Analisis Faktor-Faktor yang Memengaruhi Angka Prevalensi Penyakit Kusta di Jawa Timur dengan Pendekatan Spatial Durbin Model

Transkripsi

1 JURNAL SAINS DAN SENI ITS Vol. 5 No. (16) (31-98X Prit) D-95 Aalisis Faktor-Faktor yag Memegaruhi Agka Prevalesi Peyakit Kusta di Jawa Timur dega Pedekata Spatial Durbi Model Erawati, I Nyoma Latra. da Purhadi Jurusa Statistika, Fakultas MIPA, Istitut Tekologi Sepuluh Nopember (ITS) Jl. Arief Rahma Hakim, Surabaya 6111 Idoesia erawati.offstat@gmail.com; i_yoma_l@statistika.its.ac.id; purhadi@statistika.its.ac.id Abstrak Persebara peyakit kusta di Provisi Jawa Timur harus medapat perhatia lebih karea pada tahu 1, Jawa Timur merupaka peyumbag pederita kusta tertiggi di atara provisi laiya dega agka prevalesi kusta per 1. peduduk sebesar 1,46. Kejadia peyakit meular seperti kusta, perlu mempertimbagka pegaruh kedekata kewilayaha (spasial) sehigga peelitia ii juga mempertimbagka kabupate/kota di Jawa Tegah yag berbatasa lagsug dega kabupate/kota di Jawa Timur. Peelitia ii megaalisis faktor-faktor yag memegaruhi agka prevalesi peyakit kusta di Jawa Timur dega megguaka pedekata Spatial Durbi Model (SDM) yag merupaka betuk khusus dari metode Spatial Autoregressive Model (SAR). Matriks pembobot yag diguaka adalah Quee Cotiguity (persigguga sisi sudut). Hasil peelitia ii meujukka bahwa model SDM memberika hasil yag lebih baik daripada metode OLS da metode SAR dega ilai R sebesar 83,5% da ilai AIC sebesar 89,83. Variabel yag sigifika berpegaruh terhadap agka prevalesi kusta adalah persetase rumah tagga ber-phbs, kepadata peduduk, persetase peduduk miski da persetase puskesmas per 1. peduduk. Kata Kuci Agka Prevalesi Kusta, Jawa Timur, Matriks Pembobot, Spatial Durbi Model, Spatial Autoregressive Model. P I. PENDAHULUAN eyakit kusta adalah peyakit krois yag disebabka oleh ifeksi Mycobatrium leprae, yag awalya meyerag syaraf tepi, selajutya dapat meyerag kulit, mukosa mulut, salura afas bagia atas, mata, otot, tulag da testis serta merupaka peyakit meular meahu [1]. Pederita peyakit kusta di Idoesia merupaka uruta ketiga di bawah Idia da Brazil. Secara asioal, Provisi Jawa Timur merupaka peyumbag pederita kusta terbayak di atara provisi laiya dimaa pada tahu 1, agka prevalesi kusta per 1. peduduk di Jawa Timur masih sebesar 1,46 []. Meurut profil kesehata Jawa Timur, pada tahu 1, terdapat peemua pederita baru sebayak 4.87 orag atau 5,5% dari jumlah pederita baru di temuka di Jawa Timur. Persebara peyakit kusta di Provisi Jawa Timur harus medapat perhatia lebih agar dapat melakuka pecegaha persebara yag lebih luas da dapat meguragi jumlah pederita kusta sehigga program Jatim bebas kusta pada 17 dapat dicapai [3]. Persebara pederita kusta di Provisi Jawa Timur meliputi patai utara Jawa da Madura dimaa 16 kabupate/kota masih memiliki agka prevalesi di atas 1 per 1. peduduk terutama di kedua daerah tersebut. Selai kedua daerah tersebut, persebara pederita peyakit kusta di Jawa Timur juga bayak ditemui di wilayah tapal kuda (Kab. Pasurua, Kab. Proboliggo, Kab. Lumajag, Kab. Jember, Kab. Situbodo, Kab. Bodowoso, da Kab. Bayuwagi). Peelitia megeai Spatial Durbi Model (SDM) sebelumya telah dilakuka misalya utuk megidetifikasi faktor-faktor yag berpegaruh terhadap kejadia diare di Kabupate Tuba [4], utuk megidetifikasi faktor-faktor yag mempegaruhi kematia ibu di Jawa Timur [5], da utuk melakuka pemodela faktor yag berpegaruh pada agka kematia bayi di Jawa Timur [6], dimaa dari ketiga peelitia tersebut memberika hasil bahwa pemodela SDM mempuyai kierja lebih baik daripada pemodela o SDM. Peelitia sebelumya megeai peyakit kusta telah bayak dilakuka atara lai rujuka [7] melakuka aalisis faktor risiko terjadiya peyakit kusta di Kabupate Polewali Madar dipegaruhi oleh luas vetilasi, itesitas