D-37 JURNAL SAINS DAN SENI ITS Vol. 4, No.1, (2015) ( X Print)

Transkripsi

1 D-37 Pemetaa da Pemodela Jumlah Kasus Peyakit Tuberculosis (TBC) di Provisi Jawa Barat Pedekata Geographically Weighted Negative Biomial Regressio Wahedra(GWNBR) Pratama da Sri Pigit Wuladari Jurusa Statistika, FMIPA, Istitut Tekologi Sepuluh Nopember (ITS) Jl. Arief Rahma Hakim, Surabaya Idoesia Abstrak Tuberkulosis merupaka salah satu peyakit salura perafasa bawah da meular yag disebabka oleh bakteri Mycrobacterium Tuberculosis. Provisi Jawa Barat meduduki perigkat pertama jumlah kasus peyakit Tuberculosis di Idoesia. Dalam peelitia ii dilakuka pemetaa da pemodela jumlah kasus Tuberculosis di Provisi Jawa Barat pedekata Geographically Weighted Negative Biomial Regressio (GWNBR). Data jumlah kasus TBC merupaka data cout sehigga aalisis yag diguaka utuk memodelka data cout adalah regresi Poisso. Dalam aalisis regresi Poisso serig kali mucul feomea overdispersi dalam pemodela tersebut. Jika terjadi overdispersi, regresi Poisso tidak sesuai utuk memodelka data da model yag aka terbetuk meghasilka estimasi parameter yag bias. Salah satu metode yag diguaka dalam megatasi overdispersi dalam regresi Poisso adalah regresi Biomial Negatif. Dega memperhatika aspek spasial (wilayah) maka diguaka metode Geographically Weighted Negative Biomial Regressio. Hasil peelitia meghasilka 5 pegelompokka kabupate/kota berdasarka variabel yag mempegaruhi. Faktor yag mempegaruhi jumlah kasus TBC di semua kabupate/kota di Provisi Jawa Barat adalah persetase rumah tagga yag berperilaku hidup bersih da sehat (PHBS). Kata Kuci GWNBR, PHBS, Regresi Poisso, Tuberculosis I. PENDAHULUAN sampai saat ii masih mejadi masalah TUBERCULOSIS utama kesehata masyarakat da secara global masih mejadi isu kesehata global di semua egara. Terdapat 22 egara kategori beba tiggi terhadap Tuberculosis (High Burde of TBC Number) [1]. Idoesia sebagai salah satu egara yag masuk dalam kategori egara beba tiggi terhadap Tuberculosis, berada pada perigkat kelima setelah Idia, Cia, Afrika Selata, da Nigeria jumlah pederita Tuberculosis sebesar 429 ribu orag [2]. Provisi Jawa Barat merupaka salah satu provisi di Idoesia yag terdiri dari 26 kabupate/kota. Di tigkat asioal, Provisi Jawa Barat meduduki perigkat pertama peyumbag jumlah pederita Tuberculosis. Total jumlah kasus sebayak orag jumlah kesembuha haya sebayak orag [3]. TBC bayak ditemuka di daerah pemukima padat peduduk saitasi yag kurag bagus. Salah satu faktor peyebab percepata berkembagya peyakit ii adalah ligkuga rumah yag kurag sehat, diataraya kuragya vetilasi da pecahayaa matahari pada rumah peduduk, serta kuragya istirahat. Perbedaa faktor-faktor yag berpegaruh di masig-masig topografi meujukka adaya pegaruh kodisi lokal dari suatu wilayah tertetu dalam meetuka faktor-faktor yag berpegaruh sigifika terhadap peyakit Tuberculosis. Jumlah kasus TBC merupaka data cout sehigga utuk megetahui faktor-faktor yag berpegaruh terhadap kasus TBC diguaka aalisis regresi Poisso. Dalam aalisis regresi Poisso, serig kali mucul feomea overdispersi. Salah satu metode yag diguaka dalam megatasi overdispersi dalam regresi Poisso