pemodelan kejadian luar biasa difteri di jawa timur tahun ... · biasa difteri di jawa timur pada...

Pemodelan Kejadian Luar Biasa Difteri di Jawa Timur dengan Menggunakan Geographically Weighted

Negative Binomial Regression (GWNBR)

Oleh :

Bunga Nevrieda Nandasari (1310 100 011)

Dosen Pembimbing :

Ir. Sri Pingit Wulandari, M.Si

Selasa, 24 Juni 2014 Seminar Hasil Tugas Akhir

6/24/2014 Seminar Hasil Tugas Akhir 2

PENDAHULUAN

TINJAUAN PUSTAKA

METODOLOGI PENELITIAN

ANALISIS & PEMBAHASAN

KESIMPULAN

••••••••••••••••••••••••••••••••••

PENDAHULUAN


KEBIJAKAN PEMBANGUNAN KESEHATANKESEHATAN

PENDAHULUAN


KEBIJAKAN PEMBANGUNAN KESEHATAN

PENDAHULUAN

(World Health Organization, 2013)


Difteri disebabkan oleh bakteri Coryne Bacterium Diphteriae

(CBD) yang merupakan penyakit menular yang menyerangsaluran pernafasan bagian atas

PENDAHULUAN

123 189

406

806

1192

0

200

400

600

800

1000

1200

1400

2008 2009 2010 2011 2012

Kasus KLB Difteri di Indonesia

Sumber : Kementerian Kesehatan


PENDAHULUAN

123 189

406

806

1192

0

200

400

600

800

1000

1200

1400

2008 2009 2010 2011 2012

Kasus KLB Difteri di Indonesia

Sumber : Kementerian Kesehatan

• Jawa Timur1

• Kalimantan Selatan

2

• Sulawesi Selatan

3

• Fourth statement


PENDAHULUAN

Jumlah

Kasus KLB

Difteri

Data Count

Regresi

Poisson

Equidispersi

Overdispersi

Regresi Binomial Negatif

GWNBR

Spasial


PENDAHULUAN


• Faktor-faktor yang mempengaruhi adanya kasus difteri di Jawa Timur dengan menggunakan regresi logistik multinomial

Alfa’ida (2013)

• Faktor-faktor yang berhubungan dengan kejadian difteri di Sidoarjo menggunakan metode Regresi Logistik Ganda

Lestari (2012)

• Pemodelan KLB Difteri di Jawa Timur dengan pendekatan Regresi Non Parametrik Spline Multivariabel

Nikmah (2009)

•Model Regresi Binomial Negatif Terboboti Geografisuntuk Data Kematian Bayi

Afri (2013)

•Estimasi dan Pengujian Hipotesis Model GeographicallyWeighted Negative Binomial Regression (GWNBR)

Lieztyanto (2014)

PENDAHULUAN


Permasalahan1Bagaimana karakteristik jumlah kasus luar biasa difteri di Jawa Timur pada tahun 2012?

Bagaimana pemodelan GWNBR untuk kasus Luar biasa difteri di Jawa Timur pada tahun 2012?

Faktor-faktor apa yang mempengaruhi kejadian luar biasa difteri di Jawa Timur pada tahun 2012?

Tujuan Penelitian2Mendeskripsikan karakteristikjumlah Kasus luar biasa difteri di Jawa Timur pada tahun 2012.

Memodelkan GWNBR untuk kasus luar biasa difteri di Jawa Timur pada tahun 2012

Mengetahui faktor-faktor yang mempengaruhi kejadian luar biasa difteri di Jawa Timur pada tahun 2012.

PENDAHULUAN


Manfaat Penelitian3Penelitian ini diharapkan dapatmeningkatkan wawasan keilmuanmengenai pemodelan GeographicallyWeighted Negative Binomial Regressionuntuk kasus overdispersi dengan faktorspasial

Penelitian ini dapat memberikan informasimengenai faktor-faktor yang berpengaruhterhadap kenaikan kejadian luar biasadifteri bagi Dinas Kesehatan yangdiharapkan dapat digunakan sebagai bahanpertimbangan dalam membantupenanganan KLB difteri yang mewabah ditiap kabupaten/kota Jawa Timur.

