PEMODELAN REGRESI DATA PANEL PADA KASUS JUMLAH PENDERITA DEMAM BERDARAH DENGUE (DBD) DI KOTA BOGOR ZAMAHSARY MARTHA

PEMODELAN REGRESI DATA PANEL PADA KASUS JUMLAH PENDERITA DEMAM BERDARAH DENGUE (DBD) DI KOTA BOGOR

ZAMAHSARY MARTHA

SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2015

PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA* Dengan ini saya menyatakan bahwa tesis berjudul Pemodelan Regresi Data Panel pada Kasus Jumlah Penderita Demam Berdarah Dengue (DBD) di Kota Bogor adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir tesis ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, September 2015 Zamahsary Martha NIM G151110071

RINGKASAN ZAMAHSARY MARTHA. Pemodelan Regresi Data Panel pada Kasus Jumlah Penderita Demam Berdarah Dengue (DBD) di Kota Bogor. Dibimbing oleh BUDI SUSETYO dan MUHAMMAD NUR AIDI. Demam berdarah dengue (DBD) merupakan penyakit demam akut yang disebabkan oleh infeksi virus dengue dan ditularkan kepada manusia melalui gigitan nyamuk Aedes aegypti dan Aedes albopictus. DBD menimbulkan gejala adanya demam tinggi mendadak, pendarahan dan bisa menimbulkan syok yang berakibat pada kematian. Penyakit DBD merupakan salah satu masalah kesehatan di Indonesia. Kota Bogor mempunyai rata-rata ketinggian 190 m sampai 330 m di atas permukaan laut, curah hujan yang tinggi serta kota yang padat penduduk. Kondisi ini menjadikan Kota Bogor berpotensi besar penyebaran DBD. Kasus penyakit DBD ditemukan sepanjang tahun di Kota Bogor. Penduduk di daerah yang sama bisa menderita DBD di tahun berikutnya dikarenakan nyamuk Aedes aegypti dan Aedes albopictus sebagai penyebar virus dengue terus berkembang dan menyebar sepanjang tahun. Berdasarkan karakteristik tersebut maka digunakan data gabungan antara data lintas lokasi (cross section) dan data deret waktu (time series) yang disebut data panel. Terdapat tiga metode untuk menduga model regresi data panel, yaitu model gabungan, model pengaruh tetap dan model pengaruh acak. Pendugaan parameter model gabungan menggunakan Metode Kuadrat Terkecil (MKT). Pendugaan parameter model pengaruh tetap menggunakan metode Least Square Dummy Variable (LSDV). Pendugaan parameter model pengaruh acak menggunakan metode Generalized Least Square (GLS). Penelitian ini bertujuan untuk menentukan model regresi data panel terbaik pada kasus faktor-faktor yang mempengaruhi jumlah penderita DBD di Kota Bogor dari tahun 2009 sampai 2013. Data yang digunakan diperoleh dari Dinas Kesehatan Kota Bogor dan Badan Pusat Statistik Kota Bogor. Peubah respon yang digunakan adalah jumlah penderita DBD. Peubah bebas yang diamati antara lain kepadatan penduduk, mobilitas penduduk, rata-rata usia penderita DBD dan jumlah puskesmas/puskesmas pembantu pada 68 kelurahan di Kota Bogor. Berdasarkan hasil analisis data panel, model pengaruh tetap dengan menggunakan peubah respon yang ditransformasikan dan penambahan peubah bebas jumlah penderita DBD tahun sebelumnya merupakan model yang dapat menggambarkan pengaruh peubah bebas terhadap jumah penderita DBD di Kota Bogor dari tahun 2009 sampai 2013. Peubah-peubah yang berpengaruh terhadap jumlah penderita DBD adalah kepadatan penduduk, mobilitas penduduk, rata-rata usia penderita DBD dan jumlah penderita DBD tahun sebelumnya dengan koefisien determinasi (R2) sebesar 72.76% dan MSE sebesar 0.2763. Kata kunci: Demam Berdarah Dengue, Model Pengaruh Tetap, Regresi Data Panel

SUMMARY ZAMAHSARY MARTHA. Panel Data Regression Model for Case of Dengue Hemorrhagic Fever (DHF) in Bogor. Supervised by BUDI SUSETYO and MUHAMMAD NUR AIDI. Dengue hemorrhagic fever (DHF) is acute febrile disease caused by dengue virus infection and transmitted to humans through the bite of Aedes aegypti and Aedes albopictus mosquitoes. DHF causes symptoms of sudden high fever, bleeding and cause shock resulting in death. DHF is one health problems in Indonesia. Bogor has an average altitude of 190 m to 330 m above sea level, the high rainfall and density. This condition makes the Bogor city has great potential spread of DHF. DHF is found throughout the year in Bogor. Residents in the same area could be suffering from DHF in the next year because of Aedes aegypti and Aedes albopictus mosquitoes as dengue virus spreaders continue to grow and spread throughout the year. Based on these characteristics, the combination of cross section data and time series data called panel data. There are three methods for estimating the panel data regression model, those are Pooled Least Square, Fixed Effects Model and Random Effects Model. Parameter on Pooled Least Square approach be estimated by Ordinary Least Square (OLS) method. On Fixed Effects Model approach, parameters be estimated by Least Square Dummy Variable (LSDV). Parameter on Random Effects Model be estimated by Generalized Least Square (GLS). This research aims to determine the best panel data regression model in the case of the factors that influence the number of patients with dengue in Bogor City from 2009 to 2013. The data used was obtained from the Health Department of Bogor and Central Bureau Statistics of Bogor. Response variable used is the number of DHF patients. Independent variables were observed among others, population density, population mobility, the average age of patients with DHF and the number of health centers in 68 villages in Bogor. Based on the results of the analysis of panel data regression, fixed effect models using the transformed response variable and the addition of independent variable previous year the number of DHF patients is a model that can describe the influence of independent variables on the sheer number of patients with DHF in Bogor from 2009 to 2013. Variables that influence of DHF are density, mobility, the average age of DHF patients and the number of DHF patients previous year with a coefficient of determination (R2) of 72.76% and MSE of 0.2763. Keywords: Dengue Hemorrhagic Fever, Fixed Effects Model, Panel Data Regression

© Hak Cipta Milik IPB, Tahun 2015 Hak Cipta Dilindungi Undang-Undang Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan atau menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pendidikan, penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik, atau tinjauan suatu masalah; dan pengutipan tersebut tidak merugikan kepentingan IPB Dilarang mengumumkan dan memperbanyak sebagian atau seluruh karya tulis ini dalam bentuk apa pun tanpa izin IPB

PEMODELAN REGRESI DATA PANEL PADA KASUS JUMLAH PENDERITA DEMAM BERDARAH DENGUE (DBD) DI KOTA BOGOR

ZAMAHSARY MARTHA

Tesis sebagai salah satu syarat untuk memperoleh gelar Magister Sains pada Program Studi Statistika

SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2015

Penguji Luar Komisi pada Ujian Tesis: Dr Ir Kusman Sadik, MSi

Judul Tesis : Pemodelan Regresi Data Panel pada Kasus Jumlah Penderita Demam Berdarah Dengue (DBD) di Kota Bogor Nama : Zamahsary Martha NIM : G151110071

Disetujui oleh Komisi Pembimbing

Dr Ir Budi Susetyo, MS Ketua

Dr Ir Muhammad Nur Aidi, MS Anggota

Diketahui oleh

Ketua Program Studi Statistika

Dekan Sekolah Pascasarjana

Dr Ir Kusman Sadik, MSi

Dr Ir Dahrul Syah, MScAgr

Tanggal Ujian: 31 Agustus 2015

Tanggal Lulus:

PRAKATA Puji dan syukur kehadirat Allah SWT atas segala rahmat dan hidayah-Nya sehingga penulis dapat menyelesaikan tesis yang berjudul “Pemodelan Regresi Data Panel pada Kasus Demam Berdarah Dengue (DBD) di Kota Bogor”. Keberhasilan penulisan tesis ini tidak lepas dari bantuan, bimbingan dan petunjuk dari berbagai pihak. Penulis menyadari bahwa selama proses perkuliahan dan penyusunan tesis ini tidak lepas dari dukungan berbagai pihak. Pada kesempatan ini, penulis menyampaikan terima kasih kepada: 1. Keluarga tercinta yaitu Ayah M Thahar, Ibu Mawarty Nasution (Almh), Abang Hadi Anshary Martha dan keluarga, Uda Emeraldy Martha dan keluarga, serta seluruh keluarga besarku atas segala kasih sayang, doa, dan dukungannya sampai saat ini. 2. Bapak Dr Ir Budi Susetyo MS dan Bapak Dr Ir Muhammad Nur Aidi MS selaku dosen pembimbing yang telah banyak meluangkan waktunya dengan sabar membimbing penulis sampai menyelesaikan tesis ini. Penulis juga mengucapkan terima kasih kepada Bapak Dr Ir Kusman Sadik MSi selaku dosen penguji dan Ketua Program Studi Statistika atas segala masukan dan sarannya kepada penulis. Disamping itu penulis juga mengucapkan terima kasih kepada seluruh Dosen dan Staf Program Studi Statistika IPB. 3. Dinas Kesehatan Kota Bogor dan Badan Pusat Statistik Kota Bogor atas segala informasi yang telah diberikan. 4. Rekan-rekan mahasiswa Pascasarjana Statistika IPB atas bantuan serta kebersamaanya selama ini. 5. Serta semua pihak yang telah banyak membantu dan tak sempat penulis sebutkan satu per satu. Semoga tesis ini dapat bermanfaat bagi semua pihak yang membutuhkan.

Bogor, September 2015 Zamahsary Martha

DAFTAR ISI 1 PENDAHULUAN Latar Belakang Tujuan Penelitian

1 1 2

2 TINJAUAN PUSTAKA Demam Berdarah Dengue (DBD) Analisis Data Panel Model Gabungan Model Pengaruh Tetap Model Pengaruh Acak Uji Chow Uji Hausman Pengujian Asumsi

2 2 5 6 6 6 7 7 8

3 METODE Data Metode Analisis

9 9 10

4 HASIL DAN PEMBAHASAN Eksplorasi Data Analisis Data Panel Pemilihan Model Terbaik

11 11 13 16

5 SIMPULAN DAN SARAN Simpulan Saran

18 18 18

DAFTAR PUSTAKA

18

LAMPIRAN

20

RIWAYAT HIDUP

38

DAFTAR TABEL 1. 2. 3. 4. 5. 6. 7. 8. 9.

Struktur data panel Peubah yang digunakan dalam penelitian Deskriptif jumlah penderita DBD per tahun per kelurahan di Kota Bogor Korelasi peubah-peubah Korelasi jumlah penderita DBD di Kota Bogor tahun 2009 sampai 2013 Hasil uji Chow Hasil uji Hausman Hasil uji multikolinearitas model pengaruh tetap Hasil uji multikolinearitas model pengaruh tetap dengan menggunakan transformasi data peubah respon Y* dan penambahan peubah Yi,(t-1)

5 9 12 12 13 14 14 15 15

DAFTAR GAMBAR 1. Grafik pergerakan jumlah penderita DBD per kecamatan di Kota Bogor

11

DAFTAR LAMPIRAN 1. Tabulasi Data 2. Deskriptif jumlah penderita DBD per kelurahan per tahun di Kota Bogor 3. Hasil analisis model gabungan 4. Hasil analisis model pengaruh tetap 5. Hasil analisis model pengaruh acak 6. Nilai pengaruh spesifik kelurahan pada model pengaruh acak 7. Nilai pengaruh spesifik kelurahan pada model pengaruh tetap 8. Uji Normalitas Jarque-Bera model pengaruh tetap 9. Hasil analisis model pengaruh tetap menggunakan transformasi data peubah respon Y* dan penambahan peubah Yi,(t-1) 10. Uji Normalitas Jarque-Bera model pengaruh tetap menggunakan transformasi data peubah respon Y* dan penambahan peubah Yi,(t-1) 11. Nilai pengaruh spesifik kelurahan model pengaruh tetap menggunakan transformasi data peubah respon Y* dan penambahan peubah Yi,(t-1) 12. Hasil analisis model pengaruh tetap menggunakan transformasi data peubah respon Y* dan penambahan peubah Yi,(t-1) pada model dengan peubah bebas yang signifikan 13. Hasil uji multikolinearitas model pengaruh tetap menggunakan transformasi data peubah respon Y* dan penambahan peubah Yi,(t-1) pada model dengan peubah bebas yang signifikan 14. Hasil uji Durbin-Watson model pengaruh tetap menggunakan transformasi data peubah respon Y* dan penambahan peubah Yi,(t-1) pada model dengan peubah bebas yang signifikan 15. Hasil uji BPG model pengaruh tetap menggunakan transformasi data peubah respon Y* dan penambahan peubah Yi,(t-1) pada model dengan peubah bebas yang signifikan

