pemodelan faktor yang mempengarhi hiv dan aids di provinsi...

Pemodelan Faktor yang Mempengaruhi Jumlah

HIV dan AIDS di Provinsi Jawa Timur

Menggunakan Regresi Poisson Bivariat

JURUSAN STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA

2013

Novi Tri Ratnasari (1309100089)

Dosen Pembimbing :

Dr. Purhadi, M. Sc

1309100089 || Novi

Agenda

----- ----- ----- ----- -----

Pendahuluan

Tinjauan Pustaka

Metodologi Penelitian

Analisis dan Pembahasan

Kesimpulan

Daftar Pustaka

2

1309100089 || Novi

Bab I Bab II Bab III Bab IV Bab V

Latar belakang

IPM

Indonesia urutan

ke 124 dari 187

HIV dan AIDS

Berumur panjangBerkualitasMempunyai daya beli

Kesehatan

3

1309100089 || Novi

Latar Belakang

DKI JAKARTA

Bali, 5 April 1987

PAPUA


4

1309100089 || Novi

Latar belakang

Jawa Timur

Jumlah penduduk = 37687622

IPMK

orelasi

Berb

eda

HIV dan AIDS

PEMODELAN DENGAN REGRESI POISSON BIVARIAT


5

1309100089 || Novi

Rumusan Masalah

Bagaimana mendapatkan model jumlah kasus HIV dan AIDS dengan

menggunakan regresi poisson univariat?

Bagaimana mendapatkan model terbaik dari model yang dihasilkan dari

regresi poisson bivariat?

1

2


Bagaimana mendapatkan model jumlah kasus HIV dan AIDS menggunakan

regresi poisson bivariat?

Faktor apa saja yang mempengaruhi jumlah kasus HIV Dan AIDS dari

model regresi terbaik?

3

4

6

1309100089 || Novi

Tujuan


7

Mendapatkan model jumlah kasus HIV dan AIDS dengan

menggunakan regresi poisson univariat.

Mendapatkan model terbaik dari model yang dihasilkan dari regresi

poisson bivariat.

1

2

Mendapatkan model jumlah kasus HIV dan AIDS menggunakan regresi

poisson bivariat.

Mengetahui faktor apa saja yang mempengaruhi jumlah kasus HIV Dan

AIDS dari model regresi terbaik.

3

4

1309100089 || Novi

Manfaat

Hasil yang diperoleh dari penelitian ini diharapkan memberi

manfaat, yaitu memberikan masukan terhadap Dinas

Kesehatan Provinsi Jawa Timur untuk melakukan

penanganan cara menangani kasus HIV dan AIDS di Provinsi

Jawa Timur. Mahasiswa mampu memahami penerapan

regresi poisson bivariat ada kasus nyata khususnya di

bidang kesehatan.Memberikan tambahan masukan penerapan

statistika terhadap bidang kesehatan khususnya di bidang

pemodelan terlebih saat terdapat dua variabel respon yang

digunakan dan terdapat korelasi.


8

1309100089 || Novi

Batasan Masalah

Batasan masalah dalam penelitian ini adalah wilayah Jawa

Timur. Selain itu data yang digunakan adalah Profil Kesehatan

Provinsi Jawa Timur Tahun 2011. Dalam penggunaan metode yaitu

poisson bivariat dibatasi pada penemuan model saja, tidak

mendeteksi adanya over/under dispersi pada model yang ditemukan.

9

1309100089 || Novi


Matriks Korelasi

koefisien korelasi dihasilkan dengan membagi covarian dengan standar

deviasi dari masing-masing populasi (Bhattacharya & Johnson, 1997)

ikik

ii kk

sr

s s

Koefisien korelasi sampel

12 1

21 2

1 2

1

1

1

p

p

p p

r r

r rR

r r

Matriks korelasi sampel

10

1309100089 || Novi

Distribusi Poisson

Percobaan yang menghasilkan nilai untuk variabel random dan merupakan

banyaknya hasil percobaan yang terjadi selama selang waktu

tertentu atau di suatu daerah tertentu disebut percobaan

poisson (Walpole, 1995).