Batasan Masalah4

Penelitian ini menggunakandata jumlah KLB difteri di JawaTimur pada tahun 2012 danpembobot yang digunakandalam pemodelan GWBNR adalah pembobot fungsi kernel adaptive bisquare.

TINJAUAN PUSTAKA


Menurut Cameron & Trivedi (1998)

1. Kejadian yang terjadi pada populasi yang besar dengan probabilitas yang kecil.

2. Bergantung pada interval waktu tertentu.

3. Kejadian yang termasuk ke dalam counting process atau termasuk ke dalam lingkupan proses stokastik.

4. Perulangan dari kejadian yang mengikuti sebaran distribusi binomial.

Regresi Poisson adalah salah satu regresi yang digunakan untuk memodelkan antara variabel respon danvariabel prediktor dengan mengasumsikan variabel Y berdistribusi poisson.

TINJAUAN PUSTAKA


FUNGSI PELUANG DISTRIBUSI POISSON

PERSAMAAN MODEL REGRESI POISSON

ESTIMASI PARAMETER MODEL REGRESI POISSON

𝑓 𝑦, 𝜇 =𝑒−𝜇𝜇𝑦

𝑦!; 𝑦 = 0,1,2, …

Maximum Likelihood Estimation (MLE)

𝐿 𝜷 =𝑒− 𝑖=1

𝑛 ex p(𝒙𝒊𝑇𝜷 𝑒𝑥𝑝 𝑖=1

𝑛 𝑦𝑖𝒙𝒊𝑇𝜷

𝑖=1𝑛 𝑦𝑖!

TINJAUAN PUSTAKA


H0 : 𝜷𝟏 = 𝜷𝟐 = ⋯ = 𝜷𝒑 = 𝟎

H1 : paling sedikit ada satu 𝜷𝒑 ≠ 0 ; p = 1,2,...,p

Statistik Uji : D( 𝜷) = −𝟐𝒍𝒏𝐋( 𝝎)

𝐋( 𝜴)

Tolak H0 jika D( 𝜷) > 𝝌𝟐(𝒑;𝜶)

H0 : 𝜷𝒑 = 𝟎

H1 : 𝜷𝒑 ≠ 0

Statistik Uji : 𝒛 = 𝜷𝒑

𝒔𝒆( 𝜷𝒑)

Tolak H0 jika 𝑧ℎ𝑖𝑡𝑢𝑛𝑔 > 𝑧( 𝛼2)

UJI SERENTAK UJI PARSIAL

TINJAUAN PUSTAKA


OVERDISPERSI

Var(Y)>E(Y)

Parameter model menjadi bias dan Tingkat kesalahan model semakin besar

Mendeteksi Overdispersi

Regresi Binomial

Negative

nilai deviance dan Pearson Chi-square dibagi dengan derajat bebasnya.

TINJAUAN PUSTAKA


Model binomial negatif merupakan salah satu solusi untuk mengatasi masalah overdispersi yang didasarkanpada model campuran Poisson-Gamma

FUNGSI PELUANG BINOMIAL NEGATIVE

ESTIMASI PARAMETER MODEL REGRESI BINOMIAL NEGATIF Maximum Likelihood Estimation (MLE)

𝑓 𝑦, 𝜇, 𝜃 = Γ(𝑦 + 1

𝜃

Γ 1𝜃 𝑦!

1

1 + 𝜃𝜇

1𝜃 𝜃𝜇

1 + 𝜃𝜇

𝑦

TINJAUAN PUSTAKA


H0 : 𝜷𝟏 = 𝜷𝟐 = ⋯ = 𝜷𝒑 = 𝟎

H1 : paling sedikit ada satu 𝜷𝒑 ≠ 0 ; p = 1,2,...,p


𝐋( 𝜴)


H0 : 𝜷𝒑 = 𝟎

H1 : 𝜷𝒑 ≠ 0

Statistik Uji : 𝑍ℎ𝑖𝑡=𝛽𝑝

𝑠𝑒(𝛽𝑝)

