Anda di halaman 1dari 105

i

HALAMAN JUDUL












TUGAS AKHIR - ST 1325

PEMODELAN RESIKO PENYAKIT KAKI GAJAH
(FILARIASIS) DI PROVINSI PAPUA DENGAN
REGRESI ZERO-INFLATED POISSON

IKA RAHMAWATI
NRP 1305 100 035

Dosen Pembimbing
Ir. Sri Pingit Wulandari, M.Si
Dr. Brodjol Sutijo Suprih Ulama, M.Si

JURUSAN STATISTIKA
Fakultas Matematika Dan Ilmu Pengetahuan Alam
Institut Teknologi Sepuluh Nopember
Surabaya 2009

i

N JUDUL












TUGAS AKHIR - ST 1325

PEMODELAN RESIKO PENYAKIT KAKI GAJAH
(FILARIASIS) DI PROVINSI PAPUA DENGAN
REGRESI ZERO-INFLATED POISSON

IKA RAHMAWATI
NRP 1305 100 035

Dosen Pembimbing
Ir. Sri Pingit Wulandari, M.Si
Dr. Brodjol Sutijo Suprih Ulama, M.Si

JURUSAN STATISTIKA
Fakultas Matematika Dan Ilmu Pengetahuan Alam
Institut Teknologi Sepuluh Nopember
Surabaya 2009



ii

TITLE PAGE
















FINAL PROJECT - ST 1325

THE RISKS OF FILARIASIS DISEASE
IN PAPUA DISTRICT MODELING BY
ZERO-INFLATED POISSON REGRESSION

IKA RAHMAWATI
NRP 1305 100 035

Supervisor
Ir. Sri Pingit Wulandari, M.Si
Dr. Brodjol Sutijo Suprih Ulama, M.Si

DEPARTMENT OF STATISTICS
Faculty Of Mathematics And Natural Sciences
Sepuluh Nopember Institute Of Technology
Surabaya 2009



iii


LEMBAR PENGESAHAN

PEMODELAN RESIKO PENYAKIT KAKI GAJAH
(FILARIASIS) DI PROVINSI PAPUA DENGAN
REGRESI ZERO-INFLATED POISSON

TUGAS AKHIR
Diajukan Untuk Memenuhi Salah Satu Syarat
Memperoleh Gelar Sarjana Sains
pada
Program Studi S-1 Jurusan Statistika
Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Teknologi Sepuluh Nopember

Oleh :
IKA RAHMAWATI
NRP 1305 100 035

Disetujui oleh Pembimbing Tugas Akhir
Ir. Sri Pingit Wulandari, M.Si
1. Ir. Sri Pingit Wulandari, M.Si
NIP : 131 651 256 ( )
2. Dr. Brodjol Sutijo Suprih Ulama, M.Si
NIP : 131 879 383 ( )

Mengetahui
Ketua Jurusan Statistika FMIPA-ITS


Dr. Sony Sunaryo, M.Si
NIP. 131 843 380

SURABAYA, JULI 2009


iv




v

PEMODELAN RESIKO PENYAKIT KAKI GAJAH
(FILARIASIS) DI PROVINSI PAPUA DENGAN
REGRESI ZERO-INFLATED POISSON

Nama Mahasiswa : Ika Rahmawati
NRP : 1305 100 035
Jurusan : Statistika FMIPA-ITS
Dosen Pembimbing : Ir. Sri Pingit Wulandari, M.Si
Dr. Brodjol Sutijo Suprih Ulama, M.Si

ABSTRAK
Pemerintah telah menetapkan eliminasi penyakit tropis kaki
gajah (filariasis) sebagai salah satu program prioritas. Salah satu
daerah yang menjadi sasaran program tersebut adalah Provinsi Papua.
Jumlah penderita filariasis untuk tiap kabupaten/kota di Provinsi Papua
sebagai variabel respon mengikuti distribusi Poisson. Sehingga metode
regresi Poisson merupakan metode yang sesuai untuk mengetahui
faktor-faktor yang mempengaruhi penyakit filariasis. Model regresi
Poisson mengasumsikan equidispersi, yaitu kondisi dimana nilai mean
dan varians dari variabel respon bernilai sama. Setelah dilakukan
pengujian overdispersi terbukti bahwa terdapat kondisi overdispersi
pada model Regresi Poisson, dimana nilai varians lebih besar dari
mean. Sehingga model yang digunakan selanjutnya adalah model
regresi zero-inflated Poisson (ZIP). Pemodelan dengan regresi ZIP
menghasilkan model logit yang menunjukkan bahwa jumlah penderita
filariasis tiap kabupaten/kota di Provinsi Papua yang bernilai nol
dipengaruhi oleh persentase penduduk yang tidur di dalam kelambu,
persentase penduduk yang tidur di dalam kelambu berinsektisida, dan
persentase rumah tangga yang memelihara hewan peliharaan (anjing/
kucing/kelinci). Sedangkan model log regresi ZIP menjelaskan bahwa
semakin banyak persentase rumah tangga yang memelihara hewan
peliharaan (anjing/kucing/kelinci) akan menaikkan jumlah penderita
filariasis di Provinsi Papua sebanyak dua orang. Kabupaten/kota yang
perlu mendapatkan perhatian khusus dalam program eliminasi filariasis
adalah Asmat, Tolikara, Supiori, Yapen Waropen, dan Kota Jayapura.
Kata kunci : filariasis, regresi Poisson, overdispersi, regresi zero-
inflated Poisson.


vi

(Halaman ini sengaja dikosongkan)


vii

THE RISKS OF FILARIASIS DISEASE
IN PAPUA DISTRICT MODELING BY
ZERO-INFLATED POISSON REGRESSION

Name : Ika Rahmawati
NRP : 1305 100 035
Department : Statistika FMIPA-ITS
Supervisor : Ir. Sri Pingit Wulandari, M.Si
Dr. Brodjol Sutijo Suprih Ulama, M.Si

ABSTRACT
The goverment has been established elimination of filariasis
tropical disease as one of the priority program. One of district becoming
this program target is Papua district. The sum of filariasis victim on
every regency/city in Papua district can be assumed to follow Poisson
distribution. So Poisson regression method is suitable method to know
influence factor of filariasis disease. Poisson regression model assume
equidispersion, that is equality of mean and variance of the response
variable. Overdispersion test shows that variance of the response
variable exceeds its mean value. So the model is modified become zero-
inflated Poisson (ZIP) regression model (logit and log). ZIP regression
logit model shows that the quantity of filariasis victim every regency/city
in Papua district with zero count is influented by percentage of
household members who sleep inside mosquito net, percentage of
household members who sleep inside insecticide musquito net, and
percentage of house-hold who keep pet (dog/cat/rabbit). While ZIP
regression log model shows that increasing number of percentage
household who keep pet will raising up the quantity of filariasis victim
in Papua district as many as two persons. Regency/city which need to
get special attention on elimination program of filariasis is Asmat,
Tolikara, Supiori, Yapen Waropen, and Jayapura city.

Keywords : filariasis, Poisson regression, overdispersion,
zero-inflated Poisson regression.




viii

(Halaman ini sengaja dikosongkan)


ix

KATA PENGANTAR

Segala puji dan syukur penulis panjatkan atas kehadirat
Allah SWT yang telah memberikan rahmat, hidayah dan kekuatan
kepada penulis sehingga laporan Tugas Akhir yang berjudul
PEMODELAN RESIKO PENYAKIT KAKI GAJAH (FILA-
RIASIS) DI PROVINSI PAPUA DENGAN REGRESI ZERO-
INFLATED POISSON dapat terselesaikan. Shalawat serta
salam tidak lupa penulis panjatkan kepada Nabi Besar
Muhammad SAW atas suri tauladannya dalam kehidupan ini.
Dengan terselesaikan laporan Tugas Akhir ini, penulis
mengucapkan terima kasih yang sebesar-besarnya kepada :
1. Bapak Dr. Sony Sunaryo, M.Si selaku Kajur Statistika
FMIPA ITS.
2. Ibu Ir. Mutiah Salamah, M.Kes selaku koordinator tugas
akhir.
3. Ibu Ir. Sri Pingit Wulandari, M.Si dan Bapak Dr. Brodjol
Sutijo Suprih Ulama, M.Si selaku pembimbing yang telah
memberikan perhatian, bimbingan dan arahannya dalam
menyelesaikan Tugas Akhir ini.
4. Bapak M. Setyo Pramono, S.Si, M.Si yang telah memberikan
kemudahan dan dukungan dalam proses memperoleh data un-
tuk Tugas Akhir ini.
5. Ayah dan ibuku tersayang yang senantiasa mendoakan dan
memberikan dukungan moril material. Adikku tersayang, atas
doa dan dukungannya.
6. Teman-teman seperjuangan Sigma-Sixteen.
7. The Niners, terima kasih telah menjadi saudara dan keluarga
penulis di Surabaya.
8. Sniper 08, terima kasih atas kebersamaan, canda, dan
tawanya.
9. Dan seluruh pihak yang tidak dapat disebutkan satu per satu.
Penulis menyadari bahwa laporan ini masih jauh dari
sempurna. Oleh karena itu, kritik dan saran diharapkan dari se-
mua pihak untuk tahap pengembangan selanjutnya. Besar harapan


x

penulis bahwa informasi sekecil apapun dalam Tugas Akhir ini
akan bermanfaat bagi semua pihak dan dapat menambah pengeta-
huan.



Surabaya,

Penulis


xi

DAFTAR ISI

HALAMAN JUDUL ...................................................................... i
TITLE PAGE ................................................................................. ii
LEMBAR PENGESAHAN .......................................................... iii
ABSTRAK .................................................................................... v
ABSTRACT .................................................................................. vii
DAFTAR ISI ................................................................................ xi
DAFTAR TABEL ....................................................................... xv
DAFTAR LAMPIRAN .............................................................. xxi
BAB 1 PENDAHULUAN ........................................................ 1
1.1 Latar Belakang .............................................................. 1
1.2 Rumusan Permasalahan ................................................. 3
1.3 Batasan Masalah ............................................................ 4
1.4 Tujuan ............................................................................ 4
1.5 Manfaat .......................................................................... 4
BAB 2 TINJAUAN PUSTAKA ............................................... 5
2.1 Model Regresi Poisson .................................................. 5
2.1.1 Estimasi Parameter Model Regresi Poisson .............. 7
2.1.2 Pengujian Parameter Model Regresi Poisson ............ 9
2.2 Overdispersi................................................................. 11
2.3 Model Regresi Zero-Inflated Poisson .......................... 11
2.3.1 Estimasi Parameter Model Regresi Zero-Inflated
Poisson ..................................................................... 12
2.3.2 Pengujian Parameter Model Zero-Inflated Poisson . 14
2.3.3 Pemilihan Model Terbaik ........................................ 16
2.4 Konsep Penyakit Filariasis (Kaki Gajah) .................... 16
BAB 3 METODOLOGI .......................................................... 19
3.1 Sumber Data dan Variabel Penelitian.......................... 19
3.2 Metode Analisis ........................................................... 22
BAB 4 ANALISIS DAN PEMBAHASAN ............................ 25


xii

4.1 Karakteristik Penduduk di Provinsi Papua .................. 25
4.1.1 Karakteristik Penduduk Berdasarkan Jenis Kelamin ...
................................................................................. 27
4.1.2 Karakteristik Penduduk Berdasarkan Usia .............. 29
4.1.3 Karakteristik Penduduk Berdasarkan Pemakaian
Kelambu ................................................................... 30
4.1.4 Karakteristik Penduduk Berdasarkan Pemakaian
Kelambu Berinsektisida ........................................... 31
4.2 Model Regresi Poisson ................................................ 33
4.2.1 Pengujian Distribusi Poisson pada Variabel Respon33
4.2.2 Pembentukan Model Regresi Poisson ...................... 34
4.2.3 Pengujian Kesesuaian Model Regresi Poisson ........ 38
4.3 Pemodelan Regresi ZIP ............................................... 39
4.3.1 Model Regresi ZIP dengan Satu Variabel Prediktor
yaitu X
10
................................................................... 40
4.3.2 Model Regresi ZIP dengan Dua Variabel Prediktor
yaitu X
4
dan X
10
....................................................... 40
4.3.3 Model Regresi ZIP dengan Dua Variabel Prediktor
yaitu X
5
dan X
10
....................................................... 41
4.3.4 Model Regresi ZIP dengan Dua Variabel Prediktor
yaitu X
8
dan X
10
....................................................... 42
4.3.5 Model Regresi ZIP dengan Tiga Variabel Prediktor
yaitu X
4
, X
5
,

dan X
10
................................................ 42
4.3.6 Model Regresi ZIP dengan Tiga Variabel Prediktor
yaitu X
4
, X
6
,

dan X
10
................................................ 43
4.3.7 Model Regresi ZIP dengan Tiga Variabel Prediktor
yaitu X
4
, X
8
,

dan X
10
................................................ 44
4.3.8 Model Regresi ZIP dengan Tiga Variabel Prediktor
yaitu X
5
, X
6
,

dan X
10
................................................ 45
4.3.9 Model Regresi ZIP dengan Tiga Variabel Prediktor
yaitu X
5
, X
8
,

dan X
10
................................................ 45
4.3.10 Model Regresi ZIP dengan Empat Variabel Prediktor
yaitu X
4
, X
5
, X
6
,

dan X
10
.......................................... 46
4.3.11 Model Regresi ZIP dengan Empat Variabel Prediktor
yaitu X
4
, X
5
, X
8
,

dan X
10
......................................... 47


xiii

4.3.12 Model Regresi ZIP dengan Empat Variabel Prediktor
yaitu X
4
, X
6
, X
8
,

dan X
10
.......................................... 48
4.3.13 Model Regresi ZIP dengan Empat Variabel Prediktor
yaitu X
5
, X
6
, X
8
,

dan X
10
.......................................... 49
4.3.14 Model Regresi ZIP dengan Lima Variabel Prediktor
yaitu X
4
, X
5
, X
6
, X
8
,

dan X
10
.................................... 50
4.4 Pemilihan Model Regresi ZIP Terbaik ........................ 51
4.5 Probabilitas Banyaknya Penderita Penyakit Kaki Gajah
(Filariasis) untuk tiap Kabupaten/Kota di Provinsi
Papua ........................................................................... 53
BAB 5 KESIMPULAN DAN SARAN ................................... 55
5.1 Kesimpulan .................................................................. 55
5.2 Saran ............................................................................ 56
DAFTAR PUSTAKA.................................................................. 57
LAMPIRAN ................................................................................ 61
BIODATA PENULIS.................................................................. 81



















xiv

(Halaman ini sengaja dikosongkan)



xv

DAFTAR TABEL

Tabel 3.1 Jumlah Sampel Rumah Tangga dan Penduduk untuk
Tiap Kabupaten/Kota di Provinsi Papua .................. 19
Tabel 4.1 Jumlah Penderita Filariasis dan Persentase Penderita
Filariasis di Provinsi Papua...................................... 25
Tabel 4.2 Jumlah Penduduk Provinsi Papua dan Sex Rasio .... 27
Tabel 4.3 Statistik Deskriptif Variabel Respon dan Variabel
Prediktor .................................................................. 32
Tabel 4.4 Estimasi Parameter Model Regresi Poisson ........... 34
Tabel 4.5 Jumlah Kombinasi Model yang Bisa Dibuat ........... 35
Tabel 4.6 Estimasi Parameter Model Regresi Poisson dengan
Satu Variabel Prediktor ............................................ 35
Tabel 4.7 Nilai Estimasi Parameter dan Devians pada Tiap
Kemungkinan Model Regresi Poisson ..................... 36
Tabel 4.8 Analisis Kesesuaian Model Regresi Poisson ........... 38
Tabel 4.9 Nilai Estimasi Parameter dan Analisis Kesesuaian
Model Regresi ZIP dengan Satu Variabel Prediktor
yaitu X
10
................................................................... 40
Tabel 4.10 Nilai Estimasi Parameter dan Analisis Kesesuaian
Model Regresi ZIP dengan Dua Variabel Prediktor
yaitu X
4
dan X
10
........................................................ 40
Tabel 4.11 Nilai Estimasi Parameter dan Analisis Kesesuaian
Model Regresi ZIP dengan Dua Variabel Prediktor
yaitu X
5
dan X
10
........................................................ 41
Tabel 4.12 Nilai Estimasi Parameter dan Analisis Kesesuaian
Model Regresi ZIP dengan Dua Variabel Prediktor
yaitu X
8
dan X
10
........................................................ 42
Tabel 4.13 Nilai Estimasi Parameter dan Analisis Kesesuaian
Model Regresi ZIP dengan Tiga Variabel Prediktor
yaitu X
4
, X
5
, dan X
10
................................................. 42


xvi

Tabel 4.14 Nilai Estimasi Parameter dan Analisis Kesesuaian
Model Regresi ZIP dengan Tiga Variabel Prediktor
X
4
, X
6
, dan X
10
.......................................................... 43
Tabel 4.15 Nilai Estimasi Parameter dan Analisis Kesesuaian
Model Regresi ZIP dengan Tiga Variabel Prediktor
yaitu X
4
, X
8
, dan X
10
................................................ 44
Tabel 4.16 Nilai Estimasi Parameter dan Analisis Kesesuaian
Model Regresi ZIP dengan Tiga Variabel Prediktor
yaitu X
5
, X
6
, dan X
10
................................................ 45
Tabel 4.17 Nilai Estimasi Parameter dan Analisis Kesesuaian
Model Regresi ZIP dengan Tiga Variabel Prediktor
yaitu X
5
, X
8
, dan X
10
................................................ 46
Tabel 4.18 Nilai Estimasi Parameter dan Analisis Kesesuaian
Model Regresi ZIP dengan Empat Variabel Prediktor
yaitu X
4
, X
5
, X
6
, dan X
10
........................................... 46
Tabel 4.19 Nilai Estimasi Parameter dan Analisis Kesesuaian
Model Regresi ZIP dengan Empat Variabel Prediktor
yaitu X
4
, X
5
, X
8
, dan X
10
........................................... 47
Tabel 4.20 Nilai Estimasi Parameter dan Analisis Kesesuaian
Model Regresi ZIP dengan Empat Variabel Prediktor
yaitu X
4
, X
6
, X
8
,

dan X
10
........................................... 48
Tabel 4.21 Nilai Estimasi Parameter dan Analisis Kesesuaian
Model Regresi ZIP dengan Empat Variabel Prediktor
yaitu X
5
, X
6
, X
8
,

dan X
10
........................................... 49
Tabel 4.22 Nilai Estimasi Parameter dan Analisis Kesesuaian
Model Regresi ZIP dengan Lima Variabel Prediktor
yaitu X
4
, X
5
, X
6
, X
8
,

dan X
10
..................................... 50
Tabel 4.23 Pemilihan Model Terbaik ........................................ 51
Tabel 4.24 Nilai Estimasi Parameter dan Analisis Kesesuaian
Model Regresi ZIP dengan Tiga Variabel Prediktor


xvii

yaitu X
4
, X
5
, dan X
10
tanpa parameter
0
,
4
,
dan
5
. ..................................................................... 52
Tabel 4.25 Probabilitas Banyaknya Penderita Penyakit Kaki
Gajah (Filariasis) untuk tiap Kabupaten/Kota di
Provinsi Papua ......................................................... 53



xviii

(Halaman ini sengaja dikosongkan)


xix

DAFTAR GAMBAR

Gambar 2.1 Algoritma EM ....................................................... 14
Gambar 3.1 Flow Chart Langkah Kerja ................................... 24
Gambar 4.1 Penyebaran Filariasis di Provinsi Papua ............... 26
Gambar 4.2 Diagram Batang Jenis Kelamin Penduduk di
Provinsi Papua ...................................................... 28
Gambar 4.3 Piramida Penduduk Provinsi Papua ...................... 29
Gambar 4.4 Diagram Batang Usia Penduduk di Provinsi Papua
.............................................................................. 30
Gambar 4.5 Diagram Batang Pemakaian Kelambu di Provinsi
Papua .................................................................... 31
Gambar 4.6 Diagram Batang Pemakaian Kelambu
Berinsektisida di Provinsi Papua .......................... 32













xx

(Halaman ini sengaja dikosongkan)


xxi

DAFTAR LAMPIRAN

Lampiran 1 Jumlah Penderita Filariasis di Tiap Kabupaten/Kota
di Provinsi Papua dan Papua Barat ....................... 61
Lampiran 2 Perhitungan X
1
...................................................... 62
Lampiran 3 Perhitungan X
2
...................................................... 63
Lampiran 4 Perhitungan X
3
...................................................... 64
Lampiran 5 Perhitungan X
4
...................................................... 65
Lampiran 6 Perhitungan X
5
...................................................... 66
Lampiran 7 Perhitungan X
6
...................................................... 67
Lampiran 8 Perhitungan X
7
...................................................... 68
Lampiran 9 Perhitungan X
8
...................................................... 69
Lampiran 10 Perhitungan X
9
...................................................... 70
Lampiran 11 Perhitungan X
10
..................................................... 71
Lampiran 12 Variabel Respon dan Variabel Prediktor .............. 72
Lampiran 13 Pengujian Distribusi untuk Variabel Respon ........ 74
Lampiran 14 Program SAS 9 untuk Estimasi Parameter Model
Regresi Poisson dan Perhitungan Devians ........... 75
Lampiran 15 Estimasi Parameter Dan Perhitungan Devians
Model Regresi Poisson ......................................... 76
Lampiran 16 Program SAS 9 untuk Estimasi Parameter dan
Perhitungan Likelihood Model Regresi Zero-
Inflated Poisson .................................................... 77
Lampiran 17 Estimasi Parameter dan Likelihood Model Regresi
Zero-Inflated Poisson ........................................... 78


xxii

(Halaman ini sengaja dikosongkan)



