegoro, Tuban, Lamongan, Bangkalan, Sampang, Sumenep, Kota Kediri, Blitar, Malang, Probolinggo, Madiun, Mojokerto, dan Kota Batu Kab. Malang, Magetan, dan Pamekasan.
X , X , X , dan X
2 1 2 3 4 Kab. Banyuwangi, Gresik, Kota Pasuruan, dan Kota X , X , X dan X
3 1 2 4 5 Surabaya.
Kab. Blitar X , X , X dan X
4 1 3 4 5 Kusta PB Kusta MB
7 9 8 10 5 6 1 2 3 22 4 23 24 13 12 11 14 21 26 18 27 29 17 19 25 16 28 15 20 37 38 32 33 34 36 31 35 Kelompok
1
2
3 7 9 8 10 5 6 1 2 3 22 4 23 24 13 12 11 14 21 26 18 27 29 17 19 25 16
28
15 20 37 38 32 33 34 36 31 35 100100 200 Miles Kelompok
1
2
3
4
Kusta MB
2.2
Kusta PB
Parameter Taksiran |Z
hitung
| Parameter Taksiran |Z
hitung
| 7,4900 25,76* 9,6185 92,62* 0,0415 4,40* 0,0034 2,27* 0,0338 5.16* 0,0070 10,68*
Contoh Pengujian Parsial Model GWBPR Kab. Pacitan
1.0
2.0
1.1
2.1
1.2
- 0,5757 4,53* -0,1818 9,36*
- 0,2047 11,11* -0,0603 36.69*
- 0,0564 14,43* -0,0256 30.35*
1.3
X X
X X X
X X
5 exp 9,6185 0,0034 0,007 0,1818 0,0603 0,0256
4
3
2
1
2.1
Model Kusta MB
X
X X
2.3
5 exp 74,9 0,0415 0,0338 0,5757 0, 2047 0,0564
4
3
2
1
1.1
= 24,88
Model Kusta PB
1.5 2.5
1.4 2.4
Kesimpulan
1. Model GWBPR adalah bentuk lokal dari model regresi bivariat poisson yang
telah mengakomodir adanya pengaruh karakteristik dari lokasi (faktor
spasial). Penaksiran parameter model GWBPR dilakukan dengan
menggunakan metode Maximum Likelihood Estimation (MLE) dengan
bantuan interasi numerik Newton-Raphson. Statistik Uji model GWBPR
mengunakan metode Maximum Likelihood Ratio Test (MLRT) dengan
mencari nilai likelihood ratio (devians).2. Pengujian kesamaan model GWBPR dengan model regresi bivariat poisson
memberikan kesimpulan bahwa terdapat perbedaan yang signifikan antara
kedua model. Pengujian hipotesis secara serentak model GWBPR
memberikan kesimpulan bahwa secara serentak variabel prediktor
berpengaruh terhadap model.3. Pemodelan GWBPR dengan pembobot Adaptive Bisquare Kernel
membentuk 4 kelompok kab/kota berdasarkan kesamaan variabel prediktor
yang signifikan baik pada kasus kusta PB maupun kusta MB. Variabel
prediktor yang berpengaruh signifikan terhadap seluruh kelompok baik kusta
PB dan MB adalah persentase penduduk miskin dan rasio tenaga medis
yang berarti bahwa variabel ini bersifat global. Sedangkan variabel sisanya
yaitu persentase rumah tangga ber-PHBS, persentase kegiatan penyuluhan
dan persentase rumah sehat berpengaruh signifikan disebagian kab/kota
yang dimana variabel ini hanya bersifat lokalSaran
Berdasarkan dari hasil analisis dan kesimpulan yang telah diperoleh, saran yang diberikan kepada penelitian selanjutnya adalah pada penelitian ini belum dapat mengatasi adanya
over/under dispersi pada data yang digunakan, sehingga untuk
mengatasi adanya hal tersebut perlu dilakukan pengembangan metode analisis dengan menggunakan metode Geographically
Weihgted Bivariate Negatif Binomial Regression (GWBNBR).
Penggunaan metode ini dapat dilakukan terhadap kasus yang sama, sehingga memberikan informasi tentang perbandingan dari kedua model yang dihasilkan
Agresti, A. 1990. Categorical Data Analysis. New York : John Wiley & Sons, Inc. Anselin, L. 1988, Spatial Econometrics: Method and Models, Kluwer Academic Publishers, the Netherlands Cameron, A.C & Travedi, P.K. 1998. Regression Analysis of Count Data.
Cambridge University Press, USA Cameron, A.C & Travedi, P.K. 2005. Microeconometrics, Methods and Applications. Cambridge University Press, New York.
Cameron, A.C & Trivedi, P.K. 2013. Regression Analysis of Count Data Second Edition. Cambridge University Press, USA.