2

Tolak H0 jika 𝑧ℎ𝑖𝑡𝑢𝑛𝑔 > 𝑧( 𝛼2)


TINJAUAN PUSTAKA


H0 : I = 0 (tidak ada dependensi spasial)H1 : I ≠ 0 (terdapat dependensi spasial)

Statistik Uji : 𝒁𝒉𝒊𝒕 =𝑰−𝑬(𝑰)

𝑽𝒂𝒓(𝑰)

Tolak H0 jika 𝒁𝒉𝒊𝒕 > 𝒁 𝜶𝟐

H0 : 𝜎21 = 𝜎2

2 = ⋯ = 𝜎2𝑛 = 𝜎2

H1 : Minimal ada satu 𝜎2𝑖 ≠ 𝜎2

Statistik Uji :

𝐵𝑃 =1

2𝒇𝑻𝒁(𝒁𝑻𝒁)−𝟏𝒁𝑻𝒇~𝜒2

(𝑝)

Tolak H0 jika BP>𝜒2(𝑝)

Uji Dependensi Spasial Uji Heterogenitas Spasial

TINJAUAN PUSTAKA


Geographically Weighted Negative Binomial Regression (GWNBR) merupakan salah satu metode yang cukupefektif menduga data yang memiliki heterogenitas spasial untuk data count yang memiliki overdispersi.

MODEL GWNBR

ESTIMASI PARAMETER MODEL REGRESI BINOMIAL REGRESI Maximum Likelihood Estimation (MLE)

𝑦𝑖~𝑁𝐵 𝑡𝑗𝑒𝑥𝑝

𝑝

𝛽𝑝 𝑢𝑖 , 𝑣𝑖 𝑥𝑖𝑘 , 𝜃(𝑢𝑖 , 𝑣𝑖) , 𝑖 = 1,2,3, … , 𝑛

𝐿 𝜷(𝑢𝑖 , 𝑣𝑖), 𝜃𝑖|𝑦𝑖 , 𝑥𝑖 =

𝑖=1

𝑛 Γ(𝑦𝑖 + 1𝜃𝑖

)

Γ 1𝜃𝑖

Γ(𝑦𝑖+1)

𝑖=1

𝑛1

1 + 𝜃𝑖𝜇𝑖

1𝜃𝑖

𝑖=1

𝑛𝜃𝑖𝜇𝑖

1 + 𝜃𝑖𝜇𝑖

𝑦𝑖

TINJAUAN PUSTAKA


𝑯𝟎 ∶ 𝜷𝒑 𝒖𝒊, 𝒗𝒊 = 𝜷𝒑

𝑯𝟎 ∶ 𝜷𝒑 𝒖𝒊, 𝒗𝒊 ≠ 𝜷𝒑

Statistik Uji : 𝑭𝒉𝒊𝒕 = 𝑫𝒆𝒗𝒊𝒂𝒏𝒔 𝑴𝒐𝒅𝒆𝒍 𝑨𝒅𝒇𝑨

𝑫𝒆𝒗𝒊𝒂𝒏𝒔 𝑴𝒐𝒅𝒆𝒍 𝑩𝒅𝒇𝑩

Tolak H0 jika 𝑭𝒉𝒊𝒕 > 𝑭(𝜶,𝒅𝒇𝑨,𝒅𝒇𝑩)

Uji Kesamaan Model GWNBR dengan Reg. Binom Negatif

TINJAUAN PUSTAKA


H0 : 𝜷𝟏 𝒖𝒊, 𝒗𝒊 = 𝜷𝟐 𝒖𝒊, 𝒗𝒊 = ⋯ = 𝜷𝒑 𝒖𝒊, 𝒗𝒊 = 𝟎

H1 : paling sedikit ada satu 𝜷𝒋 𝒖𝒊, 𝒗𝒊 ≠ 0 ; j = 1,2,...,p


𝐋( 𝜴)


