Perbandingan Geographically Weighted Poisson
Regression, Geographically Weighted Poisson
Regression Semiparametric
(Studi Kasus : Kematian DBD di Jawa Timur)
Oleh:
Rendra Erdkhadifa
1308 100 029
Seminar Hasil Tugas Akhir Statistika ITS
Rabu, 12 Desember 2011
Pembimbing
Dr. Purhadi, M.Sc
OUTLINE
21. PENDAHULUAN
2. TINJAUAN PUSTAKA
3. METODOLOGI PENELITIAN
4. ANALISIS PEMBAHASAN
1. PENDAHULUAN
LATAR BELAKANG
4 INDEKS PEMBANGUNAN MANUSIAindeks
pendidikan
indeks harapan
hidup
kelayakan hidup
indeks
Kesehatan
Penyakit
Menular
Kronis
Tidak menular
Langka
5
LATAR BELAKANG
CONT’
Menular
DBD Kusta Malaria Influenza KLB JAWA TIMURPENELITIAN
DBD
Widiyanto (2004) Wongdo dkk (2008) Wati (2009)GWPR
GWPRS
R2deviansKematian
R
UMUSAN
M
ASALAH
6 Bagaimana Model Terbaik Untuk Geographically Weighted
Poisson Regression (GWPR), Dan Geographically Weighted Poisson Regression Semiparametric (GWPRS) Dengan R2 Devians Pada Kasus Jumlah Kematian DBD Di Provinsi Jawa
Timur Dan Variabel Yang mempengaruhi kematian DBD
T
UJUAN
P
ENELITIAN
Mengetahui Model Terbaik Antara Geographically Weighted Poisson Regression (GWPR), Dan Geographically Weighted
Poisson Regression Semiparametric (GWPRS) Dengan R2 Devians Pada Kasus Kematian DBD Di Provinsi Jawa Timur.
M
ANFAAT
P
ENELITIAN
7 Peneliti
B
ATASAN
M
ASALAH
Menggunakan data kematian DBD di Provinsi Jawa Timur pada tahun 2009 dengan pembobot fungsi kernel dimana pada analisis spasial penaksiran parameter disuatu lokasi
akan lebih dipengaruhi oleh titik-titik yang dekat dengan lokasi dari pada titik-titik yang lebih jauh
Masyarakat Pemerintah Memberikan wawasan kepada peneliti untuk memahami dan mengerti mengenai GWPR dan GWPRS berikut penerapannya. Memberikan informasi yang penting bagi masyarakat hal apa
saja guna mengurangi dan menanggulangi penyebab penyakit DBD. tinjauan dan masukan kepada pemerintah dalam kebijakan menggurangi dan menanggulangi penyebaran dan peningkatan penyakit DBD.
2. TINJAUAN PUSTAKA
9
Regresi Poisson
Menurut Myer (1990) fungsi peluang dari distribusi poisson dapat dinyatakan sebagai berikut. ! ) , ( y e y f
µ
= −µµ
y y= 0,1,2,… Penaksir Parameter Regresi PoissonLangkah awal mencari Fungsi ln-likelihood untuk regresi poisson kemudian diturunkan terhadap yang merupakan bentuk vektor, karena dalam hal ini memiliki beberapa parameter.
T
β
∑
∑
= = + − = ∂ ∂ n i i y L 1 exp( ) ( ln n 1 i i T i i T x x β) x β β Disamadengankan nolmetode Newton-Raphson
ITERASI10
Pengujian Parameter Regresi Poisson
Pengujian parameter model secara serentak dengan menggunakan Maximum Likelihood Ratio Test (MLRT)
:
0
H
β
1=
β
2=
β
3=
=
β
k=
0
:
1
H paling tidak ada salah satu
β
j ≠ 0 j=1,2,…,kStatistik Uji : D(
β
ˆ) = −2ln Λ )) ˆ ( ln ) ˆ ( (ln 2 L Ω − Lω
=Keputusan : Tolak H0 jika
D >
(
β
ˆ
)
χ
(2k;α)Pengujian parameter model secara parsial
:
0H
β
j=
0
; j=1,2,…,k:
1H
β
j≠
0
Statsitik Uji : ) ˆ ( ˆ j j se t β β =Keputusan : Tolak H0 jika )
2 ; 1 ( − − α
>
n k hitungt
t
11
Geographically Weighted Poisson
Regression (GWPR)
Menurut Nakaya et.al (2005) model GWPR menghasilkan penaksir parameter model yang bersifat lokal untuk setiap titik pengamatan dengan memperhatikan ui sebagai koordinat lintang dan vi sebagai
koordinat bujur.