1

BAB 1
PENDAHULUAN

1.1 Latar Belakang
Indonesia sebagai negara tropis merupakan kawasan
endemik berbagai penyakit menular, seperti kaki gajah (filariasis),
malaria, demam berdarah, TBC, diare, lepra, dan sebagainya.
Sebagai negara tropis, Indonesia merupakan wilayah endemis
beragam penyakit tropis. Menurut Kompas (2008), jumlah
penderita penyakit tropis semakin meningkat dalam lima tahun
terakhir. Misalnya, jumlah penderita penyakit filariasis pada
tahun 2000 sebanyak 4.472 penderita. Sedangkan tahun 2005
berdasarkan data Departemen Kesehatan melonjak menjadi
10.239 penderita. Penyakit lepra pada tahun 2001 diderita oleh
14.061 orang di seluruh Tanah Air. Namun, tahun 2005 sudah
naik menjadi 19.695 penderita. Walaupun filariasis tidak menye-
babkan kematian, namun dapat menyebabkan cacat fisik perma-
nen dan memberikan dampak ekonomi sosial yang negatif
berupa produktivitas kerja menurun serta beban ekonomi
sosial bagi penderitanya (Syachrial, Martini, Yudhastuti, dan
Huda, 2005). Penyebaran penyakit tropis hampir menjangkau
seluruh wilayah Tanah Air. Beberapa penyakit tropis yang perlu
diwaspadai adalah malaria, kusta, demam berdarah dengue, lepra,
dan kaki gajah (Anonim, 2008).
Penyakit kaki gajah (filariasis) merupakan masalah kese-
hatan masyarakat di Indonesia terutama daerah pedesaan. Penya-
kit menular ini disebabkan oleh infeksi cacing filaria yang ditular-
kan oleh gigitan nyamuk. Jumlah penduduk Indonesia yang
beresiko menderita penyakit filariasis pada tahun 2007 mencapai
98 juta jiwa. Pada tahun 2006 telah berhasil dilakukan penyaring-
an terhadap 7.480.210 jiwa yang beresiko menderita filariasis,
dan beberapa di antaranya sudah dilakukan pengobatan. Pada
tahun 2007, sasaran pengobatan mencapai 30 juta jiwa yang
dilakukan di 72 kabupaten di Indonesia, khususnya bagian timur
2



(Suara Pembaharuan, 2007). Penyakit kaki gajah menyerang
penduduk yang tinggal di pegunungan dimana terdapat hutan
yang menjadi tempat bersarang nyamuk anopheles, seperti Papua,
Nusa Tenggara Timur, Banten, Jawa Barat, Jawa Tengah, Jawa
Timur (Anonim, 2004). Selain itu, data Riset Kesehatan Dasar
(RKD) 2007 menunjukkan bahwa persentase penderita filariasis
di Provinsi Papua berada dalam urutan tiga besar dari seluruh
provinsi di Indonesia. Provinsi dengan penderita terbanyak adalah
Provinsi Daerah Istimewa Aceh, menyusul kemudian Provinsi
Papua Barat dan Provinsi Papua. Berdasarkan keterangan di atas
maka salah satu daerah endemis yang menjadi sasaran pengobatan
penyakit filariasis pada tahun 2007 adalah provinsi Papua. Oleh
karena itu, populasi dalam penelitian ini adalah seluruh rumah
tangga di Provinsi Papua dan obyek penelitian ini adalah
penduduk di Provinsi Papua.
Ambarita dan Sitorus (2004) menyatakan bahwa pemerin-
tah pada tahun 2002 telah mencanangkan dimulainya eliminasi
penyakit kaki gajah di Indonesia dan telah menetapkan eliminasi
penyakit kaki gajah sebagai salah satu program prioritas. Program
ini dicanangkan sebagai respon dari program Wealth Health
Organization yang menetapkan komitmen global untuk mengeli-
minasi filariasis (The Global Goal of Elimination of Lymphatic
Filariasis as a Public Health Problem by the Year 2020).
Program eliminasi penyakit kaki gajah dapat dilakukan lebih
efisien jika faktor-faktor yang mempengaruhi kejadian penyakit
tropis kaki gajah (filariasis) sudah diketahui.
Keterkaitan faktor-faktor tersebut dengan banyaknya pen-
derita filariasis dapat didekati oleh analisis statistik mengenai hu-
bungan variabel prediktor dengan variabel respon yaitu metode
regresi. Metode regresi pada umumnya menggunakan variabel
respon yang merupakan variabel random kontinu berdistribusi
normal. Namun adakalanya variabel respon yang diteliti me-
rupakan variabel random diskrit yang dapat berdistribusi Poisson,
Binomial, atau Multinomial. Apabila variabel respon yang akan
diteliti merupakan variabel random diskrit yang berdistribusi
3



Poisson, maka hubungan antara variabel respon dan variabel pre-
diktor dapat diketahui dengan metode regresi Poisson.
Metode regresi Poisson mewajibkan equidispersi, yaitu
nilai mean dan varians dari variabel respon harus memiliki nilai
yang sama. Dalam dunia nyata, varians dari variabel respon
sering melebihi nilai meannya. Fenomena ini yang disebut dengan
overdispersi. Adakalanya overdispersi disebabkan oleh lebih
banyak observasi yang bernilai nol daripada yang ditaksir. Salah
satu metode analisis yang diusulkan untuk observasi dengan lebih
banyak nilai nol daripada yang ditaksir adalah model regresi zero-
inflated Poisson (Khoshgoftaar, Gao, dan Szabo, 2004)
Kejadian filariasis merupakan peristiwa yang relatif
jarang terjadi sehingga jumlah penderita filariasis untuk tiap
kabupaten/kota di Provinsi Papua selaku variabel respon dapat
diasumsikan mengikuti distribusi Poisson. Walaupun relatif
jarang terjadi, namun penyakit ini dapat menyebabkan cacat fisik
permanen dan menyebabkan produktivitas kerja penderita
menurun. Hubungan antara penderita filariasis di Provinsi Papua
dengan faktor yang mempengaruhinya dapat dicari menggunakan
metode regresi Poisson. Namun, data jumlah penderita filariasis
banyak yang bernilai nol sehingga memungkinkan terjadinya
overdispersi. Jika terjadi overdispersi maka hubungan antara
penderita filariasis di Provinsi Papua dengan faktor yang mempe-
ngaruhinya tidak dicari menggunakan metode regresi Poisson,
melainkan menggunakan metode regresi zero-inflated Poisson.

1.2 Rumusan Permasalahan
Berdasarkan latar belakang yang telah dikemukakan di a-
tas, maka permasalahan yang akan dibahas dalam penelitian ini a-
dalah sebagai berikut :
1. Bagaimana karakteristik penduduk di Provinsi Papua.
2. Bagaimana memodelkan kejadian penyakit tropis kaki gajah
(filariasis) dengan faktor-faktor yang mempengaruhinya.

4



1.3 Batasan Masalah
Penelitian ini difokuskan pada penderita filariasis di Pro-
vinsi Papua. Data penelitian yang digunakan adalah data Riset
Kesehatan Dasar (RKD) Provinsi Papua tahun 2007 yang bersum-
ber dari Badan Penelitian dan Pengembangan Kesehatan Departe-
men Kesehatan Republik Indonesia. Metode yang digunakan
dalam penelitian ini adalah regresi Poisson. Apabila terjadi over-
dispersi, maka metode yang digunakan adalah regresi zero-
inflated Poisson.

1.4 Tujuan
Tujuan yang ingin dicapai dalam penelitian ini adalah se-
bagai berikut :
1. Mengkaji karakteristik penduduk di Provinsi Papua.
2. Menganalisis faktor-faktor yang mempengaruhi kejadian pe-
nyakit tropis kaki gajah (filariasis) di Provinsi Papua.

1.5 Manfaat
Penelitian ini diharapkan dapat menjadi masukan tentang
faktor-faktor yang mempengaruhi kejadian filariasis di Provinsi
Papua dan kepada pihak-pihak yang berkepentingan dalam bidang
kesehatan, khususnya di bidang filariasis sehingga dapat dilaku-
kan pencegahan sejak dini.

5

BAB 2
TINJAUAN PUSTAKA

2.1 Model Regresi Poisson
Model regresi Poisson merupakan model standar untuk
data diskrit dan termasuk dalam model regresi nonlinear (Came-
ron dan Trivedi, 1998). Regresi Poisson berdasarkan pada peng-
gunaan distribusi Poisson. Probabilitas distribusi Poisson diberi-
kan oleh (Myers, 1990).
...) , 2 , 1 , 0 (
!
) ; ( = =

y
y
e
y p
y

(2.1)
dimana adalah mean distribusi Poisson. Parameter sangat
bergantung pada beberapa unit yang ditetapkan atau periode
waktu, jarak, luas, volume, dan lain-lain. Distribusi Poisson
digunakan untuk memodelkan peristiwa yang relatif jarang terjadi
selama periode yang dipilih. Probabilitas banyak kejadian y dalam
periode waktu t diberikan oleh.
...) , 2 , 1 , 0 (
!
) (
) ; ( = =

y
y
t e
y p
y t

(2.2)
Persamaan di atas digunakan untuk probabilitas kejadian
y, dan rata-rata jumlah kejadian t , berdasarkan asumsi bahwa
rata-rata jumlah kejadian per periode waktu adalah konstan.
Pengujian kesesuian distribusi untuk variabel y adalah
dengan uji Kolmogorov-Smirnov. Berikut ini adalah hipotesis uji
Kolmogorov-Smirnov.
) ( * ) ( :
0
y F y F H = (variabel random y mengikuti distribusi ter-
tentu)
) ( * ) ( :
1
y F y F H (variabel random y tidak mengikuti distri-
busi tertentu)
6



Statistik uji Kolmogorov-Smirnov ditentukan berdasarkan
nilai terbesar dari selisih antara nilai fungsi distribusi teoritis de-
ngan nilai fungsi distribusi empirisnya (Conover, 1980).
[ ] ) ( ) ( * sup y S y F T
y
= (2.3)
Daerah penolakan untuk pengujian ini adalah tolak
0
H
pada taraf signifikansi jika
2 / 1
>w T , dimana
2 / 1
w ada-
lah nilai kuantil dari statistik uji KolmogorovSmirnov pada uji
dua sisi.
Baharuddin (2005) mengatakan bahwa metode regresi
Poisson biasanya diterapkan pada penelitian kesehatan masyara-
kat, biologi, dan teknik dimana variabel responnya (y) berupa ca-
cahan objek yang merupakan fungsi dari sejumlah karakteristik
tertentu (x). Misalkan terdapat sekumpulan data dengan struktur
sebagai berikut :
INT
(
(
(

kn n n n
k
x x x y
x x x y
L
M M M M
L
2 1
1 21 11 1
RAL,
Model regresi Poisson ditulis sebagai berikut (Myers,
1990) :
) ..., , 2 , 1 ( n i y
i i i
= + = (2.4)
dimana
i
y adalah jumlah kejadian dan
i
adalah rata-rata jumlah
kejadian dalam periode
i
t .
i
diasumsikan tidak berubah dari
data ke data. Persamaan distribusi Poisson dinyatakan dengan
persamaan sebagai berikut :

!
)]

; ( [
)

; (
)]

; ( [
i
y
i i
t
i
y
t e
y p
i i i
x


= (2.5)
7



dimana )

; (
i
x adalah rata-rata Poisson dan vektor


menunjukkan parameter yang ditaksir. Mean dan varians untuk
model regresi Poisson adalah sebagai berikut :
)

exp( )

; (
T
i i i i i
x t x t = =
dan
)

exp( )

; ( ) (
T
i i i i i
x t x t y Var = =
Selanjutnya model regresi Poisson dapat ditulis sebagai
berikut (Myers, 1990) :

i
T
i i i
x t y + = )

exp( (2.6)

2.1.1 Estimasi Parameter Model Regresi Poisson
Berdasarkan persamaan distribusi Poisson yang ditunjuk-
kan pada Persamaan (2.5), maka fungsi likelihoodnya adalah se-
bagai berikut (Myers, 1990) :

( ) [ ]
( ) [ ]

=
=
n
i
i
x t
y
i i
n
i
i
y
e x t
y p L
i i
i
1

;
1
!

;
)

; ( )

, (



( ) [ ]
( )

)
`

=
=
n
i
i
x t n
i
y
i i
y
e x t
n
i
i i
i
L
1

;
1
!

;
1
)

, (


(2.7)
Persamaan di atas dimaksimalkan dengan menggunakan
teknik iteratif yang menghasilkan penaksir maximum likelihood
untuk koefisien regresi dalam

. Prosedur yang disarankan oleh


Myers (1990) untuk menemukan penaksir maximum likelihood
8



adalah pendekatan Iteratively Reweighted Least Squares
(IRWLS).
Menurut Cameron dan Trivedi (1998), Iteratively Re-
weighted Least Square (IRWLS) menggunakan metode Newton-
Raphson. Umumnya pada iterasi ke-s, metode Newton-Raphson
memperbaiki taksiran
s

yang biasa dipakai, dengan rumus


sebagai berikut :

s s s s
g H


1
1

+
= (2.8)
dimana

y
g

; ( ln

=
L
dan
2
2
)

(
)

; ( ln

y
H

=
L
.
Metode Newton-Raphson yang digunakan untuk menye-
lesaikan persamaan berikut :
0

; ( ln
=

y L
(2.9)
dimana
( )! ) ; ( ) ; (
1 1 1
ln

ln )

; ( ln

= = =
=
n
i
i
n
i
i i
n
i
i i i
y x t x t y y L (2.10)
Persamaan likelihood untuk mencari

adalah sebagai
berikut :
0

; (

; (
)

; (
1 1
=


= =
n
i
n
i
i
i
i
i
i
x
t
x
x
y

; (
)

; (
1
=
(
(

(
(

i
n
i
i
i
i
x
t
x
y

(2.11)

9



2.1.2 Pengujian Parameter Model Regresi Poisson
Pengujian kesesuaian model dengan goodness of fit dise-
but devians (Kleinbaum, Kupper, dan Muller, 1988). Berikut ini
adalah hipotesis pengujian kesesuaian model regresi Poisson.
n i x t H
i i i
..., , 2 , 1 ),

; ( :
0
= =
)

; ( :
1

i i i
x t H
Statistik uji yang digunakan adalah sebagai berikut :

(

=
) ; (
)

; (
ln 2
y
y
L
L
G (2.12)
Nilai ) ; (
i i i
x t = , sehingga Persamaan (2.10) dapat
ditulis menjadi persamaan sebagai berikut :
( )!
1 1 1
ln ln )

; ( ln

= = =
=
n
i
i
n
i
i
n
i
i i
y y L y
( )!
1 1 1
ln ln

= = =
=
n
i
i
n
i
i
n
i
i i
y y y y (2.13)
Sedangkan nilai ) ; ( y L dapat ditulis dalam persamaan
sebagai berikut :


=
=
= =

\
|

|
|

\
|
= =
n
i
n
i
i
n
i
i
n
i
y
i
i
y
i
y
y
e
L
i
i i
1
1
1 1
!
exp
!
) , (


y

(2.14)

Nilai
i i
y = , sehingga Persamaan (2.14) dapat ditulis
sebagai berikut :


=
= =
|

\
|

|
|

\
|
=
n
i
i
n
i
i
n
i
y
i
y
y y
L
i
1
1 1
!
exp
) , ( y

10



Nilai ) ; ( ln y L ditulis dalam persamaan berikut :
( )!
1 1 1
ln ln ) ; ( ln

= = =
=
n
i
i
n
i
i
n
i
i i
y y y y L y (2.15)
Persamaan (2.12) dapat ditulis sebagai berikut :
[ ]
[ ]
( ) ( ) [ ]

=
=
=
=
n
i
i i i i i i i i
y y y y y y y y
L
L G
L
L
1
)! ln( )! ln( 2
) , ( ln 2
) , ( ln 2
ln ln
)

; (
)

; (
y
y
y
y

( )

=
(


|
|

\
|
=
n
i
i i
i
i
i
y y
y
y
y G
1

2 ln

(2.16)
Nilai G

tersebut disebut devians untuk model regresi Poisson.
Menurut Ismail dan Jemain (2005) untuk model yang sesuai,
devians mendekati distribusi Chi-Square dengan derajat bebas
) 1 ( k n , dimana n adalah jumlah pengamatan dan
1 + k adalah jumlah parameter. Daerah penolakan untuk
pengujian ini adalah tolak
0
H pada taraf signifikansi jika
2
) , 1 (


>
k n
G .
Kleinbaum dkk. (1988) mengatakan bahwa devians
seperti Sum Square Error pada analisis regresi linier berganda.
Bila nilai data pengamatan sama dengan prediksi (
i i
y y = ) maka
nilai 0 = G . Semakin besar selisih antara respon pengamatan dan
respon taksiran maka semakin besar pula nilai devians. Taksiran
diharapkan mendekati pengamatan atau tingkat kesalahan
diharapkan kecil sehingga nilai devians yang diharapkan adalah
nilai devians yang kecil.
Parameter model regresi Poisson yang telah dihasilkan
dari estimasi parameter belum tentu mempunyai pengaruh yang
signifikan terhadap model. Untuk itu perlu dilakukan pengujian
11



terhadap parameter model regresi Poisson secara individu. Hipo-
tesis yang digunakan adalah sebagai berikut :
0 :
0 , 0 :
0

< < =
r i
r
H
k r H


dimana k+1 adalah jumlah parameter. Menurut Kleinbaum dkk.
(1988), statistik uji yang digunakan adalah sebagai berikut :
) ; ( ln 2 )

; ( ln ) ; ( ln 2 )

; ( ln 2
) ; (
)

; (
ln 2
) ; (
)

; (
ln 2

y L y L y L y L
y L
y L
y L
y L
G
r
r
+ + =
(

+
(
(

=

(
(

=
)

; (
)

; (
ln 2

y L
y L
G
r
(2.17)
Daerah penolakan untuk pengujian ini adalah tolak
0
H pada taraf
signifikansi jika G >
2
) , 1 (
.

