| dc.identifier.citation | 1. Pramana S, Yordani R, Kurniawan R, Yuniarto B. Dasar-Dasar Statistika dengan Software R (Konsep dan Aplikasi). Kedua. Bogor: iN Media; 2017. 2. Gujarati DN. Basic Econometrics. 4th ed. Ne: McGraw-Hill/Irwin; 2013. 3. Herawati N, Nisa K, Setiawan E. Analisis Ketegaran Regresi Robust Terhadap Letak Pencilan: Studi Perbandingan. Bull Math. 2011;3(01):49–60. 4. Lainun H, Tinungki GM. Perbandingan Penduga M , S , dan MM pada Regresi Linier dalam Menangani Keberadaan Outlier. J Mat Stat dan Komputasi. 2018;15(1):88–96. 5. Montgomery DC, Elizabeth AP. Introduction to linear regression analysis. 2nd ed. Journal of Applied Statistics. New York: John Wiley & Sons Inc; 1992. 6. Shodiqin A, Aini AN, Rubowo MR. Perbanding Dua Metode Regresi Robust Yakni Metode Least Trimmed Squares (LTS) dengan Metode Estimator-MM (Estimasi-MM) (Studi Kasus Data Ujian Tulis Masuk Terhadap Hasil IPK Mahasiswa UPGRIS ). J Ilm Teknosains. 2018;4(1):35–42. 7. Setiarini Z, Listyani E. Analisis Regresi Robust Estimasi-S Menggunakan Pembobot Welsch dan Tukey Bisquare. J Mat. 2017;6(1):48–55. 8. Yohai VJ. High Breakdown-Point and High Efficiency Robust Estimates For Regression. Ann Stat. 1987;15(4):1580–92. 9. Utami I, Rais. Aplikasi Regresi Kuantil pada Kasus DHF di Kota Palu Sulawesi Tengah. J Ilm Mat dan Terap. 2018;15(1):108–17. 10. Irianto K. Epidemiologi Penyakit Menular dan Tidak Menular : Panduan Klinis. Bandung: Alfabeta; 2014. 11. Masriadi. Epidemiologi Penyakit Menular. Jakarta: Rajawali Pers; 2017. 12. Kementerian Kesehatan RI. Data dan Informasi - Profil Kesehatan Indonesia 2017. 2018. p. 1– 184. 13. Kementerian Kesehatan RI. Profil Kesehatan Indonesia. Kementerian Kesehatan RI,. 2016. p. 1–382. 14. Dinas Kesehatan Provinsi Jatim. Profil Kesehatan Provinsi Jawa Timur Tahun 2017. Surabaya; 2017. 15. BPS Provinsi Jawa Timur. Jawa Timur Province in Figures 2018. Surabaya; 2018. 16. Sunaryo S. Mengatasi Masalah Multikolinearitas dan Outlier dengan Pendekatan ROBPCA (Studi Kasus Analisis Regresi Angka Kematian Bayi di Jawa Timur). J Mat Sains dan Teknol. 2011;12(1):1–10. 17. Hidayatulloh FP, Yuniarti D, Wahyuningsih S. Regresi Robust Dengan Metode Estimasi-S Robust Regression Method To Estimate - S. Eksponensial. 2015;6(2):163–70. 18. Tripathy SS. Comparison of Statistical Methods for Outlier Detection in Proficiency Testing Data on Analysis of Lead in Aqueous Solution. Am J Theor Appl Stat. 2013;2(6):233. 19. Barnett V, Lewis T. Outlier in Statistical Data. Third. Boston: John Wiley & Sons Inc, Kluwer Academic Publishers; 1992. 20. Ali S. Hadi, Imon AHMR, Werner M. Detection of Outliers. WIREs Comput Stat. 2009;1(1):57– 70. 21. Susanti Y, Pratiwi H, Sulistijowati S. Optimasi Model Regresi Robust Untuk Memprediksi Produksi Kedelai Di Indonesia. In: Seminar Nasional Matematika dan Pendidikan Matematika. 2013. p. 978–9. 22. Yuniastari NLAK, Wirawan IWW. Peramalan Permintaan Produk Perak Menggunakan Metode Simple Moving Average Dan Exponential Smoothing. Sist dan Inform. 2014;9(1):97–106. 23. Dahlan MS. Regresi Linear Disertai Praktik dengan SPSS. Jakarta: Epidemiologi Indonesia; 2012. 1–11 p. 24. Rahman MB, Widodo E. Perbandingan Metode Regresi Robust Estimasi Least Trimmed Square , Estimasi Scale , dan Estimasi Method Of Moment. In: Prosiding Seminar Nasional Matematika (PRISMA). 2018. p. 426–33. 25. Muliyani, Noeryanti. Analisis Regresi Robust Penduga Method of Moment (MM) untuk Mengatasi Data yang Terindentifikasi Pencilan Berdasarkan Data Produksi Kedelai di Indonesia. J Stat Ind dan Komputasi. 2017;2(2):126–35. 26. Nurdin N, Islamiyati A. Penggunaan Regresi Robust Pada Data Yang Mengandung Pencilan Dengan Metode Momen. Mat Stat dan Komputasi. 2014;10(2):114–23. 27. Pradewi ED, Sudarno. Kajian Estimasi-M IRLS Menggunakan Fungsi Pembobot Huber dan Bisquare Tukey pada Data Ketahanan Pangan di Jawa Tengah. Media Stat. 2012;5(1):1–10. 