Oleh : Marisa Rifada Pembimbing : Dr. Purhadi, M.Sc

Oleh : Marisa Rifada 1309201006. Pembimbing : Dr. Purhadi, M.Sc. JURUSAN STATISTIKA Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi Sepuluh Nopember Surabaya 2011 Surabaya, 18 Juli 2011.

Analisis Regresi. GWR. Geographically Weighted Regression. Brunsdon, Fotheringham dan Charlton (1996). Lokasi Geografis. GWPR. Geographically Weighted Poisson Regression. Nakaya, Fotheringham, Brunsdon, dan Charlton (2005). GWLR. Geographically Weighted Logistic Regression. Atkinson, German, Sear dan Clark (2003). GWOLR Geographically Weighted Ordinal Logistic Regression.

Epidemiologi. Lokasi Geografis Upaya untuk menanggulangi terjadinya peningkatan kasus DBD. Penyakit Demam Berdarah Dengue (DBD) Kabupaten Lamongan memiliki jumlah kasus DBD yang meningkat 2 kali lipat memberantas nyamuk penularan atau lebih sehingga termasuk Kejadian DBDBiasa sesuai dengan tingkat Luar (KLB). kerawanan suatu desa atau kelurahan terhadap penyakit DBD. Aslim (1997) Tingkat kerawanan DBD berhubungan erat dengan mobilitasYuniarti dan kepadatan penduduk (2008) Ada hubungan yang signifikan antara kepadatan penduduk, jumlah puskesmas dengan kejadian kasus DBD. Tingkat kerawanan desa atau kelurahan terhadap DBD : 1. Rawan I (endemis) 2. Rawan II (sporadis) 3. Rawan III (potensial). Model GWOLR pada pemodelan tingkat kerawanan desa atau kelurahan terhadap penyakit DBD di Kabupaten Lamongan. Skala ordinal.

RUMUSAN MASALAH 1). Bagaimana bentuk penaksir parameter dan statistik uji pada model GWOLR?. 2). Faktor-faktor apa saja yang mempengaruhi tingkat kerawanan desa atau kelurahan terhadap penyakit DBD di Kabupaten Lamongan tahun. 2009 berdasarkan model GWOLR?. TUJUAN PENELITIAN 1). Mendapatkan penaksir parameter dan statistik uji pada model GWOLR. 2). Menyusun algoritma dan program pada pemodelan GWOLR. 3). Menentukan faktor-faktor apa saja yang mempengaruhi tingkat kerawanan desa atau kelurahan terhadap penyakit DBD di Kabupaten. Lamongan tahun 2009 berdasarkan model GWOLR..

MANFAAT. 1). mengembangkan wawasan dan pengetahuan mengenai penaksiran parameter dan statistik uji pada. model GWOLR 2). memberikan masukan mengenai penanggulangan. desa atau kelurahan rawan penyakit DBD. BATASAN MASALAH. 1). penentuan tingkat kerawanan desa/kelurahan. terhadap penyakit DBD berdasarkan faktor kepadatan penduduk, ketinggian dari permukaan laut, jarak desa. ke puskesmas/pustu terdekat, keberadaan kader atau juru pemantau jentik, Angka Bebas Jentik (ABJ) dan jarak desa ke ibukota kabupaten. 2). pembobot fungsi kernel yang digunakan adalah fungsi kernel Gaussian..

 Distribusi yang sering digunakan dalam analisa data dengan variabel respon polikotomus..  Distribusi probabilitas multinomial :. m   P(Y1  y1 , Y2  y2 ,..., YG 1  yG 1; m,  )    y y y ... G 1   1 2 dimana.  1y1 2y2 ...  GyG11 (1  1   2  ...   G1 )m y1  y2 ... yG 1.  g menyatakan peluang hasil pada kategori g, dengan g = 1,2,…,G-1..

 Misalkan variabel respon mempunyai G kategori, maka model regresi logistik ordinal yang terbentuk adalah:.  P Yi  g xi   T logit  P Yi  g xi    ln     g  xi  1  P Yi  g xi    Untuk variabel respon yang mempunyai 3 kategori, maka model regresi logistik ordinal yang terbentuk adalah:.  P Yi  1 xi   T logit  P Yi  1 xi   ln    1  xi  1  P Yi  1 xi    P Yi  2 xi   T logit  P Yi  2 xi   ln     2  xi  1  P Yi  2 xi  .

