ANALISIS DAN PEMODELAN JUMLAH KASUS HIV DI

PROVINSI NUSA TENGGARA BARAT (NTB) TAHUN 2016

DAN KASUS DBD DI PROVINSI KALIMANTAN UTARA
TAHUN 2020 MENGGUNAKAN POISSON REGRESSION

Disusun guna memenuhi tugas UTS Biostatistika

Dosen Pengampu : Dr. Rochdi Wasono, M.Si

Disusun Oleh :
1. Tri Zahrotun W (B2A018008)
2. Tresiani Yunitasari (B2A018020)
3. Wiwik Setiyani (B2A018030)

PROGRAM STUDI SARJANA STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS MUHAMMADIYAH SEMARANG
2021
 BAB I
PENDAHULUAN
1.1. Latar Belakang
Kesehatan merupakan salah satu aspek kualitas sumber daya manusia
yang penting untuk dicermati. Hal itu dikarenakan kesehatan merupakan salah
satu peran penting dalam investasi sumber daya manusia, maka sangat tepat
peran yang dilakukan pemerintah dalam pembangunan di bidang kesehatan
secara terus menerus. Penyakit HIV menjadi pandemi di beberapa kawasan
dalam beberapa waktu terakhir ini. Salah satu jenis penyakit yang perlu
diperhatikan di Nusa Tenggara Barat adalah mengenai HIV.
HIV adalah singkatan dari Human Immunodefidiency Virus. Virus ini
menyerang limfosit CD4 yaitu dari sistem kekebalan tubuh. Virus ini
ditularkan dari manusia yang terinfeksi kepada kelompok manusia yang sehat.
Kerusakan besar terhadap tingkat kekuatan kekebalan tubuh dapat disebabkan.
AIDS adalah singkatan dari Acquired Immunodefidiency Syndrome. Kondisi
ini berkembang dari infeksi HIV, jika penderita HIV tidak mematuhi
pengobatan antivirus seperti yang disarankan dokter, HIV akan berkembang
menjadi lebih cepat menjadi AIDS.
Selain HIV, penyakit yang perlu ditangani yaitu DBD. Demam Berdarah
Dengue (DBD) adalah penyakit infeksi yang disebabkan oleh virus dengue
yang ditularkan melalui gigitan nyamuk Aedes aegypti. Infeksi virus dengue
tidak selalu menyebabkan DBD pada manusia karena masih tergantung pada
faktor lain seperti vector capacity, virulensi virus dengue, status kekebalan host
dan lain-lain. Kekebalan host terhadap infeksi dipengaruhi oleh beberapa
faktor, yaitu usia dan status gizi. Provinsi Kalimantan Utara merupakan salah
satu provinsi di Indonesia yang memperlukan penanganan DBD dikarenakan
jumlah yang kian bertambah tiap tahunnya.
Oleh karena beberapa masalah diatas, maka diperlukan penelitian guna
mengetahui faktor yang mempengaruhi jumlah kasus HIV maupun DBD.
Penelitian mengenai faktor-faktor dan penyebab penyakit HIV maupun DBD
telah banyak dilakukan di Indonesia tapi sangat terbatas penelitian yang
mempertimbangkan aspek geografis antar wilayah. Analisis data secara spasial
 diperlukan agar dapat mengetahui factor faktor apa saja yang berpengaruh
terhadap jumlah kasus HIV dan kasus DBD di wilayah yang memiliki
karakteristik berbeda satu sama lain. Dalam penelitian ini akan dimodelkan
jumlah kasus HIV di Provinsi Nusa Tenggara Barat Tahun 2016 dan dan
jumlah kasus DBD di Provinsi Kalimantan Utara Tahun 2020 menggunakan
pendekatan Geographically Poisson Regression (GPR).

