<![CDATA[ABSTRAK Poisson regression merupakan salah satu model regresi yang dapat digunakan untuk menganalisis hubungan antara variabel respon yang berupa data count dengan variabel prediktor berupa data count, kontinu, kategorik atau campuran dengan syarat terjadi equidispersion yaitu nilai variansi dari variabel respon harus sama dengan nilai rata-ratanya. Namun yang sering terjadi adalah pelanggaran terhadap equidispersion. Generalized Poisson Regression (GPR) adalah suatu model regresi yang digunakan untuk menganalisis hubungan antara variabel respon yang berupa data count dengan satu atau lebih variabel prediktor dan mengalami underdispersion, equidispersion, atau overdispersion. Data tuberkulosis paru (TB paru) di Indonesia tahun 2020 mengalami overdispersion, sehingga GPR adalah metode yang cocok untuk memodelkan data tersebut. Tujuan penelitian ini adalah untuk mendapatkan model GPR terbaik pada data jumlah kasus TB paru di Indonesia tahun 2020 dan mengetahui faktor-faktor yang memengaruhinya. Hasil analisis menunjukkan bahwa terdapat lima belas model GPR yang terbentuk dari empat variabel prediktor yang berpengaruh terhadap jumlah kasus TB paru di Indonesia tahun 2020. Model GPR terbaik berdasarkan nilai Akaike Information Criterion (AIC) terkecil adalah model dengan empat variabel yang berpengaruh yaitu kepadatan penduduk, jumlah penduduk miskin, persentase lantai rumah tidak kedap air, dan persentase tempat pengelolaan pangan yang memenuhi syarat. ABSTRACT Poisson regression is a regression model that can be used to analyze the relationship between response variables in the form of count data and predictor variables in the form of count, continuous, categorical or mixed data with the condition that equidispersion occurs, namely the variance value of the response variable must be equal to the average value. However, what often happens is that the variance value is greater than the average value or is called overdispersion. Generalized Poisson Regression (GPR) is a regression model used to analyze the relationship between response variables in the form of count data and one or more predictor variables and occure underdispersion, equidispersion or overdispersion. Data for pulmonary tuberculosis in Indonesia in 2020 occured overdispersion, so GPR is a suitable method to model the data. The purpose of this study was to obtain the best GPR model and to obtain the factors that significantly influence the number of pulmonary tuberculosis cases in Indonesia in 2020. The results of the analysis show that there are fifteen GPR models formed from four predictor variables that affect the number of pulmonary tuberculosis cases in Indonesia in 2020. The best GPR model based on the smallest Akaike Information Criterion (AIC) value is a model with four influential variables, namely population density, number of poor people, percentage of house floors that are not waterproof, and percentage of food management places that meet the requirements.]]>
