PREVALENSI DAN FAKTOR RESIKO HIV PADA GENERALIZED

EPIDEMIC DI TANAH PAPUA MENGGUNAKAN METODE

REGRESI LOGISTIK DENGAN STRATIFIKASI
(Studi Kasus Pada Hasil Surveilans Terpadu HIV-Perilaku/STHP 2006)
Nama Mahasiswa
NRP
Pembimbing
Co-Pembimbing

: Bagas Susilo
: 1307 201 736
: Dr. Purhadi, M.Sc.
: Gantjang Amanullah, MA.

ABSTRAK
Dari laporan triwulanan jumlah kasus HIV/AIDS yang diterbitkan oleh Depkes,
menunjukkan dugaan bahwa prevalensi HIV/AIDS di Tanah Papua sudah memasuki level
Generalized Epidemic, dimana persentase kasus pada masyarakat umum sudah melebihi
satu persen. Pada tahun 2006 dilakukan Survei Terpadu HIV-Perilaku (STHP) di Tanah
Papua dengan membagi dalam tiga wilayah topografi (strata), yaitu pegunungan, pesisir
mudah, dan pesisir sulit. Hasil Serologi akan menghasilkan data biner yang
mengindikasikan seseorang positif atau negatif HIV, sedangkan data perilaku berupa data
campuran antara kategorik dan kontinu. Dari data tersebut dengan menggunakan metode
regresi logistik, diambil kesimpulan bahwa prevalensi HIV/AIDS di Tanah Papua sudah
lebih dari dua persen dan faktor dominan untuk tiap strata yang menyebabkan
kecenderungan signifikan seseorang teridentifikasi positif HIV adalah berbeda pada
masing-masing strata. Namun yang faktor kuat berlaku untuk ketiga topografi adalah
pengetahuan tentang HIV dan jumlah pasangan.
Kata kunci: generalized epidemic, HIV, regresi logistik, stratifikasi, STHP.

1. Pendahuluan
Pertumbuhan epidemi HIV di Indonesia termasuk yang tertinggi di Asia dan bila dilihat
dari segi prevalensi kasus, tanah Papua (Provinsi Papua dan Papua Barat) adalah daerah yang
paling beresiko di Indonesia. Penelitian-penelitian sebelumnya dilakukan pada cakupan yang
sangat terbatas di daerah tertentu dan pada sasaran tertentu pula, misalnya kelompok resiko
tinggi, pada Pekerja Seks Komersial (PSK), buruh pelabuhan dan lain-lain. Kuat adanya dugaan
bahwa prevalensi di tanah Papua sudah memasuki kriteria Generalized Epidemic (Depkes,
2003). Tahun 2006 dilakukan Survei Terpadu HIV-Perilaku (STHP) di tanah Papua yang
merupakan gabungan antara serologi dan data perilaku individu pertama di Indonesia. Hasil
Serologi menghasilkan data biner yang mengindikasikan seseorang positif atau negatif HIV,
sedangkan data perilaku berupa data campuran antara kategorik dan kontinu. Oleh karena itu
akan dicoba menerapkan metode regresi logistik untuk mengetahui seberapa besar prevalensi
dan faktor resiko HIV pada generalized epidemic, yang didasarkan pada tiga topografi wilayah
di tanah Papua yaitu pegunungan, pesisir mudah dan pesisir sulit. Hasil dari penelitian ini
diharapkan dapat menggambarkan tingkat prevalensi HIV dan faktor resikonya serta
melengkapi apa yang sudah dilakukan oleh Depkes, BPS serta pihak terkait lainnya dalam
rangka menghambat mengintensifkan penganggulangan HIV/AIDS utamanya di Tanah Papua,
sehingga tepat dalam kebijakan penanggulangan HIV/AIDS.

Penelitian statistik tentang HIV/AIDS yang sudah dilakukan antara lain Agadjanian
(2005) menggunakan regresi logistik untuk melihat efek gender dan interaksinya dengan faktor
lain khususnya yang berhubungan dengan ketaatan beragama terhadap HIV/AIDS di
Mozambique. Castaneda dan Bastidas (2005) meneliti perilaku berisiko HIV/AIDS dari wanita
Mexico yang bekerja di Maquiladora. Beberapa variabel seperti konsumsi obat-obatan, alkohol,
jarum suntik, perilaku seksual, dan informasi demografis digunakan dalam penelitian ini.
Selanjutnya Bian, Cen, Huang, dan Xi (2007) menggunakan regresi logistik untuk mengamati
pengaruh cara penyembuhan untuk AIDS sehingga didapatkan waktu yang tepat untuk
menghentikan pengobatan tersebut. Untuk data yang diperoleh dari populasi yang berbeda,
maka Petterson (2007) menggunakan regresi logistik dengan stratifikasi. Secara umum untuk
data survei yang diambil dari strata sejumlah D, maka akan dihasilkan D model regresi logistik
dan masing-masing model bisa saja memiliki koefisien parameter yang berbeda-beda.