1.2. Rumusan Masalah

Berdasarkan latar belakang masalah diatas, maka didapat rumusan masalah
sebagai berikut :
a. Bagaimana pemodelan jumlah kasus HIV di Provinsi Nusa Tenggara
Barat (NTB) Tahun 2016 menggunakan model Poisson Regression
b. Faktor apa saja yang mempengaruhi jumlah kasus HIV di Provinsi Nusa
Tenggara Barat (NTB) Tahun 2016
c. Bagaimana pemodelan jumlah kasus DBD di Provinsi Kalimantan Utara
Tahun 2020 menggunakan model Poisson Regression
d. Faktor apa saja yang mempengaruhi jumlah kasus DBD di Provinsi
Kalimantan Utara Tahun 2020
1.3. Tujuan
Tujuan dari penelitian ini yaitu
a. Mengetahui pemodelan jumlah kasus HIV di Provinsi Nusa Tenggara
Barat (NTB) Tahun 2016 menggunakan model Poisson Regression
b. Mengetahui faktor apa saja yang mempengaruhi jumlah kasus HIV di
Provinsi Nusa Tenggara Barat (NTB) Tahun 2016
c. Mengetahui pemodelan jumlah kasus DBD di Provinsi Kalimantan Utara
Tahun 2020 menggunakan model Poisson Regression
d. Mengetahui faktor apa saja yang mempengaruhi jumlah kasus DBD di
Provinsi Kalimantan Utara Tahun 2020

1.4. Manfaat
Berikut adalah manfaat yang didapat adanya penelitian ini
a. Menambah wawasan tentang penelitian yang mempertimbangkan aspek
geografis antar wilayah
b. Menjadi bahan pertimbangan untuk penelitian selanjutnya
 BAB II
KAJIAN PUSTAKA

2.1 Distribusi Poisson

Menurut Rachmah dan Purhadi tahun 2014, Distribusi Poisson
adalah distribusi yang digunakan untuk suatu kejadian yang mempunyai
probabilitas kejadian kecil. Kejadian yang terjadi tergantung pada interval
waktu di suatu daerah yang mempunyai hasil berupa variabel diskrit.
Distribusi poisson memiliki ciri – ciri sebagai berikut :
a. Banyaknya hasil percobaan yang terjadi dalam suatu interval waktu atau
suatu daerah tertentu tidak bergantung pada banyaknya hasil percobaan
yang terjadi pada interval waktu atau daerah lain yang terpisah.
b. Probabilitas terjadinya hasil percobaan selama suatu interval waktu
yang singkat atau dalam suatu daerah yang kecil,sebanding dengan
panjang interval waktu atau besarnta daerah tersebut dan tidak
bergantung pada banyaknya hasil percobaan diluar interval waktu atau
daerah tersebut.
Untuk menghitung Distribusi Poisson maka menggunakan rumus di
bawah ini :
𝑒 −  𝑥
𝑃(𝑋) =
𝑥!
Keterangan :
 = np
n = banyaknya amatan
 = probabilitas sukses
x = variabel random diskrit
e = bilangan irasional ( 2,7128 )

2.2 Regresi Poisson

Regressi Poisson adalah model regresi yang berasal dari Distribusi
Poisson untuk menganalisis data dengan variabel respon yang berupa
 variabel diskrit dan nilainya berupa integer tidak negatif ( Rini Cahyandari,
2012). Model Regresi Poisson yaitu sebagai berikut :
𝛾𝑖 = 𝑃𝑜𝑖𝑠𝑠𝑜𝑛(𝜇𝑖 )
𝜇𝑖 = exp⁡(𝑥𝑖𝑇 𝛽 )

2.3 Model Generalized Poisson Regression

Generalized Poisson Regression (GPR) merupakan metode regresi
yang digunakan untuk menganalisis data yang variabel responnya berupa
data diskret. Pada regresi Poisson terdapat asumsi yang harus dipenuhi,
yaitu nilai varians dan rata-rata dari variabel respon tersebut sama atau
equidispersi (Myers et al. [3]). Namun dalam kenyataan di lapangan sering
terjadi pelanggaran asumsi tersebut, yaitu nilai variansnya lebih besar dari
nilai rata-rata yang dinamakan overdispersi atau nilai variansnya lebih kecil
dari nilai rata-rata yang dinamakan underdispersi (Wang & Famoye). Jika
terjadi fenomena overdispersi pada data, maka regresi Poisson kurang
akurat digunakan untuk analisis, karena berdampak pada nilai standard error
menjadi under estimate (lebih kecil dari nilai sesungguhnya), sehingga
kesimpulan yang diperoleh menjadi tidak valid (McCullagh & Nelder).
Untuk mengatasi masalah overdispersi tersebut, salah satu metode yang
dapat digunakan adalah analisis regresi Generalized Poisson yang
merupakan perluasan dari regresi Poisson.
Menurut Melliana (2013) penanganan pelanggaran asumsi
equidispersi pada model regresi Poisson dapat dikembangkan dengan
menggunakan model Generalized Poisson Regression (GPR). Model
Generalized Poisson Regression (GPR) mirip dengan model regresi Poisson
tetapi diasumsikan komponen acaknya didistribusikan keumum Poisson.
Dengan kata lain model Generalized Poisson Regression (GPR) dapat
digunakan untuk data diskrit yang mempunyai distribusi Poisson tanpa
adanya asumsi equidispersi.
Menurut Sadia (2013), dalam Generalized Poisson Regression
(GPR) fungsi probabilitas Zi didefinisikan oleh :
 𝑍𝑖
𝜃𝑖 (1 + 𝛼𝑧𝑖 𝑧𝑖−1 ) 𝜃𝑖 (1 + 𝛼𝑧𝑖
𝑓𝑖 (𝑧𝑖 , 𝜃𝑖 , 𝛼 = ( ) 𝑒𝑥𝑝 (− ) , 𝑧𝑖 = 0,1, … , ∞
1 + 𝛼𝜃𝑖 𝑧𝑖 ! 1 + 𝛼𝜃𝑖

