BAB III METODOLOGI PENELITIAN 3.1 Prosedur Penelitian
Transcript of BAB III METODOLOGI PENELITIAN 3.1 Prosedur Penelitian
BAB III
METODOLOGI PENELITIAN
3.1 Prosedur Penelitian
Berikut merupakan penjelasan ringkas mengenai prosedur penelitian pada
skripsi ini adalah :
1. Melakukan studi literatur mengenai konsep dasar kematian bayi, overdispersi,
regresi Poisson, dan regresi Zero-Truncated Negative Binomial.
a. Kematian Bayi
Kematian bayi adalah kematian bayi antara usia 0 tahun sampai usia kurang
dari satu tahun. Kematian bayi dapat terjadi pada periode persalinan, 24 jam
pertama pasca persalinan, dan 2-7 hari pasca lahir. Dalam penelitian ini
artinya kematian bayi yang terjadi di Kota Cimahi tahun 2017 yang tercatat
di 13 Puskesmas di Kota Cimahi.
b. Overdispersi
Overdispersi berasal dari kata over dan dispersi. Over dapat diartikan
berlebih, sedangkan dispersi/ukuran variasi dalam statistik diartikan sebagai
ukuran yang menyatakan seberapa jauh penyimpangan nilai-nilai data dari
nilai-nilai pusatnya. Maka dapat disimpulkan overdispersi adalah penyebaran
berlebih pada suatu data karena varians yang diamati lebih besar nilainya
daripada varians model teoritis.
c. Regresi
Regresi adalah suatu metode statistik yang digunakan untuk mengetahui
pengaruh antara dua atau lebih variabel. Hubungan variabel tersebut bersifat
fungsional yang disajikan dalam suatu model matematis. Pada analisis
regresi, variabel dibedakan menjadi dua, yaitu variabel respon atau disebut
variabel terikat dan variabel prediktor atau disebut variabel bebas.
d. Regresi Poisson
Menurut (Gujarati, 2004 : 22-24), dalam analisis regresi terdapat asumsi pada
variabel respon dan variabel prediktor, yaitu variabel respon diasumsikan
random sehingga mempunyai distribusi probabilitas. Sedangkan variabel
prediktor diasumsikan mempunyai nilai yang tertentu (dalam sampel
23
Intan Nur Puspitasari, 2019
PENANGANAN OVERDISPERSI PADA REGRESI POISSON MENGGUNAKAN REGRESI ZERO-
TRUNCATED NEGATIVE BINOMIAL (STUDI KASUS : BANYAK KEMATIAN BAYI DI KOTA CIMAHI
TAHUN 2017)
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
tertentu). Sehingga dapat diartikan regresi Poisson adalah hubungan antara
variabel respon yang berdistribusi Poisson dengan satu atau lebih variabel
prediktor.
e. Regresi Zero-Truncated Negative Binomial
Zero-Truncated dapat diartikan terpotong-nol atau nilai nol tidak dapat terjadi
pada suatu data. Distribusi Zero-Truncated Negative Binomial adalah bentuk
khusus dari distribusi binomial negatif yang mengecualikan nilai nol.
Sehingga regresi zero-truncated negative binomial adalah hubungan antara
variabel respon yang berdistribusi binomial negatif dengan satu atau lebih
variabel prediktor.
2. Mengambil data sekunder dari Buku Profil Kesehatan Kota Cimahi 2017 yaitu
banyak kematian bayi di Kota Cimahi tahun 2017.
3. Menentukan model banyak kematian bayi di Kota Cimahi tahun 2017 dengan
menggunakan regresi Poisson.
4. Melakukan uji Overdispersi pada model regresi Poisson.
5. Menentukan model banyak kematian bayi di Kota Cimahi tahun 2017 dengan
menggunakan regresi Zero-Truncated Negative Binomial.
6. Penarikan kesimpulan dari penelitian yang dilakukan.
3.2 Pengumpulan Data
3.2.1 Sumber Data
Data yang digunakan dalam penelitian ini adalah data sekunder, yaitu banyak
kematian bayi di Kota Cimahi tahun 2017 yang diperoleh dari Buku Profil Dinas
Kesehatan Kota Cimahi Tahun 2017 pada Lampiran 1. Data sekunder merupakan
data penelitian yang diperoleh peneliti secara tidak langsung melalui media
perantara (diperoleh dan dicatat oleh pihak lain). Data sekunder umumnya berupa
bukti, catatan atau laporan historis yang telah tersusun dalam arsip yang
dipublikasikan dan yang tidak dipublikasikan.
3.2.2 Variabel Penelitian
Terdapat dua variabel yang digunakan pada penelitian ini yaitu variabel
respon dan variabel prediktor.
24
Intan Nur Puspitasari, 2019
PENANGANAN OVERDISPERSI PADA REGRESI POISSON MENGGUNAKAN REGRESI ZERO-
TRUNCATED NEGATIVE BINOMIAL (STUDI KASUS : BANYAK KEMATIAN BAYI DI KOTA CIMAHI
TAHUN 2017)
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
3.2.2.1 Variabel Respon
Variabel respon adalah variabel yang dipengaruhi karena adanya variabel
prediktor. Variabel respon yang digunakan dalam penelitian ini adalah banyak
kematian bayi di Kota Cimahi tahun 2017.
3.2.2.2 Variabel Prediktor
Variabel prediktor adalah variabel yang memengaruhi, yang menyebabkan
timbulnya atau berubahnya variabel respon. Variabel prediktor yang digunakan
dalam penelitian ini adalah sebagai berikut :
1. Persentase bayi berat badan lahir rendah (BBLR) di Kota Cimahi sebagai
variabel prediktor pertama (๐1)
2. Persentase bayi yang diberi ASI eksklusif di Kota Cimahi sebagai variabel
prediktor kedua (๐2)
3. Persentase pemberian vitamin A pada bayi di Kota Cimahi sebagai variabel
prediktor ketiga (๐3)
4. Persentase imunisasi dasar lengkap pada bayi di Kota Cimahi sebagai variabel
prediktor keempat (๐4)
5. Persentase ibu hamil mendapatkan tablet Fe3 di Kota Cimahi sebagai variabel
prediktor kelima (๐5)
6. Persentase persalinan oleh tenaga kesehatan di Kota Cimahi sebagai variabel
prediktor keenam (๐6)
7. Persentase ibu hamil melaksanakan program K4 di Kota Cimahi sebagai variabel
prediktor ketujuh (๐7)
3.2.3 Metode Analisis
Metode analisis yang digunakan dalam penelitian ini adalah menggunakan
analisis deskriptif untuk memberikan gambaran kematian bayi di Kota Cimahi.
Selain itu dilakukan analisis inferensi berupa pengujian model yang dibentuk serta
melakukan analisis faktor-faktor yang diduga memengaruhi kematian bayi di Kota
Cimahi. Dalam estimasi parameter, menggunakan metode penaksiran kemungkinan
maksimum.
