1
e xi yi e 2 2 e xiT
2
P Y y xi ; β; 2 1
2
K si zi 3. Membentuk matriks hessian H θˆ 0 .
yi !
4. Membentuk matriks informasi Fisher I θˆ 0 .
5. Memasukkan nilai θ̂(0) sehingga diperoleh vektor
D. Estimasi Parameter
Parameter β pada regresi PIG ditaksir dengan metode gradien D(θˆ (0) ) dan matriks hessian H θˆ 0
maximum likelihood, dengan menentukan fungsi likelihood
6. Mulai dari m 0 dilakukan iterasi pada
dari distribusi PIG. Fungsi likelihood adalah sebagai berikut:
n ˆθ ˆ
r 1 θ r I
1 ˆ
θ m D θˆ m , nilai θˆ ( m )
L β; P Y yi | xi ; β; ,
i 1 merupakan sekumpulan penaksir parameter yang
yi 1 1 1
yi konvergen saat iterasi ke-m.
e
n
2
2
L β; i 2i 1 K si zi
2
2 7. Jika belum diperoleh penaksiran parameter yang
i 1 yi ! konvergen saat iterasi ke-m, maka dilanjutkan kembali
Fungsi likelihood tersebut diubah kedalam bentuk ke langkah 5 hingga iterasi ke-m+1. Iterasi akan
ˆ ˆ
berhenti apabila nilai dari θ ( m 1) θ ( m ) dan
logaritma natural (ln), sehingga menjadi persamaan sebagai
berikut.
l β; ln L β; 0 adalah bilangan yang sangat kecil.
n
n
n n 2 E. Pengujian Parameter
= yi xTi β ln yi ! ln
i 1 i 1 2 Pengujian secara serentak mencakup seluruh parameter β
1
ln 2xi β 1 ln K si zi
n n
n 2 y secara bersama-sama dengan hipotesis sebagai berikut:
ln i T
2 i 1 4 i 1 H 0 : 1 2 L k 0
Fungsi dimaksimumkan dengan menggunakan Fisher H1 : minimal ada satu l 0 dengan l 1, 2,K , k
Scoring Algorithm, dengan persamaan sebagai berikut[8]:
L ˆ
θˆ r 1 θˆ r I 1 θˆ m D θˆ m , (2.3) G 2 ln
Dimana
L
ˆ
θˆ βˆ T ,ˆ
T = 2 ln L
ˆ ln L ˆ
Statistik G adalah pendekatan dari distribusi chi square
T
l l dengan derajat bebas v sehingga ktiteria pengujiannya adalah
D(θˆ ) , T
ˆ
ˆ β tolak H 0 apabila Ghit 2 ,v .
I θˆ m E H θˆ m
Pengujian secara parsial untuk parameter β dan τ adalah
sebagai berikut. Hipotesis untuk menguji signifikansi
2l 2l parameter β .
ˆ 2
ˆβˆ
H θˆ m
k 1 k 1
2
l l
2
H 0 : l 0
H1 : l 0 dengan l 1, 2,K , k
ˆ βˆ βˆ T m
βˆ Statistik uji yang digunakan dalam pengujian signifikansi
2l 2l parameter adalah sebagai berikut:
ˆ 2
ˆβˆ ˆl
Sehingga ˆ
I θ m E 2
l 2l
Z
SE ˆl
βˆ ˆ βˆ βˆ T
Kriteria uji tolak H 0 apabila Z hit lebih besar dari nilai Z .
Adapun langkah-langkah Fisher scororing Algorithm sebagai 2
berikut: Hipotesis untuk menguji signifikansi parameter .
1. Menentukan vektor awal parameter ˆ0 dengan H0 : 0
mengasumsikan data memenuhi model regresi linier H1 : 0
berganda: Statistik uji yang digunakan:
JURNAL SAINS DAN SENI ITS Vol. 6, No. 1, (2017) ISSN: 2337-3520 (2301-928X Print) D-145
x x y y
2 2
i i Data tersebut merupakan data pada tahun 2015 dengan unit
i 1 i 1
pengamatan yang diambil pada tingkat Kabupaten/ Kota di
Nilai koefisien korelasi berkisar antara -1 sampai 1. Provinsi Jawa Tengah dengan 35 Kabupaten/ Kota.
Pengujian hipotesisnya sebagai berikut:
H 0 : Tidak ada hubungan antara kedua variabel. B. Variabel Penelitian
H1 : Terdapat hubungan antar kedua variabel. Adapun variabel yang digunakan pada praktikum ini
adalah sebagai berikut.