2.2 Overdispersi
Khoshgoftaar, dkk. (2004) mengatakan bahwa metode
regresi Poisson mewajibkan equidispersi, yaitu kondisi dimana
nilai mean dan varians dari variabel respon bernilai sama. Namun,
adakalanya terjadi fenomena overdispersi dalam data yang
dimodelkan dengan distribusi Poisson. Overdispersi berarti
varians lebih besar daripada mean. Taksiran dispersi diukur
dengan devians atau Pearson's Chi-Square yang dibagi derajat
bebas. Data overdispersi jika taksiran dispersi lebih besar dari 1
dan underdispersi jika taksiran dispersi kurang dari 1.

2.3 Model Regresi Zero-Inflated Poisson
Jansakul dan Hinde (2001) mengatakan bahwa salah satu
penyebab terjadinya overdispersi adalah lebih banyak observasi
bernilai nol daripada yang ditaksir untuk model Regresi Poisson.
12



Salah satu metode analisis yang diusulkan untuk lebih banyak
observasi bernilai nol daripada yang ditaksir adalah model regresi
zero-inflated Poisson (ZIP).
Menurut Jansakul dan Hinde (2001), jika
i
y adalah va-
riabel random independen yang mempunyai distribusi ZIP,
observasi diduga muncul dalam dua cara yang sesuai untuk state
yang terpisah. State pertama terjadi dengan probabilitas
i
dan
menghasilkan hanya observasi bernilai nol, sementara state kedua
terjadi dengan probabilitas ) 1 (
i
dan berdistribusi Poisson
dengan mean
i
. Proses dua state ini memberikan distribusi cam-
puran dua komponen dengan fungsi probabilitas sebagai berikut
(Jansakul dan Hinde, 2001) :
( )

=
= +
= =

1 0 ..., , 2 , 1 ,
!
) 1 (
0 , ) 1 (
Pr
i i
i
y
i
i
i i i
i i
y
y
e
y e
y Y
i i
i

(2.19)
Lambert dalam Jansakul dan Hinde (2001) menunjukkan
model gabungan untuk dan sebagai berikut :

X = ) ( log dan X

=
|

\
|

=
1
log ) ( logit (2.20)
dimana X adalah matriks variabel prediktor sedangkan dan
adalah parameter yang akan ditaksir.

2.3.1 Estimasi Parameter Model Regresi Zero-Inflated
Poisson
Menurut Khoshgoftaar, dkk. (2004), estimasi parameter
regresi ZIP dengan menggunakan metode Maximum Likelihood
Estimation (MLE). Fungsi Likelihood ZIP adalah sebagai berikut:
13


>
+
+
=
+
+
=

=
=
0 ,
!
)) ) ( ) exp( (exp((
) exp( 1
1
0 ,
) exp( 1
)) exp( exp( ) exp(
) , , (
1
1
i
n
i
i
i
T
i
T
i
T
i
i
n
i
T
i
T
i
T
i
i i
y
y
y x x
x
y
x
x x
x y L




(2.21)
dimana
i
x adalah variabel prediktor,
i
y adalah variabel respon,
serta dan adalah parameter yang akan ditaksir.

Fungsi Log-Likelihood gabungan untuk model regresi
ZIP diberikan oleh :
)! ( ln )) exp( ) ((
)) exp( 1 ( ln
) )) exp( exp( ) ln(exp( ) , , ( ln
0
1
0
1
'
1
0
1
' '
i
n
y
i
n
y
i
T
i
T
i i
i
n
i
n
y
i
i i i i
y x x y
x
x x x y L
i i
i

>
=
>
=
=
=
=

+ +
+ =



(2.22)
Estimasi maximum likelihood untuk dan dapat di-
peroleh dengan menggunakan pendekatan standar untuk model
campuran, yaitu Algoritma EM. Algoritma EM memberikan pro-
sedur sederhana yang dapat diimplementasi dalam software stan-
dar, atau metode estimasi langsung seperti metode Newton-
Raphson.
Lambert dalam Dalrymple dkk.( 2001) menunjukkan
tahapan estimasi parameter model regresi ZIP dengan mengguna-
kan Algoritma EM seperti pada Gambar 2.1.






14



Langkah 0 : Menentukan inisialisasi
) 0 (
dan
) 0 (

Langkah 1 : (Langkah Ekspektasi) Menghitung
[ ]

>
= +
=

0 jika 0
0 jika )) exp( exp( 1
) , (
1
) 0 (
i
i
T
i
T
i
i
y
y x x
z
(0) (0)
(0) (0)



Langkah 2 : (Langkah Maksimalisasi) Menemukan
dengan
memaksimalkan ) , ; ( ln
) 0 ( ) 0 (
z y L , dan

dengan
memaksimalkan ) , ; ( ln
) 0 ( ) 0 (
z y L .
)), exp( )( 1 ( ) , ; ( ln
1
) 0 ( ) 0 ( (0) (0) (0)

T
i
T
i i
n
i
i
x x y z z y L =

=

)) exp( 1 ln( ) 1 (
)) exp( 1 ln( ) , ; ( ln
1
) 0 (
1
) 0 (
1
) 0 ( ) 0 (
(0)
(0) (0) (0)


T
i
n
i
i
n
i
T
i i
n
i
T
i i
x z
x z x z z y L
+
+ =


=
= =

Langkah 3 : Atur

) 0 (
= dan

) 0 (
= dan berlanjut dari
langkah 1 hingga pertemuan pada satu titik terjadi.
Gambar 2.1 Algoritma EM
dimana
i
z bernilai 1 jika 0 >
i
y dan
i
z bernilai mungkin 0
mungkin juga 1 jika 0 =
i
y .

2.3.2 Pengujian Parameter Model Zero-Inflated Poisson
Pengujian kesesuaian model Regresi ZIP adalah dengan
menggunakan LR (Likelihood Ratio) test. Hipotesis untuk pengu-
jian kesesuaian model adalah sebagai berikut :
0 ... ... :
2 1 2 1 0
= = = = = = = =
k k
H
1 0 , 0 atau 0 satu ada sedikit paling :
1
< < k r H
r r

15



dimana 1 + k adalah jumlah parameter,
r


adalah parameter mo-
del log ke-r, dan
r
adalah parameter model logit ke-r. Lestari
(2008) telah melakukan perhitungan statistik uji untuk pengujian
kesesuaian model sebagai berikut :
( ) ( )
( )|

\
|
+ +
|

\
|
+ + =
(

=


= =
= =
n
i
n
i
i i
T
i i
n
i
n
i
T
i
T
i i i
T
i
T
i i
y z x z
x x y z x x z
L
L
G
1 1
0 0 0 0
1 1
)

exp(

) 1 ( 2 ) 1 ln( 2
)

exp(

) 1 ( 2 ) exp( 1 ln( 2
)

; (
) ; (
ln 2


y
y
(2.23)
Sedangkan pengujian parameter secara individu ada dua,
yaitu pengujian parameter model log dan pengujian parameter
model logit. Berikut ini adalah hipotesis untuk pengujian parame-
ter model log.
k r H
r
< < = 0 , 0 :
0

0 :
1

r
H

dimana k+1 adalah jumlah parameter. Statistik uji untuk
pengujian parameter model log secara individu adalah sebagai
berikut (Lestari, 2008) :

( ) ( )
( )


=
= =

|

\
|
+ + =
(

=
n
i
i
T
i i
T
i i i
n
i
n
i
T
i
T
i i i
T
i
T
i i
x x y z
x x y z x x z
L
L
G
1
1 1
)

exp(

) 1 ( 2
)

exp(

) 1 ( 2 ) exp( 1 ln( 2
)

; (
) ; (
ln 2


y
y
(2.24)
Hipotesis untuk pengujian parameter model logit secara
individu adalah sebagai berikut :


k r H
r
< < = 0 , 0 :
0

0 :
1

r
H

16



dimana k+1 adalah jumlah parameter. Statistik uji yang diguna-
kan untuk pengujian parameter model logit adalah sebagai berikut
(Lestari, 2008) :
( ) ( )
( )


= =
= =
+
+ + =
(

=
n
i
i
n
i
i i
n
i
n
i
T
i
T
i i i
T
i
T
i i
z y z
x x y z x x z
L
L
G
1
0 0
1
1 1
) exp( 1 ln( 2 )! ln( ) 1 ( 2
)

exp(

) 1 ( 2 ) exp( 1 ln( 2
)

; (
) ; (
ln 2


y
y
(2.25)
Daerah penolakan untuk ketiga pengujian di atas adalah
tolak
0
H pada taraf signifikansi jika
2
) , (

v hitung
G > , dimana
v adalah derajat bebas.

2.3.3 Pemilihan Model Terbaik
Pemilihan model terbaik untuk regresi zero-inflated Pois-
son, salah satunya adalah dengan metode AIC (Akaikes Informa-
tion Criterion). Nilai AIC adalah sebagai berikut (Dalrymple,
dkk., 2001) :

) 1 ( + + = k G AIC (2.26)
dimana G adalah statistik uji kesesuaian model, dan 1 + k adalah
jumlah parameter. Model terbaik regresi ZIP adalah model
dengan nilai AIC terkecil.

2.4 Konsep Penyakit Filariasis (Kaki Gajah)
Filariasis ialah penyakit menular yang disebabkan karena
infeksi cacing filaria, yang hidup di saluran dan kelenjar getah be-
ning (Syachrial, dkk., 2005). Menurut Uloli (2007), penyakit
filariasis mempunyai ciri dan kekhasan tersendiri, penyakit ini
sifatnya menahun (kronis) dan bila tidak mendapatkan pengobat-
an dapat menimbulkan cacat menetap berupa pembesaran kaki.
Penularan filariasis terjadi apabila ada lima unsur utama yaitu
sumber penular (manusia dan hewan sebagai reservoir), parasit
(cacing), vektor (nyamuk), manusia yang rentan (host), ling-
17



kungan (fisik, biologik, ekonomi dan sosial budaya). Beberapa
hewan yang menjadi sumber penular adalah kucing, kera, anjing,
dan kelinci.
Beberapa penelitian sebelumnya yang telah mendalami
tentang faktor-faktor yang mempengaruhi penyakit filariasis ada-
lah penelitian Syachrial, dkk. pada tahun 2005 yang memberikan
saran penggunaan anti nyamuk, memakai kelambu pada saat
tidur, menggunakan obat gosok anti nyamuk (repellent) dan ka-
wat kasa pada lubang angin-angin untuk mencegah gigitan serta
pemberantasan nyamuk dewasa dengan teknik residual pestisida.
Penelitian lainnya adalah studi yang dilakukan oleh Tomar dan
Kusnanto pada tahun 2007 yang menunjukkan bahwa terdapat
beberapa permasalahan dalam pengobatan massal di Kabupaten
Kepulauan Mentawai yaitu adanya kelompok masyarakat yang
tidak terjangkau oleh petugas kesehatan, kurangnya informasi
yang sampai kepada masyarakat, jauhnya jarak pemukiman ma-
syarakat dari tempat pelaksanaan pengobatan massal, sulitnya
petugas kesehatan menjangkau tempat pemukiman masyarakat
serta adanya masyarakat yang bepergian keluar daerah. Faktor-
faktor yang berhubungan dengan filariasis adalah kerusakan ling-
kungan, tambak-tambak yang tidak terawat, pembabatan hutan
dan banjir serta berada di sepanjang pantai dan rawa-rawa. Selain
itu masyarakat bekerja sebagai petani dan mencari nafkah di hu-
tan serta sering keluar malam memungkinkan masyarakat terin-
feksi filariasis. Dalam penelitian lain, Bialangi (2003) me-
ngatakan bahwa umumnya laki-laki menunjukkan angka infeksi
filariasis lebih besar daripada wanita. Hal ini disebabkan umum-
nya laki-laki lebih sering keluar rumah karena pekerjaannya se-
hingga kemungkinan terjadinya kontak dengan vektor lebih se-
ring daripada perempuan. Kelompok penduduk yang paling men-
derita akibat penyakit filariasis adalah kelompok umur dewasa
muda terutama yang berpenghasilan rendah. Kemudian ada juga
penelitian yang dilakukan oleh Uloli (2007) dengan meng-
gunakan analisis regresi logistik yang menunjukkan bahwa faktor
perilaku (kebiasaan tidak memakai kelambu, tidak memakai le-
18



ngan panjang) dan faktor lingkungan (rawa), serta faktor status
sosial budaya (pengetahuan rendah terhadap penyebab, gejala,
pencegahan dan pengobatan filariasis) merupakan faktor resiko
terhadap kejadian filariasis di Kabupaten Bone Bolango.
Menurut Uloli (2007), faktor perilaku yang diperkirakan
berpengaruh terhadap kejadian filariasis adalah kebiasaan meng-
gunakan kelambu, pemakaian kasa pada ventilasi, kebiasaan
penduduk berpakaian lengkap saat bekerja di hutan, pemakaian o-
bat nyamuk bakar, kebiasaan penduduk keluar malam hari, kebia-
saan menggunakan lengan panjang, dan pemeliharaan kucing. Se-
dangkan faktor sosial budaya yang diperkirakan berpengaruh ter-
hadap kejadian filariasis adalah pendidikan, pekerjaan, pengeta-
huan, dan penghasilan.

19

BAB 3
METODOLOGI

3.1 Sumber Data dan Variabel Penelitian
Data yang digunakan dalam penelitian ini adalah
sekunder yaitu data Riset Kesehatan Dasar (RKD) Indonesia
tahun 2007, khususnya data RKD Provinsi Papua tahun 2007
yang bersumber dari Badan Penelitian dan Pengembangan Kese-
hatan Departemen Kesehatan Republik Indonesia. Populasi dalam
analisis ini adalah seluruh rumah tangga di Provinsi Papua.
Sedangkan sampel dengan memanfaatkan sampel RKD 2007.
Menurut Tim Riset Kesehatan Dasar (2007) untuk tingkat nasio-
nal, sampel rumah tangga untuk RKD 2007 mencakup seluruh
sampel Kor Susenas 2007 yaitu 280.000 rumah tangga. Rumah
tangga terpilih tersebut tersebar di 18.000 Blok Sensus (BS).
Tiap-tiap BS terdiri dari 16 rumah tangga terpilih. Pemilihan BS
dan 16 rumah rangga terpilih dilakukan oleh Badan Pusat Statistik
(BPS). Berikut ini adalah tabel yang menunjukkan jumlah sampel
untuk tiap kabupaten/kota di Provinsi Papua.
Tabel 3.1 Jumlah Sampel Rumah Tangga dan Penduduk untuk Tiap
Kabupaten/Kota di Provinsi Papua
No
Nama kabupaten/ Jumlah sampel
kota Rumah Tangga Penduduk
1 Merauke 346 1194
2 Jayawijaya 493 1794
3 Jayapura 226 868
4 Nabire 183 702
5 Puncak Jaya 162 652
6 Mimika 212 841
7 Boven Digoel 204 780
8 Mappi 84 339
9 Asmat 272 1052
10 Yahukimo 153 520
11 Pegunungan Bintang 139 528
12 Tolikara 101 335
20



No
Nama kabupaten/ Jumlah sampel
kota Rumah Tangga Penduduk
13 Sarmi 350 1375
14 Keerom 96 329
15 Waropen 169 575
16 Supiori 134 562
17 Yapen Waropen 206 753
18 Biak Numfor 136 468
19 Paniai 172 842
20 Kota Jayapura 327 1180
Jumlah 4165 15689
Variabel respon (Y) pada penelitian ini adalah jumlah
penderita filariasis tiap kabupaten/kota di Provinsi Papua dengan
jumlah pengamatan sebanyak 20. Sedangkan variabel prediktor
(X) untuk penelitian ini adalah sebagai berikut :
1. Persentase rumah tangga yang tinggal di pedesaan untuk tiap
kabupaten/kota di Provinsi Papua (X
1
)
Terdapat dua klasifikasi, yaitu pedesaan dan perkotaan.
Menurut definisi universal, desa adalah sebuah aglomerasi
permukiman di area perdesaan (rural). Sedangkan kota ada-
lah sebuah area urban yang berbeda dari desa ataupun kam-
pung berdasarkan ukurannya, kepadatan penduduk, kepen-
tingan, atau status hukum.
2. Persentase penduduk yang berjenis kelamin laki-laki untuk
tiap kabupaten/ kota di Provinsi Papua (X
2
)
Laki-laki memiliki kecenderungan lebih sering keluar rumah
karena pekerjaannya sehingga kemungkinan terjadinya kon-
tak dengan vektor lebih sering daripada perempuan
3. Persentase penduduk yang berusia 20-39 tahun untuk tiap
kabupaten/kota di Provinsi Papua (X
3
)
Kelompok penduduk yang dipilih adalah kelompok umur
dewasa muda yaitu kelompok usia 20-39 tahun.
4. Persentase penduduk yang tidur di dalam kelambu untuk tiap
kabupaten/kota di Provinsi Papua (X
4
)
21



Tujuan penggunaan kelambu adalah untuk menghindari gigit-
an nyamuk.
5. Persentase penduduk yang tidur di dalam kelambu berin-
sektisida untuk tiap kabupaten/kota di Provinsi Papua (X
5
)
Sebagian kelambu dicelup pada insektisida untuk membunuh
nyamuk. Pencelupan yang sesuai dengan prosedur dilakukan
tiap 6 bulan karena insektisida tidak efektif lagi membunuh
nyamuk.
6. Persentase rumah tangga yang menggunakan tempat penam-
pungan air minum terbuka untuk air minum sebelum dimasak
untuk tiap kabupaten/kota di Provinsi Papua (X
6
)
Air adalah air yang biasanya digunakan untuk seluruh kebu-
tuhan rumah tangga seperti minum, memasak, mandi cuci
kakus, dan keperluan lainnya. Jadi air tersebut bisa berasal
dari perpipaan/ledeng, sumur pompa, sumur gali, sungai dan
sebagainya. Air untuk keperluan minum dan masak di rumah
tangga bisa diambil langsung dari sumbernya (kran, sumur,
dll) atau ditampung terlebih dahulu dalam wadah/tandon ter-
buka atau wadah/tandon tertutup.
7. Rata-rata jarak yang harus ditempuh ke sarana pelayanan ke-
sehatan terdekat untuk tiap kabupaten/kota di Provinsi Papua
(X
7
)
Jenis pelayanan kesehatan terdekat antara lain Rumah Sakit,
Puskesmas, Puskesmas Pembantu, Dokter praktik, dan Bidan
praktik. Rata-rata jarak yang harus ditempuh sarana pelayan-
an kesehatan terdekat dinyatakan dalam satuan kilometer.
8. Rata-rata waktu tempuh ke sarana pelayanan kesehatan terde-
kat untuk tiap kabupaten/kota di Provinsi Papua (X
8
)
Rata-rata waktu tempuh ke sarana pelayanan kesehatan terde-
kat dinyatakan dalam satuan menit.
9. Persentase rumah tangga yang menggunakan racun serangga/
pembasmi hama selama sebulan yang lalu untuk tiap kabupa-
ten/kota di Provinsi Papua (X
9
)
22



Racun serangga/pembasmi hama merupakan salah satu anti
nyamuk, karena nyamuk merupakan salah satu spesies dari
serangga.
10. Presentase rumah tangga yang memelihara hewan peliharaan
(anjing/kucing/kelinci) untuk tiap kabupaten/kota di Provinsi
Papua (X
10
)
Tipe cacing filaria yang dapat hidup pada hewan merupakan
sumber infeksi untuk manusia. Hewan menjadi salah satu
sember penular pada manusia.