adalah regresi Biomial Negatif. Dega memperhatika aspek spasial (wilayah) maka diguaka metode Geographically Weighted Negative Biomial Regressio. Setiap wilayah pasti memiliki kodisi geografis yag berbeda sehigga meyebabka adaya perbedaa jumlah kasus TBC atara wilayah satu wilayah yag laiya sesuai karakteristik wilayah tersebut dikaitka kodisi ligkuga dalam rumah tagga peduduk. Tujua peelitia ii adalah medeskripsika karakteristik jumlah kasus TBC di Provisi Jawa Barat pada tahu 2012, memetaka da memodelka GWNBR. Peelitia ii dibatasi pada data jumlah kasus TBC di Jawa Barat pada tahu 2012 da pembobot yag diguaka dalam pemodela GWBNR adalah pembobot fugsi kerel adaptive bisquare. II. TINJAUAN PUSTAKA A. Tuberculosis Tuberculosis adalah peyakit meular lagsug yag disebabka oleh kuma Mycobacterium Tuberculosis tipe Humaus. Basil Tuberculosis termasuk dalam geus Mycrobacterium yag meyebabka sejumlah peyakit berat pada mausia da juga peyebab terjadiya ifeksi terserig [1]. Faktor yag mempegaruhi terjadiya peyakit Tuberculosis adalah kodisi sosial ekoomi masyarakat, yaitu status gizi da saitasi ligkuga. Semaki redah status gizi da saitasi ligkuga meyebabka redahya daya taha tubuh sehigga mudah tertular Tuberculosis saat sakit [2]. Faktor ligkuga memegag peraa petig dalam peulara peyakit, terutama ligkuga rumah yag tidak

2 D-38 memeuhi syarat. Ligkuga rumah merupaka salah satu faktor yag memberika pegaruh besar terhadap status kesehata peghuiya [3]. Adapu syarat-syarat yag dipeuhi oleh rumah sehat secara fisiologis berpegaruh terhadap kejadia Tuberculosis adalah kepadata peghui rumah, kelembaba rumah, vetilasi, pecahayaa siar matahari, latai rumah da didig [4]. B. Multikoliieritas Salah satu syarat yag harus dipeuhi dalam pembetuka model regresi beberapa variabel prediktor adalah tidak ada kasus multikoliearitas. Pedeteksia kasus multikoliieritas dilakuka megguaka kriteria ilai VIF. Jika ilai VIF (Variace Iflatio Factor) lebih besar dari 10 meujukka adaya multikoliieritas atarvariabel prediktor. Nilai VIF diyataka sebagai berikut. (1) adalah koefisie determiasi atara satu variabel prediktor variabel prediktor laiya. [4]. C. Regresi Poisso Regresi Poisso merupaka model regresi oliear yag serig diguaka utuk memodelka data cout [5]. Jika variabel radom diskrit (y) merupaka distribusi Poisso parameter µ maka fugsi probabilitas dari distribusi Poisso dapat diyataka sebagai berikut. y f ( y, ) e ; y 0,1,2,... y! (2) Dega µ merupaka rata-rata variabel respo yag berdistribusi Poisso dimaa ilai rata-rata da varia dari Y mempuyai ilai lebih dari 0. Persamaa model regresi Poisso dapat ditulis sebagai berikut. i exp( 0 1X1i 2 X 2i... p X pi) (3) Dega µi merupaka rata-rata jumlah kejadia yag terjadi dalam iterval waktu tertetu. D. Estimasi Parameter Model Regresi Poisso Salah satu metode yag diguaka utuk pegestimasia parameter regresi Poisso adalah metode Maximum Likelihood Estimatio (MLE). Fugsi likelihood dirumuska sebagai berikut. T exp - exp x it β exp yi x i β i 1 i 1 Lβ Tolak H0 jika ˆ Lω G2 2l Λ 2l ˆ L Ω Statistik Uji : G2 χ 2 (5), p yag berarti miimal ada satu parameter yag berpegaruh secara sigifika. Kemudia