2014

LAPORAN ANALISIS LANJUT RISKESDAS 2014 LB.02.01/I.3/7963/2014

ANALISIS PENGARUH CONTROLLABLE RISK FACTORS TERHADAP TERJADINYA STROKE PADA USIA PRODUKTIF MENGGUNAKAN POLYCHORIC FACTOR ANALYSIS DAN REDUCED SUPPORT VECTOR MACHINE

Santi Wulan Purnami, M.Si, PhD ( Dosen Statistika ITS ) Ir.Sri Pingit Wulandari, M.Si ( Dosen Statistika ITS ) Pratnya Paramitha Oktaviana, M.Si., M.Sc. ( Dosen Statistika ITS )

JURUSAN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2014

SUSUNAN TIM PENELITI

Nama Santi Wulan Purnami, M.Si, PhD

Kedudukan

Keahlian dan Uraian Tugas

Ketua Pelaksana

- Bertanggung jawab atas semua

Penelitian

aspek penelitian - Pengumpulan dan Manajemen Data - Analisis Data - Penyelesaian Laporan

Ir.Sri Pingit Wulandari, M.Si

Anggota Tim Peneliti I

- Pengumpulan dan Manajemen Data - Analisis Data - Penyelesaian Laporan

Pratnya Paramitha Oktaviana, M.Si., M.Sc.

Anggota Tim Peneliti II

- Pengumpulan dan Manajemen Data - Analisis Data - Penyelesaian Laporan

ii

SURAT KEPUTUSAN PENELITIAN

iii

KATA PENGANTAR

Puji syukur kehadirat Allah Yang Maha Esa atas Karunia-Nya sehingga Laporan Analisis Lanjut Riskesdas 2014 yang berjudul “Analisis Pengaruh Controllable Risk Factors terhadap Terjadinya Stroke pada Usia Produktif Menggunakan Polychoric Factor Analysis dan Reduced Support Vector Machine” dapat diselesaikan. Laporan ini berisikan informasi tentang terjadinya penyakit stroke pada masyarakat usia produktif di Indonesia sekaligus faktor-faktor yang berkontribusi menjadi penyebabnya dan model ketepatan akurasinya. Kami menyadari bahwa laporan ini masih terdapat banyak kekurangan, sehingga kritik dan saran dari semua pihak yang bersifat membangun selalu kami harapkan demi kesempurnaan laporan penelitian ini. Tidak lupa kami sampaikan ucapan terima kasih kepada Dekan FMIPA ITS, Bapak Prof. Dr. Drs. RY Perry Burhan M.Sc., Ketua Jurusan Statistika ITS, Bapak Dr. Muhammad Mashuri, MT. dan seluruh Tim Analisis Lanjut, serta kepada pihak panitia kegiatan Analisis Lanjut Data Riset Kesehatan Nasional 2014, Badan Penelitian dan Pengembangan Kesehatan Kementerian Kesehatan Republik Indonesia yang telah menyelenggarakan dan memberikan batuan pembiayaan pada penelitian ini. Semoga penelitian ini bermanfaat bagi segala pihak. Terima Kasih.

