Pemodelan Geographically Weighted Bivariate Poisson Inverse Gaussian Regression pada Jumlah Kasus Kusta di Pulau Sulawesi

Generalized Linear Model (GLM) merupakan perluasan model regresi linier klasik untuk memodelkan data diskrit yang tidak berdistribusi normal, salah satunya regresi Poisson. Dalam regresi Poisson sering terjadi pelanggaran asumsi yaitu overdispersi yang dapat diatasi dengan model mixed Poisson seperti
regresi Poisson Inverse Gaussian (PIG). Sedangkan untuk sepasang data diskrit Poisson teroverdispersi dapat dimodelkan dengan regresi Bivariate Poisson Inverse Gaussian (BPIG). Selain itu, jika data menunjukkan adanya heterogenitas spasial maka dapat dimodelkan dengan Geographically Weighted Bivariate Poisson Inverse
Gaussian Regression (GWBPIGR). Salah satu data diskrit yang diasumsikan berdistribusi Poisson adalah jumlah kasus kusta yang diklasifikasikan oleh World Health Organization (WHO) menjadi dua tipe yaitu Paucibacillary (PB) dan Multibacillary (MB). Data jumlah kasus kusta di Pulau Sulawesi tahun 2021 mengalami peningkatan sebesar 8.32% dari tahun sebelumnya sehingga dianalisis menggunakan model GWBPIGR. Tujuan. Penelitian ini bertujuan untuk memperoleh estimasi parameter model GWBPIGR dan faktor-faktor yang memengaruhi jumlah kasus kusta di Pulau Sulawesi menggunakan model tersebut. Metode. Penelitian ini meliputi dua tahap yaitu mengestimasi parameter model GWBPIGR menggunakan metode maximum likelihood estimation (MLE) dengan algoritma Berndt-Hall-Hall-Hausman (BHHH) dan studi kasus model GWBPIGR pada data jumlah kasus kusta di Pulau Sulawesi. Hasil. Pemodelan GWBPIGR menggunakan pembobot adaptive bisquare kernel menghasilkan penduga parameter yang bersifat lokal dan berbeda-beda tiap kabupaten/kota. Pengujian signifikansi menghasilkan variabel signifikan yang berbeda-beda pula tiap kabupaten/kota. Kesimpulan. Faktor-faktor yang berpengaruh signifikan terhadap jumlah kasus kusta PB terbagi menjadi 3 kelompok sedangkan terhadap jumlah kasus kusta MB terbagi menjadi 2 kelompok.