Dimana , 𝜃𝑖 =, 𝜃𝑖 (𝑥𝑖 ) = exp⁡(𝑥𝑖 𝛽)

Dimana 𝑥𝑖 adalah (k -1) dimensi vektor variabel penjelas dan 𝛽

adalah k-dimensi vektor dari parameter regresi Poisson. Menurut Famoye
(2004) rata-rata dan varian dari Zi didefinisikan oleh :

𝐸(𝑍𝑖 |𝑋𝑖 ) = 𝜃𝑖 𝑑𝑎𝑛⁡𝑉(𝑍𝑖 |𝑋𝑖 = 𝜃𝑖 (1 + 𝛼𝜃𝑖 )2

Berdasarkan Listiyani dan Purhadi (2007), model regresi

Generalized Poisson mirip dengan model regresi Poisson yaitu merupakan
suatu model dari Generalized Linear Model (GLM). Generalized Linear
Model (GLM) merupakan perluasan dari model regresi umum untuk peubah
respon memiliki sebaran keluarga eksponensial (Astuti:2007). Model
regresi Poisson tergeneralisasi mempunyai bentuk yang sama dengan model
regresi Poisson yaitu :
𝛽0 +𝛽1 𝑋1𝑖+ 𝛽2 𝑋2𝑖+⋯+𝛽𝑝 𝑋𝑝𝑖
𝜇=𝑒
Dengan 𝛽0 , 𝛽1, 𝛽2 , … ⁡ 𝛽𝑝 menyatakan parameter-parameter yang tidak

diketahui. Untuk mendapatkan model terbaik yang menggambarkan

hubungan antara variabel respon dan variabel prediktor yaitu dengan
melihat nilai AIC pada masing-masing model. Model yang mempunyai nilai
AIC terkecil merupakan model regresi terbaik.

2.4 Overdispersi
Menurut Cameron & Trivedi (1998: 4), suatu ciri dari distribusi
Poisson adalah adanya equidispersi, yakni keadaan dimana nilai mean dan
varian dari variabel respon bernilai sama. Namun kadang-kadang
ditemukan keadaan yang disebut overdispersi yaitu nilai variannya lebih
besar dari nilai rata-ratanya.

2.5 HIV
 HIV (Human Immunodeficiency Virus) merupakan pathogen yang
menyerang sistem imun manusia, terutama semua sel yang memiliki
penenda CD 4+ dipermukaannya seperti makrofag dan limfosit T. AIDS
(acquired Immunodeficiency Syndrome) merupakan suatu kondisi
immunosupresif yang berkaitan erat dengan berbagai infeksi oportunistik,
neoplasma sekunder, serta manifestasi neurologic tertentu akibat infeksi
HIV (Kapita Selekta, 2014). Variabel- variabel yang mempengaruhi HIV
yaitu sebagau beikut :
2.4.1 Rata – rata usia kawin pertama
Umur pertama menikah yang berarti juga saat dimulainya masa
reproduksinya pembuahan. Hubungan antara UKP dengan fertilitas adalah
negatif. Semakin muda UKP maka akan semakin panjang masa
reproduksinya atau semakin banyak anak yang dilahirkan. Rumus rata – rata
usia nikah pertama yaitu :
∑𝑛
𝑖 𝑈𝑖
Rata – rata UKP = 𝑛

2.4.2 Rata – rata lama sekolah

Rata – rata lama sekolah (RLS) yaitu jumlah tahun yang digunakan
oleh penduduk dalam menjalani pendidikan format. Rumus dari RLS yaitu
:
𝑛
1
𝑅𝐿𝑆 = 𝑋 ∑ 𝑥𝑖
2
𝑖=1