Surabaya, Desember 2014

Penulis

iv

ABSTRAK

Stroke selama ini dikenal dengan kelumpuhan separuh badan, gangguan bicara hingga berakibat pada kematian. Masalah stroke di Indonesia semakin penting dan mendesak, karena kini jumlah penderita stroke di Indonesia terbanyak di Asia. Pada sepuluh tahun terakhir, orang usia produktif semakin banyak terkena serangan stroke. Hal ini diduga karena faktor pola makan, kejiwaan/stress yang meningkat, kurang aktifitas/kurang olahraga, serta gaya hidup (merokok, minum alkohol). Faktor-faktor tersebut memicu terjangkitnya penyakit degeneratif yang menjadi faktor terjadinya serangan stroke. Selama ini belum diketahui secara pasti berapa kontribusi faktor-faktor tersebut (controllable risk factors) terhadap kerentanan serangan stroke. Oleh karena itu, dalam penelitian ini akan dilakukan analisis faktor untuk mengetahui kontribusi dari controllable risk factors terhadap serangan stroke. Karena data yang digunakan sebagian besar mempunyai skala kategorikal, maka digunakan pendekatan Polichoric Factor Analysis. Selanjutnya, berdasarkan faktor-faktor tersebut akan dilakukan klasifikasi kejadian stroke menggunakan Reduced Support Vector Machine (RSVM). Dengan metode RSVM diharapkan akan didapatkan model klasifikasi yang lebih baik dibanding metode klasik, seperti regresi logistik. Hasil Polichoric Factor Analysis menunjukkan lima faktor terpilih, yaitu faktor 1 (Pola makan (gorengan, msg, kalengan dan lain-lain)), faktor 2 (Gaya Hidup), faktor 3 (Pola makan (buah, sayur)), faktor 4 (Emosi dan aktivitas fisik) dan faktor 5 (Penyakit degeneratif), dengan kontribusi kumulatif sebesar 85,68% terhadap terjadinya stroke. Analisis Reduced Support Vector Machine (RSVM) yang telah dilakukan menghasilkan bahwa pasien terklasifikasi dengan tepat baik pasien yang terkena stroke maupun pasien yang tidak terkena stroke adalah sebesar 64,44%. Kata Kunci : Stroke, Polichoric Factor Analysis, RSVM, Controllable Risk Factors, Faktor

v

DAFTAR ISI

HALAMAN JUDUL

i

SUSUNAN TIM PENELITI

ii

SURAT KEPUTUSAN PENELITIAN

iii

KATA PENGANTAR

iv

ABSTRAK

v

DAFTAR ISI

vi

DAFTAR TABEL

viii

DAFTAR GAMBAR

ix

DAFTAR LAMPIRAN

x

BAB I

1

PENDAHULUAN

1.1 Latar Belakang

1

1.2 Perumusan Masalah Penelitian

2

Identifikasi Masalah

2

Batasan Masalah

3

Alternatif Penyelesaian Masalah

3

1.3 Pertanyaan Penelitian

3

BAB II

4

TINJAUAN PUSTAKA

2.1 Stroke

4

2.2 Factor Analysis

5

2.3 Polychoric Factor Analysis

6

2.4 Reduced Support Vercor Machine

6

BAB III TUJUAN DAN MANFAAT

8

3.1 Tujuan Penelitian

8

3.2 Manfaat Penelitian

8

BAB IV HIPOTESIS PENELITIAN

9

4.1 Hipotesis

9

BAB V

10

METODE PENELITIAN

5.1 Kerangka Konsep

10

5.2 Definisi Operasional Variabel

11

5.3 Disain Penelitian

12

5.4 Tempat dan Waktu

12

vi

5.5 Populasi dan Sampel

13

a. Kriteria Inklusi dan Eksklusi

13

b. Besar Sampel

13

5.6 Instrumen Pengumpul Data

13

5.7 Pengolahan dan Analisis Data

13

BAB VI HASIL DAN PEMBAHASAN

16

6.1 Statistika Deskriptif

16

6.2 Polychoric Factor Analysis

18

6.3 Reduced Support Vector Machine (RSVM)

21

BAB VII KESIMPULAN DAN SARAN

22

7.1 Kesimpulan

22

7.2 Saran

22

UCAPAN TERIMA KASIH

23

DAFTAR KEPUSTAKAAN

24

LAMPIRAN

26

vii

DAFTAR TABEL

Tabel 5.1 Definisi Variabel

10

Tabel 5.2 Output Kontribusi Masing-Masing Faktor Resiko

15

Tabel 6.1 Pemilihan Faktor yang Berpengaruh

19

Tabel 6.2 Polychoric Factor Analysis terhadap 5 Faktor Terpilih

20

Tabel 6.1 Pemilihan Variabel untuk 5 Faktor Terpilih

21

viii

DAFTAR GAMBAR

Gambar 5.1 Kerangka Konsep

10

Gambar 5.2 Tahapan Penelitian

14

Gambar 6.1 Hasil Pengumpulan Data Penderita Stroke dan Tidak Usia 15-64 tahun di Indonesia Gambar 6.2 Jenis Kelamin Penderita Stroke Usia 15-64 tahun di Indonesia

16 16

Gambar 6.3 Kondisi Merokok atau Tidaknya Penderita Stroke Selama 1 Bulan Terakhir

