PEMODELAN GEOGRAPHICALLY WEIGHTED NEGATIVE BINOMIAL REGRESSION DAN MIXED GEOGRAPHICALLY WEIGHTED NEGATIVE BINOMIAL REGRESSION PADA JUMLAH KASUS TUBERKULOSIS DI SULAWESI SELATAN

A. AINUN NURFAJRIN S. Pemodelan Geographically Weighted Negative Binomial Regression dan Mixed Geographically Weighted Negative Binomial Regression pada Jumlah Kasus Tuberkulosis di Sulawesi Selatan (dibimbing oleh Nurtiti Sunusi dan Erna Tri Herdiani).
Tuberkulosis adalah suatu penyakit infeksi yang disebabkan bakteri yang dikenal Mycrobacterium Tuberculosis, dimana kasus ini merupakan masalah diberbagai wilayah, salah satunya di Provinsi Sulawesi Selatan yang mengalami masalah tuberkulosis dalam beberapa tahun terakhir. Data Tuberkulosis di Sulawesi Selatan merupakan data diskrit yang berheterogenitas spasial antar wilayah dan mengalami overdispersi dalam data, yang kemungkinan disebabkan oleh letak geografis setiap wilayah berbeda-beda. Masalah overdispersi dalam data dapat diatasi dengan menggunakan model Binomial Negatif. Namun model ini hanya bersifat global sedangkan pada kasus tuberkulosis memiliki karakteristik lokasi yang berbeda-beda. Oleh karena itu diperlukan metode dengan yang mempertimbangkan efek heterogenitas spasial, yang datanya mengalami overdispersi. Geographically Weighted Negative Binomial Regression (GWNBR) dan Mixed Geographically Weighted Negative Binomial Regression (MGWNBR) adalah model yang digunakan untuk data diskrit yang berheterogenitas spasial yang dapat mengatasi overdispersi dalam data. Hasil penelitian menggunakan GWNBR dengan pembobot adaptive bisquare kernel menunjukkan bahwa variabel yang berpengaruh signifikan terhadap jumlah kasus tuberkulosis di seluruh lokasi amatan atau disebut juga dengan variabel global adalah jumlah sarana kesehatan dan tenaga medis, sedangkan variabel lokal yang berpengaruh signifikan terhadap jumlah kasus tuberkulosis di beberapa lokasi amatan adalah jumlah penduduk dan kepadatan penduduk. MGWNBR dengan pembobot adaptive bisquare kernel menunjukkan bahwa variabel yang berpengaruh signifikan terhadap jumlah kasus tuberkulosis di seluruh lokasi amatan atau disebut juga dengan variabel global adalah jumlah tenaga medis, sedangkan variabel lokal yang berpengaruh signifikan terhadap jumlah kasus tuberkulosis di beberapa lokasi amatan adalah jumlah sarana kesehatan, jumlah penduduk dan kepadatan penduduk. Model terbaik untuk memodelkan jumlah kasus tuberkulosis berdasarkan nilai AIC paling terkecil adalah model MGWNBR.