Penelitian ini menjadi penting karena TBC masih menjadi salah satu penyakit menular dengan beban tinggi di Indonesia. Data yang kompleks—seperti kepadatan penduduk, jumlah penduduk, fasilitas kesehatan, hingga tingkat kemiskinan—sering kali saling berkorelasi kuat. Kondisi ini dikenal sebagai multikolinearitas, yang dapat membuat hasil analisis statistik menjadi tidak stabil dan sulit dipercaya.
Dalam konteks inilah tim peneliti dari University of Lampung menghadirkan pendekatan baru berbasis metode Inverse Gaussian Hybrid Estimator (IGH), yang dibandingkan dengan metode konvensional Inverse Gaussian Maximum Likelihood (IGML).
Latar Belakang: Data Kompleks, Hasil Tidak Stabil
Selama ini, model regresi sering digunakan untuk memahami faktor-faktor yang memengaruhi jumlah kasus TBC. Namun, ketika variabel-variabel seperti jumlah penduduk dan luas wilayah saling berkaitan sangat kuat, hasil estimasi bisa menjadi bias.
Dalam penelitian ini, data diambil dari 28 kabupaten/kota di Jawa Barat selama periode 2022–2024, mencakup:
- Jumlah kasus TBC
- Kepadatan penduduk
- Jumlah penduduk
- Luas wilayah
- Jumlah fasilitas kesehatan
- Persentase penduduk miskin
- Laju pertumbuhan penduduk
Analisis awal menunjukkan adanya ketimpangan besar antar wilayah. Beberapa daerah memiliki kasus sangat tinggi, sementara yang lain relatif rendah. Pola ini menghasilkan distribusi data yang tidak simetris, sehingga membutuhkan pendekatan statistik khusus.
Metodologi: Membandingkan Dua Pendekatan
Peneliti menggunakan model regresi Inverse Gaussian, yang cocok untuk data yang tidak berdistribusi normal dan cenderung miring ke kanan.
Langkah analisis meliputi:
- Uji distribusi data
- Estimasi parameter menggunakan IGML
- Deteksi multikolinearitas menggunakan VIF
- Penerapan metode IGH sebagai solusi
- Perbandingan akurasi model menggunakan MSE dan RMSE
Hasil uji menunjukkan bahwa beberapa variabel memiliki nilai VIF sangat tinggi—bahkan mencapai lebih dari 90—yang menandakan multikolinearitas serius.
Temuan Utama: IGH Lebih Stabil dan Akurat
Perbandingan dua metode menghasilkan temuan yang cukup tegas. Metode IGH terbukti lebih unggul dibandingkan IGML.
Beberapa hasil kunci penelitian:
- Nilai MSE metode IGML: 1.267.407.893
- Nilai MSE metode IGH: 1.254.997.456
- Nilai RMSE IGML: 35.600,67
- Nilai RMSE IGH: 35.425,94
Nilai error yang lebih kecil menunjukkan bahwa IGH mampu memberikan prediksi yang lebih akurat. Selain itu, koefisien yang dihasilkan IGH jauh lebih stabil karena menggunakan pendekatan shrinkage—yakni “menyederhanakan” pengaruh variabel agar tidak berlebihan.
Penelitian ini juga menemukan bahwa tidak semua faktor berpengaruh signifikan terhadap kasus TBC. Variabel yang terbukti berpengaruh kuat adalah:
- Kepadatan penduduk
- Jumlah penduduk
- Jumlah fasilitas kesehatan
Sementara itu, luas wilayah, tingkat kemiskinan, dan pertumbuhan penduduk tidak menunjukkan pengaruh signifikan secara statistik.
Implikasi: Panduan Kebijakan Kesehatan yang Lebih Tepat
Temuan ini memberikan implikasi penting bagi pemerintah dan pemangku kebijakan. Dengan model yang lebih akurat, intervensi penanggulangan TBC dapat difokuskan pada faktor yang benar-benar berpengaruh.
Misgiyati dari University of Lampung menegaskan bahwa pendekatan IGH membantu menghasilkan estimasi yang lebih stabil, terutama ketika data memiliki hubungan yang kompleks antar variabel. Dengan demikian, kebijakan kesehatan dapat disusun berdasarkan analisis yang lebih dapat diandalkan.
Secara praktis, hasil penelitian ini menunjukkan bahwa:
- Wilayah dengan kepadatan tinggi perlu menjadi prioritas penanganan
- Penyediaan fasilitas kesehatan memiliki peran signifikan
- Analisis data kesehatan perlu menggunakan metode yang tahan terhadap multikolinearitas
Pendekatan ini juga berpotensi diterapkan pada berbagai bidang lain, seperti ekonomi, pendidikan, hingga perencanaan pembangunan daerah.
Profil Penulis
Gracia Trifena Sintauli
Netti Herawati
Misgiyati
Nusyirwan
Keempatnya berafiliasi dengan University of Lampung dan aktif dalam penelitian terkait metode statistik untuk data kompleks.
Sumber Penelitian
Sintauli, G. T., Herawati, N., Misgiyati, & Nusyirwan. (2026). Application of The Inverse Gaussian Hybrid Estimator (IGH) To Address Multicollinearity in The Number of Tuberculosis Cases. International Journal of Sustainable Applied Sciences (IJSAS), Vol. 4 No. 4, 261–270.
DOI: https://doi.org/10.59890/ijsas.v4i4.411
URL: https://dmimultitechpublisher.my.id/index.php/ijsas
0 Komentar