Main Article Content

Abstract

Tujuan penelitian ini adalah pemilihan metode terbaik untuk memodelkan jumlah kasus penderita HIV/AIDS di propinsi Lampung dengan membandingkan antara regresi Poisson dan Binomial negative. Data yang digunakan dalam penelitian ini diperoleh dari badan pusat statistik (BPS) provinsi Lampung dan Dinas Kesehatan Provinsi Lampung. Generalized Linier Model (GLM) adalah kerangka statistik yang memperluas model regresi linier sehingga memungkinkan variabel dependen memiliki distribusi yang tidak normal. GLM merupakan model yang sangat fleksibel, mencakup berbagai model regresi umum  seperti regresi linier, regresi logistik, dan regresi poisson. Hasil analisis menunjukkan bahwa perbandingan antara model regresi Poisson dan model regresi Binomial Negatif diperoleh bahwa model regresi Binomial Negatif memiliki nilai AIC lebih kecil sehingga, model Binomial Negatif lebih baik digunakan dalam memodelkan jumlah kasus HIV/AIDS dibandingkan model regresi Poisson di provinsi Lampung

Keywords

Jumlah Kasus HIV/AIDS, Regresi Poisson, Regresi Binomial Negatif, Generalized Liniear Model, Overdispersi

Article Details

References

  1. [1] D. Rohmatullailah and D. Fikriyah, “Hiv Faktor Resiko,” J. Biostat. Kependudukan, dan Inform. Kesehat., vol. 2, no. 1, p. 45, 2021.
  2. [2] N. T. Ratnasari and Purhadi, “Pemodelan Faktor yang Mempengaruhi Jumlah Hivdan Aids Provinsi Jawa Timur Menggunakan RegresiPoisson Bivariat,” J. Sains Dan Seni Pomits, vol. 2, no. 2, pp. 2337–3520, 2013.
  3. [3] S. T. Wahyuni, T. W. Utami, and M. Y. Darsyah, “Pemodelan Generalized Additive Model For Location, Scale, and Shape (Gamlss) Dengan Pemulusan Locally Estimated Scatterplot Smoothing (Loess) pada Kasus Hiv/Aids Di Jawa Timur,” J. Litbang Edusaintech, vol. 2, no. 1, pp. 18–26, 2021, doi: 10.51402/jle.v2i1.7.
  4. [4] N. N. S. T. Ulandari, I. Wahina, G. A. M. Adhi, and F. Astuti, “Hubungan Pengetahuan Tentang Infeksi Hiv/Aids Dengan Perilaku Pencegahan Hiv/Aids Pada Remaja Smkn 2 Mataram,” JISIP (Jurnal Ilmu Sos. dan Pendidikan), vol. 7, no. 1, pp. 804–809, 2023, doi: 10.58258/jisip.v7i1.4586.
  5. [5] M. Zunaidi, A. H. Nasyuha, and S. M. Sinaga, “Penerapan Data Mining Untuk Memprediksi Pertumbuhan Jumlah Penderita Human Immunodeficiency Virus (HIV) Menggunakan Metode Multiple Linier Regression (Studi Kasus Dinas Kesehatan Provinsi Sumatera Utara),” J-SISKO TECH (Jurnal Teknol. Sist. Inf. dan Sist. Komput. TGD), vol. 3, no. 1, p. 137, 2020, doi: 10.53513/jsk.v3i1.205.
  6. [6] S. F. Thahar and T. Sirait, “Analisis Spasial Variabel-Variabel yang Memengaruhi Jumlah Kasus Baru HIV/AIDS di Provinsi Jawa Timur Tahun 2021,” Semin. Nas. Off. Stat., vol. 2023, no. 1, pp. 287–296, 2023, doi: 10.34123/semnasoffstat.v2023i1.1602.
  7. [7] E. Krisdayanti and J. I. Hutasoit, “Pengaruh Coping Strategies terhadap Kesehatan Mental dan Kualitas Hidup Penderita HIV/AIDS positif,” J. Ilmu Keperawatan Jiwa, vol. 2, no. 3, p. 179, 2019, doi: 10.32584/jikj.v2i3.440.