pecahayaa, kelembaba, kepadata huia, da frekuesi meggati alas tidur, rujuka [8] melakuka peelitia bahwa faktor yag berpegaruh terhadap jumlah kasus kusta di Jawa Timur adalah persetase rumah tagga yag memiliki rumah sehat, tigkat kepadata peduduk, da persetase rumah tagga yag beralokasi di daerah kumuh da rujuka [9] megguaka pemodela faktor-faktor yag mempegaruhi agka prevalesi kusta dega Geographically Weighted Regressio (GWR) yag merupaka pedekata titik, maka utuk megembagkaya perlu dilakuka pemodela spasial dega pedekata area. Oleh karea itu, peelitia ii igi membahas bagaimaa karakteristik agka prevalesi peyakit kusta pada kabupate/kota di Provisi Jawa Timur da melakuka pemodela agka prevalesi peyakit kusta dega metode Spatial Durbi Model (SDM). II. Aalisis Deskriptif TINJAUAN PUSTAKA Aalisis deskriptif adalah suatu aalisis yag didasarka pada tabel, gambar atau peta tapa dilakuka pegujia hipotesis. Peta tematik adalah peta yag meyajika iformasi tetag feomea atau kodisi tertetu yag terjadi di permukaa bumi misalya peta

2 D-96 JURNAL SAINS DAN SENI ITS Vol. 5 No. (16) (31-98X Prit) curah huja, peta kepadata peduduk, peta persebara suatu peyakit da sebagaiya [1]. Aalisis Regresi Bergada Hubuga atara satu variabel depede dega satu atau lebih variabel idepede dapat diyataka dalam model regresi liier [11]. Secara umum hubuga tersebut dapat diyataka sebagai berikut. Y = β + β1x1 + + βlxp + ε (1) dimaa β,β 1,,β p adalah parameter yag tidak diketahui, da ε adalah error regresi. Peaksira parameter megguaka metode least square yaitu meduga koefisie regresi (β) dega memiimumka kesalaha (error). Betuk peaksir least square adalah: β = (X T X) 1 X T y () Pemodela Regresi Spasial Model umum regresi spasial dapat diyataka dalam persamaa (3) berikut [1]. y = ρw 1 y + Xβ + u ; u = λw u + ε, ε ~ N(, σ I) (3) Dari persamaa (3), dapat dibetuk beberapa model di atara-ya yaitu: a) Ketika W = atau λ = maka mejadi Spatial Autoregressive Model (SAR) seperti pada persamaa (4). y = ρw 1 y + Xβ + ε da ε~n(, σ I) (4) b) Ketika W 1 = atau ρ = maka aka mejadi Spatial Error Model (SEM) seperti pada persamaa (5). y = Xβ + λw u + ε da ε~n(, σ I) (5) c) Ketika W 1, W, λ, atau ρ maka disebut Spatial Autoregressive Movig Average (SARMA) seperti pada persamaa (3). Sebelum melakuka pemodela megguaka metode spasial, maka dilakuka idetifikasi awal megguaka Lagrage Multiplier Test dega tiga hipotesis yag aka diguaka pada LM test, yaitu utuk model SAR (H : ρ = da H 1 : ρ ), utuk model SEM (H : λ = da H 1 : λ ), serta utuk model SARMA (H : ρ, λ = da H 1 : ρ, λ ). Keputusa yag diambil yaitu tolak H jika ilai LM > X (k) dega statistik uji yag diguaka adalah: LM=E -1 {(Ry) T RyReT1 + (Re) (D + T11)} ~ X (m) (6) m=jumlah parameter spasial (SAR=1, SEM=1, SARMA=) R y = e T W 1 y σ ; R e = e T W e σ M = I X(X T X) 1 X T ; T ij = tr{w i W j + W T i W j } D = σ (W 1 Xβ) T M(W 1 Xβ); E = (D + T 11 )T (T 1 ) Jika matriks pembobot spasial W1=W=W, maka T11=T1=T=T=tr{(W+W)W}. Keputusa tolak H jika ilai LM > χ (m). Metode SDM Spatial Durbi Model (SDM) memilki ciri khas sediri yaitu adaya peambaha spasial lag pada variabel prediktor [13]. Model SDM diyataka pada persamaa (7) berikut. p p y i = ρ w ij y j + β + β 1k x ik + ε i (7) Estimasi Parameter SDM k=1 + k=1 β k w ij x jk Estimasi parameter spatial durbi model (SDM) megguaka metode Maximum Likelihood Estimatio (MLE) dega fugsi likelihood yag didapat dari ilai error (ε) yag berdistribusi ormal. Diperoleh estimasi parameter ρ pada persamaa (8), estimasi parameter β pada persamaa (9) da estimasi parameter σ pada persamaa (1). f(ρ) = l(π) l() 1 l{[e ρe d ] T [e ρe d ]} + l I ρw 1 (8) β = (Z T Z) 1 Z T y ρ(z T Z) 1 Z T W 1 y = δ ρδ d (9) (((I ρ W 1 )y Zβ ) T ((I ρ W 1 )y Zβ )) σ = (1) Pegujia