2. Model regresi logistik biner

Menurut Kleinbaum (1994) regresi logistik merupakan pendekatan model matematika
yang dapat digunakan untuk menjelaskan hubungan antara beberapa variabel prediktor X
terhadap variabel respon yang bersifat dikotomus atau biner Y. Model regresi logistik diperlukan
pada saat data respon bersifat kategorik (variabel indikator) karena akan ada beberapa
permasalahan yang muncul yang tidak memungkinkan untuk tetap menggunakan regresi klasik
(Kutner et al., 2004).
Bentuk umum model regresi logistik dengan satu variabel prediktor (simple logistic
regression) adalah
, dengan Y adalah variabel random berdistribusi Bernoulli
yang memiliki parameter
, dimana:
exp
1 exp

(1)

Karena model regresi logistik merupakan bentuk regresi nonlinear, maka perlu dilakukan
transformasi untuk memudahkan dalam estimasi parameter. Salah satu bentuk transformasi yang
dapat digunakan adalah model transformasi logit yang dirumuskan sebagai berikut:
g

ln

(2)

telah linear dalam parameterdengan demikian fungsi respon logit g

pada
parameternya. Untuk regresi logistik dengan beberapa variabel prediktor,
persamaan (1) diganti dengan
, dengan p adalah jumlah variabel
prediktor. Seperti pada kasus regresi linear, regresi dengan banyak variabel prediktor bisa saja
berbeda skala ukuran. Jika beberapa variabel prediktor adalah bersifat kategorik, maka dapat
digunakan variabel dummy. Pada umumnya, jika variabel kategorik mempunyai s kemungkinan
nilai, maka akan diperlukan sebanyak s-1 variabel dummy.
Misalkan variabel respon ke-j memiliki kategori sebanyak sj. Variabel dummy sebanyak
.
sj-1 akan dinotasikan sebagai Djl dan koefisien untuk variabel ini dinotasikan sebagai
Selanjutnya model regresi logistik pada (1) dapat dituliskan dalam bentuk:
exp g
1

(3)

exp g

dimana g
adalah model transformasi logit untuk model dengan p-1 variabel kontinu dan satu
variabel kategorik yang ke-j yang dituliskan sebagai:
(4)

Pengujian kesesuaian model regresi logistik diuji secara simultan/serentak maupun secara
parsial. Uji simultan dapat dilakukan dengan menggunakan likelihood ratio test (LRT),
sedangkan uji parsial dapat dilakukan dengan menggunakan statistik uji Wald. Hal ini dapat
dilihat pada Casella dan Berger (2002), Kutner (2004), Le (1998), dan Myers (1990).
Untuk menguji kesesuaian model secara bersama-sama atau simultan dari seluruh
parameter yang ada, digunakan likelihood ratio test (LRT). Metode LRT berhubungan erat
dengan metode MLE (Casella dan Berger, 2002).
Bentuk hipotesis pada uji simultan adalah:
:
0 v.s
: minimal ada satu
0 ,
1,2, ,
, , ,
adalah variabel random saling bebas sebanyak n, masing-masing
Misalkan
; , , ,
, untuk i = 1, 2, n dan buah
mempunyai fungsi distribusi probabilitas
variabel prediktor

. Himpunan yang terdiri dari semua parameter titik

dinotasikan dengan , dimana

dan fungsi likelihood di bawah populasi

; , , ,
.
didefinisikan sebagai

Misalkan
subset dari dan fungsi likelihood didefinisikan sebagai

sebagai
;
. Misalkan pula
dan
dan
nilai maksimum, maka rasio likelihood dinotasikan sebagai:

yang dinotasikan
ada dan memiliki

, Selanjutnya untuk distribusi yang termasuk keluarga eksponensial ini dapat dituliskan

dalam bentuk:
2 ln

(4)

atau p-value < (Casella dan Berger, 2002).