dilakuka pegujia parameter secara parsial hipotesis sebagai berikut. H 0 : βk 0 ; k 1,2,..., p H1 : βk 0 Statistik Uji : Z hitug Tolak H0 jika sigifikasi yag ditetuka. βˆk ˆ SE βˆk (6) merupaka tigkat F. Overdispersi Regresi Poisso Overdispersi merupaka ilai dispersi pearso Chi-square atau deviace yag dibagi derajat bebasya, diperoleh ilai lebih besar dari 1. [7]. G. Regresi Biomial Negatif Model regresi Biomial Negatif mempuyai fugsi massa probabilitas sebagai berikut [8]. P y,, y 1 / 1 1 / y! 1 1/ 1 y y 0,1,2,... ; exp(xti β) (7) Pada Persamaa (7) ii, kodisi overdispersi ditujukka ilai >1. Estimasi model regresi Biomial Negatif diyataka sebagai berikut. yˆ i exp ˆ0 ˆ1 X 1i ˆ2 X 2 i... ˆ p X pi (8) H. Estimasi Parameter Model Regresi Biomial Negatif Metode Maximum Likelihood Estimatio (MLE) diguaka utuk pedugaa parameter dalam regresi Biomial Negatif. Fugsi Likelihood dari regresi Biomial Negatif adalah sebagai berikut. L, 1/ ( y 1 / ) 1 (1 / ) y! 1 i i 1 i y (9) Pedugaa regresi Biomial Negatif megguaka metode iterasi Newto Rhapso utuk memaksimumka fugsi Likelihood. i 1 yi! (4) i 1 dimaa, β p T ; xi 1 x1i... x pi T E. Pegujia Parameter Model Regresi Poisso Uji sigifikasi secara seretak megguaka Maximum Likelihood Ratio Test (MLRT) hipotesis sebagai berikut [6]. H0 : β1 β2 βp 0 H1 : miimal ada satu βk 0;k 1,2,, p I. Pegujia Parameter Regresi Biomial Negatif Pegujia sigifikasi secara seretak utuk estimasi parameter model regresi Biomial Negatif megguaka uji devias hipotesis sebagai berikut [9]. H0: β1= β2=...= βp=0 H1: miimal ada satu βk 0; k=1,2,...,p Statistik Uji: L( ˆ ) ˆ ) l L( ˆ ) G 2 2l 2 l L( ˆ L( ) (10) Tolak H0 jika statistik uji G 2 χ 2, p

3 D-39 Pegujia sigifikasi secara parsial utuk megetahui parameter maa saja yag memberika pegaruh yag sigifika terhadap model hipotesis sebagai berikut. H0: βk=0 H1: βk 0 ; k=1,2,...,p ˆk Wk SEˆ ˆ Statistik Uji: J. Pegujia Depedesi Spasial Pegujia depedesi spasial dilakuka utuk melihat apakah pegamata di suatu lokasi berpegaruh terhadap pegamata di lokasi lai yag letakya berdekata. Pegujia depedesi spasial dilakuka megguaka statistik uji Mora s I hipotesis sebagai berikut. H 0 : I 0 (tidak terdapat depedesi spasial) Var ( Iˆ ) (14) 2 T tr MWMW tr MW tr MW d E ( Iˆ)2 2 (15), 1 d k k 2 ; M I X X T X XT Z hit Z / 2 : ilai observasi respo ke-i : offset variable : ilai observasi variabel prediktor ke-p pada pegamata lokasi : koefisie regresi variabel prediktor ke-p utuk setiap lokasi : parameter dispersi utuk setiap lokasi (12) ( k ) Keputusa : Tolak H0 jika ilai et e 1 L. GWNBR Model GWNBR aka meghasilka parameter lokal masig-masig lokasi aka memiliki parameter yag berbeda-beda. Model GWNBR dapat dirumuska sebagai berikut [10]. (17) yi ~ NB t j exp p p ui, vi xip, ui, vi ; i 1, 2,..., We (13) e = vektor residual W = matriks peimbag spasial atarlokasi Rumus persamaa ilai mea da varias dari Mora s I sebagai berikut. tr M W E ( Iˆ) Var ( Iˆ) ei2 2 Keputusa : Tolak H0 jika ilai BP >,k atau p-value < yag berarti terjadi heteroskedastisitas dalam model (variasi atarlokasi berbeda). tj Iˆ E ( Iˆ ) T dimaa, H1 : I 0 (terdapat depedesi spasial) e Iˆ eleme