Hipotesis Sigifikasi Estimasi Parameter Pegujia sigifikasi estimasi parameter megguaka metode Wald Test dega hipotesis atara lai : pegujia depedesi lag depede (H : ρ = da H 1 : ρ ), pegujia koefisie regresi (H : β 1 = da H 1 : β 1 ), serta pegujia depedesi lag idepede (H : β = da H 1 : β ). Keputusa tolak H jika Wald dega statistik uji sebagai berikut. >X α,1 Wald = θ p var (θ p) (11) dega θ p adalah estimasi parameter ke-p da var(θ p) adalah varias estimasi parameter ke-p. Matriks Pembobot Spasial Matriks pembobot spasial yag diguaka dalam peelitia ii adalah Quee cotiguity (persigguga sisi-sudut) yag berukura x yaitu medefiisika W ij = 1 Utuk etity yag bersisia (commo side) atau titik sudut-ya (commo vertex) bertemu dega regio yag mejadi perhatia, sedagka W ij = utuk regio laiya [1]. Uji Depedesi Spasial Uji depedesi spasial utuk megetahui ada tidakya pegaruh spasial atara pegamata satu dega pegamata lai) dega hipotesis yaitu H : I M = (tidak ada autokorelasi atar lokasi) da H 1 : I M (ada autokorelasi atar lokasi). Rujuka [14] megguaka statistik uji Mora s I pada persamaa (1). Keputusa H ditolak jika Z hitug > Z. Z = Î E(Î) (1) var (I ) Pola persebara atar lokasi dapat dilihat dalam Mora s scatterplot yag meujukka hubuga atara ilai amata pada suatu lokasi distadarka dega ratarata amata pada lokasi-lokasi yag diamati [14]. Mora s scatterplot terdiri dari empat kuadra, yaitu kuadra I (High-High), kuadra II (Low-High), kuadra III (Low-Low), da kuadra IV (High-Low). Lokasi yag berada di kuadra I da III cederug memiliki autokorelasi positif, sedagka lokasi yag berada di kuadra II da IV cederug memiliki autokorelasi egatif. Uji Heterogeitas Spasial Pegujia ii utuk meujukka adaya keragama atarlokasi. Pegujia dilakuka dega megguaka statistik uji Breusch-Paga Test dega hipotesis berikut [13]. H : σ 1 = σ = = σ = σ (terjadi homoskedastistitas) H 1 miimal ada satu σ 1 σ (terjadi heteroskedastisitas) Statistik uji : BP = (1 )f T Z(Z T Z) 1 Z T f~χ p (13) Keputusa H ditolak apabila ilai BP > χ α;p

3 JURNAL SAINS DAN SENI ITS Vol. 5 No. (16) (31-98X Prit) D-97 Pemiliha Model Terbaik Pemiliha model terbaik berdasarka ilai koefisie determiasi (R ) da Akaike s Iformatio Criterio (AIC). a. Koefisie determiasi (R ) meujukka ketepata suatu model (Goodess of fit) sebagai berikut. R = 1 SSE SST (14) dega SSE adalah jumlah kuadrat error da SST adalah jumlah kuadrat total. Nilai R berilai atara sampai 1, jika semaki besar ilai R maka model dikataka semaki tepat dalam meggambarka feomea. b. Akaike s Iformatio Criterio (AIC) merupaka metode yag dikembagka oleh Akaike utuk memilih model terbaik berdasarka ilai AIC palig kecil. Rumus meghitug AIC adalah sebagai berikut [15]. AIC = log L(θ y) + k (15) dimaa L(θ y) k : fugsi likelihood parameter yag diestimasi : jumlah parameter yag diestimasi Peyakit Kusta Peyakit kusta adalah peyakit krois yag disebabka oleh ifeksi Mycobatrium leprae, yag awalya meyerag syaraf tepi, selajutya dapat meyerag kulit, mukosa mulut, salura afas bagia atas, mata, otot, tulag da testis serta merupaka peyakit meular meahu [1]. Kusta terkeal sebagai peyakit yag palig ditakuti karea deformitas atau cacat tubuh. Peyakit kusta dipegaruhi oleh beberapa aspek diataraya adalah aspek sosial ekoomi, aspek ligkuga, aspek demografi da aspek perilaku [16]. Selai itu, rujuka [17] meyataka bahwa aspek fasilitas da pelayaa meliputi teaga medis puskesmas da bayak puskesmas juga memegaruhi agka prevalesi kusta. Aspek sosial ekoomi meliputi peduduk miski da rumah tagga dega alas latai taah, aspek ligkuga meliputi rumah sehat da jamba sehat, aspek demografi meliputi kepadata pe-duduk, serta aspek perilaku meliputi rumah tagga ber-phbs, jeis saraa air bersih da sumber air mium tidak layak. Rumah tagga ber- PHBS adalah