Estimasi Parameter Model Regresi Logistik Ordinal Terboboti Geografis (RLOTG) Dengan Metode Fisher Scoring JURNAL

commit to user

ESTIMASI PARAMETER MODEL REGRESI LOGISTIK

ORDINAL TERBOBOTI GEOGRAFIS (RLOTG) DENGAN

METODE FISHER

SCORING

Aulia Nugrahani Putri, Purnami Widyaningsih, dan Dewi Retno Sari Saputro Program Studi Matematika FMIPA UNS

Abstrak. _{Model RLOTG merupakan gabungan model regresi logistik ordinal dan}

model RTG. Pada model RLOTG terdapat variabel respon, variabel prediktor, dan parameter. Variabel respon dan variabel prediktor dapat diketahui berdasarkan sam-pel, sedangkan parameternya tidak dapat diketahui sehingga diperlukan estimasi pa-rameter berdasarkan sampel tersebut. Estimasi papa-rameter model RLOTG dilakukan dengan metode maksimum likelihood. Estimasi parameter dengan metode tersebut ditemui kendala yaitu suatu sistem persamaaan nonlinear yang sulit ditentukan pe-nyelesaiannya. Oleh karena itu penyelesaiannya ditentukan secara numerik dengan metode Fisherscoring. Tujuan penelitian ini adalah menentukan estimasi parameter model RLOTG dengan metode Fisherscoring dan menerapkannya pada data tingkat kerawanan DBD di Kota Semarang. Hasil estimasi parameter model RLOTG dengan metode Fisherscoringadalah ˆV =V(m+1)denganV(m+1)=V(m)+Inf−₍m1₎S(m)dan

diberikan nilai awal yang diperoleh dari nilai estimasi parameter model regresi logistik ordinal. Pada penerapan diperoleh hasil estimasi parameter untuk kelurahan Kuning-an yaitu ˆV = [−4.704688,−2.829467,0.000042,−0.000048,0.000533,−0.638496,−0.01 7453]T

dan untuk kelurahan Tinjomoyo yaitu ˆV = [−4.835065,−2.821396,−0.000004,

−0.000047,0.000376,−0.746907,−0.018490]T

. Sarana kesehatan memiliki pengaruh yang paling besar terhadap peluang banyaknya penderita DBD di kedua kelurahan tersebut. Berdasarkan banyaknya penderita DBD, dapat ditentukan kategori IR DBD pada kedua kelurahan tersebut.

Kata kunci : estimasi parameter, RLOTG, Fisher scoring.

1.

Pendahuluan

Dalam model-model nondeterministik, untuk mengetahui hubungan antara

dua atau lebih variabel digunakan model regresi. Variabel tersebut adalah

varia-bel prediktor dan variavaria-bel respon. Variavaria-bel respon dapat bertipe kuantitatif atau

kualitatif. Kualitatif atau yang disebut kategorik merupakan hasil pengukuran

dari suatu variabel yang berupa dua atau lebih kemungkinan nilai (kategori).

Ji-ka hanya terdapat dua Ji-kategori variabel respon, maJi-ka variabel respon tersebut

bersifat biner atau dikotomus dan yang memiliki lebih dari dua kategori, maka

variabel respon tersebut bersifat polikotomus (McCullagh dan Nelder [5]).

commit to user

Model regresi yang merepresentasikan hubungan antara variabel respon

de-ngan variabel prediktor yang mempertimbangkan lokasi geografis adalah model

regresi terboboti geografis (RTG). Model regresi logistik telah dikembangkan

un-tuk merepresentasikan hubungan antara variabel respon dengan variabel

predik-tor yang mempertimbangkan lokasi geografis dimana data diamati. Menurut

Atkinson

et al.

[2], model yang dimaksud adalah regresi logistik terboboti

geo-grafis (RLTG). Model RLTG ini dapat dikembangkan untuk variabel respon yang

memiliki skala ordinal oleh Purhadi

et al.