  8. [8] F. Listina and S. nandar Baharza, “Hubungan Pengetahuan Dan Sikap Lsl Terhadap Upaya Pencegahan HIV & AID Di Puskesmas Simpur Kota Bandar Lampung,” Manuju Malahayati Nurs. J., vol. 2, no. 1, pp. 151–159, 2020.
  9. [9] D. Ratnasari and Purhadi, “Model Regresi Poisson untuk Data yang mengalami Overdispersi,” J. Mat. dan Stat., vol. 9, no. 2, pp. 129–136, 2013.
  10. [10] M. B. R. U. Utama and N. Hajarisman, “Metode Pemilihan Variabel pada Model Regresi Poisson Menggunakan Metode Nordberg,” J. Ris. Stat., vol. 1, no. 1, pp. 35–42, 2021, doi: 10.29313/jrs.v1i1.24.
  11. [11] P. McCullagh and J. A. Nelder, Generalized Linear Models (2nd ed.). Chapman & Hall/CRC, 1989.
  12. [12] Y. Wilandari, S. H. Kartiko, and A. R. Effendie, “Estimasi Cadangan Klaim Menggunakan Generalized Linear Model (Glm) Dan Copula,” J. Gaussian, vol. 9, no. 4, pp. 411–420, 2020, doi: 10.14710/j.gauss.v9i4.29260.
  13. [13] J. W. Hardin and J. M. Hilbe, Generalized Linear Models and Extensions. Stata Press, 2018.
  14. [14] N. A. H. Salamah et al., “Pemodelan Faktor-Faktor Yang Mempengaruhi Jumlah Penderita Demam Berdarah Dengue (Dbd) Di Kota Kendari Menggunakan Regresi Poisson Inverse Gaussian,” Pemodelan Fakt. Yang Mempengaruhi Jumlah Penderita Demam Berdarah Dengue Di, vol. 2, no. 2, pp. 1–8, 2022.
  15. [15] M. Fathurahman, “Regresi Binomial Negatif untuk Memodelkan Kematian Bayi di Kalimantan Timur,” Eksponensial, vol. 13, no. 1, p. 79, 2022, doi: 10.30872/eksponensial.v13i1.888.
  16. [16] A. F. Zuur, E. N. Ieno, and G. M. Smith, “Analyzing Count Data with Poisson Regression,” Methods Ecol. Evol., vol. 11, no. 8, pp. 976–987, 2020.
  17. [17] G. J. Ragland and J. G. Kingsolver, “Using Poisson Regression Models to Analyze Experimental Count Data.,” J. Exp. Biol., vol. 224, no. 3, p. jeb232967, 2021.
  18. [18] S. Lee and J. A. Nelder, “Applications, Generalized Linear Models for Count Data: Recent Advances and Applications,” Stat. Sci., vol. 37, no. 1, pp. 52–70, 2022.
  19. [19] H. M. Winata, “Mengatasi Overdispersi Dengan Regresi Binomial Negatif Pada Angka Kematian Ibu Di Kota Bandung,” J. Gaussian, vol. 11, no. 4, pp. 616–622, 2023, doi: 10.14710/j.gauss.11.4.616-622.
  20. [20] A. Sauddin, N. I. Auliah, and W. Alwi, “Pemodelan Jumlah Kematian Ibu di Provinsi Sulawesi Selatan Menggunakan Regresi Binomial Negatif,” J. MSA ( Mat. dan Stat. serta Apl. ), vol. 8, no. 2, p. 42, 2020, doi: 10.24252/msa.v8i2.17409.
  21. [21] A. D. Chaniago and S. P. Wulandari, “Pemodelan Generalized Poisson Regression (GPR) dan Negative Binomial Regression (NBR) untuk Mengatasi Overdispersi pada Jumlah Kematian Bayi di Kabupaten Probolinggo,” J. Sains dan Seni ITS, vol. 11, no. 6, 2023, doi: 10.12962/j23373520.v11i6.93240.
  22. [22] N. Delvia, M. Mustafid, and H. Yasin, “Geographically Weighted Negative Binomial Regression Untuk Menangani Overdispersi Pada Jumlah Penduduk Miskin,” J. Gaussian, vol. 10, no. 4, pp. 532–543, 2021, doi: 10.14710/j.gauss.v10i4.331