20 21 23 24 26 27 28 29 30 32 33

34

36

36

36

16. Uji normalitas Jarque-Bera model pengaruh tetap transformasi data peubah respon Y* dan penambahan pada model dengan peubah bebas yang signifikan 17. Nilai pengaruh spesifik kelurahan model pengaruh tetap transformasi data peubah respon Y* dan penambahan pada model dengan peubah bebas yang signifikan

menggunakan peubah Yi,(t-1) 36 menggunakan peubah Yi,(t-1) 37

1 PENDAHULUAN Latar Belakang Demam berdarah dengue (DBD) merupakan penyakit demam yang timbul secara mendadak dan cepat memburuk yang disebabkan oleh infeksi virus dengue. Virus ini ditularkan pada manusia melalui gigitan nyamuk Aedes aegypti dan Aedes albopictus. Nyamuk penular virus dengue ini terdapat hampir di seluruh Indonesia, kecuali di tempat dengan ketinggian lebih dari 1000 meter di atas permukaan laut, karena pada ketinggian tersebut suhu udara terlalu rendah sehingga tidak memungkinkan bagi nyamuk untuk hidup dan berkembang biak. Penyakit DBD menimbulkan gejala adanya demam tinggi mendadak disertai manifestasi pendarahan dan bertedensi menimbulkan syok (renjatan) yang berakibat pada kematian (Kemenkes 2004). Kota Bogor merupakan kota di Provinsi Jawa Barat, dengan luas wilayah 118.5 km2 dan kepadatan penduduk pada tahun 2013 mencapai 8549 jiwa/km2 serta curah hujan yang tinggi sekitar 333-630 mm setiap bulan. Kota Bogor mempunyai rata-rata ketinggian minimum 190 m dan maksimum 330 m di atas permukaan laut (BPS 2014). Kondisi ini menjadikan Kota Bogor cocok untuk perkembangan nyamuk Aedes aegypti dan Aedes albopictus, sehingga berpotensi besar penyebaran penyakit DBD. Berdasarkan laporan Kinerja Dinas Kesehatan Kota Bogor, jumlah kasus DBD di Kota Bogor pada tahun 2013 tercatat sebanyak 849 dengan kematian sebanyak 8 orang. Jumlah kasus DBD tertinggi pada Kelurahan Bantarjati sebanyak 41 penduduk dan kelurahan yang tidak terdapat penduduk dengan kasus DBD pada Kelurahan Kertamaya dan Kelurahan Bojongkerta (Dinkes Kota Bogor 2014). Kasus penyakit DBD ditemukan sepanjang tahun di Kota Bogor. Penduduk di lokasi yang sama bisa menderita penyakit DBD di tahun berikutnya dikarenakan nyamuk Aedes aegypti dan Aedes albopictus sebagai penyebar virus dengue, terus berkembang dan menyebar sepanjang tahun. Berdasarkan karakteristik tersebut maka diperlukan data yang merupakan data gabungan antara data lintas lokasi (cross section) dan data deret waktu (time series). Data panel adalah gabungan dari data lintas lokasi dan data deret waktu. Data lintas lokasi merupakan data beberapa lokasi yang diamati dalam satu waktu tertentu, sedangkan data deret waktu merupakan data satu lokasi yang diamati dari beberapa periode waktu (Baltagi 2005). Dengan demikian data panel merupakan data beberapa lokasi yang diamati secara berulang-ulang di beberapa periode waktu tertentu. Terdapat beberapa keunggulan dalam menggunakan data panel dibandingkan dengan data lintas lokasi atau deret waktu saja. Keunggulan itu antara lain, memberikan informasi yang lebih banyak, data memiliki variabilitas yang besar dan mengurangi kolinearitas antar peubah bebas sehingga menghasilkan pendugaan yang lebih efisien, serta mengontrol keheterogenan lokasi yang tidak teramati. Menurut Gujarati (2009) terdapat tiga metode untuk menduga model regresi data panel, yaitu model gabungan (Pooled Least Square), model pengaruh tetap (Fixed Effects Model) dan model pengaruh acak (Random Effects Model). Model gabungan merupakan model data panel yang tidak memperhatikan perbedaan

2 pengaruh lokasi dan waktu. Model ini mengasumsikan koefisien regresi (konstanta ataupun kemiringan) yang sama untuk semua lokasi dan waktu. Berbeda dengan model gabungan, model pengaruh tetap mengasumsikan bahwa persamaan regresi memiliki kemiringan konstan, sedangkan konstanta bervariasi antar lokasi. Untuk menangkap adanya perbedaan antar lokasi maka digunakanlah penambahan peubah boneka. Model pengaruh acak mengasumsikan bahwa pengaruh lokasi merupakan peubah acak yang dimasukkan dalam model sebagai bentuk sisaan (Judge et al. 1980). Yussanti (2011) menerapkan regresi data panel semiparametrik untuk memodelkan DBD di Jawa Timur berdasarkan faktor iklim dan sosial ekonomi. Rahmat (2014) menerapkan model regresi spasial-temporal dengan pendekatan data panel pengaruh waktu pada faktor-faktor yang mempengaruhi sebaran penyakit DBD di Kota Bogor. Faktor tersebut adalah mobilitas penduduk dan jumlah puskesmas/puskesmas pembantu di Kota Bogor. Apabila analisis terhadap jumlah penderita DBD hanya menggunakan data lintas lokasi yang mengamati hanya pada satu titik waktu, sehingga perkembangan jumlah penderita DBD dari waktu ke waktu tidak dapat terlihat. Begitupun jika hanya menggunakan data deret waktu yang hanya mengamati satu lokasi, sehingga perkembangan jumlah penderita DBD tidak dapat terlihat untuk beberapa lokasi. Berdasarkan hal tersebut maka penelitian ini menerapkan analisis regresi data panel dengan lokasi berupa kelurahan untuk melakukan pemodelan jumlah penderita DBD di Kota Bogor dan mengetahui faktor-faktor yang mempengaruhi jumlah penderita DBD di Kota Bogor dari tahun 2009 sampai 2013.

Tujuan Penelitian Tujuan dari penelitian ini adalah menentukan model regresi data panel terbaik pada kasus faktor-faktor yang mempengaruhi jumlah penderita DBD di Kota Bogor dari tahun 2009 sampai 2013.

2 TINJAUAN PUSTAKA Demam Berdarah Dengue (DBD) Demam berdarah dengue (DBD) adalah suatu penyakit menular yang disebabkan oleh virus dengue yang ditularkan melalui gigitan nyamuk Aedes aegypti dan Aedes albopictus. Kedua jenis nyamuk tersebut terdapat hampir di seluruh Indonesia, kecuali di tempat-tempat dengan ketinggian lebih dari 1000 meter di atas permukaan laut. Penyakit ini mempunyai ciri-ciri demam tinggi mendadak disertai manifestasi pendarahan dan bertendensi menimbulkan syok bahkan kematian (Kemenkes 2004).

3 Penyakit DBD memperlihatkan berbagai macam gejala utama antara lain (WHO 1997): 1. Demam Penyakit DBD didahului dengan demam tinggi yang mendadak, terus menerus, berlangsung selama 2-7 hari dan disertai dengan muka kemerahan. Kadang-kadang suhu tubuh sangat tinggi sampai 400C dan dapat terjadi kejang demam. Keluhan seperti anoreksia (tidak mau makan), sakit kepala, nyeri otot, tulang, sendi, mual dan muntah sering ditemukan. Akhir fase demam merupakan fase kritis pada DBD. Pada saat fase demam mulai cenderung menurun dan pasien tampak seakan sembuh, perlu lebih berhati-hati karena pada fase tersebut dapat sebagai awal kejadian syok dan biasanya pada hari ketiga dari demam. 2. Tanda-tanda pendarahan Penyebab pendarahan pada pasien DBD ialah vaskulopati (kerapuhan pembuluh darah), trombositopenia (trombosit di bawah normal), gangguan fungsi trombosit, serta koagulasi intravascular yang menyeluruh. Jenis pendarahan yang terbanyak adalah pendarahan kulit seperti uji Tourniquet positif, petekie, purpura, ekimosis dan pendarahan konjungtiva. Pendarahan lain yaitu epitaksis, pendarahan gusi, melena dan hematemesis. 3. Hepatomegali (pembesaran hati) Pembesaran hati pada umumnya dapat ditemukan pada permulaan penyakit bervariasi dari hanya sekedar dapat diraba sampai 2-4 cm di bawah lengkungan iga kanan. Proses pembesaran hati dari tidak teraba menjadi teraba dapat meramalkan perjalanan penyakit DBD. Derajat pembesaran hati tidak sejajar dengan beratnya penyakit, namun nyeri tekan pada daerah tepi hati berhubungan dengan adanya pendarahan. 4. Syok Setelah 2-7 hari demam, penurunan cepat suhu tubuh sering diikuti tanda-tanda gangguan sirkulasi. Pasien tampak berkeringat, menjadi gelisah, akan terasa dingin, dan menunjukkan perubahan pada frekuensi denyut nadi dan tekanan darah. Pada kasus yang kurang berat, perubahan ini minimal dan sementara. Sedangkan pada kasus berat, ketika kehilangan banyak melampaui batas kritis maka syok pun terjadi dan berkembang kearah kematian bila tidak ditangani dengan cepat. Menurut Sutaryo (2005) faktor yang mempengaruhi terjadinya penyakit DBD adalah faktor host (kerentanan), faktor lingkungan, kondisi demografi dan jenis nyamuk sebagai penular penyakit. 1. Faktor host adalah manusia yang peka terhadap infeksi virus dengue. Beberapa faktor yang mempengaruhi manusia adalah: a. Umur Umur adalah salah satu faktor yang mempengaruhi kepekaan terhadap infeksi virus dengue. Semua golongan umur dapat terserang virus dengue, meskipun baru berumur beberapa hari setelah lahir. b. Jenis kelamin Sejauh ini tidak ditemukan perbedaan kerentanan terhadap serangan DBD dikaitkan dengan perbedaan jenis kelamin.

4 c. Nutrisi Teori nutrisi mempengaruhi derajat berat ringan penyakit dan ada hubungannya dengan teori imunologi, bahwa pada gizi yang baik mempengaruhi peningkatan antibodi dan karena ada reaksi antigen dan antibodi yang cukup baik, maka terjadi infeksi virus dengue yang berat. d. Populasi Kepadatan penduduk yang tinggi akan mempermudah terjadinya infeksi virus dengue, karena daerah yang berpenduduk padat akan meningkatkan jumlah insiden kasus DBD tersebut. e. Mobilitas penduduk Mobilitas penduduk adalah perpindahan penduduk dari suatu daerah ke daerah lain. Mobilitas penduduk memegang peranan penting pada transmisi penularan infeksi virus dengue. 2. Faktor lingkungan yaitu kondisi geografis (ketinggian dari permukaan laut, curah hujan, angin, kelembaban dan musim). Faktor lingkungan yang mempengaruhi timbulnya penyakit DBD adalah: a. Letak geografis Penyakit akibat infeksi virus dengue ditemukan tersebar di negara tropis dan subtropis yang terletak antara 300 LU dan 400 LS seperti Asia Tenggara, Pasifik Barat dan Karibia. b. Musim Pada negara dengan 4 musim, epidemi DBD berlangsung pada musim panas, meskipun ditemukan kasus DBD sporadis pada musim dingin. Di Asia Tenggara epidemi DBD terjadi pada musim hujan, seperti di Indonesia, Thailand, Malaysia dan Filipina epidemi DBD terjadi beberapa minggu setelah musim hujan. Periode epidemi yang terutama berlangsung selama musim hujan dan erat kaitannya dengan kelembaban pada musim hujan. Hal tersebut menyebabkan peningkatan aktivitas vektor dalam menggigit karena didukung oleh lingkungan yang baik untuk masa inkubasi. 3. Kondisi demografi antara lain kepadatan penduduk, tingkat pendidikan, mata pencaharian, perilaku, adat istiadat dan sosial ekonomi penduduk. 4. Jenis nyamuk sebagai penular penyakit DBD adalah nyamuk Aedes aegypti dan Aedes albopictus. Menurut Siregar (2004) nyamuk yang paling berperan dalam penularan DBD adalah nyamuk Aedes aegypti karena hidupnya di dalam dan sekitar rumah, sedangkan nyamuk Aedes albopictus hidupnya di kebun-kebun sehingga lebih jarang kontak dengan manusia. Kedua jenis nyamuk ini terdapat hampir di seluruh pelosok Indonesia, kecuali di tempat-tempat dengan ketinggian lebih dari 1000 meter diatas permukaan laut, karena pada ketinggian tersebut suhu udara terlalu rendah sehingga tidak memungkinkan bagi nyamuk untuk hidup dan berkembang biak. Penularan DBD dapat terjadi di tempat yang terdapat nyamuk penularnya. Siregar (2004) menjelaskan bahwa tempat yang potensial untuk terjadinya penularan DBD adalah: 1. Wilayah yang banyak kasus DBD (Endemis) 2. Tempat-tempat umum merupakan tempat berkumpulnya orang-orang yang datang dari berbagai wilayah sehingga kemungkinan terjadinya pertukaran beberapa virus dengue cukup besar. Tempat-tempat umum tersebut antara lain

5 sekolah, rumah sakit/puskesmas dan sarana pelayanan kesehatan lainnya, hotel, pertokoan, restoran, tempat ibadah, dll. 3. Pemukiman baru yang penduduknya berasal dari berbagai wilayah dimana kemungkinan diantaranya terdapat penderita yang membawa virus dengue.