MODEL REGRESI LOGISTIK ORDINAL  PENAKSIRAN PARAMETER. Metode MLE. Non linear. Newton Raphson.  PENGUJIAN HIPOTESIS. Uji Serentak. Uji Parsial. Hipotesis:. Hipotesis:. H0 : 1  2  ...   p  0. H0 :  k  0. H1 : minimal ada satu  k  0. H1 : minimal ada satu  k  0. Statistik uji :. Statistik uji :. .  . ˆ G 2  2 ln L ˆ   ln L . ; k  1, 2,..., p. ˆk Wk  SE ( ˆk ).

 digunakan untuk mengetahui hubungan antara variabel respon yang berskala ordinal dengan variabel prediktor yang masing-masing koefisien regresinya bergantung pada lokasi dimana data tersebut diamati.  Bentuk model GWOLR untuk lokasi ke-i :.  P Yi  g xi    logit  P Yi  g xi  = ln     g (ui , vi )  xi  (ui , vi ) 1  P Yi  g xi  .  PENAKSIRAN PARAMETER. maximum likelihood terboboti.

Pemilihan Pembobot.  dij    Fungsi Kernel Gaussian (Lesage, 2001) : w j  ui , vi     h  dimana d ij menyatakan jarak Eucliden antara lokasi u i , vi  dan lokasi. u. j ,vj. , d. ij. . u. (bandwidth), . dan. i. uj.   v 2. i. vj. . 2. , h menyatakan parameter penghalus. merupakan simpangan baku dari vektor jarak d ij.  adalah densitas normal standar..  Metode yang digunakan untuk mendapatkan bandwidth optimum adalah metode Cross Validation (CV).. Pemilihan Model Terbaik  Metode Akaike Information Criterion (AIC) :. AIC  D(h)  2K. dengan D(h) adalah nilai devians model dengan bandwidth h dan K adalah jumlah parameter dalam model..

 Penyakit DBD adalah penyakit menular yang disebabkan oleh virus dengue dan ditularkan oleh nyamuk Aedes aegypti  Kegiatan pemberantasan nyamuk menular DBD didaerah rawan penyakit dilakukan sesuai dengan tingkat kerawanan suatu wilayah terhadap penyakit DBD.  Tingkat kerawanan desa atau kelurahan terhadap penyakit DBD : 1. Desa atau kelurahan rawan I (endemis) -> desa atau kelurahan yang dalam 3 tahun terakhir, setiap tahun terjangkit penyakit DBD 2. Desa atau kelurahan rawan II (sporadis) -> desa atau kelurahan yang dalam 3 tahun terakhir terjangkit penyakit DBD tetapi tidak setiap tahun 3. Desa atau kelurahan rawan III (potensial) -> desa atau kelurahan yang dalam 3 tahun terakhir tidak pernah terjangkit penyakit DBD, tetapi penduduknya padat, mempunyai hubungan transportasi yang ramai dengan wilayah lain.

 Kegiatan pemberantasan nyamuk penular penyakit DBD Pemeriksaan Jentik Berkala (PJB). Pemberantasan Sarang Tempat umum Nyamuk (PSN). Tingkat kerawanan. Fogging masal. Rawan I (Endemis). √. √. √. √. Rawan II (Sporadis). -. √. √. √. Rawan III (Potensial). -. -. √. √. Rumah.

Sumber Data  Data yang digunakan adalah data sekunder yang diperoleh dari :.  Dinas Kesehatan Kabupaten Lamongan  Badan Pusat Statistika (BPS) Kabupaten Lamongan.  Unit observasi yang digunakan adalah desa/kelurahan di. Kabupaten Lamongan Provinsi Jawa Timur yang terdiri dari 330 desa/kelurahan..

No.. 1.. Variabel. Kategori. Variabel respon : Y : Tingkat kerawanan desa atau. 2.. Tipe Variabel. Kategorik 1= Rawan I (endemis). kelurahan terhadap penyakit. 2 = Rawan II (sporadis). DBD. 3 = Rawan III (potensial). Variabel prediktor :. X1 : Kepadatan penduduk. Kontinu. -. X2 : Ketinggian dari permukaan laut. Kontinu. -. X3 : Jarak ke puskesmas/pustu terdekat X4 : Keberadaan kader atau juru. Kontinu. -. Kategorik 0 = Tidak ada. pemantau jentik. 1 = Ada. X5 : Angka Bebas Jentik. Kontinu. -. X6 : Jarak ke ibukota kabupaten. Kontinu. -.