Penaksir Parameter Model GWPR
Membentuk fungsi likelihood Membentuk fungsi ln likelihood
Membentuk fungsi ln likelihood berikut pembobot Menurunkan fungsi ln likelihood terhadap
β
T12
Pengujian Parameter Model GWPR
menguji kesamaan antara model GWPR dengan model poisson
Dimana : B A hit df del B Devians Mo df del A Devians Mo F =
Keputusan : Tolak H0 jika artinya bahwa ada perbedaan yang signifikan antara model poisson dengan model GWPRFhit F(α,dfA,dfB)
>
Model poisson Model GWPR
13
Uji serentak parameter model GWPR
;
Keputusan : Tolak H0 jika
D
( )
β
ˆ
>
χ
2α;k Uji parsial parameter model GWPR
Keputusan : Tolak H0 jika )
2 ; 1 ( − − α
>
n k hitungt
t
14
Geographically Weighted Poisson
Regression Semiparametric (GWPRS)
Menurut (Nakaya et al., 2005) model GWPRS adalah pengembangan dari metode GWPR untuk pendugaan parameter yag bersifat lokal. Pada model
ini variabel dependen y diduga dengan menggunakan varibel x dengan paramaeter yang disimbolkan dimana lokasi letak lintang dan
bujur juga diperhatikan dan koefisien regresi .(βj(ui,vi))
γ
p Membentuk fungsi likelihood
Penaksir Parameter Model GWPRS
Membentuk fungsi ln likelihood
Membentuk fungsi ln likelihood berikut pembobot
Menurunkan fungsi ln likelihood terhadap
β
*T(
u
i,
v
i)
danγ
Melakukaniterasi newton raphson
15
Pengujian Parameter Model GWPRS
uji kelayakan model GWPRS
B A hit df del B Devians Mo df del A Devians Mo F =
Keputusan : Tolak H0 jika Fhit > F(α,dfA,dfB)
Model poisson Model GWPRS
:
0H
(β
j(ui,vi),γ
p) = (β
j,γ
p)j
=
1
,
2
,
,
k
i
=
1
,
2
,
,
n
p
=
k
*+
1
,
k
*+
2
,
,
k
:
1H
paling tidak ada salah satuβ
j(ui,vi),γ
p yang berhubungan dengan lokasiStatistik Uji : dengan menggunakan nilai Devians Dimana
16
;Uji serentak parameter model GWPRS
Keputusan : Tolak H0 jika
D
( )
β
ˆ
>
χ
2α;k Uji parsial parameter model GWPRS
Statistik uji :
)
ˆ
),
,
(
ˆ
(
),
,
(
p i i j p i i jv
u
β
se
v
u
β
t
γ
γ
=
Keputusan : Tolak H0 jika )
2 ; 1 ( − − α
>
n k hitungt
t
17
Pembobot Optimum dan Bandwith
Bandwidth
OPTIMASI Cross Validation (CV)Generalized Cross Validation (GCV)
Pembobot
FUNGSI
KERNEL
Gauss Kernel Bisquare
Tricube Adaptive Bisquare Kernel
−
=
2exp
)
,
(
s
d
v
u
w
ij i i j( )
> ≤ − = s d s d s d v u w ij ij ij i i j , 0 , 1 , 2 2( )
> ≤ − = s d s d s d v u w ij ij i ij i i j , 0 , 1 , 3 3(
)
> ≤ − = s d s d s d v u w ij ij ij j j j , 0 , 1 , 2 218
Penentuan Kriteria Model Terbaik
Menurut (Cameron dan Windmeijer, 1995) menyusun perhitungan
menggunakan residual devians lebih baik dibandingkan
menggunakan residual Pearson. Jumlah kuadrat residual devians
untuk model yang sesuai.
2
R
{
}
{
(
ˆ
)
(
ˆ
)
}
)
ˆ
(
)
ˆ
(
1
0 1 2ω
ω
l
l
l
l
R
DEV−
Ω
−
Ω
−
=
MULTIKOLINEARITAS
19
Salah satu metode untuk mendeteksi
multikolinearitas dengan menggunakan VIF
2
1
1
jR
VIF
−
=
Dapat diselesaikan dengan mengeluarkan variabel prediktor yang tidak signifikan dan meregresikan kembali variabel prediktor yang signifikan.