H0 : 𝜷𝒋 𝒖𝒊, 𝒗𝒊 = 𝟎

H1 : 𝜷𝒋 𝒖𝒊, 𝒗𝒊 ≠ 0 ; j=1.2,...,p

Statistik Uji :𝑧ℎ𝑖𝑡 =𝜷𝒋 𝒖𝒊,𝒗𝒊

𝒔𝒆(𝜷𝒋 𝒖𝒊,𝒗𝒊 )

𝟐

Tolak H0 jika 𝑧ℎ𝑖𝑡 > 𝑧(𝛼/2)




SUMBER DATAData profil kesehatan di Dinas Kesehatan Provinsi Jawa timur

38 Kab/Kota di Jawa Timur



Variabel Keterangan

Y Jumlah kasus KLB Difteri di tiap kabupaten/kota di Jawa Timur tahun 2012

X1 Persentase penderita difteri yang mendapatkan imunisasi DPT3 di wilayah KLB

X2 Persentase rumah tangga yang berperilaku hidup bersih dan sehat (PHBS)

X3 Presentase rumah tangga yang memiliki sumber air minum terlindung

X4 Persentase rumah sehat menurut kabupaten/kota

X5 Jumlah Sarana Kesehatan (Rumah Sakit)

X6 Jumlah Sarana Kesehatan (Puskesmas)

VARIABEL PENELITIAN

X7 Kepadatan Penduduk



LANGKAH ANALISIS

Mendeskripsikan karakteristik jumlah Kejadian Luar biasa difteri di Jawa Timur pada tahun 2012menggunakan analisis statistika deskriptif.

Mengidentifikasi dan menyelesaikan adanya kasus multikolinieritas.

Pengujian Over/under dispersi.

Pemodelan dengan menggunakan Regresi Binomial Negatif.

Pemodelan dengan menggunakan regresi poisson

Memodelkan GWNBR untuk Kejadian Luar biasa difteri di Jawa Timur pada tahun 2012



LANGKAH ANALISIS

Memodelkan GWNBR untuk Kejadian Luar biasa difteri di Jawa Timur pada tahun 2012

Uji Breusch-Pagan untuk melihat heterogenitas spasial data dan uji Moran I untuk menguji dependensi spasial data.

Menghitung jarak Euclidean antar lokasi pengamatan berdasarkan posisi geografis.

Mendapatkan bandwidth optimal untuk setiap lokasi pengamatan dengan menggunakan Cross Validation (CV).

Menghitung matrik pembobot dengan menggunakan fungsi Adaptive Bisquare Kernel.

Melakukan pengujian kesamaan model GWNBR dengan regresi binomial negatif, pengujian signifikansi parameter model secara serentak maupun parsial.

Melakukan intepretasi model GWNBR yang didapatkan dan membentuk peta pengelompokkan.