25
Intan Nur Puspitasari, 2019
PENANGANAN OVERDISPERSI PADA REGRESI POISSON MENGGUNAKAN REGRESI ZERO-
TRUNCATED NEGATIVE BINOMIAL (STUDI KASUS : BANYAK KEMATIAN BAYI DI KOTA CIMAHI
TAHUN 2017)
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
3.3 Analisis Data
3.3.1 Uji Kolmogorov-Smirnov
Uji Kolmogorov-Smirnov merupakan salah satu uji untuk kebaikan goodness
of fit test (kecocokan). Uji ini digunakan untuk membandingkan tingkat kesesuaian
sampel dengan suatu distribusi tertentu yaitu normal, uniform, Poisson atau
eksponensial. Pada penelitian ini uji Kolmogorov-Smirnov digunakan untuk
mengetahui banyak kematian bayi di Kota Cimahi tahun 2017 mengikuti distribusi
Poisson atau tidak. Berikut langkah-langkah pengujiannya :
a. Perumusan Hipotesis
๐ป0 โถ data berdistribusi Poisson
๐ป1 โถ data tidak berdistribusi Poisson
b. Besaran-besaran yang diperlukan :
1. Menghitung ๐น0(๐ฅ) berdasarkan fungsi distribusi kumulatif dari distribusi
Poisson .
2. Menghitung fungsi distribusi empiris ๏ฟฝฬ๏ฟฝ๐(๐ฅ)
3. Menghitung nilai ๐ท+ dan ๐ทโ dan menentukan maksimum dari
๐ท๐ (๐ท๐ = max (๐ท+, ๐ทโ)).
c. Kriteria Pengujian
Dengan mengambil taraf nyata sebesar ๐ผ, ๐ป0 ditolak jika ๐ท๐ โฅ ๐ท ๐ผ
d. Kesimpulan
Penafsiran dari ๐ป0 ditolak atau ๐ป0 diterima.
Untuk memudahkan pengujian pada penelitian ini, penulis menggunakan software
SPSS.
3.3.2 Uji Multikolinearitas
Multikolinearitas didefinisikan sebagai suatu kondisi dimana dua atau lebih
variabel prediktor pada persamaan regresi berkorelasi tinggi. Adanya korelasi
tinggi akan menyebabkan nilai taksiran tidak stabil dan hasil analisis regresi
menjadi tidak sesuai dengan teori. Salah satu cara mendeteksi adanya
multikolinearitas pada suatu data yaitu menggunakan nilai Variance Inflation
Factor (VIF). Jika nilai VIF melebihi 10, maka hal ini menunjukkan adanya
26
Intan Nur Puspitasari, 2019
PENANGANAN OVERDISPERSI PADA REGRESI POISSON MENGGUNAKAN REGRESI ZERO-
TRUNCATED NEGATIVE BINOMIAL (STUDI KASUS : BANYAK KEMATIAN BAYI DI KOTA CIMAHI
TAHUN 2017)
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
masalah multikolinearitas antar variabel prediktor. Model yang baik tidak
mengalami multikolinearitas. Rumus untuk menghitung VIF adalah :
๐๐ผ๐น๐ =1
1โ๐ ๐2
dimana ๐ ๐2 adalah koefisien determinasi antara ๐๐ dengan variabel prediktor lain,
dengan rumusnya sebagai berikut:
๐ ๐2 =
[โ(๐๐ โ ๏ฟฝฬ ๏ฟฝ๐)(๐๐โ โ ๏ฟฝฬ ๏ฟฝ๐โ)]2
โ(๐๐ โ ๏ฟฝฬ ๏ฟฝ๐)2(๐๐โ โ ๏ฟฝฬ ๏ฟฝ๐โ)2
, ๐ = 1,2, โฆ , ๐ ๐๐๐ ๐ โ ๐ โ
3.3.3 Pemodelan dengan Regresi Poisson
3.3.3.1 Regresi Poisson
Regresi Poisson termasuk salah satu dari Generalized Linear Model (GLM),
karena dalam regresi Poisson mempunyai syarat yaitu salah satunya data variabel
respon harus berdistribusi Poisson, dimana distribusi Poisson termasuk kedalam
keluarga eksponensial yang merupakan komponen dalam Generalized Linear
Model (GLM).
Didalam komponen Generalized Linear Model (GLM) terdapat fungsi
penghubung (link function) yang digunakan untuk menghubungkan nilai tengah
variabel respon dengan sebuah variabel prediktor. Pada regresi Poisson, fungsi
penghubung yang digunakan adalah fungsi penghubung log yang menjamin bahwa
nilai variabel yang diharapkan dari variabel respon akan bernilai non negatif.
Fungsi penghubung log adalah sebagai berikut :
ln(๐๐) = ๐ฅ๐๐๐ฝ (3.1)
Pada persamaan (3.1), apabila kedua ruas diambil fungsi eksponensial maka dapat
ditulis :
๐ln(๐๐) = ๐๐ฅ๐๐๐ฝ (3.2)
๐๐ = ๐๐ฅ๐๐๐ฝ (3.3)
Sehingga model regresi Poisson dapat dituliskan sebagai berikut :
ln(๐๐) = ๐ฝ0 + ๐ฝ1 ๐ฅ๐1 +โฏ+ ๐ฝ๐๐ฅ๐๐
๐ln(๐๐) = ๐๐ฝ0+๐ฝ1 ๐ฅ๐1+โฏ+๐ฝ๐๐ฅ๐๐
๐๐ = exp(๐ฝ0 + ๐ฝ1 ๐ฅ๐1 +โฏ+ ๐ฝ๐ ๐ฅ๐๐)
๐๐ = exp( ๐ฝ0 + โ ๐ฝ๐ ๐ฅ๐๐๐๐=1 ) (3.4)
27
Intan Nur Puspitasari, 2019
PENANGANAN OVERDISPERSI PADA REGRESI POISSON MENGGUNAKAN REGRESI ZERO-
TRUNCATED NEGATIVE BINOMIAL (STUDI KASUS : BANYAK KEMATIAN BAYI DI KOTA CIMAHI
TAHUN 2017)
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
dengan :
๐ฅ๐๐ : variabel prediktor ke-๐ pada pengamatan ke- ๐ dan ๐ = 1,2, โฆ , ๐
๐ โถ nilai tengah banyaknya kejadian
3.3.3.2 Penaksiran parameter Regresi Poisson
Menurut Harahap (2018), parameter ๐ฝ dalam model regresi Poisson dapat
ditaksir dengan menggunakan metode kemungkinan maksimum.
Fungsi peluang distribusi Poisson dapat ditulis sebagai berikut:
๐(๐ฆ๐; ๐ฝ) =exp(๐ฝ0+โ ๐ฅ๐๐๐ฝ๐
๐๐=1 )
๐ฆ๐๐โexp (๐ฝ0+โ ๐ฅ๐๐๐ฝ๐
๐๐=1 )
๐ฆ๐! (3.5)
Berdasarkan Persamaan (3.5), maka fungsi kemungkinan dari model regresi
Poisson adalah sebagai berikut:
๐ฟ(๐ฝ๐) = โ ๐(๐ฆ๐; ๐ฝ๐)๐๐=1
= โ [exp(๐ฝ0+โ ๐ฅ๐๐๐ฝ๐
๐๐=1 )
๐ฆ๐๐โexp (๐ฝ0+โ ๐ฅ๐๐๐ฝ๐
๐๐=1 )
๐ฆ๐!]๐
๐=1 (3.6)
Sehingga ln fungsi kemungkinan dari model regresi Poisson sebagai berikut:
๐ฟ(๐ฝ๐) = โ [
exp(๐ฝ0+โ ๐ฅ๐๐๐ฝ๐๐๐=1 )
๐ฆ๐๐โexp (๐ฝ0+โ ๐ฅ๐๐๐ฝ๐
๐๐=1 )
๐ฆ๐!]๐
๐=1
ln[๐ฟ(๐ฝ๐)] = ln {โ [
exp(๐ฝ0+โ ๐ฅ๐๐๐ฝ๐๐๐=1 )
๐ฆ๐๐โexp (๐ฝ0+โ ๐ฅ๐๐๐ฝ๐
๐๐=1 )
๐ฆ๐!]๐
๐=1 }
ln[๐ฟ(๐ฝ๐)] = โ๐ฆ๐ ln(๐๐ฅ๐ (๐ฝ0 + โ ๐ฅ๐๐๐ฝ๐
๐
๐=1
))
๐
๐=1
+โln [๐๐ฅ๐(โ๐๐ฅ๐(๐ฝ0 + โ ๐ฅ๐๐๐ฝ๐
๐
๐=1
))] โโln(๐ฆ๐!)