rumah tagga yag melaksaaka 1 idikator PHBS, di ataraya persalia yag dibatu oleh teaga medis, bayi diberi ASI eksklusif, meimbag balita tiap bula, mecuci taga dega air bersih da sabu, tersedia akses air bersih da sabu, megguaka jamba sehat, memberatas jetik, maka sayur da buah tiap hari, melakuka aktivitas fisik setiap hari, da tidak merokok [18] Agka prevalesi per 1. peduduk didefiisika sebagai kasus kusta terdaftar (kasus baru da kasus lama) per 1. peduduk pada wilayah da kuru waktu tertetu, sehigga Depkes RI meghitug agka prevalesi kusta per 1. peduduk dega formula: = jumlah kasus terdaftar pada wilayah da kuru waktu tertetu jumlah peduduk pada wilayah da kuru waktu yag sama 1. III. METODOLOGI PENELITIAN Data yag diguaka adalah data sekuder yag diperoleh dari profil kesehata Provisi Jawa Timur 13, data publikasi dari BPS Jawa Timur tahu 13, publikasi profil kesehata Provisi Jawa Tegah 13, da data publikasi dari BPS Jawa Tegah tahu 13. Adapu bayakya objek yag dijadika observasi sebayak Kabupate/Kota yag terdiri dari 38 Kabupate/Kota di Jawa Timur da 6 Kabupate di Jawa Tegah. Variabel yag diguaka dalam peelitia ii adalah agka prevalesi kusta (Y), persetase rumah tagga ber-phbs (X 1 ), persetase rumah sehat (X ), persetase jamba sehat (X 3 ), persetase jeis saraa air bersih (X 4 ), kepadata peduduk (X 5 ), persetase peduduk miski (X 6 ), persetase rumah tagga megguaka sumber air mium tidak layak (X 7 ), persetase rumah tagga dega alas latai taah (X 8 ), persetase teaga medis puskesmas per 1. peduduk (X 9 ), da persetase puskesmas per 1. peduduk (X 1 ). Tahapa yag dilakuka dalam peelitia ii adalah sebagai berikut. 1. Medeskripsika variabel agka prevalesi peyakit kusta da faktor yag memegaruhiya dari sudut kewilayahaya dega megguaka peta tematik.. Melakuka pemodela variabel agka prevalesi peyakit kusta da faktor yag memegaruhiya dega cara atara lai: a. Megidetifikasi pola hubuga model dega scatterplot b. Melakuka uji depedesi spasial dega megguaka statistik uji Mora s I da Mora;s Scatterplot c. Melakuka aalisis regresi liear bergada meliputi uji sigifikasi parameter da uji asumsi residual d. Melakuka idetifikasi model spasial megguaka Lagrage Multiplier e. Melakuka aalisis dega metode Spatial Autoregressive Model (SAR). f. Melakuka aalisis dega metode Spatial Durbi Model (SDM). 3. Memilih model terbaik da megiterpretasika model yag telah dibetuk. 4. Meyimpulka hasil yag diperoleh da memberika sara. IV. HASIL DAN PEMBAHASAN Deskripsi Agka Prevalesi Kusta da Faktor- Faktor yag Memegaruhiya Deskripsi agka prevalesi peyakit kusta da faktor yag diduga berpegaruh dikelompokka mejadi tiga kategori yaitu kategori redah, sedag, da tiggi. Persebara agka prevalesi peyakit kusta dapat dilihat pada Gambar 1 berikut. Gambar 1. Persebara Agka Prevalesi Peyakit Kusta di Setiap Kabupate/Kota Persebara agka prevalesi peyakit kusta pada Gambar 1 terlihat bahwa terjadi pegelompoka pada kabupate/kota yag wilayahya berdekata. Daerah dega kategori agka prevalesi kusta tiggi cederug

4 D-98 JURNAL SAINS DAN SENI ITS Vol. 5 No. (16) (31-98X Prit) berdekata dega daerah yag memiliki agka prevalesi yag tiggi pula. Terdapat 1 kabupate/kota di Jawa Timur dega agka prevalesi peyakit kusta kategori tiggi, da sebayak 7 kabupate/kota dega kategori sedag, serta sisaya termasuk dalam kategori redah. Kab. Sampag merupaka daerah yag memiliki prevalesi kusta tertiggi sebesar 6,8, sedagka agka prevalesi teredah berada di kota Batu yaitu sebesar,5. Setegah dari wilayah Jawa Timur masih mempuyai persetase rumah tagga ber-phbs (X 1 ) kategori redah yaitu sebayak 18 kabupate/kota dega persetase teredah pada Kab. Situbodo sebesar 17,14 perse. Demikia juga terdapat 18 kabupate/kota di Jawa Timur memiliki persetase rumah sehat (X ) kategori redah