[6], yaitu model regresi logistik

ordi-nal terboboti geografis (RLOTG). Model RLOTG merupakan gabungan model

regresi logistik ordinal dan model RTG.

Pada model RLOTG terdapat variabel respon, variabel prediktor, dan

pa-rameter. Variabel respon dan variabel prediktor dapat diketahui berdasarkan

sampel, sedangkan parameternya tidak dapat diketahui sehingga diperlukan

es-timasi parameter berdasarkan sampel tersebut. Menurut Hosmer dan Lemeshow

[3], metode yang dapat digunakan untuk menentukan estimasi parameter

mo-del RLOTG adalah maksimum

likelihood

. Estimasi parameter dengan metode

tersebut ditemui kendala yaitu suatu sistem persamaan nonlinear yang sulit

di-tentukan penyelesaiannya. Oleh karena itu penyelesaiannya didi-tentukan secara

numerik.

Metode Fisher

scoring

merupakan metode numerik yang menggunakan

vek-tor

score

dan matriks informasi Fisher. Pada tahun 2004, Schworer dan Hovey

[7] membandingkan keunggulan pada dua metode numerik yaitu metode

Newton-Raphson dan Fisher

scoring

dalam perhitungan estimasi maksimum

likelihood

.

Pada penelitian tersebut ditunjukkan bahwa metode Fisher

scoring

lebih baik

daripada metode Newton-Raphson karena metode Fisher

scoring

tetap

konver-gen ketika metode Newton-Raphson tidak konverkonver-gen. Hal itu dikarenakan metode

Fisher

scoring

menggunakan nilai harapan pada setiap iterasi. Pada tahun 2013,

Marius dan Anaene [4] menerapkan estimasi parameter dengan metode Fisher

sco-ring

pada model regresi logistik biner. Keunggulan menggunakan metode Fisher

commit to user

2.

Metode Penelitian

Penelitian ini merupakan kajian teori dengan mempelajari metode Fisher

scoring

yang dipergunakan untuk mengestimasi parameter model RLOTG.

Me-tode tersebut kemudian diterapkan pada data tingkat kerawanan DBD di Kota

Semarang. Data yang dipergunakan diperoleh dari Badan Pusat Statistik (BPS)

dan Dinas Kesehatan Kota Semarang.

Langkah-langkah untuk mencapai tujuan penelitian adalah menentukan

fungsi

likelihood

dari fungsi densitas peluang bersama dan membentuk fungsi

ln-

likelihood

nya. Setelah diperoleh fungsi ln-

likelihood

, ditentukan penyelesaian

yang memaksimumkannya. Pada tahapan tersebut ditemui kendala yaitu sistem

persamaan nonlinear yang sulit ditentukan penyelesaiannya sehingga ditentukan

secara numerik dengan metode Fisher

scoring

. Kemudian hasil estimasi

parame-ternya diterapkan pada data tingkat kerawanan DBD di Kota Semarang dengan

langkah, mengategorikan penderita DBD. Menurut Kementerian Kesehatan

(Ke-menkes), kategori penderita DBD berdasarkan

incidence rate

(IR) yaitu ringan,

sedang, dan berat, kemudian menentukan titik koordinat setiap kelurahan di

Ko-ta Semarang, menentukan jarak anKo-tar kelurahan, menentukan pembobot setiap

kelurahan, dan menentukan estimasi parameter. Pada tahapan tersebut diperoleh

nilai estimasi parameter dan diperoleh model RLOTG.

3.

Hasil dan Pembahasan

3.1.

Model RLOTG.