3.2 Metode Analisis
Metode analisis yang digunakan dalam penelitian ini ada-
lah regresi Poisson dan regresi ZIP. Banyak penderita filariasis
tiap kabupaten/kota di Provinsi Papua diasumsikan mengikuti
distribusi Poisson. Berikut ini adalah langkah-langkah analisis da-
ta yang digunakan dalam penelitian ini.
1. Menentukan model regresi Poisson
Model regresi Poisson yang akan ditentukan sesuai dengan
Persamaan (2.6).
2. Menaksir parameter model regresi Poisson
Estimasi parameter model regresi Poisson dengan menggu-
nakan pendekatan Iteratively Reweighted Least Squares
(IRWLS). Prosedur ini dilakukan dengan metode Newton-
Raphson. Metode ini digunakan untuk menyelesaikan persa-
maan (2.7).
3. Menentukan devians (simpangan) model
Devians (simpangan) model ditentukan berdasarkan tahapan
sebagai berikut :
- Menghitung nilai
i
y berdasarkan model yang didapat.
- Menghitung devians sesuai dengan Persamaan (2.16).
4. Menentukan model regresi Poisson yang layak digunakan.
Devians seperti Sum Square Error pada analisis regresi linier
berganda. Bila nilai data pengamatan sama dengan prediksi
(
i i
y y = ) maka nilai devians adalah nol. Semakin besar seli-
23



sih antara respon pengamatan dan respon taksiran maka se-
makin besar pula nilai devians. Taksiran diharapkan mende-
kati pengamatan atau tingkat kesalahan diharapkan kecil
sehingga nilai devians yang diharapkan adalah nilai devians
yang kecil. Model regresi Poisson yang layak digunakan
dipilih berdasarkan nilai devians yang kecil.
5. Melakukan uji overdispersi
Uji overdispersi yang dilakukan sesuai dengan Sub Bab 2.2.
Jika ternyata tolak
0
H , yang artinya data overdispersi maka
metode analisis yang digunakan selanjutnya adalah model
regresi ZIP. Namun jika gagal tolak
0
H , maka model regresi
Poisson yang akan digunakan.
6. Menaksir paramater model regresi ZIP
Jika uji overdispersi yang dilakukan sesuai Sub Bab 2.2 mem-
buktikan adanya overdispersi maka selanjutnya dilakukan pe-
modelan dengan regresi ZIP. Estimasi parameter model re-
gresi ZIP dilakukan dengan menggunakan metode Maximum
Likelihood Estimation (MLE). Estimasi maximum likelihood
untuk parameternya dapat diperoleh dengan menggunakan
pendekatan standar untuk model campuran, yaitu Algoritma
EM sesuai Gambar 2.1.
7. Menguji kesesuaian model regresi ZIP
Pengujian kesesuaian model regresi ZIP hampir sama dengan
pengujian kesesuaian model regresi Poisson. Statistik uji yang
digunakan adalah
hitung
G .
8. Menguji hipotesis model regresi ZIP
Pengujian hipotesis yang dimaksud adalah pengujian parame-
ter secara individu.
9. Menentukan model terbaik regresi ZIP
Model terbaik regresi ZIP yang dipilih adalah model dengan
nilai AIC terkecil.
Berikut ini adalah diagram alir penelitian.

24




Gambar 3.1 Flow Chart Langkah Kerja

25

BAB 4
ANALISIS DAN PEMBAHASAN

4.1 Karakteristik Penduduk di Provinsi Papua
Pulau Papua dibagi menjadi dua provinsi, yaitu Provinsi
Papua dan Provinsi Irian Jaya Barat (sekarang Papua Barat) sejak
tahun 2004 (Anonim, 2009). Pada tahun 2007, provinsi Papua
terdiri dari 19 kabupaten dan 1 kota, sedangkan Provinsi Papua
Barat terdiri dari 8 kabupaten dan 1 kota. Nama kabupaten/kota di
Provinsi Papua dan Papua Barat dicantumkan dalam Lampiran 1.
Analisis selanjutnya hanya melibatkan Provinsi Papua. Berikut ini
adalah tabel penderita filariasis dan besarnya persentase pendu-
duk yang menderita filariasis untuk seluruh kabupaten/kota di
Provinsi Papua Barat.
Tabel 4.1 Jumlah Penderita Filariasis dan Persentase Penderita Filariasis
di Provinsi Papua
Kabupaten/Kota di
Papua
Jumlah
Penderita
Filariasis
Jumlah
penduduk
Persentase
penderita
filariasis (%)
Merauke 1 1194 0,0838
Jayawijaya 11 1794 0,6132
Jayapura 0 868 0,0000
Nabire 0 702 0,0000
Puncak Jaya 0 652 0,0000
Mimika 0 841 0,0000
Boven Digoel 0 780 0,0000
Mappi 0 339 0,0000
Asmat 0 1052 0,0000
Yahukimo 1 520 0,1923
Pegunungan Bintang 2 528 0,3788
Tolikara 1 335 0,2985
Sarmi 0 1375 0,0000
Keerom 0 329 0,0000
Waropen 0 575 0,0000
Supiori 2 562 0,3559
26



Kabupaten/Kota di
Papua
Jumlah
Penderita
Filariasis
Jumlah
penduduk
Persentase
penderita
filariasis (%)
Yapen Waropen 0 753 0,0000
Biak Numfor 0 468 0,0000
Paniai 0 842 0,0000
Kota Jayapura 1 1180 0,0847
Jumlah 19 15689

Persentase Total
Penderita
0,0012
Berdasarkan data RKD Provinsi Papua tahun 2007, per-
sentase penderita filariasis di Provinsi Papua adalah sebesar
0,12% artinya dari 10.000 penduduk Papua, yang menderita fila-
riasis adalah sebanyak 12 orang. Walaupun persentase penderita
filariasis kecil namun filariasis merupakan penyakit yang perlu
diwaspadai. Penyakit ini dapat menyebabkan cacat fisik permanen
dan memberikan dampak ekonomi sosial yang negatif beru-
pa produktivitas kerja menurun serta beban ekonomi sosial
bagi penderitanya. Kabupaten di Provinsi Papua dengan jumlah
penderita filariasis terbanyak dan persentase penderita filariasis
tertinggi adalah kabupaten Jayawijaya.
Penyebaran filariasis ditunjukkan oleh Gambar 4.1.

Gambar 4.1 Penyebaran Filariasis di Provinsi Papua
27



Daerah tengah Provinsi Papua merupakan daerah dataran
tinggi atau pegunungan. Daerah dataran tinggi atau pegunungan
di Provinsi Papua yang menjadi daerah penyebaran filariasis
adalah Jayawijaya, Yakuhimo, dan Pegunungan Bintang. Sedang-
kan daerah dataran rendah yang menjadi daerah penyebaran
filariasis adalah kota Jayapura, Merauke, dan Supiori. Berikut ini
adalah karakteristik penduduk di Provinsi Papua yang dibedakan
berdasarkan penduduk yang menderita filariasis dan penduduk
yang tidak menderita filariasis.

4.1.1 Karakteristik Penduduk Berdasarkan Jenis Kelamin
Berikut ini adalah tabel yang menunjukkan jumlah pen-
duduk Provinsi Papua berdasarkan kabupaten/kota dan nilai sex
rasio.
Tabel 4.2 Jumlah Penduduk Provinsi Papua dan Sex Rasio
Kabupaten/ Jenis Kelamin Jumlah Sex
Kota Laki-laki Perempuan Penduduk Rasio
Merauke 604 590 1194 102,37
Jayawijaya 908 886 1794 102,48
Jayapura 436 432 868 100,93
Nabire 354 348 702 101,72
Puncak Jaya 315 337 652 93,47
Mimika 426 415 841 102,65
Boven Digoel 345 435 780 79,31
Mappi 173 166 339 104,22
Asmat 562 490 1052 114,69
Yahukimo 254 266 520 95,49
Pegunungan Bintang 244 284 528 85,92
Tolikara 171 164 335 104,27
Sarmi 718 657 1375 109,28
Keerom 155 174 329 89,08
Waropen 295 280 575 105,36
Supiori 287 275 562 104,36
Yapen Waropen 385 368 753 104,62
Biak Numfor 239 229 468 104,37
Paniai 398 444 842 89,64
28



Kabupaten/ Jenis Kelamin Jumlah Sex
Kota Laki-laki Perempuan Penduduk Rasio
Kota Jayapura 583 597 1180 97,65
Jumlah 7852 7837 15689
Rata-rata 100,19
Sex rasio di beberapa kabupaten/kota yaitu Puncak Jaya,
Boven Digoel, Yakuhimo, Pegunungan Bintang, Keerom, Paniai,
dan Kota Jayapura menunjukkan angka di bawah 100. Rata-rata
sex rasio di Provinsi Papua adalah 100,19, artinya jika ada
penduduk perempuan sebanyak 100 orang, maka penduduk laki-
lakinya adalah sebanyak 101 orang. Jumlah penduduk laki-laki
dan perempuan hampir seimbang. Gambaran mengenai jenis
kelamin penduduk di Provinsi Papua disajikan dalam Gambar 4.2.

Gambar 4.2 Diagram Batang Jenis Kelamin Penduduk di Provinsi
Papua
Persentase penduduk bukan penderita yang berjenis kela-
min laki-laki dan perempuan berimbang yaitu sebesar 50,03 dan
49,97. Penderita filariasis yang berjenis kelamin laki-laki sebesar
63,16% dan yang berjenis kelamin perempuan sebesar 36,84%.
Dalam penelitian Bialangi (2003) dikatakan bahwa memang pada
29



umumnya laki-laki menunjukkan angka infeksi filariasis lebih
besar daripada perempuan.
4.1.2 Karakteristik Penduduk Berdasarkan Usia
Usia penderita filariasis di Provinsi Papua sangat bera-
gam, sehingga dalam analisisnya hanya dibedakan menjadi empat
kelompok, yaitu usia anak dan remaja yaitu 0-19 tahun, usia de-
wasa muda/dewasa yaitu 20-39 tahun, tengah baya yaitu 40-55 ta-
hun, dan lanjut usia yaitu di atas 55 tahun. Piramida penduduk
Provinsi Papua ditunjukkan oleh Gambar 4.3.

Gambar 4.3 Piramida Penduduk Provinsi Papua
Piramida penduduk di Provinsi Papua adalah piramida
penduduk muda, dimana persentase usia muda merupakan
persentase tertingggi. Jumlah penduduk dengan usia lebih tinggi
semaikn kecil. Persentase penduduk usia anak dan remaja sebesar
46,49, usia dewasa muda/dewasa sebesar 31,77, usia tengah baya
sebesar 17,24, dan lanjut usia sebesar 4,5. Diagram batang usia
penderita filariasis Provinsi Papua ditunjukkan oleh Gambar 4.4.
30




Gambar 4.4 Diagram Batang Usia Penduduk di Provinsi Papua
Usia yang rentan terjangkit penyakit filariasis adalah usia
dewasa muda yaitu usia 20-39 tahun. Hal ini dibuktikan dengan
persentase penderita filariasis yang berusia 20-39 tahun mendu-
duki peringkat tertinggi yaitu sebesar 47. Bialangi juga telah
menjelaskan dalam penelitiannya bahwa kelompok penduduk
yang paling menderita akibat penyakit filariasis adalah kelompok
umur dewasa muda. Sedangkan persentase usia penduduk bukan
penderita filariasis tertinggi adalah usia anak dan remaja sebesar
46,51. Persentase usia dewasa muda menempati urutan selan-
jutnya yaitu sebesar 31,77. Jumlah penduduk usia anak dan
remaja, serta dewasa muda/dewasa di Provinsi Papua lebih
daripada jumlah penduduk usia tengah baya dan lanjut usia.

4.1.3 Karakteristik Penduduk Berdasarkan Pemakaian
Kelambu
Gambar 4.5 menunjukkan gambaran tentang pemakaian
kelambu oleh penduduk di Provinsi Papua.
31




Gambar 4.5 Diagram Batang Pemakaian Kelambu di Provinsi Papua
Persentase penduduk yang tidak memakai kelambu men-
duduki peringkat tertinggi baik itu untuk penderita filariasis mau-
pun bukan penderita filariasis. Persentase untuk penderita filaria-
sis sebesar 73,68, sedangkan penduduk yang bukan penderita
filariasis sebesar 59,79. Hal ini menunjukkan bahwa sebagian
besar penduduk Papua tidak menggunakan kelambu untuk
melindungi diri dari gigitan nyamuk ketika tidur.

4.1.4 Karakteristik Penduduk Berdasarkan Pemakaian
Kelambu Berinsektisida
Kelambu berinsektisida yang dimaksud adalah kelambu
yang dicelup dengan insektisida dalam enam bulan terakhir. Beri-
kut ini merupakan gambaran pemakaian kelambu berinsektisida
oleh penduduk di Provinsi Papua.
32




Gambar 4.6 Diagram Batang Pemakaian Kelambu Berinsektisida di
Provinsi Papua
Persentase penduduk di Provinsi Papua yang mengguna-
kan kelambu berinsektisida lebih tinggi daripada persentase pen-
duduk di Provinsi Papua yang menggunakan kelambu tanpa dice-
lup pada insektisida. Dari penderita yang tidur di dalam kelambu,
60% penderita menggunakan kelambu berinsektisida. Sedangkan
untuk penduduk bukan penderita filariasis yang tidur di dalam
kelambu, 56,38% penduduk menggunakan kelambu berinsekti-
sida.
Berikut ini adalah statistik deskriptif dari variabel respon
(y) dan variabel prediktor (x) yang digunakan untuk pemodelan
regresi Poisson.
Tabel 4.3 Statistik Deskriptif Variabel Respon dan Variabel Prediktor
Variabel Mean Minimum Maksimum
Y 0,950 0 11
X
1
82,720 9,17 100
X
2
49,809 44,23 53,42
X
3
31,350 22,45 40,11
X
4
39,930 2,56 89,64
X
5
21,500 0,11 80,74
X
6
32,240 6,79 74,02
X
7
3,803 0,87 9,49
33



Variabel Mean Minimum Maksimum
X
8
51,460 12,10 156,07
X
9
24,780 0 63,30
X
10
29,240 1,71 62,79
Berdasarkan Tabel 4.3 dapat dijelaskan bahwa rata-rata
persentase rumah tangga yang tinggal di pedesaan adalah 82,72.
Range persentase penduduk yang berjenis kelamin laki-laki
berada pada 44,23 sampai 53,42. Rata-rata persentase penduduk
yang berusia 20-39 tahun adalah 31,35. Persentase penduduk
yang tidur di dalam kelambu antara 2,56 sampai 89,64. Penduduk
yang tidur di dalam kelambu belum tentu menggunakan kelambu
yang berinsektisida. Hal ini ditunjukkan dengan nilai persentase
penduduk yang tidur di dalam kelambu berinsektisida masih
berada di bawah persentase penduduk yang tidur di dalam
kelambu. Rata-rata persentase rumah tangga yang menggunakan
tempat penampungan air minum terbuka untuk air minum
sebelum dimasak adalah 32,24. Range rata-rata jarak yang harus
ditempuh ke sarana pelayanan kesehatan berada pada 870 m
sampai 9,49 km dan range rata-rata waktu tempuhnya berada pada
12 menit 6 detik sampai 2 jam 36 menit 4 detik. Rata-rata persen-
tase rumah tangga yang menggunakan racun serangga/pembasmi
hama adalah 24,78 dan rata-rata persentase rumah tangga yang
memelihara hewan peliharaan (anjing/kucing/kelinci) adalah
29,24.

4.2 Model Regresi Poisson
Metode Regresi Poisson digunakan untuk mencari hu-
bungan antara variabel prediktor dan variabel respon apabila va-
riabel respon berdistribusi Poisson. Sehingga yang pertama kali
dilakukan adalah melakukan pengujian distribusi Poisson terha-
dap variabel respon.
4.2.1 Pengujian Distribusi Poisson pada Variabel Respon
Pengujian distribusi Poisson pada variabel respon dilaku-
kan dengan uji Kolmogorov-Smirnov. Statistik uji yang diguna-
kan sesuai dengan Persamaan (2.3). Taraf signifikansi yang
34



digunakan dalam pengujian distribusi dan pengujian selanjutnya
adalah adalah 1 , 0 = karena penelitian ini merupakan penelitian
sosial. Nilai T untuk uji Kolmogorov-Smirnov adalah 0,263.
Nilai
95 , 0
w adalah 0,265. T kurang dari
95 , 0
w sehingga gagal
tolak
0
H artinya variabel respon berdistribusi Poisson.