I. Mendapatkan bentuk penaksir parameter dan pengujian hipotesis pada model GWOLR. Penaksiran parameter model GWOLR 1. Membentuk fungsi likelihood dari model GWOLR 2. Membentuk fungsi ln-likelihood 3. Memberikan pembobot pada fungsi ln-likelihood 4. Mengestimasi parameter dengan melakukan turunan parsial pertama. 5. Melakukan metode iterasi Newton-Raphson.

Pengujian hipotesis model GWOLR 1. pengujian kesamaan model GWOLR dengan model regresi logistik ordinal 2. pengujian parameter model GWOLR secara serentak 3. pengujian parameter model GWOLR secara parsial.

II. Mengetahui faktor-faktor yang berpengaruh terhadap tingkat kerawanan desa atau kelurahan terhadap penyakit DBD di Kabupaten Lamongan tahun 2009. 1. Melakukan analisis statistika deskriptif 2. Memeriksa kolinieritas antara variabel-variabel prediktor 3. Memodelkan dengan menggunakan regresi logistik ordinal 4. Memodelkan dengan menggunakan model GWOLR 5. Mendapatkan model terbaik dengan membandingkan model regresi logistik ordinal dan GWOLR.

 Model GWOLR untuk lokasi ke-i :.  P Yi  g xi    logit  P Yi  g xi  = ln     g (ui , vi )  xi  (ui , vi ) 1  P Yi  g xi   sehingga. P Yi  g xi  . . exp  g  ui , vi   xi   ui , vi  T. . . 1  exp  g  ui , vi   xi   ui , vi  T. .  Misalkan  * g  xi   P Yi  g xi  menyatakan peluang variabel respon pada lokasi ke-i mempunyai kategori ke-g terhadap xi , maka.  * g  xi  . . exp  g  ui , vi   xi   ui , vi  T. . . 1  exp  g  ui , vi   xi   ui , vi  T. . . . exp  g 1  ui , vi   xi   ui , vi  T. . . 1  exp  g 1  ui , vi   xi   ui , vi  T. .

 Jika dimisalkan variabel respon mempunyai 3 buah kategori, maka model GWOLR yang terbentuk untuk lokasi ke-i :  P Yi  1 xi      logit  P Yi  1 xi  = ln    1 (ui , vi )  xi  (ui , vi ) 1  P Yi  1 xi    P Yi  2 xi      logit  P Yi  2 xi  = ln     2 (ui , vi )  xi  (ui , vi ) 1  P Yi  2 xi  .  Sehingga peluang untuk masing-masing kategori respon pada lokasi ke-i :  *1  xi  . . exp 1  ui , vi   xi   ui , vi  T. . . 1  exp 1  ui , vi   xi   ui , vi .  *2  x i  . . T. exp  2  ui , vi   xi   ui , vi  T. . T. . . . exp 1  ui , vi   xi   ui , vi . 1  exp  2  ui , vi   xi   ui , vi  T.  xi   1 . . exp  2  ui , vi   xi   ui , vi . . . * 3. . 1  exp  2  ui , vi   xi   ui , vi  T. . . . T. . 1  exp 1  ui , vi   xi   ui , vi  T. . .

 fungsi likelihood :.   ui , vi      g  xi   n. G. *. i 1 g 1. . yig. . . . .  exp  (u , v )  x   (u , v ) exp  g 1 (ui , vi )  xi   (ui , vi ) g i i i i i L   ui , vi    yig ln     i 1 g 1 1  exp  g (ui , vi )  xi  (ui , vi ) 1  exp  g 1 (ui , vi )  xi  (ui , vi ).    . .  exp  (u , v )  x   (u , v ) exp  g 1 (ui , vi )  xi   (ui , vi ) g i i i i i     1  exp  g 1 (ui , vi )  xi   (ui , vi ) g 1 1  exp  g (ui , vi )  xi  (ui , vi ) . yig.    . n. G.  i 1.  fungsi ln-likelihood n. . . G. . . . . . . . . . .  fungsi ln-likelihood terboboti. . . . .    exp  (u , v )  x   (u , v ) exp  ( u , v )   (ui , vi ) x g i i j i i g  1 i i j  *  L    y jg ln    1  exp  ( u , v )   ( u , v ) 1  exp  ( u , v )   (ui , vi ) x x g i i j i i g  1 i i j j 1 g 1    n. G. . . . . .   w  u , v   j i i   .