Analisis Data Panel Data panel adalah gabungan dari data lintas lokasi dan data deret waktu. Data lintas lokasi merupakan data yang dikumpulkan dalam satu waktu terhadap banyak lokasi, sedangkan data deret waktu merupakan data yang dikumpulkan dari waktu ke waktu terhadap suatu unit lokasi (Gujarati 2009). Dengan demikian data yang digunakan dalam analisis data panel adalah data lintas lokasi yang diamati secara berulang-ulang di beberapa periode waktu tertentu. Tabel 1 menunjukkan struktur data panel, dengan N adalah banyaknya unit lintas lokasi dan T adalah banyaknya unit deret waktu. Data pada peubah respon dan peubah bebas pada analisis data panel disusun berdasarkan unit lintas lokasi terlebih dahulu, selanjutnya berdasarkan unit deret waktu. Lokasi i=1

i=2

Waktu t=1 t=2 : t=T t=1 t=2 : t=T

Tabel 1 Struktur data panel Yit X1it X2it y11 x111 x211 y12 x112 x212 : : : y1T x11T x21T x21 x121 x221 x22 x122 x222 : : : x2T x12T x22T

:

:

:

:

:

i=N

t=1 t=2 : t=T

xN1 xN2 : xNT

x1N1 x1N2 : x1NT

x2N1 x2N2 : x2NT

… … … … … … …

Xkit xk11 xk12 : xk1T xk21 xk22 : xk2T :

… … …

xkN1 xkN2 : xkNT

Regresi data panel berbeda dengan analisis regresi biasa atau analisis deret waktu. Regresi data panel memperhatikan dua dimensi (lokasi dan waktu) di dalam modelnya. Menurut Baltagi (2005), bentuk persamaan umum dari analisis regresi data panel sebagai berikut:

dengan i merupakan unit lintas lokasi, t merupakan unit deret waktu, β0 adalah koefisien konstanta dan β adalah vektor berukuran k x 1 dengan k menyatakan banyaknya peubah bebas. Selanjutnya yit adalah peubah respon untuk lokasi ke-i periode waktu ke-t dan Xit adalah lokasi ke-i periode waktu ke-t pada peubah bebas ke-k, sedangkan uit merupakan sisaan pada lokasi ke-i periode waktu ke-t.

6 Model Gabungan Model gabungan merupakan salah satu model dalam analisis data panel yang tidak memperhatikan pengaruh lokasi dan waktu. Model ini mengasumsikan koefisien regresi (konstanta ataupun kemiringan) yang sama untuk semua lokasi dan waktu, dengan kata lain model ini merupakan bentuk model yang sama seperti model regresi linear. Persamaan model yang digunakan juga mengikuti bentuk regresi linear dengan komponen sisaan hanya berasal dari pendugaan tanpa adanya unsur pengaruh lokasi sebagai penyusunnya. Bentuk persamaan model gabungan sebagai berikut: Pendugaan parameter model gabungan dilakukan dengan menggunakan Metode Kuadrat Terkecil (MKT). Asumsi yang terdapat pada model ini yaitu sisaan menyebar bebas stokastik identik Normal (0,σu2) (Gujarati 2009).

Model Pengaruh Tetap Model pengaruh tetap merupakan model yang dapat menunjukkan perbedaan tetap antar lokasi. Model ini mengasumsikan bahwa persamaan regresi memiliki kemiringan konstan, sedangkan konstanta bervariasi antar lokasi. Secara umum pendugaan parameter model pengaruh tetap dilakukan dengan metode Least Square Dummy Variable (LSDV), dimana LSDV merupakan suatu metode yang dipakai dalam pendugaan parameter regresi linier dengan menggunakan metode MKT pada model yang melibatkan peubah boneka sebagai salah satu peubah bebasnya (Greene 2012). Pada model pengaruh tetap, peubah boneka yang dibentuk adalah sebanyak N-1. Bentuk persamaan model pengaruh tetap adalah sebagai berikut: untuk i=(2,3,…,N) dengan D2=1 untuk lokasi ke-2 dan 0 selainnya, D3=1 untuk lokasi ke-3 dan 0 selainnya, dan seterusnya untuk setiap lokasi ke-i (i=2,3,…,N). β01 merupakan nilai pengaruh spesifik lokasi ke-1 dan β0i merupakan nilai pengaruh spesifik lokasi lainnya yang diperoleh dengan penambahan β01 dengan nilai konstanta peubah boneka (Ci) ke-i. Asumsi pada model ini yaitu sisaan menyebar bebas stokastik identik Normal (0,σu2), E(Xit,uit)=0 Xit saling bebas dengan uit untuk setiap i dan t (Gujarati 2009).

Model Pengaruh Acak Model pengaruh acak atau disebut juga error component model memiliki asumsi pengaruh lokasi merupakan peubah acak yang dimasukkan dalam model sebagai bentuk sisaan (Judge et al. 1980). Menurut Winarno (2009) model pengaruh acak merupakan perbaikan dari model pengaruh tetap. Model ini tidak lagi menggunakan peubah boneka seperti yang dilakukan pada model pengaruh

7 tetap, melainkan menggunakan sisaan yang diduga memiliki hubungan antar lokasi. Pendugaan parameter dengan menggunakan MKT akan menghasilkan penduga yang bias dan tidak efisien, sehingga penggunaan metode Generalized Least Square (GLS) dilakukan dalam pendugaan pada model pengaruh acak (Baltagi 2005). Bentuk persamaan model pengaruh acak dituliskan sebagai berikut:

dengan εi merupakan sisaan acak ke-i dengan εi menyebar bebas stokastik identik Normal (0,σε2), sisaan menyebar bebas stokastik identik Normal (0,σu2), E(Xit,εi)=0 dan E(Xit,uit)=0 Xit saling bebas dengan εi dan uit untuk setiap i dan t. merupakan nilai pengaruh spesifik lokasi ke-i (Gujarati 2009).

Uji Chow Uji Chow merupakan pengujian hipotesis antara model gabungan dan model pengaruh tetap. Hipotesis yang diuji sebagai berikut: H0 : β01 = β02 = … = β0N = 0 (model gabungan) H1 : minimal terdapat satu β0i dimana β0i ≠ 0 (model pengaruh tetap) Statistik uji yang digunakan sebagai berikut:

JKGgab merupakan jumlah kuadrat sisaan pada model gabungan dan JKGMPT merupakan jumlah kuadrat sisaan pada model pengaruh tetap. Keputusan tolak H0 jika Fhit > F(N-1,NT-N-K) atau jika nilai-p lebih kecil dari taraf nyata 5% (Baltagi 2005).

Uji Hausman Uji Hausman merupakan pengujian hipotesis antara model pengaruh acak dan model pengaruh tetap. Menurut Gujarati (2009) untuk mengetahui model acak dapat dibuat asumsi mengenai korelasi antara komponen sisaan dan peubah bebasnya. Jika diasumsikan tidak terdapat korelasi antara sisaan dengan peubah bebas maka model yang sesuai adalah model pengaruh acak dan sebaliknya adalah model pengaruh tetap. Hipotesis yang diuji sebagai berikut: H0 : E(uit | Xit) = 0 (model pengaruh acak) H1 : E(uit | Xit) ≠ 0 (model pengaruh tetap) Statistik uji yang digunakan sebagai berikut: (6) dengan adalah vektor koefisien peubah bebas dari model pengaruh acak dan adalah vektor koefisien peubah bebas dari model pengaruh tetap. Keputusan

8 tolak H0 jika > dengan k banyaknya peubah bebas atau jika nilai-p lebih kecil dari taraf nyata 5% (Baltagi 2005). Pengujian Asumsi Analisis regresi data panel memiliki beberapa asumsi yang harus dipenuhi sehingga diperoleh penduga parameter yang bersifat penduga tak bias terbaik atau Best Linear Unbiased Estimator (BLUE). Asumsi tersebut adalah tidak terdapat multikolinearitas antar peubah bebas, kebebasan autokorelasi, kehomogenan ragam sisaan dan kenormalan sisaan. Multikolinearitas Pengujian multikolinearitas dilakukan untuk mengetahui korelasi di antara peubah bebas. Multikolinearitas dapat dideteksi dengan menggunakan Variance Inflation Factor (VIF). Nilai VIF diperoleh dari:

dengan merupakan koefisien determinasi bila Xk diregresikan terhadap semua peubah bebas lainnya. Adanya multikolinearitas dalam model ditandai dengan besarnya korelasi antar peubah bebas lebih dari 0.8 atau minimal salah satu peubah bebasnya memiliki nilai VIF > 10 (Gujarati 2009). Kebebasan Autokorelasi Uji kebebasan autokorelasi dilakukan menggunakan uji Durbin-Watson. Hipotesis uji Durbin-Watson pada data panel adalah (Baltagi 2005): H0 : = 0 (tidak terdapat autokorelasi) H1 : ≠ 0 (terdapat autokorelasi) Statistik uji yang digunakan sebagai berikut: ∑

∑ ∑

(

) ∑

dengan uit merupakan sisaan lokasi ke-i pada waktu ke-t, dan ui(t-1) adalah sisaan lokasi ke-i pada waktu ke-(t-1). Nilai d tersebut kemudian dibandingkan dengan nulai d pada tabel Durbin-Watson. Jika nilai d terletak antara dU dan 4-dU, maka dapat disimpulkan tidak terdapat autokorelasi dalam sisaan, dengan dU merupakan batas atas nilai d. Kehomogenan Ragam Sisaan Kehomogenan ragan sisaan dapat dideteksi dengan menggunakan uji Breusch Pagan Godfrey (BPG). Uji BPG ini mengasumsikan bahwa . Jika α1=α2=α3=α4=0 maka σu2=α yang artinya konstan. Hipotesis yang terbentuk pada pengujian ini adalah: H0 : α1=α2=α3=α4=0 (ragam sisaan homogen) H1 : minimal ada satu αk≠0, k=1,2,3,4 (ragam sisaan tidak homogen) Statistik uji yang digunakan sebagai berikut:

9

∑∑ ̂ dengan

̂

, ̂

̅

merupakan sisaan lokasi ke-i pada waktu ke-t. Jika

pada taraf nyata 5%, maka dapat disimpulkan bahwa ragam sisaan tidak homogen (Gujarati 2009). Kenormalan Sisaan Uji kenormalan sisaan dapat dilakukan dengan menggunakan uji JarqueBera (JB). Hipotesis untuk pengujian ini adalah: H0 : sisaan menyebar normal H1 : sisaan tidak menyebar normal Statistik uji yang digunakan sebagai berikut: [

]

dengan S merupakan kemencengan (skewness) sebaran data dan K merupakan keruncingan (kurtosis) sebaran data. Jika nilai statistik uji JB lebih kecil dari atau nilai-p lebih besar dari taraf nyata 5%, maka dapat disimpulkan bahwa sisaan menyebar normal (Gujarati 2009).

