Hasil Pencarian  ::  Simpan CSV :: Kembali

"Latar belakang: Indonesia merupakan salah satu negara tropis yang menjadi kawasan endemik penyakit tropis, salah satunya adalah penyakit filariasis (kaki gajah). Penyakit filariasis disebabkan oleh infeksi cacing filaria yang ditularkan oleh gigitan nyamuk. Data Riset Kesehatan Dasar (Riskesdas) 2007 menunjukkan bahwa persentase penderita filariasis di Provinsi Nangroe Aceh Darussalam (NAD) berada pada urutan pertama terbesar di Indonesia (6,4‰). Metode: Analisisdata sekunder yang berasal dari data Riskesdas tahun 2007. Unit analisis adalah individu yang tersampel di Provinsi NAD. Fokus riset pada hubungan antara penderita filariasis di Provinsi NAD dengan faktor yang mempengaruhinya. Metode yang digunakan adalah Regresi Poisson dan Zero Inlated Poisson (ZIP). Hasil: Peluang dari 10.000 RT yang dapat terkena penyakit filariasis adalah sebanyak 72 rumah tangga dan peluang dari 10.000 penduduk di provinsi NAD yang dapat terkena penyakit filariasis adalah sebanyak 25 penduduk. Individu yang tidur tidak menggunakan kelambu berisiko 1,60 terkenafilariasis dibandingkan yang tidur menggunakan kelambu. Sedangkan individu yang rumahnya tidak terdapat saluran limbah berisiko 3,47 menderita filariasis daripada yang memiliki saluran limbah. Kesimpulan: Variabel berpengaruh pada kejadian filariasis di NAD yaitu rata-rata jarak ke pelayanan kesehatan terdekat, rata-rata jarak ke sumber air dan persentase rumah tangga yang menggunakan kelambu berinsektisida saat tidur malam. Makin jauh jarak ke pelayanan dan jarak sumber air,akan meningkatkan kejadian filariasis. Sedangkan makin banyak yang menggunakan kelambu berinsektisida saat tidur malam, akan menurunkan kejadian filariasis. Saran: Perlu analisis lanjut model pemetaan (spasial) pelayanan kesehatan. Kabupaten yang perlu mendapat perhatian adalah, Aceh Timur, Aceh Utara, Nagan Raya dan Aceh Besar."

"Regresi Poisson merupakan generalized linear models (GLM) yang umum digunakan untuk memodelkan hubungan antara variabel respon berbentuk count data dengan satu atau lebih kovariat. Hanya saja, kerap dijumpai count data yang tidak memenuhi asumsi equidispersion sehingga tidak dapat dimodelkan dengan regresi Poisson. Salah satu penyebabnya adalah fenomena overdispersion yang teridentifikasi dengan banyaknya observasi yang bernilai nol (excess zeros) pada count data. Model regresi Zero-Inflated Poisson (ZIP) dapat digunakan untuk memodelkan count data yang mengalami overdispersion akibat excess zeros. Namun, pada beberapa kasus, count data dapat mengandung excess zeros dan excess ones dalam suatu periode waktu tertentu. Oleh karena itu, diperkenalkan solusi atas permasalahan tersebut menggunakan sebuah distribusi baru, yaitu distribusi Zero-and-One-Inflated Poisson (ZOIP), yang dibangun berdasarkan distribusi Bernoulli dan Poisson. Pada skripsi ini, dikonstruksi model regresi ZOIP untuk memodelkan count data yang mengandung excess zeros dan excess ones dalam suatu periode waktu tertentu. Parameter model regresi ZOIP tersebut diestimasi menggunakan metode maksimum likelihood dan algoritma Expectation Maximization (EM). Selanjutnya, diaplikasikan model regresi ZOIP dengan satu kovariat dan tanpa kovariat ke data klaim asuransi mobil. Berdasarkan nilai Akaike Information Criteria (AIC), didapatkan bahwa model regresi tanpa kovariat lebih cocok untuk memodelkan data klaim asuransi mobil yang dipakai.