 Jika dimisalkan variabel respon mempunyai 3 buah kategori, maka fungsi ln-likelihood terboboti yang terbentuk : *. L . y j1 1 (ui , vi )  x j   (ui , vi )    y j1  y j 2  ln 1  exp 1 (ui , vi )  x j   (ui , vi )       j 1 n. . . . .  y j 2 ln exp  2 (ui , vi )  x j   (ui , vi )  exp 1 (ui , vi )  x j   (ui , vi )   . . . . .  y j1  1 ln 1  exp  2 (ui , vi )  x j   (ui , vi )  w j  ui , vi   .  Estimasi parameter dilakukan dengan melakukan turunan parsial pertama persamaan di atas terhadap parameter yang akan diestimasi dan kemudian disamakan dengan nol.  METODE NEWTON RAPHSON. NON LINIER.

Pengujian Kesamaan Model GWOLR dengan Model Regresi Logistik Ordinal  Bentuk hipotesis :. H0 :  k  ui , vi   k. k  ui , vi   k ; i  1, 2,..., n ; k  1, 2,..., p. H1 : minimal ada satu  Statistik uji :. . Fhit .  D ˆ  df. D ˆ df1 . 2. dengan D ˆ menyatakan nilai devians model regresi logistik ordinal.   menyatakan nilai devians model. dengan derajat bebas df1 dan D ˆ GWOLR dengan derajat bebas df 2 ..  Kriteria pengujiannya adalah tolak H0 apabila nilai Fhit  F  ;df ,df  1 2.

Pengujian Parameter Model GWOLR Secara Serentak  Bentuk hipotesis : H0 : 1  ui , vi   2  ui , vi   ...   p  ui , vi   0. H1 : minimal ada satu k  ui , vi   0.  Statistik uji :    2 G  2     . n.   3  yig ln   g 1  .  i 1.  y jg w j  ui , vi    n j 1  n  w j  ui , vi   i 1 j 1  n. . .   3  *   ˆ yig ln  g  xi     g 1   . .  Kriteria pengujiannya adalah tolak H0 apabila nilai G 2  2 ;df  ..

Pengujian Parameter Model GWOLR Secara Parsial  Bentuk hipotesis : H0 : k  ui , vi   0. ; i  1, 2,..., n ; k  1, 2..., p. H1 : k  ui , vi   0  Statistik uji :. Z hit . ˆk  ui , vi . . SE ˆk  ui , vi . .  Kriteria pengujiannya adalah tolak H0 apabila nilai. Z hit  Z 2 ..

 pemrograman model GWOLR dilakukan dengan menggunakan software MATLAB.  Beberapa algoritma program yang digunakan : 1. Penentuan bandwidth (h) optimum dengan Cross Validation 2. Penentuan pembobot 3. Penaksiran parameter model GWOLR. 4. Penentuan derajat bebas model GWOLR 5. Pengujian kesamaan model GWOLR dan regresi logistik ordinal 6. Pengujian parameter model GWOLR secara serentak 7. Pengujian parameter model GWOLR secara parsial.

Analisis Tingkat Kerawanan Desa atau Kelurahan terhadap Penyakit DBD di Kabupaten Lamongan Tahun 2009  Statistika deskriptif variabel respon dan variabel prediktor Kategori. N. Persentase. Rawan I (Endemis). 60. 18,2. Rawan II (Sporadis). 201. 60,9. Rawan III (Potensial). 69. 20,9. 330. 100. TOTAL. Variabel. N. Mean. X1. 330. 1212,20. X2 X3 X5 X6. 330 330 330 330. 15,50 2,68 80,08 23,55. Sum. Min. Max. StDev. 400039,40 147,00. 8519,00. 1023,20. 5114,55 884,60 26425,88 7772,20. 100,00 14,00 100,00 76,00. 22,64 2,66 12,25 13,28. 0,00 0,00 35,00 1,00.