๐
๐=1
๐
๐=1
ln[๐ฟ(๐ฝ๐)] =โ(๐ฆ๐ ln [๐๐ฅ๐ (๐ฝ0 +โ ๐ฅ๐๐๐ฝ๐
๐
๐=1
)] + ln(๐๐ฅ๐ [โ๐๐ฅ๐ (๐ฝ0 +โ ๐ฅ๐๐๐ฝ๐
๐
๐=1
)])
๐
๐=1
โ ln(๐ฆ๐!))
ln[๐ฟ(๐ฝ๐)] = โ (๐ฆ๐(๐ฝ0 + โ ๐ฅ๐๐๐ฝ๐๐๐=1 ) โ exp(๐ฝ0 + โ ๐ฅ๐๐๐ฝ๐
๐๐=1 ) โ ln(๐ฆ๐!))
๐๐=1 (3.7)
28
Intan Nur Puspitasari, 2019
PENANGANAN OVERDISPERSI PADA REGRESI POISSON MENGGUNAKAN REGRESI ZERO-
TRUNCATED NEGATIVE BINOMIAL (STUDI KASUS : BANYAK KEMATIAN BAYI DI KOTA CIMAHI
TAHUN 2017)
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
Persamaan (3.7) bisa ditulis juga sebagai berikut :
ln[๐ฟ(๐ฝ๐)] = โ ๐ฆ๐(๐ฝ0 + โ ๐ฅ๐๐๐ฝ๐๐๐=1 )๐
๐=1 โ โ exp(๐ฝ0 + โ ๐ฅ๐๐๐ฝ๐๐๐=1 )๐
๐=1 โ โ ln(๐ฆ๐!)๐๐=1
(3.8)
Untuk mendapatkan taksiran parameter ๐ฝ๐
, ln fungsi kemungkinan diturunkan
terhadap ๐ฝ๐ kemudian disamakan dengan nol
ln[๐ฟ(๐ฝ๐)] =โ๐ฆ๐ (๐ฝ0 +โ๐ฅ๐๐๐ฝ๐
๐
๐=1
)
๐
๐=1
โโexp(๐ฝ0 +โ๐ฅ๐๐๐ฝ๐
๐
๐=1
)
๐
๐=1
โโln(๐ฆ๐!)
๐
๐=1
๐ ln[๐ฟ(๐ฝ๐)]
๐๐ฝ๐= โ ๐ฆ๐(โ ๐ฅ๐๐
๐๐=1 )๐
๐=1 โ โ (โ ๐ฅ๐๐๐๐=1 ) exp(๐ฝ0 + โ ๐ฅ๐๐
๐๐=1 )๐
๐=1 = 0 (3.9)
Dari Persamaan (3.9) maka didapatkan nilai turunan kedua nya adalah :
๐ ln[๐ฟ(๐ฝ๐)]
๐๐ฝ๐
=โ๐ฆ๐ (โ๐ฅ๐๐
๐
๐=1
)
๐
๐=1
โโ(โ๐ฅ๐๐
๐
๐=1
) exp(๐ฝ0 +โ๐ฅ๐๐
๐
๐=1
)
๐
๐=1
= 0
๐2 ln[๐ฟ(๐ฝ๐)]
๐2๐ฝ๐= โโ (โ ๐ฅ๐๐
๐๐=1 ) exp(๐ฝ0 + โ ๐ฅ๐๐
๐๐=1 )๐
๐=1 = 0 (3.10)
Nilai taksiran ๐ฝ๐ dari Persamaan (3.10) tidak didapatkan secara eksplisit karena
persamaan tidak berbentuk linear, sehingga digunakan suatu algoritma yaitu Fisher
Scoring Method untuk mendapatkan taksiran parameter pada model regresi
Poisson. Penaksiran parameter dengan algoritma Fisher Scoring membutuhkan
vektor score dan matriks informasi Fisher. Vektor score adalah vektor yang
memuat elemen turunan pertama ln fungsi kemungkinan terhadap masing-masing
parameter. Matriks informasi Fisher merupakan modifikasi dari algoritma Newton
Raphson yang menggantikan matriks Hessiannya. Matriks Hessian merupakan
matriks yang elemen-elemennya terdiri atas nilai mean turunan kedua fungsi
kemungkinan terhadap masing-masing parameter.
29
Intan Nur Puspitasari, 2019
PENANGANAN OVERDISPERSI PADA REGRESI POISSON MENGGUNAKAN REGRESI ZERO-
TRUNCATED NEGATIVE BINOMIAL (STUDI KASUS : BANYAK KEMATIAN BAYI DI KOTA CIMAHI
TAHUN 2017)
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
Berikut tahapan penaksiran parameter menggunakan algoritma Fisher Scoring
menurut Nurani (2015) dalam (Harahap, 2018) :
1. Menentukan taksiran awal parameter ๐ฝ, yaitu
๏ฟฝฬ๏ฟฝ(0) =
[ ๏ฟฝฬ๏ฟฝ0๏ฟฝฬ๏ฟฝ1โฎ๏ฟฝฬ๏ฟฝ๐] (0)
2. Membentuk vektor skor ๐(๐ฝ) yang merupakan turunan pertama dari fungsi
kemungkinan sebagai berikut:
๐(๐ฝ) =๐ ln[๐ฟ(๐ฝ๐)]
๐๐ฝ๐
๐(๐ฝ) = [
๐0(๐ฝ)
๐1(๐ฝ)โฎ
๐๐(๐ฝ)
] =
[ ๐ ln[๐ฟ(๐ฝ)]
๐๐ฝ0๐ ln[๐ฟ(๐ฝ)]
๐๐ฝ1โฎ
๐ ln[๐ฟ(๐ฝ)]
๐๐ฝ๐ ]
Secara ringkas turunan pertama adalah sebagai berikut:
๐(๐ฝ) =โ๐ฆ๐ (โ๐ฅ๐๐
๐
๐=1
)
๐
๐=1
โโ(โ๐ฅ๐๐
๐
๐=1
) exp(๐ฝ0 +โ๐ฅ๐๐
๐
๐=1
)