Bilangan yang menyatakan banyaknya hasil percobaan disebut

variabel random poisson, sedangkan sebaran peluangnya disebut

distribusi poisson.

Distribusi poisson mempunyai karakteristik yang tidak biasa yaitu

mempunyai mean dan variansi yang sama (Taylor & Karlin, 1998).


11

1309100089 || Novi

Distribusi Poisson Univariat

; y = 0, 1, 2 , 3, ...( ) !

; yang lain 0

ye

f y yy

Fungsi probabilitas

Mean dan Varians

( )E Y

( )Var Y


12

1309100089 || Novi

Distribusi Poisson Bivariat

Fungsi probabilitas

Mean ,Varians dan Korelasi (Kawamura, 1973)

2

0

20

21 2 01

1

; = 0,1, 2, ...!( , ) !

0 ; yang lain

ji

j

ky

sj j

j

kj j jj

i

yye k

f y y ky

y

1 2 1 0 2 0 0( , ) ( )( )E Y Y 1 2 1 2 1 2 0( , ) ( , ) ( ) ( )Cov Y Y E Y Y E Y E Y

01 2

1 0 2 0

( , )( )( )

R Y Y


13

1309100089 || Novi

Regresi Poisson

Analisis regresi merupakan alat statistik yang memanfaatkan

hubungan antara dua atau lebih peubah kuantitatif sehingga

salah satu peubah bisa diramalkan dari peubah-peubah

lainnya (Drapher & Smith, 1992).

Apabila peubah tak bebas (respon) Y berdistribusi poisson

maka model regresi yang digunakan adalah regresi poisson

(Agresti, 1990). Selain itu regresi poisson seringkali

digunakan untuk menganalisis data diskrit (count data) yang

menyatakan jumlah atau banyaknya kejadian dalam suatu

periode waktu


14

1309100089 || Novi

Regresi Poisson Univariat Model Regresi

~ poisson( )T

y

e

x βPenaksiran Parameter

( )

1 1

1

( )( )

!

n nT

Tii i

i i

e y

n

i

i

e eL

y

x βx β

β

1 1 1

ln ( ) ln( !)T

i

n n nT

i i i

i i i

L e y y

x β

β x β

1 1

ln ( ) Ti

n n

i i iTi i

Le y

x ββx x

β


15

1309100089 || Novi

Regresi Poisson Univariat

Pengujian Parameter Serentak

:

: paling sedikit ada satu

Tolak jika

0H

:

1 2 0k

1H 0; j =1,2, ,kj

0 1{ , , , | , 0,1,2, , }k j j k

0 0{ | } ˆ( )ˆD( ) 2ln 2lnˆ( )

L

L

2ˆD( ) k 0H


16

1309100089 || Novi

Regresi Poisson Univariat

Pengujian Parameter Parsial

:

:

Tolak jika

0H

:

1H 0; j =1,2, ,kj

0H

0j

ˆ

ˆse( )

j

j

z

( 2)| |hitungz z


17

1309100089 || Novi

Regresi Poisson Bivariat

1 2 0 1 2( , ) ~ ( , , )Y Y PM Model Regresi

2

0 1

2 20

0 1 2 201 1 1

1

( , , ) !

j

jj

k

yn s

j j

i i

ki j jjj

j

yL e k

ky

Fungsi Likelihood

Transformasi Model Regresi

0 ; 1,2Ti j

ji e j x β

1

2

3


18

1309100089 || Novi

Regresi Poisson Bivariat (cont.)

2

1 2 0 0

11

( , , ) exp exp( )n

T

i j i

ji

L A

β β x β

Fungsi Likelihood4

Maka didapatkan fungsi Log-Likelihood

2 20 0

201 1 01

exp( )!

exp

jik

yT

si j ji

i ji Tkj j i jj

yA k

ky

x β

x β

5

2

1 2 0 0

1 1 1

ln ( , , ) exp lnn n

T

i j i

i j i

Q L n A

β β x β


19

1309100089 || Novi

Regresi Poisson Bivariat (cont.)