Dinas Kesehatan Provinsi Jawa Timur. 2013. Profil Kesehatan Propinsi Jawa Timur 2012. Dinkes Jatim. Surabaya
Dobson, A.J. 1990. An Intruduction to Generalized Linear Models. Great Britain : TJ Press. Drapher, N.R dan Smith, H. 1998. Applied Regression Analysis, Thrid Edition.
Wiley. USA Fajar, N.A. 2002. Analisis Faktor Sosial Budaya Dalam Keluraga Yang Mempengaruhi Pengobatan Dini Dan Keteraturan Berobat Pada Penderita Kusta (Studi Pada Keluarga Penderita di Kabupaten Gresik) Tahun 2002. Jakarta : ) Fotheringham, A.S., Brunsdon, C., & Charlton, M. (2002), Geographically
Weighted Regression, Jhon Wiley & Sons, Chichester, UK.
Greene, W. (2003). Econometrics Analysis, 5 th Edition. Prentice Hall, New Jersey. Gujarati, D. N. (2004). Basic Econometrics, 4 th Edition. The McGraw Hill Companies, New York. Hiswani. 2001. Kusta Salah Satu Penyakit Menular Yang Masih Di Jumpai Di Indonesia. Fakultas Kedokteran. Universitas Sumatera Utara. Medan. Hutabarat, B. 2008. Pengaruh Faktor Internal dan Eksternal Terhadap
Kepatuhan Minum Obat Penderita Kusta Di Kabupaten Asahan Tahun 2007 (Thesis). Universitas Suamtera Utara. Medan.
Jung, C. R. & Winkelman, R. 1993. Two Aspect of Labor Mobility : A Bivariate Poisson Regression Aprroach. Journal Emperical Economics, 543-556 Karlis, D, & Ntzoufrans, I. 2005. Bivariate Poisson and Diagonal Inflated Bivariat Poisson Regresi Models in R. Journal of Statistical Software, 1-36. Kawamura, K. 1973. The Structure of Bivariate Poisson Distrubution. Kodai. Math.
SEM. REP. 246-256 Kementerian Kesahatan Republik Indonesia. 2013. Profil Kesehatan Indonesia 2012. Kemenkes RI. Jakarta.
Lee, J. & Wong, D.W.S 2001. Statistical Analysis with Arcview GIS. New York. John Wiley and Sons McClave, J.T., Benson, P.G., & Sincich, T. Statistiscs for Business and Economics,
11 th Edition. Pearson Education Inc. Florida.
McCullagh, P. & Nelder, J. A. 1989. Generalized Linear Models, 2 nd Edition.
Chapman and Hall, London. McDougall, A.C. 2005. Atlas Kusta. Sasakawa Memorial Health Foundation.
Tokyo, Jepang. Myers, R. H., Montgomery, D. C., Vining, G. G., dan Robinson, T. J. (1990).
Generalized Linear Model with Applications in Engineering and Sciences, 2 th Edition. John Wiley & Sons, Inc., New Jersey.
Nakaya, T., Fotheringham, A.S. dan Brudson, C. (2005). Geographically weighted Poisson regression for disease association mapping. Statistics in Medicine 2005. Wiley Interscience ; 24:26952717. Norlatifah, Sutomo. A.H, & Solikhah. 2010. Hubungan Kondisi Fisik Rumah, Sarana Air Bersih Dan Karakteristik Masyarakat Dengan Kejadian Kusta Di
Kabupaten Tapin Kalimantan Selatan. KES MAS. Vol 3. No. 1. ISSN : 1978- 0575 Pritasari, E. 2013. Regresi Bivariat Poisson Dalam Pemodelan Jumlah Kematian
Bayi dan Jumlah Kematian Ibu di Propinsi Jawa Timur. Skripsi. Institut Teknologi Sepuluh Nopember, Surabaya, Prawoto. 2008. Faktor - Faktor Risiko Yang Berpengaruh Terhadap Terjadinya
Reaksi Kusta (Thesis) Universitas Diponegoro. Semarang Ruslan. 2013. Pengaruh Pengetahuan, Sikap, Persepsi Terhadap Perilaku
Pencarian Pengobatan Penderita Kusta Pada Fasilitas Kesehatan Di Kabupaten Bima. Fakultas Kedokteran Universitas Padjadjaran. Bandung.
Simunati, 2013. Faktor-Faktor Yang Mempengaruhi Kejadian Penyakit Kusta Di Poliklinik Rehabilitasi Rumah Sakit Dr.Tadjuddin Chalid Makassar.
Poltekkes Kemenkes Makassar. Vol 3. No. 1. ISSN : 2302-1721 Walpole, R.E, 1982, Pengantar Statistika, edisi ketiga, Gramedia Pustaka Tama, Jakarta.