dega persetase teredah rumah sehat berada di Kab. Blitar sebesar 1, perse. Adapu persetase jamba sehat (X 3 ) teredah berada pada Kab. Bagkala. Persetase jeis saraa air bersih (X 4 ) memiliki rata-rata sebesar 64,5 perse dega ilai maksimum sebesar 1 perse serta ilai miimum sebesar 1,55 perse. Di Jawa Timur ter-dapat 9 kabupate/kota dega kategori kepadata peduduk (X 5 ) tiggi dimaa kepadata tertiggi berada pada Kota Surabaya sebesar 835,4 jiwa/km da kepadata peduduk teredah sebesar 7,34 jiwa/km pada Kab. Bayuwagi. Persetase peduduk miski (X 6 ) tiggi sebayak 11 kabupate/kota dega persetase tertiggi pada Kab. Sampag sebesar 7,8 perse. Persetase rumah tagga megguaka sumber air mium tidak layak (X 7 ) tertiggi pada Kab. Situbodo. Persebara rumah tagga dega alas latai taah (X 8 ) cederug memiliki pola megelompok dega daerah persetase tertiggi pada Kab. Bojoegoro sebesar 51,61 perse. Daerah dega persetase teaga medis puskesmas (X 9 ) teredah yaitu Kab. Mojokerto sebesar,9 perse. Sebagia besar daerah di Jawa Timur memiliki persetase puskesmas (X 1 ) dega kategori redah dimaa daerah teredah pada Kab. Sidoarjo sebesar 1,6 perse. Aalisis Faktor yag Memegaruhi Agka Prevalesi Kusta Pemodela faktor yag memegaruhi agka prevalesi kusta yaitu dega tapa mempertimbagka aspek kewilayaha (spasial) megguaka metode aalisis regresi bergada da pemodela dega mempertimbagka aspek kewilayaha dega metode Spatial Durbi Model (SDM). Sebelum melakuka pemodela dilakuka idetifikasi pola hubuga dega scatterplot da uji depedesi spasial dega uji Mora s I. 1) Idetifikasi Pola Hubuga atara Variabel Prediktor da Variabel Respo Idetifikasi pola hubuga atara agka prevalesi peyakit kusta da faktor-faktor yag memegaruhiya megguaka scatterplot dapat ditujukka pada Gambar. Variabel prediktor yag memiliki hubuga positif terhadap respo yaitu persetase peduduk miski (X 6 ), persetase rumah tagga yag megguaka sumber air mium tidak layak (X 7 ) da persetase rumah tagga dega alas latai taah (X 8 ). Adapu Variabel prediktor yag memiliki hubuga eagtif terhadap respo yaitu persetase rumah tagga ber-phbs (X 1 ), persetase rumah sehat (X ), persetase jamba sehat (X 3 ), persetase jeis saraa air bersih (X 4 ), kepadata peduduk (X 5 ), persetase teaga medis puskesmas per 1. peduduk (X 9 ), da persetase puskesmas per 1. peduduk (X 1 ). Tujuh variabel tersebut memiliki hubuga egatif terhadap respo yaitu semaki tiggi ilai variabel tersebut maka agka prevalesi peyakit kusta semaki meuru. Y 5,,5, 5,,5, X5 X6 X7 X X9 X1 8 X X X3 X4 3 4 Gambar. Pola Hubuga atara Agka Prevalesi Peyakit Kusta da Faktor-Faktor yag Memegaruhiya ) Uji Depedesi Spasial Hasil pegujia pada Tabel 1 diperoleh bahwa dega tigkat sigifikasi 5 perse, terdapat depedesi spasial pada 8 variabel yaitu agka prevalesi kusta (Y), persetase rumah tagga ber-phbs (X 1 ), persetase rumah sehat (X ), persetase jamba sehat (X 3 ), persetase peduduk miski (X 6 ), persetase rumah tagga dega alas latai taah (X 8 ), persetase teaga medis puskesmas per 1. peduduk (X 9 ), da persetase puskesmas per 1. peduduk (X 1 ). Variabel Y, X 1, X, X 3, X 4, X 5, X 6, X 7, X 8, da X 1 memiliki ilai Mora s I lebih besar dari I M =-.33 yag berarti bahwa terdapat autokorelasi positif yag artiya lokasi yag berdekata mempuyai ilai mirip da cederug berkelompok. Sedagka variabel X 9 memiliki ilai Mora s I lebih kecil dari dari Î M =-,33 yag berarti bahwa terdapat autokorelasi egatif yag artiya lokasi yag berdekata mempuyai ilai berbeda da cederug meyebar. TABEL 1. UJI MORAN S I Kode Variabel Mora s I Z_hitug Y Agka prevalesi kusta,73 6,35* X1 Persetase rumah tagga ber-phbs,346 3,119 * X Persetase rumah sehat,364 3,71* X3 Persetase jamba sehat,338 3,51* X4 Persetase jeis saraa air bersih,139 1,369 X5 Kepadata peduduk,77,845 X6 