4.2.2 Pembentukan Model Regresi Poisson
Setelah dilakukan pengujian distribusi Poisson, langkah
selanjutnya adalah melakukan pembentukan model regresi Pois-
son. Berikut ini adalah estimasi parameter model regresi Poisson.
Tabel 4.4 Estimasi Parameter Model Regresi Poisson
Parameter Estimasi SE
hitung
G P-Value
0


-7,6888 32,8472 0,05 0,8149
1


-0,1544 0,1426 1,17 0,2792
2


0,0352 0,6421 0,00 0,9563
3


0,4531 0,3154 2,06 0,1509
4


0,1243 0,1141 1,19 0,2760
5


-0,0611 0,0623 0,96 0,3272
6


-0,0805 0,0853 0,89 0,3455
7


-0,0450 0,3533 0,02 0,8986
8


0,0133 0,0339 0,15 0,6949
9


-0,1382 0,1563 0,78 0,3766
10


0,1516 0,0710 4,56 0,0327
Nilai P-Value yang kurang dari 0,1 hanya nilai P-Value
untuk parameter
10
, artinya parameter model regresi Poisson
yang signifikan hanya parameter
10
. Dari 10 variabel prediktor,
hanya satu parameter untuk variabel prediktor X
10
yang signifi-
kan. Sehingga perlu dicari model regresi Poisson lain dengan
lebih banyak variabel prediktor yang signifikan. Berikut ini ada-
35



lah kombinasi yang bisa dibuat dengan menggunakan beberapa
kelompok variabel prediktor.
Tabel 4.5 Jumlah Kombinasi Model yang Bisa Dibuat
Jumlah Variabel Jumlah Kombinasi
10 variabel 1023
9 variabel 511
8 variabel 255
7 variabel 127
6 variabel 63
5 variabel 31
4 variabel 15
3 variabel 7
2 variabel 3
1 variabel 1
Kombinasi yang masih bisa dibuat adalah kombinasi
dengan lima variabel, sehingga dicari lima variabel yang parame-
ternya signifikan secara individu dengan memodelkan variabel
respon dengan variabel prediktor satu per satu. Berikut ini adalah
nilai estimasi parameter model regresi Poisson dengan satu varia-
bel prediktor.
Tabel 4.6 Estimasi Parameter Model Regresi Poisson dengan Satu
Variabel Prediktor
No. Variabel
Estimasi P-Value
0


1.
X
1
-1,5350 0,0168 0,6163 0,6169
2.
X
2
-2,9293 0,0576 0,7769 0,78
3.
X
3
-3,2171 0,0976 0,2905 0,2768
4.
X
4
0,6713 -0,0222 0,2513 0,1802*
5.
X
5
0,4721 -0,0339 0,3754 0,2628*
6.
X
6
1,0564 -0,0406 0,2047 0,198*
7.
X
7
0,1433 -0,0522 0,8534 0,7673
8.
X
8
-0,9971 0,0141 0,2126 0,0887*
9.
X
9
0,3563 -0,0205 0,5791 0,4517
10.
X
10
-1,925 0,0507 0,1040 0,0473*
36



Berdasarkan Tabel 4.6 hanya parameter
r
untuk model
regresi Poisson dengan variabel X
8
dan X
10
yang memiliki nilai P-
Value kurang dari 0,1. Sehingga, dicari variabel lain yang
memiliki nilai P-Value kecil untuk parameter
r
, yaitu variabel
X
4
, X
5
, dan X
6
. Dari 5 variabel prediktor yang digunakan untuk
pembentukan model Regresi Poisson didapat 31 kemungkinan
model seperti pada Tabel 4.5. Hasil estimasi parameter untuk 31
kemungkinan model disajikan pada Tabel 4.7 berikut :
Tabel 4.7 Nilai Estimasi Parameter dan Devians pada Tiap
Kemungkinan Model Regresi Poisson
No. Model
Nilai Dugaan Paramater
Devians
0


10


1. ) exp(
41 4 0 i
x +

0,6374 -0,0218 53,9673
2. ) exp(
5 5 0 i
x +

0,4570 -0,0337 54,4694
3. ) exp(
6 6 0 i
x +

1,0305 -0,0402 53,7226
4. ) exp(
8 8 0 i
x +

-0,9149 0,0134 52,6052
5. ) exp(
10 10 0 i
x +

-1,7607 0,0477 48,5098*
6. ) exp(
5 5 41 4 0 i i
x x + +

0,6127 -0,0135 -0,0155 53,5916
7. ) exp(
6 6 41 4 0 i i
x x + +

1,3367 -0,0181 -0,0304 50,1278
8. ) exp(
8 8 41 4 0 i i
x x + +

-0,3359 -0,0102 0,0095 51,9485
9. ) exp(
10 10 4 4 0 i i
x x + +

-1,3805 -0,0390 0,0721 30,3207*
10. ) exp(
6 6 5 5 0 i i
x x + +

1,1404 -0,0261 -0,0293 50,6688
11. ) exp(
8 8 5 5 0 i i
x x + +

-0,4432 -0,0160 0,0099 51,7335
12 ) exp(
10 10 5 5 0 i i
x x + +

-1,6866 -0,0578 0,0682 35,8680*
13. ) exp(
8 8 6 6 0 i i
x x + +

0,1312 -0,0414 0,0145 45,3348
14. ) exp(
10 10 6 6 0 i i
x x + +

-0,7137 -0,0409 0,0485 42,5113
15. ) exp(
10 10 8 8 0 i i
x x + +

-3,9733 0,0223 0,0676 33,4210*
16. ) exp(
6 6 5 5 4 4 0 i i i
x x x + + +

1,2912 -0,0127 -0,0101 -0,0291 49,9673
17. ) exp(
8 8 5 5 41 4 0 i i i
x x x + + +

-0,3362 -0,0037 -0,0125 0,0092 51,6866
18. ) exp(
10 10 5 5 41 4 0 i i i
x x x + + +

-1,4775 -0,0305 -0,0172 0,0742 29,8139*
19. ) exp(
8 8 6 6 41 4 0 i i i
x x x + + +

0,0897 0,0010 -0,0419 0,0148 45,3292
37



No. Model
Nilai Dugaan Paramater
Devians
0


10


20. ) exp(
10 10 6 6 41 4 0 i i i
x x x + + +

-1,2415 -0,0377 -0,0048 0,0706 30,2698*
21. ) exp(
10 10 8 8 4 4 0 i i i
x x x + + +

-2,0276 -0,0300 0,0066 0,0702 29,8755*
22. ) exp(
8 8 6 6 5 5 0 i i i
x x x + + +

0,1641 -0,0019 -0,0406 0,0141 45,3235
23. ) exp(
10 10 6 6 5 5 0 i i i
x x x + + +

-1,2128 -0,0477 -0,0201 0,0662 34,4008*
24. ) exp(
10 10 8 8 5 5 0 i i i
x x x + + +

-3,1375 -0,0289 0,0150 0,0699 31,4964*
25. ) exp(
10 10 8 8 6 6 0 i i i
x x x + + +

2,9711 0,0061
-
0,0088
0,0167 62,0447
26.
+ + + +
i i i
x x x
6 6 5 5 4 4 0
exp(

)
8 8 i
x

0,0680 0,0038 -0,0052 -0,0411 0,0148 45,2820
27.
+ + + +
i i i
x x x
6 6 5 5 4 4 0
exp(

)
10 10 i
x

-1,3677 -0,0295 -0,0169 -0,0038 0,0730 29,7797*
28.
+ + + +
i i i
x x x
8 8 5 5 41 4 0
exp(

)
10 10 i
x

-1,9818 -0,0245 -0,0144 0,0055 0,0720 29,5356*
29.
+ + + +
i i i
x x x
8 8 6 6 41 4 0
exp(

)
10 10 i
x

-1,8711 -0,0243 -0,0114 0,0085 0,0660 29,6177*
20.
)
exp(
10 10
8 8 6 6 5 5 0
i
i i i
x
x x x

+ + + +

-2,4414 -0,0208 -0,0206 0,0146 0,0640 30,2480*
31.
+ + + +
i i i
x x x
6 6 5 5 4 4 0
exp(

)
10 10 8 8 i i
x x +

-1,8721 -0,0198 -0,0129 -0,0099 0,0074 0,0682 29,3395*

Berdasarkan model yang dibentuk, ada 14 model yang la-
yak digunakan mengingat nilai devians untuk 14 model tersebut
merupakan nilai devians yang kecil untuk tiap-tiap kelompok mo-
del berdasarkan jumlah variabel prediktor. Terdapat lima kelom-
pok model berdasarkan jumlah variabel prediktor yang dimasuk-
kan ke dalam model, yaitu kelompok model dengan satu variabel
prediktor, 2 variabel prediktor, 3 variabel prediktor, 4 variabel
prediktor, dan 5 variabel prediktor. Model-model yang layak di-
gunakan untuk pemodelan Regresi Poisson selanjutnya adalah se-
bagai berikut :
1.
) exp(
10 10 0 i i
x + =

38



2.
) exp(
10 10 4 4 0 i i i
x x + + =

3.
) exp(
10 10 5 5 0 i i i
x x + + =

4.
) exp(
10 10 8 8 0 i i i
x x + + =

5.
) exp(
10 10 5 5 41 4 0 i i i i
x x x + + + =

6. ) exp(
10 10 6 6 41 4 0 i i i i
x x x + + + =
7.
) exp(
10 10 8 8 4 4 0 i i i i
x x x + + + =

8.
) exp(
10 10 6 6 5 5 0 i i i i
x x x + + + =

9.
) exp(
10 10 8 8 5 5 0 i i i i
x x x + + + =

10. ) exp(
10 10 6 6 5 5 4 4 0 i i i i i
x x x x + + + + =
11. ) exp(
10 10 8 8 5 5 41 4 0 i i i i i
x x x x + + + + =
12. ) exp(
10 10 8 8 6 6 41 4 0 i i i i i
x x x x + + + + =
13. ) exp(
10 10 8 8 6 6 5 5 0 i i i i i
x x x x + + + + =
14. ) exp(
10 10 8 8 6 6 5 5 4 4 0 i i i i i i
x x x x x + + + + + = .
Untuk mengetahui model yang merupakan model terbaik
regresi Poisson, maka dilakukan pengujian kesesuaian model
regresi Poisson pada ke-14 model tersebut.

4.2.3 Pengujian Kesesuaian Model Regresi Poisson
Statistik uji yang digunakan untuk pengujian kesesuaian
model sesuai dengan Persamaan (2.16). Berikut ini adalah nilai
devians dan
2
) , 1 (

k n
untuk 14 model regresi Poisson.
Tabel 4.8 Analisis Kesesuaian Model Regresi Poisson
No. Model Devians db
2
) , (

db

Devians/db

1.
) exp(
10 10 0 i i
x + =

48,5098 18 25,989 2,6950
2. ) exp(
10 10 4 4 0 i i i
x x + + =

30,3207 17 24,769 1,7836
3. ) exp(
10 10 5 5 0 i i i
x x + + =

35,8680 17 24,769 2.1099
4. ) exp(
10 10 8 8 0 i i i
x x + + =

33.4210 17 24,769 1.9659
5. ) exp(
10 10 5 5 41 4 0 i i i i
x x x + + + =

29,8139 16 23,542 1,8634
6. ) exp(
10 10 6 6 41 4 0 i i i i
x x x + + + =

30,2698 16 23,542 1,8919
7. ) exp(
10 10 8 8 4 4 0 i i i i
x x x + + + =

29,8755 16 23,542 1,8672
39



No. Model Devians db
2
) , (

db

Devians/db

8. ) exp(
10 10 6 6 5 5 0 i i i i
x x x + + + =

34.4008 16 23,542 2.1500
9. ) exp(
10 10 8 8 5 5 0 i i i i
x x x + + + =

31,4964 16 23,542 1,9685
10. ) exp(
10 10 6 6 5 5 4 4 0 i i i i i
x x x x + + + + =

29,7797 15 22,307 1,9853
11. ) exp(
10 10 8 8 5 5 41 4 0 i i i i i
x x x x + + + + =

29,5356 15 22,307 1,9690
12 ) exp(
10 10 8 8 6 6 41 4 0 i i i i i
x x x x + + + + =

29,6177 15 22,307 1,9745
13. ) exp(
10 10 8 8 6 6 5 5 0 i i i i i
x x x x + + + + =

30,2480 15 22,307 2,0165
14.
)
exp(
10 10
8 8 6 6 5 5 4 4 0
i
i i i i i
x
x x x x

+ + + + + =


29,3395

14

21,064

2,0957
Seluruh nilai devians untuk 14 model tersebut lebih besar
dari nilai Chi-Square tabel, artinya 14 model regresi signifikan
pada tingkat signifikansi 10%. Sehingga dapat disimpulkan bah-
wa 14 model tersebut layak digunakan. Model-model yang dipilih
tersebut, kesemuanya menunjukkan kondisi overdispersi karena
nilai devians dibagi dengan derajat bebasnya lebih besar dari 1.
Model regresi Poisson tidak memenuhi asumsi yaitu
) (
i
y E
sama
dengan

) (
i
y Var sehingga perlu digunakan model lain untuk
mengetahui faktor-faktor yang mempengaruhi kejadian filariasis
di Provinsi Papua. Model yang diusulkan adalah model regresi
ZIP karena data yang digunakan banyak yang bernilai nol.

4.3 Pemodelan Regresi ZIP
Model regresi ZIP digunakan untuk memperbaiki model
regresi Poisson, karena pada model regresi Poisson terbukti ada-
nya overdispersi. Model yang akan digunakan dalam regresi ZIP
melibatkan variabel prediktor yang sama dengan model regresi
Poisson. Berikut ini merupakan model-model regresi ZIP yang la-
yak digunakan dengan melihat model regresi Poisson sebelum-
nya.
40



4.3.1 Model Regresi ZIP dengan Satu Variabel Prediktor
yaitu X
10

Model terbaik dengan satu variabel prediktor yaitu X
10

dan estimasi parameter model Regresi ZIP ditunjukkan oleh Tabel
4.9.
Tabel 4.9 Nilai Estimasi Parameter dan Analisis Kesesuaian Model
Regresi ZIP dengan Satu Variabel Prediktor yaitu X
10

Parameter Estimasi DF t P-Value
hitung
G
0


-1,3683 20 -0,45 0,6608
51,8
10


0,03101 20 0,46 0,6503
0


0,06554 20 3,13 0,0053*
10


-1,8049 20 -1,77 0,0921*
Pengujian parameter regresi ZIP sesuai dengan Sub Bab
2.3.2. Nilai
hitung
G

lebih besar daripada 2,706
2
1 , 0 ; 1
=

sehingga
dapat dikatakan model regresi ZIP dengan satu variabel prediktor
yaitu X
10
layak digunakan. Sedangkan parameter yang signifikan
adalah
0


dan
10


karena P-Value dari parameter
0


dan
10
yang kurang dari 0,1.

4.3.2 Model Regresi ZIP dengan Dua Variabel Prediktor
yaitu X
4
dan X
10

Estimasi parameter model regresi ZIP berikut merupakan
estimasi parameter model dengan dua variabel prediktor yaitu X
4

dan X
10
:
Tabel 4.10 Nilai Estimasi Parameter dan Analisis Kesesuaian Model
Regresi ZIP dengan Dua Variabel Prediktor yaitu X
4
dan X
10

Parameter Estimasi DF t P-Value
hitung
G
0


-0,04285 20 -0,01 0,9884



42,1
4


-0,01421 20 -0,43 0,6752
10


0,01106 20 0,20 0,8473
4


-0,02767 20 -2,74 0,0125*
41



Parameter Estimasi DF t P-Value
hitung
G
10


0,06497 20 1,94 0,0669 *


0


-0,8712 20 -0,52 0,6064
Nilai
hitung
G lebih besar dari 706 , 2
2
1 , 0 ; 1
=

sehingga
dapat dikatakan model regresi ZIP untuk dua variabel prediktor
yaitu X
4
dan X
10
layak digunakan. Selanjutnya, dilakukan penguji-
an secara parsial untuk tiap-tiap parameter. Dari keenam parame-
ter, hanya nilai P-Value dari parameter
4


dan
10


yang bernilai
kurang dari 0,1. Sehingga parameter yang signifikan adalah
4


dan
10
.

4.3.3 Model Regresi ZIP dengan Dua Variabel Prediktor
yaitu X
5
dan X
10

Estimasi parameter regresi ZIP untuk model dengan dua
variabel prediktor yaitu X
5
dan X
10
adalah sebagai berikut :
Tabel 4.11 Nilai Estimasi Parameter dan Analisis Kesesuaian Model
Regresi ZIP dengan Dua Variabel Prediktor yaitu X
5
dan X
10

Parameter Estimasi DF t P-Value
hitung
G
0


2,56380 20 1,32 0,2007



41,1


5


-0,15580 20 -1,36 0,1892
10


-0,03274 20 -0,63 0,5343
5


-0,07113 20 -3,78 0,0012*
10


0,03769 20 1,88 0,0749*
0


0,34970 20 0,37 0,7172
Nilai
hitung
G lebih besar dari 706 , 2
2
1 , 0 ; 1
= sehingga mo-
del regresi ZIP dengan dua variabel prediktor yaitu X
5
dan X
10
la-
yak digunakan. Sedangkan parameter yang signifikan adalah
5


dan
10
karena nilai P-Value dari parameter tersebut yang bernilai
kurang dari 0,1.
42




4.3.4 Model Regresi ZIP dengan Dua Variabel Prediktor
yaitu X
8
dan X
10

Estimasi parameter regresi ZIP dengan dua variabel pre-
diktor yaitu X
8
dan X
10
adalah sebagai berikut :
Tabel 4.12 Nilai Estimasi Parameter dan Analisis Kesesuaian Model
Regresi ZIP dengan Dua Variabel Prediktor yaitu X
8
dan X
10

Parameter Estimasi DF t P-Value
hitung
G
0


11,8682 20 0,05 0,9609



34,8


8


3,8903 20 0,00 0,9979
10


-13,4691 20 0,00 0,9979
8


0,0371 20 4,75 0,0001*
10


0,0111 20 0,48 0,6334
0


-2,3320 20 -2,69 0,0141*
Nilai
hitung
G untuk model regresi ZIP lebih besar dari
706 , 2
2
1 , 0 ; 1
= sehingga model tersebut layak digunakan. Nilai P-
Value yang kurang dari 0,1 adalah nilai P-Value dari parameter
0


dan
8
. Sehingga parameter yang signifikan adalah
0


dan
8
.

4.3.5 Model Regresi ZIP dengan Tiga Variabel Prediktor
yaitu X
4
, X
5
,

dan X
10

Ada lima kemungkinan model dengan tiga variabel pre-
diktor. Estimasi parameter dan analisis kesesuaian model berikut
ini merupakan estimasi parameter dan analisis kesesuaian model
regresi ZIP dengan tiga variabel prediktor yaitu X
4
, X
5
, dan X
10
.
Tabel 4.13 Nilai Estimasi Parameter dan Analisis Kesesuaian Model
Regresi ZIP dengan Tiga Variabel Prediktor yaitu X
4
, X
5
, dan X
10

Parameter Estimasi DF t P-Value
hitung
G
0


184,100 20 453,32 <,0001* 31,5
43










Pengujian secara serentak menghasilkan nilai
hitung
G le-
bih besar dari 2,706
2
1 , 0 ; 1
=

sehingga model regresi ZIP dengan
variabel prediktor X
4
, X
5
, dan X
10
layak digunakan. Parameter
yang memiliki nilai P-Value yang kurang dari 0,1 ada lima
parameter, yaitu
0
,
4
,
5
,
10
, dan
10
sehingga parameter
yang signifikan adalah
0
,
4
,
5
,
10
, dan
10
.

4.3.6 Model Regresi ZIP dengan Tiga Variabel Prediktor
yaitu X
4
, X
6
,

dan X
10

Model selanjutnya yang akan diestimasi adalah model de-
ngan variabel prediktor X
4
, X
6
, dan X
10
.
Tabel 4.14 Nilai Estimasi Parameter dan Analisis Kesesuaian Model
Regresi ZIP dengan Tiga Variabel Prediktor X
4
, X
6
, dan X
10

4


14,655 20 68,14 <,0001*







5


-44,066 20 -125,45 <,0001*
10


-4,816 20 -34,90 <,0001*
4


-0,004 20 -0,17 0,8647
5


-0,068 20 -1,64 0,1165
10


0,040 20 2,20 0,0401*
0


0,257 20 0,30 0,7676
Parameter Estimasi DF t P-Value
hitung
G
0


-13,0692 20 0,00 0,9963
35,4
1
4


1,6209 20 0,00 0,9996
6


-9,4491 20 0,00 0,9995
10


2,7985 20 0,00 0,9996
4


-0,0083 20 -0,57 0,5725
6


-0,0563 20 -1,64 0,1169
10


0,0905 20 4,35 0,0003*
0


-1,2954 20 -1,39 0,1786
44



Nilai
hitung
G untuk model dengan variabel prediktor X
4
,
X
6
, dan X
10
lebih besar dari 2,706
2
1 , 0 ; 1
= sehingga model ini
layak digunakan. Nilai P-Value yang kurang dari 0,1 hanyalah
nilai P-Value dari parameter
10
. Jadi, parameter yang signifikan
hanyalah
10
.