๐
๐=1
3. Membentuk matriks informasi fisher (I).
๐ผ(๐ฝ(๐ก)) = โ
[ ๐ธ (
๐2 ln[๐ฟ(๐ฝ)]
๐๐ฝ02 ) ๐ธ (
๐2 ln[๐ฟ(๐ฝ)]
๐๐ฝ1๐๐ฝ0) โฆ ๐ธ (
๐2 ln[๐ฟ(๐ฝ)]
๐๐ฝ๐๐๐ฝ0)
๐ธ (๐2 ln[๐ฟ(๐ฝ)]
๐๐ฝ0๐๐ฝ1) ๐ธ (
๐2 ln[๐ฟ(๐ฝ)]
๐๐ฝ12 )
โฆโฑ
๐ธ (๐2 ln[๐ฟ(๐ฝ)]
๐๐ฝ๐๐๐ฝ1)
โฎโฎ
๐ธ (๐2 ln[๐ฟ(๐ฝ)]
๐๐ฝ0๐๐ฝ๐)
โฎ
๐ธ (๐2 ln[๐ฟ(๐ฝ)]
๐๐ฝ1๐๐ฝ๐) โฆ ๐ธ (
๐2 ln[๐ฟ(๐ฝ)]
๐๐ฝ๐2 )
]
4. Memasukkan nilai ๏ฟฝฬ๏ฟฝ(0)kedalam elemen-elemen vektor ๐(๐ฝ) dan matriks I
sehingga diperoleh vektor ๐(๐ฝ(0)) dan matriks ๐ผ(๐ฝ(0))
5. Menghitung nilai invers matriks ๐ผ(๐ฝ(0)) atau ๐(0)[๐ผ(๐ฝ(0))]โ1
30
Intan Nur Puspitasari, 2019
PENANGANAN OVERDISPERSI PADA REGRESI POISSON MENGGUNAKAN REGRESI ZERO-
TRUNCATED NEGATIVE BINOMIAL (STUDI KASUS : BANYAK KEMATIAN BAYI DI KOTA CIMAHI
TAHUN 2017)
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
6. Menghitung taksiran dari ๐ฝ pada iterasi ke-t (๐ก = 0,1,2, โฆ ) yaitu ๏ฟฝฬ๏ฟฝ๐ก+1
menggunakan persamaan iterasi sebagai berikut:
๏ฟฝฬ๏ฟฝ(๐ก+1) = ๏ฟฝฬ๏ฟฝ(๐ก) + [๐ผ(๐ฝ(๐ก))]โ1๐(๏ฟฝฬ๏ฟฝ(๐ก))
[ ๏ฟฝฬ๏ฟฝ0๏ฟฝฬ๏ฟฝ1โฎ๏ฟฝฬ๏ฟฝ๐] (๐ก+1)
=
[ ๏ฟฝฬ๏ฟฝ0๏ฟฝฬ๏ฟฝ1โฎ๏ฟฝฬ๏ฟฝ๐] ๐ก
+
[ ๐ธ (
๐2 ln[๐ฟ(๐ฝ)]
๐๐ฝ02 ) ๐ธ (
๐2 ln[๐ฟ(๐ฝ)]
๐๐ฝ1๐๐ฝ0) โฆ ๐ธ (
๐2 ln[๐ฟ(๐ฝ)]
๐๐ฝ๐๐๐ฝ0)
๐ธ (๐2 ln[๐ฟ(๐ฝ)]
๐๐ฝ0๐๐ฝ1) ๐ธ (
๐2 ln[๐ฟ(๐ฝ)]
๐๐ฝ12 ) โฆ ๐ธ (
๐2 ln[๐ฟ(๐ฝ)]
๐๐ฝ๐๐๐ฝ1)
โฎโฎ
๐ธ (๐2 ln[๐ฟ(๐ฝ)]
๐๐ฝ0๐๐ฝ๐)
โฎ
๐ธ (๐2 ln[๐ฟ(๐ฝ)]
๐๐ฝ1๐๐ฝ๐) โฆ ๐ธ (
๐2 ln[๐ฟ(๐ฝ)]
๐๐ฝ๐2 )
] โ1
[ ๐ ln[๐ฟ(๐ฝ)]
๐๐ฝ0๐ ln[๐ฟ(๐ฝ)]
๐๐ฝ1โฎ
๐ ln[๐ฟ(๐ฝ)]
๐๐ฝ๐ ]
dengan:
๏ฟฝฬ๏ฟฝ(๐ก) : taksiran dari ๐ฝ pada iterasi ke t
[๐ผ(๐ก)]โ1
: matriks berukuran (p+1) x (p+1) yang elemen-elemennya
merupakan terdiri atas nilai ekspektasi turunan kedua fungsi
kemungkinan
7. Jika |๏ฟฝฬ๏ฟฝ(๐ก+1) โ ๏ฟฝฬ๏ฟฝ(๐ก)| < ๐ dengan ๐ = 10โ6, maka sudah konvergen. Jika
kekonvergenan belum tercapai maka dilakukan pengulangan langkah 2-7
Untuk menyelesaikan penaksiran parameter pada regresi Poisson menggunakan
metode kemungkinan maksimum melalui algoritma Newton Raphson, pada
penelitian ini penulis menggunakan bantuan software R.
3.3.4 Overdispersi
Model regresi Poisson mengasumsikan equidispersi, yaitu kondisi dimana
nilai mean dan variansi dari variabel respon bernilai sama. Namun overdispersi
dalam data yang dimodelkan dengan distribusi Poisson dapat terjadi. Overdispersi
berarti nilai variansi lebih besar daripada nilai mean. Overdispersi dalam regresi
poisson dapat mengakibatkan galat standar dari dugaan parameter regresi yang
dihasilkan memiliki kecenderungan untuk menjadi lebih rendah sehingga
menghasilkan kesimpulan yang tidak sesuai dengan data.
31
Intan Nur Puspitasari, 2019
PENANGANAN OVERDISPERSI PADA REGRESI POISSON MENGGUNAKAN REGRESI ZERO-
TRUNCATED NEGATIVE BINOMIAL (STUDI KASUS : BANYAK KEMATIAN BAYI DI KOTA CIMAHI
TAHUN 2017)
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
3.3.4.1 Devians
Menurut Harahap (2018), Devians dapat ditulis dengan :
๐ท = โ2 ln [๐ฟ(๐ฆ; ๐)
๐ฟ(๐ฆ; ๐ฆ)]
= 2(๐๐๐๐ฟ(๐ฆ; ๐ฆ) โ ๐๐๐๐ฟ(๐ฆ; ๐))
= 2 {(๐๐๐โ๐โ๐ฆ๐๐ฆ๐
๐ฆ๐
๐ฆ๐!
๐
๐=1
) โ (๐๐๐โ๐โ๐๐๐๐
๐ฆ๐
๐ฆ๐!
๐
๐=1
) }
= 2 {(โ(๐ฆ๐๐๐๐๐ฆ๐ โ ๐ฆ๐ โ ๐๐๐๐ฆ๐!)
๐
๐=1
) โ (โ(๐ฆ๐๐๐๐๐๐ โ ๐๐ โ ๐๐๐๐ฆ๐!)
๐
๐=1
)}
= 2 {โ(๐ฆ๐๐๐๐๐ฆ๐ โ ๐ฆ๐ โ ๐๐๐๐ฆ๐!)