Pengujian Parameter Serentakn. Karena nilai

devians model reson mengikuti distribusi sehingga tolak jika .

Pengujian Parameter Parsial

Maka tolak hipotesis awal


>

ˆ( )

ˆ( )

L

L

ˆ( )ˆD( ) 2ln 2lnˆ( )

L

L

2

( , )ˆD( ) ~ k

2

( , )ˆD( ) k Tolak hipotesis awal jika

0

1

: 0

: 0; 1,2

jl

jl

H

H j

( )

jl

jl

zse

|| hitungz2/z

20

0 1 2: ; 1,2j j jkH j

1 : paling tidak ada satu 0; 1,2; 1,2,...jiH j i k

6

7

1309100089 || Novi

Estimasi Standar Eror dengan Botsratp

1. Pilih B sampel

independen bootstrap

2. Evaluasi replikasi

bootstrap yang bersesuaian

pada setiap sampel.

3. Pembentukan model

dari setiap replikasi.


21

1

2

1

(.)ˆ)(ˆ

B

j

BB

jes

21

4. Menyimpan setiap nilai

estimasi parameter dari hasil

pemodelan tiap iterasi.

5. Mengestimasi standar eror

dengan rumusan

1309100089 || Novi

Ukuran Kebaikan Model


AIC

BIC

22

2ln ( ) 2AIC L k

)ln()L(ln 2BIC nk

1309100089 || Novi

Multikolinieritas

Multikolinieritas adalah kasus saat antar variabel prediktor

mempunyai korelasi yang tinggi. Hal tersebut dapat

mengakibatkan proses pembangunan model tidak akan mudah

dengan data tersebut dan perlu adanya modifikasi model

(Drapher & Smith, 1992).

2

1

1 j

VIFR

Salah satu cara mendeteksi


23

1309100089 || Novi

HIV dan AIDS

HIVAIDS

Membunuh limfosit CD4 dari sistem

kekebalan tubuh

Membuat orang rentan terhadap

infeksi oleh berbagai patogen dan

kanker

HIV dapat dikendalikan dengan

menggunakan antivirus

Jumlah CD4 pada orang dengan AIDS

di bawah 200

AIDS adalah suatu kondisi dimana

seseorang menderita beberapa jenis

infeksi, sarkoma kaposi, TBC dll.

AIDS merupakan stadium lanjut yang

terjadi setelah 2 sampai 15 tahun

terinfeksi HIV


24

1309100089 || Novi

PendahuluanTinjauan Pustaka


Penelitian Terdahulu

Perbandingan Analisis Regresi Poisson, Generalized

Poisson Regression (Studi Kasus: Pemodelan Jumlah

Kasus AIDS di Jawa Timur) (Assriyani, & Purhadi , 2008)

Prevalensi dan Faktor Resiko HIV pada Generalized

Epidemic di Tanah Papua Menggunakan Metode Regresi

Logistik dengan Stratifikasi (Studi Kasus pada Hasil

Surveilans Terpadu HIV-Perilaku 2006) (Susilo, 2009)

