PENAKSI RAN RESIKO RELATI VE DALAM

PEMETAAN PENYAKI T DENGAN METODE

HI RARKI BAYES
PENDAHULUAN
SMR
I
= Y
I
/E
I
INCIDENT RATE
IR
I
= Y
I
/N
I
X 100.000
PENTINGNYA
PEMETAAN PENYAKIT
EPIDEMIOLOGI
PEMETAAN PENYAKIT
EMPIRICAL BAYES
HIERRARCHICAL BAYES
RELATIVE RISK
Resiko Positif Negatif Total
Area -i a b a+b = N
i
Bukan Area -i c d c+d =N-
i
Total a+c b+d N
Definisi Umum
Definisi Disease
Mapping untuk
Small Area

=
/( +)
/( +)

=
/( +)
( +)/[ + + +]

+
+ + +
+

J. WAKEFIELD, 2006

~(

~(

~(

)
(

!

SPATIAL AUTOCORRELATION
n n
i ij j
i 1 j 1
n n n
2
ij i
i 1 j 1 i 1
(y y) w (y y)
n
MC
w (y y)

1 jika area ke-i bersingungandenganarea ke-j
0lainnya
ij
W

KELEMAHAN SMR
Area Kecil cenderung
memiliki Varians taksiran
yang besar
Area kecil yang saling berdekatan dengan
jumlah populasi dan untuk jumlah kasus kecil
dapat memberikan SMR yang berbeda
ekstrim. Contoh area A dan B populasinya
1000. Misalkan peluang kasus terjadi untuk
seluruh are adalah 0.001. Ditemukan kasus di
Daerah A sebanyak 2 kasus dan B sebanyak 0
Kasus. SMR untuk daerah A sebesar 2
sedangkan daerah B sebesar 0. Walaupun
daerah ini berdekatan dengan populasi yang
sama.
A B
=

) =

)
(

!

Metode Bayes
Metode Bayes merupakan metode pemulusan untuk menaksir risiko
relatif yang memperhitungkan variasi antardaerah.
penaksiran parameter dengan cara menggabungkan informasi dari
sampel dan informasi lain yang telah tersedia sebelumnya atau
disebut informasi prior
Model distribusi peluang gabungan dari dan y adalah
Distribusi posterior dari adalah
( , ) ( ) ( ) f y f f y
( ) ( )
( , )
( )
( ) ( )
f f y
f y
f y
f y f y

Permasalahan utama
dalam metode bayes
adalah menetukan
distribusi prior dari
parameter karena
distribusi prior dalam
metode bayes tidak
selamanya diketahui
Distribusi Prior
Fungsi
Likelihood
Fungsi Densitas
Marginal
NON SPATIAL MODEL
Poisson -Gamma
Tahap 1 :

~(

|, ~(, )
Tahap 2 :

, =

)
1
exp(

)
()

, ,

= 1

Dengan :
Empirical
Bayes
Kelemahan :
1. Tidak memungkinkan memasukkan
informasi spatial dependence
2. Tidak memberikan informasi Standard
Error Taksiran
SPATIAL MODEL
Poisson-
Lognormal
Hierarchical
Bayesian
Tahap 1 :

~(

)
Tahap 2 :

= +

= +

~0,

|
1
~(

~

~
,

2

~
)
CAR Model
Tahap 3 :
SPATIAL AUTOREGRESSIVE MODEL
Simultaneous
Autoregressive
Model (SAR)
SPATIAL AUTOREGRESSIVE MODEL
Conditional
Autoregressive
Model (CAR)
CONDITIONAL
AUTOREGRESSIVE
T
: (, )
:
:
: , ( )
Autocorrelation f
AR
SAR
CAR

Y
Y WY X
Y WY (I W)X
Y DY X D D I C M
Error senantiasa diasumsikan
berdistribusi normal
Madalah matrix diagonal dan
yang paling sederhana M=I
ALGORITMA

= +

~0,

|
1
~(

~

~
,

2

~
)