๐
๐=1
โโ(๐ฆ๐๐๐๐๐๐ โ ๐๐ โ ๐๐๐๐ฆ๐!)
๐
๐=1
}
= 2โ {๐ฆ๐๐๐๐๐ฆ๐
๐๐โ (๐ฆ๐ โ ๐๐)}
๐๐=1 (3.11)
3.3.4.2 Uji Ovedispersi
Pengujian overdispersi pada regresi Poisson dapat diindikasikan dengan
nilai devians yang dibagi derajat bebasnya. Jika hasil baginya lebih dari 1, maka
dikatakan terjadi overdispersi pada data. Berikut adalah langkah-langkah pengujian
overdispersi :
a. Perumusan Hipotesis
๐ป0 : tidak terdapat overdispersi pada model regresi poisson
๐ป1 : terdapat overdispersi pada model regresi poisson
b. Statistik uji
๐ =๐ท
๐๐=2โ {๐ฆ๐ ๐๐ (
๐ฆ๐๏ฟฝฬ๏ฟฝ๐) โ (๐ฆ๐ โ ๏ฟฝฬ๏ฟฝ๐)}
๐๐=1
๐๐
Keterangan :
D : nilai devians
๐ : parameter dispersi
๐ฆ๐ : nilai variabel respon dari pengamatan ke-i
๏ฟฝฬ๏ฟฝ๐ : taksiran rata-rata banyak kasus ke-i pada model regresi poisson
32
Intan Nur Puspitasari, 2019
PENANGANAN OVERDISPERSI PADA REGRESI POISSON MENGGUNAKAN REGRESI ZERO-
TRUNCATED NEGATIVE BINOMIAL (STUDI KASUS : BANYAK KEMATIAN BAYI DI KOTA CIMAHI
TAHUN 2017)
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
Dengan ๐๐ = ๐ โ ๐, ๐ merupakan banyaknya parameter termasuk konstanta,
๐ merupakan banyaknya pengamatan.
c. Kriteria Pengujian
Dengan mengambil taraf nyata sebesar ๐ผ, maka ๐ป0 ditolak jika ๐ > 1
d. Kesimpulan
Penafsiran dari ๐ป0 ditolak atau ๐ป0 diterima.
3.3.5 Pemodelan dengan Regresi Zero-Truncated Negative Binomial
3.3.5.1 Regresi Zero-Truncated Negative Binomial
Suatu pengamatan yang terjadi pada data cacah dengan variabel responnya
berupa non-zero (data mengecualikan nilai 0) atau disebut zero-truncated termasuk
kedalam pelanggaran asumsi distribusi data yang dapat menyebabkan terjadinya
overdispersi pada model regresi Poisson. Overdispersi merupakan penyebaran
berlebih dengan nilai variansi lebih besar dari nilai mean, hal tersebut melanggar
asumsi pada model regresi Poisson yaitu nilai mean sama dengan nilai variansi
(equidispersi). Apabila pada model regresi Poisson terjadi overdispersi namun
tetap digunakan, maka akan berpengaruh pada nilai standard error yang menjadi
turun atau underestimate, sehingga kesimpulan pada data menjadi tidak valid. Salah
satu metode alternatif untuk memodelkan data non-zero adalah model regresi Zero-
Truncated Negative Binomial. Pada regresi Zero-Truncated Negative Binomial,
fungsi penghubung yang digunakan adalah fungsi penghubung log yang menjamin
bahwa nilai variabel yang diharapkan dari variabel respon akan bernilai non negatif.
Fungsi penghubung log adalah sebagai berikut :
ln(๐๐) = ๐ฅ๐๐๐ฝ (3.12)
Pada persamaan (3.12), apabila kedua ruas diambil fungsi eksponensial maka dapat
ditulis :
๐ln(๐๐) = ๐๐ฅ๐๐๐ฝ (3.13)
๐๐ = ๐๐ฅ๐๐๐ฝ (3.14)
Menurut Liu (2013), model regresi Zero-Truncated Negative Binomial adalah
sebagai berikut :
๐๐๐(๐๐) = ๐พ0 + ๐พ1๐ฅ1๐ +โฏ+ ๐พ๐๐ฅ๐๐
33
Intan Nur Puspitasari, 2019
PENANGANAN OVERDISPERSI PADA REGRESI POISSON MENGGUNAKAN REGRESI ZERO-
TRUNCATED NEGATIVE BINOMIAL (STUDI KASUS : BANYAK KEMATIAN BAYI DI KOTA CIMAHI
TAHUN 2017)
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
Sehingga model regresi Zero-Truncated Negative Binomial dapat dituliskan
sebagai berikut :
ln(๐๐) = ๐พ0 + ๐พ1๐ฅ1๐ +โฏ+ ๐พ๐๐ฅ๐๐
๐ln(๐๐) = ๐๐พ0+๐พ1๐ฅ1๐+โฏ+๐พ๐๐ฅ๐๐
๐๐ = exp(๐พ0 + ๐พ1๐ฅ1๐ +โฏ+ ๐พ๐๐ฅ๐๐)
๐๐ = exp( ๐พ0 + โ ๐พ๐๐ฅ๐๐๐๐=1 ) (3.15)
dengan :
๐ฅ๐๐ : variabel prediktor ke-๐ pada pengamatan ke- ๐ dan ๐ = 1,2, โฆ , ๐
๐ โถ nilai tengah banyaknya kejadian
Fungsi peluang pada model regresi Zero-Truncated Negative Binomial
didapatkan dari penaksiran nilai data terpotong (truncated data) yang mengikuti
hubungan dasar peluang (Grogger, 1991) :
๐๐(๐๐) =๐(๐๐)
1โ๐น(๐) (3.16)
dimana :
๐๐(๐๐) โถ fungsi probabilitas data terpotong ๐๐ (diatas ๐)
๐(๐๐) โถ fungsi probabilitas ๐๐
๐น(๐) โถ fungsi distribusi evaluasi pada ๐
Sehingga fungsi peluang pada model regresi Zero-Truncated Negative
Binomial merupakan hasil bagi antara fungsi peluang regresi binomial negatif
dengan fungsi distribusi regresi binomial negatif (๐น๐๐ต(๐ฆ๐)) dengan parameter ๐ฆ๐ =
0 dikarenakan data pada variabel respon mengecualikan nilai 0 (zero-truncated).