25

1309100089 || Novi


Sumber Data

Dinas Kesehatan Provinsi Jawa Timur

Tabel profil kesehatan Provinsi Jawa

Timur Tahun 2011

26

1309100089 || Novi

Variabel Penelitian

Jumlah

kasus

AIDS

Jumlah

kasus HIV

VARIABEL RESPON

VARIABEL PREDIKTOR

Matriks Korelasi


27

1309100089 || Novi

Variabel Penelitian

VARIABEL PREDIKTOR

Persentase kelompok umur 25-

29 tahun

Presentase pengguna kondom

Persentase penduduk miskin

Persentase jumlah

tenaga medis

Persentase daerah berstatus desaPersentase penduduk

yang tamat SMA


28

1309100089 || Novi

PendahuluanTinjauan Pustaka


Langkah Analisis

Mendeskripsikan masalah

Mengumpulkan Data

Melakukan deskripsi terhadap data

Mencari korelasi antara variabel respon

Mendeteksi adanya multikolinieritas

A

29

1309100089 || Novi

Langkah Analisis (cont.) A

Model Pertama

Menguji signifikansi parameter

Menganalisis model

Menarik kesimpulan

Model Ketiga


Model Kedua

Memodelkan dengan regresi poisson univariat

Memodelkan dengan regresi poisson bivariat

30

1309100089 || Novi

Karakteristik Variabel


Variabel Mean Varians Minimum Maksimum

Y1 68,66 10906,34 0 429

Y2 55,95 8955,78 0 439

X1 1,57 1,37 0,40 5,57

X2 8,97 0,74 7,33 11,98

X3 72,48 1634,88 0 100

X4 18,40 77,26 4,52 37,38

X5 33,16 260,70 11,97 75,52

X6 0,14 0,02 0,02 0,61

Statistika

Deskriptif

31

1309100089 || Novi

Karakteristik Variabel


Y1 Y2 X1 X2 X3 X4 X5 X6

Y1 1,00 0,81 0,10 0,18 -0,26 0,45 -0,37 0,09

Y2 0,81 1,00 0,02 -0,03 -0,10 0,36 -0,31 0,03

X1 0,10 0,02 1,00 0,59 -0,67 0,69 -0,15 0,91

X2 0,18 -0,03 0,59 1,00 -0,62 0,67 -0,28 0,63

X3 -0,26 -0,10 -0,67 -0,62 1,00 -0,75 0,39 -0,77

X4 0,45 0,36 0,69 0,67 -0,75 1,00 -0,56 0,80

X5 -0,37 -0,31 -0,15 -0,28 0,39 -0,56 1,00 -0,27

X6 0,09 0,03 0,91 0,63 -0,77 0,80 -0,27 1,0032

Korelasi

c

Variabel persentase jumlah

tenaga medis dengan

persentase pengguna

kondom

c

Variabel persentase

penduduk miskin dengan

persentase jumlah tenaga

medis

1309100089 || Novi

Multikolinieritas


Variabel VIF

X10,83 5,924

X20,50 1,985

X30,66 2,954

X40,79 4,812

X50,44 1,779

X60,89 8,843

2R

33

Tidak terdeteksi

multikolinieritas

1309100089 || Novi

Pemodelan Jumlah Kasus HIV dengan RegresiPoisson Univariat


)43,9013,013,00032,012,021,089,1exp(ˆ654321 XXXXXX

34

)ˆ(D =4322,8

2


2

)05.0,6( =12,592Maka terdapat variabel prediktor

yang berpengaruh terhadap model

1309100089 || Novi

Semua variabel signifikan berpengaruh terhadap respon



35

Parameter Estimasi SE z P-value

1,89 0,31 6,01 1,91.10-9

0,21 0,04 5,79 7,05.10-9

0,12 0,03 3,79 0.000153

-0,0032 0,0007 -4,86 1,18.10-6

0,13 0,0047 28,18 2.10-16

-0,01 0,0025 -5,26 1,46.10-7

-9,44 0,42 -22,21 2.10-16

0

1

2

3

4

5

6

1309100089 || Novi



36

)ˆ(D =3653,3

2


2

)05.0,6( =12,592Maka terdapat variabel prediktor


)79,701,014,00004,044,024,01,6exp(ˆ654321 XXXXXX

1309100089 || Novi

Pemodelan Jumlah Kasus AIDS dengan RegresiPoisson Univariat


1Parameter Estimasi SE Z P-value

6,10 0,39 15,64 <2.10-16

0,24 0,04 5,42 5,97.10-08

-0,44 0,04 -11,05 <2.10-16

-0,0004 0,0008 -0,52 0,604

0,14 0,0048 28,73 < 2.10-16

-0,01 0,0025 -3,95 7,69.10-05

-7,79 0,46 -16,87 <2.10-16

0

1

2

3

4

5

6

37

Variabel persentase kelompok umur tidak signifikan

1309100089 || Novi

Pemodelan dengan Regresi Poisson Bivariat


Model Pertama

Model Kedua

Model Ketiga

38

Model dengan nilai adalah

suatu konstanta.