Dimana :
RLS = Rata – rata lama sekolah penduduk usia 25 ke atas
Xi = lama sekolah penduduk ke i
N = jumlah penduduk usia 25 tahun keatas

2.4.4 jumlah kasus HIV

Pada kasus HIV ini menunjukkan bahwa seberapa besar
jumlah kasus HIV di Kalimantan Utara.
2.6 DBD
Demam Berdarah Dengue (DBD) adalah penyakit demam akut yang
disebabkan oleh empat serotype virus dengue dan ditandai dengan empat
gejala klinis utama yaitu demam yang tinggi, manifestasi pendarahan,
hematomageli dan tanda-tanda kegagalan sirkulasi sampai timbulnya
renjatan (sindrom renjatan dengue) sebagai akibat dari kebocoran plasma
yang dapat menyebabkan kematian (Sucipto, 2011). Variabel – variabel
yang mempengaruhi terjadinta DBD yaitu :
2.5.1 Presentase Penduduk Miskin
kemiskinan dipandang sebagai ketidakmampuan dari sisi ekonomi
untuk memenuhi kebutuhan dasar makanan dan bukan makanan yang
diukur dari sisi pengeluaran. Jadi Penduduk Miskin adalah penduduk yang
memiliki rata-rata pengeluaran perkapita perbulan dibawah garis
kemiskinan.
2.5.2. Jumlah Dokter
Jumlah dokter yang ada sangat mempengaruhi terjadinya demam
berdarah, karena jikalau jumlah dokter sedikit maka penyakit DBD yang
terjadi di suatu daerah akan sulit tertangani dan begitupun sebaliknya.
2.5.3 Jumlah Penduduk
Dalam teori penduduk, Thomas Robert Malthus menyatakan bahwa
jumlah penduduk akan melampaui jumlah persediaan bahan pangan yang
dibutuhkan selanjutnya Malthus sangat prihatin bahwa jumlah waktu yang
dibutuhkan penduduk berlipat dua jumlahnya sangat pendek, ia melukiskan
bahwa apabila tidak dilakukan pembatasan, penduduk cenderung
berkembang menurut deret ukur. Dari deret-deret tersebut terlihat bahwa
akan terjadi ketidak keseimbangan antara jumlah penduduk dan persediaan
bahan pangan. Dalam waktu 200 tahun, perbandingan ini akan menjadi 256
: 9. (Mantra, 2000 ; 35).
 BAB III
METODOLOGI PENELITIAN

3.1. Sumber Data dan Variabel Penelitian

Peneliti akan menguji 2 kasus yaitu kasus HIV dan DBD. Berikut penjelasan
masing-masing kasus yang akan diuji :
A. HIV
Data yang digunakan adalah data sekunder yang didapat dari website
resmi BPS Provinsi Nusa Tenggara Barat (www.ntb.bps.go.id) dengan
satuan observasi per Kabupaten/kota di NTB. Variabel yang digunakan
adalah data tahun 2016 sebagai berikut

Variabel Nama Variabel

Y Jumlah Kasus HIV
X1 Rata-Rata Usia Kawin Pertama
X2 Rata-Rata Lama Sekolah
X3 Jumlah Tenaga Kesehatan Masyarakat
X4 Jumlah Kasus AIDS

Untuk data yang akan diuji yaitu

Y X1 X2 X3 X4
Lombok Barat 15 20,24 5,93 23 19
Lombok Tengah 7 19,57 5,6 30 14
Lombok Timur 7 19,14 6,26 23 13
Sumbawa 6 21,21 7,53 24 11
Dompu 0 20,75 8,1 5 2
Bima 2 21,23 7,45 16 4
Sumbawa Barat 0 21,39 8,05 11 1
Lombok Utara 3 20,25 5,47 8 1
Kota Mataram 22 21,09 9,25 10 17
Kota Bima 0 21,41 10,13 30 5

B. DBD
Data yang digunakan adalah data sekunder yang didapat dari website resmi
info data Provinsi Kalimantan Utara (www.sidaracantik.kaltaraprov.go.id)
dengan satuan observasi per Kabupaten/kota di Kalimantan Utara. Variabel
yang digunakan adalah sebagai berikut :
 Variabel Nama Variabel
Y Jumlah Kasus DBD
X1 Persentase Penduduk Miskin
X2 Jumlah Tenaga Kesehatan
X3 Jumlah Penduduk (Ribu Jiwa)