Penyelesaian lain yang dapat dilakukan adalah dengan PCA (Principle Component Analyze) yaitu dengan mengelompokkan variabel yang berkorelasi tinggi kedalam variabel baru
20
DEMAM BERDARAH DENGUE
DBD
Penyebaran
Gejala
Pencegahan Pengobatan1. Aedes albopictus 2. Aedes scutellaris
3. Aedes aegypti
Derajat I
Derajat II
Derajat III
Derajat IV
Pencegahan tingkat dasar Pencegahan tingkat pertama Pencegahan tingkat kedua Pencegahan tingkat ketiga
21
22
SUMBER DATA
DATA
DATA SEKUNDER
DATA SUSENAS JAWA TIMUR 2009
TIAP KABUPATEN/KOTA DI PROVINSI JATIM
23
VARIABEL PENELITIAN
Jumlah Kematian DBD pada Tiap Kabupaten/Kota di
Provinsi Jawa Timur Tahun 2009
(Y)
• Jumlah sarana kesehatandi tiap
kabupaten/kota di Jawa Timur (X
1)• Jumlah tenaga medis di tiap kabupaten/kota
di Jawa Timur (X
2)
• Rata-rata usia perkawinan pertama tiap
kabupaten/ kota di Jawa Timur (X
3)
• Persentase daerah yang berstatus desa di tiap
24
VARIABEL PENELITIAN
CONT’
• Rata-rata lama pemberian ASI eksklusif di tiap kabupaten/kota
di Jawa Timur (X5)
• Persentase penduduk miskin di tiap kabupaten/kota di Jawa
Timur(X6)
• Tinggi rata-rata ibukota dari permukaan laut (Altitude of city)
tiap kabupaten/kota di Jawa Timur(X7)
• Rata-rata curah hujan di tiap kabupaten/kota di Jawa Timur
(X8)
• Jumlah keluarga berumah tak layak huni di tiap kabupaten/
kota di Jawa Timur (X9)
• Persentase jumlah penduduk wanita di tiap kabupaten/kota di
25
VARIABEL PENELITIAN
CONT’
• Rata-rata lama sekolah penduduk umur 15 tahun ke atas di
tiap kabupaten/kota di Jawa Timur (X11)
• Persentase penduduk yang mengalami keluhan
kesehatan yang melakukan pengobatan sendiri di tiap kabupaten/kota di Jawa Timur (X12)
• Angka bebas jentik di tiap kabupaten/kota di Jawa
26
METODOLOGI PENELITIAN
Menentukan ukuran
untuk model
GWPR, dan GWPRS
Mengidentifikasi dan menyelesaikan
kasus multiokolinearitas
Mendapatkan model terbaik GWPR
Mendapatkan model terbaik GWPRS
Membandingkan nilai
model GWPR
dan GWPRS.
DEV
R2
DEV
27
28
K
RITERIA
K
EBAIKAN
M
ODEL
M
ODELGWPR
2 DEVR
∏
==
n 1 i i(-β)
!
)
exp
(
i y iy
L
µ
µ
iBerikut ini adalah fungsi ln-likelihood
∏
= − = n i i y i i y L i 1 ! ) exp( ln ) ( ln β µ µ∑
∑
∑
= = = − + − = n i n i i i i n i i y y 1 1 1 ) ! ln( ) ln(µ µUkuran kebaikan Model Yang Digunakana adalah
R
DEV2b
a
R
2DEV= 1
−
a = l(Ωˆ )−l(ω
ˆ1) ( ˆ ) ( ˆ ) 0 ω l l b = Ω −29
M
ODELGWPR
CONT’
2 DEV
R
Berikut ini fungsi ln-likelihood untuk model 1 dengan parameter yang signifikan. Misal untuk metode GWPR parameter yang tidak signifikan adalah
(
β
2(
u
i,
v
i),
β
3(
u
i,
v
i)
)
+ + − =
∑
∑
= = n i ij k j j i i i i i i i v u v x u v x u l 1 4 1 1 0 1) exp ˆ ( , ) ˆ ( , ) ˆ ( , ) ˆ (ω β β β ) , ( ! ln ) , ( ˆ ) , ( ˆ ) , ( ˆ 4 1 1 0 i ij i i n i ij k j j i i i i i i i n i i v u w y x v u x v u v u y − + + +∑
∑
∑
= = = β β βBerikut ini fungsi ln-likelihood untuk model dengan parameter di bawah H0.