vektor f adalah f i (16) 2 k (11) H0 ditolak jika statistik uji W atau thitug lebih besar dari t(k;α/2). Tolak H0 artiya bahwa parameter ke-k sigifika terhadap model regresi Biomial Negatif. Z hit Z = matriks berukura xk 1 berisi vektor yag sudah di ormal stadardka utuk setiap observasi. Statistik uji : BP (1 / 2 ) f T Z ( Z T Z ) 1 Z T f, yag berarti terdapat M. Estimasi Parameter model GWNBR Estimasi parameter model GWNBR megguaka metode maksimum likelihood. Fugsi likelihood dapat dituliska sebagai berikut [10]. L ui, vi, i yi, xi y 1 1 r i r y! 1 i i 1/ i i i 1 i i yi i 1 18) N. Pegujia Kesamaa model GWNBR Regresi Biomial Negatif Pegujia kesamaa model GWNBR regresi Biomial Negatif dilakuka utuk melihat terdapat perbedaa yag sigifika atau tidak atara model GWNBR regresi Biomial Negatif hipotesis sebagai berikut. depedesi spasial dalam model. K. Pegujia Heteroskedastisitas Spasial Pegujia heterogeitas spasial dilakuka utuk melihat apakah terdapat kekhasa pada setiap lokasi pegamata, sehigga parameter regresi yag dihasilka berbeda-beda secara spasial. Pegujia heterogeitas spasial dilakuka megguaka statistik uji Breusch-Paga (BP) hipotesis sebagai berikut. H0 : H1 : miimal ada satu (variasi atarlokasi sama) (variasi atarlokasi berbeda) Megguaka statistik uji Breusch-Paga (BP) adalah sebagai berikut. Statistik uji : (17) Model A adalah model Biomial Negatif da model B adalah model GWNBR. Tolak jika yag artiya bahwa ada perbedaa yag sigifika atara model Biomial Negatif model GWNBR [10]. O. Pegujia Parameter Model GWNBR Pegujia sigifikasi parameter model GWNBR terdiri dari uji seretak da parsial. Uji sigifikasi secara seretak

4 D-40 megguaka Maximum Likelihood Ratio Test (MLRT) hipotesis sebagai berikut. H0 : H1 : palig sedikit ada satu 0 ; k = 1,2,...,p IV. ANALISIS DAN PEMBAHASAN Statistik Uji: L( ˆ ) ˆ ) l L( ˆ ) 2 l L( G 2 2l ˆ ) L ( Tolak H0 jika statistik uji G 2 > A. Karakteristik Jumlah Kasus TBC Tahu 2012 di Provisi Jawa Barat Pegujia sigifikasi secara parsial utuk megetahui parameter maa saja yag memberika pegaruh yag sigifika terhadap variabel respo pada tiap-tiap lokasi hipotesis sebagai berikut. H0 : H1 : Statistik uji: 0 ; k=1,2,...,p Z hit ˆk (ui, vi ) SEˆ ˆ (u, v ) k i i 6. Memodelka GWNBR utuk kasus TBC di Provisi Jawa Barat pada tahu 2012 da memetaka wilayah berdasarka variabel yag sigifika. (18) Jawa Barat merupaka provisi di Idoesia jumlah kasus TBC terbayak pertama. Pada tahu 2012, jumlah kasus TBC di Jawa Barat mecapai kasus rata-rata sebayak kasus.. Kabupate Bogor memiliki jumlah kasus TBC palig bayak jumlah kasus da Kota Bajar memiliki jumlah kasus TBC palig sedikit jumlah 253 kasus. Jumlah kasus TBC memiliki deviasi stadar yag besar yaitu 1.814,36 karea terdapat perbedaa yag sigifika atara jumlah kasus TBC tiap kabupate/kota. Berikut disajika pemetaa jumlah kasus TBC di Provisi Jawa Barat. ditolak jika statistik uji. Tolak H0 artiya bahwa parameter tersebut berpegaruh sigifika terhadap variabel respo di lokasi pada tiap lokasi [10]. III. METODOLOGI PENELITIAN Data yag diguaka dalam peelitia ii adalah data sekuder yag diperoleh melalui publikasi data profil kesehata di Dias Kesehata Provisi Jawa Barat, Bak Data Departeme Kesehata Republik Idoesia, da Bada Pusat Statistik (BPS) Provisi Jawa Barat. Jumlah lokasi peelitia yag diguaka adalah sebayak 26 kabupate/kota di Provisi Jawa Barat. Pejelasa masig-masig variabel adalah sebagai berikut. 