Kajian Data Jumlah Kasus Baru Kusta di Pulau Jawa Menggunakan Pemodelan Linear Terampat dan Spasial

Abstract

Data jumlah kasus baru kusta merupakan data cacah non negatif. Salah satu metode klasik yang digunakan untuk menganalisis data cacah adalah regresi Poisson. Namun apabila pada data respon yang diamati ditemukan adanya kondisi overdispersi (pada kasus ini, nilai ragam lebih besar dari rataan), maka regresi Poisson tidak tepat lagi untuk diterapkan. Teknik analisis regresi yang dapat diterapkan untuk mengatasi masalah overdispersi diantaranya yaitu regresi binomial negatif. Metode regresi binomial negatif kurang sesuai jika diterapkan pada data spasial yang menyebabkan perbedaan karakteristik antara wilayah satu dengan wilayah lainnya. Oleh karena itu diperlukan teknik analisis lain untuk mengatasi kondisi overdispersi dan mencakup pengaruh spasial. Metode Regresi Poisson Terboboti Geografis (RPTG) adalah salah satu metode yang dikembangkan untuk analisis data dengan memperhitungkan faktor spasial. Peubah respon yang diteliti merupakan peubah acak diskrit yang berdistribusi Poisson dan memperhatikan faktor spasial, maka hubungan antara peubah respon dalam hal ini jumlah kasus baru kusta dan peubah penjelas dapat diketahui dengan metode tersebut sehingga dapat diketahui faktor-faktor yang berpengaruh signifikan terhadap jumlah kasus baru kusta di tiap kabupaten/kota di Pulau Jawa. Sebagai perbandingan, digunakan pula metode Geographically Weighted Negative Binomial Regression (Regresi Binomial Negatif Terboboti Geografis/RBNTG) untuk penanganan overdispersi dan pengaruh spasial. Penelitian ini bertujuan untuk mengkaji data jumlah kasus baru kusta di Pulau Jawa tahun 2017 menggunakan pemodelan linear terampat (yakni model regresi Poisson dan regresi binomial negatif) dan pemodelan spasial (RPTG dan RBNTG); membandingkan hasil dari keempat pemodelan tersebut untuk memperoleh pemodelan terbaik; dan mengetahui faktor-faktor yang memengaruhi jumlah kasus baru kusta di Pulau Jawa berdasarkan pemodelan terbaik yang diperoleh. Sumber data yang digunakan dalam penelitian ini berasal dari Profil Kesehatan Tahun 2017 dari Dinas Kesehatan seluruh provinsi di Pulau Jawa dan publikasi Daerah Dalam Angka Tahun 2018 dari BPS Provinsi di Pulau Jawa. Unit pengamatan yang digunakan adalah seluruh kabupaten/kota di Pulau Jawa yang ada sebanyak 119 kabupaten/kota. Peubah respon yang digunakan dalam penelitian ini adalah jumlah kasus baru kusta pada tahun 2017. Peubah penjelas yang diamati yaitu jumlah penduduk, persentase balita yang diimunisasi BCG, persentase rumah tangga berperilaku hidup bersih dan sehat, persentase rumah sehat, persentase jumlah penduduk dengan akses air minum layak, persentase jumlah penduduk dengan sanitasi layak, dan rata-rata tenaga kesehatan per desa/kelurahan. Dari hasil eksplorasi data diperoleh nilai jangkauan dan ragam yang besar pada data jumlah kasus baru kusta di Pulau Jawa mengindikasikan jumlah kasus baru kusta yang beragam pada tiap kabupaten/kota di Pulau Jawa. Hubungan antara jumlah kasus baru kusta dan faktor-faktor yang memengaruhinya dianalisis menggunakan analisis regresi Poisson. Pemeriksaan overdispersi pada data jumlah kasus baru kusta dilakukan dengan uji dispersi menghasilkan nilai sebesar 51.61 yang lebih dari 1 menunjukkan adanya overdispersi. Keberadaan overdispersi dalam model harus diatasi, salah satunya dengan menggunakan regresi binomial negatif. Nilai AIC dan BIC dari model regresi binomial negatif jauh lebih rendah dibandingkan model regresi Poisson. Hal ini menunjukkan bahwa model regresi binomial negatif lebih baik daripada model regresi Poisson. Namun masih ada masalah keragaman spasial yang belum diatasi. Adanya keragaman spasial antara satu titik pengamatan dengan titik pengamatan lainnya dapat dilihat dengan pengujian Breusch-Pagan. Dari hasil pengolahan uji ini diperoleh nilai statistik BP sebesar 28.409 dengan nilai p sebesar 1.854×10-4 pada taraf nyata 5% sehingga disimpulkan bahwa ada keragaman spasial antar wilayah. Hasil pemodelan dengan RBNTG diperoleh nilai koefisien dan peubah yang signifikan berpengaruh terhadap kasus baru kusta berbeda-beda tiap kabupaten/kota di Pulau Jawa. Pemodelan RBNTG menghasilkan 14 kelompok kabupaten/kota berdasarkan kesamaan peubah penjelas yang signifikan. Sedangkan pada pemodelan dengan menggunakan pendekatan RPTG menghasilkan 6 kelompok kabupaten/kota yang memiliki kesamaan peubah penjelas yang signifikan. Penilaian terhadap model dilakukan berdasarkan nilai AIC dan BIC terkecil. Model yang lebih baik diterapkan untuk data jumlah kasus baru kusta di Pulau Jawa adalah model RBNTG karena mempunyai nilai AIC dan BIC yang paling kecil. Kata kunci: kasus baru kusta, keragaman spasial, overdispersi, RBNTG