BAB IV HASIL DAN PEMBAHASAN

Transkripsi

1 24 BAB IV HASIL DAN PEMBAHASAN Bagian awal bab ini disajikan pemetaan untuk mendeskripsikan jumlah DBD dan faktor yang mempengaruhi di Kota Semarang. Bagian selanjutnya dilakukan pemodelan untuk mendapatkan model dari faktor yang mempengaruhi jumlah DBD. Pada pemetaan digunakan batas lokasi administrasi stasiun pengamatan curah hujan Kota Semarang. Kota Semarang memiliki 10 unit stasiun pengamatan curah hujan, namun dikarenakan keterbatasan data yang peneliti peroleh, penelitian ini hanya menggunakan 8 unit stasiun pengamatan curah hujan. 4.1 Deskripsi DBD dengan faktor yang mempengaruhi Jumlah demam berdarah dengue dan faktor yang mempengaruhinya dikatekorikan menjadi tiga kelompok yaitu tinggi, sedang, dan renah. Hal ini bertujuan untuk mempermudah menginterpretasi hasil dari pemetaan. Berikut ini hasil pemetaan variabel yang digunakan dalam penelitian dengan menggunakan 8 unit stasiun batas administratif wilayah Kasus demam berdarah dengue Tahun 2012, Kota Semarang memiliki jumlah kasus penderita demam berdarah dengue sebesar jiwa dengan rata-rata sebesar 78 jiwa disetiap kecamatan. Jumlah kasus DBD tertinggi di Kecamatan Tembalang dengan jumlah kasus 176 jiwa, sedangkan jumlah terkecil sebasar 10 jiwa di Kecamatan Tugu. 24

2 25 Jumlah kasus DBD di Kecamatan Tugu sebesar 10 jiwa diduga karena memiliki tinggat kepadatan penduduk terendah di Kota Semarang. Hasil pemetaan jumlah kasus DBD dengan batas administrasi wilayah mempunyai pola menyebar di setiap wilayah administrasi seperti disajikan pada gambar 4.1 dengan keragaman sebesar 46,34. Gambar. 4.1 Persebaran Damam Berdarah Dengue Kota Semarang Berdasarkan gambar 4.1 menunjukkan Kecamatan Ngalian, Semarang Barat, Semarang Tengah, Semarang Selatan, Semarang Timur, Gajah Mungkur, Candisari, Banyumanik, Tembalang, Pedurungan, Gayamsari, dan Kecamatan Gunuk memiliki jumlah DBD tertinggi sebesar ,34 jiwa. Jumlah demam berdarah kategori sedang sebasar ,34 jiwa terlihat pada Kecamatan Semarang Utara. Sedangkan Kecamatan Tugu, Ngalian, dan Kecamatan Gunungpati terlihat pada kategori rendah dengan jumlah antara ,34 jiwa.

3 Persentase kepadatan penduduk Kota Semarang memiliki kepadatan penduduk yang tidak merata, dikarenakan secara geografis Kota Semarang terbagi menjadi dua yaitu kota bawah (daerah daratan rendah) dan kota atas (daerah perbukitan). Pada tahun 2012 Kecamatan Semarang Selatan memiliki tingat kepadatan penduduk tertinggi sebesar per Km 2, sedangkan kepadatan penduduk terendah dimiliki Kecamatan Tugu sebesar 972 per Km 2. Gambar. 4.2 Peta Kepadatan Penduduk Kota Semarang Berdasarkan gambar 4.2 menunjukkan tingkat kepadatan pada kategori rendah per Km 2 meliputi wilayah kecamatan Mijen, Ngaliyan dan Semarang Barat. Kategori sedang per Km 2 lebih mendominasi sebagian besar kecamatan di Kota Semarang. Sedangkan kategori tinggi per Km 2 meliputi wilayah kecamatan Semarang Tengah,

4 27 Semarang Selatan, Semarang Timur, Gayamsari, Candisari, dan kecamatan Pedurungan Persentase curah hujan Curah hujan Kota Semarang sepanjang tahun 2012 didominasi dengan instensitas rendah di beberapa wilayah. Dengan rata-rata curah hujan 232 per mm. Gambar. 4.3 Peta Curah Hujan Kota Semarang Berdasarkan gambar 4.3 menunjukkan curah hujan didominasi kategori rendah per mm hampir seluruh kecamatan di Kota Semarang. Kategori sedang per mm hanya pada kecamatan Banyumanik dan sebagian kecil kecamatan Gunungpati. Pada kategori tinggi per mm teletak pada kecamatan Mijen dan sebagian besar kacamatan Gunungpati.