dan hipotesis ditolak jika
;
Uji yang digunakan untuk parameter mana dari
yang tidak signifikan atau untuk menguji
keberartian parameter secara parsial dapat digunakan statistik uji Wald dengan hipotesis:
:
0 vs
:
0 ,
1,2, ,
Statistik ujinya adalah:

(5)
dimana

adalah penduga parameter

dan

adalah penduga standard error dari

Tolak hipotesis nul apabila

; atau p-value < .
Salah satu uji yang dapat digunakan untuk menguji kesesuaian model regresi logistik adalah Uji
Hosmer-Lemeshow, sebagaimana nama penggagasnya. Nilai statistik uji Hosmer-Lemeshow
yang diberi simbol , diperoleh dengan cara menghitung statistik pearson chi-square dari g 2
tabel frekuensi hasil pengamatan dan nilai harapan. Penghitungan
diberikan oleh formula
berikut (Hosmer dan Lemeshow, 2000):
1

(6)
3

dimana
desil ke-k,

adalah jumlah subyek pada grup ke-k,

menyatakan jumlah bentuk kovariat pada

adalah jumlah respon pada kovariat

, dan

adalah

rata-rata estimasi probabilitas.

Odds ratio didefinisikan sebagai rasio dari odds untuk x = 1 terhadap x = 0. Dengan kata lain
resiko kecenderungan pengaruh observasi x = 1 adalah n kali lipat dibandingkan observasi x = 0.
Dalam penelitian ini, Odds ratio digunakan untuk mengetahui kecenderungan faktor-faktor yang
berpengaruh terhadap generalized epidemic HIV/AIDS. Pada tabel kontingensi 2 2, odds
ratio, yang selanjutnya dinotasikan dengan OR, diberikan oleh persamaan:
1 1
0 1

1
0

(7)

dan dengan memasukkan nilai

sesuai dengan persamaan (1) maka diperoleh nilai OR =
atau ln
.
Regresi logistik banyak digunakan terutama di bidang sosial. Pada bidang ini, seringkali
didapatkan bahwa latar belakang sampel atau populasi berbeda, dalam hal ini tersratifikasi. Jika
hal ini terjadi, maka diperlukan suatu perbandingan antara model regresi pada tiap strata dan
diuji apakah masing-masing strata memiliki model yang berbeda. Misalkan ada D strata yang
akan diamati, maka model regresi logistik pada (3) dapat dituliskan sebagai:
exp g

(8)

1 exp g
adalah model regresi logistik untuk strata yang ke-d dengan g
, d = 1, 2, , D.
Dalam pengujian kesamaan dua vektor parameter, anggap model logit berikut untuk D
kelompok observasi (yang mana untuk memfasilitasi perbandingan telah dipisahkan ke dalam
kelompok, u1 = 1, 2,..., v1 , u2 = v1 + 1,..., v2 dan us = vD 1 + 1,..., s ). Untuk menguji kesamaan

dimana

di antara D (dengan d berjalan dari 1 sampai D) sekumpulan koefisien, didapatkan persamaan

berikut (Liao, 2004):

,
dan

,
,

,
(9)

di mana A u (.) merupakan kontribusi terhadap likelihood untuk kasus ke-u. Pada baris pertama
dari (9) memberikan batasan bahwa semua
adalah sama, dan baris kedua mengurangi
konstrain. Model pada baris pertama mengestimasi hanya satu vektor parameter untuk seluruh
sampel, sementara model pada baris kedua mengestimasi sebuah vektor parameter untuk tiaptiap kelompok observasi pada sampel. Untuk menguji kesamaan parameter, statistik uji rasio
likelihood (likelihood ratio test) dapat dibentuk dengan membuat rasio baris kedua terhadap
baris pertama dari persamaan (9).
Untuk menguji kesamaan koefisien secara berpasangan di antara D kelompok dapat
dinyatakan dengan hipotesis
:
:
, dimana
Statistik uji yang digunakan adalah statistik Wald dengan

var
var
di mana var(.) merupakan estimasi matriks varian-kovarian untuk koefisien dan merupakan
vektor koefisien yang mengandung seluruh parameter yang diestimasi untuk grup d. Operator di
tengah [.] merupakan generalized inverse.