Model dengan nilai adalah

suatu persamaan

Model dengan nilai adalah 0

0

0

0

1309100089 || Novi


39

)ˆ(D =4149,216

Tolak hipotesis awal jika

Maka terdapat variabel prediktor



Model Pertama

026,212

05.0,12

2)ˆ( tabelD β

)23,1001,015,0003,011,026,051,1exp(*ˆ6543311 xxxxxx

)39,801,016,00004,063,032,011,7exp(*ˆ6543312 xxxxxx

)36,2exp(ˆ0

1309100089 || Novi



Jumlah Kasus HIV Jumlah Kasus AIDS

par koef SE zhitung koef SE zhitung

1,51 0,48 3,14 7,11 0,57 1,51

0,26 0,05 5,56 0,32 0,05 0,26

0,11 0,05 2,34 -0,63 0,06 0,11

-0,0033 0,0008 -4,23 -0,0004 0,0009 -0,0033

0,15 0,01 18,63 0,16 0,01 0,15

-0,01 0,0041 -3,52 -0,01 0,0039 -0,01

-10,23 0,73 -13,96 -8,39 0,7 -10,23

0

1

2

3

4

5

6

40

Model Pertama

Variabel

yang tidak

signifikan

41 1309100089 || Novi



koef SE zhitung

2,36 0,22 10,96

Nilai 0

41

Model Pertama

Persamaan

)23,1001,015,0003,011,026,051,1exp(*ˆ6543311 xxxxxx

)39,801,016,00004,063,032,011,7exp(*ˆ6543312 xxxxxx

)36,2exp(ˆ0

1309100089 || Novi


42

)ˆ(D =3090,316





Model kedua

2)ˆ( tabelD β

)05,601,005,00003,054,006,073,0exp(*ˆ6543211 xxxxxx

)64,001,005,002,023,046,05,3exp(*ˆ6543212 xxxxxx

)86,6742,097,715,001,426,454,258exp(ˆ6543210 xxxxxx

=28,8692

tabel


par koef SE zhitung Koef SE zhitung

-0,73 0,41 -1,79 3,50 0,67 5,21

-0,06 0,06 -1,02 -0,46 0,09 -5,21

0,54 0,05 11,41 -0,23 0,07 -3,54

0,0003 0,001 0,27 0,02 0,003 7,71

0,05 0,01 6,29 0,05 0,01 6,32

-0,01 0,002 -5,81 -0,01 0,003 -3,46

-6,05 0,71 -8,47 0,64 1,23 0,52

1309100089 || Novi



Model Kedua

0

1

2

3

4

5

6

43

Tidak

signifikan

1309100089 || Novi



Model Kedua

Nilai 0

par koef SE zhitung

-258,5 522,01 -0,5

-4,26 12,13 -0,35

4,01 22,51 0,18

-0,15 0,16 -0,92

7,97 12,7 0,63

-0,42 2,98 -0,14

-67,86 455,96 -0,15

0

1

2

3

4

5

6

44

Persamaan

)05,601,005,00003,054,006,073,0exp(*ˆ6543211 xxxxxx

)64,001,005,002,023,046,05,3exp(*ˆ6543212 xxxxxx

)86,6742,097,715,001,426,454,258exp(ˆ6543210 xxxxxx

1309100089 || Novi


45

)ˆ(D =





Model ketiga

2)ˆ( tabelD β

=2

tabel

4315,618

21,062

)44,9013,0133,0003,012,021,089,1exp(*ˆ6543211 xxxxxx

)79,701,0139,00004,044,024,01,6exp(*ˆ6543212 xxxxxx


par koef SE zhitung koef SE zhitung

1.89 0.31 6.04 6.10 0.41 14.84

0.21 0.04 5.70 0.24 0.04 5.60

0.12 0.03 3.80 -0.44 0.04 -10.51

-0.003 0.001 -4.91 -0.0004 0.001 -0.51

0.133 0.005 29.17 0.139 0.005 27.48

-0.013 0.002 -5.67 -0.010 0.003 -3.85

-9.44 0.43 -21.93 -7.79 0.47 -16.47