 Uji Kolinieritas antar variabel prediktor Z1. Z2. Z3. Z2. -0,217. Z3. 0,086. -0,004. Z5. 0,002. 0,221. 0,299. Z6. -0,182. 0,599. -0,138. VIF. X1 1,06. X2 1,859. X3 1,116. Z5. -0,135. X5 1,284. X6 1,776. antar variabel prediktor tidak saling berkorelasi.

Pemodelan Regresi Logistik Ordinal  Hasil regresi logistik ordinal univariabel Prediktor Z1 Z2 Z3 Z4 (3,70622) Z5 Z6. Koefisien 0,61077 -0,93518 -0,19062 1,12549 -0,30110 -1,03038. SE Koefisien 0,134086 0,128779 0,109675 0,405042 0,110737 0,134393. Wald 4,56 -7,26 -1,74 2,78 -2,72 -7,67. P-value 0,000 0,000 0,082 0,005 0,007 0,000. Signifikan pada  =10%.

Pemodelan Regresi Logistik Ordinal  Hasil regresi logistik ordinal multivariabel Prediktor. Koefisien. SE Koefisien. Wald. P-value. Konst(1) Konst(2) Z1 Z2 Z3 Z4 (3,70622) Z5 Z6. 1,76341 5,53338 0,50754 -0,30556 -0,33285 0,80963 -0,32451 -0,98670. 0,96185 1,02557 0,13205 0,15938 0,12887 0,45296 0,13443 0,17521. 1,83 5,40 3,84 -1,92 -2,58 1,79 -2,41 -5,63. 0,067 0,000 0,000 0,055 0,010 0,074 0,016 0,000. Statistik G 2. df. P-value. 123,527. 6. 0,000. Signifikan pada  =10%.

Pemodelan Regresi Logistik Ordinal  Model :. logit  Pˆ Y  1 x    1,7634  0,0005 X1  0,0135 X 2  0,1251X 3  0,8096 X 4 (1) 0,0265 X 5  0,0743 X 6 logit  Pˆ Y  2 x    5,5334  0,0005 X1  0,0135 X 2  0,1251X 3  0,8096 X 4 (1) 0,0265 X 5  0,0743 X 6.  Klasifikasi tingkat kerawanan desa atau kelurahan terhadap penyakit DBD antara hasil observasi dan prediksi Observasi kategori 1 kategori 2 kategori 3. Prediksi. Persentase. kategori 1 kategori 2 kategori 3 12 48 0 4 181 16 0 41 28 Total keseluruhan. ketepatan 20% 90,05% 40,58% 66,97%.

 Hasil model GWOLR dengan fungsi pembobot berbeda Statistik. Pembobot Gaussian*. Exponential. Bisquare. Tricube. Bandwidth. 1,767. 0,374. 0,707. 0,710. AIC. 508,275. 508,421. 509,110. 509,343. *) model GWOLR terbaik. Sehingga model GWOLR yang digunakan adalah model GWOLR dengan pembobot fungsi Kernel Gaussian..

 Ringkasan Statistik Parameter Model GWOLR Standar. Parameter. Min. Max. Range. Mean. 1. 0,8264. 4,4908. 3,6644. 1,4848. 0,8411. 2. 4,4785. 9,0528. 4,5744. 5,2678. 1,0486. 1. 0,3035. 0,8227. 0,5192. 0,7412. 0,1362. 2. -0,3669. -0,2134. 0,1535. -0,2672. 0,0342. 3. -0,4102. -0,1676. 0,2426. -0,3739. 0,0581. Deviasi. 4 5. 0,521. 0,8882. 0,3672. 0,8178. 0,0761. -0,7152. -0,2305. 0,4847. -0,3149. 0,1103. 6. -1,2515. -0,9018. 0,3497. -1,0046. 0,0702.

 Hasil uji kesamaan model regresi logistik ordinal dan GWOLR Model. Devians. df. Devians/df. F hitung. Regresi logistik ordinal. 496,317. 652. 0,7612. 0,582. GWOLR. 484,158. 370. 1,3085. F 0,1;652;370  1,12692 tidak ada perbedaan yang signifikan antara model GWOLR. dan model regresi logistik ordina.  Hasil uji serentak parameter model GWOLR Statistik G 2 144,245. df 12,058. 2 (0,1;12)  18,5493. minimal ada satu variabel prediktor yang berpengaruh signifikan. terhadap tingkat kerawanan desa atau kelurahan terhadap penyakit DBD di kabupaten Lamonga.