Dari persamaan (3.13) maka fungsi peluang dapat ditulis sebagai berikut :
๐(๐๐ = ๐ฆ๐| ๐ฆ๐ > 0) =๐(๐๐ = ๐ฆ๐)
1 โ ๐น๐๐ต(๐๐ = 0 | ๐๐)
=ฮ(๐ฆ +
1๐)
๐ฆ! ฮ(1๐)(
1
1 + ๐๐)
1๐(๐๐
1 + ๐๐)๐ฆ
[1 โ (1 + ๐๐)โ1๐]โ1
=ฮ(๐ฆ+
1
๐)
๐ฆ! ฮ(1
๐) (๐๐)๐ฆ(1 + ๐๐)โ(๐ฆ+
1
๐) [1 โ (1 + ๐๐)โ
1
๐]โ1
(3.17)
34
Intan Nur Puspitasari, 2019
PENANGANAN OVERDISPERSI PADA REGRESI POISSON MENGGUNAKAN REGRESI ZERO-
TRUNCATED NEGATIVE BINOMIAL (STUDI KASUS : BANYAK KEMATIAN BAYI DI KOTA CIMAHI
TAHUN 2017)
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
dengan :
๐น๐๐ต(๐๐ = 0 | ๐๐) = ฮ (๐ฆ +
1๐)
๐ฆ! ฮ (1๐)(
1
1 + ๐๐)
1๐(๐๐
1 + ๐๐)๐ฆ
=ฮ(0 +
1๐)
0! ฮ(1๐)(
1
1 + ๐๐)
1๐(
๐๐
1 + ๐๐)0
= (1
1 + ๐๐)
1๐= (1 + ๐๐)โ
1๐
3.3.5.2 Penaksiran parameter Regresi Zero-Truncated Negative Binomial
Metode penaksiran yang digunakan dalam menaksir parameter model Zero-
Truncated Negative Binomial adalah metode kemungkinan maksimum. Fungsi
peluang distribusi Zero-Truncated Negative Binomial dapat ditulis sebagai:
๐(๐๐ = ๐ฆ๐| ๐ฆ๐ > 0) =ฮ(๐ฆ+
1
๐)
๐ฆ! ฮ(1
๐) (๐๐)๐ฆ(1 + ๐๐)โ(๐ฆ+
1
๐) [1 โ (1 + ๐๐)โ
1
๐]โ1
(3.18)
dengan :
๐๐ = ๐๐ฅ๐ (๐พ0 + โ ๐พ๐๐ฅ๐๐๐๐=1 ) (3.19)
Substitusi persamaan (3.16) ke dalam persamaan (3.15), maka fungsi peluang
distribusi Zero-Truncated Negative Binomial yang terbentuk dapat ditulis sebagai
berikut :
๐(๐๐ = ๐ฆ๐| ๐ฆ๐ > 0) =ฮ(๐ฆ+
1
๐)
๐ฆ! ฮ(1
๐) (๐ ๐๐ฅ๐ (๐พ0 + โ ๐พ๐๐ฅ๐๐
๐๐=1 ))
๐ฆ(1 + ๐ ๐๐ฅ๐ (๐พ0 +
โ ๐พ๐๐ฅ๐๐๐๐=1 ))
โ(๐ฆ+1
๐)[1 โ (1 + ๐ ๐๐ฅ๐ (๐พ0+โ ๐พ๐๐ฅ๐๐
๐๐=1 ))
โ1
๐]โ1
(3.20)
Penaksiran parameter model regresi Zero-Truncated Negative Binomial dengan
metode kemungkinan maksimum yaitu memaksimumkan fungsi kemungkinan.
Untuk memaksimumkan fungsi kemungkinan dari model regresi Zero-Truncated
Negative Binomial yaitu menurunkan ln fungsi kemungkinannya terhadap
parameter regresi yang digunakan. Berdasarkan persamaan (3.17), maka fungsi
kemungkinan dari model Zero-Truncated Negative Binomial adalah sebagai
berikut:
35
Intan Nur Puspitasari, 2019
PENANGANAN OVERDISPERSI PADA REGRESI POISSON MENGGUNAKAN REGRESI ZERO-
TRUNCATED NEGATIVE BINOMIAL (STUDI KASUS : BANYAK KEMATIAN BAYI DI KOTA CIMAHI
TAHUN 2017)
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
๐ฟ(๐พ๐ , ๐) =โ๐(๐๐ = ๐ฆ๐| ๐ฆ๐ > 0)
๐
๐=1
= โ (ฮ(๐ฆ๐+
1
๐)
๐ฆ๐! ฮ(1
๐) (๐ ๐๐ฅ๐ (๐พ0 + โ ๐พ๐๐ฅ๐๐
๐๐=1 ))
๐ฆ๐(1 + ๐ ๐๐ฅ๐ (๐พ0 +
๐๐=1
โ ๐พ๐๐ฅ๐๐๐๐=1 ))
โ(๐ฆ๐+1
๐)[1 โ (1 + ๐ ๐๐ฅ๐ (๐พ0 + โ ๐พ๐๐ฅ๐๐
๐๐=1 )
โ1
๐]โ1
)
(3.21)
Sehingga ln fungsi kemungkinan dari model Zero-Truncated Negative Binomial
sebagai berikut :
ln ๐ฟ(๐พ๐ , ๐) = ln {โ (ฮ(๐ฆ๐+
1
๐)
๐ฆ๐! ฮ(1
๐) (๐ ๐๐ฅ๐ (๐ฝ0 + โ ๐ฝ๐๐ฅ๐๐
๐๐=1 ))
๐ฆ๐(1 + ๐ ๐๐ฅ๐ (๐ฝ0 +
๐๐=1
โ ๐ฝ๐๐ฅ๐๐๐๐=1 ))
โ(๐ฆ๐+1
๐)[1 โ (1 + ๐ ๐๐ฅ๐ (๐ฝ0 + โ ๐ฝ๐๐ฅ๐๐
๐๐=1 )
โ1
๐]โ1
)}
ln ๐ฟ(๐พ๐ , ๐) = โ lnฮ(๐ฆ๐+
1
๐)
๐ฆ๐! ฮ(1
๐) ๐
๐=1 + โ ๐ฆ๐ ln ๐ ๐๐ฅ๐ (๐พ0 + โ ๐พ๐๐ฅ๐๐๐๐=1 )๐
๐=1 โ
โ (๐ฆ๐ +1
๐) ln (1 + ๐ ๐๐ฅ๐ (๐พ0 + โ ๐พ๐๐ฅ๐๐
๐๐=1 )) โ โ ln (1 โ๐
๐=1๐๐=1
(1 + ๐ ๐๐ฅ๐ (๐พ0+โ ๐พ๐๐ฅ๐๐๐๐=1 ))
โ1
๐)
= โ lnฮ(๐ฆ๐+
1
๐)
ฮ(1
๐) ๐
๐=1 โ โ ln(๐ฆ๐!)๐๐=1 + โ ๐ฆ๐ ln ๐ ๐๐ฅ๐ (๐พ0 +
๐๐=1
โ ๐พ๐๐ฅ๐๐๐๐=1 ) โ โ (๐ฆ๐ +
1
๐) ln (1 + ๐ ๐๐ฅ๐ (๐พ0 + โ ๐พ๐๐ฅ๐๐
๐๐=1 )) โ๐
๐=1
โ ln (1 โ (1 + ๐ ๐๐ฅ๐ (๐พ0+โ ๐พ๐๐ฅ๐๐๐๐=1 ))
โ1
๐)๐๐=1 (3.22)
Diketahui bahwa ฮ(๐ฆ+๐)
ฮ(๐)= ๐. (1 + ๐) .โฆ . (๐ฆ โ 1 + ๐) untuk ๐ฆ bilangan bulat.