1309100089 || Novi



Model Ketiga

6

5

4

3

2

1

0

46

Tidak

signifikan

1309100089 || Novi



Model Ketiga

47

Persamaan

)44,9013,0133,0003,012,021,089,1exp(*ˆ6543211 xxxxxx

)79,701,0139,00004,044,024,01,6exp(*ˆ6543212 xxxxxx

1309100089 || Novi

Perbandingan Model Regresi Poisson Bivariat


AIC BIC Loglikelihood

Model

pertama 4179.2164 4214.1774 -2074.608

Model

kedua 3132.3155 3181.2609 -1545.158

Model

ketiga 4343.6174 4376.2477 -2157.809

48

1309100089 || Novi

Kesimpulan


)43,9013,013,00032,012,021,089,1exp(ˆ654321 XXXXXX

)79,701,014,00004,044,024,01,6exp(ˆ654321 XXXXXX

Model regresi poisson univariat untuk jumlah kasus HIV dengan keenam variabel prediktor

adalah

sedangkan model regresi poisson univariat untuk jumlah kasus AIDS adalah sebagai berikut

Nilai parameter yang didapatkan dari ketiga buah model regresi berbeda, demikian juga halnya

dengan nilai zhitung yang dihasilkan oleh model juga menghasilkan nilai berbeda dari ketiga buah

model regresi.

Model terbaik adalah model kedua

Hasil signifikansi parameter model regresi poisson bivariat kedua menunjukkan variabel yang

signifikan pada jumlah kasus AIDS adalah persentase penduduk pengguna kondom, persentase

kelompok umur 25-29 tahun, persentase daerah berstatus desa, persentase penduduk tamat

SMA dan persentase penduduk miskin di tiap kabupaten dan kota.

49

1309100089 || Novi

Saran


> Mendeteksi lebih lanjut mengenai pengujian dispersi. Setelah teruji adanya disperse,

penelitian dapat melakukan pengembangan dengan metode diagonal bivariate zero

inflated poisson.

> Walaupun variabel persentase daerah berstatus desa tidak berpengaruh terhadap

model, variabel pembobot geografis bisa ditambahkan untuk pemodelan. Jadi faktor

spasial letak suatu daerah bisa ditambahkan dalam pemodelan ini sehingga bisa diketahui

apakah wilayah mempunyai pengaruh terhadap penyebaran jumlah kasus HIV dan AIDS.

Saran yang bisa diberikan terhadap Dinas Kesehatan Provinsi JawaTimur adalah

menambah jumlah tenaga medis, khususnya ahli di bidang HIV dan AIDS. Selain itu

penyuluhan tentang penyakit ini perlu dilakukan terhadap semua kalangan, karena

penyakit ini tidak membedakan umur dan juga jenis kelamin.

50

Agadjanian, V. (2005). Gender, Religous Involvement, and HIV/AIDS Prevention

in Mozambique. Sosial Science & Medicine , 1529-1539.

Agresti, A. (1990). Categorical Data Analysis. New York: John Wiley & Sons, Inc. .

