Multiscale Geographically and Temporally Weighted Regression with LASSO and Adaptive LASSO for Tuberculosis Incidence Mapping in West Java

Abstrak

Inggris

Tuberculosis (TB) is a global health issue caused by Mycobacterium tuberculosis and can affect any organ of the body, especially the lungs. The trend of TB cases varies between regions, and analytic assessment is required to identify the predictor variables. The purpose of this research is to compare the Multiscale Geographically and Temporally Weighted Regression (MGTWR) and the Geographically and Temporally Weighted Regression (GTWR) method, which both use Gaussian, Exponential, Uniform, and Bi-Square kernel functions, to identify significant variables in each region annually. The MGTWR method has the advantage of using a flexible bandwidth for each observation, that results in more accurate coefficient estimates. The sample used was 27 districts and cities in West Java Province, involving 36 variables divided into 5 dimensions, namely global climate, health, demography, population, and government policy, with a time span of 2019–2022. To overcome the problem of multicollinearity, the approach was carried out using the Least Absolute Shrinkage Selection Operator (LASSO) and Adaptive LASSO methods. In determining the best model, the prioritized criteria are to achieve the highest R2, which indicates the optimal level of model fit, as well as the smallest AIC, which indicates the most efficient model goodness of fit. The best model is MGTWR with LASSO variable selection on the Bi-Square kernel. This model has an R2 of 91.25% and the smallest AIC of 139.868. From the best model, each region emerged with a cluster structure affected by various variables from 2019 to 2022, providing an in-depth understanding of TB mapping that can assist in formulating more effective intervention measures.

Bahasa Indonesia

Tuberkulosis (TB) merupakan masalah kesehatan global yang disebabkan oleh Mycobacterium tuberculosis dan dapat menyerang organ tubuh mana pun, terutama paru-paru. Tren kasus TB bervariasi antar wilayah, dan diperlukan penilaian analitik untuk mengidentifikasi variabel prediktor. Tujuan penelitian ini adalah membandingkan metode Regresi Tertimbang Geografis dan Temporal Multiskala (RTGTM) dan Regresi Tertimbang Geografis dan Temporal (RTGT), yang keduanya menggunakan fungsi kernel Gaussian, Exponential, Uniform, dan Bi-Square, untuk mengidentifikasi variabel yang signifikan di setiap wilayah setiap tahunnya. Metode RTGTM memiliki keunggulan karena menggunakan bandwidth yang fleksibel untuk setiap observasi, sehingga menghasilkan estimasi koefisien yang lebih akurat. Sampel yang digunakan adalah 27 kabupaten dan kota di Provinsi Jawa Barat, yang melibatkan 36 variabel yang dibagi menjadi 5 dimensi, yaitu iklim global, kesehatan, demografi, populasi, dan kebijakan pemerintah, dengan rentang waktu 2019–2022. Untuk mengatasi masalah multikolinearitas, pendekatan yang dilakukan adalah dengan menggunakan Least Absolute Shrinkage Selection Operator (LASSO) dan metode adaptive LASSO. Dalam menentukan model terbaik, kriteria yang diprioritaskan adalah mencapai R2 (R square) tertinggi yang menunjukkan tingkat kecocokan model yang optimal, serta AIC terkecil yang menunjukkan kebaikan model yang paling efisien. Model terbaik adalah RMTGT dengan pemilihan variabel LASSO pada kernel Bi-Square. Model ini memiliki R2 (R square) sebesar 91,25% dan AIC terkecil sebesar 139,868. Dari model terbaik tersebut, dihasilkan wilayah dengan struktur klaster yang dipengaruhi oleh berbagai variabel dari tahun 2019 hingga 2022, sehingga memberikan pemahaman mendalam tentang pemetaan TB yang dapat membantu dalam merumuskan tindakan intervensi yang lebih efektif.

Kata kunci

• disease mapping
• spatio-temporal
• variabel selection
• spatial statistics
• kernel function
• 62H11
• 97K80