5 Pemodelan Kasus Demam Berdarah Dengue Deteksi Multikolinieritas Sebelum dilakukan pemodelan regresi Poisson perlu dilakukan uji multikolinieritas terlebih dahulu. Uji ini bertujuan untuk mengetahui apakah variabel prediktor telah memenuhi asumsi tidak saling berkolinieritas. Sesuai dengan teori pada Subbab 2.2, ada dua kritaria yang dapat digunakan untuk mengetahui adanya kondisi kolineritas antar variabel prediktor. Kriteria pertama adalah dengan menggunakan VIF (Variance Inflation Factors). Tabel 4.1 Variance Inflation Factors Prediktor X1 X2 VIF Pada Tabel 4.1 nilai VIF j X1 dan X2 sebesar 1.3 menunjukkan bahwa variabelvariabel prediktor tidak saling berkolerasi. VIF j yang bernilai lebih besar dari 10 menunjukkan adanya kolinieritas antara variabel-variabel prediktor. Kriteria kedua menggunakan koefisien korelasi Pearson (rij), dengan menggunakan persamaan (2.14) hasil korelasi Pearson didapatkan nilai rij = (Lampiran 3). Nilai korelasi antar variabel prediktor kurang dari 0.95 sehingga tidak terjadi multikolinieritas dan dapat dilakukan analisis regresi Poisson.

6 Model Regresi Poisson Pengujian secara serentak model regresi poisson dengan menggunakan hipotesis sebagai berikut. H0 : ߚଵ ߚ ڮ ߚ = 0 H1 : paling sedikit ada satu ߚ 0 Hasil pengujian serentak dengan model regresi Poisson didapatkan nilai devians ܦ ሺߚመ) sebesar (Lampiran 4). Dengan Tabel taraf sagnifikan 5% መ didapatkan nilai (Ǣ ǡ ହ) sebasar Nilai ܦ ሺߚ) lebih besar dari (Ǣ ǡ ହ) 5.99 sehingga hopitesis H0 ditolak yang berarti bahwa pemodelan dengan menggunakan regresi Poisson menghasilkan paremeter yang signifikan berpengaruh terhadap model. Pengujian parsial model regresi poisson dengan menggunakan hipotesis sebagai berikut. H0 : ߚଵ ߚ ڮ ߚ = 0 H1 : paling sedikit ada satu ߚ 0 Hasil pengujian parsial statistik uji yang mengunakan Uji Z, Uji Z adalah pengujian hipotesis yang didekati dengan distribusi normal. Dengan kriteria, jika Z hitung < Z tabel, maka terima H0 seperti pada Tabel 4.2 Tabel 4.2 Penaksiran Parameter Regresi Poisson Variabel Estimate Standard Error Z_Hit ߚ ߚଵ ߚ

7 30 Dari Z tabel menunjukkan nilai 1.96 sehingga dengan melihat hasil dari Tabel 4.2 menunjukkan paremeter berpengaruh signifikan terhadap model adalah ߚ ߚଵߚ sehingga model regresi poisson terbaik berbantuk adalah sebagai berikut. ߤƸ ሺͷǡͳͳͲͻ ͳͳ ͲǡͳͲͷͺ ݔ ଵ ͲǡͲ ʹͻ ͷͳ ݔ ) Variabel yang berpangaruh signifikan terhadap jumlah kasus DBD di Kota Semarang pada model regresi poisson adalah presentasi kepadatan penduduk (X1) dan presentasi curah hujan (X2). Model yang diperoleh menjelaskan bahwa ln rata-rata kasus DBD di Kota Semarang pada tahun 2013 akan mengalami kenaikan sebesar jika variabel presentasi kepadatan penduduk (X1) bertambah sebesar satu persen dengan syarat variabel (X2) bernilai konstan. Hal ini tidak berlaku untuk variabel presentase curah hujan (X2), karena ln rata-rata kasus DBD di Kota Semarang pada tahun 2013 akan penurunan sebesar jika variabel presentasi curah hujan (X2) bertambah sebesar satu persen dengan syarat variabel (X1) bernilai konstan. 4.3 Model GWPR Langkah pertama sebelum melakukan pemodelan dengan GWPR yang harus dilakukan adalah menentukan letak geografis tiap wilayah-wilayah administrasi di Kota Semarang (Lampiran 1). Langkah selanjutnya menentukan Bandwidth (b) optimum pemilihan bandwidth optimum dengan menggunakan metode Cross Validation (CV). Bandwidth optimum yang dihasilkan dari ( ܥ ଵ( ݕ ݕ ஷ ሺ ሻ)) sebessar 8,577 digunakan untuk mencari matriks pembobot di setiap wilayah administrasi, pembobot dalam penelitian ini menggunakan