Untuk data yang akan diuji yaitu

Y X1 X2 X3
Kabupaten Malinau 18 6,63 73 82,5
Kabupaten Bulungan 74 9,06 105 151,8
Kabupaten Tana Tidung 15 4,81 18 25,6
Kabupaten Nunukan 294 6,36 119 199,1
Kabupaten Tarakan 114 6,24 230 242,8

3.2. Langkah Penelitian

a. Menentukan variabel-variabel prediktor
b. Mendeskripsikan kabupaten/kota berdasarkan variabel penelitian
c. Melakukan Uji Sebaran Data Poison
d. Melakukan Uji Autokorelasi
e. Melakukan Uji Multikolonieritas
f. Melakukan Uji Heterogenitas Spasial
g. Melakukan Uji Overdispersi
h. Menganalisis Model Regresi Poison
1) Mencari nilai estimasi parameter model regresi poisson.
2) Melakukan uji serentak untuk signifikasi parameter model regresi
poisson.
3) Melakukan uji parsial untuk signifikasi parameter model
Geographically Poisson Regression (GPR)
 BAB IV
ANALISIS DAN PEMBAHASAN

4.1. Kasus HIV di Provinsi Nusa Tenggara Barat (NTB) Tahun 2016
Berikut adalah analisis variabel-vaiabel yang mempengaruhi jumlah kasus
HIV di Provinsi NTB Tahun 2016
4.1.1. Uji Sebaran Data Poisson

Syarat yang harus dipenuhi dalam model regresi Poisson adalah

variabel responnya berdistribusi Poisson. Statistik yang digunakan
untuk menguji data berdistribusi Poisson adalah uji Kolmogorov
Smirnov

Hipotesis yang digunakan dalam pengujian ini adalah

𝐻0 : Data jumlah kasus HIV berdistribusi poisson

𝐻1 : Data jumlah kasus HIV tidak berdistribusi poisson

Dengan nilai taraf signifikansi (α) sebesar 5% atau (0,05). kriteria

pengujiannya jika nilai p-value di bawah 0,05 berarti data jumlah kasus
HIV tidak berdistribusi Poisson (tolak 𝐻0 ) dan jika nilai p-value di atas
0,05 maka data jumlah kasus HIV berdistribusi Poisson (terima 𝐻0 ).
Berikut adalah hasil uji residul variabel Y (DBD)

p-value 0.138

Berdasarkan table diatas diperoleh nilai sig2 tailed 0,138 > α(0,05).
Sehingga dapat disimpulkan bahwa data angka kasus HIV berdistribusi
poisson.

4.1.2. Pemodelan Poisson Regression

a. Uji Non-Autokorelasi
Untuk mendeteksi ada atau tidaknya autokorelasi, dilakukan
pengujian Durbin Watsn (DW) dengan ketentuan sebagai berikut :
- 1,65 < DW < 2.35 yaitu tidak ada autokorelasi
 - 1,21 < DW < 1.65 atau 2.35 < DW < 2.79 yaitu tidak dapat
disimpulkan
- DW < 1.21 atau DW > 2.79 yaitu terjadi autokorelasi
berikut hasil uji mengggunakan bantuan software R

DW 1.9757
p-value 0.3813

Berdasarkan tabel diatas, didapat DW sebesar 1,65 < 1,9757 < 2.35
yang artinya data tidak terjadi autokorelasi

b. Uji Mulitkolonieritas
Salah satu syarat yang harus dipenuhi dalam analisis regresi adalah
tidak terjadi kasus multikolinieritas antar variabel prediktor. Oleh
karena itu dilakukan uji kolinieritas pada data yang diamati.
Masalah multikolinieritas dapat didedikasi dengan melihat nilai
tollerace atau nilai VIF (Variance Inflation Faktor) data yang
diamati. Nilai tollerance dan VIF setiap variabel prediktor
disajikan pada tabel berikut :

VIF
X1 2.737
X2 3.84
X3 2.585
X4 1.045

Berdasarkan table diatas semua nilai VIF dari seluruh variable

predictor memiliki nilai yang kurang dari 10 yang artinya tidak
terjadi kasus multikolinearitas pada data yang diamati.

c. Model Regression
1. Mencari nilai estimasi parameter
Berikut adalah tabel hasil estimasi parameter