H 0 ditolak bila WI lebih besar dari (2w) di mana w menunjukkan banyaknya variabel
prediktor pada model.
Hipotesis yang bisa digunakan untuk menduga apakah perbandingan sembarang
kelompok signifikan secara bersama-sama adalah
:
yang tidak sama
H1 : Paling sedikit ada satu
,
, , dan
;
Hipotesis di atas identik dengan perbandingan antara
,
, , dan
; ;
,
, , dan
Statistik uji yang digunakan (berdasarkan perbandingan 1 dan 2, 1 dan 3, , dan 1 dan D)
adalah statistik Wald dengan

1 2

1
3

WII =
#

1 D

cov( 1 2 , 1 3 )
var( 1 ) + var( 2 )
cov( , )
var( 1 ) + var( 3 )
1
3
1
2

#
#

cov(1 D , 1 2 ) cov(1 D , 1 3 )

"
"
%
"

cov( 1 2 , 1 D ) 1 2

cov( , )

var( 1 ) + var( D )
1

1 3
#

1 D

Statistik uji untuk perbandingan yang lainnya adalah identik. Dengan kata lain, akan ada D buah
statistik uji untuk menguji perbandingan antar kelompok wilayah secara simultan. H 0 ditolak
bila WII lebih dari (2w1 + w2 +...+ wD ) di mana w1 sampai dengan wD masing-masing menunjukkan
banyaknya variabel prediktor pada model pertama sampai dengan model yang ke-D.

3. Metodologi
Bahan yang digunakan dalam penelitian ini adalah:
1. Sumber data utama yang digunakan dalam penelitian ini adalah database (data primer)
yang merupakan hasil Surveilans Terpadu HIV-Perilaku (STHP06), survei ini
merupakan kerjasama antara BPS dengan Departemen Kesehatan yang dibiayai oleh
Bank Dunia dan dihukung oleh Family Health Indonesia (FHI) dan Aksi Stop AIDS
(ASA) serta Komisi Penanggulangan AIDS (KPA). Metodologi dalam survey ini
adalah :
a. Kerangka sampling :
Primary Sampling Unit (PSU), Kabupaten/Kota distratifikasi berdasarkan
topografis (Daerah Pegunungan; Pesisir mudah; Pesisir Sulit)
Secondary Sampling Unit (SSU), Blok Sensus yang dilengkapi dengan
jumlah penduduk hasil pencacahan P4B
Ultimate Sampling Unit (USU), Penduduk usia 15-49 tahun hasil listing
STHP.
b. Metode Sampling : Menggunakan metode Three Stages Stratified Sampling :
Stage 1, Memilih PSU dengan metode PPS dengan size jumlah penduduk.

Stage 2, Memilih SSU dengan metode PPS dengan size jumlah penduduk
dan Listing/Pendaftaran penduduk dilakukan pada seluruh blok sensus
terpilih
Stage 3, Memilih 25 penduduk secara sistematik pada penduduk yang
sudah dikelompokkan menurut jenis kelamin dan kelompok umur (15-24,
25-39 dan 40-49)
c. Realisasi target sampel (responden) :
Pegunungan = 1.739; Pesisir mudah= 3.198; Pesisir sulit = 1.280; sehingga total
seluruhnya adalah 6.217 (Laki-laki=3.134 ; Perempuan =3.083)
Data-data lainnya baik terbitan BPS maupun Depkes sebagai rujukan.

2.

Tabel 1 Variabel-variabel yang digunakan dalam penelitian

No
Nama Variabel
Variabel Respon (Y) :
Status HIV/AIDS
Variabel Prediktor (X)
X1 Umur
X2 Jenis Kelamin
X3 Suku
X4 Pendidikan
X5

Penghasilan rata-rata sebulan (ribu rupiah)

X6

Pengetahun Tentang HIV/AIDS

X7

Usia Pertama melakukan Hubungan Seks

X8

Jumlah Pasangan (setahun yang lalu)

X9

Seks Komersial (setahun yang lalu)

X10

Seks di pesta adat (setahun yang lalu)

X11

Seks Antri (setahun yang lalu)

X12

Seks dalam perjalanan (setahun yang lalu)

