Pemodelan Quantile Regression untuk Menentukan Faktor-Faktor Penyebab Penyakit Tuberkulosis Paru di Kabupaten Tasikmalaya

Abstract

Abstract. In regression analysis there are classical assumptions that must be met, namely normality, homoscedasticity, and non-autocorrelation, while in this case there are outliers. The existence of outliers in the data will result in a large and inhomogeneous error variance, so that the estimator generated on data containing outliers will not be Best Linear Unbiased Estimator (BLUE). However, if there are outliers or other assumptions are violated, the good nature of this estimator will be disturbed. In this study, it is known that there are outliers in the tuberculosis data and the factors that influence it. To overcome this outlier problem, robust regression can be used, one of which is the Quantile Regression method. The data used in this study were secondary data obtained from the report of the Puskesmas to the Health Office and Population Control in Tasikmalaya Regency in 2019. The area used as the object of research was 39 sub-districts in Tasikmalaya Regency. In this study, modeling was carried out using 2 quantile levels, namely Quantile Regression (0.33th and 0.67). So as to provide information when cases of Tuberculosis in Tasikmalaya Regency are at risk (low, medium and high). In this study, it was found that at the level of the 0.33 quantile only the clean water variable (X_2) affected the pulmonary TB incident rate, while at the 0.67 quantile level there was no significant variable. Quantile Regression can be applied to determine the relationship between the number of cases of pulmonary tuberculosis with the percentage of proper sanitation (healthy latrines), the percentage of clean water availability and the percentage of non-smoking habits in Tasikmalaya Regency in 2019.

Abstrak. Dalam analisis regresi terdapat asumsi klasik yang harus dipenuhi yaitu normalitas, homoskedastisitas, dan non autokorelasi, sedangkan dalam kasus ini terdapat data pencilan (outlier). Adanya pencilan/outlier pada data akan mengakibatkan varians error yang besar dan tidak homogen, sehingga estimator yang dihasilkan pada data yang mengandung outlier tidak akan bersifat Best Linear Unbiased Estimator (BLUE). Akan tetapi jika terdapat outlier atau ada asumsi lain yang dilanggar, sifat baik dari penaksir ini akan terganggu. Pada penelitian ini diketahui adanya outlier  dalam data penyakit tuberkulosis dan faktor-faktor yang mempengaruhi nya  Untuk mengatasi masalah outlier ini dapat menggunakan regresi yang robust, salah satunya metode regresi kuantil. Data yang digunakan dalam penelitian ini data sekunder yang diperoleh dari laporan Puskesmas kepada Dinkes dan Pengendalian Penduduk di Kabupaten Tasikmalaya tahun 2019. Wilayah yang dijadikan sebagai objek penelitian 39 kecamatan di Kab Tasikmalaya. Pada penelitian ini, pemodelan dilakukan dengan menggunakan 2 level kuantil, yaitu regresi kuantil (ke-0.33 dan ke-0.67). Sehingga memberikan informasi kapan kasus Tuberkulosis di Kabupaten Tasikmalaya beresiko (rendah, sedang dan tinggi).  Pada penelitian ini diperoleh bahwa pada level kuantil ke-0.33 hanya variabel air bersih ( ) yang mempengaruhi incident rate TB paru, sedangkan pada level kuantil ke 0.67 tidak ada variabel yang signifikan. Regresi kuantil dapat diaplikasikan untuk menentukan hubungan antara jumlah kasus tuberkulosis paru dengan persentase sanitasi yang layak (jamban sehat), persentase ketersediaan air bersih dan persentase kebiasaan tidak merokok di Kabupaten Tasikmalaya tahun 2019.