Hasil Pencarian  ::  Simpan CSV :: Kembali

"Hepatitis merupakan peradangan hati akibat infeksi virus. Semua virus hepatitis dapat menyebabkan hepatitis akut. Penyakit hepatitis merupakan penyakit menular yang menjadi masalah kesehatan yang besar di masyarakat karena penularannya yang relatif mudah. DKI Jakarta merupakan provinsi di Indonesia dengan kasus hepatitis akut tertinggi. Oleh karena itu, perlu dilakukan upaya untuk mengurangi jumlah penderita hepatitis akut khususnya di DKI Jakarta. Beberapa faktor dianggap berkaitan erat dengan tingginya kasus hepatitis akut. Tujuan dari penelitian ini adalah untuk menemukan faktor-faktor yang secara signifikan dapat menjelaskan kasus penyakit hepatitis di DKI Jakarta agar dapat diambil tindakan untuk pencegahan munculnya kasus hepatitis akut di masyarakat. Data pada penelitian ini diperoleh dari dinas kesehatan DKI Jakarta tahun 2021. Pemodelan yang sesuai untuk jumlah penderita hepatitis akut adalah model regresi Poisson karena jumlah penderita hepatitis akut merupakan count data. Dalam mengatasi kasus overdispersi pada model regresi Poisson digunakan model regresi Generalized Poisson dan model regresi Binomial Negatif yang lebih sesuai sebagai alternatifnya. Pada penelitian ini, estimasi parameter model dilakukan dengan menggunakan metode Maximum Likelihood Estimation (MLE) yang dibantu dengan metode Newton Raphson. Berdasarkan nilai AIC dari pemodelan yang dilakukan, diperoleh bahwa model terbaiknya adalah model Generalized Poisson Regression. Hasil analisis menemukan 1 variabel yang secara signifikan menjelaskan jumlah penderita hepatitis akut di DKI Jakarta yaitu jumlah penderita diebetes.

---

Hepatitis is an inflammation of the liver due to a viral infection. All hepatitis viruses can cause acute hepatitis. Hepatitis is an infectious disease which is a major public health problem because of its relatively easy transmission. DKI Jakarta is the province in Indonesia with the highest cases of acute hepatitis. Therefore, it is necessary to make efforts to reduce the number of acute hepatitis sufferers, especially in DKI Jakarta. Several factors are considered to be closely related to the high incidence of acute hepatitis. The aim of this research is to find factors that can significantly explain cases of hepatitis in DKI Jakarta so that action can be taken to prevent the emergence of cases of acute hepatitis in the community. The data for this study were obtained from the DKI Jakarta health office in 2021. The appropriate modeling for the number of acute hepatitis sufferers is the Poisson regression model because the number of acute hepatitis sufferers is count data. In dealing with cases of overdispersion in the Poisson regression model, Generalized Poisson Regression model and Negative Binomial regression model is used which is more suitable as an alternative. In this study, model parameter estimation was carried out using the Maximum Likelihood Estimation (MLE) method assisted by the Newton Raphson method. Based on the AIC value of the modeling performed, it is found that the best model is the Generalized Poisson Regression model. The results of the analysis found 1 variable that significantly explained the number of acute hepatitis sufferers in DKI Jakarta, namely the number of diabetics."

"Untuk memodelkan data cacah atau count data, model regresi yang biasa digunakan adalah model regresi Poisson. Model regresi Poisson mengasumsikan mean pada variabel respon sama dengan variansinya atau dikenal dengan istilah equidispersion. Apabila regresi Poisson digunakan untuk kondisi selain equidispersion, yaitu overdispersion dan underdispersion, maka nilai standard error dari estimasi parameter model menjadi tidak konsisten. Salah satu alternatif model regresi untuk mengatasi overdispersion maupun underdispersion adalah model regresi double Poisson. Model regresi double Poisson mengasumsikan variabel respon berdistribusi double Poisson. Distribusi double Poisson diperoleh menggunakan definisi dari keluarga distribusi double eksponensial. Parameter pada model regresi double Poisson diestimasi menggunakan metode maksimum likelihood dan solusi dari persamaan log-likelihoodnya diselesaikan menggunakan metode numerik Newton-Raphson. Penerapan model regresi double Poisson pada data kepiting tapal kuda menunjukan bahwa hanya variabel weight yang berpengaruh signifikan terhadap banyak kepiting satelit yang berkerumun ke sarang kepiting tapal kuda betina. Selain itu, interpretasi dari model regresi double Poisson juga serupa dengan model regresi Poisson sebab keduanya menggunakan fungsi penghubung log.