Model RLOTG adalah model yang merepresentasikan

hubungan antara variabel respon berskala ordinal dengan variabel prediktor yang

masing-masing parameter bergantung pada lokasi (

u

i

, v

i

). Menurut Purhadi

et.

al

[6], model RLOTG dengan variabel respon

K

kategori dinyatakan sebagai

Logit

(

P

(

Y

i

≤

s

|

x

i

)) =

α

s

(

u

i

, v

i

) +

x

T_i

β

(

u

i

, v

i

)

(3.1)

dengan

s

=1,2,. . . ,

K

-1 dan

i

=1,2,. . . ,n. Parameter

α

s

(

u

i

, v

i

) merupakan intersep,

β

(

u

i

, v

i

) = [

β

1

(

u

i

, v

i

)

, β

2

(

u

i

, v

i

)

, . . . , β

p

(

u

i

, v

i

)]

T

merupakan vektor koefisien

regre-si untuk lokaregre-si ke-

i

,

x

T

i

= [

x

i1

, x

i2

, . . . , x

ip

] adalah vektor variabel prediktor untuk

lokasi ke-

i

dengan

p

adalah banyaknya variabel prediktor, dan (

u

i

, v

i

) adalah titik

koordinat (

latitude, longitude

) untuk lokasi ke-

i

.

3.2.

Estimasi Parameter.

Pada penelitian ini, diperhatikan sampel

pengamat-an (variabel respon)

Y

₁

, Y

₂

, . . . , Y

n

yang memiliki

K

kategori dan memiliki

pelu-ang kategori terhadap

x

adalah

P

k

(

x

) dengan

k

= 1

,

2

, . . . , K

,

∑

K_k=1

P

k

(

x

) = 1.

Karena variabel respon memiliki

K

kategori (berdistribusi multinomial), fungsi

commit to user

f

(

Y

k

=

y

k

) =

P

k

(

x

)

yk

k

= 1

,

2

, . . . , K

sehingga diperoleh fungsi

likelihood n

sampel pengamatan yaitu

L

(

u

i

, v

i

) =

n

∏

i=1

f

(

y

i1)

f

(

y

i2)

. . . f

(

y

iK

)

=

n

∏

i=1

(

P

₁

(

x

i

)

yi1

P

2(

x

i

)

yi2

. . . P

K

(

x

i

)

yiK

)

=

n

∏

i=1

((

exp(

α

₁

(

u

_i

, v

_i

) +

x

T

i

β

(

u

i

, v

i

))

1 + exp(

α

₁

(

u

i

, v

i

) +

x

T_i

β

(

u

i

, v

i

))

)

yi1

(

exp(

α

2(

u

_i

, v

_i

) +

x

T

i

β

(

u

i

, v

i

))

1 + exp(

α

2(

u

i

, v

i

) +

x

T_i

β

(

u

i

, v

i

))

−

exp(

α

1(

u

i

, v

i

) +

x

T_i

β

(

u

i

, v

i

))

1 + exp(

α

1(

u

i

, v

i

) +

x

T_i

β

(

u

i

, v

i

))

)

yi2

· · ·

(

1

−

exp(

α

K−1(

u

i

, v

i

) +

x

T

i

β

(

u

i

, v

i

))

1 + exp(

α

K−1

(

u

i

, v

i

) +

x

T_i

β

(

u

i

, v

i

))

)

yiK

)

.

Fungsi

likelihood

merupakan fungsi eksponensial sehingga untuk

memudah-kan perhitungan, fungsi

likelihood

diubah ke dalam fungsi ln

−

likelihood

.

Pa-da analisis spasial, untuk mengetahui kedekatan antara lokasi satu dengan yang

lain diperlukan suatu pembobot sehingga pembobot diberikan pada bentuk

ln-likelihood

. Jika pembobot untuk setiap lokasi (

u

i

, v

i

) adalah

w

ij

(

u

i

, v

i

), maka

fungsi ln-

likelihood

terboboti dinyatakan sebagai

ln

L

(

u

i

, v

i

) =

n

∑

i=1

(

y

i1

ln

(

exp(

α

₁

(

u

_i

, v

_i

) +

x

T

i

β

(

u

i

, v

i

))