X13

Penggunaan kondom pada seks terakhir

X14

Minuman keras

X15

Akses kondom

Kode/Kategori
1 = positif

0 = negatif

kontinu
1 = pria; 2 = wanita
1 = papua; 2 = non papua
1 = dibawah SD 2 = SD s.d. SMP 3 = SMA keatas
1= 0 sd di bawah 500rb, 2= 500 rb sd di bawah 1000,
3= 1000 ke atas
1 = sangat rendah 2=rendah
3=cukup
1= (0-14) 2=(15-24 thn)
3=(25 ke atas atau tdk pernah)
1= lebih dari 3,
2= 2 s.d. 3
3= tidak lebih dari 1
1= melakukan seks komersial;
2= tdk pernah berhub seks komersial
1= melakukan seks di pesta adat
2= tdk pernah berhub seks di pesta adat ;
1= seks antri; 2=tdk pernah seks antri
1= ya, melakukan seks dalam perjalanan
2= tdk melakukan seks dalam perjalanan;
1= tdk pakai kondom; 2=pakai kondom atau abstinen
1= sering atau selalu 2= kadang-kadang atau jarang;
3 = tdk pernah
0 = sulit 1 = mudah

Metode penelitian yang digunakan adalah sebagai berikut:

1. Mengidentifikasi faktor-faktor yang mempunyai pengaruh signifikan terhadap
HIV/AIDS di Tanah Papua, dengan langkah sebagai berikut:
a.

Menentukan model terbaik untuk semua strata dengan langkah-langkah:

Menaksir parameter regresi logistik untuk masing-masing strata.

Melakukan pengujian parameter secara serentak untuk tiap strata dengan

menggunakan hipotesis berikut:
0
H0 :
0,
1,2, ,
H1 : Paling sedikit ada satu
Statistik uji:
2 ln

yang berdistribusi

Tolak H0 jika
b.

Melakukan pengujian parameter secara parsial dengan menggunakan hipotesis

sebagai berikut:
H0 : j = 0 (variabel Xj tidak signifikan)
H1 : j 0 (variabel Xj signifikan) , j=1,2,...,p
Hitung statistik uji Wald

21, 1- dengan adalah tingkat signifikansi atau jika p-value <

Tolak H0 jika
=0.05.
c. Membuat Ulasan

2. Menguji hipotesis kesamaan D model regresi logistik secara berpasangan menggunakan

Likelihood Ratio Test (LRT), dengan hipotesis sebagai berikut:
:
:

, dimana

Statistik uji yang digunakan adalah statistik Wald, yaitu

var
di mana var

var

merupakan estimasi matriks varian-kovarian untuk koefisien dan

d = 0 , 1 , 2 ,..., p

merupakan vektor koefisien yang mengandung seluruh

parameter yang diestimasi untuk kelompok wilayah d. H 0 ditolak bila WI lebih besar
dari (2w ) di mana w menunjukkan banyaknya variabel prediktor pada model.

4. Pembahasan
Berikut akan dibahas faktor-faktor yang mengaruhi risiko HIV di tanah Papua, namun
sebelumnya akan dibahas tentang kakateristik topografi meliputi kakakteristik demografi,
pengetahuan tentang HIV/AIDS, perilaku seks, penggunaan kondom. tentang HIV/AIDS,
hubungan seks berisiko. Sesuai dengan batasan masalah, semua rincian karakteristik tersebut
adalah gambaran dari individu yang ada di Provinsi Papua dan Papua Barat. Sedangkan rincian
penyajiannya dalam hal ini didasarkan pada topografi yang ada.

Tabel 2 Persentase Penduduk Usia 15-49 tahun Menurut Topografi, Jenis Kelamin
Kelompok Umur (dalam persen)
Topografi
(1)
Pegunungan

laki-laki
(2)

Jenis Kelamin
perempuan
(3)

total
(4)

15-24
(5)

Kelompok Umur
25-39
40-49
(6)
(7)

dan

total
(8)