3 METODE Data Data yang digunakan pada penelitian ini adalah data sekunder yang diperoleh dari Dinas Kesehatan Kota Bogor (Dinkes Kota Bogor) dan Badan Pusat Statistik (BPS) Kota Bogor. Data jumlah penderita DBD dan rata-rata usia penderita DBD diperoleh dari Dinkes Kota Bogor. Data kepadatan penduduk, mobilitas penduduk dan jumlah puskesmas/puskesmas pembantu diperoleh dari BPS Kota Bogor. Pengamatan pada penelitian ini dilakukan pada 68 kelurahan di Kota Bogor dengan periode pengamatan lima tahun yaitu dari tahun 2009 sampai 2013. Tabulasi data yang digunakan dalam penelitian ini terangkum pada Lampiran 1. Peubah yang digunakan dalam penelitian ini dapat dilihat di Tabel 2. Peubah Y X1 X2 X3 X4

Tabel 2 Peubah yang digunakan dalam penelitian Keterangan peubah Jumlah penderita DBD per kelurahan (jiwa) Kepadatan penduduk per kelurahan (jiwa/km2) Mobilitas penduduk per kelurahan (jiwa) Rata-rata usia penderita DBD per kelurahan(tahun) Jumlah puskesmas/puskesmas pembantu per kelurahan (buah)

10 Metode Analisis Tahapan analisis yang dilakukan dalam penelitian ini sebagai berikut: 1. Mengeksplorasi data untuk melihat gambaran umum dari data jumlah penderita DBD di Kota Bogor dari tahun 2009 sampai 2013. 2. Melakukan analisis data panel dengan tahapan: a. Melakukan pendugaan model gabungan. Model umum untuk model gabungan dalam penelitian ini sebagai berikut: dengan i=1,2,…,68 menunjukkan kelurahan di Kota Bogor dan t=1,2,…,5 menunjukkan periode waktu pengamatan yakni dari tahun 2009 sampai 2013. b. Melakukan pendugaan model pengaruh tetap. Model umum untuk model pengaruh tetap dalam penelitian ini sebagai berikut: dengan D2=1 untuk kelurahan ke-2 dan 0 selainnya, D3=1 untuk kelurahan ke-3 dan 0 selainnya, dan seterusnya untuk setiap kelurahan ke-i (i=2,…,68). β01 merupakan nilai pengaruh spesifik kelurahan ke-1 dan β0i merupakan nilai pengaruh spesifik lokasi lainnya yang diperoleh dengan penambahan β01 dengan nilai konstanta peubah boneka (Ci) ke-i. c. Spesifikasi model tahap pertama dilakukan dengan menggunakan Uji Chow untuk menentukan antara model gabungan dan model pengaruh tetap. Berdasarkan hasil pengujian dengan menggunakan Uji Chow terdapat dua alternatif model yang dapat disimpulkan yaitu: (i) Jika dari pengujian hipotesis diperoleh hasil H0 tidak ditolak, maka model yang sesuai adalah model gabungan (berhenti dan lanjut ke langkah 3). (ii) Jika dari pengujian hipotesis diperoleh hasil H0 ditolak, maka model yang dapat digunakan adalah model pengaruh tetap (lanjut ke langkah d). d. Melakukan pendugaan model pengaruh acak. Model umum untuk model pengaruh acak dalam penelitian ini sebagai berikut:

dengan β0i merupakan nilai pengaruh kelurahan ke-i (i=1,2,…68), β0 merupakan skalar, εi merupakan sisaan acak kelurahan ke-i, uit merupakan sisaan acak model pengaruh acak. e. Spesifikasi model tahap kedua dilakukan dengan menggunakan Uji Hausman untuk menentukan antara model pengaruh acak dan model pengaruh tetap. 3. Melakukan pengujian asumsi serta melakukan penanganan pada asumsi yang dilanggar. Berdasarkan pelanggaran asumsi pada penelitian ini dilakukan penanganan yaitu dengan transformasi dan penambahan peubah bebas satu periode waktu sebelumnya. 4. Pemilihan model terbaik.

11

4 HASIL DAN PEMBAHASAN Eksplorasi Data

Jumlah Penderita DBD (Jiwa)

Kota Bogor terdiri dari 68 kelurahan yang tersebar di 6 kecamatan, yaitu Kecamatan Bogor Selatan, Bogor Timur, Bogor Utara, Bogor Tengah, Bogor Barat dan Tanah Sareal. Eksplorasi data dilakukan untuk memberikan gambaran dan informasi dari data tanpa mengambil keputusan secara umum. Agar memudahkan dalam memahami eksplorasi data, maka grafik pergerakan jumlah penderita DBD di Kota Bogor dari tahun 2009 sampai 2013 ditampilkan untuk setiap kecamatan. Selain itu menampilkan deskriptif jumlah penderita DBD di Kota Bogor per kelurahan maupun per tahun, korelasi jumlah penderita DBD di Kota Bogor dengan peubah-peubah bebasnya, serta korelasi data jumlah penderita DBD pada tahun 2009 sampai 2013. 500 450 400 350 300 250 200 150 100 50 0

Bogor Selatan Bogor Timur Bogor Utara Bogor Tengah Bogor Barat Tanah Sareal 2009

2010

2011

2012

2013

Tahun

Gambar 1 Grafik pergerakan jumlah penderita DBD per kecamatan di Kota Bogor Grafik pergerakan jumlah penderita DBD per kecamatan di Kota Bogor dari tahun 2009 sampai 2013 pada Gambar 1 menunjukkan jumlah penderita DBD per kecamatan di Kota Bogor dari tahun 2009 sampai 2013 berfluktuasi atau tidak stabil. Kecamatan Bogor Barat yang terdiri dari 16 kelurahan memiliki jumlah penderita DBD tertinggi dibandingkan kecamatan lainnya. Kecamatan Bogor Timur yang terdiri dari 6 kelurahan dan Kecamatan Bogor Selatan yang terdiri dari 16 kelurahan merupakan dua kecamatan yang paling sedikit jumlah penderita DBD dari tahun 2009 sampai 2013. Kecenderungan turunnya angka jumlah penderita DBD terjadi pada tahun 2011. Hal ini terjadi pada seluruh kecamatan di Kota Bogor. Deskriptif jumlah penderita DBD per kelurahan di Kota Bogor dari tahun 2009 sampai 2013 dapat dilihat pada Lampiran 2 yang memuat rataan, simpangan baku, nilai minimum, nilai maksimum dan total dari jumlah penderita DBD untuk masing-masing kelurahan di Kota Bogor. Kelurahan Bantarjati yang terletak di Kecamatan Bogor Utara memiliki nilai rataan jumlah penderita DBD terbesar jika dibandingkan dengan kelurahan lainnya yaitu sebesar 65 jiwa per tahun, dengan total jumlah penderita DBD dari tahun 2009 sampai 2013 sebesar 326 jiwa. Kelurahan Kedungbadak yang terletak di Kecamatan Tanah Sareal memiliki

12 simpangan baku terbesar dibandingkan kelurahan lainnya, yang artinya jumlah penderita DBD di Kelurahan Kedungbadak berfluktuasi paling tinggi. Kelurahan dengan total jumlah penderita DBD terkecil adalah Kelurahan Kertamaya yang terletak di Kecamatan Bogor Selatan yaitu sebesar 1 jiwa dari tahun 2009 sampai 2013. Tabel 3 Deskriptif jumlah penderita DBD per tahun per kelurahan di Kota Bogor Tahun Rataan Simp. Baku Min Maks Total 2009 22 18.61 0 79 1510 2010 26 21.08 0 103 1791 2011 9 9.27 0 51 612 2012 16 12.74 0 63 1085 2013 12 9.54 0 41 849 Deskriptif jumlah penderita DBD per tahun di Kota Bogor dari tahun 2009 sampai 2013 pada Tabel 3 yang memuat rataan, simpangan baku, nilai minimum, nilai maksimum dan total jumlah penderita DBD untuk masing-masing tahun di Kota Bogor. Dari hasil yang ada dapat dilihat bahwa dari tahun 2009 sampai 2013 nilai rataan jumlah penderita DBD cenderung tidak stabil. Pada tahun 2009 nilai rataan jumlah penderita DBD sebesar 22 jiwa per kelurahan dan tahun berikutnya tahun 2010 mengalami peningkatan namun kemudian mengalami penurunan maupun peningkatan hingga sampai tahun 2013. Adapun nilai keragaman jumlah penderita DBD yang terkecil dari keseluruhan pada tahun 2011. Secara keseluruhan total jumlah penderita DBD di Kota Bogor terbesar adalah pada tahun 2010, yaitu sebanyak 1791 jiwa.

X1 X2 X3 X4

Tabel 4 Korelasi peubah-peubah Y X1 X2 0.171* (0.002) 0.078 0.065 (0.152) (0.233) 0.114* -0.033 0.055 (0.036) (0.550) (0.315) 0.221* 0.273* 0.096 (0.000) (0.000) (0.077)

X3

0.035 (0.520)

*: Signifikan pada taraf nyata 5%

Korelasi antara peubah jumlah penderita DBD di Kota Bogor (Y), kepadatan penduduk (X1), mobilitas penduduk (X2), rata-rata usia penderita DBD (X3) dan jumlah puskesmas/puskesmas pembantu (X4) ditunjukkan pada Tabel 4. Korelasi peubah bebas yang nyata terhadap jumlah penderita DBD di Kota Bogor adalah kepadatan penduduk, rata-rata usia penderita DBD dan jumlah puskesmas/puskesmas pembantu. Adapun peubah mobilitas penduduk memiliki nilai-p lebih besar dari 0.05 yaitu sebesar 0.152 atau tidak nyata terhadap jumlah penderita DBD di Kota Bogor. Korelasi antar peubah bebas yang paling kuat adalah kepadatan penduduk dan jumlah puskesmas/puskesmas pembantu yaitu sebesar 0.273 dengan nilai-p lebih kecil dari 0.05.

13 Tabel 5 Korelasi jumlah penderita DBD di Kota Bogor tahun 2009 sampai 2013 Peubah Yi2009 Yi2010 Yi2011 Yi2012 Yi2013

Yi2009 1 0.842* 0.782* 0.726* 0.623*

Yi2010

Yi2011

Yi2012

Yi2013

1 0.753* 0.739* 0.724*

1 0.627* 0.666*

1 0.575*

1

*: Signifikan pada taraf nyata 5%

Korelasi jumlah penderita DBD 68 kelurahan di Kota Bogor dari tahun 2009 sampai 2013 ditunjukkan pada Tabel 5. Jumlah penderita DBD tahun 2013 dengan jumlah penderita DBD tahun 2009, 2010, 2011 dan 2012 memiliki hubungan yang nyata yaitu sebesar 0.623, 0.724, 0.666 dan 0.575. Hubungan antara jumlah penderita DBD di Kota Bogor tahun 2009 dan tahun-tahun berikutnya cenderung mengalami penurunan. Hubungan ini menunjukkan bahwa pola perilaku atau kebiasaan penduduk Kota Bogor yang sudah semakin baik dari tahun ke tahun.

Analisis Data Panel Spesifikasi Model Spesifikasi model dilakukan untuk memilih model yang sesuai antara model gabungan, model pengaruh tetap dan model pengaruh acak. Pada analisis data panel terdapat dua tahap spesifikasi model. Spesifikasi tahap pertama menggunakan Uji Chow untuk memilih antara model gabungan dan model pengaruh tetap. Alternatif pertama adalah model gabungan, hasil analisis model gabungan dapat dilihat pada Lampiran 3. Pada model gabungan peubah bebas dengan nilai-p kurang dari 0.05 adalah kepadatan penduduk (X1), rata-rata usia penderita DBD (X3) dan jumlah puskesmas/puskesmas pembantu (X4). Sehingga dapat dinyatakan bahwa pada model gabungan kepadatan penduduk (X1), rata-rata usia penderita DBD (X3) dan jumlah puskesmas/puskesmas pembantu (X4) berpengaruh nyata terhadap jumlah penderita DBD di Kota Bogor pada taraf nyata 5%. Adapun nilai R2 untuk model gabungan adalah sebesar 7.69% yang berarti keragaman jumlah penderita DBD di Kota Bogor tidak dapat dijelaskan dengan baik pada model gabungan. Alternatif kedua adalah model pengaruh tetap, hasil analisis data panel dengan menggunakan model pengaruh tetap dapat dilihat pada Lampiran 4. Pada model pengaruh tetap peubah bebas dengan nilai-p kurang dari 0.05 adalah mobilitas penduduk (X2), sedangkan peubah bebas kepadatan penduduk (X1), ratarata usia penderita DBD (X3) dan jumlah puskesmas/puskesmas pembantu (X4) memiliki nilai-p lebih besar dari 0.05 yaitu sebesar 0.4187, 0.7749 dan 0.7111. Dari hasil ini dapat dinyatakan bahwa pada model pengaruh tetap hanya peubah bebas mobilitas penduduk (X2) yang berpengaruh nyata terhadap jumlah penderita DBD di Kota Bogor pada taraf nyata 5%. Nilai R2 yang dihasilkan pada model ini cukup baik yaitu sebesar 61.59% yang berarti keragaman jumlah penderita DBD di Kota Bogor cukup dapat dijelaskan dengan baik pada model pengaruh tetap.