(
ˆ ( , ))
(
ˆ ( , ))
ln ! ( , ) exp ) ˆ ( 0 1 0 0 i ij i i n i i i n i i n i i i v u w y v u y v u l − + − =∑
∑
∑
= = = β β ω30
U
KURANR
DEV2GWPRS
∏
= = n 1 i i (-β) ! ) exp ( i y i y L µ µ i∑
∑
∑
= = = − + − = n i n i i i i n i i y y L 1 1 1 ) ! ln( ) ln( ) ( ln β µ µ(
ˆ ( , ) ˆ `)
(
ˆ ( , ) ˆ `)
ln ! ( , ) exp ) ˆ ( * ** 1 * * * i i ij i n i T i i n i i n i T i i v y u v y w u v u l − + − + + = Ω∑
∑
∑
= = = i i T * i i T * x γ x β x γ x βMisal untuk metode GWPRS parameter lokal yang tidak signifikan adalah
β
2(
u
i,
v
i)
dan parameter global yang tidak signifikan adalah
β
k*+1,
β
k
+
+
−
=
∑
∑
∑
= − + = = n i k k p p i k j j i i i i i iv
x
u
v
u
l
1 1 2 * * * * 3 * * 1 1 1)
exp
ˆ
(
,
)
ˆ
(
,
)
ˆ
ˆ
(
ω
β
β
x
γ
x
) , ( ! ln ˆ ) , ( ˆ ) , ( ˆ 1 2 * * * * 3 * * 1 1 i ij i i n i k k p p i k j j i i i i i i n i i v u w y v u x v u y − + + +∑
∑
∑
∑
= − + = = = x x γ β β31
U
KURANR
DEV2GWPRS
CONT’
Berikut ini fungsi ln-likelihood untuk model dengan parameter di bawah H0.
(
ˆ ( , ))
(
ˆ ( , ))
ln ! ( , ) exp ) ˆ ( 0 1 0 0 i ij i i n i i i n i i n i i i v u w y v u y v u l − + − =∑
∑
∑
= = = β β ωBerdasarkan penjabaran fungsi ln-likelihood untuk populasi, model 1 dengan parameter yang signifikan, dan model dengan parameter di bawah H0, maka dapat dibentuk 2
DEV
32
P
EMODELAN REGRESIP
OISSONBerdasarkan hasil analisis, didapatkan bahwa nilai devians sebesar 54,1529
2 ) 11 ; 05 . 0 (
χ
sebesar 19,675 ) ˆ (β
D ) ˆ (β
D 2 ) 11 ; 05 . 0 ( χlebih besar dari
Dibandingan dengan nilai Chi-Square
minimal terdapat salah satu parameter yang berpengaruh secara
33
P
EMODELAN REGRESIP
OISSONVariabel Z hitung Variabel Z hitung
Intercept 14,398* X7 2,2031* X1 2,404* X8 -0,8137 X2 -0,0986 X9 -1,3 X3 1,88 X10 1,09 X4 19,001 X12 -0,745 X5 -1,011 X13 -3,1476*Berikut adalah pengujian masing-masing parameter model
(
1
,
343
0
,
319
10
,
1795
70
,
2802
13)
exp
ˆ
=
+
X
+
X
−
X
µ
( )
ˆ
1
,
343
0
,
319
10
,
1795
70
,
2802
13ln
µ
=
+
X
+
X
−
X
34
M
ODELGWPR
Berikut hasil uji kesamaan poisson GWPR diperoleh hasil sebagai berikut
Model Devians df Devians/df F hitung
Global 54,153 26 2,083 1,333 GWPR 34,734 22,229 1,562 013 , 2 ) 22 ; 26 ; 05 . 0 ( = F
Sehingga dapat dikatakan bahwa dengan taraf signifikansi 5% maka tidak ada perbedaan antara model poisson dengan model GWPR
M
ODEL35
M
ODELGWPR
CONT’
Misalkan matrik pembobot untuk penaksiran parameter di Kabupaten Pacitan
[
(
,
)
(
,
)
(
,
)
]
)
,
(
u
iv
idiag
W
1u
1v
1W
2u
2v
2W
38u
38v
38W
=
[
1