---

Poisson regression is a generalized linear model (GLM) that is commonly used to model the relationship between response variables in the form of count data with one or more covariates. However, it is often found that count data does not meet the equidispersion assumption, so it cannot be modeled using Poisson regression. One of the causes is the phenomenon of overdispersion which is identified by the number of observations that are zero (excess zeros) in the count data. The Zero-Inflated Poisson (ZIP) regression model can be used to model count data that experiences overdispersion due to excess zeros. However, in some cases, count data may contain excess zeros and excess ones in a certain period of time. Therefore, a solution to this problem was introduced using a new distribution, namely the Zero-and-One-Inflated Poisson (ZOIP) distribution, which was built based on the Bernoulli and Poisson distribution. In this thesis, a ZOIP regression model is constructed to model count data containing excess zeros and excess ones in a certain period of time. The parameters of the ZOIP regression model are estimated using the maximum likelihood method and the Expectation Maximization (EM) algorithm. Furthermore, the ZOIP regression model with a covariate and without covariates were applied to the car insurance claim data. Based on the Akaike Information Criteria (AIC) value, it was found that the regression model without covariates is more suitable for modeling the car insurance claim data used."

"Regresi Poisson sering digunakan untuk menganalisis data diskrit count data. Regresi ini memiliki asumsi equidispersi. Namun, dalam banyak kasus sering dijumpai asumsi tersebut tidak terpenuhi karena adanya overdispersi pada data. Salah satu penyebab overdispersi adalah excess zero. Model regresi yang dapat digunakan untuk mengatasi masalah tersebut adalah regresi Zero-Inflated Poisson ZIP . Regresi ZIP menyelesaikan masalah excess zero dengan mengidentifikasi structural zeros di tahap pertama dan model Poisson counts di tahap kedua. Pada penelitian ini, parameter regresi ditaksir menggunakan metode Bayesian. Pada metode Bayesian, unsur ketidakpastian parameter dipertimbangkan model dalam bentuk distribusi prior. Dengan mengombinasikan distribusi prior dan likelihood, diperoleh distribusi posterior dari parameter yang menjadi perhatian dalam penelitian. Teknik komputasional Markov Chain Monte Carlo-Gibbs Sampling MCMC-GS digunakan untuk melakukan sampling nilai-nilai parameter dari distribusi posterior tersebut. Metode ini kemudian diterapkan untuk memodelkan frekuensi komplikasi motorik pada 215 penderita penyakit Parkinson. Diperoleh hasil bahwa total skor MDS-UPDRS Part 2 dan 3 berasosiasi dengan konsumsi atau tidaknya obat-obatan pada pasien. Lebih lanjut, untuk mereka yang mengonsumsi obat, total skor MDS-UPDRS Part 1 berasosiasi dengan frekuensi komplikasi motorik.

---

Poisson regression is commonly used for analizing count data. This method requires equidispersion assumption. However, in the case of overdispersion, this assumption is not always fulfilled. Overdispersion may exist when there is excess zeros in the data. One of the regression models which might solve it is Zero Inflated Poisson ZIP regression. ZIP regression solves the excess zero problem by identifying the structural zeros at the first stage, then Poisson counts model at the second stage. In this research, the regression parameters are estimated using Bayesian method. Bayesian method acomodates the uncertainty parameters through prior distribution. Combining the prior distribution and likelihood from the data results in the posterior distribution of the parameters of interest. True parameters are then sampled using Markov Chain Monte Carlo Gibbs Sampling MCMC GS. Therefore, this method is applied to model the frequency of motor complications in 215 Parkinson 39 s disease patients. The result shows that total score of MDS UPDRS Part 2 and 3 associated with those taking the medicines or not. Furthermore, for those taking the medicines, total score of MDS UPDRS Part 1 associated with motor complications frequency."