1 + exp(

α

1(

u

i

, v

i

) +

x

T_i

β

(

u

i

, v

i

))

)

+

(

y

i2

ln

exp(

α

2(

u

i

, v

i

) +

x

T_i

β

(

u

i

, v

i

))

1 + exp(

α

₂

(

u

i

, v

i

) +

x

T_i

β

(

u

i

, v

i

))

−

exp(

α

1(

u

i

, v

i

) +

x

T_i

β

(

u

i

, v

i

))

1 + exp(

α

1(

u

i

, v

i

) +

x

T_i

β

(

u

i

, v

i

))

)

+

. . .

+

y

iK

ln

(

1

−

exp(

α

K−1

(

u

i

, v

i

) +

x

T

i

β

(

u

i

, v

i

))

1 + exp(

α

K−1(

u

i

, v

i

) +

x

T_i

β

(

u

i

, v

i

))

))

w

ij

(

u

i

, v

i

)

.

Pembobot

w

ij

(

u

i

, v

i

) adalah pembobot kernel

fixed Gaussian

yang

dinya-takan sebagai

w

ij

(

u

i

, v

i

) = exp

(

−

1

2

(

d

_ij

h

)

2

)

dengan

d

ij

=

√

(

u

i

−

u

j

)

2

+ (

v

i

−

v

j

)

2

adalah jarak antara lokasi (

u

i

, v

i

) dan

lo-kasi (

u

j

, v

j

), dan

h

adalah

bandwidth

(ukuran kebertetanggaan).

Untuk memperoleh nilai parameter yang memaksimumkan fungsi ln-

likelihood

commit to user

∂

ln

L

(

u

i

, v

i

)

∂α

₁

(

u

i

, v

i

)

=

n

∑

i=1

(

y

i1

1

1 +

e

₁

−

y

i2

(

e

1(1 +

e

2)

(1 +

e

₁

)(

e

₂

−

e

₁

)

))

w

ij

(

u

i

, v

i

)

∂

ln

L

(

u

i

, v

i

)

∂α

₂

(

u

i

, v

i

)

=

n

∑

i=1

(

y

i2

(

e

2(1 +

e

₁

)

(1 +

e

₂

)(

e

₂

−

e

₁

)

))

w

ij

(

u

i

, v

i

)

...

(3.2)

∂

ln

L

(

u

i

, v

i

)

∂α

K−1

(

u

i

, v

i

)

=

n

∑

i=1

(

y

iK

(

e

_K−1

1 +

e

K−1

))

w

ij

(

u

i

, v

i

)

∂

ln

L

(

u

i

, v

i

)

∂

β

(

u

i

, v

i

)

=

n

∑

i=1

(

y

i1

(

x

T

i

1 +

e

₁

)

−

y

i2

(

x

T

i

(

u

i

, v

i

)(

−

1 +

e

1

e

2)

(1 +

e

₁

)(1 +

e

₂

)

)

−

y

iK

(

x

T

i

(

e

K−1

)

1 +

e

K−1

))

w

ij

(

u

i

, v

i

)

dengan

e

1

= exp(

α

1(

u

i

, v

i

) +

x

T_i

β

(

u

i

, v

i

)),

e

2

= exp(

α

2(

u

i

, v

i

) +

x

T_i

β

(

u

i

, v

i

)), dan

e

K−1

= exp(

α

K−1(

u

i

, v

i

) +

x

T_i

β

(

u

i

, v

i

)).

Selain itu ditentukan turunan kedua fungsi ln-

likelihood

terhadap

masing-masing parameter yang bernilai negatif sehingga penyelesaian yang diperoleh

su-dah maksimum.

Nilai parameter model RLOTG dapat ditentukan dari penyelesaian sistem

(3.2). Sistem (3.2) merupakan sistem persamaan nonlinear. Penyelesaian eksak

sistem (3.2) sulit ditentukan sehingga ditentukan secara numerik dengan metode

Fisher

scoring

.