Sehingga :
ฮ(๐ฆ๐ +1๐)
ฮ(1๐)
= ๐โ1. (1 + ๐โ1) . โฆ . (๐ฆ๐ โ 1 + ๐โ1)
36
Intan Nur Puspitasari, 2019
PENANGANAN OVERDISPERSI PADA REGRESI POISSON MENGGUNAKAN REGRESI ZERO-
TRUNCATED NEGATIVE BINOMIAL (STUDI KASUS : BANYAK KEMATIAN BAYI DI KOTA CIMAHI
TAHUN 2017)
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
Oleh karena itu ln ๐ฟ(๐พ๐ , ๐) bisa ditulis tanpa fungsi Gamma dengan
lnฮ(๐ฆ๐ +
1๐)
ฮ(1๐) = ln( ๐โ1) + ln(1 + ๐โ1) + โฏ+ ln(๐ฆ๐ โ 1 + ๐
โ1)
=โ ln (1 + ๐๐
๐)
๐ฆโ1
๐ =0
Sehingga ln ๐ฟ(๐พ๐ , ๐) untuk model regresi Zero-Truncated Negative Binomial dapat
ditulis sebagai :
ln ๐ฟ(๐พ๐ , ๐) =โ(โln (1 + ๐๐
๐)
๐ฆโ1
๐ =0
)
๐
๐=1
โโln(๐ฆ๐!)
๐
๐=1
+โ๐ฆ๐ ln ๐ exp(๐พ0 +โ๐พ๐๐ฅ๐๐
๐
๐=1
)
๐
๐=1
โโ(๐ฆ๐ +1
๐)
๐
๐=1
ln(1 + ๐ ๐๐ฅ๐ (๐พ0 +โ๐พ๐๐ฅ๐๐
๐
๐=1
))
โโln
(
1 โ (1 + ๐ ๐๐ฅ๐ (๐พ0+โ๐พ๐๐ฅ๐๐
๐
๐=1
))
โ1๐
)
๐
๐=1
(3.23)
Untuk mendapatkan turunan pertama dari ln๐ฟ(๐พ๐ , ๐) yaitu menurunkan ln๐ฟ(๐พ๐ , ๐)
terhadap parameter-parameter regresinya kemudian dibuat sama dengan nol, dapat
ditulis sebagai berikut :
๐ ln ๐ฟ(๐พ๐ , ๐)
๐๐พ๐= 0
โ (๐ฆ๐โ ๐๐ฅ๐ (๐พ0+โ ๐พ๐๐ฅ๐๐
๐๐=1 )
1+๐ ๐๐ฅ๐ (๐พ0+โ ๐พ๐๐ฅ๐๐๐๐=1
)) โ๐
๐=1 โ (๐๐ฅ๐ (๐พ0+โ ๐พ๐๐ฅ๐๐
๐๐=1 )(1+๐ ๐๐ฅ๐ (๐พ0+โ ๐พ๐๐ฅ๐๐
๐๐=1 ))
โ(1+1๐)
1โ(1+๐ ๐๐ฅ๐ (๐พ0+ โ ๐พ๐๐ฅ๐๐๐๐=1
))โ1๐
)๐๐=1 = 0
(3.24)
37
Intan Nur Puspitasari, 2019
PENANGANAN OVERDISPERSI PADA REGRESI POISSON MENGGUNAKAN REGRESI ZERO-
TRUNCATED NEGATIVE BINOMIAL (STUDI KASUS : BANYAK KEMATIAN BAYI DI KOTA CIMAHI
TAHUN 2017)
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
Dari persamaan (3.21) maka didapatkan nilai turunan keduanya yaitu :
๐2 ln ๐ฟ(๐พ๐ , ๐)
๐2๐พ๐= 0
โ ๐ฅ๐๐ exp (๐พ0+โ ๐พ๐๐ฅ๐๐
๐๐=1 ) ๐ฅ๐๐
{
1+๐๐ฆ๐
(1+๐exp(๐พ0+โ ๐พ๐๐ฅ๐๐๐๐=1 ))
2 โ๐๐=1
exp(๐พ0+ โ ๐พ๐๐ฅ๐๐๐๐=1 )(1+๐ exp(๐พ0+โ ๐พ๐๐ฅ๐๐
๐๐=1 ))
โ2(1+1๐)
[1โ(1+๐exp(๐พ0+ โ ๐พ๐๐ฅ๐๐๐๐=1 ))
โ1๐]
2 +
(1+๐exp(๐พ0+โ ๐พ๐๐ฅ๐๐๐๐=1 ))
โ(1+1๐)โexp(๐พ0+โ ๐พ๐๐ฅ๐๐
๐๐=1 ) (1+๐) (1+๐exp(๐พ0+ โ ๐พ๐๐ฅ๐๐
๐๐=1 ))
(โ2+1๐)
1โ(1+๐exp(๐พ0+ โ ๐พ๐๐ฅ๐๐๐๐=1 ))
โ1๐
}
= 0
(3.25)
Nilai taksiran ๐พ๐ dari persamaan (3.22) tidak didapatkan secara eksplisit karena
persamaan tidak berbentuk linear, sehingga digunakan suatu algoritma yaitu Fisher
Scoring Method untuk mendapatkan taksiran parameter pada model regresi Zero-
Truncated Negative Binomial. Penaksiran parameter dengan algoritma Fisher
Scoring membutuhkan vektor score dan matriks informasi Fisher. Vektor score
adalah vektor yang memuat elemen turunan pertama ln fungsi kemungkinan
terhadap masing-masing parameter. Matriks informasi Fisher merupakan
modifikasi dari algoritma Newton-Raphson yang menggantikan matriks
Hessiannya. Matriks Hessian merupakan matriks yang elemen-elemennya terdiri
atas nilai mean turunan kedua fungsi kemungkinan terhadap masing-masing
parameter.
Berikut tahapan penaksiran parameter menggunakan algoritma Fisher Scoring :
1. Menentukan taksiran awal parameter ๐พ, yaitu
๐พ(โ) = [
๐พ0๐พ1โฎ๐พ๐
]
(โ)
38
Intan Nur Puspitasari, 2019
PENANGANAN OVERDISPERSI PADA REGRESI POISSON MENGGUNAKAN REGRESI ZERO-
TRUNCATED NEGATIVE BINOMIAL (STUDI KASUS : BANYAK KEMATIAN BAYI DI KOTA CIMAHI
TAHUN 2017)
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
2. Membentuk vektor skor ๐(๐พ) yang merupakan turunan pertama dari fungsi
kemungkinan sebagai berikut:
๐(๐พ) =๐ ln[๐ฟ(๐พ๐)]
๐๐พ๐
๐(๐พ) =
[ ๐0(๐พ)
๐1(๐พ)โฎ
๐๐(๐พ)] =
[ ๐ ln[๐ฟ(๐พ)]
๐๐พ0๐ ln[๐ฟ(๐พ)]
๐๐พ1โฎ
๐ ln[๐ฟ(๐พ)]
๐๐พ๐ ]
Secara ringkas turunan pertama adalah sebagai berikut:
๐(๐พ) =โ(๐ฆ๐ โ ๐๐ฅ๐ (๐พ0 + โ ๐พ๐๐ฅ๐๐
๐๐=1 )
1 + ๐ ๐๐ฅ๐ (๐พ0 + โ ๐พ๐๐ฅ๐๐๐๐=1 )
)
๐
๐=1
โโ
(
๐๐ฅ๐ (๐พ0 + โ ๐พ๐๐ฅ๐๐
๐๐=1 ) (1 + ๐ ๐๐ฅ๐ (๐พ0 + โ ๐พ๐๐ฅ๐๐
๐๐=1 ))
โ(1+1๐)
1 โ (1 + ๐ ๐๐ฅ๐ (๐พ0+โ ๐พ๐๐ฅ๐๐๐๐=1 ))
โ1๐
)