Estimate
Intercept 2.019
X1 -0.057
X2 -0.044
X3 -0.05
X4 0.180
Dari hasil estimasi parametel regresi Poisson pada tabel di
atas, maka dapat diketahui model regresi poisson adalah
sebagai berikut :
𝜇̂ = exp( 2.019 − 0.057𝛽1 − 0.044𝛽2 − 0.05𝛽3 + 0.180𝛽4 )
2. Uji serentak parameter regresi poisson
a. Hipotesis
𝐻0 : 𝛽1= 𝛽2= 𝛽3
𝐻1 : paling sedikit ada satu 𝛽𝑖 ≠ 0 ; 𝑖 = 1,2,3
b. Tingkat Signifikansi 0.05
c. Daerah Kritik : H0 ditolak jika Nilai Residu Devians >
X2(5;0.05) = 11.070
d. Statistik Uji didapat nilai residu devians sebesar

Nilai Residu Devians 11.197

e. Kesimpulan
Karena nilai residu devians = 11.197 lebih dari X2
(26;0.05)= 11.070 maka 𝐻0 ditotal, yang berarti dapat
disimpulkan bahwa paling sedikit ada satu 𝛽𝑘 ≠ 0 atau
terdapat parameter yang berpengaruh secara signifikan
terhadap model regresi poisson.
3. Uji Parsial Regresi Poisson
a. Hipotesis
𝐻0 : 𝛽1=0
𝐻1 : 𝛽𝑖 ≠ 0 ; 𝑖 = 1,2,3
b. Tingkat Signifikansi 0.05
c. Daerah Kritik : H0 ditolak jika p-value <0.05
 d. Statistik Uji didapat nilai residu devians sebesar

Estimate P-Value
Intercept 2.0919 0.7239
X1 -0.057 0.8499
X2 -0.044 0.7833
X3 -0.05 0.0804
X4 0.180 3,10x10-12

e. Kesimpulan
Terlihat nilai p-value untuk 𝛽0, 𝛽1 , 𝛽2 , 𝛽3 dan 𝛽4 kurang
dari 0.05 , maka 𝐻0 ditolak untuk 𝛽0, 𝛽1 , 𝛽2 ,𝛽3 dan 𝛽4
yang berarti bahwa 𝛽4 berpengaruh terhadap model regresi
poisson. Sehingga didapat model regresi poisson untuk
jumlah penderita kusta adalah sebagai berikut :
𝜇̂ = exp( 2.019 + 0.180𝛽4 )
d. Uji Overdispersi
Berikut adalah hasil uji overdisperse menggunakan software R

P-Value 0.629
Berdasarkan tabel diatas, didapat p-value 0.629 > α 0.05 maka
tidak terjadi overdispersi pada model poissonm sehingga model
dapat dikatakan baik.
e. Uji Heterogenitas Spasial
Untuk mengetahui ada tidaknya keragaman spasial pada model
atau adanya heterogenitas spasial dilakukan pengujian Breusch-
Pagan. Hasil pengujian nya dapat dilihat padaUntuk mengetahui
ada tidaknya keragaman spasial pada model atau adanya
heterogenitas spasial dilakukan pengujian Breusch-Pagan. Hasil
pengujian nya dapat dilihat pada tabel berikut

P-Value 0.02454

Berdasarkan tabel diatas didapat p-value sebesar 0.02454 <0.05

maka dapat diartikan bahwa terdapat heterogenitas spasial atau
terdapat keragaman spasial antar wilayah kabupaten/kota di NTB.
f. Model
Dilihat dari AIC yang terkecil

Maka diperoleh model terbaik dengan AIC 43.84 yaitu

𝜇̂ = exp( 0.369 + 0.1794𝛽4 )
4.2. Kasus DBD di Provinsi Kalimantan Utara Tahun 2020
Berikut adalah analisis variabel-vaiabel yang mempengaruhi jumlah kasus
DBD di Provinsi Kalimantan Utara Tahun 2020
4.2.1. Peta Sebaran DBD

Berdasarkan gambar diatas, menunjukkan bahwa daerah yang berwana

merah pekat mewakili daerah dengan tingkat kasus DBD tertinggi.
Kabupaten Nunukan mempunyai kasus paling tinggi yaitu 294 dan
kasus DBD paling sedikit berada pada wilayah Kabupaten Tana Tidung
sejumlah 15 kasus
4.2.2. Uji Sebaran Data Poisson

Syarat yang harus dipenuhi dalam model regresi Poisson adalah

variabel responnya berdistribusi Poisson. Statistik yang digunakan
untuk menguji data berdistribusi Poisson adalah uji Kolmogorov
Smirnov