Persetase peduduk miski,461 4,91* X7 Persetase rumah tagga megguaka sumber air mium tidak layak,1 1,893 X8 Persetase rumah tagga dega alas latai taah,549 4,834* X9 Persetase teaga medis puskesmas per 1. peduduk -,48 3,119* X1 Persetase puskesmas per 1. peduduk,33 3,* Keteraga: *) sigifika pada α = 5% Z.5 = 1,96 Pola pegelompoka atar kabupate/kota dari tiap variabel dapat dilihat dari Mora s Scatterplot. Persebara variabel agka prevalesi peyakit kusta pada Gambar 3 meujukka bahwa terdapat pegelompoka pada kuadra III (Low-Low) da kuadra I (High-High). WY Gambar 3 Mora s Scatterplot Agka Prevalesi Kusta Y ,,5, 4

5 JURNAL SAINS DAN SENI ITS Vol. 5 No. (16) (31-98X Prit) D-99 Kuadra III (Low-Low) meujukka bahwa kabupate/kota yag memiliki agka prevalesi peyakit kusta redah dikeliligi oleh kabupate/kota yag juga memiliki agka prevalesi redah. Sebagia besar kabupate/kota megelompok pada kuadra III di ataraya Kab. Tulugagug, Kab. Blitar, Kab. Treggalek, Kab.Pacita, Kab. Madiu, Kota Madiu, da kabupate lai dega agka prevalesi redah. Kuadra I (High-High) meu-jukka kabupate/kota yag memiliki agka prevalesi kusta tiggi dikeliligi oleh kabupate/kota yag juga memiliki agka prevalesi kusta tiggi. Beberapa wilayah yag tergolog dalam kuadra IV di ataraya Kab. Sampag, Kab. Bagkala, Kab. Pamekasa da Kab. Sumeep, Kab. Proboliggo, Kota Proboliggo da kabupate/kota laiya. 3) Pemodela Regresi Liear Bergada Hasil regresi diketahui bahwa atar variabel prediktor tidak terjadi multikoliearitas karea ilai VIF < 1, amu terlihat bahwa variabel yag sigifika sagat sedikit, maka selajutya perlu dilakuka elimiasi variabel yag tidak sigifika berdasarka p-value terbesar. Diperoleh empat variabel prediktor yag berpegaruh terhadap variabel respo atara lai agka prevalesi peyakit kusta yaitu persetase rumah tagga ber-phbs (X 1 ), kepadata peduduk (X 5 ), persetase peduduk miski (X 6 ), da persetase puskesmas per 1. peduduk (X 1 ). Estimasi parameter variabel sigifika yaitu β 1, β 5, β 6, da β 1 pada α=5% ditujukka pada Tabel berikut. TABEL ESTIMASI PARAMETER OLS Parameter Estimasi thitug p-value VIF β -,7846-1,11,74 β1 -,174 -,8*,8* 1.8 β5,3 3,76*,1* β6,56 8,74*,* β1 -, *,39* 1.5 Fhitug,93 R 7,% AIC 14,164 Ket: *) sigifika pada α = 5% t,5;39 =,3 F.5;4;39=,61 Nilai R dari estimasi empat parameter yag sigifika sebesar 7, perse, meujukka bahwa model regresi yag dihasilka mampu mejelaska besarya variasi dari agka prevalesi peyakit kusta sebesar 7, perse. Asumsi multikoliearitas telah terpeuhi karea tidak terdapat ilai Variace Iflatio Factors (VIF) yag melebihi 1, sehigga tidak ada multikoliearitas atara variabel idepede. Model regresi yag terbetuk adalah : ŷ i =,7846,174X i1 +,3X i5 +,56X i6,364x i1 Berdasarka pegujia asumsi residual megguaka Kolmogorov Smirov diperoleh ilai p-value sebesar >,15 meujukka bahwa residual telah berdistribusi ormal. Uji asumsi idetik dega uji Gletser meujukka bahwa residual tidak idetik karea terdapat variabel prediktor yag sigifika memegaruhi absolut residual, sehigga asumsi idetik tidak terpeuhi. Pada pegujia asumsi idepede megguaka plot ACF diketahui bahwa terdapat ilai lag residual yag keluar dari garis pada plot Autocorrelatio Fuctio (ACF) sehigga disimpulka bahwa residual tidak memeuhi asumsi idepede. Uji heterogeitas spasial pada residual diperoleh melalui Breusch-Paga Test di maa ilai p-value yag dihasilka kurag dari α=5% sehigga dapat disimpulka bahwa residual tidak idetik. Pegujia asumsi idetik da idepede tidak terpeuhi sehigga model regresi yag diperoleh memiliki kierja yag kurag baik karea variasya tidak homoge da terdapat autokorelasi pada residual. Hal ii di-idikasika karea terdapat efek spasial terhadap variabel respo maupu variabel prediktor, sehigga perlu dilakuka pemodela dega megguaka metode spasial. 