ANALISIS DAN PEMBAHASAN

Karakteristik Kejadian Luar Biasa Difteri tahun 2012 di Jawa Timur

52 44 86 76148

300

660

955

15 17 20 21 24 31 38 380

200

400

600

800

1000

1200

2005 2006 2007 2008 2009 2010 2011 2012

Jumlah kasus kab



Karakteristik Kejadian Luar Biasa Difteri tahun 2012 di Jawa Timur

M ALA N G

JE M BE R

TU B AN

BAN YU W AN G I

BLITA R

KED IR I

N GA W I

LU M AJA N GPAC ITA N

BO JON E GO R O

LAM O N G AN

M AD IU N

SITU BO N D O

GR E SIK

N GA N JU K

PAS U R U A N

SAM PAN G

PO N OR O GO

SU M E N EP

PR O BO LIN GG O

JO M B AN G

BO N D OW O SO

BAN GK ALA N

TR E N G GA LE K

M OJO KE R TO

TU L U N G AG U N G

M AG ETA N

SID OA R JO

PAM EKA SA N

BATU

SU R A BA YA

100 0 100 200 Miles

N

EW

S

Y

kategori

2 - 13

14 - 25

26 - 42

43 - 95

96 - 129



Pemeriksaan Multikolinieritas

X1 X2 X3 X4 X5 X6

X2 0,372

X3 0,045 -0,016

X4 0,367 0,484 0,163

X5 0,347 0,321 -0,041 0,333

X6 0,071 0,268 -0,110 -0,025 0,581

X7 0,164 0,151 0,005 0,470 0,499 -0,225

KOEFISIEN KORELASI



Pemeriksaan Multikolinieritas

NILAI VIF Variabel VIFX1 1,437X2 1,553X3 1,063X4 1,808

X5 4,831X6 3,717X7 3,356

TIDAK TERDAPAT KASUS MULTIKOLINIERITAS



REGRESI POISSONEstimate Std. Error z-hit

(Intercept) 2.98175 0.04003 74.489

X1 -0.59368 0.04361 -13.614

X2 -0.31514 0.04805 -6.559

X3 -0.20026 0.03224 -6.211X4 0.40192 0.0455 8.833X5 0.77643 0.07073 10.977

X6 -0.1847 0.06692 -2.76

X7 -0.43866 0.05818 -7.54AIC = 578,88

Devians = 387,11 Df = 30

H0 : 𝛽1 = 𝛽2 = ⋯ = 𝛽7 = 0H1 : paling sedikit ada satu 𝛽𝑗 ≠ 0 ; j = 1,2,...,7

𝜒2(7;0.10) = 12,071

Tolak H0 jika D( 𝛽) > 𝜒2(𝑝;𝛼)

UJI SERENTAK



REGRESI POISSONEstimate Std. Error z-hit

(Intercept) 2.98175 0.04003 74.489

X1 -0.59368 0.04361 -13.614

X2 -0.31514 0.04805 -6.559

X3 -0.20026 0.03224 -6.211X4 0.40192 0.0455 8.833X5 0.77643 0.07073 10.977

X6 -0.1847 0.06692 -2.76

X7 -0.43866 0.05818 -7.54AIC = 578,88

Devians = 387,11 Df = 30

H0 : 𝛽𝑗 = 0

H1 : 𝛽𝑗 ≠ 0

𝑧( 0.102) = 1,64

𝑧ℎ𝑖𝑡𝑢𝑛𝑔 > 𝑧( 𝛼2)

UJI PARSIAL

12.90367 > 1 Overdispersi



Int. Theta Devians Df Devians/Df1.85 29.408 30 0.98031.9 30.113 30 1.0038

1.89 29.973 30 0.99911.89192 30 30 1.0000

PEMILIHIAN INITIAL THETA

Initial theta 1,89192 menghasilkan rasio nilai devians dengan derajat bebasnya bernilai 1 yang artinya tidak terdapat kasus overdispersi.



REGRESI BINOMIAL NEGATIFH0 : 𝛽1 = 𝛽2 = ⋯ = 𝛽7 = 0H1 : paling sedikit ada satu 𝛽𝑗 ≠ 0 ; j = 1,2,...,7

𝜒2(7;0.05) = 14,0671


UJI SERENTAK

Estimate Std. Error z-hit(Intercept) 3.00705 0.11513 26.119X1 -0.52669 0.14 -3.762X2 -0.28732 0.14629 -1.964X3 -0.1266 0.11861 -1.067X4 0.30572 0.1562 1.957X5 0.59707 0.25359 2.355X6 -0.02194 0.22346 -0.098X7 -0.21171 0.211 -1.003Devians 30



REGRESI BINOMIAL NEGATIFH0 : 𝛽𝑗 = 0

H1 : 𝛽𝑗 ≠ 0

𝑧( 0.102) = 1,64


UJI PARSIAL

Estimate Std. Error z-hit(Intercept) 3.00705 0.11513 26.119X1 -0.52669 0.14 -3.762X2 -0.28732 0.14629 -1.964X3 -0.1266 0.11861 -1.067X4 0.30572 0.1562 1.957X5 0.59707 0.25359 2.355X6 -0.02194 0.22346 -0.098X7 -0.21171 0.211 -1.003Devians 30


H0 : I = 0 (tidak ada dependensi spasial)H1 : I ≠ 0 (terdapat dependensi spasial)