8 31 Kernel Gaussian (persamaan 2.20). Matriks pembobot di lokasi ( ݑ ǡ ݒ ) adalah Wij maka langkah awal sebelum mendapat matriks pembobot adalah dengan mencari jarak Euclidean (dij) pada lokasi ( ݑ ǡ ݒ ). Dengan lokasi pusat (i) adalah lokasi Boja Mijen dan lokasi ke-j adalah lokasi pengamatan yang lainnya. Hasil perhitungan pembobot di lokasi (i) Boja Mijen terlihat pada Tabel 4.3 Tabel 4.3 Pembobot Gausskernel Wilayah Boja Mijen No Lokasi Boja mijen Beringin Gunung pati Tanjung mas Klipang Candi Semarang barat Tlogosari Jarak Euclidean Jarak Euclidean diperoleh dari perhitungan menggunakan rumus dengan letak geografis pada lampiran (1) adalah sebagai berikut: = ටሺ ݑ ݒ ) ሺ ݑ ݒ ) Boja mijen beringin = ඥ( ) + ( ) = = Boja mijen gunung pati = ඥ( ) + ( ) = = Hasil diperoleh dari perhitungan menggunakan persamaan (2.20): ଵ ቆ ଷǤଷଽ ଽସ ቁ ൰ Ǥହ Beringin = exp ൬ ቀ 1 ( ) ቇ 2 ଵ ቀ ͲǤͳͷ ͻ ͷቁ ͲǤͲ ͺ Ͷͺ

9 32 ଵ Ǥଷହସହ ቁ ൰ Ǥହ Gunung pati = exp ൬ ቀ ଵ ቀ ͲǤͲ ͷ ቁ ͲǤͲ ͺ Matrik pembobot yang digunakan untuk menaksirkan model GWPR di lokasi (i) Boja Mijen adalah matrik diagonal dari pembobot Wij yang teleh diperoleh pada Tabel 4.3 yaitu W1 adalah Wij Boja Mijen, W2 adalah Wij Beringin, sampai W8 adalah Wij Tlogosari. ( ) [ ଵ( ݑ ଵǡ ݒ ଵ)Ǣ ( ݑ ǡ ݒ )Ǣǥ Ǣ ( ݑ ǡ ]) ݒ ሾͳǢ ͲǤͳͻ ͺ Ͳͺ ǢͲǤͳ ʹ ǢͲǤͳ ͶͲǢͲǤͲ ͷ Ǣǥ ǢͲǤͳͷ ʹ ሿ Matrik pembobot dihitung di setiap lokasi untuk menaksirkan parameter model GWPR di setip lokasi ( ݑ ଵǡ ݒ ଵ). Hasil perhitungan matrik pembobot digunakan untuk menaksir parameter di lokasi W1( ݑ ଵǡ ݒ ଵ) sedangkan untuk menaksir parameter dilokasi ( ݑ ǡ ݒ ) hingga lokasi ( ݑ ǡ ) ݒ perlu dicari matrik pembobot W2( ݑ ǡ ݒ ) hingga matrik pembobot W8( ݑ ǡ ) ݒ dengan metode yang sama. Hasil dari penaksiran parameter di setiap wilayah pengamatan memberikan hasil yang berbada-beda Pengujian parameter GWPR Pengujian parsial digunakan untuk mengetahui faktor yang berpengaruh terhadap demam berdarang dengue disetiap wilayah. Berikut ini adalah hipotesis uji parsial parameter. H0 : ߚ ( ݑ ǡ ݒ ) = 0 H1 : ߚ ( ݑ ǡ ݒ ) Ͳ Ǣ ͳǡʹǡ ڮ Untuk mendapatkan t-hitung dari masing-masing parameter menggunakan formula pada persamaan (2.18). Indeks k merupakan parameter

