Penerapan Model Bayesian SAR (Spatial Autoregressive Regression) Probit pada Kejadian Malaria di Papua

Goiri Magda Sugesti, Nusar Hajarisman

Abstract


Abstract. The Probit SAR model is a spatial analysis model with the response variable being binary and the explanatory variable being either qualitative or quantitative. One way to estimate the Probit SAR model is to use the Bayes method. In the Bayes method, Markov Chain Monte Carlo (MCMC) approach is used to determine the posterior distribution. Therefore, the purpose of this research to apply the Probit SAR model with a Bayesian estimator to see the factors influence the incidence of malaria in Papua island. Malaria has also become one of the priorities in national development, because it has an impact on human morbidity and mortality. The result of this research showed the best model of the SAR Probit MCMC was formed with the k-NN weighting matrix (k=2) with an accuracy value of 76,19%, specificity of 75%, and sensitivity of 77,27%. Then, there are two variables that affect the endemic incidence of malaria in Papua, namely the percentage of clean water usage 20-49,9L (X1) and the percentage of using mosquito repellent spray/burning/electric (X5).

Keywords: Malaria, Spatial, SAR Probit, Bayes, MCMC.

Abstrak. Model SAR (Spatial Autoregressive Regression) Probit merupakan model analisis spasial dengan peubah responnya bersifat biner dan peubah penjelasnya bisa berbentuk kualitatif maupun kuantitatif. Salah satu untuk menaksir model SAR (Spatial Autoregressive Regression) Probit ialah dengan menggunakan metode bayes. Pada metode bayes digunakan pendekatan Markov Chain Monte Carlo (MCMC) untuk menentukan sebaran posteriornya. Dengan begitu, penelitian ini bertujuan untuk menerapkan model SAR Probit dengan penaksir bayes untuk melihat faktor-faktor yang mempengaruhi kejadian malaria di Pulau Papua. Malaria ini pun menjadi salah satu prioritas dalam pembangunan nasional, karena berdampak pada morbiditas dan mortalitas manusia. Hasil dari penelitian ini diperoleh bahwa model terbaik dari SAR Probit MCMC dibentuk dengan matriks pembobot k-NN (k=2) yaitu dengan nilai akurasi sebesar 76,19%, spesifitas sebesar 75%, dan sensitivitas sebesar 77,27%. Lalu, terdapat dua variabel yang berpengaruh terhadap endemis kejadian malaria di Papua yaitu persentase pemakaian air bersih 20-49,9 L (X1) dan persentase penggunaan obat nyamuk semprot/bakar/elektrik (X5).

Kata Kunci: Malaria, Spasial, SAR Probit, Bayes, MCMC.


Keywords


Malaria, Spatial, SAR Probit, Bayes, MCMC

Full Text:

PDF

References


Badan Penelitian dan Pengembangan Kesehatan. (2019). Laporan Provinsi Papua Riskesdas 2018. Jakarta: Balitbangkes.

Badan Penelitian dan Pengembangan Kesehatan. (2019). Laporan Provinsi Papua Barat Riskesdas 2018. Jakarta: Balitbangkes.

Bivand, R. S., Gómez-Rubio, V., & Rue, H. (2014). Approximate Bayesian inference for spatial econometrics models. Spatial Statistics, 9(C), 146–165.

CNN Indonesia. (20 Agustus 2020). Hari Nyamuk Sedunia, Saatnya Memutus Rantai Penularan Malaria. (Online), (https://www.cnnindonesia.com/gaya-hidup/20200819202031-255-537511/hari-nyamuk-sedunia-saatnya-memutus-rantai-penularan-malaria, diakses 29 Desember 2020).

Djuraidah, A. (2020). Monograph Penerapan dan Pengembangan Regresi Spasial dengan Studi Kasus pada Kesehatan, Sosial, dan Ekonomi. Bogor: IPB Press.

Fadhilah, Nurul. (2015). Geographically Weighted Regression dan Spatial Pattern Analysis untuk Pemodelan Kejadian Penyakit Malaria dan Faktor yang Mempengaruhi di Provinsi Papua. Skripsi dipublikasikan. Surabaya: Jurusan Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Teknologi Sepuluh November.

Health Advocacy. (2013). Fauna Anopheles. Surabaya: Health Advocacy Yayasan Pemberdayaan Kesehatan Masyarakat dan Loka Litbang P2B2 Ciamis.