4) Pemodela dega Metode SAR da Metode SDM a) Metode SAR Idetifikasi awal sebelum melakuka metode spasial yaitu dega LM Test seperti pada Tabel 3. TABEL 3. NILAI LM TEST DAN P-VALUE IDENTIFIKASI AWAL Uji depedesi spasial Nilai p-value Lagrage Multiplier (lag) 9,3494,* Lagrage Multiplier (error),134,979 Ket: *) sigifika pada α = 5% Tabel 3 di atas meujukka bahwa p-value pada LM Test Lag sebesar, sehigga tolak H pada taraf sigifikasi α= 5%. Hal ii berarti terdapat depedesi spasial lag, sehigga perlu dilajutka dega metode Spatial Autoregressive Model (SAR). Berdasarka estimasi parameter pada Tabel 4 diperoleh model SAR yaitu : ŷ i =,3533 w ij y j,7673,11x 1 +,X 5 +,187X 6,411X 1 TABEL 4 ESTIMASI PARAMETER DENGAN METODE SAR Ket: *) sigifika pada α = 1% diperoleh model SAR yaitu : ŷ i =,3533 w ij y j,7673,11x i1 +,X i5 +,187X i6,411x i1 Model SAR tersebut meghasilka ilai R sebesar 77,45 perse, mejelaska besarya variasi agka prevalesi kusta yag dapat dijelaska oleh model, sedagka sisaya sebesar,55perse dijelaska oleh faktor lai di luar model. b) Metode SDM Hasil idetifikasi ilai Mora s I utuk setiap variabel meujukka bahwa depedesi atarlokasi tidak haya terjadi pada variabel respo, amu juga terjadi pada variabel prediktor (Tabel 1). Oleh karea itu, dilakuka aalisis dega megguaka metode SDM dimaa estimasi parameter metode SDM disajika pada Tabel 5 da diperoleh model SDM pada lokasi ke-i sebagai berikut. ŷ i =,18 w ij y j,5837,7x i1 +,X i5 +,1963X i6,1479x i1,35 w ij y j1 +, w ij y j5 +,133 w ij y j6,3138 w ij y j1 Parameter Estimasi Zhitug p-value β -,7673-1,3,1854 β1 -,11 -,3435,191 β5, 3,1374,17 β6,187 6,769, β1 -,411-1,698,95* ρ,3533 3,85,6 R 77,45% AIC 95,45 TABEL 5. ESTIMASI PARAMETER DENGAN METODE SDM Parameter Estimasi Wald p-value β -,5837,3884,5331 β1,1 -,7 1,5796,88 β1,5, 9,4136,1 β1,6,1963,6,

6 D-3 JURNAL SAINS DAN SENI ITS Vol. 5 No. (16) (31-98X Prit) β1,1 -,1479 1,9,45 β,1 -,35 1,8699,9 β,5, 1,5166,181* β,6,133 6,55,14 β,1 -,3138 1,676,1954 ρ -,18,5394,4848 R 83,5% AIC 89,83 Ket: *) sigifika pada α = 5%, χ,5;1 = 1,33 Nilai R sebesar 83,5%, mejelaska besarya variasi agka prevalesi kusta yag dapat dijelaska oleh model. Adapu ilai ρ pada Tabel 5 tidak sigifika sehigga pada model SDM yag terbetuk tidak ada depedesi spasial lag pada variabel agka prevalesi kust, amu terdapat depedesi spasial terhadap variabel idepede yag besar pegaruhya ditujukka dega ilai koefisie parameter pada masig-masig variabel idepede. Koefisie parameter β 1 sebesar -,35 meujukka besarya pegaruh kedekata daerah pada variabel persetase rumah tagga ber-phbs (X 1 ), parameter β 5 sebesar, meujukka besarya pegaruh kedekata daerah pada variabel kepadata peduduk (X 5 ), parameter β 6 sebesar,133 meujukka besarya pegaruh kedekata daerah pada variabel persetase peduduk miski (X 6 ), da parameter β 1 sebesar -,3138 meujukka besarya pegaruh kedekata daerah pada variabel persetase puskesmas (X 1 ). Adapu w ij meujukka adaya pegaruh lokasi atara kabupate/kota yag diamati (i) dega kabupa-te/kota yag letakya berdekata (j). Berdasarka aalisis yag telah dilakuka dega megguaka metode OLS, metode SAR, da metode SDM, meghasilka bahwa model dega metode SDM memiliki ilai R lebih besar da ilai AIC lebih kecil. Hal ii dapat dilihat pada Tabel 6 berikut. TABEL 6 PEMILIHAN MODEL TERBAIK Metode Nilai R Nilai AIC OLS 7, % 14,164 SAR 77,45% 95,45 SDM 83,5% 89,83 Pada idetifikasi ilai mora s I pada variabel respo megidikasika adaya depedesi spasial, sehigga pada pemodela dega metode SAR terdapat depedesi spasial pada agka prevalesi peyakit kusta (Tabel 4). Namu saat dilakuka pemodela dega metode SDM, pada Tabel 5 keofisie spasial pada variabel respo tidak sigifika yag berarti bahwa tidak ada depedesi spasial pada agka prevalesi peyakit kusta. V. KESIMPULAN DAN SARAN Kesimpula Berdasarka hasil aalisis da pembahasa didapatka beberapa kesimpula sebagai berikut. 