1

2
~
1
0.001,0.001

2
~
1
0.001,0.001

4

CONTOH KASUS
Kasus DBD di Kota Bogor Tahun
2009. Kota Bogor terdiri dari 68
Keluruhan
Total Kasus 2009 = 1,505
Total Penduduk = 984,780
Incident Rate = 152.83/100.000
Penduduk
ANALISIS DATA
Variables Total Mean Minimum
Maximu
m
Standard
Deviation
Jumlah Kasus 1540 22.65 1 79.00 18.18
Jumlah Populasi 984780 14482.06 3167 50673.00 7435.99
Nilai Harapn 1540 22.65 4.95 79.24 11.63
Statistik Deskriptif
ANALISIS DATA
Eksplorasi Data
SMR
10000 20000 30000 40000 50000
0
.
0
0
.
5
1
.
0
1
.
5
2
.
0
2
.
5
3
.
0
SMR of DHF
Population
R
e
l
a
t
i
v
e

R
i
s
k
Margajaya
Bantarjati
Tegal Gundil
Menteng
Babakan
Pabaton
Gunung Batu
Lawang Gintung
Untuk jumlah populasi
sekdikit, nilai SMR
cenderung sangat
bervariasi
HIERARCHICAL BAYES
2000 2400 2800
3
7
0
4
2
0
Iterations
Trace of deviance
360 380 400 420 440
0
.
0
0
0
0
.
0
3
5
Density of deviance
N = 1000 Bandwidth = 3.03
2000 2400 2800
-
1
.
2
-
0
.
6
Iterations
Trace of alpha
-1.2 -1.0 -0.8 -0.6 -0.4
0
.
0
2
.
5
Density of alpha
N = 1000 Bandwidth = 0.03288
2000 2400 2800
0
.
7
1
.
2
Iterations
Trace of theta[60]
0.6 0.8 1.0 1.2 1.4
0
.
0
2
.
0
Density of theta[60]
N = 1000 Bandwidth = 0.03255
SMR & HB
SMR BYMmean
0. 07
0. 36
0. 91
1. 11
1. 38
3. 25
SMR & HB
0. 0 0. 5 1. 0 1. 5 2. 0 2. 5 3. 0
0
.
0
0
.
5
1
.
0
1
.
5
2
.
0
2
.
5
3
.
0
nc. SMR
n
c
.
B
Y
M
m
e
a
n
nc.SMR nc.BYMmean
Min. :0.0700 Min. :0.1134
1st Qu.:0.4988 1st Qu.:0.5427
Median :1.0375 Median :1.0338
Mean :1.0324 Mean :1.0210
3rd Qu.:1.2817 3rd Qu.:1.2761
Max. :3.2470 Max. :3.0693
KESIMPULAN
HB memberikan taksiran yang berbeda dengan
dari SMR karena memperhatikan adanya
ketergantungan spasial
HB memberikan informasi kekeliruan taksiran
dari nilai standardeviasi posterior
REFERENSI
Bivand Roger S.et.al (2008). Applied Spatial Data Analysis With R. Springer.
Clayton, David and John Kaldor. 1987. Empirical Bayes Estimates of Age-
standardized Relative Risks for Use in Disease Mapping. Biometrics 43, 671-
681.
Lawson, Andrew B. William Fiona L.R.(2001) An Introductory Guide to Disease
Mapping. John Willey & Sons Ltd. ISBNs :0-471-86059-X (Harback); 0-070-
84257-1 (Electronic) .pp.41
Marshall, Roger J. (1991). Mapping Disease and Mortality Rates using Empirical
Bayes Estimators. New Zealand : University of Auckland.
Meza, Jane L. (2003). Empirical Bayes Estimation Smoothing of Relative Risks in
Disease Mapping. Amerika Serikat : University of Nebraska Medical Center.
Wakefield J. (2007) Disease Mapping Spatial Regression Count Data. Journal of
Biostatistics. Advance Access publication. Pp. 158-183
Wakefield, Jon. 2006. Disease Mapping and Spatial Regression With Count Data.
Seattle : Department of Statistics and Biostatistics University of
Washington.