Jaya, I. G. N. M., Zulhanif, Z., Tantular, B., & Sunengsih, N. (2017). Metode Bayesian Dalam Penaksiran Model Spatial Autoregressive (SAR) (Studi Kasus Pemodelan Penyakit Tb Paru Di Kota Bandung). Euclid, 4(2), 726–738.

Junaidi, H., Raharjo, M., & Setiani, M. (2015). Analisis Faktor Risiko Kejadian Malaria di Wilayah Kerja Puskesmas Kuala Bhee Kecamatan Woyla Kabupaten Aceh Barat. Jurnal Kesehatan Lingkungan Indonesia, 14(2), 40-44.

Kementerian Kesehatan Republik Indonesia. (2019). Profil Kesehatan Indonesia 2018. Jakarta: Kemenkes.

Keptiyah, S. M., Martini, & Saraswati, L. D. (2017). Gambaran Faktor Perilaku dan Faktor Lingkungan di Daerah Endemis Malaria. Jurnal Kesehatan Masyarakat, 5(2), 64–69.

Lee, J., & Wong, S.D. (2000). Statistical Analysis with Arcview GIS. New York: John Wiley & Sons, INC.

LeSage, J. P., Kelley Pace, R., Lam, N., Campanella, R., & Liu, X. (2011). New Orleans business recovery in the aftermath of Hurricane Katrina. Journal of the Royal Statistical Society. Series A: Statistics in Society, 174(4), 1007–1027.

LeSage, J., & Pace, R. K. (2009). Introduction to Spatial Econometrics. New York (USA): Taylor & Francis Group, LCC.

Listya, N., Yuliyani, L., Sartika, W., & Ali, I. (2015). Pemodelan Regresi Probit SAR dengan Pendugaan MCMC (Markov Chain Monte Carlo) Gibbs Sampler. Tugas Spasial. Bogor: Departemen Statistika, Institute Pertanian Bogor.

Maulina, R. F., Djuraidah, A., & Kurnia, A. (2019). Pemodelan Kemiskinan Di Jawa Menggunakan Bayesian Spasial Probit Pendekatan Integrated Nested Laplace Approximation (INLA). Tesis tidak dipublikasikan. Program Pascasarjana, Program Studi Statistika, Institut Pertanian Bogor.

Mukid, M.A., & Sugito (2011). Implementasi Markov Chain Monte Carlo Pada Pendugaan Hyperparameter Regresi Proses Gaussian. Implementasi Markov Chain, 4(1), 1-12.

Mutalik, P. (21 November 2020). Malaria : History and Complexities. (Online), (mutalik@kth.se, diakses 16 Januari 2021).

Novkaniza, F., Djuraidah, A., Fitrianto, A., & Sumertajaya, I. M. (2019). Simulation study for comparison of spatial autoregressive probit estimation methods. IOP Conference Series: Earth and Environmental Science, 299(1), 1-13.

Orum, A. M., & Hao, P. (2019). Spatial Analysis. The Wiley Blackwell Encyclopedia of Urban and Regional Studies, 1–7.

Pusat Data dan Informasi Kemeteian Kesehatan RI. (2016). Malaria. (Online). (https://pusdatin.kemkes.go.id/article/view/16090600001/malaria-2016.html, diakses 31 Desember 2020).

Ruspriyanty, D. I., & Sofro, A. (2018). Analysis of Hypertension Disease using Logistic and Probit Regression. Journal of Physics: Conference Series, 1108(1), 1-6.

Sholihah, K., Maruddani, D. A. I., & Hoyyi, A. (2016). Klasifikasi Perubahan Harga Obligasi Korporasi di Indonesia Menggunakan Metode Naive Bayes Classification. Jurnal Gaussian, 5(2), 269–278.

Smith, T. E. (2009). Spatial Weights Matrices. Geographical Analysis. (Online), (http://onlinelibrary.wiley.com/doi/10.1111/j.1538-4632.2009.00768.x/full, diakses 16 Januari 2021).

World Health Organization. (2019). Regional and Global Trends in Burden of Malaria Cases and Deaths. (Online), (https://www.who.int/news-room/feature-stories/detail/world-malaria-report-2019, diakses 30 Desember 2020).

Wu, G., & Chvosta, J. (2016). How Do My Neighbors Affect Me ? SAS / ETS ® Methods for Spatial Econometric Modeling. 1–13.

Utama Muhammad Bangkit Riksa, Hajarisman Nusar. (2021). Metode Pemilihan Variabel pada Model Regresi Poisson Menggunakan Metode Nordberg. Jurnal Riset Statistika, 1(1), 35-42.




DOI: http://dx.doi.org/10.29313/.v0i0.28767

Flag Counter     Â