Akuntono, I. (2012, Desember 7). Kompas. Dipetik Februari 2, 2013, dari

megapolitan:http://megapolitan.kompas.com/read/2012/12/07/11

544 013/Kasus.Penularan.AIDS.Tertinggi.Ada.di.Jakarta

anonim. (2012, November 14). apotas. Dipetik Februari 2, 2013, dari

www.apotas.com: http://www.apotas.com/perbedaan-hiv-dan-aids/

Anonim. (2012, November 25). obat HIV aman dan sehat. Dipetik Februari 2,

2013, dari http://obathiv.net/perbedaan-hiv-dan-aids.html

Assriyanti, N., & Purhadi. (2008). Tugas Akhir dengan Judul Perbandingan Analisis

Regresi Poisson, Generalized Poisson Regrression (Studi Kasus : Pemodelan

Jumlah Kasus AIDS di Jawa Timur Tahun 2008). Surabaya: ITS press.

1309100089 || Novi

Daftar Pustaka

----- ----- ----

51

Bermudes, L., & Karlis, D. (2012). A Finite Mixture of Bivariate Poisson

Regression Models with an Application to Insurance Ratemaking.

Computational Statistics and Data Analysis , 3988-3999.

Bhattacharya, G. K., & Johnson, R. A. (1977). Statistical Concepts and Methods.

Singapura: John Wiley & Sons, Inc.

Cameron, A. C., & Trivedi, P. K. (1998). Regression Analysis of Count Data.

Cambridge: Cambridge University Press.

Dinas Kesehatan Provinsi Jawa Timur. (2009). Profil Kesehatan Provinsi Jawa Timur.

Surabaya: Dinas Kesehatan Provinsi Jawa Timur.

Drapher, N., & Smith, H. (1992). Analisis Regresi Terapan. Jakarta: PT Gramedia

Pustaka Utama.

Gurmu, S., & Elder, J. (2008). A Bivariate Zero-inflated Count Data Regression

Model with Unrestricted Correlation. Eonomic Letters , 245-248.

1309100089 || Novi

Daftar Pustaka (cont.)

----- ----- ----

52

Hair, J. F., Anderson, R. E., Tatham, R. L., & Black, W. C. (1998). Multivariate

Data Analysis. New Jersey: Prentica Hall.

Johnson, R. A., & Wichern, D. W. (1998). Applied Multivariate Statistical

Analysis. New Jersey: Prentice Hall, Inc.

Karlis, D., & Ntzoufras, I. (2005). Bivariate Poisson and Diagonal Inflated

Bivariate Poisson Regression Models in R. Journal of Statistical Software , 1-36.

Kawamura, K. (1973). The Structure of Bivariate Poisson Distribution. Kodai

Math. Sem. Rep , 246-256.

Kleinbaum, D. G. (1994). Logistic Regression. New York: Springer.

Mangkuprawira, S. (2012, September 20). Puzzle Minds. Dipetik Januari 29,

2013, dari http://puzzleminds.com/kualitas-kependudukan-di-

indonesia/

1309100089 || Novi

Daftar Pustaka (cont. 2)

----- ----- ----

53

Susilo, B. (2009). Prevalensi dan Faktor Resiko HIV pada Generalized

Epidemic di Tanah Papua Menggunakan Metode Regresi Logistik dengan

Stratfikasi (Studi Kasus pada Hasil Surveilans Terpadu HIV-Perilaku 2006).

Surabaya: Program Pasca Sarjana, Institut Teknologi Sepuluh

Nopember.

Taylor, H. M., & Karlin, S. (1998). An Introduction to Stochastic

Modeling. San Diego: Academic Press.

Tim Penyusun Kamus Besar Bahasa Indonesia. (1990). Kamus Besar

Bahasa Indonesia. Jakarta: Balai Pustaka.

Walpole, R. E. (1995). Pengantar Statistika. Jakarta: PT Gramedia

Pustaka Utama.

1309100089 || Novi

Daftar Pustaka (cont. 3)

----- ----- ----

54

JURUSAN STATISTIKA



2013

Novi Tri Ratnasari (1309100089)

Dosen Pembimbing :

Dr. Purhadi, M. Sc

55

JURUSAN STATISTIKA



2013

56

pemodelan faktor yang mempengarhi hiv dan aids di provinsi...

Documents