 Hasil uji parameter model GWOLR secara parsial untuk mengetahui faktor-faktor yang berpengaruh terhadap tingkat kerawanan DBD di setiap lokasi  Misalkan : hasil uji parameter model GWOLR di lokasi pertama (desa Kedungmentawar) Parameter 1  u1 , v1   2  u1 , v1  1  u1, v1  2  u1 , v1  3  u1 , v1  4  u1 , v1 . Estimasi 1,0115 4,7161 0,7911 -0,2860 -0,3813 0,8067. Z Hitung 0,5698 2,5201* 2,1704* -0,944 -1,5895 0,9949. 5  u1 , v1 . -0,2571. -0,9939. 6  u1 , v1 . -0,9297. -2,4361*. Signifikan pada  = 10%.

 Model logit untuk desa Kedungmentawar:. logit  Pˆ Y  1 x   0,0008 X1  0,07 X 6 logit  Pˆ Y  2 x   4,7161  0,0008 X1  0,07 X 6  Klasifikasi tingkat kerawanan desa atau kelurahan terhadap penyakit DBD antara hasil observasi dan prediksi berdasarkan model GWOLR. Prediksi Observasi. Persentase. kategori 1. kategori 2. kategori 3. ketepatan. kategori 1. 15. 44. 1. 25%. kategori 2. 3. 185. 13. 91,58%. kategori 3. 0. 40. 29. 42,03%. Total keseluruhan. 69,39%.

 Pengelompokan desa atau kelurahan berdasarkan variabel-variabel yang signifikan dalam model GWOLR Nama desa atau kelurahan Kedungmentawar, Ganggantingan, Gebangangkrik, Mendogo, Durikedungjero, Lamongrejo, Lawak, Purwokerto, Ngasemlemahbang, Cerme, Slaharwotan, Drujugurit, Kedungdadi, Jatipayak, Sukoanyar. Jumlah. Variabel. 15. Kepadatan penduduk (X1) Jarak ke ibukota kabupaten (X6). Desa atau kelurahan selain kelompok I dan kelompok III. 285. Kendalkemlagi, Mertani, Sumberwudi, Jangkungsomo, Parengan, Pangkatrejo, Pringgoboyo, Kanugrahan, Turi, Gedangan, Blumbang, Blimbing, Kandangsemangkon, Paciran, Sumurgayam, Sendangagung, Sendangduwur, Tunggul, Kranji, Drajat, Lembor, Tlogoretno, Sidomukti, Lohgung, Labuhan, Brengkok, Sendangharjo, Sedayulawas, Sumberagung, Brondong. Kepadatan penduduk (X1) Jarak ke puskesmas/pustu terdekat (X3) Jarak ke ibukota kabupaten (X6). 30. Jarak ke ibukota kabupaten (X6).

Perbandingan Model Regresi Logistik Ordinal dan Model GWOLR  Hasil perbandingan model regresi logistik ordinal dengan model GWOLR Kriteria Devians AIC Ketepatan klasifikasi. Model Regresi Logistik Ordinal 496,317 508,317 66,97%. Model GWOLR 484,158 508,275 69,39%. pemodelan tingkat kerawanan desa atau kelurahan terhadap penyakit. DBD di kabupaten Lamongan tahun 2009 antara hasil model GWOLR dan model regresi logistik ordinal tidak berbeda signifikan, hal ini. ditunjukkan dari nilai AIC yang diperoleh berdasarkan kedua model tersebut hampir sama. Namun, prosentase ketepatan klasifikasi model GWOLR sedikit lebih besar dibandingkan model regresi logistik ordinal..

KESIMPULAN & SARAN  KESIMPULAN : 1. Estimasi parameter model GWOLR menggunakan metode maksimum likelihood terboboti. Pengujian kesamaan model GWOLR dengan model regresi logistik ordinal didekati dengan distribusi F. Pengujian 2 parameter model GWOLR secara serentak didekati dengan distribusi . , sedangkan uji parameter model GWOLR secara parsial menggunakan uji Z. 2. Faktor-faktor yang signifikan mempengaruhi tingkat kerawanan desa atau kelurahan terhadap penyakit DBD di Kabupaten Lamongan tahun 2009 berdasarkan model GWOLR adalah kepadatan penduduk (X1), jarak ke puskesmas/pustu terdekat (X3) dan jarak ke ibukota kabupaten (X6)..

