GEOGRAPHICALLY WEIGHTED NEGATIVE BINOMIAL REGRESSION (GWNBR) IN MODELING THE RISK FACTORS OF PNEUMONIA DISEASE AMONG TODDLERS IN THE CENTRAL SULAWESI PROVINCE

Zakiyah Mar'ah; Zulkifli Rais; A. Sulfiana Haris

doi:10.35580/variansiunm151

Zakiyah Mar'ah Department of Statistics, Universitas Negeri Makassar
Zulkifli Rais Department of Statistics, Universitas Negeri Makassar
A. Sulfiana Haris Universitas Negeri Makassar

DOI: https://doi.org/10.35580/variansiunm151

Keywords: pneumonia, poisson regression, overdispersi, negative binomial regression, GWNBR

Abstract

This research was conducted to map and model the number of Pneumonia cases in Central Sulawesi Province using the Geographically Weighted Negative Binomial Regression (GWNBR) approach. The data used were Pneumonia case data in Central Sulawesi Province obtained from the Health Publication of Central Sulawesi Province in 2021. The analysis results with the GWNBR method indicated that predictor variables significantly influencing the number of Pneumonia cases in each district/city of Central Sulawesi Province were Exclusive Breastfeeding Percentage (X1), Complete Basic Immunization Percentage (X2), Percentage of Toddlers Receiving Vitamin A (X3), and Percentage of Coverage of Toddler Services (X5). Meanwhile, the variable Low Birth Weight (X4) does not significantly affect the cases.

References

Alwi, W., Sauddin, A., & Islamiyah, N. I. (2022). Pemodelan Generalized Poisson Regression Pada Faktor-Faktor Yang Mempengaruhi Kasus Pneumonia Pada Balita Di Provinsi Sulawesi Selatan 2018. Jurnal Matematika dan Statistika serta Aplikasinya, 10(1), 9-14.

Ambarwati, P. C., Indahwati, I., & Aidi, M. N. (2020). Kajian simulasi overdispersi pada regresi poisson dan binomial negatif terboboti geografis untuk data balita gizi buruk. Indonesian Journal of Statistics and Its Applications, 4(3), 484-497.

Anselin, L., & Bera, A. K. (1998). Spatial Dependence in Linear Regression Models with an Introduction to Spatial Econometrics. In A. Ullah (Ed.), Handbook of Applied Economic Statistics (pp. 237-290). CRC Press.

Cahyandari, R. (2014). Pengujian Overdispersi pada Model Regresi Poisson. Statistika, 14(2), 69–76.

Cameron, A. C., & Trivedi, P. K. (1998). Regression Analysis of Count Data (P. Hammond & A. Holly (eds.); Issue 30). Cambridge University Press.

Damayanti CR, M., & Yanti, T. S. (2022). Regresi Poisson Invers Gaussian (PIG) untuk Pemodelan Jumlah Kasus Pneumonia pada Balita di Provinsi Jawa Tengah Tahun 2019. Jurnal Riset Statistika, 1(2), 143–151.

Darsyah, M. (2021). Pemodelan Geographically Weighted Negative Binomial Regression (GWNBR) Pada Kasus Malaria di Indonesia. Jurnal Litbang Edusaintech, 2(2), 1–15.

Dean, A., & Hocking, R. R. (1997). Methods and Applications of Linear Models. 2nd ed., Wiley & Sons, Canada.

Dinas Kesehatan Provinsi Sulawesi Tengah. (2021). Profil Kesehatan Provinsi Sulawesi Tengah. Profil Kesehatan Provinsi Sulawesi Tengah, 1–377.

Dinas Kesehatan Provinsi Sulawesi Tengah. (2022). Profil Kesehatan Provinsi Sulawesi Tengah. Diakses pada 23 September 2023 dari https://dinkes.sultengprov.go.id/wp-content/uploads/2023/06/Profil-KEsehatan-2022.pdf

Famoye, F., Wulu, J., & Singh, K. (2004). On The Generalize Poisson Regression Model with an Application to Accident Data. Journal of Data Science 2, 287-295.

Faridi, A., Budiasih, Suswandari, Ahmad, I., Furqan, M., & Susanti, E. (2017). Evaluasi Metode Penghitungan Cakupan Imunisasi Dasar Lengkap di Indonesia. 1–11.

Greene, W. (2008). Functional forms for the negative binomial model for count data. Economics Letters, 99(3), 585–590.

Gierke, R., Wodi, A.P. and Kobayashi, M. (2021) ‘Pinkbook: Pneumococcal Disease’, Pinkbook, pp. 255–274.

Ismail, I. (2019). Pemodelan Jumlah Kematian Bayi Di Provinsi Jawa Barat Tahun 2017 Dengan Pendekatan Geographically Weighted Negative Binomial Regression (GWNBR) (Doctoral dissertation, Muhammadiyah University, Semarang).