"Data biner merupakan tipe data yang memiliki tepat dua kemungkinan nilai, seperti sukses dan gagal atau ya dan tidak, yang lebih lanjut direpresentasikan dalam respon 0 dan 1. Data biner kerap dijumpai dalam kehidupan sehari-hari. Namun, tidak jarang pula ditemukan data biner yang mengalami zero-inflation. Fenomena zero-inflation ini merujuk kepada data dengan dua sumber nilai nol yang berbeda, yang dikenal dengan istilah structural zeros dan sampling zeros. Oleh karena itu, dikembangkanlah suatu model alternatif, yakni model regresi Zero-Inflated Bernoulli untuk memodelkan data biner yang mengalami zero-inflation. Dalam inferensi statistika, terdapat dua jenis pendekatan yang umumnya digunakan, yaitu pendekatan frekuentis dan pendekatan Bayesian. Pada tugas akhir ini, dikonstruksi suatu model regresi Zero-Inflated Bernoulli menggunakan pendekatan Bayesian. Pendekatan Bayesian digunakan karena dianggap lebih unggul dibandingkan pendekatan frekuentis. Dalam data yang mengalami zero inflation, pendekatan frekuentis tidak mampu membedakan structural zeros dan sampling zeros. Hasil konstruksi model yang terbentuk diberi nama model regresi Bayesian Zero-Inflated Bernoulli. Salah satu hal penting dalam pendekatan Bayesian adalah mendapatkan distribusi posterior. Namun, sering kali nilai parameter dari distribusi posterior sulit ditemukan secara analitik karena distribusi posteriornya memiliki formula terbuka. Oleh karena itu, dalam tugas akhir ini estimasi parameter sekaligus pembangunan sampel posterior dicari melalui teknik komputasional dengan algoritma No-U-Turn Sampler (NUTS). Selanjutnya, model regresi Bayesian Zero-Inflated Bernoulli diimplementasikan untuk masalah klasifikasi pada data sickness presenteeism. Dalam tugas akhir ini, dibangun dua buah model regresi Bayesian Zero-Inflated Bernoulli, yakni model tanpa kovariat dan model dengan kovariat. Dari model tanpa kovariat, diperoleh estimasi parameter distribusi variabel respon adalah p1 = 0.38 dan p2 = 0.75. Lebih lanjut, hasil estimasi probabilitas yang diperoleh mendekati nilai empirisnya. Pada model dengan kovariat, digunakan dua kovariat untuk dua bagian yang berbeda, yakni evaluasi kondisi kesehatan (gh) pada seluruh sampel dan kovariat frekuensi merasakan perasaan takut tergantikan apabila tidak masuk kerja (remplz) pada sampel at-risk, hasil estimasi parameter regresi akan menghasilkan persamaan regresi yang dapat digunakan memberikan prediksi klasifikasi variabel respon kondisi pekerja yang masuk kerja pada saat sedang sakit. Diperoleh, berturut-turut tingkat akurasi dari model dengan kovariat gh dan kovariat remplz adalah sebesar 72.44% dan 69.58%, tingkat sensitivitas sebesar 14.65 % dan 100.00%, serta tingkat specificity sebesar 94.35% dan 0.00%.