4.3.7 Model Regresi ZIP dengan Tiga Variabel Prediktor
yaitu X
4
, X
8
,

dan X
10

Berikut ini merupakan estimasi parameter dan analisis ke-
sesuaian model regresi ZIP dengan variabel prediktor X
4
, X
8
,

dan
X
10
.
Tabel 4.15 Nilai Estimasi Parameter dan Analisis Kesesuaian Model
Regresi ZIP dengan Tiga Variabel Prediktor yaitu X
4
, X
8
, dan X
10

Nilai
hitung
G lebih besar dari 706 , 2
2
1 , 0 ; 1
= sehingga model
dengan variabel prediktor X
4
, X
8
,

dan X
10
layak digunakan. Nilai
P-Value yang kurang dari 0,1 hanyalah nilai P-Value dari
parameter
0
,
4
,
8
,
10
, dan
8
, sehingga parameter yang
signifikan pada taraf signifikansi 0,1 = adalah parameter
0
,
4
,
8
,
10
, dan
8
.

Parameter Estimasi DF t P-Value
hitung
G
0


47,2951 20 36,79 <,0001*




33,2




1
4


-4,7695 20 -12,05 <,0001*
8


5,9443 20 85,83 <,0001*
10


-14,3295 20 -18,00 <,0001*
4


-0,0083 20 -0,40 0,6930
8


0,0316 20 1,95 0,0659*
10


0,0054 20 0,22 0,8301
0


-1,4127 20 -0,86 0,4025
45



4.3.8 Model Regresi ZIP dengan Tiga Variabel Prediktor
yaitu X
5
, X
6
,

dan X
10

Estimasi parameter untuk model regresi ZIP dengan tiga
variabel prediktor yaitu X
5
, X
6
,

dan X
10
adalah sebagai berikut :
Tabel 4.16 Nilai Estimasi Parameter dan Analisis Kesesuaian Model
Regresi ZIP dengan Tiga Variabel Prediktor yaitu X
5
, X
6
, dan X
10

Nilai
hitung
G model regresi ZIP dengan variabel prediktor
X
5
, X
6
,

dan X
10
lebih besar dari 2,706
2
1 , 0 ; 1
=

sehingga model terse-
but layak digunakan. Sedangkan nilai P-Value yang kurang dari
0,1 yaitu adalah nilai P-Value dari parameter
5
dan
10
, se-
hingga parameter tersebut merupakan parameter yang signifikan
pada taraf signifikansi 0,1 = .

4.3.9 Model Regresi ZIP dengan Tiga Variabel Prediktor
yaitu X
5
, X
8
,

dan X
10

Berikut ini merupakan estimasi parameter dan nilai
hitung
G model Regresi ZIP dengan variabel prediktor X
5
, X
8
, dan
X
10
.
Parameter Estimasi DF t P-Value
hitung
G
0


2,39720 20 0,99 0,3334




39,9




5


-0,17640 20 -1,23 0,2312
6


0,00739 20 0,14 0,8874
10


-0,03333 20 -0,56 0,5824
5


-0,05574 20 -2,51 0,0208*
6


-0,02770 20 -0,90 0,3803
10


0,03777 20 1,90 0,0713*
0


0,80690 20 0,77 0,4528
46



Tabel 4.17 Nilai Estimasi Parameter dan Analisis Kesesuaian Model
Regresi ZIP dengan Tiga Variabel Prediktor yaitu X
5
, X
8
, dan X
10

Nilai
hitung
G lebih besar dari 2,706
2
1 , 0 ; 1
= sehingga
model Regresi ZIP untuk variabel prediktor X
5
, X
8
, dan X
10
layak
digunakan. Nilai P-Value yang kurang dari 0,1 hanyalah nilai P-
Value dari parameter
8
. Sehingga parameter yang signifikan
pada taraf signifikansi 0,1 = adalah parameter
8
.

4.3.10 Model Regresi ZIP dengan Empat Variabel Prediktor
yaitu X
4
, X
5
, X
6
,

dan X
10

Estimasi parameter dan nilai
hitung
G

model regresi ZIP
untuk variabel prediktor X
4
, X
5
, X
6
, dan X
10
adalah sebagai veri-
kut :
Tabel 4.18 Nilai Estimasi Parameter dan Analisis Kesesuaian Model
Regresi ZIP dengan Empat Variabel Prediktor yaitu X
4
, X
5
, X
6
, dan X
10

Parameter Estimasi DF t P-Value
hitung
G
0


45,1767 20 0,60 0,5575
33,1
5


-5,0411 20 -0,01 0,9954
8


3,1406 20 0,03 0,9799
10


-8,2973 20 -0,02 0,9843
5


-0,0111 20 -0,46 0,6490
8


0,0336 20 3,06 0,0062*
10


0,0029 20 0,12 0,9072
0


-1,5457 20 -1,21 0,2395
Parameter Estimasi DF t P-Value
hitung
G
0


11,8321 20 2,79 0,0112*



34
4


4,8093 20 0,07 0,9416
5


-17,1301 20 -0,45 0,6605
6


2,1098 20 0,05 0,9609
47









Nilai
hitung
G untuk uji kesesuaian model regresi ZIP de-
ngan variabel prediktor X
4
, X
5
, X
6
, dan X
10
lebih besar dari
=
2
1 , 0 ; 1


2,706 sehingga model ini layak digunakan. Nilai P-Value
yang kurang dari 0,1 untuk model ini adalah nilai P-Value dari
parameter
0
,
5
, dan
10
. Jadi, parameter inilah yang signifi-
kan pada taraf signifikansi 0,1 = .

4.3.11 Model Regresi ZIP dengan Empat Variabel Prediktor
yaitu X
4
, X
5
, X
8
,

dan X
10

Nilai estimasi parameter dan
hitung
G untuk uji kesesuaian
model regresi ZIP dengan variabel prediktor X
4
, X
5
, X
8
, dan X
10

adalah sebagai berikut :
Tabel 4.19 Nilai Estimasi Parameter dan Analisis Kesesuaian Model
Regresi ZIP dengan Empat Variabel Prediktor yaitu X
4
, X
5
, X
8
, dan X
10

10


-1,5171 20 -0,01 0,9955





4


0,0060 20 0,25 0,8082
5


-0,0690 20 -1,80 0,0867*
6


-0,0189 20 -0,63 0,5368
10


0,0526 20 3,00 0,0070*
0


-0,1148 20 -0,14 0,8914
Parameter Estimasi DF t P-Value
hitung
G
0


42,5137 20 2,53 0,0197*
33,1








4


3,8899 20 0,01 0,9955
5


-14,2658 20 -0,04 0,9687
8


5,3390 20 0,03 0,9779
10


-13,7988 20 -0,07 0,9439
4


-0,0042 20 -0,17 0,8663
5


-0,0087 20 -0,31 0,7601
8


0,0315 20 1,92 0,0688*
48






Pengujian secara serentak membuktikan bahwa model
regresi ZIP dengan variabel prediktor X
4
, X
5
, X
8
, dan X
10
layak
digunakan karena nilai
hitung
G lebih besar dari 2,706
2
1 , 0 ; 1
= .
Sedangkan pegujian parameter secara individu menghasilkan
enam parameter yang signifikan, yaitu
0
dan
8


karena nilai P-
Value untuk paramater tersebut kurang dari 0,1.

4.3.12 Model Regresi ZIP dengan Empat Variabel Prediktor
yaitu X
4
, X
6
, X
8
,

dan X
10

Nilai estimasi parameter dan
hitung
G untuk model regresi
ZIP dengan variabel prediktor X
4
, X
6
, X
8
,

dan X
10
adalah sebagai
berikut :
Tabel 4.20 Nilai Estimasi Parameter dan Analisis Kesesuaian Model
Regresi ZIP dengan Empat Variabel Prediktor yaitu X
4
, X
6
, X
8
,

dan X
10

Pengujian secara serentak membuktikan bahwa model ini
layak digunakan karena nilai
hitung
G lebih besar dari =
2
1 , 0 ; 1

10


0,0042 20 0,16 0,8717


0


-1,3591 20 -0,14 0,8914
Parameter Estimasi DF t P-Value
hitung
G
0


0,86140 20 0,00 0,9999
32,5
4


0,71520 20 0,00 0,9980
6


-1,71410 20 0,00 0,9971
8


1,45810 20 0,00 0,9969
10


-2,95000 20 -0,01 0,9959
4


0,00019 20 0,01 0,9934
6


-0,01766 20 -0,82 0,4205
8


0,03551 20 2,10 0,0483*
10


-0,00563 20 -0,19 0,8498
0


-1,03860 20 -0,60 0,5541
49



2,706. Selanjutnya dilakukan pengujian parameter secara indi-
vidu. Parameter yang signifikan secara individu hanyalah
8


karena nilai P-Value untuk parameter tersebut kurang dari 0,1.

4.3.13 Model Regresi ZIP dengan Empat Variabel Prediktor
yaitu X
5
, X
6
, X
8
,

dan X
10

Berikut ini adalah nilai estimasi parameter dan nilai
hitung
G untuk model regresi ZIP dengan variabel prediktor X
5
, X
6
,
X
8
,

dan X
10
.
Tabel 4.21 Nilai Estimasi Parameter dan Analisis Kesesuaian Model
Regresi ZIP dengan Empat Variabel Prediktor yaitu X
5
, X
6
, X
8
,

dan X
10

Pengujian serentak untuk model regresi ZIP dengan
variabel prediktor X
5
, X
6
, X
8
,

dan X
10
membuktikan bahwa model
ini layak digunakan karena nilai
hitung
G lebih besar dari
2,706
2
1 , 0 ; 1
= . Parameter yang signifikan secara individu hanya-
lah parameter
0
dan

8


karena nilai P-Value dari parameter
tersebut yang kurang dari 0,1.

Parameter Estimasi DF t P-Value
hitung
G
0


2,26780 20 2,08 0,0504*






31,9





5


2,54490 20 0,02 0,9808
6


-2,56750 20 -0,09 0,9289
8


2,77440 20 0,05 0,9622
10


-5,77420 20 -0,18 0,8556
5


0,00139 20 0,06 0,9566
6


-0,01844 20 -0,91 0,3751
8


0,03580 20 3,00 0,0070*
10


-0,01030 20 -0,35 0,7330
0


-0,84200 20 -0,59 0,5619
50



4.3.14 Model Regresi ZIP dengan Lima Variabel Prediktor
yaitu X
4
, X
5
, X
6
, X
8
,

dan X
10

Model terakhir yang diestimasi adalah model dengan lima
variabel prediktor, yaitu X
4
, X
5
, X
6
, X
8
,

dan X
10
. Berikut ini adalah
hasil estimasi untuk model tersebut.
Tabel 4.22 Nilai Estimasi Parameter dan Analisis Kesesuaian Model
Regresi ZIP dengan Lima Variabel Prediktor yaitu X
4
, X
5
, X
6
, X
8
,

dan
X
10


Nilai
hitung
G untuk model ini lebih besar dari =
2
1 , 0 ; 1

2,706 sehingga artinya model regresi ZIP dengan lima variabel
prediktor, yaitu X
4
, X
5
, X
6
, X
8
,

dan X
10
layak digunakan. Sedang-
kan, nilai P-Value yang kurang dari 0,1 hanyalah nilai P-Value
untuk dan
8
. Jadi, parameter yang signifikan pada taraf signifi-
kansi 0,1 = hanyalah
8
.

Parameter Estimasi DF t P-Value
hitung
G
0


0,6077 20 0,02 0,9856
33,7

4


0,4479 20 0,00 0,9995
5


-2,7313 20 -0,01 0,9932
6


-3,0430 20 -0,02 0,9840
8


6,5530 20 0,06 0,9517
10


-14,0645 20 -0,07 0,9471
4


0,0047 20 0,17 0,8633
5


-0,0083 20 -0,31 0,7626
6


-0,0175 20 -0,82 0,4195
8


0,0359 20 2,08 0,0509*
10


-0,0073 20 -0,24 0,8143
0


-1,0194 20 -0,60 0.5577
51



4.4 Pemilihan Model Regresi ZIP Terbaik
Pengujian parameter secara serentak untuk semua alterna-
tif model membuktikan bahwa semua model alternatif layak digu-
nakan. Salah satu metode pemilihan model terbaik regresi ZIP
adalah AIC. Berikut ini adalah tabel yang menunjukkan nilai AIC
untuk 14 model regresi ZIP.
Tabel 4.23 Pemilihan Model Terbaik














Model dengan nilai AIC terkecil adalah model regresi ZIP
dengan dua variabel prediktor, yaitu X
8
dan X
10
. Namun, jika dili-
hat dari Tabel 4.12, parameter model logit tidak ada yang
signifikan sehingga perlu dicari model lain. Model selanjutnya
yang memiliki nilai AIC terkecil adalah model dengan tiga
variabel prediktor, yaitu X
4
, X
5
, dan X
10
. Parameter yang
signifikan adalah
0
,
4
,
5
,
10
, dan
10
.
Berikut ini adalah estimasi parameter jika parameter yang
tidak signifikan dihilangkan :
Variabel Model Regresi
ZIP
AIC
X
10
59,8
X
4
dan X
10

54,1
X
5
dan X
10
53,1
X
8
dan X
10

46,8*
X
4
, X
5
, dan X
10

47,5*
X
4
, X
6
, dan X
10
51,4
X
4
, X
8
,

dan X
10

49,2
X
5
, X
6
,

dan X
10
55,9
X
5
, X
8
, dan X
10

49,1
X
4
, X
5
, X
6
, dan X
10

54
X
4
, X
5
, X
8
, dan X
10
53,1
X
4
, X
6
, X
8
,

dan X
10
52,5
X
4
, X
6
, X
8
, dan X
10
51,9
X
4
, X
5
, X
6
, X
8
, dan X
10
57,7
52



Tabel 4.24 Nilai Estimasi Parameter dan Analisis Kesesuaian Model
Regresi ZIP dengan Tiga Variabel Prediktor yaitu X
4
, X
5
, dan X
10
tanpa
parameter
0
,
4
, dan
5
.
Parameter Estimasi DF t P-Value
hitung
G

0


0,8738 20 0,70 0,4948
55,1
4


0,0030 20 0,10 0,9231
5


-0,0010 20 -0,03 0,9781
10


-0,0186 20 -0,53 0,6026
10


0,0278 20 4,99 <0,0001*
Tabel 4.24 menunjukkan bahwa jika beberapa parameter
dikeluarkan maka banyak parameter yang tidak signifikan, se-
hingga model yang dipakai adalah model awal yaitu :
i i i i
X X X
10 5 4
04 , 0 068 , 0 004 , 0 257 , 0 ) log( + =

dan
i i i i
X X X
10 5 4
816 , 4 066 , 44 655 , 14 1 , 184 ) ( logit + =

dimana X
4
menyatakan persentase penduduk yang tidur di dalam
kelambu, X
5
menyatakan persentase penduduk yang tidur di
dalam kelambu berinsektisida, dan X
10
menyatakan persentase
rumah tangga yang memelihara hewan peliharaan (anjing/kucing/
kelinci).
Model logit regresi ZIP menjelaskan bahwa peluang res-
pon (y
i
) bernilai nol dipengaruhi oleh persentase penduduk yang
tidur di dalam kelambu, persentase penduduk yang tidur di dalam
kelambu berinsektisida, dan persentase rumah tangga yang me-
melihara hewan peliharaan (anjing/kucing/kelinci). Sedangkan
model log menjelaskan bahwa semakin besar persentase rumah
tangga yang memelihara hewan peliharaan (anjing/kucing/kelinci)
akan menaikkan jumlah penderita filariasis di Provinsi Papua.
Kenaikan persentase rumah tangga yang memelihara hewan peli-
haraan (anjing/kucing/kelinci) sebesar satu satuan akan mening-
katkan jumlah penderita filariasis di Provinsi Papua sebanyak dua
orang.
53



4.5 Probabilitas Banyaknya Penderita Penyakit Kaki Gajah
(Filariasis) untuk tiap Kabupaten/Kota di Provinsi
Papua
Setelah pemodelan dengan regresi ZIP dihitung nilai
i
,
i
dan nilai probabilitas banyaknya penderita penyakit kaki
gajah (filariasis) untuk tiap kabupaten/kota di Provinsi Papua
( ) (
i i
y Y P = ).
Tabel 4.25 Probabilitas Banyaknya Penderita Penyakit Kaki Gajah
(Filariasis) untuk tiap Kabupaten/Kota di Provinsi Papua
Nama
Kabupaten/Kota
i

i
P(Y
i
=0) P(Y
i
=1) P(Y
i
=2) P(Y
i
=3) P(Y
i
=4) P(Y
i
=5)
Merauke 3,6929 0 0,0249 0,0920 0,1698 0,2090 0,1930 0,1425
Jayawijaya 7,1249 2,9311E-09 0,0008 0,0057 0,0204 0,0485 0,0864 0,1231
Jayapura 3,5766 0 0,0280 0,1000 0,1789 0,2133 0,1907 0,1364
Nabire 3,4764 5,5061E-71 0,0309 0,1075 0,1868 0,2165 0,1882 0,1308
Puncak Jaya 5,7730 1 1 0 0 0 0 0
Mimika 4,9709 0 0,0069 0,0345 0,0857 0,1420 0,1765 0,1755
Boven Digoel 1,3157 1 1 0 0 0 0 0
Mappi 2,2470 1 1 0 0 0 0 0
Asmat 1,8545 1,609E-104 0,1565 0,2903 0,2692 0,1664 0,0771 0,0286
Yahukimo 4,8009 7,0719E-66 0,0082 0,0395 0,0948 0,1516 0,1820 0,1748
Pegunungan Bintang 9,4385 3,5008E-33 0,0001 0,0008 0,0035 0,0112 0,0263 0,0497
Tolikara 2,2970 3,1693E-77 0,1006 0,2310 0,2653 0,2031 0,1166 0,0536
Sarmi 1,0708 1 1 0 0 0 0 0
Keerom 2,0307 1 1 0 0 0 0 0
Waropen 2,2897 1 1 0 0 0 0 0
Supiori 2,2389 5,7753E-07 0,1066 0,2386 0,2671 0,1993 0,1116 0,0500
Yapen Waropen 1,4185 0 0,2421 0,3434 0,2435 0,1152 0,0408 0,0116
Biak Numfor 6,3777 1 1 0 0 0 0 0
Paniai 12,3246 0 0 0,0001 0,0003 0,0014 0,0043 0,0105
Kota Jayapura 2,1615 1,0529E-19 0,1152 0,2489 0,2690 0,1938 0,1047 0,0453
Kabupaten/kota dengan peluang tidak ada penderita
penyakit kaki gajah (filariasis) adalah Puncak Jaya, Boven
Digoel, Mappi, Sarmi, Keerom, Waropen, dan Biak Numfor.
Kabupaten/kota dengan probabilitas banyaknya penderita fi-
54



lariasis satu orang yang cukup tinggi adalah Asmat, Tolikara,
Supiori, Yapen Waropen, dan Kota Jayapura. Kabupaten/ kota
tersebut juga merupakan kabupaten/kota dengan probabilitas
banyaknya penderita filariasis dua orang dan tiga orang yang
cukup tinggi. Probabilitas banyaknya penderita filariasis di
kabupaten Asmat, kabupaten Tolikara, kabupaten Supiori,
kabupaten Yapen Waropen, dan Kota Jayapura cukup tinggi
sehingga kabupaten/kota tersebut perlu mendapatkan perhatian
untuk menyukseskan program eliminasi kaki gajah.