14 Tabel 6 Hasil Uji Chow Uji Pengaruh Lokasi-F

Statistik uji 5.6143

Derajat bebas (67, 268)

Nilai-p 0.000

Selanjutnya dilakukan pemilihan model terhadap model gabungan dan model pengaruh tetap. Hasil Uji Chow seperti yang tercantum pada Tabel 6 memperlihatkan bahwa nilai-p untuk pengujian ini mendekati 0, artinya bahwa model sementara yang sesuai adalah model pengaruh tetap. Hal ini menunjukkan bahwa kelurahan-kelurahan di Kota Bogor memiliki pengaruh yang berbeda terhadap banyaknya jumlah penderita DBD. Spesifikasi model data panel pada tahap dua yaitu menggunakan Uji Hausman untuk memilih antara model pengaruh tetap dan model pengaruh acak. Hasil analisis dengan menggunakan model pengaruh acak dapat dilihat pada Lampiran 5. Peubah jumlah puskesmas/puskesmas pembantu (X4) memiliki nilaip lebih kecil dari 0.05. Adapun nilai-p pada peubah bebas kepadatan penduduk (X1), mobilitas penduduk (X2) dan rata-rata usia penderita DBD (X3) memiliki nilai-p lebih dari 0.05 yaitu sebesar 0.3420, 0.0670, dan 0.6461. Hasil tersebut menunjukkan bahwa pada model ini jumlah puskesmas/puskesmas pembantu (X4) berpengaruh nyata terhadap jumlah penderita DBD di Kota Bogor. Nilai R2 pada model ini lebih kecil dibandingkan dengan model gabungan dan model pengaruh tetap yaitu sebesar 3.12% yang berarti keragaman jumlah penderita DBD di Kota Bogor tidak dapat dijelaskan dengan baik pada model pengaruh acak. Nilai pengaruh spesifik kelurahan (β0i) model pengaruh acak dapat dilihat pada Lampiran 6. Tabel 7 Hasil Uji Hausman Pengaruh model acak Uji χ2


Derajat bebas 4

Nilai-p 0.0000

Selanjutnya dilakukan pemilihan model antara model pengaruh tetap dan model pengaruh acak. Hasil Uji Hausman dapat dilihat pada Tabel 7. Berdasarkan hasil Uji Hausman nilai-p yang dihasilkan mendekati 0, artinya bahwa model yang terpilih adalah model pengaruh tetap. Uji Chow dan Uji Hausman menunjukkan bahwa model yang sesuai untuk menjelaskan data kepadatan penduduk (X1), mobilitas penduduk (X2), rata-rata usia penderita DBD (X3) dan jumlah puskesmas/puskesmas pembantu (X4) terhadap jumlah penderita DBD di Kota Bogor adalah model pengaruh tetap. Adapun model dugaan yang terbentuk adalah sebagai berikut: ̂

untuk koefisien peubah boneka (Di) selengkapnya dapat dilihat pada Lampiran 4. Nilai pengaruh spesifik kelurahan (β0i) model pengaruh tetap dapat dilihat pada lampiran 7. Pengujian Asumsi Setelah menentukan model yang sesuai, selanjutnya dilakukan pemeriksaan asumsi. Pemeriksaan asumsi ini bertujuan agar model yang terbentuk nantinya adalah model yang valid.

15 Tabel 8 Hasil uji multikolinearitas model pengaruh tetap Peubah X1 X2 X3 X4

VIF 1.0848 1.0138 1.0060 1.0899

Pengujian asumsi pertama yang dilakukan dalam pemodelan data panel adalah uji multikolinearitas. Pada Tabel 8 menunjukkan model pengaruh tetap tidak mengalami masalah multikolinearitas dengan nilai VIF seluruh peubah bebas kurang dari 10. Selanjutnya dilakukan pengujian asumsi korelasi pada sisaan. Nilai statistik Durbin-Watson yang dihasilkan yaitu sebesar 2.3545, nilai dL dan dU sebesar 1.80432 dan 1.83990. Nilai Durbin-Watson tidak berada antara dU dan (4- dU) sehingga dapat disimpulkan bahwa terdapat korelasi pada sisaan. Pengujian asumsi selanjutnya adalah uji kehomogenan ragam sisaan. Untuk mendeteksi keragaman pada model terpilih digunakan uji BPG. Hasil uji BPG diperoleh Θ = 11.7675. Nilai ini lebih besar dari . Hal ini dapat disimpulkan bahwa ragam sisaan tidak homogen pada taraf nyata 5%. Pengujian asumsi terakhir terhadap model adalah uji kenormalan sisaan. Dari hasil uji Jarque-Bera pada Lampiran 8, diperoleh nilai-p mendekati 0. Nilai ini menunjukkan bahwa sisaan tidak menyebar normal. Penanganan Pelanggaran Asumsi Berdasarkan pengujian asumsi didapatkan hasil bahwa asumsi yang tidak terpenuhi adalah tidak adanya korelasi pada sisaan, kehomogenan ragam sisaan dan kenormalan sisaan. Pada penelitian ini penanganan yang digunakan adalah transformasi data terhadap peubah respon (Y*), transformasi data yang digunakan adalah akar kubik, serta penambahan peubah baru terhadap model, yaitu jumlah penderita DBD pada satu periode waktu sebelumnya (Yi,(t-1)). Hasil pendugaan parameter pada model dengan penanganan asumsi dapat dilihat pada Lampiran 9. Tabel 9 Hasil uji multikolinearitas model pengaruh tetap menggunakan transformasi data peubah respon Y* dan penambahan peubah Yi,(t-1) Peubah X1 X2 X3 X4 Yi,(t-1)

VIF 1.1184 1.0205 1.0195 1.1544 1.0819

Tabel 9 menunjukkan bahwa tidak terdapat multikolinearitas pada model. Hal ini ditunjukkan dari nilai VIF seluruh peubah bebas yang kurang dari 10. Nilai Durbin-Watson yang dihasilkan pada model ini sebesar 1.9347 yang berada di antara wilayah dU dan (4-dU), sehingga menunjukkan bahwa tidak terdapat korelasi pada sisaan. Asumsi kehomogenan ragam sisaan terpenuhi setelah dilakukan penanganan pada pelanggaran asumsi. Hal ini terbukti dengan diperoleh Θ = 9.1278 yang lebih kecil dari yang menunjukkan bahwa ragam sisaan homogen. Uji Jarque-Bera pada Lampiran 10 menghasilkan nilai-p sebesar 0.1062. Nilai ini

16 lebih besar dari taraf nyata 0.05 sehingga dapat disimpulkan bahwa sisaan menyebar normal. Analisis dari model pengaruh tetap dengan menggunakan transformasi peubah respon (Y*) dan penambahan peubah (Yi,(t-1)) menghasilkan R2 sebesar 72.81%. Peubah bebas yang berpengaruh signifikan terhadap jumlah penderita DBD adalah peubah kepadatan penduduk (X1), mobilitas penduduk (X2), rata-rata usia penderita DBD (X3) dan jumlah penderita DBD pada satu periode waktu sebelumnya (Yi,(t-1)). Model dugaan model pengaruh tetap dengan menggunakan transformasi peubah respon (Y*) dan penambahan peubah (Yi,(t-1)) dituliskan sebagai berikut: ̂

untuk koefisien peubah boneka (Di) selengkapnya dapat dilihat pada Lampiran 9. Nilai pengaruh spesifik kelurahan (β0i) model ini dapat dilihat pada lampiran 11. Adapun hasil validasi model di atas menggunakan MSE menghasilkan nilai sebesar 0.2771. Nilai MSE yang mendekati 0 tersebut menunjukkan bahwa model yang disusun merupakan model yang sudah cukup baik.

Pemilihan Model Terbaik Model pengaruh tetap dengan menggunakan transformasi peubah respon (Y ) dan penambahan peubah (Yi,(t-1)) menggambarkan pengaruh kepadatan penduduk, mobilitas penduduk, rata-rata usia penderita DBD dan jumlah puskesmas/puskesmas pembantu terhadap jumlah penderita DBD di Kota Bogor pada tahun 2009 sampai 2013. Berdasarkan Uji-F yang dapat dilihat pada Lampiran 9, nilai-p untuk statistik F pada model mendekati 0. Hal ini menunjukkan bahwa model yang dibangun sudah layak dan minimal terdapat satu peubah bebas yang mempengaruhi jumlah penderita DBD. Hasil uji-t menunjukkan bahwa peubah bebas yang berpengaruh secara signifikan terhadap jumlah penderita DBD adalah kepadatan penduduk (X1), mobilitas penduduk (X2), rata-rata usia penderita DBD (X3) dan jumlah penderita DBD pada satu periode waktu sebelumnya (Yi,(t-1)). Masing-masing peubah ini memiliki nilai-p kurang dari taraf nyata 5%. Selanjutnya dilakukan pemodelan menggunakan model pengaruh tetap dengan transformasi peubah respon (Y*) dan penambahan peubah (Yi,(t-1)) pada model dengan peubah bebas yang signifikan. Model dugaan yang diperoleh sebagai berikut: *

̂

untuk koefisien peubah boneka (Di) selengkapnya dapat dilihat pada Lampiran 12. Berdasarkan model tersebut dapat ditunjukkan bahwa model yang dimiliki sudah memenuhi seluruh pengujian asumsi. Hasil pengujian asumsi dapat dilihat pada Lampiran 13 sampai Lampiran 16. Pada uji multikolinearitas menggunakan VIF menunjukkan bahwa peubah kepadatan penduduk, mobilitas penduduk, rata-

17 rata usia penderita DBD dan jumlah penderita DBD satu periode sebelumnya memiliki nilai VIF kurang dari 10. Hal ini menunjukkan bahwa model tidak mengalami masalah multikolinearitas. Uji Durbin-Watson menghasilkan nilai d sebesar 1.9401 berada di antara dU dan 4-dU. Sehingga asumsi tidak adanya korelasi sisaan terpenuhi. Pengujian kehomogenan ragam sisaan dengan uji BPG menunjukkan bahwa nilai Θ = 7.8643 lebih kecil dari yang menunjukkan bahwa kehomogenan ragam sisaan terpenuhi. Sedangkan pengujian kenormalan sisaan dengan uji Jarque-Bera menghasilkan nilai-p sebesar 0.1005 yang menunjukkan sisaan menyebar normal. Nilai koefisien kepadatan penduduk 68 kelurahan di Kota Bogor dari tahun 2009 sampai 2013 sebesar -0.0002 diartikan bahwa jika kepadatan penduduk di kelurahan ke-i tahun ke-t sebanyak sepuluh ribu orang berdampak pada peluang ditemukan kasus DBD berkurang sekitar 2 orang. Penurunan ini menunjukkan pola perilaku masyarakat Kota Bogor yang sudah semakin baik dalam menjaga kebersihan lingkungan. Kepadatan penduduk mempengaruhi habitat hidup nyamuk Aedes aegypti dan Aedes albopictus. Penduduk yang padat membuat berkurangnya tempat nyamuk untuk berkembang biak. Nilai koefisien mobilitas penduduk 68 kelurahan di Kota Bogor dari tahun 2009 sampai 2013 sebesar -0.0006 diartikan bahwa jika mobilitas penduduk di kelurahan ke-i tahun ke-t sebanyak sepuluh ribu orang berdampak pada peluang ditemukannya kasus DBD berkurang sekitar 6 orang. Nilai koefisien dari rata-rata umur penderita DBD 68 kelurahan di Kota Bogor dari tahun 2009 sampai 2013 sebesar 0.0115 berarti bahwa jika di kelurahan ke-i tahun ke-t rata-rata usia penderita DBD umur 30 tahun maka peluang ditemukan kasus DBD di kelurahan ke-i tahun ke-t rata-rata berumur 0.3 tahun atau sekitar 4 bulan. Nilai koefisien jumlah penderita DBD satu tahun sebelumnya pada 68 kelurahan di Kota Bogor dari tahun 2009 sampai 2013 sebesar -0.0087 diartikan bahwa jika jumlah penderita DBD satu tahun sebelumnya sebanyak 100 orang, maka peluang ditemukannya kasus DBD berkurang sekitar satu orang. Hal ini terlihat pada Gambar 1 dimana jumlah penderita DBD pada tahun 2013 mengalami penurunan dibandingkan jumlah penderita DBD pada tahun 2012. Model yang hanya melibatkan peubah bebas yang signifikan tidak mengubah tanda koefisien regresi pada peubah kepadatan penduduk (X1), mobilitas penduduk (X2), rata-rata usia penderita DBD (X3) dan jumlah penderita DBD pada satu periode waktu sebelumnya (Yi,(t-1)). Besarnya perubahan koefisien regresi tidak mengalami perubahan yang signifikan. Arah dan besarnya pengaruh spesifik kelurahan terhadap model juga tidak mengalami perubahan yang cukup signifikan. Hal ini ditunjukkan dari tidak adanya perubahan tanda pengaruh dan perubahan besarnya pengaruh yang sangat kecil pada pengaruh spesifik kelurahan model ini. Nilai R2 yang dihasilkan dari model ini menghasilkan nilai R2 yang hampir sama dengan model sebelum direduksi peubah bebasnya, yaitu sebesar 72.76% dan MSE sebesar 0.2763. Model ini masih dapat dikatakan cukup baik, adapun nilai pengaruh spesifik kelurahan (β0i) model ini dapat dilihat pada Lampiran 17.