---

Binary data is type of data that have exact two outcomes, for instance, success and failure or yes and no, that usually represent in 0 and 1. Binary data can be easily find on daily basis. However, there is binary data that experienced with zero-inflation. Zero-inflation phenomenon is caused by two different sources of zeros, which is called structural zeros and sampling zeros. Therefore, Zero-Inflated Bernoulli regression model is constructed for modeling binary data that experienced zero-inflation. There are two statistical inferences that is commonly used, that is frequentist and Bayesian inference. This thesis constructed Zero-Inflated Bernoulli regression model with Bayesian inference. Bayesian inference is selected because it is more superior than frequentist inference on modeling binary data with two different source of zeros. Frequentist inference unable to distinguish the difference between structural zeros and sampling zeros. Constructed model is called Bayesian Zero-Inflated Bernoulli regression model. In Bayesian inference, it is important to get the predicted posterior distribution. However, in some cases, the analytic estimation of the posterior distribution is difficult to calculate because it has open formula. Therefore, posterior estimator is searched using computational techniques name No-U-Turn Sampler algorithm (NUTS). Furthermore, this regression model is implemented on classification problem sickness presenteeism data. In this thesis, we constructed two models, that is model without covariates dan model with covariates. From model without covariates, the parameter from response variable distribution can be estimated and we got ‘p1 = 0.38 dan p2 = 0.75. This results is closed to the empirical value. Then, from model with covariates, two covariates is considered on implementation for different parts, i.e. general state of health (gh) covariate for all sample and feeling for being replaced (remplz) covariate for at-risk sample. From the estimated regression parameters, the regression equation is able give classification predictions for attend work while sick as response variable (sp recod). The results are the model give 72.44% and 69.58% accuracy rate."

"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."

"Penyakit Kaki Gajah (filariasis) adalah penyakit menular menahun yang disebabkan oleh infeksi cacing filariasis. Penyakit ini ditularkan oleh berbagai jenis nyamuk dan bersifat menahun (kronis). Dari segi epidemiologi, penyakit ini memerlukan beberapa factor untuk terjadinya penularan, diantaranya adanya manusia sebagai hospes, nyamuk sebagai vector dan lingkungan yang mendukung kehidupan vector. Berdasarkan hasil survai cepat tahun 2000, Jawa barat menempati urutan pertama kasus kronis filariasis yaitu sebanyak I56 kasus dibanding kasus kronis pada Jawa Timur 142 kasus, Jawa Tengah 136 kasus dan DKI Jakarta 12 kasus serta DI Yogyakarta 7 kasus (Rapid Mapping,2000). Penderita kronis di Kabupaten Bekasi sampai dengan tahun 2003 terjadi peningkatan (50 kasus klinis). Mengacu kepada terminology spatial bahwa penyakit tidak mengenal Batas administrasi namun lebih mengenal kepada ekosistem serta mengacu kepada epidemiologi penyakit filariasis maka dilakukan penelitian spatial kejadian penyakit filariasis di Kabupaten Bekasi.Tujuan penelitian ini adalah untuk mengetahui gambaran dan identifikasi faktor-faktor geografi (fisik dan iklim) serta demografi terhadap kejadian penyakit filariasis, hal ini guna mendukung program eliminasi penyakit Kaki gajah di Indonesia khususnya di Kabupaten Bekasi. Desain penelitian merupakan studi ekologi exploratory dengan variabel penelitian adalah geografi (fisik: topografi, pola sµngai dan keberadaan situ, pengunaan lahan dan perubahannya, Iklim yaitu pola curah hujan), demografi (kepadatan dan persebaran penduduk) dengan sumber data agregat yang selanjutnya melalui pendekatan analisis spatial dilakukan overlay terhadap seluruh variabel independent dengan variabel dependent untuk mencari hubungan positif dan penentuan mode akhir prediksi daerah beresiko penyebaran filariasis. Hasil penelitian menunjukkan sampai dengan tahun 2003 wilayah endemis penyakit filariasis di Kabupaten Bekasi mencakup 13 Kecamatan pada 17 Puskesmas dengan penyebaran di 20 desa dengan 50 kasus dengan Mf rate (+) 155 kasus 1,3%. Penyebaran Mf rate (+) berkisar antara jarak 5-500 meter dari kasus klinis. Pola Spatial Geografi secara fisik dan iklim terhadap penyebaran kasus filariasis adalah: berada pada pola ketinggian kurang dari 25 mdpl, banyak berkumpul pada pola aliran sungai yang rapat dimana geomorfologinya Iebih dikenal dengan pembentukan sungai dewasa dengan kategori kerapatan sungai yang tinggi, dan banyak berada pada wilayah perdesaan dengan pengguriaan lahan basah (pertanian). Pola curah hujan kearah 1501-2000 mmltahun dan kurang dari 1500 mmltahun dengan jumlah hari hujan rata-rata tiap tahunnya <100 hari hujan. Pola spatial demografi, penyebaran filariasis lebih banyak pada area penduduk yang jarang dengan kategori 3 -- 33 jiwa/ha. Dengan kerapatan jalan yang rendah. Hasil Overlay keseluruhan variabel menghasilkan daerah beresiko tinggi penyebaran filariasis, Iebih mengarah kearah utara Kabupaten Bekasi. Adanya kecenderungan terhadap peningkatan kasus filariasis yang ditunjukkan dengan angka Mf rate (+) perlu diwaspadai akan penyebaran kasus selanjutnya. Untuk itu pentingnya sistim kewaspadaan dini terhadap intervensi lingkungan dan dengan kegiatan survailans aktif terhadap penemuan kasus klinis yang lainnya atau dengan teknik sosialisasi serta perlu adanya perhatian khusus terhadap variabel factor lingkungan fisik melalui pengamatan secara langsung atau membangun base line data dasar (GIS) terhadap variabel Geografi secara fisik.