KESIMPULAN & SARAN 3. Pemodelan tingkat kerawanan desa atau kelurahan terhadap penyakit DBD. di kabupaten Lamongan tahun 2009 antara hasil model GWOLR dan model regresi logistik ordinal tidak berbeda signifikan ..  SARAN : Penelitian lebih lanjut dapat dikembangkan untuk variabel respon kategorik berskala nominal yaitu model Geographically Weighted Multinomial Logistic Regression (GWMLR). Selanjutnya dapat pula dikembangkan untuk kasus semiparametrik, yaitu Geographically Weighted Ordinal Logistic Regression Semiparametric (GWOLRS) atau Geographically Weighted Multinomial Logistic Regression Semiparametric (GWMLRS)..

DAFTAR PUSTAKA Agresti, A., (2002), Categorical Data Analysis, Second Edition, John Wiley & Sons, New York. Aslim, A., (1997), Analisis Kerawanan Demam Berdarah Dengue di Tingkat Desa di Kabupaten Indramayu Tahun 1992-1996 dan Rencana Penanggulangannya, Tesis Fakultas Kesehatan Masyarakat Universitas Indonesia, Depok. Atkinson, P.M., German, S.E., Sear, D.A., & Clark, M.J., (2003), Exploring the Relations Between Riverbank Erosion and Geomorphological Controls Using Geographically Weighted Logistic Regression, Geographical Analysis, 35. Aulele, S. N., (2010), Model Geographically Weighted Poisson Regression (Studi Kasus : Jumlah Kematian Bayi di Jawa Timur dan Jawa Tengah Tahun 2007), Tesis Jurusan Statistika FMIPA ITS, Surabaya. Brunsdon, C., Fotheringham, A.S., dan Charlton, M. (1996), Geographically Weighted Regression: a method for exploring spatial nonstationarity, Geographical Analysis, 28, 281-298. Departemen Kesehatan RI, (2007), Modul Pelatihan bagi Pengelola Program Pengendalian Penyakit Demam Berdarah Dengue di Indonesia, Direktorat Jenderal Pengendalian Penyakit dan Penyehatan Lingkungan, Jakarta Dinas Perhubungan dan Pariwisata Kabupaten Lamongan, (2008), Sekilas Lamongan, Kondisi Geografis Kabupaten Lamongan, http://wisatalamongan.com/index.php?idmenu=12, Akses 1 Agustus 2010.

DAFTAR PUSTAKA Dobson, A. J., (1990), An Introduction to Generalized Linear Models, Chapman & Hall, London Fotheringham, A.S., Brunsdon, C., dan Charlton, M. (2002), Geographically Weighted Regression, Jhon Wiley & Sons, Chichester, UK Hocking, R, (1996), Methods and Application of Linear Models, John Wiley & Sons, New York Lesage, J.P. (2001), A Family of Geographically Weighted Regression, Departement of Economics University of Toledo. McCullagh dan Nelder, (1989), Generalized Linear Models 2nd Edition, Chapman & Hall, London Nakaya, T., Fotheringham, A.S., Brunsdon, C., dan Charlton, M. (2005), Geographically Weighted Poisson Regression for Disease Association Mapping, Statistics in Medicine, Volume 24 Issue 17, pages 2695-2717. Soegijanto, S., (2004), Demam Berdarah Dengue, Airlangga University Press, Surabaya Yuniarti, A., (2008), Tingkat Kerawanan Demam Berdarah Dengue di Daerah Khusus Ibukota Jakarta Tahun 2007, Skripsi Departemen Kesehatan Lingkungan Fakultas Kesehatan Masyarakat Universitas Indonesia, Depok. Widiyanto, T., (2007), Kajian Manajemen Lingkungan terhadap Kejadian Demam Berdarah Dengue (DBD) di Kota Purwokerto Jawa Tengah, Tesis Jurusan Magister Kesehatan Lingkungan Universitas Diponegoro, Semarang.