55

BAB 5
KESIMPULAN DAN SARAN

5.1 Kesimpulan
Berdasarkan analisis dan pembahasan pada Bab 4, dapat
diambil kesimpulan sebagai berikut :
1. Rata-rata persentase rumah tangga yang tinggal di pedesaan
adalah 82,72. Range persentase penduduk yang berjenis
kelamin laki-laki berada pada 44,23 sampai 53,42. Rata-rata
persentase penduduk yang berusia 20-39 tahun adalah 31,35.
Persentase penduduk yang tidur di dalam kelambu antara 2,56
sampai 89,64. Rata-rata persentase rumah tangga yang meng-
gunakan tempat penampungan air minum terbuka untuk air
minum sebelum dimasak adalah 32,24. Range rata-rata jarak
yang harus ditempuh ke sarana pelayanan kesehatan berada
pada 870 m sampai 9,49 km dan range rata-rata waktu
tempuhnya berkisar antara 12 menit 6 detik sampai 2 jam 36
menit 4 detik. Rata-rata persentase rumah tangga yang meng-
gunakan racun serangga/pembasmi hama adalah 24,78 dan
rata-rata persentase rumah tangga yang memelihara hewan
peliharaan (anjing/kucing/kelinci) adalah 29,24.
2. Model regresi Poisson tidak memenuhi asumsi rata-rata sama
dengan varians atau terjadi overdispersi pada model regresi
Poisson sehingga perlu digunakan model lain untuk mengeta-
hui faktor-faktor yang mempengaruhi kejadian filariasis di
Provinsi Papua. Model yang diusulkan adalah model regresi
zero-inflated Poisson (ZIP) karena data yang digunakan me-
miliki banyak data yang bernilai nol.
3. Model regresi ZIP terbaik adalah sebagai berikut :
i i i i
X X X
10 5 4
04 , 0 068 , 0 004 , 0 257 , 0 ) log( + =

dan
i i i i
X X X
10 5 4
816 , 4 066 , 44 655 , 14 1 , 184 ) ( logit + =


56



dimana X
4
menyatakan persentase penduduk yang tidur di
dalam kelambu, X
5
menyatakan persentase penduduk yang
tidur di dalam kelambu berinsektisida, dan X
10
menyatakan
persentase rumah tangga yang memelihara hewan peliharaan
(anjing/kucing/ kelinci). Model logit regresi ZIP menjelaskan
bahwa peluang jumlah penderita filariasis di kabupaten/kota
yang bernilai nol dipengaruhi oleh persentase penduduk yang
tidur di dalam kelambu, persentase anggota rumah tangga
yang tidur di dalam kelambu berinsektisida, dan persentase
rumah tangga yang memelihara hewan peliharaan (anjing/
kucing/kelinci). Sedangkan model log menjelaskan bahwa
semakin besar persentase rumah tangga yang memelihara
hewan peliharaan (anjing/kucing/kelinci) sebanyak satu satu-
an akan meningkatkan jumlah penderita filariasis di Provinsi
Papua sebanyak dua orang.
4. Kabupaten/kota di Provinsi Papua yang perlu mendapatkan
perhatian khusus dalam program eliminasi filariasis adalah
Asmat, Tolikara, Supiori, Yapen Waropen, dan Kota Jaya-
pura.

5.2 Saran
Penelitian ini menggunakan jumlah pengamatan yang ke-
cil, sehingga kurang memungkinkan untuk menggunakan banyak
variabel prediktor. Selain itu, untuk pengujian yang berhubungan
dengan distribusi Chi-Square seperti yang digunakan dalam pene-
litian ini seharusnya jumlah pengamatan banyak. Untuk penelitian
selanjutnya, jumlah pengamatan hendaknya menjadi suatu pertim-
bangan.

57

DAFTAR PUSTAKA

Ambarita, L.P. dan Sitorus, H., April 2006. Studi Komunitas
Nyamuk Di Desa Sebubus (Daerah Endemis Filariasis),
Sumatera Selatan Tahun 2004. Jurnal Ekologi
Kesehatan 5,1:368 375.
Anonim, 2004. Pemerintah Berupaya Turunkan Jumlah
Penderita Kaki Gajah,
<URL:http://www.depkes.go.id/index.php?option=news
&task=viewarticle&sid=643&Itemid=2>
Anonim, 2008. Pengendalian Penyakit Tropis Tidak Optimal
Karena Tidak Didukung Riset yang Optimal
http://teknologitinggi.wordpress.com/2008/08/12/pengen
dalian-penyakit-tropis-tidak-optimal-karena-tidak-
didukung-riset-yang-optimal >.
Anonim (2009a).Filariasis
<URL:http://www.e-
dukasi.net/mapok/mp_files/mp_306/materi5.html> .
Anonim (2009b). Filariasis
<URL:http://id.wikipedia.org/wiki/Filariasis>
Anonim (2009c). Papua
<URL: http://id.wikipedia.org/wiki/Papua>
Baharuddin, Nov 2005. Ukuran R
2
dalam Model Regresi
Poisson, Integral 10,3:114-121.
Bialangi, T.S., 2003. Faktor Resiko Mikrofilaremia di
Kabupaten Muna Provinsi Sulawesi Tenggara, Tesis
Program PascaSarjana, Universitas Airlangga Surabaya.
Cameron, A.C, and Trivedi, P.K. 1998. Regression Analysis of
Count Data. Cambridge : Cambridge University Press.
Conover, W.J. (1980). Practical Nonparametric Statistic,
second edition. Canada : John Wiley& Sons, Inc.
Dalrymple, M.L., Hudson, I.L., dan Ford, R.P.K., 2002. Finite
Mixture, Zero-inflated Poisson and Hurdle models with
application to SIDS. Computational Statistics &
Data Analysis 41,2003 :491-504.
58



Ismail, N. dan Jemain, A.A., 2005. Generalized Poisson
Regression : An Alternative for Risk Classification.
Jurnal Teknologi 43,C:39-54.
Jansakul, N. dan Hinde, J.P., 2001. Score Tests for Zero-Inflated
Poisson Models. Computational Statistics & Data
Analysis 40,2002:75-96.
Khoshgoftaar, T.M., Gao, K, dan Szabo, R. M., 2004.
Comparing software fault predictions of pure and
zero-inflated Poisson regression models.
International Journal of System Science 36,11: 705-
715.
Kompas (Jakarta). 2008. 11 Agustus.
Kleinbaum, D.G., Kupper, L.L, and Muller, K.E. 1988. Applied
Regression Analysis and Other Multivariable
Methods, second edition. Boston : PWS-KENT
Publishing Company.
Lestari, A., 2008. Pemodelan Regresi Zero Inflated Poisson
(Aplikasi Pada Data Pekerja Seks Komersial Di
Klinik Reproduksi Putat Jaya Surabaya), Tesis
Program Magister, ITS.
Myers, R.H. 1990. Classical and Modern Regression with
Applications, second edition. Boston : PWS-KENT
Publishing Company.
Suara Pembaharuan (Jakarta).2007. 15 Februari.
Syachrial, Z., Martini, S., Yudhastuti, R., dan Huda, A.H., 2005.
Populasi Nyamuk Dewasa di Daerah Endemis Filariasis
(Studi di Desa Empat Kecamatan Simpang Empat
Kabupaten Banjar Tahun 2004). Jurnal Kesehatan
Lingkungan 2,1:85-96.
Tomar, S.B. dan Kusnanto, H., 2007. Proses Pengobatan Massal
Filariasis di Kabupaten Kepulauan Mentawai,
Magister Kebijakan dan Manajemen Pelayanan
Kesehatan, Universitas Gajah Mada tidak dipublikasikan,
Universitas Gajah Mada.
59



Uloli, R., 2007. Analisis Faktor-Faktor Risiko Kejadian
Filariasis Di Kabupaten Bone Bolango Provinsi
Gorontalo, Tesis Program Studi Ilmu Kesehatan
Masyarakat Jurusan Ilmu-Ilmu Kesehatan, Universitas
Gajah Mada.


60



(Halaman ini sengaja dikosongkan)

61

LAMPIRAN

Lampiran 1 Jumlah Penderita Filariasis di Tiap
Kabupaten/Kota di Provinsi Papua dan
Papua Barat
Kabupaten/Kota di
Papua Barat
Jumlah
Penderita
Filariasis

Kabupaten/Kota di
Papua
Jumlah
Penderita
Filariasis
Fak-fak 0

Merauke 1
Kaimana 6

Jayawijaya 11
Teluk Wondama 0

Jayapura 0
Teluk Bintuni 0

Nabire 0
Manokwari 6

Puncak Jaya 0
Sorong Selatan 1

Mimika 0
Sorong 5

Boven Digoel 0
Raja Ampat 1

Mappi 0
Kota Sorong 0

Asmat 0

Yahukimo 1

Pegunungan Bintang 2

Tolikara 1

Sarmi 0

Keerom 0

Waropen 0

Supiori 2

Yapen Waropen 0

Biak Numfor 0

Paniai 0

Kota Jayapura 1

62



Lampiran 2 Perhitungan X
1

No.
Nama Kabupaten/
Kota
Jumlah RT tiap
kabupaten
RT yang
tinggal di
pedesaan
X
1

1 Merauke 346 231 66.76
2 Jayawijaya 493 461 93.51
3 Jayapura 226 159 70.35
4 Nabire 183 133 72.68
5 Puncak Jaya 162 126 77.78
6 Mimika 212 162 76.42
7 Boven Digoel 204 204 100.00
8 Mappi 84 84 100.00
9 Asmat 272 153 56.25
10 Yahukimo 153 142 92.81
11 Pegunungan Bintang 139 139 100.00
12 Tolikara 101 72 71.29
13 Sarmi 350 350 100.00
14 Keerom 96 96 100.00
15 Waropen 169 169 100.00
16 Supiori 134 104 77.61
17 Yapen Waropen 206 206 100.00
18 Biak Numfor 136 122 89.71
19 Paniai 172 172 100.00
20 Kota Jayapura 327 30 9.17

Perhitungan :
kabupaten tiap Tangga Rumah Jumlah
pedesaan di tinggal yang Tangga Rumah
1
= X
63



Lampiran 3 Perhitungan X
2

No.
Nama Kabupaten/
Kota
Jumlah
penduduk tiap
kabupaten
Penduduk laki-
laki
X
2

1 Merauke 1194 604 50.59
2 Jayawijaya 1794 908 50.61
3 Jayapura 868 436 50.23
4 Nabire 702 354 50.43
5 Puncak Jaya 652 315 48.31
6 Mimika 841 426 50.65
7 Boven Digoel 780 345 44.23
8 Mappi 339 173 51.03
9 Asmat 1052 562 53.42
10 Yahukimo 520 254 48.85
11 Pegunungan Bintang 528 244 46.21
12 Tolikara 335 171 51.04
13 Sarmi 1375 718 52.22
14 Keerom 329 155 47.11
15 Waropen 575 295 51.30
16 Supiori 562 287 51.07
17 Yapen Waropen 753 385 51.13
18 Biak Numfor 468 239 51.07
19 Paniai 842 398 47.27
20 Kota Jayapura 1180 583 49.41

Perhitungan :
kabupaten iap penduduk t Jumlah
laki - laki penduduk
2
= X
64



Lampiran 4 Perhitungan X
3

No.
Nama Kabupaten/
Kota
Jumlah
penduduk tiap
kabupaten
Penduduk usia
20-39 tahun
X
3

1 Merauke 1194 357 29.90
2 Jayawijaya 1794 646 36.01
3 Jayapura 868 254 29.26
4 Nabire 702 198 28.21
5 Puncak Jaya 652 147 22.55
6 Mimika 841 230 27.35
7 Boven Digoel 780 252 32.31
8 Mappi 339 134 39.53
9 Asmat 1052 422 40.11
10 Yahukimo 520 172 33.08
11 Pegunungan Bintang 528 140 26.52
12 Tolikara 335 115 34.33
13 Sarmi 1375 499 36.29
14 Keerom 329 119 36.17
15 Waropen 575 187 32.52
16 Supiori 562 163 29.00
17 Yapen Waropen 753 239 31.74
18 Biak Numfor 468 120 25.64
19 Paniai 842 189 22.45
20 Kota Jayapura 1180 402 34.07

Perhitungan :
kabupaten iap penduduk t Jumlah
tahun 39 - 20 usia penduduk
3
= X
65



Lampiran 5 Perhitungan X
4


No.
Nama Kabupaten/
Kota
Jumlah
penduduk tiap
kabupaten
Penduduk yang
memakai
kelambu
X
4

1 Merauke 1194 848 46.78
2 Jayawijaya 1794 46 43.88
3 Jayapura 868 664 3.08
4 Nabire 702 288 7.37
5 Puncak Jaya 652 305 35.65
6 Mimika 841 369 38.08
7 Boven Digoel 780 24 70.27
8 Mappi 339 25 38.81
9 Asmat 1052 375 2.62
10 Yahukimo 520 198 12.46
11 Pegunungan Bintang 528 371 4.17
12 Tolikara 335 130 63.17
13 Sarmi 1375 36 89.64
14 Keerom 329 41 79.06
15 Waropen 575 24 59.26
16 Supiori 562 355 13.22
17 Yapen Waropen 753 675 46.78
18 Biak Numfor 468 370 43.88
19 Paniai 842 499 3.08
20 Kota Jayapura 1180 156 7.37

Perhitungan :
kabupaten iap penduduk t Jumlah
kelambu memakai yang penduduk
4
= X

66



Lampiran 6 Perhitungan X
5


No.
Nama Kabupaten/
Kota
Jumlah
penduduk tiap
kabupaten
Penduduk yang
memakai kelambu
berinsektisida
X
5

1 Merauke 1194 774 64.82
2 Jayawijaya 1794 2 0.11
3 Jayapura 868 475 54.72
4 Nabire 702 127 18.09
5 Puncak Jaya 652 43 6.60
6 Mimika 841 262 31.15
7 Boven Digoel 780 1 0.13
8 Mappi 339 5 1.47
9 Asmat 1052 208 19.77
10 Yahukimo 520 83 15.96
11 Pegunungan Bintang 528 122 23.11
12 Tolikara 335 63 18.81
13 Sarmi 1375 7 0.51
14 Keerom 329 18 5.47
15 Waropen 575 2 0.35
16 Supiori 562 131 23.31
17 Yapen Waropen 753 608 80.74
18 Biak Numfor 468 44 9.40
19 Paniai 842 404 47.98
20 Kota Jayapura 1180 88 7.46

Perhitungan :
kabupaten iap penduduk t Jumlah
sida berinsekti kelambu memakai yang Penduduk
5
= X

67



Lampiran 7 Perhitungan X
6

No.
Nama Kabupaten/
Kota
Jumlah RT
tiap
kabupaten
RT yang menggunakan
penampungan air
minum terbuka
X
6

1 Merauke 346 80 23.12
2 Jayawijaya 493 78 15.82
3 Jayapura 226 129 57.08
4 Nabire 183 66 36.07
5 Puncak Jaya 162 11 6.79
6 Mimika 212 86 40.57
7 Boven Digoel 204 151 74.02
8 Mappi 84 21 25.00
9 Asmat 272 83 30.51
10 Yahukimo 153 30 19.61
11 Pegunungan Bintang 139 65 46.76
12 Tolikara 101 67 66.34
13 Sarmi 350 94 26.86
14 Keerom 96 9 9.38
15 Waropen 169 32 18.93
16 Supiori 134 23 17.16
17 Yapen Waropen 206 82 39.81
18 Biak Numfor 136 64 47.06
19 Paniai 172 43 25.00
20 Kota Jayapura 327 62 18.96

Perhitungan :
kabupaten tiap RT Jumlah
terbuka minum air n penampunga n menggunaka yang RT
6
= X

68



Lampiran 8 Perhitungan X
7

No.
Nama Kabupaten/
Kota
Jumlah RT tiap
kabupaten(*)
Jumlah jarak tempuh ke
sarana pelayanan
kesehatan terdekat (km)
X
7

1 Merauke 330 609.44 1.85
2 Jayawijaya 439 1412.938 3.22
3 Jayapura 193 490.625 2.54
4 Nabire 182 738.809 4.06
5 Puncak Jaya 160 230.493 1.44
6 Mimika 209 1675.91 8.02
7 Boven Digoel 180 1449.78 8.05
8 Mappi 84 512.352 6.10
9 Asmat 263 433.851 1.65
10 Yahukimo 143 1357.655 9.49
11 Pegunungan Bintang 132 825.242 6.25
12 Tolikara 95 282.21 2.97
13 Sarmi 328 2470.59 7.53
14 Keerom 94 183.75 1.95
15 Waropen 167 495.798 2.97
16 Supiori 128 173.739 1.36
17 Yapen Waropen 204 223.855 1.10
18 Biak Numfor 132 158.07 1.20
19 Paniai 167 573.27 3.43
20 Kota Jayapura 321 277.824 0.87
* : bagi Rumah Tangga yang di daerah tempat tinggalnya ada fasilitas
kesehatan ( Rumah Sakit, Puskesmas, Puskesmas Pembantu, Dokter
praktik) dan yang mengetahui ada fasilitas kesehatan tersebut.
Perhitungan :
*) kabupaten( tiap RT Jumlah
terdekat kesehatan
pelayanan sarana ke uh jarak temp jumlah
7
= X

69



Lampiran 9 Perhitungan X
8

No.
Nama Kabupaten/
Kota
Jumlah RT
tiap
kabupaten(*)
Jumlah waktu tempuh
ke sarana pelayanan
kesehatan terdekat
X
8

1 Merauke 329 7449 22.64
2 Jayawijaya 439 48073 109.51
3 Jayapura 195 4835 24.79
4 Nabire 182 7674 42.16
5 Puncak Jaya 160 5580 34.88
6 Mimika 209 6154 29.44
7 Boven Digoel 180 23336 129.64
8 Mappi 84 13110 156.07
9 Asmat 263 4561 17.34
10 Yahukimo 143 10581 73.99
11 Pegunungan Bintang 132 5358 40.59
12 Tolikara 95 6087 64.07
13 Sarmi 328 22468 68.50
14 Keerom 94 4360 46.38
15 Waropen 167 12179 72.93
16 Supiori 128 2496 19.50
17 Yapen Waropen 204 2468 12.10
18 Biak Numfor 132 2682 20.32
19 Paniai 167 4297 25.73
20 Kota Jayapura 321 5967 18.59
* : bagi Rumah Tangga yang di daerah tempat tinggalnya ada fasilitas
kesehatan ( Rumah Sakit, Puskesmas, Puskesmas Pembantu, Dokter
praktik) dan yang mengetahui ada fasilitas kesehatan tersebut.
Perhitungan :

*) kabupaten( tiap RT Jumlah
terdekat kesehatan
pelayanan sarana ke tu tempuh jumlah wak
8
= X

70



Lampiran 10 Perhitungan X
9

No. Nama Kabupaten/Kota
Jumlah RT
tiap
kabupaten
Penggunaan racun
serangga/pembasmi
hama
X
9

1 Merauke 346 146 42.20
2 Jayawijaya 493 52 10.55
3 Jayapura 226 57 25.22
4 Nabire 183 82 44.81
5 Puncak Jaya 162 53 32.72
6 Mimika 212 49 23.11
7 Boven Digoel 204 0 0.00
8 Mappi 84 2 2.38
9 Asmat 272 141 51.84
10 Yahukimo 153 41 26.80
11 Pegunungan Bintang 139 23 16.55
12 Tolikara 101 32 31.68
13 Sarmi 350 0 0.00
14 Keerom 96 1 1.04
15 Waropen 169 0 0.00
16 Supiori 134 41 30.60
17 Yapen Waropen 206 80 38.83
18 Biak Numfor 136 52 38.24
19 Paniai 172 27 15.70
20 Kota Jayapura 327 207 63.30