27,88

28,06

27,97

29,65

27,25

26,75

27,97

Pesisir Mudah

51,10

51,78

51,44

50,35

51,24

53,93

51,44

Pesisir Sulit

21,02

20,16

20,59

20,00

21,51

19,33

20,59

100,00
3131

100,00
3086

100,00
6217

100,00
2115

100,00
2943

100,00
1159

100,00
6217

Total
n

Jumlah penduduk berimbang antara yang tinggal di pesisir mudah dan tidak mudah, lebih
rinci lagi 28 persen ada di pegunungan dan 21 persen ada di pesisir sulit, sebagaimana yang
tampak pada Tabel 2 di atas yang menggambarkan pola persebaran penduduk menurut
topografi, jenis kelamin dan kelompok umur.
Regresi Logistik Multivariabel pada Topografi Pegunungan
Dari regresi logistik univariabel di atas kita membentuk Regresi multivariabel dengan
variabel yang sudah signifikan. Pengolahan selanjutnya menggunakan SPSS 15. Prevalensi
HIV/AIDS di topografi pegunungan adalah 1,4 persen. ini artinya di antara seratus orang ada 2
sampai 3 orang yang terjangkit virus ini. Oleh karena itu dalam pengolahan ini menggunakan
classification cut off atau yang umumnya disebut prior probability sebesar 3 persen. karena
probabilitas seseorang teridentifikasi HIV adalah 0,03. Dalam hal ini, tingkat keyakinan
ditingkatkan lagi dengan mereduksi tingkat kesalahan ( ), namun karena penelitian ini masalah
sosial terlebih berkaitan dengan data yang bersifat kategorik, maka menggunakan menjadi 0,1
atau 10 persen.
Ketepatan klasifikasi adalah ukuran yang menggambarkan ketepatan antara prediksi dan
observasi (kenyataan lapangan/hasil penelitian) dan dinyatakan dalam persentase. Peran ukuran
ketepatan ini lebih mirip R kuadrat dalam regresi sederhana. Sampai dengan step ke 4 secara
overall persentase ketepatan mencapai 72,2 persen (cut off = 0,03). Ketepatan klasifikasi juga
bisa dilihat dari diagonal utama, untuk kasus di atas dimana yang diprediksi negatif dan
diobservasi juga negatif atau yang di prediksi positif dan nilai observasinya juga positif adalah
penjumlahan 1185 dengan 35, artinya dari sebanyak 1739 obyek yang diklasifikasikan ada 1220
observasi yang tepat diklasifikasikan (70,2 persen).

Dari hasil pengolahan dimana proses iterasi terhenti karena perbedaannya sudah
sangat kecil dan menuju konstan, dengan tingkat signifikansi yang lebih kecil. Bentuk
hipotesis pada uji simultan adalah:
:
0 dan
: minimal ada satu
0 ,
1,2, ,
Dari hasil uji simultan, diperoleh nilai Chi-square model 47,098 dengan p-value 0,000 yang
mengakibatkan keputusan untuk menolak H0 atau tidak semua parameter dalam model bernilai
nol.
dalam
Uji secara parsial yang digunakan untuk mengukur tingkat keberartian parameter
model adalah uji Wald dengan hipotesis:
:
0 vs
:
0 ,
1,2, ,

Statistik ujinya adalah

dimana
adalah penduga parameter
nul apabila

dan

adalah penduga standard error dari

. Tolak hipotesis

atau p-value < .

Pada Tabel 3 terlihat variabel yang masuk/sesuai dalam model dengan tingkat signifikansi
10 persen adalah :
Tingkat Pendidikan di bawah SD (X4)
Pengetahuan tentang HIV/AIDS yang sangat rendah (X6)
Usia pertama kali berhubungan seks yang sangat muda (X7)
Jumlah pasangan yang lebih dari 3 (X8)
-

Tabel 3

Estimasi Parameter dan Uji Signifikansi Parameter Model Regresi Logistik pada
Topografi Pegunungan

Variabel

S.E

Wald

d.f

(1)

(2)

(3)

(4)

(5)

X4
X4(1)
X4(2)
X6
X6(1)
X6(2)
X7
X7(1)
X7(2)
X8
X8(1)
X8(2)
konstan

-1,200
-,820

,505
,532

1,747
,792

,752
,931

1,431
,261

,556
,576

1,590
,677
-5,124

,411
,366
,919

5,965
5,653
2,376
7,234
5,402
,723
16,333
6,630
,206
15,538
14,984
3,421
31,080

2
1
1
2
1
1
2
1
1
2
1
1
1

Sig.

Exp(B)

(6)

(7)

,051
,017
,123
,027
,020
,395
,000
,010
,650
,000
,000
,064
,000

S.K. Exp(B)
bawah
atas
(8)

(8)

,301
,441

,131
,184

,691
1,057

5,735
2,208

1,666
,477

19,744
10,212

4,181
1,299

1,676
,503

10,427
3,351

4,902
1,967
,006

2,495
1,078

9,633
3,590

Maka dapat dibentuk persamaan regresi logistik tanpa faktor interaksi sebagai berikut:

( xi ) =

exp( g(xi ))
1+ exp( g(xi ))

dimana :

g(xi ) =5,124 1,2X4(1)i 0,820X4(2)i +1,747X6(1)i + 0,792X6(2)i1,431X7(1)i + 0,261X7(2)i +

+1,590X8(1)i + 0,677X8(2)i

dengan
X4(1) :
X4(2) :
X6(1) :
X6(2) :
X7(1) :

Dummy untuk variabel pendidikan di bawah SD

Dummy untuk variabel pendidikan SD/SLTP (tidak signifikan)
Dummy untuk Pengetahuan tentang HIV yang sangat rendah
Dummy untuk Pengetahuan tentang HIV yang rendah (tidak signifikan)
Dummy untuk Usia pertama kali berhubungan seks yang sangat muda

X7(2) :

Dummy untuk Usia pertama kali berhubungan seks saat remaja

(tidak signifikan)
Dummy untuk Jumlah pasangan yang lebih dari 3
Dummy untuk Jumlah pasangan antara 2 dan 3

X8(1) :
X8(2) :

Uji kesesuaian model menggunakan uji Hosmer and Lemeshow dengan Hipotesis
sebagai berikut:
:
Model cukup memenuhi
H0
Model tidak cukup memenuhi, tolak H0 p-value < .
H1
:
Dari output pada lampiran, sampai pada step ke 12, signifikansinya sebesar 0,901 atau jauh di
atas alpha yang sebesar 0.1, sehingga gagal tolak H0, Model sudah cukup memenuhi.
Regresi Logistik Multivariabel pada Topografi Lainnya
Dengan cara yang sama dengan yang diterapkan pada topografi pegunungan, maka
pembahasan pada topografi berikutnya langsung ditunjukkan hasilnya, adalah sebagai berikut;
Untuk Pesisir Mudah :
Dari hasil pengolahan menunjukkan bahwa secara simultan variabel yang masuk/sesuai
dalam model dengan tingkat signifikansi 10 persen adalah : variabel suku X3, pengetahuan
tentang HIV (X6), dan Jumlah pasangan (X8), dengan masing-masing nilai parameternya yang
tertera dalam tabel. Model persamaan regresi logistik yang terbentuk untuk Topografi II (pesisir
mudah) adalah sebagai berikut:

( xi ) =

exp( 5, 566 + 0, 662 X 3(1) i + 1, 535 X 6(1) i + 1, 005 X 6( 2) i + 1, 356 X 8(1) i + 0, 678 X 8( 2) i )
1 + exp( 5, 566 + 0, 662 X 3(1) i + 1, 535 X 6(1) i + 1, 005 X 6( 2) i + 1, 356 X 8(1) i + 0, 678 X 8( 2) i )

Dimana :
D3.1 :
D6.1 :
D6.2 :
D8.1 :
D8.2 :

Dummy untuk variabel Suku Papua

Dummy untuk variabel Tingkat Pengetahuan tentang HIV yang sangat rendah
Dummy untuk variabel Tingkat Pengetahuan tentang HIV yang rendah
Dummy untuk variabel Jumlah pasangan yang lebih dari 3
Dummy untuk variabel Jumlah pasangan 2-3 (tidak signifikan dalam model)

Untuk Pesisir Sulit :

Model persamaan regresi logistik yang terbentuk untuk Topografi III (pesisir sulit)
adalah sebagai berikut:

(xi ) =
dengan ;
D2.1 :
D6.1 :
D6.2 :
D15.1 :

exp(4, 726 + 0,856X2(1)i + 1,990X6(1)i + 1,317 X6(2)i 1,129X15(1)i )

1 + exp(4, 726 + 0,856X2(1)i + 1,990X6(1)i + 1,317 X6(2)i 1,129X15(1)i )
Dummy untuk variabel Jenis kelamin laki-laki
Dummy untuk variabel Pengetahuan HIV yang sangat rendah
Dummy untuk variabel Pengetahuan HIV yang rendah (tidak signifikan)
Dummy untuk variabel Kemudahan mengakses kondom

10

Uji Kesamaan Vektor

Sedangkan dari uji kesamaan vektor, dimana yang diuji adalah faktor yang signifikan
dalam model di Topografi I dan II, yaitu faktor jumlah pasangan, dengan menggunakan tingkat
kepercayaan sebesar 25 persen, maka didapatkan persamaan:

WI = topo 1 topo 2

)(
T

Var( topo 1 ) + Var( topo 2 )

) (

topo 1

topo 2

Dan selanjutnya;

= [ 0,2240

24,1605
0,3610 0,2470 ] 3,0851
3,8610

3,0581
3,0581
0

3,8610 0,2240
0 0,3160
3,8610 0,2470

= 2,7682
2
= 2, 77259 hasilnya gagal
di dapatkan statistik uji wald tersebut dibandingkan dengan, (0,25;2)

tolak H0, atau dapat disimpulkan bahwa khusus faktor jumlah pasangan dalam model regresi
logistik untuk topografi pegunungan dan pesisir mudah hasil uji statistik menyatakan tidak ada
perbedaan.

