<?xml version="1.0" encoding="UTF-8" ?>
<modsCollection xmlns:xlink="http://www.w3.org/1999/xlink" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xmlns="http://www.loc.gov/mods/v3" xmlns:slims="http://slims.web.id" xsi:schemaLocation="http://www.loc.gov/mods/v3 http://www.loc.gov/standards/mods/v3/mods-3-3.xsd">
<mods version="3.3" id="124886">
 <titleInfo>
  <title>IDENTIFIKASI FAKTOR-FAKTOR YANG MEMENGARUHI KASUS TUBERKULOSIS MENGGUNAKAN REGRESI DATA PANEL DAN PENGELOMPOKAN PROVINSI DI INDONESIA MENGGUNAKAN FUZZY POSSIBILISTIC C-MEANS CLUSTERING</title>
 </titleInfo>
 <name type="Personal Name" authority="">
  <namePart>MUTIARA SYIFA</namePart>
  <role>
   <roleTerm type="text">Primary Author</roleTerm>
  </role>
 </name>
 <typeOfResource manuscript="no" collection="yes">mixed material</typeOfResource>
 <genre authority="marcgt">bibliography</genre>
 <originInfo>
  <place>
   <placeTerm type="text">Banda Aceh</placeTerm>
   <publisher>Fakultas MIPA Statistika</publisher>
   <dateIssued>2024</dateIssued>
  </place>
 </originInfo>
 <language>
  <languageTerm type="code">id</languageTerm>
  <languageTerm type="text">Indonesia</languageTerm>
 </language>
 <physicalDescription>
  <form authority="gmd">Skripsi</form>
  <extent></extent>
 </physicalDescription>
 <note>Tuberkulosis merupakan salah satu penyakit menular yang menjadi tantangan kesehatan global, memengaruhi jutaan orang di seluruh dunia. Indonesia menduduki peringkat ke-2 penderita tuberkulosis tertinggi di dunia. Penyebaran tuberkulosis yang terus mengalami peningkatan menuntut perhatian yang serius dan strategi penanganan yang lebih efektif. Oleh karena itu, penting untuk mengidentifikasi faktor-faktor yang memengaruhi tuberkulosis. Kondisi geografis dan demografis Indonesia yang beragam menuntut strategi penanganan yang harus disesuaikan untuk setiap provinsi, hal ini mendorong perlunya pengelompokan provinsi berdasarkan faktor-faktor yang memengaruhi TB. Penelitian ini bertujuan untuk mengidentifikasi faktor-faktor yang berpengaruh terhadap penyebaran tuberkulosis, serta mengelompokkan provinsi berdasarkan faktor-faktor yang memengaruhi tuberkulosis. Untuk mencapai tujuan tersebut, penelitian ini menggunakan 2 metode, yaitu analisis regresi data panel dan Fuzzy Possibilistic C-Means Clustering (FPCM). Terdapat 8 variabel independen yang digunakan pada 34 provinsi di Indonesia selama 3 tahun, yaitu tahun 2020-2022. Hasil analisis regresi data panel menunjukkan bahwa Fixed Effect Model adalah model terbaik, dengan 5 variabel yang memengaruhi tuberkulosis secara signifikan, yaitu jumlah layanan kesehatan, jumlah kasus HIV, persentase penduduk merokok pada usia \geq 15 tahun, jumlah Tempat Pengelolaan Pangan (TPP), serta jumlah Tempat dan Fasilitas Umum (TFU), dengan koefisien determinasi mencapai 88,2%. Menggunakan metode FPCM, provinsi-provinsi di Indonesia dapat dikelompokkan menjadi 3 cluster berdasarkan faktor-faktor yang memengaruhi tuberkulosis. Cluster 3 menunjukkan karakteristik faktor-faktor yang memengaruhi tuberkulosis tertinggi, kemudian diikuti oleh Cluster 1 dan Cluster 2, sehingga provinsi-provinsi yang termasuk ke dalam Cluster 3 memerlukan prioritas penanganan tuberkulosis yang lebih utama. &#13;
&#13;
Kata kunci: tuberkulosis, regresi data panel, fixed effect model, clustering, fuzzy possibilistic c-means</note>
 <note type="statement of responsibility"></note>
 <subject authority="">
  <topic>REGRESSION ANALYSIS</topic>
 </subject>
 <subject authority="">
  <topic>FUZZY SYSTEMS</topic>
 </subject>
 <classification>511.313</classification>
 <identifier type="isbn"></identifier>
 <location>
  <physicalLocation>ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala</physicalLocation>
  <shelfLocator></shelfLocator>
 </location>
 <slims:digitals/>
</mods>
<recordInfo>
 <recordIdentifier>124886</recordIdentifier>
 <recordCreationDate encoding="w3cdtf">2024-07-12 12:45:59</recordCreationDate>
 <recordChangeDate encoding="w3cdtf">2024-07-15 15:45:09</recordChangeDate>
 <recordOrigin>machine generated</recordOrigin>
</recordInfo>
</modsCollection>