Statistik uji yang digunakan adalah
rx, y n 2 Tabel 1.
t Variabel Penelitian
1 r2 Notasi Variabel
Keputusan tolak H 0 jika t t
hit Y Jumlah Kasus Baru HIV
,n2
2
X1 Persentase Penduduk Miskin
G. Multikolinearitas X2 Persentase penduduk dengan pendidikan tertinggi SLTA
Pada pemodelan regresi, korelasi antara variabel-variabel X3 Persentase PUSyang sedang menggunaan alat KB kondom
prediktor disebut dengan multikolinearitas. Salah satu cara X4 Rasio jumlah tenaga kesehatan per 100.000
untuk mendeteksi terjadinya multikolinearitas adalah dengan X5 Rasio fasilitas kesehatan per 100.000 penduduk
melihat nilai Variance Inflation Factor (VIF). X6 Persentase Daerah Perkotaan
1
VIF (2.4) X7 Persentase penduduk usia 25-34 tahun
1 R 2j
Apabila nilai VIF lebih dari 10 maka dapat dikatakan terjadi C. Langkah Analisis Data
kasus multikolinearitas[10]. Langkah analisis yang digunakan dalam penelitian
H. Pemilihan model terbaik sebagai berikut.
1. Mendeskripsikan karakteristik data dengan statistika
Akaike Information Criterion (AIC) merupakan salah satu deskriptif.
sarana dalam pemilihan model. AIC memperkirakan kualitas 2. Menguji korelasi antara variabel respon dengan variabel
masing-masing model, relatif terhadap model lain. Misalkan L prediktor.
adalah nilai maksimum dari fungsi likelihood suatu model, dan 3. Melakukan pemeriksaan kasus multikolinieritas dengan
k adalah jumlah parameter yang diestimasi dalam model menggunakan kriteria VIF.
tersebut, maka nilai AIC dari model tersebut adalah sebagai 4. Melakukan uji overdispersi.
berikut: 5. Menentukan nilai penaksir parameter model Regresi PIG
AIC 2k 2 ln L ˆ (2.5) dengan langkah-langkah sebagai berikut:
a. Mendapatkan penduga parameter dengan menggunakan
Apabila diberikan beberapa model untuk sebuah set data, Maximum Likelihood Estimation (MLE).
maka model yang lebih baik adalah model dengan AIC kecil b. Melakukan pengujian hipotesis untuk Regresi PIG.
[10] 6. Membandingkan nilai AIC untuk mencari model terbaik.
I. HIV 7. Melakukan interpretasi model PIGR yang didapatkan.
HIV merupakan penyakit menular yang disebabkan oleh 8. Membuat kesimpulan dari hasil analisis tersebut.
infeksi Human Immunodeficiency Virus. Virus ini menyebar
melalui cairan tubuh, dan menyerang sistem kekebalan tubuh, IV. HASIL DAN PEMBAHASAN
khususnya sel CD4 atau yang sering disebut sel T [2]. Infeksi A. Statistika Deskriptif
tersebut menyebabkan beberapa sel tubuh hancur sehingga
Provinsi Jawa Tengah merupakan provinsi kelima setelah
penderita mengalami penurunan ketahanan tubuh dan tidak
Provinsi Jawa Barat dengan jumlah kasus HIV terbanyak
dapat melawan infeksi maupun penyakit lain. Jumlah HIV
ditemukan. Perkembangan jumlah kasus baru HIV di Provinsi
JURNAL SAINS DAN SENI ITS Vol. 6, No. 1, (2017) ISSN: 2337-3520 (2301-928X Print) D-146
Jawa Tengah dari tahun 2011 hingga tahun 2015 dapat dilihat Tabel 2.
pada Gambar 1. Koefisien Korelasi Variabel Respon dan Variabel Prediktor
Korelasi Y X1 X2 X3 X4 X5 X6
X1 -0,001
2000
0,997
Jumlha Kasus HIV
e
dikarenakan variabel yang lain secara teori mempengaruhi 0 1 x1 3 x3 4 x4 5 x5 6 x6 7 x7
Tabel 4 =0,1
Estimasi Parameter Kemungkinan Model Regresi PIG - Parameter τ
Variabel dari Model β0 β1 β2 β3 H0 : 0
X1,X2,X3,X4,X5,X6,X 7 0,742 -0,006 -0,000312 0,392
X1,X3,X4,X5,X6,X7 0,765 -0,008 0,395 H1 : 0
X1,X3,X5,X6,X7 0,847 -0,007 0,386 0,1
X3,X5,X6,X7 0,629 0,385
Pengujian parameter secara individu dapat dilihat pada
Tabel 4 (Lanjutan) Tabel 6 sebagai berikut.