Metode Fisher

scoring

membutuhkan vektor

score

dan matriks informasi

Fisher. Vektor

score

merupakan vektor yang elemennya turunan pertama fungsi

ln-

likelihood

terhadap masing-masing parameter yaitu

S

=





























∑

n i=1

(

y

i1₁₊1_e1

−

y

i2

(

_e

1(1+e2)

(1+e1)(e2−e1)

))

w

ij

(

u

i

, v

i

)

∑

n

i=1

(

y

i2

(

e2(1+e1)

(1+e2)(e2−e1)

))

w

ij

(

u

i

, v

i

)

...

∑

n i=1

(

y

iK

(

_e K−1

1+eK−1

))

w

ij

(

u

i

, v

i

)

∑

n

i=1

(

y

i1

(

_xT

i

1+e1

)

−

y

i2

(

_xT

i(ui,vi)(−1+e1e2)

(1+e1)(1+e2)

)

−

y

iK

(

_xT

i(eK−1)

1+eK₋1

))

w

ij

(

u

i

, v

i

)





























.

commit to user

Inf

=















E

(

∂_∂α2lnL2 (ui,vi)

1(ui,vi)

)

E

(

∂2lnL(ui,vi)

∂α1(ui,vi)α2(ui,vi)

)

· · ·

E

(

∂2lnL(ui,vi)

∂α1(ui,vi)∂β(ui,vi)

)

E

(

_∂α2∂₍2_ui,vilnL(_)αui,vi_1(ui,vi) ₎

)

E

(

∂_∂α2lnL2 (ui,vi)

2(ui,vi)

)

· · ·

E

(

_∂α2∂_(ui,vi2lnL₎(_∂ui,vi_β(ui,vi) ₎

)

...

...

. ..

...

E

(

∂2lnL(ui,vi)

∂β(ui,vi)∂α1(ui,vi)

)

E

(

∂2_lnL(u

i,vi)

∂β(ui,vi)∂α2(ui,vi)

)

· · ·

E

(

∂2_lnL(u

i,vi) ∂β2(ui,vi)

)















.

Berikut adalah algoritme Fisher

scoring

.

(1) Menentukan nilai awal (

m

=0) vektor parameter

V

₀

yang diperoleh dari

nilai estimasi parameter model regresi logistik ordinal.

(2) Menghitung nilai parameter

V

m+1

=

V

(m)

+

Inf

₍−m1)

S

(m)

dengan

m

=

0

,

1

,

2

, . . . .

(3) Menghitung norm

V

₍m+1)

−

V

(m)

=

∥

V

(m+1)

−

V

(m)

∥

dengan

∥V(m+1)−V(m)∥ =

√

(α1(m+1)(ui, vi)−α1(m)(ui, vi))2+· · ·+ (βp(m+1)(ui, vi)−βp(m)(ui, vi))2.

∥

V

(m+1)

−

V

(m)

∥

digunakan untuk menghentikan iterasi dengan kriteria

∥

V

(m+1)

−

V

(m)

∥

<

toleransi eror. Jika kriteria dipenuhi, maka proses

iterasi berhenti dan nilai estimasi parameternya adalah ˆ

V

=

V

(m+1).

Sebaliknya, jika

∥

V

(m+1)

−

V

(m)

∥

>

toleransi eror, maka proses iterasi

diulang ke langkah (2) sampai dengan (3).

Setelah nilai estimasi parameter diperoleh, model RLOTG-nya dinyatakan

seba-gai

Logit

(

P

(

Y

i

≤

s

|

x

i

)) = ˆ

α

s

(

u

i

, v

i

) +

x

T_i

β

ˆ

(

u

i

, v

i

)

.

3.3.

Penerapan.