1. Jumlah jumlah kasus TBC di tiap kabupate/kota di Provisi Jawa Barat tahu 2012 (Y) 2. Persetase rumah tagga yag berperilaku hidup bersih da sehat (PHBS) (X1) 3. Persetase rumah tagga yag memiliki akses air bersih (X2) 4. Presetase rumah tagga yag memiliki tempat sampah sehat (X3) 5. Persetase teaga medis (X4) 6. Persetase peduduk yag melek huruf (X5) 7. Kepadata Peduduk (X6) Lagkah aalisis yag dilakuka dalam peelitia ii yag didasarka pada tujua peelitia adalah sebagai berikut. 1. Medeskripsika karakteristik jumlah kasus TBC da faktor-faktor yag mempegaruhiya di Provisi Jawa Barat pada tahu 2012 megguaka aalisis statistika deskriptif da pemetaa wilayah utuk masig-masig variabel. 2. Pegujia kasus multikoliieritas berdasarka kriteria korelasi da VIF. 3. Megaalisis model regresi Poisso 4. Megaalisis model regresi Biomial Nrgatif 5. Pegujia aspek data spasial Gambar 1. Peta Peyebara Jumlah Kasus TBC di Jawa Barat Tahu 2012 Pada Gambar 1 idikator wara hijau merupaka kabupate/kota jumlah kasus TBC yag redah yaitu atara retag 253 higga kasus yaitu Kota Bajar, Kab.Purwakarta, Kota Cirebo, Kota Sukabumi, da Kota Tasikmalaya. B. Pemeriksaa Multikoliieritas Salah satu cara utuk medeteksi adaya kasus multikoliieritas, yaitu melihat ilai VIF (Variace Iflatio Factor). Berikut ii disajika ilai VIF. Tabel 1. Nilai VIF dari Variabel Prediktor Variabel Prediktor VIF Variabel Prediktor X1 3,755 X4 X2 1,225 X5 1,417 X6 X3 VIF 4,026 1,438 1,763 Tabel 1 meujukka ilai VIF dari masig-masig variabel prediktor memiliki ilai VIF kurag dari 10, sehigga dapat disimpulka bahwa tidak terdapat kasus multikoliieritas. C. Regresi Poisso Berikut ii merupaka estimasi parameter model regresi Poisso.

5 D-41 Tabel 2. Estimasi Parameter Model Regresi Poisso Estimate Std.Error Z Value P Value (Itercept) 7,6126 0, ,63 ZX1 0,631 0, ,839 ZX2-0,0521 0, ,098 ZX3 0,0509 0,0056 9,246 ZX4-0,1333 0, ,888 ZX5-0,0549 0, ,206 ZX6-0,0218 0,0046-2, * Deviace : 2.828,6 DF : 19 AIC : *) sigifika taraf yata 20% Berdasarka hasil pegujia sigifikasi 20% didapatka seretak taraf sebesar 8,56 yag berarti miimal ada satu variabel prediktor yag berpegaruh sigifika terhadap variabel respo. Berdasarka hasil pegujia secara idividu taraf sigifikasi 20% didapatka sebesar 1,29 yag artiya bahwa semua variabel prediktor dalam model secara idividu memberika pegaruh yag sigifika terhadap jumlah kasus TBC di Provisi Jawa Barat. Sehigga didapatka model regresi Poisso sebagai berikut. D. Regresi Biomial Negatif Lagkah awal dalam pemodela regresi Biomial Negatif adalah peetua ilai iitial theta Berdasarka hasil trialerror iitial theta didapatka iitial theta sebesar 11,141 sehigga dilakuka pemodela regresi Biomial Negatif iitial theta sebesar 11,141. Tabel 3. Estimasi Parameter Model Regresi Biomial Negatif Estimate Std.Error t Value P Value (Itercept) 7,5743 0, ,886 < 2x10-16* ZX1 0,7407 0,1039 7,125 