PENANGANAN OVERDISPERSI PADA REGRESI POISSON

(Studi Kasus: Pengaruh Faktor Iklim Terhadap Jumlah Penderita Penyakit Demam Berdarah di Kota Bogor)

Authors

  • Marta Sundari Universitas Indraprasta PGRI Jakarta
  • Pardomuan Robinson Sihombing Badan Pusat Statistik, Jakarta

DOI:

https://doi.org/10.46306/lb.v2i1.48

Keywords:

dengue, negative binomial, overdispertion, poisson

Abstract

Penyakit demam berdarah dengue (DBD) telah menjadi penyakit endemik di kota-kota besar di Indonesia. Angka kejadian DBD merupakan data diskrit (count) yang mengikuti distribusi Poisson. Dalam penelitian ini dilakukan pemodelan pengaruh iklim terhadap angka kejadian DBD menggunakan metode regresi Poisson. Masalah overdispersi sering ditemukan dalam regresi poisson, dimana nilai ekspektasi tidak sama dengan nilai variannya seperti yang disyaratkan dalam regresi poisson. Selanjutnya untuk menangani masalah overdispersi yang terjadi pada regresi poisson dilakukan pendekatan dengan menggunakan beberapa model regresi lain yaitu model Regresi Negative Binomial, Zero-Truncated Poisson dan Zero-Truncated Negative Binomial. Model terpilih dengan kriteria terbaik adalah Negative Binomial. Pada Negative Binomial hanya peubah rataan kelembapan per tahun yang memiliki pengaruh yang nyata terhadap jumlah penderita penyakit DBD di Kota Bogor pada tahun 2013-2019 pada taraf nyata 5%. Peubah rataan suhu rata-rata dan peubah jumlah curah hujan memiliki pengaruh yang nyata terhadap jumlah penderita penyakit DBD di Kota Bogor pada taraf nyata 15%.

Downloads

Download data is not yet available.

References

Badan Pusat Statistik Jawa Barat. (2011-2020). Jawa Barat dalam Angka. Bandung: Badan Pusat Statistik Jawa Barat.

BMKG. (2020, Desember 1). Retrieved from http://dataonline.bmkg.go.id/.

Brisbois, B., & Ali, S. (2010). Climate Change, VectorBorne Disease and Interdisciplinary Research: Social Science Perspectives on an Environment and Health Controversy. Heidelberg: Springer.

Cameron, C., & Trivedi, P. (2013). Regression Analysis of Count Data (Second Edition). New York: Cambridge University Press.

Gubler, D. J., Suharyono, W., Lubis, I., Eram, S., & Saroso, J. S. (1979). Epidemic dengue hemorrhagic fever in rural Indonesia. I. Virological and epidemiological studies. The American Journal of Tropical Medicine and Hygenie, 701-710.

Hopp, M., & Foley, J. (2001). Global-Scale Relationships Between Climate and the Dengue Fever Vector, Aedes Aegypti. New York: Kluwer Academic Publishers.

Liu, Saat, M., Qin, & Barkan. (2013). Analysis of U.S. freight-trainderailment severity using zero-truncated negative binomial regression and quantileregression. Accident Analysis and Prevention 59, 87–93.

McMichael, Anthony, J., & Woodruff, E. R. (1996). Climate Change and Human Health. Netherlands: Springer .

Purwandari, D. (2020). PEMODELAN REGRESI LATEN PADA EFEK PLASEBO MEMAKAI METODE MAXIMUM LIKELIHOOD. Jurnal Lebesgue: Jurnal Ilmiah Pendidikan Matematika, Matematika dan Statistika, 1(3), 193-198.

Ramesh, C., Sharmila, P., Dhillon, G., & Aditya, P. (2010). Climate change and threat of vector-borne diseases in India: Are we prepared? Parasitol. Res, 106(4), 763-773.

WHO. (2018). Dengue data application. Jenewa: World Health Organization.

Published

2021-04-13