0
,
6804
0
,
11064
]
diag
=
Berikut ini Variabel Signifikan pada Kabupaten/Kota di Jawa Timur
Kabupaten/Kota Variabel yang Signifikan
Pacitan, Ponorogo, Trenggalek, Tulungagung, Blitar, Kediri, Malang, Lumajang, Jember, Bondowoso,
Situbondo, Probolinggo, Pasuruan, Sidoarjo,
Mojokerto, Jombang, Sampang, Pamekasan, Kota Blitar, kota Kediri, Kota Malang, Kota Probolinggo, Kota Pasuruan, Kota Mojokerto, Kota Surabaya, Kota Batu
36
M
ODELGWPR
CONT’
Kabupaten/Kota Variabel yang Signifikan
Bangkalan, Gresik, Lamongan, Nganjuk, Madiun,
Magetan, Kota Madiun X1,X4,X13
Ngawi X1,X13
Banyuwangi X7,X12,X13
Bojonegoro, Tuban X1,X3,X4,X13
Sumenep X1,X4,X7,X12,X13
Variabel Signifikan pada Kabupaten/Kota di Jawa Timur (lanjutan)
37
M
ODELGWPRS
Berikut hasil uji kesamaan poisson GWPRS diperoleh hasil sebagai berikut
013 , 2 ) 22 ; 26 ; 05 . 0 ( = F
Sehingga dapat dikatakan bahwa dengan taraf signifikansi 5% maka tidak ada perbedaan antara model poisson dengan model GWPRS
M
ODELGWPRS
Adaptive
Bisquare
Model Devians Df Devians/df F hitung
Global 54,153 26 2,083 1,485
GWPRS 31,360 22,375 1,402
38
M
ODELGWPRS
CONT’
Berikut ini Variabel Signifikan pada Kabupaten/Kota di Jawa Timur
Berdasarkan hasil analisis didapatkan bahwa variabel parametric yang signifikan di semua titik adalah X1, X4, dan X7
Kabupaten/Kota Variabel Non-parametrik Signifikan Pacitan, Trenggalek, Tulungagung X13
Ponorogo, Sidoarjo, Tuban, Lamongan, Gresik, Bangkalan, Kota Pasuruan, Kota Surabaya
X3 Blitar, Kediri, Malang, Mojokerto,
Jombang, Nganjuk, Madiun, Magetan, Ngawi, Bojonegoro, Kota Kediri, Kota Malang, Kota Blitar, Kota Batu, Kora Madiun, Kota Mojokerto
39
M
ODELGWPRS
CONT’
Variabel Signifikan pada Kabupaten/Kota di Jawa Timur (lanjutan)
Kabupaten/Kota Variabel Non-parametrik Signifikan
Lumajang, Jember, Bondowoso, Situbondo, Probolinggo, Pasuruan, Sampang, Pamekasan, Sumenep
X12,X13
Banyuwangi X5,X12,X13
P
EMILIHANM
ODELGWPR,
DANGWPRS
40
Berdasarkan hasil analisis, kemudian dilakukan perbandingan antara model GWPR dan model GWPRS. Kriteria model terbaik dilihat dari nilai 2 yang paling besar nilainya
DEV
R
Model Devians GWPR 34,7343 0.7762 GWPRS 35,0559 0.806008 2 DEV R 2 DEVR
Hal ini mengartikan bahwa metode GWPRS tepat untuk menyelesaiakan kasus kematian DBD di Propinsi Jawa Timur tahun 2009. Di samping, dengan dasar metode yang digunakan, maka pendugaan variabel yang berpengaruh secara global maupun secara lokal tepat untuk penyelesaian kasus tersebut.