18

5 SIMPULAN DAN SARAN Simpulan Model pengaruh tetap dengan menggunakan transformasi peubah bebas (Y*) dan penambahan peubah satu periode waktu sebelumnya (Yi,(t-1)) merupakan model yang dapat menggambarkan pengaruh peubah-peubah bebas terhadap jumlah penderita DBD di Kota Bogor pada periode tahun 2009 sampai 2013. Berdasarkan hasil model tersebut, peubah yang berpengaruh terhadap jumlah penderita DBD adalah kepadatan penduduk, mobilitas penduduk, rata-rata usia penderita DBD dan jumlah penderita DBD satu periode waktu sebelumnya pada taraf nyata 5%. Selain itu model ini sudah baik yang dapat ditunjukkan melalui R2 sebesar 72.76% dan MSE sebesar 0.2763.

Saran Penelitian ini hanya menggunakan empat peubah bebas dari faktor-faktor yang diduga mempengaruhi jumlah penderita DBD di Kota Bogor. Penelitian selanjutnya disarankan menambahkan beberapa faktor-faktor yang diduga mempengaruhi jumlah penderita DBD.

DAFTAR PUSTAKA Baltagi BH. 2005. Econometric Analysis of Panel Data. Ed ke-3. Chichester: John Wiley & Sons Ltd. [BPS] Badan Pusat Statistik. 2014. Kota Bogor Dalam Angka Tahun 2013. Bogor: Badan Pusat Statistik. [Dinkes Kota Bogor] Dinas Kesehatan Kota Bogor. 2014. Kinerja Dinas Kesehatan Kota Bogor Tahun 2014 Menuju Bogor Kota Sehat. Bogor. Greene WH. 2012. Econometric Analysis. Ed ke-7. New York University: Prentice Hall. Gujarati DN. 2009. Basic Econometrics. Ed ke-5. New York: The McGraw-Hill Companies. Judge GG, Griffith WE, Hill RC, Lee T. 1980. The Theory and Practice of Econometrics. John Wiley & Sons, Inc. New York. [Kemenkes] Kementerian Kesehatan Republik Indonesia. 2004. Tata Laksana Demam Berdarah Dengue di Indonesia. https://silahuddinm.files.wordpress. com/2013/02/bk2007-g4.pdf [31 Maret 2015] Rahmat A. 2014. Analisis Spasial-Temporal Untuk Mengkaji Faktor-Faktor Yang Mempengaruhi Sebaran Penyakit Demam Berdarah di Kota Bogor. [Tesis]. Bogor (ID): Institut Pertanian Bogor. Siregar FA. 2004. Epidemiologi dan Pemberantasan Demam Berdarah Dengue (DBD) di Indonesia. Medan (ID): Fakultas Kesehatan Masyarakat Universitas Sumatera Utara. http://repository.usu.ac.id/xmlui/bitstream/ handle/123456789/3673/fkm-fazidah3.pdf?sequence=1 [1 April 2015]

19 Sutaryo. 2005. Dengue. Yogyakarta (ID): Medika Fakultas Kedokteran Universitas Gajah Mada. [WHO] World Health Organization. 1997. Dengue Haemorrhagic Fever: Diagnosis, treatment, prevention and control. Ed ke-2. Genewa: Swiss. http://whqlibdoc.who.int/publications/1997/9241545003_eng [1 April 2015] Winarno WW. 2009. Analisis Ekonometrika dan Statistika dengan Eviews. Ed ke2. Yogyakarta: UPP STIM YKPN. Yussanti N. 2011. Pemodelan Wabah Demam Berdarah Dengue (DBD) di Jawa Timur Berdasarkan Faktor Iklim dan Sosial-Ekonomi dengan Pendekatan Regresi Panel Semiparametrik. [Skripsi]. Surabaya (ID): Institut Teknologi Sepuluh November.

20 Lampiran 1 Tabulasi data No 1 2 … 5 6 7 … 10 11 12 … 15 16 17 … 20 : : 326 327 … 330 331 332 … 335 336 337 … 340

Kelurahan Mulyaharja

Pamoyanan

Ranggamekar

Genteng

: : Kayumanis

Mekarwangi

Kencana

Tahun 2009 2010 … 2013 2009 2010 … 2013 2009 2010 … 2013 2009 2010 … 2013 : : 2009 2010 … 2013 2009 2010 … 2013 2009 2010 … 2013

Yit 2 16 … 13 4 7 … 13 11 14 … 14 1 1 … 2 : : 21 13 … 13 15 20 … 13 3 17 … 12

X1it 3418 3792 … 4220 5256 5384 … 5988 8745 8820 … 9609 4472 4428 … 4758 : : 5326 5446 … 6136 9048 13672 … 17047 5629 7872 … 9975

X2it 20 20 … 144 2 2 … 73 1 1 … 46 6 6 … 54 : : 20 20 … 9 17 17 … 89 19 19 … 87

X3it 22.50 18.19 … 23.46 10.06 20.79 … 19.85 16.19 12.28 … 32.93 28.00 11.00 … 18.00 : : 19.06 24.37 … 26.85 24.00 24.74 … 22.60 19.00 21.88 … 21.88

X4it 1 1 … 1 0 0 … 0 1 1 … 1 1 1 … 1 : : 1 1 … 1 2 2 … 2 1 1 … 1

21 Lampiran 2 Deskriptif jumlah penderita DBD per kelurahan per tahun di Kota Bogor Kecamatan

Bogor Selatan

Bogor Timur

Bogor Utara

Bogor Tengah

Kelurahan Rataan Mulyaharja 10.8 Pamoyanan 6.0 Ranggamekar 10.4 Genteng 1.0 Kertamaya 0.2 Rancamaya 0.8 Bojongkerta 1.0 Harjasari 3.2 Muarasari 0.6 Pakuan 3.8 Cipaku 17.8 Lawanggintung 14.8 Batutulis 8.8 Bondongan 23.2 Empang 16.8 Cikaret 11.2 Sindangsari 8.8 Sindangrasa 5.2 Tajur 9.4 Katulampa 22.6 Baranangsiang 34.6 Sukasari 11.2 Bantarjati 65.2 Tegalgundil 48.6 Tanahbaru 30.4 Cimahpar 14.8 Ciluar 10.8 Cibuluh 22.2 Kedunghalang 27.2 Ciparigi 28.6 Paledang 12.2 Gudang 4.0 Babakan Pasar 10.8 Tegallega 22.6 Babakan 29.4 Sempur 19.2 Pabaton 10.6 Cibogor 8.4 Panaragan 15.6 Kebon Kelapa 14.8 Ciwaringin 15.2

Simp. Baku 5.81 4.47 4.16 0.71 0.45 1.10 1.23 3.27 0.89 3.96 7.46 8.67 5.36 12.87 10.96 8.44 5.02 3.11 8.05 14.50 20.63 6.46 25.40 14.50 16.98 12.40 5.76 18.83 17.92 11.72 7.56 2.55 8.41 11.08 21.14 11.97 4.67 5.41 8.88 7.05 9.71

Min 2 1 4 0 0 0 0 1 0 0 7 7 3 9 5 2 1 2 1 7 14 5 41 33 10 5 7 7 11 10 5 1 1 13 8 5 5 2 6 5 5

Maks 16 13 14 2 1 2 3 9 2 10 25 27 15 44 28 21 15 10 19 40 62 20 103 64 51 36 21 53 55 39 23 7 21 39 60 35 14 17 28 22 29

Total 54 30 52 5 1 4 5 16 3 19 89 74 44 116 84 56 44 26 47 113 173 56 326 243 152 74 54 111 136 143 61 20 54 113 147 96 53 42 78 74 76

22 Lampiran 2 Lanjutan Kecamatan

Bogor Barat

Tanah Sereal

Kelurahan Rataan Simp. Baku Pasirmulya 9.6 3.65 Pasirkuda 18.0 8.40 Pasirjaya 11.6 8.08 Gunungbatu 38.0 22.70 Loji 17.8 9.42 Menteng 49.2 22.04 Cilendek Timur 23.2 15.51 Cilendek Barat 27.4 11.24 Sindangbarang 27.6 8.26 Margajaya 5.8 4.60 Balumbang Jaya 5.6 1.52 Situgede 4.4 2.97 Bubulak 12.4 6.02 Semplak 16.8 10.23 Curugmekar 19.2 15.82 Curug 14.2 9.12 Kedungwaringin 33.4 16.62 Kedungjaya 11.0 6.48 Kebonpedes 35.2 17.81 Tanahsareal 22.6 13.90 Kedungbadak 41.2 29.50 Sukaresmi 9.2 7.01 Sukadamai 15.6 8.62 Cibadak 26.6 9.04 Kayumanis 16.2 8.47 Mekarwangi 14.0 4.30 Kencana 10.8 6.14

Min 5 10 3 15 10 22 8 16 19 0 4 1 4 9 4 6 13 6 17 3 13 3 4 14 6 8 3

Maks 14 31 21 66 33 73 47 45 40 11 8 9 21 34 39 29 52 21 59 35 87 21 26 38 28 20 17

Total 48 90 58 190 89 246 116 137 138 29 28 22 62 84 96 71 167 55 176 113 206 46 78 133 81 70 54

23 Lampiran 3 Hasil analisis model gabungan Spesifikasi setiap peubah Koefisien Sisaan Baku t-hitung 5.4469 2.7140 2.0070 0.0003 0.0001 2.2479 0.0066 0.0074 0.8834 0.2247 0.1083 2.0737 4.7682 1.4562 3.2744 Spesifikasi model gabungan 2 R 0.0769 Sisaan baku regresi R2-Adjusted 0.0659 Jumlah Kuadrat Sisaan F-hitung (4, 335) 6.9742 MSE Nilai-p 0.0000 Durbin-Watson Peubah C X1 X2 X3 X4

Nilai-p 0.0456 0.0252 0.3777 0.0389 0.0012 15.6857 82424.0600 246.0420 0.8000

24 Lampiran 4 Hasil analisis model pengaruh tetap Peubah C X1 X2 X3 X4 D2 D3 D4 D5 D6 D7 D8 D9 D10 D11 D12 D13 D14 D15 D16 D17 D18 D19 D20 D21 D22 D23 D24 D25 D26 D27 D28 D29 D30 D31 D32 D33 D34 D35 D36 D37 D38 D39 D40