Hipotesis yang digunakan dalam pengujian ini adalah

𝐻0 : Data jumlah kasus DBD berdistribusi poisson

𝐻1 : Data jumlah kasus DBD tidak berdistribusi poisson

 Dengan nilai taraf signifikansi (α) sebesar 5% atau (0,05). kriteria
pengujiannya jika nilai p-value di bawah 0,05 berarti data jumlah kasus
DBD tidak berdistribusi Poisson (tolak 𝐻0 ) dan jika nilai p-value di atas
0,05 maka data jumlah kasus DBD berdistribusi Poisson (terima 𝐻0 ).
Berikut adalah hasil uji residul variabel Y (DBD)

p-value 0.056

Berdasarkan table diatas diperoleh nilai sig2 tailed 0,056 > α(0,05).
Sehingga dapat disimpulkan bahwa data angka kasus DBD berdistribusi
poisson.

4.2.3. Pemodelan Poisson Regression

a. Uji Non-Autokorelasi
Untuk mendeteksi ada atau tidaknya autokorelasi, dilakukan
pengujian Durbin Watsn (DW) dengan ketentuan sebagai berikut :
- 1,65 < DW < 2.35 yaitu tidak ada autokorelasi
- 1,21 < DW < 1.65 atau 2.35 < DW < 2.79 yaitu tidak dapat
disimpulkan
- DW < 1.21 atau DW > 2.79 yaitu terjadi autokorelasi
berikut hasil uji mengggunakan bantuan software R

DW 1.8113
p-value 0.2487

Berdasarkan tabel diatas, didapat DW sebesar 1,65 < 1,8113 < 2.35
yang artinya data tidak terjadi autokorelasi

b. Uji Mulitkolonieritas
Salah satu syarat yang harus dipenuhi dalam analisis regresi adalah
tidak terjadi kasus multikolinieritas antar variabel prediktor. Oleh
karena itu dilakukan uji kolinieritas pada data yang diamati.
Masalah multikolinieritas dapat didedikasi dengan melihat nilai
tollerace atau nilai VIF (Variance Inflation Faktor) data yang
 diamati. Nilai tollerance dan VIF setiap variabel prediktor
disajikan pada tabel berikut :

VIF
X1 1.070.
X2 3.075
X3 3.156

Berdasarkan table diatas semua nilai VIF dari seluruh variable

predictor memiliki nilai yang kurang dari 10 yang artinya tidak
terjadi kasus multikolinearitas pada data yang diamati.

c. Model Regression Poisson

1. Mencari nilai estimasi parameter
Berikut adalah tabel hasil estimasi parameter

Estimate
Intercept 2.599
X1 -0.088
X2 -0.021
X3 0.031
Dari hasil estimasi parametel regresi Poisson pada tabel di
atas, maka dapat diketahui model regresi poisson adalah
sebagai berikut :
𝜇̂ = exp( 2.599 − 0.088𝛽1 − 0.021𝛽2 + 0.031𝛽3 )
2. Uji serentak parameter regresi poisson
a. Hipotesis
𝐻0 : 𝛽1= 𝛽2= 𝛽3
𝐻1 : paling sedikit ada satu 𝛽𝑖 ≠ 0 ; 𝑖 = 1,2,3
b. Tingkat Signifikansi 0.05
c. Daerah Kritik : H0 ditolak jika Nilai Residu Devians >
X2(1;0.05) = 0.0039
d. Statistik Uji didapat nilai residu devians sebesar

Nilai Residu Devians 0.62526

 e. Kesimpulan
Karena nilai residu devians = 0.62525 lebih dari X2
(26;0.05)= 0.0039 maka 𝐻0 ditotal, yang berarti dapat
disimpulkan bahwa paling sedikit ada satu 𝛽𝑘 ≠ 0 atau
terdapat parameter yang berpengaruh secara signifikan
terhadap model regresi poisson.
3. Uji Parsial Regresi Poisson
a. Hipotesis
𝐻0 : 𝛽1=0
𝐻1 : 𝛽𝑖 ≠ 0 ; 𝑖 = 1,2,3
b. Tingkat Signifikansi 0.05
c. Daerah Kritik : H0 ditolak jika p-value <0.05
d. Statistik Uji didapat nilai residu devians sebesar