5. Kesimpulan
Kesimpulan mencakup dua hal yaitu prevalensi HIV di tanah Papua dan faktor risiko
yang mempengaruhinya, yaitu:
1. Prevalensi di Tanah Papua telah melebihi level epidemi yang terkonsentrasi dan memasuki
level Generalized Epidemic, dimana jumlah kasus HIV pada masyarakat umum sudah lebih
dari satu persen dan dari hasil survei diketahui prevalensi untuk ketiga topografi mencapai
2,4 persen.
2. Dari semua variabel yang signifikan umumnya menunjukkan bahwa faktor-faktor yang
meningkatkan risiko HIV di Tanah Papua berkaitan dengan perilaku seksual.
i. Di topografi pesisir mudah faktornya adalah : tingkat pengetahuan tentang HIV/AIDS
dan jumlah pasangan merupakan faktor yang berpengaruh signifikan terhadap status
HIV. Selain itu interaksi antara kedua faktor tersebut juga memberikan pengaruh yang
signifikan.
ii. Pada topografi pesisir mudah, tingkat pengetahuan HIV yang rendah, jumlah pasangan
yang umumnya adalah pasangan tidak tetapdan
interaksi keduanya, serta
kecenderungan suku Papua.
iii. Sedangkan faktor pada Topografi pesisir sulit adalah tingkat pengetahuan tentang
HIV, kemudahan dalam mengakses kondom dan jenis kelamin. interaksi tidak ada
yang signifikan pada topografi ini.

11

Daftar Pustaka
Agadjanian, V. (2005), Gender, Religious Involvement, and HIV/AIDS Prevention in
Mozambique, Social Science and Medicine, Vol. 61, hal. 1529-1539
Badan Pusat Statistik (2006), Risk Behavior and HIV Prevalence in Tanah Papua 2006: Results
of the IBBS 2006 in Tanah Papua, Kerjasama BPS dan Depkes RI, Jakarta.
Bian, Z., Cen, Z., Huang, J., dan Xi, L. (2007), The Exploring Based on Nonlinear Logistic
Model in Forecasting Curative Effect for AIDS, International Journal of Nonlinear
Science, Vol. 4, No. 1, hal. 25-30.
Casella, G. dan Berger, R.L. (2002), Statistical Inference, 2nd Edition, Duxbury, United States.
Castaneda, D. dan Gomez, B. (2005), HIV/AIDS Risk Behavior of Mexican Women Working
in a Maquiladora, International Journal of Psychology, Vol. 39, No. 2, hal. 267-274.
Departemen Kesehatan RI (2002), Report on the STI, HIV and AIDS Epidemiology and
Consensus on HIV Case Estimation of Indonesia in the Year 2001, Departemen
Kesehatan, Ditjen P2M PL, Jakarta.
Hosmer, D.W. dan Lemeshow, S. (2000), Applied Logistic Regression, 2nd edition, John Wiley
& Sons, Inc., New York.
Kleinbaum, D.G. (1994), Logistic Regression: A Self-Learning Text, Springer-Verlag New
York, Inc., New York.
Kutner, M.H., Nachtsheim, C.J., dan Neter, J. (2004), Applied Linear Regression Models,
Fourth Edition, McGraw-Hill Companies, Inc., New York.
Le, C.T. (1998), Applied Categorical Data Analysis, John Wiley & Sons, Inc., New York.
Liao, T.F. (2004), Comparing Social Groups: Wald Statistics for Testing Equality among
Multiple Logit Models, International Journal of Comparative Sociology, Vol. 45, hal. 316.
Myers, R.H. (1990), Classical and Modern Regression With Applications, PWS-KENT
Publishing Company, Boston.
Petterson, N (2007), Binary Logistic Regression Description and Application to Stratified
Surveydata, Tesis, Departement of Statistics, Stockholm University.

12