---

Spatial Analysis of Filariasis Disease Occurrences in Bekasi Regency in the Year of 2003.Elephantiasis (filariasis) is a chronicle contagious disease caused by worm named filariasis. The disease is carried by various type of mosquito and it is a chronic-type disease. From the epidemiological view, there are some factors needed make it spread out, that is the existence of human as a host, mosquito as a carrier or vector, and friendly environment for the vector itself. Refer to research in 2000, West Java took the first place for filariasis cases that is 156 cases while in East Java 142 cases, Central Java 136 cases, DKI Jakarta 12 cases and in Yogyakarta 7 cases (Rapid Mapping, 2000).Until 2003, there is an increase of of filariasis case in Bekasi (50 clinical cases). According to spatial terminology, the disease does not know administration boundary rather than ecosystem. And refer to filariasis epidemiologist consideration, some experts tried to conduct spatial research about filariasis disease occurrences in Bekasi. The target of this research is to define and identify geographical (physical and climate) and demographical factors of filariasis disease, it means to support the elephantiasis elimination program in Indonesia especially in Bekasi.

The design of research represents ecological exploratory study using variables like geography (physical: topography, pattern of river and the existence of Lake, the use of land and it changes, the climate or rainfall pattern), demography (resident density and disseminating) using aggregate data source combined with spatial analysis approach, all independent variables are overlaid to the entire dependent variables to look for positive relationship and determine final mode of prediction about an area with high risk lilariasis spreading

The Result shows that up to year 2003 endemic region of lilariasis in l3ekasi include: 13 Sub-districts on 17 Puskesmas where the spreading is in 20 villages with 50 cases and Mt-rate is (Al 155 cases or 1.3%. Mf rate(A 1 spreading ranging from 5 lo 500 meters from clinical case. Geographical spatial patterns, physically and climate, toward the spreading is: lies between less than 25 mdpl of height. gathers in rapid stream river pattern which close where its geomorphology known as adult river forming with high density river category, which lies a lot in regions having wet farm (agriculture). Rainfall pattern about '501-2000 mmlvear and less than 1500 mm/year with daily rain rate in each year 100 rainy day.

Demographical spatial pattern, lilariasis' spreading is greater in an area that lack of people or 3-33 soul: Ha and low street density. The result of entire overlay of all variables yields a high-risk area of lilariasis spreading, tend to the Northern Bekasi Regency.

A tendency about the increase of lilariasis case showed by Mf rate (--) the next spreading need to concerned. Therefore, we need an awareness system about environmental intervention and an active surveillance activity to recognize other clinical case or by social technique and special attention about physical environmental variable factors through direct observation or base line data base (GIS) toward Geographical variable physically."