28. Utami ES, Karim A. Perbandingan Regresi Robust dengan OLS pada Produksi Ubi Jalar Provinsi Jawa Tengah Tahun 2015. In: Seminar Nasional Pendidikan, Sains dan Teknologi Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Muhammadiyah Semarang. 2015. p. 83–7. 29. Kementerian Kesehatan RI. Situasi DHF di Indonesia. Kementerian Kesehatan Republik indonesia. 2016. p. 1–12. 30. Ariati J, Anwar A. Model Prediksi Kejadian Demam Berdarah Dengue (DHF) Berdasarkan Faktor Iklim Di Kota Bogor, Jawa Barat. Bul Penelit Kesehat [Internet]. 2014;42(4 Des):249–56. Available from: http://ejournal.litbang.depkes.go.id/index.php/BPK/article/view/3663 31. Rahayu D, Winahju WS, Mukarromah A. Pemodelan Pengaruh Iklim Terhadap Angka Kejadian DHF di Surabaya. J Sains dan Seni ITS. 2012;1:69–74. 32. Prasetyowati I. Kepadatan Penduduk dan Insidens Rate Demam Berdarah Dengue (DHF) Kabupaten Bondowoso, Jawa Timur. Indones J Heal Sci. 2015;5(2):1–12. 33. Ali K, Ma’rufi I. Study of Factors Caused Dengue Haemorrhagic Fever Case Study : Pasuruan , Jawa Timur- Indonesia. J Med Bioeng. 2016;5(2):108–12. 34. Umaya R, Faisya AF, Sunarsih E. Hubungan Karakteristik Pejamu, Lingkungan Fisik Dan Pelayanan Kesehatan Dengan Kejadian Demam Berdarah Dengue (DHF) Di Wilayah Kerja Puskesmas Talang Ubi Pendopo Tahun 2012. J Ilmu Kesehat Masy. 2013;4(November):262– 9. 35. Sofia, Suhartono, Wahyuningsih NE. Hubungan Kondisi Lingkungan Rumah dan Perilaku Keluarga dengan Kejadian Demam Berdarah Dengue Di Kabupaten Aceh Besar The Relationship of Home Environmental Conditions and Family Behavior with Genesis Dengue In Aceh Besar. Kesehat Lingkung Indones. 2014;13(1):30–7. 36. Sihombing CG, Nugraheni E, Sudarsono W. the Relationship Between Rainfall, Air Temperature and Wind Speed Effects Dengue Hemorrhagic Fever Case in Bengkulu City At 2009-2014. J Kedokt Diponegoro. 2018;7(1):366–80. 37. Suhermanto, Tunggul STB, Widartono BS. Spatial Analysis on Vulnerability to Dengue Hemorrhagic Fever in Kotabaru Subdistrict , Jambi Municipality , Jambi Province. Trop Med J. 2012;02(1):45–56. 38. Hastuti NM, Dharmawan R, Indarto D. Sanitation-Related Behavior , Container Index , and Their Associations with Dengue Hemorrhagic Fever Incidence in Karanganyar , Central Java. 2017;2:174–85. 39. Kementerian Kesehatan RI. Buletin Jendela Epidemiologi Topik Utama Demam Berdarah Dengue. 2010. p. 1–43. | id_ID |
| dc.description.abstract | Background: MM Estimation is an alternative of regression on the data outlier. East Java is one of
area that has CFR > 1%. There are some factors that can affect IR DHF such as climate change,
community behavior, and environmental. Aims: to know the regression factors that affects the IR DHF
in East Java in 2017. Settings and Design: This research has non-reactive (unobtrusive) design by
using secondary data. Methods and Material: The independent variables are population density,
percentage of PHBS, percentage of healthy home, and precipitation of East Java in 2017. The
dependent variable is IR DHF in 2017.The population is 38 regencies and cities in East Java with the
sample are 35 regencies and cities by simple random. Statistical analysis used: Regression on MM
estimation with Tukey’s Bisquare. Results: Regression MM-Bisquare estimation is the effective on the
data outlier. The regression model is �� ̂= 22.325 + 0.010 (population density) + 0.207 (% of PHBS) –
0.527 (% of healthy home) + 0.006 (precipitation). The density of population and percentage of healthy home (p value < 0,05) affect the IR DHF of East Java in 2017 on the significant standard 0.05, while the percentage of PHBS and precipitation (p value > 0.05) have no effect on the IR DHF in East Java in 2017.Conclusions: Regression MM-Bisquare estimation is used as the alternative regression on
the data outlier. The factors that affect IR DHF can be the main focus of DHF prevention program. | id_ID |