1. Persebara agka prevalesi peyakit kusta terjadi pegelompoka pada kabupate/kota yag memiliki wilayah berdekata. Terdapat 1 kabupate/kota di Jawa Timur yag memiliki agka prevalesi kusta dega kategori tiggi dimaa agka prevalesi kusta tertiggi berada di Kab. Sampag. Semetara berdasarka ilai Mora s I bahwa satu variabel idepede yaitu variabel persetase teaga medis puskesmas per 1. peduduk (X 9 ) memiliki pola meyebar, sedagka sembila variabel idepede laiya memiliki pola megelompok.. Pemodela dega metode Spatial Durbi Model (SDM) lebih baik dibadigka dega metode OLS da metode SAR. Hal ii berdasarka kriteria R maksimum sebesar 83,5% da ilai AIC miimum sebesar 89,83. Adapu variabel yag berpegaruh terhadap agka prevalesi peyakit kusta yaitu persetase rumah tagga ber-phbs, kepadata peduduk, persetase peduduk miski da persetase puskesmas per 1. peduduk. Model SDM pada lokasi ke-i adalah sebagai berikut. ŷ i =,18 w ij y j,5837,7x i1 +,X i5 +,1963X i6,1479x i1,35 w ij X j1 +, w ij X j5 +,133 w ij X j6,3138 w ij X j1 Sara Pada peelitia ii pegaruh spasial lag variabel depede pada model SAR sigifika, amu setelah dilakuka pemodela SDM, pegaruh spasial lag variabel depede mejadi tidak sigifika, sehigga perlu dilakuka peelitia lebih lajut megeai hal tersebut. DAFTAR PUSTAKA [1] Djuada, A. (1997). KUSTA, Diagosis da Peatalaksaaa. Jakarta: Balai Peerbit Fakultas Kedoktera Uiversitas Idoesia. [] Dias Kesehata. (1). Profil Kesehata Provisi Jawa Timur Tahu 1. Surabaya: Dias Kesehata Provisi Jawa Timur. [3] Sarifa. (14, September 9). (A. Herawa, Editor) Retrieved Mei 3, 16, from Lesa Idoesia: [4] Bekti, R. D. (11). Spatial Durbi Model (SDM) utuk Megidetifikasi Faktor-Faktor yag Berpegaruh terhadap Kejadia Diare di Kabupate Tuba. Surabaya: Tesis Statistika ITS. [5] Pertiwi, L. D. (1). Spatial Durbi Model utuk Megidetifikasi Faktor-Faktor yag Mempegaruhi Kematia Ibu di Jawa Timur. Surabaya: Tugas Akhir Statistika ITS. [6] Aditie, N. B. (1). Regresi Spatial Durbi Model utuk Megidetifikasi Faktor yag Berpegaruh pada Agka Kematia Bayi di Jawa Timur. Surabaya: Tugas Akhir Statistika ITS. [7] Patmawati. (15, Septemebr). Faktor Risiko Ligkuga da Perilaku Pederita Kusta di Kabupate Polewali Madar. Buleti Peelitia Kesehata, 43(3), 7-1. [8] Juiardi, L. C. (15). Aalisis Faktor-Faktor yag Mempegaruhi Jumlah Kasus Kusta di Jawa Timur pada Tahu 13 megguaka Geographically Weighted Biomial Regressio (GWNBR). Surabaya: Tugas Akhir Statistika ITS. [9] Dzikria, A. M. (13). Pemodela Agka Prevalesi Kusta da Faktor-Fator yag Mempegaruhi dega Pedekata Geographically Weighted Regressio (GWR). Surabaya: Tugas Akhir Statistika ITS. [1] Idarto. (1). Dasar-Dasar Sistem Iformasi Geografis. Jember: Jember Uiversity Pers. [11] Draper, N., & Harry, S. (199). Aalisis Regresi Terapa. Jakarta: PT. Gramedia Pustaka. [1] LeSage, J. (1999). The Theory ad Practice of Spatial Ecoometrics. [13] Aseli, L. (1998). Spatial Ecoometrics: Methods ad Models. Netherlads: Kluwer Academic Publishers. [14] Lee, J., & Wog, D. (1). Statistical Aalysis with Arcview GIS. New York: Joh Wiley ad Sos. [15] Hu, S. (1). Akaike Iformatio Criterio. USA: North Carolia State Uiversity. [16] Jariwala, D., Petel, B., Godara, N., & Katharia, S. (13, July- Sept). Socio-Demographic ad Evirometal Correlates of Leprosy : A Hospital Based Cases Cotrol Study. Natioal Joural of Commuity Medicie, 4(3), [17] Abdi, G. M. (14). Pemodela Prevalesi Kejadia Kusta dega Pedekata Spatial Durbi Model-SEM PLS (Structural Equatio Modellig Partial Least Square). Surabaya: Tesis Statistika ITS. [18] Dias Kesehata.(1). Profil Kesehata Provisi Jawa Timur. Surabaya: Dias Kesehata Provisi Jawa Timur.