Spesifikasi setiap peubah Koefisien Sisaan Baku 13.3224 7.6458 -0.0003 0.0004 -0.0181 0.0060 -0.0267 0.0931 2.0573 5.5493 -4.3979 9.1844 -0.5755 7.4104 -11.7685 7.2016 -12.0612 9.1223 -13.1369 7.2723 -12.0391 7.2082 -7.9940 7.4883 -10.1144 9.3003 -7.3691 8.5430 6.4422 7.2879 4.8698 7.8240 -0.2031 8.2109 17.3558 9.4274 12.9151 11.8622 0.6934 9.1512 -0.1460 9.7353 -5.1059 7.8959 2.5924 10.4712 11.9787 7.2168 26.0458 9.1310 3.9972 10.8092 57.6228 8.0894 37.5561 9.3012 18.1796 9.0158 1.8841 7.1940 -1.2044 7.2795 14.5477 9.8759 18.6448 7.5877 20.4601 8.4344 2.2842 9.4057 -4.1623 9.2537 2.6964 9.5364 13.7836 8.4676 17.8854 7.3877 9.2794 7.7475 -2.6538 7.2066 0.5893 10.5128 7.3165 10.2026 6.9018 9.7604

t-hitung 1.7424 -0.8100 -2.9997 -0.2862 0.3707 -0.4788 -0.0777 -1.6341 -1.3222 -1.8064 -1.6702 -1.0675 -1.0875 -0.8626 0.8840 0.6224 -0.0247 1.8410 1.0888 0.0758 -0.0150 -0.6467 0.2476 1.6598 2.8525 0.3698 7.1232 4.0378 2.0164 0.2619 -0.1655 1.4731 2.4572 2.4258 0.2428 -0.4498 0.2827 1.6278 2.4210 1.1977 -0.3682 0.0561 0.7171 0.7071

Nilai-p 0.0826 0.4187 0.0030 0.7749 0.7111 0.6324 0.9382 0.1034 0.1872 0.0720 0.0960 0.2867 0.2778 0.3891 0.3775 0.5342 0.9803 0.0667 0.2772 0.9397 0.9880 0.5184 0.8047 0.0981 0.0047 0.7118 0.0000 0.0001 0.0448 0.7936 0.8687 0.1419 0.0146 0.0159 0.8083 0.6532 0.7776 0.1047 0.0161 0.2321 0.7130 0.9553 0.4739 0.4801

25 Lampiran 4 Lanjutan Spesifikasi setiap peubah Koefisien Sisaan Baku t-hitung 2.1099 9.0475 0.2332 -3.4359 7.2152 -0.4762 8.2214 9.2306 0.8907 0.4457 7.2645 0.0614 28.6947 7.3534 3.9022 8.7583 9.1502 0.9572 39.0617 7.2726 5.3711 15.2100 8.3174 1.8287 18.2297 9.5908 1.9008 16.0354 7.1702 2.2364 -5.8470 9.0170 -0.6484 -4.6105 7.3195 -0.6299 -2.9048 9.0652 -0.3204 1.3704 7.9519 0.1723 9.7127 10.4017 0.9338 11.2447 10.0025 1.1242 3.7421 9.2321 0.4053 25.6890 8.3370 3.0813 5.8649 10.9611 0.5351 28.5017 9.8221 2.9018 10.9103 7.3785 1.4787 32.9762 8.0981 4.0721 -1.8919 7.7991 -0.2426 7.7830 9.9079 0.7855 17.2241 9.1700 1.8783 3.7039 7.2203 0.5130 2.7737 9.2556 0.2997 0.2536 7.3221 0.0346 Spesifikasi model pengaruh tetap R2 0.6159 Sisaan baku regresi R2-Adjusted 0.5142 Jumlah Kuadrat Sisaan F-hitung (71, 268) 6.0535 MSE Nilai-p 0.0000 Durbin-Watson Peubah D41 D42 D43 D44 D45 D46 D47 D48 D49 D50 D51 D52 D53 D54 D55 D56 D57 D58 D59 D60 D61 D62 D63 D64 D65 D66 D67 D68

Nilai-p 0.8158 0.6343 0.3739 0.9511 0.0001 0.3393 0.0000 0.0686 0.0584 0.0261 0.5173 0.5293 0.7489 0.8633 0.3513 0.2619 0.6856 0.0023 0.5931 0.0040 0.1404 0.0001 0.8085 0.4328 0.0614 0.6084 0.7647 0.9724 11.3118 34292.2400 127.9561 2.3545

26 Lampiran 5 Hasil analisis model pengaruh acak Spesifikasi setiap peubah Koefisien Sisaan Baku t-hitung 11.5252 3.0723 3.7514 0.0002 0.0002 0.9516 -0.0108 0.0059 -1.8378 0.0408 0.0888 0.4596 4.9620 2.1021 2.3605 Spesifikasi model pengaruh tetap S.D Efek lokasi acak 9.5337 Idiosyncratic acak 11.3118 R2 0.0312 Sisaan baku regresi R2-Adjusted 0.0197 Jumlah Kuadrat Sisaan F-hitung (4, 335) 2.7001 MSE Nilai-p 0.0306 Durbin-Watson Peubah C X1 X2 X3 X4

Nilai-p 0.0002 0.3420 0.0670 0.6461 0.0188 Rho 0.4153 0.5847 11.6979 45842.0400 136.8419 1.7354

27 Lampiran 6 Nilai pengaruh spesifik kelurahan pada model pengaruh acak Kelurahan Mulyaharja Pamoyanan Ranggamekar Genteng Kertamaya Rancamaya Bojongkerta Harjasari Muarasari Pakuan Cipaku Lawanggintung Batutulis Bondongan Empang Cikaret Sindangsari Sindangrasa Tajur Katulampa Baranangsiang Sukasari Bantarjati Tegalgundil Tanahbaru Cimahpar Ciluar Cibuluh Kedunghalang Ciparigi Paledang Gudang Babakanpasar Tegallega

Pengaruh 7.2401 6.3174 5.4671 -1.3221 2.6179 -1.4065 -1.0380 -0.5397 1.9291 3.5799 11.4515 8.3840 3.3773 15.3606 13.2970 10.4784 7.5837 0.4950 7.9645 15.6830 21.9136 0.9839 48.3086 30.8954 17.1055 9.4021 5.9864 18.3613 19.1183 19.8159 10.7570 -0.9359 4.0372 14.1522

Kelurahan Babakan Sempur Pabaton Cibogor Panaragan Kebon Kelapa Ciwaringin Pasirmulya Pasirkuda Pasirjaya Gunungbatu Loji Menteng Cilendektimur Cilendekbarat Sindangbarang Margajaya Balumbangjaya Situgede Bubulak Semplak Curugmekar Curug Kedungwaringin Kedungjaya Kebonpedes Tanahsareal Kedungbadak Sukaresmi Sukadamai Cibadak Kayumanis Mekarwangi Kencana

Pengaruh 20.1876 11.8551 5.8950 6.9592 4.7350 7.0017 5.0585 5.1022 15.7466 6.6350 28.0301 16.1291 36.4820 15.0138 22.1426 19.9291 6.4560 2.5151 6.7073 10.2673 8.0116 15.3017 12.2139 23.0143 8.9111 23.3257 14.7732 29.2385 3.8025 12.9464 22.5201 10.2755 3.5945 6.1149

28 Lampiran 7 Nilai pengaruh spesifik kelurahan pada model pengaruh tetap Kelurahan Mulyaharja Pamoyanan Ranggamekar Genteng Kertamaya Rancamaya Bojongkerta Harjasari Muarasari Pakuan Cipaku Lawanggintung Batutulis Bondongan Empang Cikaret Sindangsari Sindangrasa Tajur Katulampa Baranangsiang Sukasari Bantarjati Tegalgundil Tanahbaru Cimahpar Ciluar Cibuluh Kedunghalang Ciparigi Paledang Gudang Babakanpasar Tegallega

Pengaruh 13.3224 8.9244 12.7468 1.5539 1.2612 0.1855 1.2833 5.3284 3.2080 5.9533 19.7646 18.1922 13.1192 30.6782 26.2375 14.0158 13.1764 8.2165 15.9148 25.3011 39.3682 17.3195 70.9452 50.8785 31.5019 15.2064 12.1180 27.8701 31.9672 33.7824 15.6065 9.1601 16.0188 27.1060


Pengaruh 31.2078 22.6017 10.6686 13.9117 20.6389 20.2241 15.4323 9.8865 21.5437 13.7681 42.0171 22.0807 52.3840 28.5324 31.5521 29.3578 7.4754 8.7118 10.4175 14.6927 23.0350 24.5671 17.0645 39.0114 19.1872 41.8241 24.2327 46.2986 11.4305 21.1054 30.5465 17.0263 16.0960 13.5760

29 Lampiran 8 Uji normalitas Jarque-Bera model pengaruh tetap 60

Series: Standardized Residuals Sample 2009 2013 Observations 340

50

40

30

20

10

0 -30

-20

-10

0

10

20

30

40

Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis

-5.22e-17 -0.780687 43.41085 -28.53583 10.05769 0.546141 4.752024

Jarque-Bera Probability

60.38781 0.000000

30 Lampiran 9 Hasil analisis model pengaruh tetap menggunakan transformasi data peubah respon Y* dan penambahan peubah Yi,(t-1) Peubah C X1 X2 X3 X4 D2 D3 D4 D5 D6 D7 D8 D9 D10 D11 D12 D13 D14 D15 D16 D17 D18 D19 D20 D21 D22 D23 D24 D25 D26 D27 D28 D29 D30 D31 D32 D33 D34 D35 D36 D37 D38 D39 D40

Spesifikasi setiap peubah Koefisien Sisaan Baku 2.9891 0.6935 -0.0003 0.0001 -0.0006 0.0003 0.0114 0.0050 0.3461 0.5300 0.0657 0.6827 1.0290 0.6527 -1.4674 0.3832 -2.5557 0.6780 -2.2440 0.3928 -1.9838 0.3827 0.3399 0.6995 -0.9104 0.7155 -0.6886 0.6778 1.1440 0.5271 2.0249 0.9516 2.3413 1.2331 4.5090 1.6602 4.8988 1.9851 0.2649 0.6724 1.5704 1.0181 1.4315 1.0085 2.4028 1.3127 0.7992 0.4232 2.5624 0.9799 4.4447 2.0860 4.7135 1.1898 3.7442 1.2181 1.8509 0.8989 0.1983 0.3772 0.4428 0.4994 2.7193 1.1160 2.3927 0.8339 3.6037 1.2514 0.7800 0.7203 3.8348 1.9832 4.5904 2.0863 3.3231 1.2602 1.5058 0.5837 2.2846 0.9949 -0.1769 0.3827 3.2848 1.5447 5.4467 2.3849 5.2704 2.1781

t-hitung 4.3101 -2.4684 -1.9906 2.2687 0.6530 0.0962 1.5765 -3.8296 -3.7695 -5.7135 -5.1843 0.4859 -1.2725 -1.0159 2.1703 2.1279 1.8987 2.7159 2.4678 0.3940 1.5426 1.4194 1.8305 1.8884 2.6149 2.1307 3.9617 3.0737 2.0591 0.5256 0.8867 2.4366 2.8691 2.8798 1.0829 1.9336 2.2003 2.6369 2.5798 2.2962 -0.4624 2.1264 2.2838 2.4197

Nilai-p 0.0000 0.0144 0.0479 0.0244 0.5145 0.9235 0.1165 0.0002 0.0002 0.0000 0.0000 0.6276 0.2047 0.3109 0.0312 0.0346 0.0591 0.0072 0.0144 0.6940 0.1245 0.1573 0.0687 0.0604 0.0096 0.0343 0.0001 0.0024 0.0408 0.5998 0.3763 0.0157 0.0046 0.0044 0.2802 0.0546 0.0289 0.0090 0.0106 0.0227 0.6443 0.0347 0.0234 0.0164