Perhitungan :
kabupaten tiap RT Jumlah
hama pembasmi / serangga racun n menggunaka yang RT
9
= X

71



Lampiran 11 Perhitungan X
10

No.
Nama Kabupaten/
Kota
Jumlah RT
tiap
kabupaten
Pemeliharaan
anjing/kucing/kelinci
X
10

1 Merauke 346 113 32.66
2 Jayawijaya 493 242 49.09
3 Jayapura 226 72 31.86
4 Nabire 183 57 31.15
5 Puncak Jaya 162 71 43.83
6 Mimika 212 85 40.09
7 Boven Digoel 204 14 6.86
8 Mappi 84 17 20.24
9 Asmat 272 42 15.44
10 Yahukimo 153 60 39.22
11 Pegunungan Bintang 139 78 56.12
12 Tolikara 101 21 20.79
13 Sarmi 350 6 1.71
14 Keerom 96 17 17.71
15 Waropen 169 35 20.71
16 Supiori 134 27 20.15
17 Yapen Waropen 206 18 8.74
18 Biak Numfor 136 63 46.32
19 Paniai 172 108 62.79
20 Kota Jayapura 327 63 19.27

Perhitungan :
kabupaten tiap RT Jumlah
kelinci / kucing / anjing memelihara yang RT
10
= X
72



Lampiran 12 Variabel Respon dan Variabel Prediktor
Y X
1
X
2
X
3
X
4
X
5
X
6
X
7
X
8
X
9
X
10

1 66.76 50.59 29.90 71.02 64.82 23.12 1.85 22.64 42.20 32.66
11 93.51 50.61 36.01 2.56 0.11 15.82 3.22 109.51 10.55 49.09
0 70.35 50.23 29.26 76.50 54.72 57.08 2.54 24.79 25.22 31.86
0 72.68 50.43 28.21 41.03 18.09 36.07 4.06 42.16 44.81 31.15
0 77.78 48.31 22.55 46.78 6.60 6.79 1.44 34.88 32.72 43.83
0 76.42 50.65 27.35 43.88 31.15 40.57 8.02 29.44 23.11 40.09
0 100.00 44.23 32.31 3.08 0.13 74.02 8.05 129.64 0.00 6.86
0 100.00 51.03 39.53 7.37 1.47 25.00 6.10 156.07 2.38 20.24
0 56.25 53.42 40.11 35.65 19.77 30.51 1.65 17.34 51.84 15.44
1 92.81 48.85 33.08 38.08 15.96 19.61 9.49 73.99 26.80 39.22
2 100.00 46.21 26.52 70.27 23.11 46.76 6.25 40.59 16.55 56.12
1 71.29 51.04 34.33 38.81 18.81 66.34 2.97 64.07 31.68 20.79
0 100.00 52.22 36.29 2.62 0.51 26.86 7.53 68.50 0.00 1.71
0 100.00 47.11 36.17 12.46 5.47 9.38 1.95 46.38 1.04 17.71
0 100.00 51.30 32.52 4.17 0.35 18.93 2.97 72.93 0.00 20.71
2 77.61 51.07 29.00 63.17 23.31 17.16 1.36 19.50 30.60 20.15
0 100.00 51.13 31.74 89.64 80.74 39.81 1.10 12.10 38.83 8.74
0 89.71 51.07 25.64 79.06 9.40 47.06 1.20 20.32 38.24 46.32
0 100.00 47.27 22.45 59.26 47.98 25.00 3.43 25.73 15.70 62.79
1 9.17 49.41 34.07 13.22 7.46 18.96 0.87 18.59 63.30 19.27

Y : Jumlah penderita filariasis tiap kabupaten/kota di Provinsi Papua
X
1
: Persentase rumah tangga yang tinggal di pedesaan untuk tiap
kabupaten/kota di Provinsi Papua (%)
X
2
: Persentase penduduk yang berjenis kelamin laki-laki untuk tiap
kabupaten/ kota di Provinsi Papua (%)
X
3
: Persentase penduduk yang berusia 20-39 tahun untuk tiap
kabupaten/kota di Provinsi Papua (%)
X
4
: Persentase penduduk yang tidur di dalam kelambu untuk tiap
kabupaten/kota di Provinsi Papua (%)
X
5
: Persentase penduduk yang tidur di dalam kelambu berinsektisida
untuk tiap kabupaten/kota di Provinsi Papua (%)
X
6
: Persentase rumah tangga yang menggunakan tempat penampung-
an air minum terbuka untuk air minum sebelum dimasak untuk
tiap kabupaten/kota di Provinsi Papua (%)
X
7
: Rata-rata jarak yang harus ditempuh ke sarana pelayanan
kesehatan terdekat untuk tiap kabupaten/kota di Provinsi Papua
73



X
8
: Rata-rata waktu tempuh ke sarana pelayanan kesehatan terdekat
untuk tiap kabupaten/kota di Provinsi Papua (menit)
X
9
: Persentase rumah tangga yang menggunakan racun serangga/
pembasmi hama selama sebulan yang lalu untuk tiap kabupa-
ten/kota di Provinsi Papua (%)
X
10
: Persentase rumah tangga yang memelihara hewan peliharaan (an-
jing/kucing/ kelinci) untuk tiap kabupaten/kota di Provinsi Papua
(%)
74



Lampiran 13 Pengujian Distribusi untuk Variabel
Respon
One-Sample Kolmogorov-Smirnov Test 3
20
.95
.263
.263
-.050
1.177
.125
N
Mean Poisson Parameter
a,b
Absolute
Positive
Negative
Most Extreme
Differences
Kolmogorov-Smirnov Z
Asymp. Sig. (2-tailed)
y
Test distribution is Poisson.
a.
Calculated from data.
b.


75




Lampiran 14 Program SAS 9 untuk Estimasi Parameter
Model Regresi Poisson dan Perhitungan
Devians

Misal : Untuk Model Y=X
4i
X
5i
X
10i
data TA_filariasis;
input Y X4 X5 X10;
cards;
1 71.02 64.82 32.66
11 2.56 0.11 49.09
0 76.50 54.72 31.86
0 41.03 18.09 31.15
0 46.78 6.60 43.83
0 43.88 31.15 40.09
0 3.08 0.13 6.86
0 7.37 1.47 20.24
0 35.65 19.77 15.44
1 38.08 15.96 39.22
2 70.27 23.11 56.12
1 38.81 18.81 20.79
0 2.62 0.51 1.71
0 12.46 5.47 17.71
0 4.17 0.35 20.71
2 63.17 23.31 20.15
0 89.64 80.74 8.74
0 79.06 9.40 46.32
0 59.26 47.98 62.79
1 13.22 7.46 19.27
;
run;
proc genmod data = TA_filariasis;
Model Y = X4 X5 X10/dist = poisson
link = log
type1
type3 wald
scale= deviance;
run;

76



Lampiran 15 Estimasi Parameter Dan Perhitungan
Devians Model Regresi Poisson

Model Y=X
4i
X
5i
X
10i


The GENMOD Procedure

Model Information

Data Set WORK.TA_FILARIASIS
Distribution Poisson
Link Function Log
Dependent Variable Y
Observations Used 20

Criteria For Assessing Goodness Of Fit

Criterion DF Value Value/DF

Deviance 16 29.8139 1.8634
Scaled Deviance 16 16.0000 1.0000
Pearson Chi-Square 16 57.0564 3.5660
Scaled Pearson X2 16 30.6200 1.9137
Log Likelihood -2.5532

Algorithm converged.

Analysis Of Parameter Estimates

Standard Wald 95% Confidence Chi-
Parameter DF Estimate Error Limits Square Pr > ChiSq

Intercept 1 -1.4775 0.9844 -3.4069 0.4519 2.25 0.1334
X4 1 -0.0305 0.0195 -0.0687 0.0077 2.45 0.1177
X5 1 -0.0172 0.0329 -0.0817 0.0474 0.27 0.6022
X10 1 0.0742 0.0228 0.0295 0.1189 10.59 0.0011
Scale 0 1.3651 0.0000 1.3651 1.3651

NOTE: The scale parameter was estimated by the square root of DEVIANCE/DOF.

LR Statistics For Type 1 Analysis

Chi-
Source Deviance Num DF Den DF F Value Pr > F Square Pr > ChiSq

Intercep 60.2480
X4 53.9673 1 16 3.37 0.0850 3.37 0.0664
X5 53.5916 1 16 0.20 0.6594 0.20 0.6534
X10 29.8139 1 16 12.76 0.0025 12.76 0.0004

Wald Statistics For Type 3 Analysis

Chi-
Source DF Square Pr > ChiSq

X4 1 2.45 0.1177
X5 1 0.27 0.6022
X10 1 10.59 0.0011

77



Lampiran 16 Program SAS 9 untuk Estimasi Parameter
dan Perhitungan Likelihood Model
Regresi Zero-Inflated Poisson

data TA_filariasis;
input Y X4 X5 X10;
cards;
1 71.02 64.82 32.66
11 2.56 0.11 49.09
0 76.50 54.72 31.86
0 41.03 18.09 31.15
0 46.78 6.60 43.83
0 43.88 31.15 40.09
0 3.08 0.13 6.86
0 7.37 1.47 20.24
0 35.65 19.77 15.44
1 38.08 15.96 39.22
2 70.27 23.11 56.12
1 38.81 18.81 20.79
0 2.62 0.51 1.71
0 12.46 5.47 17.71
0 4.17 0.35 20.71
2 63.17 23.31 20.15
0 89.64 80.74 8.74
0 79.06 9.40 46.32
0 59.26 47.98 62.79
1 13.22 7.46 19.27
;
run;
proc nlmixed data=TA_filariasis;
parameters a0=0 a4=0 a5=0 a10=0 b4=0 b5=0 b10=0;
linpinfl=a0+a4*X4+a5*X5+a10*X10;
bpart=b0+b4*X4+b5*X5+b10*X10;
lambda=exp(bpart);
infprob = exp(linpinfl)/(1+exp(linpinfl));
if y=0 then ll = log(infprob + (1-infprob)*exp(-lambda));
else ll = log((1-infprob)) + Y*log(lambda) - lgamma(Y+1) -
lambda;
model Y ~ general(ll);
predict _ll out=LL_2;
run;



78



Lampiran 17 Estimasi Parameter dan Likelihood Model
Regresi Zero-Inflated Poisson

Model Y=X
4i
X
5i
X
10i
The NLMIXED Procedure

Specifications

Data Set WORK.TA_FILARIASIS
Dependent Variable Y
Distribution for Dependent Variable General
Optimization Technique Dual Quasi-Newton
Integration Method None

Dimensions

Observations Used 20
Observations Not Used 0
Total Observations 20
Parameters 8

Parameters

a0 a4 a5 a10 b4 b5 b10 b0

0 0 0 0 0 0 0 1

Parameters

NegLogLike

31.9487913

Iteration History

Iter Calls NegLogLike Diff MaxGrad Slope

1 5 27.6531361 4.295655 397.1606 -3182.68
2 8 23.4012375 4.251899 157.8373 -1679.29
3 11 23.2324774 0.16876 167.3023 -26.5571
4 12 22.9386316 0.293846 144.8491 -4.41162
5 13 22.4334141 0.505218 38.59493 -2.20095
6 15 22.2962702 0.137144 31.3271 -1.03809
7 16 22.2126966 0.083574 46.43492 -0.48185
8 18 21.6424855 0.570211 44.32833 -0.7548
9 19 20.7615732 0.880912 74.47778 -0.59032
10 20 19.4590397 1.302534 71.86073 -0.73665
11 22 18.5293976 0.929642 15.78021 -1.05572
12 24 18.0432483 0.486149 71.85998 -0.68219
13 26 17.857636 0.185612 25.07338 -0.2395
14 28 17.833256 0.02438 3.728454 -0.03157
15 30 17.8191573 0.014099 15.14046 -0.01162
16 32 17.7731806 0.045977 3.55248 -0.02441
17 34 17.5916013 0.181579 66.66993 -0.04583
18 35 17.5050175 0.086584 35.99275 -0.17485
19 36 17.3958108 0.109207 4.360884 -0.19217
20 38 17.3891702 0.006641 3.688064 -0.01893

79














































25 47 17.1601597 0.006216 11.38459 -0.00447
26 48 17.1542279 0.005932 7.672293 -0.00468
27 50 17.1529817 0.001246 1.135486 -0.00187
28 52 17.1525119 0.00047 0.881274 -0.00027
29 54 17.1500759 0.002436 0.567737 -0.00036
30 55 17.1480902 0.001986 1.126141 -0.00253
31 57 17.1351876 0.012903 3.314063 -0.00379
32 62 17.0645473 0.07064 7.320593 -0.02918
33 65 17.0480123 0.016535 14.52692 -0.87265
34 68 16.2844694 0.763543 12.7938 -0.20409
35 69 16.0482132 0.236256 22.34047 -0.82837
36 70 15.8416886 0.206525 16.588 -0.33525
37 72 15.801158 0.040531 5.8713 -0.07088
38 74 15.7862794 0.014879 7.657919 -0.0114
39 75 15.7794669 0.006812 8.872656 -0.00914
40 76 15.7717502 0.007717 1.222148 -0.01203
41 78 15.7689685 0.002782 3.671752 -0.00161
42 80 15.7670687 0.0019 0.900724 -0.00202
43 81 15.7656881 0.001381 2.207635 -0.00056
44 83 15.7651082 0.00058 0.211579 -0.00083
45 84 15.7647118 0.000396 0.345739 -0.0001
46 86 15.7646763 0.000035 0.407267 -0.00003
47 87 15.764663 0.000013 0.591587 -0.00002
48 88 15.7646421 0.000021 0.140079 -0.00004
49 90 15.7646362 5.876E-6 0.151134 -6.68E-6
50 91 15.7646321 4.125E-6 0.187408 -3.34E-6
51 93 15.7646295 2.608E-6 0.015622 -3.72E-6
52 96 15.7646284 1.085E-6 0.000634 -5.95E-7
53 158 15.7646283 1.449E-7 0.000464 -4.36E-7
54 173 15.7646283 0 0.000464 -5.09E-7

NOTE: FCONV convergence criterion satisfied.

Fit Statistics

-2 Log Likelihood 31.5
AIC (smaller is better) 47.5
AICC (smaller is better) 60.6
BIC (smaller is better) 55.5


Parameter Estimates

Standard
Parameter Estimate Error DF t Value Pr > |t| Alpha Lower Upper

a0 184.10 0.4061 20 453.32 <.0001 0.05 183.26 184.95
a4 14.6547 0.2151 20 68.14 <.0001 0.05 14.2061 15.1034
a5 -44.0661 0.3513 20 -125.45 <.0001 0.05 -44.7988 -43.3334
a10 -4.8159 0.1380 20 -34.90 <.0001 0.05 -5.1038 -4.5281
b4 -0.00356 0.02063 20 -0.17 0.8647 0.05 -0.04659 0.03947
b5 -0.06755 0.04118 20 -1.64 0.1165 0.05 -0.1534 0.01834
b10 0.04034 0.01838 20 2.20 0.0401 0.05 0.002010 0.07868
b0 0.2568 0.8572 20 0.30 0.7676 0.05 -1.5314 2.0449
80





































Parameter Estimates

Parameter Gradient

a0 5.727E-7
a4 0.000036
a5 0.000013
a10 0.000012
b4 -0.00046
b5 -0.00013
b10 -0.00027
b0 -0.00001

Covariance Matrix of Parameter Estimates

Row Parameter a0 a4 a5 a10 b4 b5 b10

1 a0 0.1649 0.08734 0.1427 -0.05604 0.000480 0.00171 0.006914
2 a4 0.08734 0.04625 0.07555 -0.02968 0.000254 0.000906 0.003661
3 a5 0.1427 0.07555 0.1234 -0.04847 0.000416 0.001480 0.005980
4 a10 -0.05604 -0.02968 -0.04847 0.01904 -0.00016 -0.00058 -0.00235
5 b4 0.000480 0.000254 0.000416 -0.00016 0.000426 -0.00076 -0.00004
6 b5 0.001711 0.000906 0.001480 -0.0005 -0.00076 0.001696 0.000114
7 b10 0.006914 0.003661 0.005980 -0.00235 -0.00004 0.000114 0.000338
8 b0 -0.3480 -0.1843 -0.3010 0.1182 -0.00062 -0.00457 -0.01462

Covariance
Matrix of
Parameter
Estimates

Row b0

1 -0.3480
2 -0.1843
3 -0.3010
4 0.1182
5 -0.00062
6 -0.00457
7 -0.01462
8 0.7348

Correlation Matrix of Parameter Estimates

Row Parameter a0 a4 a5 a10 b4 b5 b10

1 a0 1.0000 1.0000 1.0000 -1.0000 0.05734 0.1023 0.9264
2 a4 1.0000 1.0000 1.0000 -1.0000 0.05734 0.1023 0.9264
3 a5 1.0000 1.0000 1.0000 -1.0000 0.05734 0.1023 0.9264
4 a10 -1.0000 -1.0000 -1.0000 1.0000 -0.05734 -0.1023 -0.9264
5 b4 0.05734 0.05734 0.05734-0.05734 1.0000 -0.8935 -0.09762
6 b5 0.1023 0.1023 0.1023 -0.1023 -0.8935 1.0000 0.1512
7 b10 0.9264 0.9264 0.9264 -0.9264 -0.09762 0.1512 1.0000
8 b0 -0.9996 -0.9996 -0.9996 0.9996 -0.03487 -0.1294 -0.9281

Correlation
Matrix of
Parameter
Estimates

Row b0

1 -0.9996
2 -0.9996
3 -0.9996
4 0.9996
5 -0.03487
6 -0.1294
7 -0.9281
8 1.0000


81

BIODATA PENULIS

Penulis dengan nama lengkap IKA
RAHMAWATI lahir di kota Tuban pada
tanggal 19 Oktober 1987, anak pertama dari
dua bersaudara pasangan IMAM SYAFII,
S.Pd, M.Pd dan WIYARSINI, S.Pd. Pendi-
dikan formal yang ditempuh penulis adalah
SDN Mulyoagung 01, SLTPN 1 Singgahan
dan SMAN 1 Bojonegoro. Pada tahun 2005,
penulis diterima di Jurusan Statistika ITS
melalui jalur Penelusuran Minat dan
Kemampuan (PMDK) dengan NRP
1305100035 dan lulus pada tahun 2009 dengan laporan Tugas
Akhir PEMODELAN RESIKO PENYAKIT KAKI GAJAH
(FILARIASIS) DI PROVINSI PAPUA DENGAN REGRESI
ZERO-INFLATED POISSON . Selama kuliah, penulis pernah
menjadi asisten dosen mata kuliah Metode Regresi (2008). Selain
itu, penulis juga pernah Kerja Praktek di PT. PERTAMINA
(PERSERO) UPms V SURABAYA. Selain sebagai mahasiswa,
penulis juga aktif di beberapa organisasi antara lain sebagai Staff
Departemen Penelitian dan Pengembangan Himpunan Mahasiswa
Statistika ITS (2006-2007, 2007-2008), Staff Divisi Solidaritas
Ummat Departemen Peduli Ummat JAMAAH MASJID
MANARUL ILMI (2006 2007, 2007-2008), Asisten Direktur
Bidang Administrasi dan Keuangan Unit Kegiatan Mahasiswa
KOPMA Dr. Angka ITS (2007), dan Pengawas KOPMA Dr.
Angka ITS (2008). Alamat email penulis :
ika_rahma19@yahoo.com .