Variabel dari β4 β5 β6 β7 τ
Model
X1,X2,X3,X4,X5,X6, -0,0003 -0,210 -0,021 0,452 -1,360 Tabel 6
X7 Pengujian Parameter Regresi PIG Secara Individu
X1,X3,X4,X5,X6,X7 -0,0015 -0,209 -0,021 0,457 -1,324 Variabel dari Model Parameter Signifikan
X1,X3,X5,X6,X7 -0,232 -0,022 0,452 -1,314 X1,X2,X3,X 4,X5,X6,X7 β3,β6,β7,τ
X3,X5,X6,X7 -0,230 -0,021 0,466 -1,316 X1,X3,X4,X 5,X6,X7 β3,β6,β7,τ
X1,X3,X5,X 6,X7 β3, β5,β6,β7 ,τ
X3,X5,X6,X 7 β3, β5,β6,β7,τ
Langkah selanjutnya setelah didapatkan nilai estimasi dari
masing-masing perkiraan model yang ditampilkan pada Tabel
4 adalah pengujian hipotesis untuk regresi Poisson Inverse Tabel 6 menunjukkan bahwa model dengan parameter yang
Gaussian. signifikan adalah model yang memenuhi daerah kritis atau
memiliki p-value kurang dari taraf signifikansi yaitu α=0,1
E. Pengujian Hipotesis sehingga keputusan tolak H0 yang berarti parameter βi
- Pengujian Parameter Secara Serentak berpengaruh signifikan terhadap model atau dengan melihat
Pengujian parameter secara serentak dilakukan pada nilai zhitung yang dibandingkan dengan z /2 1, 64 .
kemungkinan model yang sesuai dengan model regresi Poisso
Inverse Gaussian. Pengujian parameter secara serentak dapat F. Pemilihan Model Terbaik
dilihat dari nilai statistik G dengan hipotesis sebagai berikut. Metode backward elimination dilakukan berdasarkan nilai
H 0 : 1 2 3 4 5 6 7 0 Akaike Information Criterion (AIC). Pada pemodelan regresi
poisson inverse gaussian didapatkan nilai AIC di bawah ini
H 1 : paling sedikit ada i 0 dengan i=1,2,K ,7
=0,1 Tabel 7
Nilai AIC dari Model Regresi PIG
Tabel 5 Model AIC
Pengujian Parameter Regresi PIG Secara Serentak X1,X2,X3,X4,X5,X6,X7 317,15
X1,X3,X4,X5,X6,X7 315,15
Variabel dari Model Statistik G v (2 ,v ) Keputusan X1,X3,X5,X6,X7 313,24
X3,X5,X6,X7 311,31
X1,X2,X3,X4,X5,X6,X7 299,146 27 36,741 Tolak H0
X1,X3,X4,X5,X6,X7 299,1545 28 37,916 Tolak H0
X1,X3,X5,X6,X7 299,2379 29 39,087 Tolak H0 Pada Tabel 6 terlihat bahwa nilai AIC yang paling kecil
X3,X5,X6,X7 299,3138 30 40,456 Tolak H0 yaitu model yang mengandung variabel X3, X5, X6, dan X7.
Sehingga model yang digunakan adalah model ke 4.
Tabel 5 menunjukkan bahwa dari semua kemungkinan Berdasarkan model tersebut, dengan menggunakan package
model, didapatkan hasil statistik G lebih dari ( ,v ) maka
2
gamlss yang tersedia pada software R didapatkan hasil yang
disajikan pada Tabel 8.
keputusannya adalah tolak H0, yang berarti minimal terdapat
satu parameter yang berpengaruh signifikan terhadap model. Tabel 8
Untuk mengetahui variabel prediktor yang berpengaruh Penaksiran Parameter Model Regresi PIG pada Jumlah Kasus Baru HIV di
signifikan terhadap model, maka dilanjutkan pada pengujian Provinsi Jawa Tengah Tahun 2015
parameter secara individu. Parameter Taksiran Standard Error Z Hitung P-value
- Pengujian Parameter Secara Individu β0 0,629965 1,788147 0,352 0,72718
Pengujian parameter secara individu digunakan untuk β3 0,385849 0,108118 3,569 0,00127*
β5 -0,23026 0,116140 -1,983 0,05695*
mencari variabel prediktor yang berpengaruh signifikan β6 -0,02185 0,007278 -3,003 0,00546*
terhadap jumlah kasus baru HIV di Provinsi Jawa Tengah β7 0,466977 0,212157 2,201 0,03584*
τ -1,3161 0,3079 -4,274 0,000189*
dengan hipotesis sebagai berikut.
*) Signifikan dengan taraf signifikani α = 0,1
JURNAL SAINS DAN SENI ITS Vol. 6, No. 1, (2017) ISSN: 2337-3520 (2301-928X Print) D-148