8,96x10-7* ZX2-0,1264 0,0594-2,126 0,0468* ZX3 0,0922 0,0639 1,442 0,1654* ZX4-0,0872 0,1076-0,81 0,4279 ZX5-0,0868 0,0644-0,1349 0,1933* ZX6-0,0651 0,0712-0,915 0,3718 Deviace : 19 DF : 19 AIC : *) sigifika taraf yata 20% E. Pegujia Aspek Data Spasial Berdasarka hasil pegujia heterogeitas diperoleh ilai statistik uji Breusch-Paga sebesar 9,3496 p-value 0,1548. Diguaka α sebesar 20% maka didapatka sebesar 8,56. Sehigga didapatka kesimpula bahwa variasi atarlokasi tidak sama atau terdapat perbedaa karakteristik atara satu titik pegamata titik pegamata laiya. Berdasarka hasil pegujia depedesi spasial diperoleh p-value sebesar 0,4789 sehigga taraf yata 20% didapatka kesimpula bahwa tidak ada depedesi spasial yag artiya bahwa pegamata suatu lokasi tidak bergatug pada pegamata di lokasi lai yag letakya berdekata. F. Pegujia Sigifikasi Model GWNBR Berdasarka hasil perhituga didapatka ilai devias model GWNBR sebesar 93,6367. Dega taraf yata 20% sebesar 8,56 yag artiya miimal ada didapatka satu parameter model GWNBR yag sigifika berpegaruh. Berdasarka hasil pegujia didapatka ilai Zhit yag berbeda-beda tiap lokasi. Didapatka hasil pegelompokka sebayak 5 kelompok berdasarka variabel yag sigifika. Variabel yag sigifika memberi pegaruh jumlah kasus TBC di semua wilayah adalah persetase rumah tagga yag berperilaku hidup bersih da sehat (PHBS). No Tabel 4. Pegelompokka Kabupate/ Kota di Jawa Barat Variabel yag Kabupate/ Kota Sigifika Ciajur, Badug, Garut, Tasikmalaya, X1 Ciamis, Kuiga, Cirebo, Majalegka, Sumedag, Idramayu, Kota Cirebo, Kota Tasikmalaya, Kota Bajar Subag, Karawag, Kota Badug X1,X3,X4,X5,X6 Bogor, Sukabumi, Bekasi, Kota Sukabumi X1,X3,X5,X6 Kota Bekasi X1,X4,X5 Purwakarta, Badug Barat, Kota Bogor, X1,X4,X5,X6 Kota Depok, Kota Cimahi Pegelompoka wilayah kabupate/kota di Provisi Jawa Barat berdasarka variabel yag sigifika disajika dalam Gambar 2. Berdasarka hasil pegujia seretak taraf sigifikasi 20% didapatka sebesar 8,56 yag artiya lebih kecil dari ilai Deviace (19) sehigga miimal ada satu variabel prediktor yag berpegaruh sigifika terhadap variabel respo. Berdasarka hasil pegujia secara idividu haya terdapat empat variabel prediktor yag sigifika, yaitu X1,X2,X3, da X5. Berikut ii merupaka model regresi Biomial Negatif. Gambar 2. Pegelompokka Kabupate/ Kota di Jawa Barat berdasarka Variabel yag Sigifika

6 D-42 Sebagai cotoh aka disajika pegujia parameter pada lokasi peelitia yag ke-22 (u22,v22) yaitu Kota Bekasi. Tabel 5. Pegujia Parameter Model GWNBR di Kota Bekasi Estimate Z Value (Itercept) -0, ,5383 ZX1-0, ZX2 0,0737-0,00108 ZX3 0,1941 0, ZX4-0,1577 2, ZX5-0,1463-1,93602 ZX6-0,1571-1,55732 θ 11, Dega taraf yata 10% maka adalah 1,64 sehigga dapat diketahui variabel yag sigifika di Kota Bekasi adalah X1, X4, X5 sehigga dapat dibetuk model sebagai berikut. Berdasarka dari variabel yag sigifika dari model yag terbetuk di Kota Bekasi dapat disimpulka bahwa setiap pertambaha 1 perse rumah tagga yag berperilaku hidup bersih da sehat (PHBS) (X1) maka aka meguragi rata-rata jumlah kasus TBC sebesar exp(0, ) = 0, kasus asumsi variabel lai kosta.. Setiap pertambaha 1 perse teaga medis (X4) maka aka meguragi