Estimate P-Value
Intercept 2.599 2.95x10-10
X1 -0.088 0.056
X2 -0.021 2x10-16
X3 0.031 2x10-16

e. Kesimpulan
Terlihat nilai p-value untuk 𝛽0, 𝛽1 , 𝛽2 dan 𝛽3kurang dari
0.05 , maka 𝐻0 ditolak untuk 𝛽0, 𝛽1 , 𝛽2 dan 𝛽3 yang
berarti bahwa 𝛽0, 𝛽2 dan 𝛽3 berpengaruh terhadap model
regresi poisson. Sehingga didapat model regresi poisson
untuk jumlah penderita kusta adalah sebagai berikut :
𝜇̂ = exp( 2.599 − 0.021𝛽2 + 0.031𝛽3 )
d. Melakukan Uji Overdispersi
Berikut adalah hasil uji overdisperse menggunakan software R

P-Value 1
Berdasarkan tabel diatas, didapat p-value 1 > α 0.05 maka tidak
terjadi overdispersi pada model poissonm sehingga model dapat
dikatakan baik.
e. Uji Heterogenitas Spasial
 Untuk mengetahui ada tidaknya keragaman spasial pada model
atau adanya heterogenitas spasial dilakukan pengujian Breusch-
Pagan. Hasil pengujian nya dapat dilihat padaUntuk mengetahui
ada tidaknya keragaman spasial pada model atau adanya
heterogenitas spasial dilakukan pengujian Breusch-Pagan. Hasil
pengujian nya dapat dilihat pada tabel berikut

P-Value 0.04551

Berdasarkan tabel diatas didapat p-value sebesar 0.04551 <0.05

maka dapat diartikan bahwa terdapat heterogenitas spasial atau
terdapat keragaman spasial antar wilayah kabupaten/kota di
Kalimantan Utara.
f. Model

Berdasarkan analisis diatas, model akhir yang didapat dengan

AIC terkecil yaitu 38.16 sehingga model yang didapat yaitu
𝜇̂ = exp( 2.599 − 0.021𝛽2 + 0.031𝛽3 )
 BAB V
KESIMPULAN DAN SARAN
5.1. Kesimpulan
1. Pemodelan jumlah kasus HIV di Provinsi Nusa Tenggara Barat (NTB)
Tahun 2016
𝜇̂ = exp( 0.369 + 0.1794𝛽4 )

2. Faktor mempengaruhi jumlah kasus HIV di Provinsi Nusa Tenggara Barat

(NTB) Tahun 2016 yaitu AIDS
3. Pemodelan jumlah kasus DBD di Provinsi Kalimantan Utara Tahun 2020
menggunakan model Poisson Regression
𝜇̂ = exp( 2.599 − 0.021𝛽2 + 0.031𝛽3 )

4. Faktor yang mempengaruhi jumlah kasus DBD di Provinsi Kalimantan

Utara Tahun 2020 yaitu jumlah tenaga kesehatan dan jumlah penduduk

5.2. Saran
Diperlukan analisis lebih lanjut dikarenakan referensi metode masih
kurang luas
 DAFTAR PUSTAKA

http://eprints.poltekkesjogja.ac.id/1045/7/4%20BAB%202%20OK.pdf
https://www.bps.go.id/subject/23/kemiskinan-dan-ketimpangan.html
https://www.bps.go.id/subject/23/kemiskinan-dan-ketimpangan.html
http://repository.unimus.ac.id/1941/3/5.%20BAB%20II.pdf
http://lib.unnes.ac.id/32187/1/4111413010.pdf
file:///C:/Users/hp/Downloads/208-Article%20Text-854-1-10-
20180129.pdf
 LAMPIRAN
1. Lampiran HIV
Uji Distribusi Poisson

One-Sample Kolmogorov-Smirnov Test 2

HIV
N 10
Poisson Parametera,b Mean 6.2000
Most Extreme Differences Absolute .366
Positive .366
Negative -.198
Kolmogorov-Smirnov Z 1.157
Asymp. Sig. (2-tailed) .138
a. Test distribution is Poisson.
b. Calculated from data.

Uji Autokorelasi

Uji Multokolonieritas

Nilai estimasi Parameter

Uji Overdispersi
Uji Hetero Spasial

Model AIC terbaik

2. LampiranDBD

Uji Distribusi Poison

 One-Sample Kolmogorov-Smirnov Test
DBD
N 5
Poisson Parametera,b Mean 103.0000
Most Extreme Differences Absolute .598
Positive .598
Negative -.249
Kolmogorov-Smirnov Z 1.338
Asymp. Sig. (2-tailed) .056
a. Test distribution is Poisson.
b. Calculated from data.

Uji Autokorelasi

Nilai estimasi parameter

Uji overdispersi
Uji Hetero Spasial