Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
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.

Abstrak :
Tuberkulosis adalah penyakit menular yang termasuk kedalam sepuluh peringkat penyebab kematian tertinggi di dunia, sebagai contoh di Indonesia. Oleh karena itu, perlu diketahui faktor-faktor apa saja yang memengaruhi jumlah kasus tuberkulosis. Jumlah kasus tuberkulosis sebagai variabel dependen merupakan data cacah yang umumnya dianalisis menggunakan Regresi Poisson. Namun, adanya asumsi equidispersi yang harus dipenuhi pada Regresi Poisson maka Regresi Generalized Poisson dan Regresi binomial negatif dapat digunakan sebagai alternatif apabila asumsi equidispersi tidak terpenuhi. Aspek spasial dapat diperhatikan, sehingga pemodelan Geographically Weighted Generalized Poisson Regression dan Geographically Weighted Negative Binomial Regression juga dilakukan. Keempat model itu dibangun untuk mengetahui apakah ada hubungan jumlah kasus tuberkulosis di Pulau Jawa pada tahun 2020 dengan faktor-faktor yang diperkirakan memengaruhinya. Variabel independen yang digunakan adalah kepadatan penduduk, persentase balita diberikan imunisasi BCG, persentase penduduk miskin, persentase sarana air minum memenuhi syarat, persentase kartu keluarga dengan akses sanitasi layak, persentase tempat-tempat umum yang memenuhi syarat kesehatan, dan persentase tempat pengelolaan makanan yang memenuhi syarat higienis. Dari penelitian ini, diketahui bahwa model terbaik untuk memodelkan data adalah GWNBR dengan diperoleh 2 kelompok variabel independen signifikan. Sebanyak 7 variabel independen signifikan secara statistik di 88 kabupaten/Kota dan 6 variabel independen signifikan secara statistik di 12 kabupaten/Kota. ......Tuberculosis is an infectious disease and one of the world's top 10 highest causes of mortality, for example, in Indonesia. Based on this fact, it’s necessary to know what factors influence number of tuberculosis cases. The number of tuberculosis cases as dependent variable is a count data that generally analyzed using Poisson regression. However, equidispersion assumption must be met, so Generalized Poisson Regression and Negative Binomial Regression are applied if the assumption is not met. Spatial aspects can be considered so Geographically Weighted Generalized Poisson Regression and Geographically Weighted Negative Binomial Regression were also conducted. Four models were built to evaluate relationship between number of tuberculosis cases and factors affecting it in Java in 2020. The explanatory variables are population density, percentage of children receiving BCG immunization, percentage of poor people, percentage of eligible drinking water facilities, percentage of family cards with access to proper sanitation, percentage of public places meet health requirements, and percentage of food management places meet hygienic requirements. This study shows that the best model for modeling the data is GWNBR with 2 groups of significant explanatory variables. Seven explanatory variables are statistically significant in 88 districts and six explanatory variables statistically significant in 12 districts.