Perbandingan Analisis Generalized Poisson Regression (GPR) dan Regresi Binomial Negatif Untuk Mengatasi Overdispersi Studi Kasus: Pemodelan Jumlah Kasus Kanker Serviks di Jawa Timur

  • Brianika Irawati Institut Teknologi Sepuluh Nopember (ITS)
  • Purhadi . Institut Teknologi Sepuluh Nopember (ITS)

Abstract

Data jumlah kasus kanker serviks di Provinsi Jawa Timur pada penelitian ini merupakan salah satu contoh data diskrit (count) dimana pada umumnya menggunakan regresi poisson dalam analisisnya. Karakteristik penting dalam pemodelan ini yaitu mean harus sama dengan varians. Namun, kondisi seperti ini sulit dipenuhi sedangkan pada umumnya sering ditemui data diskrit dengan varians lebih besar dibandingkan dengan rata-ratanya atau disebut dengan over dispersi seperti yang terjadi pada kasus jumlah kanker serviks di Jawa timur ini. Untuk menangani masalah over dispersi, dapat dilakukan pemodelan dengan Generalized Poisson Regresion (GPR) dan Regresi Binomial Negatif.  Model ini dapat mengatasi masalah over dispersi karena tidak mengharuskan nilai mean yang sama dengan nilai varians seperti pada model regresi poisson. Model terbaik menggunakan GPR menghasilkan 8 variabel prediktor yang signikan mempengaruhi jumlah kasus kanker serviks di Jawa Timur antara lain persentase tenaga medis (X2), persentase penduduk perempuan yang umur kawin pertama ? 16 tahun (X3), persentase penduduk miskin (X7), persentase penduduk perempuan yang menggunakan kondom (X8), persentase penduduk perempuan yang berstatus kawin (X10), persentase penduduk perempuan usia ? 35 tahun (X11), persentase rata-rata pengeluaran untuk konsumsi makanan per bulan (X12), dan persentase penduduk yang merokok (X13). Sedangkan model terbaik menggunakan regresi binomial negative menghasilkan 2 variabel prediktor yang signifikan yaitu persentase penduduk yang tinggal di daerah berstatus desa (X5) dan persentase rata-rata pengeluaran untuk konsumsi makanan per bulan (X12). Model GPR menghasilkan nilai AIC sebesar 349,90. Sedangkan model regresi binomial negatif menghasilkan nilai AIC sebesar 327,65. Maka model terbaik diperoleh dari model regresi binomial negatif karena menghasilkan nilai AIC terkecil.

Downloads

Download data is not yet available.

Author Biographies

Brianika Irawati, Institut Teknologi Sepuluh Nopember (ITS)

Jurusan Statistika, FMIPA, Institut Teknologi Sepuluh Nopember (ITS)

Purhadi ., Institut Teknologi Sepuluh Nopember (ITS)

Jurusan Statistika, FMIPA, Institut Teknologi Sepuluh Nopember (ITS)

Published
2012-12-20
How to Cite
IRAWATI, Brianika; ., Purhadi. Perbandingan Analisis Generalized Poisson Regression (GPR) dan Regresi Binomial Negatif Untuk Mengatasi Overdispersi Studi Kasus: Pemodelan Jumlah Kasus Kanker Serviks di Jawa Timur. Jurnal Matematika, [S.l.], v. 2, n. 2, p. 13-24, dec. 2012. ISSN 2655-0016. Available at: <https://ojs.unud.ac.id/index.php/jmat/article/view/7167>. Date accessed: 26 feb. 2021. doi: https://doi.org/10.24843/JMAT.2012.v02.i02.p25.
Section
Articles

Keywords

AIC; Generalized Poisson Regression; Kanker Serviks; Regresi Binomial Negatif