31

Lampiran 9 Lanjutan Spesifikasi setiap peubah Peubah Koefisien Sisaan Baku t-hitung D41 1.1991 0.8760 1.3689 D42 -0.1103 0.3909 -0.2821 D43 1.1535 0.7162 1.6105 D44 0.3485 0.5018 0.6944 D45 2.1391 0.6203 3.4487 D46 0.8247 0.6785 1.2154 D47 2.3762 0.5732 4.1452 D48 3.4973 1.3261 2.6374 D49 2.4087 0.9236 2.6079 D50 0.9439 0.3859 2.4461 D51 -0.6838 0.6615 -1.0337 D52 0.5519 0.5724 0.9643 D53 -0.6898 0.6498 -1.0616 D54 0.4807 0.4709 1.0207 D55 5.4479 2.1920 2.4853 D56 2.6230 1.1370 2.3069 D57 0.9344 0.7067 1.3223 D58 3.8308 1.2565 3.0488 D59 3.5566 1.6250 2.1887 D60 5.4807 1.8556 2.9537 D61 1.3614 0.6010 2.2654 D62 3.7644 1.1620 3.2395 D63 1.7050 0.9310 1.8313 D64 2.3101 1.1000 2.1001 D65 1.4352 0.6933 2.0700 D66 0.4964 0.4228 1.1740 D67 2.4298 1.2788 1.9001 D68 1.1218 0.6217 1.8044 Yi,(t-1) -0.0089 0.0033 -2.6677 Spesifikasi model pengaruh tetap R2 0.7281 Sisaan baku regresi 2 R -Adjusted 0.6298 Jumlah Kuadrat Sisaan F-hitung (72, 199) 7.4025 MSE Nilai-p 0.0000 Durbin-Watson

Nilai-p 0.1726 0.7781 0.1089 0.4883 0.0007 0.2256 0.0001 0.0090 0.0098 0.0153 0.3025 0.3361 0.2897 0.3086 0.0138 0.0221 0.1876 0.0026 0.0298 0.0035 0.0246 0.0014 0.0685 0.0370 0.0397 0.2418 0.0589 0.0727 0.0083 0.5264 55.1513 0.2771 1.9347

32 Lampiran 10 Uji normalitas Jarque-Bera pada model pengaruh tetap menggunakan transformasi data peubah respon Y* dan penambahan peubah Yi,(t-1) 32

Series: Residuals Sample 2 340 Observations 272

28 24 20 16 12 8 4 0 -1.0

-0.5

-0.0

0.5

1.0


1.18e-15 -0.033291 1.241812 -1.106930 0.451121 0.174676 2.476813


4.485414 0.106171

33 Lampiran 11 Nilai pengaruh spesifik kelurahan pada model pengaruh tetap menggunakan transformasi data peubah respon Y* dan penambahan peubah Yi,(t-1) Kelurahan Mulyaharja Pamoyanan Ranggamekar Genteng Kertamaya Rancamaya Bojongkerta Harjasari Muarasari Pakuan Cipaku Lawanggintung Batutulis Bondongan Empang Cikaret Sindangsari Sindangrasa Tajur Katulampa Baranangsiang Sukasari Bantarjati Tegalgundil Tanahbaru Cimahpar Ciluar Cibuluh Kedunghalang Ciparigi Paledang Gudang Babakanpasar Tegallega

Pengaruh 2.9891 3.0548 4.0182 1.5217 0.4334 0.7451 1.0053 3.3290 2.0787 2.3005 4.1331 5.0140 5.3304 7.4982 7.8880 3.2541 4.5596 4.4206 5.3919 3.7883 5.5515 7.4338 7.7026 6.7334 4.8401 3.1874 3.4319 5.7084 5.3818 6.5928 3.7691 6.8240 7.5795 6.3122


Pengaruh 4.4949 5.2737 2.8122 6.2739 8.4359 8.2595 4.1883 2.8789 4.1426 3.3376 5.1282 3.8138 5.3653 6.4865 5.3978 3.9330 2.3054 3.5411 2.2993 3.4698 8.4371 5.6122 3.9236 6.8199 6.5457 8.4698 4.3506 6.7535 4.6941 5.2992 4.4244 3.4855 5.4190 4.1109

34 Lampiran 12 Hasil analisis model pengaruh tetap menggunakan transformasi data peubah respon Y* dan penambahan peubah Yi,(t-1) pada model dengan peubah bebas yang signifikan Peubah C X1 X2 X3 D2 D3 D4 D5 D6 D7 D8 D9 D10 D11 D12 D13 D14 D15 D16 D17 D18 D19 D20 D21 D22 D23 D24 D25 D26 D27 D28 D29 D30 D31 D32 D33 D34 D35 D36 D37 D38 D39 D40

Spesifikasi setiap peubah Koefisien Sisaan Baku 3.3057 0.4952 -0.0002 0.0001 -0.0006 0.0003 0.0115 0.0050 -0.2893 0.4125 0.9971 0.6500 -1.4684 0.3826 -2.8825 0.4567 -2.2356 0.3920 -1.9776 0.3820 0.3049 0.6965 -1.2693 0.4574 -1.0420 0.4075 1.1210 0.5252 1.9716 0.9467 2.2700 1.2265 4.4091 1.6508 4.4411 1.8545 -0.0886 0.3983 1.1807 0.8236 1.3754 1.0034 1.9920 1.1504 0.7852 0.4221 2.8576 0.8682 4.6678 2.0549 4.6389 1.1826 4.0208 1.1405 2.1533 0.7694 0.1963 0.3767 0.4239 0.4978 2.3197 0.9320 2.3452 0.8296 3.5293 1.2444 0.4187 0.4605 3.7187 1.9724 4.4674 2.0748 3.2495 1.2534 1.4771 0.5812 2.2272 0.9896 -0.1805 0.3821 2.8586 1.3981 5.6505 2.3610 5.1404 2.1659

t-hitung 6.6761 -2.4215 -1.9863 2.2981 -0.7013 1.5341 -3.8375 -6.3115 -5.7034 -5.1771 0.4378 -2.7750 -2.5568 2.1344 2.0825 1.8508 2.6709 2.3947 -0.2225 1.4336 1.3707 1.7316 1.8604 3.2913 2.2715 3.9227 3.5254 2.7988 0.5212 0.8516 2.4890 2.8270 2.8362 0.9092 1.8854 2.1532 2.5926 2.5414 2.2505 -0.4725 2.0446 2.3933 2.3734

Nilai-p 0.0000 0.0163 0.0484 0.0226 0.4840 0.1266 0.0002 0.0000 0.0000 0.0000 0.6620 0.0060 0.0113 0.0340 0.0386 0.0657 0.0082 0.0176 0.8242 0.1532 0.1720 0.0849 0.0643 0.0012 0.0242 0.0001 0.0005 0.0056 0.6028 0.3955 0.0136 0.0052 0.0050 0.3643 0.0608 0.0325 0.0102 0.0118 0.0255 0.6371 0.0422 0.0176 0.0186

35 Lampiran 12 Lanjutan Spesifikasi setiap peubah Koefisien Sisaan Baku t-hitung 1.5069 0.7374 2.0436 -0.1160 0.3902 -0.2972 0.7916 0.4531 1.7471 0.3274 0.5001 0.6546 2.1066 0.6174 3.4121 0.4688 0.4037 1.1615 2.3458 0.5705 4.1116 3.4186 1.3187 2.5925 2.0236 0.7098 2.8510 0.9376 0.3852 2.4340 -1.0167 0.4208 -2.4161 0.5270 0.5703 0.9241 -1.0326 0.3823 -2.7011 0.3040 0.3849 0.7898 5.3166 2.1797 2.4392 2.2213 0.9548 2.3264 0.5747 0.4419 1.3005 3.7550 1.2493 3.0057 3.1225 1.4806 2.1089 5.3682 1.8449 2.9098 1.3320 0.5984 2.2260 3.6936 1.1553 3.1971 1.6549 0.9265 1.7861 1.9123 0.9146 2.0908 1.0757 0.4208 2.5565 0.4847 0.4218 1.1492 2.7048 1.2057 2.2433 1.0915 0.6191 1.7631 -0.0087 0.0033 -2.6688 Spesifikasi model pengaruh tetap R2 0.7276 Sisaan baku regresi 2 R -Adjusted 0.6308 Jumlah Kuadrat Sisaan F-hitung (71, 200) 7.5223 MSE Nilai-p 0.0000 Durbin-Watson Peubah D41 D42 D43 D44 D45 D46 D47 D48 D49 D50 D51 D52 D53 D54 D55 D56 D57 D58 D59 D60 D61 D62 D63 D64 D65 D66 D67 D68 Yi,(t-1)

Nilai-p 0.0423 0.7666 0.0822 0.5135 0.0008 0.2468 0.0001 0.0102 0.0048 0.0158 0.0166 0.3565 0.0075 0.4306 0.0156 0.0210 0.1949 0.0030 0.0362 0.0040 0.0271 0.0016 0.0756 0.0378 0.0113 0.2519 0.0260 0.0794 0.0083 0.5257 55.2695 0.2763 1.9401

36 Lampiran 13 Hasil uji multikolinearitas model pengaruh tetap menggunakan transformasi data peubah respon Y* dan penambahan peubah Yi,(t-1) pada model dengan peubah bebas yang signifikan Peubah X1 X2 X3 Yi,(t-1)

VIF 1.0349 1.0161 1.0180 1.0419

Lampiran 14 Hasil uji Durbin-Watson model pengaruh tetap menggunakan transformasi data peubah respon Y* dan penambahan peubah Yi,(t-1) pada model dengan peubah bebas yang signifikan dU 1.8399

d 1.9401

4-dU 2.1601

Lampiran 15 Hasil uji BPG model pengaruh tetap menggunakan transformasi data peubah respon Y* dan penambahan peubah Yi,(t-1) pada model dengan peubah bebas yang signifikan Uji kehomogenan ragam Uji BPG


Derajat bebas 4

Nilai-p 0.0967

Lampiran 16 Uji normalitas Jarque-Bera model pengaruh tetap menggunakan transformasi data peubah respon Y* dan penambahan peubah Yi,(t-1) pada model dengan peubah bebas yang signifikan 35

Series: Standardized Residuals Sample 2010 2013 Observations 272

30 25 20 15 10 5 0 -1.0

-0.5

-0.0

0.5

1.0


-2.73e-17 -0.034024 1.242429 -1.108550 0.451604 0.176090 2.469463


4.595665 0.100476

37 Lampiran 17 Nilai pengaruh spesifik kelurahan pada model pengaruh tetap menggunakan transformasi data peubah respon Y* dan penambahan peubah Yi,(t-1) pada model dengan peubah bebas yang signifikan Kelurahan Mulyaharja Pamoyanan Ranggamekar Genteng Kertamaya Rancamaya Bojongkerta Harjasari Muarasari Pakuan Cipaku Lawanggintung Batutulis Bondongan Empang Cikaret Sindangsari Sindangrasa Tajur Katulampa Baranangsiang Sukasari Bantarjati Tegalgundil Tanahbaru Cimahpar Ciluar Cibuluh Kedunghalang Ciparigi Paledang Gudang Babakanpasar Tegallega

Pengaruh 3.3057 3.0165 4.3028 1.8374 0.4232 1.0701 1.3281 3.6106 2.0365 2.2637 4.4267 5.2773 5.5757 7.7148 7.7469 3.2171 4.4864 4.6811 5.2977 4.0909 6.1633 7.9735 7.9446 7.3265 5.4590 3.5021 3.7296 5.6255 5.6510 6.8351 3.7244 7.0244 7.7731 6.5553


Pengaruh 4.7828 5.5329 3.1252 6.1643 8.9563 8.4462 4.8126 3.1898 4.0974 3.6331 5.4123 3.7746 5.6515 6.7243 5.3293 4.2433 2.2890 3.8328 2.2731 3.6098 8.6224 5.5270 3.8804 7.0608 6.4282 8.6740 4.6378 6.9994 4.9606 5.2181 4.3814 3.7905 6.0106 4.3972

38

RIWAYAT HIDUP Penulis dilahirkan di Padang pada tanggal 9 September 1987 dari pasangan Bapak Drs. M. Thahar dan Ibu Mawarty Nasution. Penulis merupakan putra bungsu dari tiga bersaudara. Pendidikan penulis berawal dari Sekolah Dasar Percobaan IKIP Padang pada tahun 1993, dan melanjutkan pendidikannya ke SLTP Negeri 7 Padang hingga lulus pada tahun 2002. Pada tahun 2002 penulis melanjutkan pendidikan di SMA Negeri 2 Padang, dan lulus pada tahun 2005. Pada tahun yang sama penulis diterima sebagai mahasiswa di Universitas Negeri Padang Jurusan Matematika dan menamatkannya pada tahun 2010. Tahun 2011 penulis berkesempatan untuk melanjutkan studi S2 di Institut Pertanian Bogor Program Studi Statistika.

PEMODELAN REGRESI DATA PANEL PADA KASUS JUMLAH PENDERITA DEMAM BERDARAH DENGUE (DBD) DI KOTA BOGOR ZAMAHSARY MARTHA

Recommend Documents