P-value = 0,8868

H0 : 𝝈𝟐𝟏 = 𝝈𝟐

𝟐 = ⋯ = 𝝈𝟐𝟑𝟖 = 𝝈𝟐

H1 : Minimal ada satu 𝝈𝟐𝒊 ≠ 𝝈𝟐

Uji Dependensi Spasial Uji Heterogenitas Spasial

Pemodelan Jumlah Kejadian Luar Biasa Difteri di Jawa Timur menggunakan Metode GWNBR

P-value = 0,08163


𝑯𝟎 ∶ 𝜷𝒑 𝒖𝒊, 𝒗𝒊 = 𝜷𝒑

𝑯𝟎 ∶ 𝜷𝒑 𝒖𝒊, 𝒗𝒊 ≠ 𝜷𝒑

Statistik Uji : 𝑭𝒉𝒊𝒕 = 𝟑, 𝟓𝟎𝟑

Tolak H0 jika 𝑭𝒉𝒊𝒕 > 1,60648

Uji Kesamaan Model GWNBR dengan Reg. Binom Negatif



H0 : 𝜷𝟏 𝒖𝒊, 𝒗𝒊 = 𝜷𝟐 𝒖𝒊, 𝒗𝒊 = ⋯ = 𝜷𝟕 𝒖𝒊, 𝒗𝒊 = 𝟎H1 : paling sedikit ada satu 𝜷𝒋 𝒖𝒊, 𝒗𝒊 ≠ 0 ; j = 1,2,...,7

Statistik Uji : D( 𝜷) = 10,10197

Tolak H0 jika D( 𝜷) > 9,80235

UJI SERENTAK




PEMODELAN JUMLAH KLB DIFTERI DI KABUPATEN TULUNGAGUNG

Estimate Z-VALUE(Intercept) 1,621 75,520

Z.X1 -0,074 79,165Z.X2 -0,044 -3,218Z.X3 -0,011 -4,045Z.X4 0,043 -0,493

Z.X5 0.053 1.211Z.X6 0.002 1.499Z.X7 -0.014 0.077

θ 1.436 -

H0 : 𝛽𝑗 = 0

H1 : 𝛽𝑗 ≠ 0

𝑧( 0.102) = 1,64


UJI PARSIAL

TOLAK H0



PEMODELAN JUMLAH KLB DIFTERI DI KABUPATEN TULUNGAGUNG

Berdasarkan dari variabel yang signifikan dari model yang terbentuk di kabupaten tulungagung dapatdisimpulkan bahwa setiap pertambahan 1 persen penderita difteri yang mendapatkan DPT3 maka akanmengurangi rata-rata jumlah KLB difteri sebesar exp(0,002582) = 1,0025 ≈ 1 kasus dengan asumsi variabel lainkonstan.


KESIMPULAN

Pada tahun 2012 kabupaten Situbondo memiliki jumlahpaling banyak KLB difteri dan kota Kediri memiliki jumlahpaling sedikit KLB difteri di Jawa Timur. Hal ini salahsatunya disebabkan oleh kabupaten Situbondo yangmemiliki persentase penderita difteri yang sudahmendapatkan DPT3 yang tergolong sedikit sedangkan kotaKediri memiliki persentase yang tergolong tinggi.

Berdasarkan hasil pemodelan GWNBR dengan fungsi pembobot kernel adaptive bisquare didapatkan pengelompokan sebanyak 4 kelompok berdasarkan variabel-variabel yang signifikan.

Faktor-faktor yang mempengaruhi KLB difteri disemua kabupaten/kota di jawa timur adalah persentasependerita difteri yang mendapatkan DPT3, persentaserumah tangga yang berperilaku hidup bersih dan sehat(PHBS), dan persentase rumah tangga yang memilikisumber air minum terlindung.