๐
๐=1
3. Membentuk matriks informasi fisher (I).
๐ผ(๐พ(๐ )) = โ
[ ๐ธ (
๐2 ln[๐ฟ(๐พ)]
๐๐พ02
) ๐ธ (๐2 ln[๐ฟ(๐พ)]
๐๐พ1๐๐พ0) โฆ ๐ธ (
๐2 ln[๐ฟ(๐พ)]
๐๐พ๐๐๐พ0)
๐ธ (๐2 ln[๐ฟ(๐พ)]
๐๐พ0๐๐พ1) ๐ธ (
๐2 ln[๐ฟ(๐พ)]
๐๐พ12
)โฆโฑ
๐ธ (๐2 ln[๐ฟ(๐พ)]
๐๐พ๐๐๐พ1)
โฎโฎ
๐ธ (๐2 ln[๐ฟ(๐พ)]
๐๐พ0๐๐พ๐)
โฎ
๐ธ (๐2 ln[๐ฟ(๐พ)]
๐๐พ1๐๐พ๐) โฆ ๐ธ (
๐2 ln[๐ฟ(๐พ)]
๐๐พ๐2)
]
4. Memasukkan nilai ๐พ(0) kedalam elemen-elemen vektor ๐(๐พ) dan matriks I
sehingga diperoleh vektor ๐(๐พ(0)) dan matriks ๐ผ(๐พ(0))
5. Menghitung nilai invers matriks ๐ผ(๐พ(0)) atau ๐(0)[๐ผ(๐พ(0))]โ1
6. Menghitung taksiran dari ๐พ pada iterasi ke-s (๐ = 0,1,2,โฆ ) yaitu ๐พ๐ +1
menggunakan persamaan iterasi sebagai berikut:
๐พ(๐ +1) = ๐พ(๐ ) + [๐ผ(๐พ(๐ ))]โ1๐(๐พ(๐ ))
39
Intan Nur Puspitasari, 2019
PENANGANAN OVERDISPERSI PADA REGRESI POISSON MENGGUNAKAN REGRESI ZERO-
TRUNCATED NEGATIVE BINOMIAL (STUDI KASUS : BANYAK KEMATIAN BAYI DI KOTA CIMAHI
TAHUN 2017)
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
[ ๏ฟฝฬ๏ฟฝ0
๏ฟฝฬ๏ฟฝ1
โฎ๏ฟฝฬ๏ฟฝ๐] (๐ +1)
=
[ ๏ฟฝฬ๏ฟฝ0
๏ฟฝฬ๏ฟฝ1
โฎ๏ฟฝฬ๏ฟฝ๐] ๐
+
[ ๐ธ (
๐2 ln[๐ฟ(๐พ)]๐๐พ
02 ) ๐ธ (
๐2 ln[๐ฟ(๐พ)]๐๐พ
1๐๐พ
0
) โฆ ๐ธ (๐2 ln[๐ฟ(๐พ)]๐๐พ
๐๐๐พ
0
)
๐ธ (๐2 ln[๐ฟ(๐พ)]๐๐พ
0๐๐พ
1
) ๐ธ (๐2 ln[๐ฟ(๐พ)]๐๐พ
12 ) โฆ
๐ธ (๐2 ln[๐ฟ(๐พ)]๐๐พ
๐๐๐พ
1
)
โฎโฎ
๐ธ (๐2 ln[๐ฟ(๐พ)]๐๐พ
0๐๐พ
๐
)
โฎ
๐ธ (๐2 ln[๐ฟ(๐พ)]๐๐พ
1๐๐พ
๐
) โฆ ๐ธ (๐2 ln[๐ฟ(๐พ)]๐๐พ
๐2 )
] โ1
[ ๐ ln[๐ฟ(๐พ)]๐๐พ
0
๐ ln[๐ฟ(๐พ)]๐๐พ
1
โฎ๐ ln[๐ฟ(๐พ)]๐๐พ
๐ ]
dengan:
๐พ(๐ ) : taksiran dari ๐พ pada iterasi ke s
[๐ผ(๐ )]โ1
: matriks berukuran (p+1) x (p+1) yang elemen-elemennya
merupakan terdiri atas nilai ekspektasi turunan kedua fungsi
kemungkinan
7. Jika |๐พ(๐ +1) โ ๐พ(๐ )| < ๐ dengan ๐ = 10โ6, maka sudah konvergen, jika
kekonvergenan belum tercapai maka dilakukan pengulangan langkah 2 โ 7
Untuk menyelesaikan penaksiran parameter regresi Zero-Truncated Negative
Binomial dengan menggunakan metode kemungkinan maksimum melalui
algoritma Newton Raphson, pada penelitian ini penulis menggunakan bantuan
software R.
3.3.5.3 Uji Signifikansi Model Regresi Zero-Truncated Negative Binomial
Pengujian signifikansi model dilakukan untuk mengetahui apakah model
regresi Zero Truncated Negative Binomial dapat digunakan untuk menggambarkan
hubungan antara variabel respon dan variabel prediktor.
Langkah-langkah pengujian sebagai berikut :
a. Perumusan Hipotesis
๐ป0 : ๐พ1 = ๐พ2 = โฏ = ๐พ๐ = 0
๐ป1 : โ๐พ๐ โ 0 ; ๐ = 1, 2, โฆ , ๐
b. Statistik Uji
๐บ = โ2 ln [๐ฟ0๐ฟ1]
40
Intan Nur Puspitasari, 2019
PENANGANAN OVERDISPERSI PADA REGRESI POISSON MENGGUNAKAN REGRESI ZERO-
TRUNCATED NEGATIVE BINOMIAL (STUDI KASUS : BANYAK KEMATIAN BAYI DI KOTA CIMAHI
TAHUN 2017)
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
dengan
๐ฟ0 : fungsi likelihood untuk model yang tidak mengandung variabel prediktor
๐ฟ1 : fungsi likelihood untuk model yang mengandung semua variabel prediktor
c. Kriteria Pengujian
Dengan mengambil taraf nyata sebesar ๐ผ, ๐ป0 ditolak jika ๐บ > ๐2(๐ผ,๐๐=๐)
d. Kesimpulan
Penafsiran dari ๐ป0 ditolak atau ๐ป0 diterima.
3.3.5.4 Uji Signifikansi Parameter
Selanjutnya dilakukan pengujian signifikansi masing-masing parameter dari
model regresi Zero Truncated Negative Binomial.
Langkah-langkah pengujian sebagai berikut :
a. Perumusan Hipotesis
๐ป0 โถ ๐พ๐ = 0
๐ป1 โถ ๐พ๐ โ 0
b. Statistik Uji
๐๐ = [๐พ๐
๐๐ธ(๐พ๐)]
2
; ๐ = 1,2, โฆ , ๐
Dengan ๐พ๐ adalah taksiran parameter ๐พ๐ dan ๐๐ธ(๐พ๐) adalah taksiran galat baku
dari ๐พ๐ .
c. Kriteria Pengujian
Dengan mengambil taraf nyata sebesar ๐ผ, ๐ป0 ditolak jika ๐๐ > ๐2(๐ผ,๐๐=1)
d. Kesimpulan
Penafsiran dari ๐ป0 ditolak atau ๐ป0 diterima.