Pada penerapan ini data yang digunakan adalah data

ting-kat kerawanan DBD di Kota Semarang pada tahun 2014. Tingting-kat kerawanan

DBD tersebut terdiri atas tiga kategori (

K

=3) berdasarkan IR, yaitu ringan,

sedang, dan berat yang digunakan sebagai variabel respon dan variabel

predik-tornya adalah kepadatan penduduk (

X

₁

), banyak penduduk kelompok umur 0-14

tahun (

X

2), banyaknya rumah semi permanen (

X

3), adanya sarana kesehatan

(

X

4), dan angka bebas jentik nyamuk (

X

5), sehingga

p

=5. Jadi terdapat tujuh

parameter model, yaitu

V

= [

α

1(

u

i

, v

i

)

, α

2(

u

i

, v

i

)

, β

1(

u

i

, v

i

)

, β

2(

u

i

, v

i

)

, β

3(

u

i

, v

i

)

,

β

4(

u

i

, v

i

)

, β

5(

u

i

, v

i

)].

commit to user

α

₁

=

−

4

.

843250,

α

₂

=

−

2

.

804115,

β

₁

= 2

.

623848

×

10

−6

,

β

2

=

−

4

.

601760

×

10

−5

,

β

₃

= 3

.

561353

×

10

−4

,

β

4

=

−

7

.

387467

×

10

−1

,

β

5

=

−

1

.

737042

×

10

−2

sehingga

diperoleh

S

0

= [

−

0

.

1517446

,

1

.

1334551

, . . . ,

−

74

.

6099972]

T

dan

Inf

₀

=













−

6

.

034837

−

8

.

043147

×

10

−1

· · ·

9

.

195739

×

10

−3

−

8

.

043147

×

10

−1

8

.

136414

×

10

−1

· · ·

−

9

.

318322

×

10

−3

...

...

. ..

...

9

.

195739

×

10

−3

−

9

.

318322

×

10

−3

· · ·

−

6

.

150618

×

10

−4













.

[image:7.595.95.533.130.506.2]

Hasil estimasi parameter dengan toleransi eror 0.0001 diperoleh iterasi ke-15.

Hasil estimasi parameter untuk kelurahan Kuningan dan Tinjomoyo

ditun-jukkan pada Tabel 1.

Tabel 1. Hasil estimasi parameter model RLOTG

Kel

α

ˆ

1(

u

i

, v

i

)

α

ˆ

2(

u

i

, v

i

)

β

ˆ

1(

u

i

, v

i

)

β

ˆ

2(

u

i

, v

i

)

β

ˆ

3

(

u

i

, v

i

)

β

ˆ

4(

u

i

, v

i

)

β

ˆ

5(

u

i

, v

i

)

Ku -4.704688 -2.829467 0.000042

-0.000048 0.000533 -0.638496 -0.017453

Ti

-4.835065 -2.821396 -0.000004 -0.000047 0.000376 -0.746907 -0.018490

Berdasarkan Tabel 1 diperoleh model RLOTG berikut.

(1) Model RLOTG pada data DBD untuk kelurahan Kuningan yaitu

Logit

(

P

(

Y

1

≤

1

|

x

i

)) =

−

4

.

704688 + 0

.

000042

x

i1

−

0

.

000048

x

i2

+ 0

.

000533

x

i3

−

0

.

638496

x

i4

−

0

.

017453

x

i5

Logit

(

P

(

Y

₁

≤

2

|

x

i

)) =

−

2

.

829467 + 0

.

000042

x

i1

−

0

.

000048

x

i2

+ 0

.

000533

x

i3

−

0

.

638496

x

i4

−

0

.

017453

x

i5

.

(2) Model RLOTG pada data DBD untuk kelurahan Tinjomoyo yaitu

Logit

(

P

(

Y

₂

≤

1

|

x

i

)) =

−

4

.

835065

−

0

.

000004

x

i1

−

0

.

000047

x

i2

+ 0

.