rata-rata jumlah kasus TBC sebesar exp(0, ) = 1, kasus asumsi variabel lai kosta. Setiap pertambaha 1 perse peduduk melek huruf (X5) maka aka meguragi rata-rata jumlah kasus TBC 1 kasus asumsi sebesar exp(0,03892) = 0, variabel lai kosta. Hal ii sesuai karea meigkatya peduduk yag melek huruf maka diharapka ada peigkata pegetahua terhadap peyakit TBC sehigga kasus TBC diharapka bisa berkurag. V. KESIMPULAN Pada tahu 2012, jumlah kasus TBC di Jawa Barat mecapai kasus rata-rata sebayak kasus. Kabupate Bogor memiliki jumlah kasus TBC palig bayak jumlah kasus da Kota Bajar memiliki jumlah kasus TBC palig sedikit jumlah 253 kasus. Jumlah kasus TBC memiliki deviasi stadar yag besar yaitu 1.814,36 karea terdapat perbedaa yag sigifika atara jumlah kasus TBC tiap kabupate/kota. Berdasarka hasil pemodela GWNBR fugsi pembobot kerel adaptive bisquare didapatka pegelompoka sebayak 5 kelompok berdasarka variabelvariabel yag sigifika. Faktor-faktor yag mempegaruhi jumlah kasus TBC di semua kabupate/kota di Provisi Jawa Barat adalah persetase rumah tagga yag berperilaku hidup bersih da sehat (PHBS). Berdasarka model GWNBR didapatka pegelompokka meurut variabel yag sigifika tiap wilayah sehigga diharapka kedepaya ada peguraga rata-rata jumlah kasus TBC cara megimplemetasika pola hidup berdasarka variabel yag berpegaruh sigifika di tiap lokasi. Perlu adaya peambaha variabel prediktor yag memberika pegaruh meigkatya jumlah kasus TBC di Provisi Jawa Barat serta perlu memilih taraf sigifikasi α yag lebih kecil. DAFTAR PUSTAKA [1] WHO, WORLD HEALTH ORGANIZATION. GLOBAL TUBERCULOSIS CONTROL FRANCE : WHO PRESS, [2] Kemeteria Kesehata, RI. Strategi Nasioal Pegedalia Tuberculosis di Idoesia Jakarta : Kemeteria Kesehata RI Direktorat Jederal Pegedalia Peyakit da Peyehata Ligkuga, [3] Dias Kesehata, Provisi Jawa Barat. Profil Kesehata Provisi Jawa Barat. Badug : Dias Kesehata Provisi Jawa Barat, [4] Hockig, R.R. Method ad Applicatios of Liier Models. New York : Joh Wiley ad Sos,Ic, [5] Agresti, A. Categorical Data Aalysis Secod Editio. New York : Joh Wiley & Sos, [6] Mc Cullagh, P. ad Nelder, J.A. Geeralized Liear Models Secod Editio. Lodo : Chapma & Hall, [7] O The Geeralize Poisso Regressio Model with a Applicatio to Accidet Data. Famoye, F., Wulu, J.T. ad Sigh, K.P. 2004, Joural of Data Sciece 2, pp [8] Greee, W. Fuctioal Forms for the Negative Biomial Model for Cout Data, Foudatio, ad Treds i Ecometrics,99, New York : New York Uiversity, [9] Hosmer, David Watso ad Lemeshow, Sticher. Applied Logistic Regressio. New York : Joh Wiley ad Sos Ic, [10] Ricardo, A. ad Carvalho, T.V.R. Geographically Weighted Negative Biomial Regressio-Icorporatig Overdispersio. Busiess Media New York : Spriger Sciece, [11] Samik, W. Dasar Biologis da Kliis Peyakit Ifeksi. Yogyakarta : Gajah Mada Uiversity Press, [12] Etjag, I. Ilmu Kesehata Masyarakat. Badug : PT Citra Aditya Bakti, [13] Notoatmodjo, S. Ilmu Kesehata Masyarakat, Prisip-Prisip Dasar. Jakarta : Rieka Cipta, [14] Fatimah, S. Faktor Kesehata Ligkuga Rumah yag Berhubuga Kejadia TB Paru di Kabupate Cilacap. Semarag : Thesis Jurusa Magister Kesehata Ligkuga Uiversitas Dipoegoro, 2008.