41
42
K
ESIMPULAN POISSONGWPR
jumlah sarana kesehatan, tinggi rata-rata ibukota dari permukaan laut (Altitude of city), angka bebas jentik
fungsi kernel Bisquare
jumlah sarana kesehatan, rata-rata usia perkawinan pertama, persentase daerah yang berstatus desa, tinggi rata-rata ibukota dari permukaan laut, persentase penduduk yang mengalami keluhan kesehatan yang melakukan pengobatan sendiri, dan angka bebas jentik
43
K
ESIMPULAN CONT’
GWPRS
fungsi kernel Adaptive Bisquare
jumlah sarana kesehatan, persentase daerah yang berstatus desa, dan tinggi rata-rata ibukota dari permukaan laut
rata-rata usia perkawinan pertama, rata-rata lama pemberian ASI eksklusif, persentase penduduk yang mengalami keluhan kesehatan yang melakukan pengobatan sendiri, dan angka bebas jentik Parametrik Non Parametrik
GWPR
GWPRS
Perbandingan 2 DEVR
GWPRS
44
S
ARANSARAN
Variabel penduga yang digunakan sebaiknya lebih berkenaan dengan DBD
kriteria kebaikan model lebih dari satu
obyek penelitian yang digunakan lebih kecil lagi seperti kecamatan, sehingga nantinya akan didapatkan hasil analisis yang lebih tepat lagi
45
DAFTAR PUSTAKA
Agresti, A. (2002), Categorical Data Analysis Second Edition, John Wiley & Sons, New York.
Amrullah , A. (2011). Kesehatan Masyarakat Demam Berdarah. http://www.kesmas.tk
/2010/11/ dbd-demam-berdarah- dengue.html [diakses tanggal, 10 September 2011, pukul 12:09]
Anneahira (2011). Jenis Penyakit. http://www.anneahira.com/penyakit.htm. [diakses
tanggal, 20 Agustus 2011, pukul 12:26]
Anonim (2011). Waspada Demam Berdarah atau DBD – Pengobatan
DBD.http://mataramnews.com/index.php?option=com_content&view=article&I d=2042:waspada-demam-berdarah ataudbd&catid=112&Itemid=468 &showall=& limitstart=3 [diakses tanggal, 10 September 2011, pukul 12:12]
Aradea (2011). Cara Pencegahan DBD Obat Alami Demam Berdarah
http://obat-alami. com / tag/cara-pencegahan-dbd [diakses tanggal, 20 Agustus 2011, pukul 17:11]
Assriyanti, .N, (2011). Perbandingan Analisis Regresi Poisson, Generalized Poisson
Regression, dan Geographically Weighted Poisson Regression (Studi Kasus : Pemodelan Jumlah Kasus A IDS di Jawa Timur Tahun 2008). Surabaya:
Program Sarjana, Institut Teknologi Sepuluh Nopember.
Aulele, S.N. (2010). Model Geographically Weighted Poisson Regression (Studi
Kasus Jumlah Kematian Bayi di Propinsi Jawa Timur dan Jawa Tengah Tahun 2007). Surabaya: Program Pasca Sarjana, Institut Teknologi Sepuluh Nopember.
Badan Pengawas Obat dan Makanan Republik Indonesia (2004). Pengobatan Sendiri.
46
DAFTAR PUSTAKA
CONT’
Badan Pusat Statistik (2006). Penyusunan Data Basis Indeks Pembangunan Manusia
(IPM) Provinsi Jawa Barat Tahun 2006. Bandung: Badan Pusat Statistik
Propinsi Jawa Barat
Badan Pusat Statistik Provinsi Jawa Timur. (2009). Kemiskinan Di Jawa Timur Maret
2009. Surabaya: Berita Resmi Statistik
Baharuddin, (2005). “Ukuran R2dalam Model Regresi Poisson”, Integral, vol. 10, no.3.
Biro Administrasi Pembangunan Provinsi Jawa Timur (2011). Renovasi Rumah Tidak
LayakHuni. http://pusatdata.jatimprov.go.id/eis/content.php?dept=497&p ost
=432. [diakses tanggal, 20 September 2011, pukul 20:13]
Cameron, A.C., and Windmeijer, F.A.G, (1995), “R2 Measures for Count Data Regression
Models with Applications to Healthcare Utilization”, Journal Business Economic Statistic, 14, pp.209–220.
Chasco, C., Garcia, I., & Vicens, J. (2007). Modeling Spastial Variations in Household
Disposible Income with Geographically Weighted Regression, Munich Personal
RePEc Arkhive (MPRA) Working Papper No. 1682.
Darnah. (2009). Pendekatan Ukuran R2 Devians pada Model Regresi Poisson (Aplikasi
pada Data Maternal Mortality di Jawa Timur). Surabaya: Program Pasca
Sarjana, Institut Teknologi Sepuluh Nopember.
Fotheringham, A.S., Brudson, C. dan Charlton, M. (2002). Geographically Weighted
Regression: the Analysis of spatially varying Relationship. Chichester: Wiley.
