MODEL PEMETAAN PENYAKIT DENGAN RESPON GANDA MENGGUNAKAN SEEMINGLY UNRELATED POISSON REGRESSION

Pendekatan Bayesian INLA

  • I G N Mindra Jaya Statistics Department, University of Padjadjaran, Indonesia
  • Zulhanif Zulhanif Departemen Statistika FMIPA Universitas Padjadjaran
  • Bertho Tantular Departemen Statistika FMIPA Universitas Padjadjaran
Keywords: Pemetaan Penyakit, Respon Ganda, Seemingly Unrelated Regression

Abstract

Penyakit menular seperti demam berdarah (DB), cikunginya, TB paru, diare dan penyakit menular lainnya menjadi ancaman serius bagi kesehatan masyarakat. Tidak jarang tingginya angka kasus dari setiap penyakit tersebut disebabkan oleh faktor yang sama seperti faktor iklim, kebersihan lingkungan, gaya hidup sehat dan juga vektor yang sama. Kondisi ini dapat dimanfaatkan oleh dinas kesehatan sebagai lembaga yang memiliki kewenangan penuh dalam mengontrol penyebaran penyakit menular tersebut. Upaya penanggulangan penyakit menular selama ini dilakukan secara partial untuk masing masing jenis penyakit, sehingga cara ini kurang efektif. Pengontrolan penyakit yang memiliki faktor resiko yang sama seharusnya dapat dilakukan secara simultan melalui pemodelan multiple disease. Penelitian ini mengusulkan metode Seemingly Unrelated Regression (SUR) untuk memodelkan angka kasus TB Paru dan Diare di Kota Bandung. Hasil analisis menemukan bahwa Perilaku Hidup Bersih dan Sehat (PHBS) paling berpengaruh terhadap tingginya resiko relatif kedua jenis penyakit tersebut.

References

[1] Besag, J. and Newell J. (1991) The Detection of Clusters in Rare Diseases, Journal of the Royal Statistical Society. Series A (Statistics in Society), Vol. 154, No. 1, , pp. 143-155
[2] Besag, J. (1974) Spatial Interaction and the statistical analysis of lattice systems. Journal of the Royal statistical Socety, series B, 36, pp. 192-236
[3] Camelett, M. and Blangiardo, (2015). M. Spatial and Spatio-Temporal Bayesian Models with RINLA. John Wiley & Sons,
[4] Clayton, D., & Kaldor, J. (1987) Empirical Bayes Estimates of Age-Standardized Relative Risks for Use in Disease Mapping. Biometrics , pp. 671-681.
[5] Hardhana, B., et al. (2013). Profil Kesehatan Indonesia 2012. Jakarta: Kementrian Kesehatan Republik Indonesia.
[6] Lawson, A. B., Browne, W. J., & Rodeiro, C. L (2003).. Disease Mapping with WinBUGS and MLwiN. New York: John Wiley & Sons.
[7] Maiti, T. (1998) Hierarchical Bayes estimation of mortality rates disease mapping. Journal of Statistical Planning and inference, ,pp. 339-348.
[8] Mindra Jaya, I. G. et al. (2016). “Bayesian Spatial Modeling and Mapping of Dengue Fever: A Case Study of Dengue Fever in The City of Bandung, Indonesia”. International Journal of Applied Mathematics and Statistics, 54 (3), 94-103
[9] Pringle, D.G. (1996). Mapping Disease Risk Estimates Based on Small Numbers: An Assessment of Empirical Bayes Techniques The Economic and Social Review, Vol. 27, No. 4, July, pp. 341-363
[10] Shaddick, G., & Zidek, J. V. (2016) Spatio-Temporal Methods in Environmental Epidemiology. New York: CRC Press Taylor & Francis Group
[11] Tango, T. (2010) Statistical Methods for Disease Clustering. Japan: Springer
[12] Winkelmann, Rainer (2008). Econometric Analysis of Count Data. Springer-Verlag Berlin Heidelberg
Published
2017-03-01
How to Cite
Jaya, I. G. N., Zulhanif, Z., & Tantular, B. (2017). MODEL PEMETAAN PENYAKIT DENGAN RESPON GANDA MENGGUNAKAN SEEMINGLY UNRELATED POISSON REGRESSION. Journal Biastatistics | Departemen Statistika FMIPA Universitas Padjadjaran, 11(1), 19-32. Retrieved from http://biastatistics.statistics.unpad.ac.id/index.php/biastatistics/article/view/60