DAFTAR PUSTAKA


Afri, L. E. (2013). Model Regresi Binomial Negatif Terboboti Geografis untuk Data Kematian Bayi. Jurnal

Ilmiah Edu Research Vol.2 No.1.Alfa'ida, S. (2013). Pengelompokan Kabupaten/Kota di Jawa Timur berdasarkan Jumlah Kasus Difteri dan

Faktor-Faktor Penyebabnya pada KLB Difteri. Surabaya: Institut Teknologi Sepuluh Nopember.Anselin, L. (1988). Spatial Econometris: Methods and Models. Dordrecht: Kluwer Academic Publishers.Cameron, A. C., & Trivedi, P. K. (1998). Regression Analysis of Count Data. Cambridge: Camb Cambridge

University.Dinas Kesehatan Provinsi Jawa Timur. (2011). Pedoman Penanggulangan KLB Diphteri Di Jawa Timur.

Surabaya: Dinas Kesehatan Provinsi Jawa Timur.Dinas Kesehatan Provinsi Jawa Timur. (2013). Profil Kesehatan Provinsi Jawa Timur Tahun 2012.

Surabaya: Dinas Kesehatan Provinsi Jawa Timur.Hardin, J., & Hilbe, J. (2007). Generalized Linier Models and Extensions. Texas: Stata Press.Hocking, R. (1996). Method and Applications of Linier Models. New York: John Wiley and Sons,Inc.

DAFTAR PUSTAKA


Irawati, B. (2013). Pemodelan Generalized Poisson Regression (GPR) dan Regresi Binomial Negatif untuk

Mengatasi Overdispersi pada Jumlah Kasus Kanker Serviks di Jawa Timur. Surabaya: InstitutTeknologi Sepuluh Nopember.

Kartono, B., Purwana, R., & Djaja, I. M. (2008). Hubungan Lingkungan Rumah dengan KLB Difteri diKabupaten Tasikmalaya (2005-2006) dan Garut Januari 2007, Jawa Barat. Makara, Kesehatan, Vol.

12, No. 1, 8-12.Kunoli, F. J. (2013). Pengantar Epidemiologi Penyakit Menular. Jakarta: Trans Info Media.Lestari, K. S. (2012). Faktor-Faktor yang Berhubungan dengan Kejadian Difteri di Kabupaten Sidoarjo.

Depok: Universitas Indonesia.Lieztyanto, Y. G. (2014). Estimasi Model Geographically Weighted Negative Binomial Regression

(GWNBR) pada Data Kasus Kanker Serviks di Jawa Timur. Surabaya: Institut Teknologi SepuluhNopember.

Mertha, W. P. (2008). Analisa Hubungan Kondisi Sektor Ekonomi dan Penelitian terhadap Angka

Kemiskinan di Jawa Timur menggunakan Metode GWR. Surabaya: Institut Teknologi SepuluhNopember.

DAFTAR PUSTAKA


Nikmah, I. (2009). Pemodelan Kejadian Luar Biasa (KLB) Penyakit Difteri di Jawa Timur

dengan Pendekatan Regresi Nonparametrik Spline Multivariabel. Surabaya: InstitutTeknologi Sepuluh Nopember.

Public Health. (2014, Februari 24). The Indonesian Public Healt Portal. Diambil kembalidari Indonesian Public Healt: http://www.indonesian-publichealth.com/2012/11/faktor-risiko-difteri.html

Ricardo, A., & Carvalho, T. (2013). Geographically Weighted Negative Binomial Regression-

Incorporating Overdispersion. Business Media New York: Springer Science.Walpole, E. R. (1995). Pengantar Statistik Edisi Ketiga. Jakarta: Pustaka Utama.Widoyono. (2011). Epidemiologi, Penularan, Pencegahan, dan Pemberantasan Penyakit

Tropis, Edisi Kedua. Jakarta: Erlangga.World Health Organization. (2013). Pocket Book of Hospital Care for Children, 2nd edition.

World Health Organization.

Pemodelan Kejadian Luar Biasa Difteri di Jawa Timur Tahun 2012 dengan Menggunakan Geographically Weighted Negative Binomial Regression (GWNBR)

Oleh :

Bunga Nevrieda Nandasari (1310 100 011)

Dosen Pembimbing :

Ir. Sri Pingit Wulandari, M.Si

Minggu, 24 Juni 2014 Seminar Hasil Tugas Akhir

pemodelan kejadian luar biasa difteri di jawa timur tahun ... · biasa difteri di jawa timur pada...

Documents