000376

x

i3

−

0

.

746907

x

i4

−

0

.

018490

x

i5

Logit

(

P

(

Y

2

≤

2

|

x

i

)) =

−

2

.

821396

−

0

.

000004

x

i1

−

0

.

000047

x

i2

+ 0

.

000376

x

i3

−

0

.

746907

x

i4

−

0

.

018490

x

i5

.

commit to user

Untuk kelurahan Tinjomoyo, jika setiap bertambahnya satu unit rumah semi

permanen (

X

3), maka peluang banyaknya penderita DBD mengalami kenaikan

sebesar 0.0376% sehingga kelurahan tersebut masuk dalam kategori IR DBD

sedang atau berat. Jika setiap bertambahnya satu orang penduduk (

X

1), satu

orang penduduk umur 0-14 tahun (

X

₂

), satu unit sarana kesehatan (

X

₄

), dan

1 % angka bebas jentik nyamuk (

X

₅

), maka peluang banyaknya penderita DBD

mengalami penurunan sebesar 0.0004%, 0.0047%, 74.6907%, dan 1.849% sehingga

kelurahan tersebut masuk dalam kategori IR DBD ringan atau sedang.

4.

Kesimpulan

(1) Hasil estimasi parameter model RLOTG dengan metode Fisher

scoring

adalah ˆ

V

=

V

(m+1)

dengan

V

(m+1)

=

V

(m)

+

Inf

−₍m1)

S

(m)

dan diberikan

nilai awal yang diperoleh dari nilai estimasi parameter model regresi

logis-tik ordinal sehingga model RLOTG-nya dinyatakan sebagai

Logit

(

P

(

Y

i

≤

s

|

x

i

)) = ˆ

α

s

(

u

i

, v

i

) +

x

_iT

β

ˆ

(

u

i

, v

i

) dengan

s

= 1

,

2

, . . . , K

−

1.

(2) Pada data tingkat kerawanan DBD di Kota Semarang, diperoleh hasil

esti-masi parameter untuk kelurahan Kuningan yaitu ˆ

V

= [

−

4

.

704688

,

−

2

.

829

467

,

0

.

000042

,

−

0

.

000048

,

0

.

000533

,

−

0

.

638496

,

−

0

.

017453]

T

dan untuk

ke-lurahan Tinjomoyo yaitu ˆ

V

= [

−

4

.

835065

,

−

2

.

821396

,

−

0

.

000004

,

−

0

.

0000

47

,

0

.

000376

,

−

0

.

746907

,

−

0

.

018490]

T

. Sarana kesehatan memiliki

penga-ruh yang paling besar terhadap peluang banyaknya penderita DBD di

kedua kelurahan tersebut. Berdasarkan banyaknya penderita DBD,

da-pat ditentukan kategori IR DBD pada kedua kelurahan tersebut.

DAFTAR PUSTAKA

[1] Agresti, A.,Categorical Data Analysis, John Wiley and Sons, Inc., New York, 2002. [2] Atkinson, P. M., S. E. German, D. A. Sear, and M. J. Clark, Exploring the Relations

Between Riverbank Erison and Geomorphological Control Using Geographically Weighted Logistic Regression, Ohio: Ohio State University35_{(2003), 58-82.}

[3] Hosmer, D. W. and S. Lemeshow, Applied Logistic Regression, John Wiley and Sons, Inc., USA, 2000.

[4] Marius, O. U. and O. I. C. Anaene,Estimating the Fisher’s Scoring Matrix Formula from Logistic Model, American Journal of Theoretical and Applied Statistics2_{(2013), 221-227.}

[5] McCullagh, P. and J. A. Nelder,Generalized Linear Models, second ed., Chapman and Hall, 1983.

[6] Purhadi, M. Rifada, and P. Wulandari,Geographically Weighted Ordinal Logistic Regression Model, International Journal of Mathematics and Computation16_{(2012), 116-216.}