10 33 yang akan diuji yaitu ݔ ଵ ݔ sedangkan i adalah unit wilayah. Dengan hasil uji parsial GWPR dapat dilihat tabel 4.4 Lokasi Boja Mijen Bringin Gunung Pati Tanjung Mas Klipang Candi Semarang Barat Tlogosari Tabel 4.4 Uji Parsial GWPR Estimasi Standard error ݔ ଵ ݔ ݔ ଵ ݔ t-hitung ݔ ଵ , ݔ Dengan hasil t-tabel ( ݐ ൫ ଵǢఈ ൯) = 2,44691 dengan taraf signifikan ߙ=5% maka ݔ ଵ ݔ berpengaruh secara signifikan terhadap unit stasiun karena tolak H0 jika ห ݐ ௧௨ ห ݐ ൫ ଵǢఈ ൯. Dapat disimpulkan variabel respon kepadatan penduduk (x1) dan curah hujan (x2) berpengaruh signifikan terhadap lokasi kejadian kasus demam berdarah dengue Pengujian Kesusuaian Model GWPR Pengujian kesesuaian model GWPR digunakan untuk mengetahui kebaikan model GWPR dibandingan dengan model regresi Poisson. Hipotesis yang digunakan adalah: H ߚ ( ݑ ǡ ݒ ) ߚ ǡ ͳǡʹǡ Ǣ ͳǡʹǡǥ ͺ (tidak ada pengaruh yang signifikan antara model regresi Poisson dengan model GWPR) H1 : paling sedikit ada satu ߚ ( ݑ ǡ ݒ ) ߚ (ada pengaruh yang signifikan antara model regresi Poisson dengan model GWPR)

11 34 Pengujian Kesesuaian model Regresi Poisson dan GWPR menggunakan uji signifikan F dengan level ߙ yang dikendaki dengan syarat distribusi masih mendekati normal (lampiran 3). Hasil signifikan antara model regresi Poisson dengan model GWPR dan pengujian kesesuaian model adalah sebagai berikut. Tabel 4.5 Uji Kesesuaian Model Model Regresi Poisson GWPR Devians Df 5 4 Devians/Df F hitung Hasil pengujian kesesuaian model secara serentak dengan mengunakan uji F dari tabel (4.5) diperoleh nilai F hitung sebesar dibandingkan dengan nilai F(0,05;5;4) tabel sebesar 6,2561. Keputusan yang didapat adalah menerima H0 sehingga dapat disimpulkan tidak ada perbedaan yang signifikan antara model regresi poisson dengan model GWPR Pengujian Aspek Spasial Pengujian aspek spasial digunakan untuk menguji apakah variabel penelitian terdapat dampak spasial dan heterogenitas spasial. Heterogenitas spasial diidentifikasi dengan menggunakan statistik uji Breusch-Pagan, dengan hipotesis yang digunakan adalah : H0 : ߪଵ ߪ ڮ ߪ ߪ H1 : minimal ada satu ߪ ߪ Tabel 4.6 Pengujian Aspek Spasial df P-value Breusch-Pagan Dari tabel di atas dengan kriteria tolak H0 jika BP >, hasil pengujian aspek spasial dengan menggunakan uji Breusch-Pagan diperoleh nilai BP sebesar

12 dibandingkan nilai sebesar , maka kriteria tolak H0 terpenuhi. Dan dapat disimpulkan variabel penelitian antara variabel respon dengan variabel prediktor terdapat dampak spasial dan heterogenitas spasial. 4.4 Perbandingan Model Regresi Poisson dengan Model GWPR Perbandingan model regresi poisson dengan model GWPR bertujuan untuk mendapatkan model terbaik yang dapat diterapkan pada kasus DBD. Kriteria kebaikan model yang digunakan adalah Akaike s Information Criterion (AIC) yang dihasilkan dari (persamaan 2.22) sebagai berikut : Tabel 4.7 Perbandingan Kesesuaian Model Model Regresi Poisson GWPR AIC Tabel menunjukkan bahwa nilai AIC model GWPR lebih kecil yaitu sebesar 39,73804 jika dibandingkan dengan nilai AIC model regresi poisson sebesar 42, Dengan demikian model GWPR lebih tepat digunakan dalam analisis kasus DBD di Kota semarang.