Hani, dkk. (2005). ASI Terbaik Untuk Bayi dan Ibu. http://asi.blogsome.com/2005/10
/25/asi-terbaik-untuk-bayi/ [diakses tanggal, 10 September 2011, pukul 12:27] Hocking, R. (1996). Methods and Application of Linier Models. John Wiley & Sons,
47
Listiani, Y. (2010). Pemodelan Regresi Generalized Poisson pada Faktor-Faktor yang
mempengaruhi Angka Kematian Bayi di Jawa Timur Tahun 2007. Surabaya:
Program Sarjana, Institut Teknologi Sepuluh Nopember.
McCullagh, P. dan Nelder, J.A. (1989). Generalized Linear Models Second Edition, London: Chapman & Hall.
Mei, C.L. (2005). Geographically Weighted Regression Technique for Spatial Data Analysis. School Of Science Xi’an Jiaotong University.
Mittlböck, M. and Waldhör, T., (2000). Adjustments for R2 Measures for Poisson Regression Models”, Computational Statistics and Data Analysis, 34, pp.461– 472.
Mittlböck, M., (2002). Calculating Adjusted R2 Measures for Poisson Regression Models.
Computational Statistics and Data Analysis, 68, pp.205–214.
Myers, R.H. (1990). Classical and Modern Regression with Applications, second edition. Boston: PWS-KENT Publishing Company.
Nakaya, T., Fotheringham, A.S. dan Brudson, C. Geographically weighted Poisson regression
for disease association mapping. Statistics in Medicine 2005; 24:2695-2717.
Prihantolo, A. (2009). Hubungan Curah Hujan Dengan Kejadian DBD.
http://anggitprihatnolo.students -blog.undip.ac.id/archives/14 [diakses tanggal,
10 September 2011, pukul 12:48]
Putri, I.S., (2010). Perancangan Web Based-Knowledge Management Untuk Mengontrol
Penyebaran Penyakit Tropis Dengan Memperhatikan Aspek Usability. Surabaya:
Undergraduate Theses Teknik Industri Institut Teknologi Sepuluh Nopember. Rani, .D.P, (2010). Pemodelan Jumlah Kematian Bayi di Propinsi Jawa Timur dengan
Pendekatan Geographically Weighted Poisson Regression Semiparametric.
Surabaya: Program Sarjana, Institut Teknologi Sepuluh Nopember.
48
DAFTAR PUSTAKA
CONT’
Waldhör, T., Haidinger, G. and Schober, E., (1998), Comparison of R2 measures for Poisson
regression by simulation. J. Epidemiol. Biostatist. 3, 209-215.
Walpole, Ronald E., (1982). Pengantar Statistika, ed.3. Jakarta: PT Gramedia Pustaka Utama
Wati, W.E. (2009). Beberapa Faktor yang Berhubungan Dengan Kejadian Demam Berdarah
Dengue (DBD) di Kelurahan Ploso Kecamatan Pacitan Tahun 2009. Surakarta:
Program Studi Kesehatan Masyarakat Fakultas Ilmu Kesehatan Universitas Muhammadiyah Surakarta
Widiyanto, T. (2007). Kajian Manajemen Lingkungan Terhadap Kejadian Demam Berdarah
Dengue (DBD) di Kota Purwokerto Jawa-Tengah. Semarang: Program Pasca
Sarjana, Universitas Diponegoro.
Wikipedia (2011). Indeks Pembangunan Manusia. http://id.wikipedia.org/wiki/Indeks_
Pembangunan _Manusia [diakses tanggal, 20 Agustus 2011, pukul 17:06]
Wikipedia (2011). Demam Berdarah. http://id.wikipedia.org/wiki/Demam_berdarah, [diakses
tanggal, 23 September 2011, pukul 14:51]
Wongso, A., dkk. (2008). Perbedaan Jumlah Penderita DBD Sebelum dan Sesudah Adanya
Kader Jumantik di Kecamatan Krian. Surabaya: Ilmu Kesehatan Masyarakat
Fakultas Kedokteran Universitas Wijaya Kusuma Surabaya
Yuswulandary, V. (2008). Karakteristik Penderita Demam Berdarah Dengue di Wilayah
Kerja Dinas Kesehatan Kota Lhokseumawe dan Kegiatan Pemberantasannya Tahun 2003-2007. Medan: Program Sarjana, Fakultas Kesehatan Masyarakat
49