Josefa, R., Sovia, R., & Mandala, E. P. (2019). Sistem Pakar Diagnosa Penyakit Pneumonia Pada Anak Menggunakan Metode Case Based Reasoning. Sainteks, 6, 868–872.

Kemenkes RI. (2020). Pneumonia Pada Anak bisa Dicegah dan Diobati. Di akses pada 22 Juli 2023 dari https://www.kemkes.go.id/id/rilis kesehatan/pneumonia-anak-dicegah-dan-diobati

Kemenkes RI. (2022). Profil Kesehatan Indonesia 2021. In Pusdatin.Kemenkes.Go.Id.

Kurniasari, M., & Ariastita, P. G. (2014). Faktor - Faktor yang Mempengaruhi Alih Fungsi Lahan Pertanian Sebagai Upaya Prediksi Perkembangan Lahan Pertaniandi Kabupaten Lamongan. Jurnal Teknik Pomits, 3(2), 27–40.

Kurniawan, I. (2017). Model Regresi Poisson Terbaik Menggunakan Zero-Inflated Poisson (ZIP) dan Zero-Inflated Negative Binomial (ZINB). Unnes Journal of Mathematics, 5(1), 1-10.

Mar’ah, Z., Ahmar, A. S., & Rais, Z. (2023). Pemodelan Regresi Data Panel pada IPM di Sulawesi Selatan. VARIANSI: Journal of Statistics and Its Application on Teaching and Research, 5(1), 23–27.

Pratama, W., & Wulandari, S. P. (2015). Pemetaan dan Pemodelan Jumlah Kasus Penyakit Tuberculosis (TBC) di Provinsi Jawa Barat dengan Pendekatan Geographically Weighted Negative Binomial Regression. Jurnal Sains Dan Seni ITS, 4(1), 37–42..

Purba, D., & Purba, M. (2022). Aplikasi Analisis Korelasi dan Regresi menggunakan Pearson Product Moment dan Simple Linear Regression. Citra Sains Teknologi, 1(2), 97–103.

Rahmadeni Feni Fatkhuli, R. J. (2019). Pemodelan Generalized Poisson Regression (GPR) Pada Kasus Kematian Neonatal Di Provinsi Riau. Jurnal Sains Matematika Dan Statistika : Jurnal Hasil Penelitian Matematika, Statistika, Dan Aplikasinya, 5(2), 43–50.

Rini, D. S. (2018). Geographically Weighted Negative Binomial Regression untuk Jumlah Kasus Demam Berdarah Dengue Kabupaten/Kota Provinsi Bengkulu. PRISMA, Prosiding Seminar Nasional Matematika, 1, 736–744.

Safrida, N., D. Ispriyanti, & T. Widiharih. 2013. Aplikasi Model Regresi Poisson Tergeneralisasi Pada Kasus Angka Kematian Bayi di Jawa Tengah Tahun 2007. Jurnal Gaussian, 2(2): 361-368.

Saputri, V. A., & Purhadi, P. (2022). Pemodelan Faktor – Faktor yang Mempengaruhi Kasus Pneumonia pada Balita di Provinsi Jawa Barat dengan Metode Geographically Weighted Generalized Poisson Regression. Inferensi, 5(2), 91. https://doi.org/10.12962/j27213862.v5i2.12619

Savitri, N., Miranda, I., Sitorus, A., Luh, N., Andini, E., Husna, N. L., & Balita, K. (2022). Determinan jumlah kematian balita akibat pneumonia di Indonesia tahun 2019 dengan pendekatan generalized poisson regression. Median, 5(1), 40–51.

WHO. (2022). Pneumonia in children. World Health Organization: WHO. Diakses pada 23 Juli 2023 dari https://www.who.int/news-room/fact-sheets/detail/pneumonia.

Widyaningsih, Y., Arum, G. P., & Prawira, K. (2021). Aplikasi K-Fold Cross Validation Dalam Penentuan Model Regresi Binomial Negatif Terbaik. BAREKENG: Jurnal Ilmu Matematika Dan Terapan, 15(2), 315–322.

Wirawan, I. M. (2016). Pendekatan komputasi numerik metode regresi pada penelitian yang mengamati suatu kecenderungan/trends terhadap Peningkatan Prestasi/Hasil Belajar. Tekno, 25(1), 1–14.

Yatnaningtyas, R., Latra, I. N., & Andari, S. (2016). Identifikasi Faktor-Faktor yang Mempengaruhi Pneumonia pada Balita di Surabaya Menggunakan Geographically Weighted Negative Binomial Regression. Jurnal Sains Dan Seni ITS, 5(2), D283–D288.

Xing, Y. et al. (2020). Vitamin A deficiency is associated with severe Mycoplasma pneumoniae pneumonia in children. Annals of Translational Medicine, 8(4), pp. 120–120