---

To model count data, the most commonly used regression model is the Poisson regression model. The Poisson regression model assumes that the mean of the response variable is equal to the variance, also known as equidispersion. If Poisson regression is used for conditions other than equidispersion, namely overdispersion and underdispersion, then the standard error value of the estimated model parameters becomes inconsistent. One of the alternative regression models to overcome overdispersion and underdispersion is the double Poisson regression model. The double Poisson regression model assumes that the response variable has a double Poisson distribution. The double Poisson distribution is obtained using the definition of the double exponential distribution family. The parameters in the double Poisson regression model were estimated using the maximum likelihood method and the solutions of the log-likelihood equation were solved using the Newton-Raphson numerical method. The application of the double Poisson regression model to the horseshoe crab data shows that only the variable weight has a significant effect on the number of satellite crabs swarming to the nests of female horseshoe crabs. In addition, the interpretation of the double Poisson regression model is also similar to the Poisson regression model because both use a log link function."

"Analisis regresi digunakan untuk mengetahui hubungan antara satu variabel respon dan satu atau lebih variabel penjelas. Ketika variabel respon berupa data count yaitu data yang berupa bilangan bulat non-negatif, analisis regresi yang sering digunakan adalah analisis regresi Poisson. Pada regresi Poisson terdapat asumsi kesamaan nilai mean dengan nilai variansinya. Dalam data count sering didapati kondisi dimana nilai variansi lebih besar dari nilai meannya atau disebut overdispersi. Pada data yang overdispersi, regresi Poisson kurang tepat jika digunakan karena nilai standard error dari taksiran parameter yang dihasilkan akanunderestimate sehingga beresiko memberikan kesimpulan yang tidak tepat. Model regresi Poisson-Inverse Gaussian dapat digunakan pada data count yang overdispersi dan memiliki tail panjang. Penaksiran parameter model regresi Poisson-Inverse Gaussian menggunakan metode maksimum likelihood dan solusi dari fungsi log -likelihood-nya menggunakan pendekatan numerik yaitu Newton-Raphson. Uji kesesuaian model yang digunakan mencakup statistik pseudo R-Squared, uji rasio likelihood, dan Uji Wald.

---

Regression analysis is used to investigate the relationship between one response variable and one or more regressor variables. If the response variable is count data, that has non negative integer value, the regression analysis that usually used is Poisson Regression. Poisson regression has an assumption that mean of response variable equal to its variance. On count data frequently found that the variance is greater than mean, or called overdispersion. On overdispersion case, poisson regression is inconvenient to used because it may underestimate the standard error of regression parameters and consequently it risk to give misleading inference. Poisson Inverse Gaussian regression model can be used on overdispersion and long tail count data. Parameter estimation of Poisson Inverse Gaussian Regression Model can be obtained through the maximum likelihood method and the solution of log likelihood function may be solved by using numerical method called Newton Raphson. Goodness of fit testing of this model includes pseudo R Squared, rasio likelihood test, and Wald test."

"ABSTRAKSalah satu alternatif ukuran kekuatan prediksi yang dapat diterapkan pada model GLM dimana variabel responnya berdistribusi tidak hanya normal yaitu dengan menggunakan koefisien korelasi regresi regression correlation coefficient ndash; RCC . Koefisien korelasi regresi dibangun berdasarkan definisi koefisien korelasi dengan menggunakan model GLM. Sehingga RCC dapat didefinisikan sebagai nilai yang menyatakan kekuatan hubungan antara variabel respon dan ekspektasi bersyarat dari variabel respon. Koefisien korelasi regresi merupakan salah satu alternatif ukuran kekuatan prediksi yang dapat memenuhi sifat applicability, interpretability, consistency, dan affinity. Pada umumnya bentuk eksplisit dari RCC pada GLM sulit ditemukan. Namun, ketika RCC diterapkan pada model regresi Poisson dan variabel prediktor diasumsikan berdistribusi multivariat normal, maka akan ditemukan bentuk eksplisit. Bentuk eksplisit ini masih memuat parameter ndash; parameter dari model regresi Poisson yang tidak diketahui. Oleh karena itu, perlu dicari estimasi dari parameter - parameter tersebut sehingga diperoleh estimator dari RCC. Metode yang digunakan untuk mengestimasi parameter pada model regresi Poisson adalah metode maximum likelihood."

---

""ABSTRACT"The regression correlation coefficient RCC is one alternative measure of predictive power that can be applied to the GLM model in which the distribution of response variable is not only normal. The regression correlation coefficient is constructed based on the definition of correlation coefficient by using generalized linear model GLM . So, the RCC can be defined as a value that states the strength of the relationship between the response variable and the conditional expectation of the response variable. The regression correlation coefficient is one of predictable strength measure that can satiesfies the property like applicability, interpretability, consistency, and affinity. In general, the explicit form of RCC on GLM is difficult to find. However, when RCC is applied to the Poisson regression model and the predictor variable is assumed to be a normal multivariate distribution, an explicit form is found. This explicit form still contains the unknown parameters of the Poisson regression model. Therefore, we need to find an estimate of these parameters to obtain an estimator from the RCC. The method used to estimate the parameters in Poisson regression model is maximum likelihood method."