17

Gambar 6.4 Kondisi Menderita Kencing Manis atau Tidaknya Penderita Stroke

17

Gambar 6.5 Kondisi Menderita Hipertensi atau Tidaknya Penderita Stroke

18

Gambar 6.6 Kondisi Menderita Jantung Koroner atau Tidaknya Penderita Stroke

18

ix

DAFTAR LAMPIRAN

Lampiran I Hasil Pengolahan Data dengan Metode Reduced Support Vector Machine (RSVM) Lampiran II Biodata Ketua Pelaksana dan Peneliti

26 32

x

BAB I PENDAHULUAN

1.1 Latar Belakang Stroke termasuk penyakit cerebrovaskuler (pembuluh darah otak) yang ditandai dengan kematian jaringan otak (infark serebral) yang terjadi karena berkurangnya aliran darah dan oksigen ke otak. WHO mendefinisikan bahwa stroke adalah gejala-gejala defisit fungsi susunan saraf yang diakibatkan oleh penyakit pembuluh darah otak dan bukan oleh yang lain dari itu (WHO, 2004). Masalah stroke di Indonesia semakin penting dan mendesak, karena kini jumlah penderita stroke di Indonesia terbanyak di Asia. Jumlah penderita stroke dengan rata-rata berusia 60 tahun ke atas berada di urutan kedua terbanyak di Asia, sedangkan usia 15-59 tahun berada di urutan ke lima terbanyak di Asia (Yayasan Stroke Indonesia, 2010). Pada tahun 2007, jumlah penderita stroke mencapai 8,3 per 1000 populasi di Indonesia (Depkes, 2007) dan naik pada tahun 2013 menjadi 12,1 per 1000 populasi di Indonesia (Riskesdas 2013). Menurut National Stroke Association, terdapat dua tipe risiko faktor untuk penyakit stroke, yaitu faktor yang dapat tidak dapat dikontrol (uncontrollable risk factors) dan faktor yang dapat dikontrol (controllable risk factors). Faktor risiko yang tidak dapat dikendalikan antara lain usia, jenis kelamin, ras, riwayat keluarga, dan riwayat stoke. Sementara secara garis besar, faktor risiko yang dapat dikontrol lebih besar dipengaruhi oleh gaya hidup yang tidak sehat. Sebagai contoh, kebiasaan mengkonsumsi makanan enak yang berlemak serta cenderung malas bergerak yang menyebabkan lemak dalam tubuh menumpuk. Kadar kolesterol di bawah 200 mg/dl dianggap aman, sedangkan di atas 240 mg/dl sudah berbahaya dan menempatkan seseorang pada risiko terkena penyakit jantung dan stroke (Deberre et.al, 2011). Selain itu, kebiasaan mengkonsumsi gula yang berlebihan dapat menimbulkan penyakit diabetes. Penyakit diabetes ini jika ditambah dengan kadar kolesterol tinggi, trigliserida tinggi serta tekanan darah yang juga tinggi akan meningkatkan risiko terjadinya stroke sebanyak empat kali lebih besar (Nightingale et.al, 2008; Sitorus et.al, 2008). Bahkan hipertensi merupakan penyebab terbesar dari kejadian stroke, baik tekanan darah sistolik maupun diastolik (Bustan, 2007). Sementara kebiasaan merokok dapat meningkakan risiko terkena penyakit stroke tujuh kali lebih besar dari orang yang tidak merokok atu berhenti merokok (Lipska et.al, 2007 ; Viveca et.al, 2008).

1

Factor analysis merupakan suatu metode statistika yang digunakan untuk menjelaskan variabilitas diantara observasi, di mana variabel yang saling berkorelasi tersebut akan direduksi menjadi suatu variabel baru (Bartholomew, dkk, 2008). Karena faktor-faktor yang dianggap berpengaruh terhadap risiko stroke merupakan variabel kualitatif maka penghitungan korelasi antar variabel tersebut lebih sesuai menggunakan metode korelasi polycoric dibandingkan dengan korelasi pearson (Kampen dan Swyngedouw, 2000; Cliff dan Kyats 2005; Gob et.al, 2007). Selanjutnya dari hasil factor analysis dapat diketahui seberapa besar kontribusi setiap faktor terhadap meningkatnya risiko seseorang terkena stroke. Regresi logistik merupakan salah satu metode statistika paling umum yang digunakan untuk memperkirakan besarnya probabilitas sesorang terkena stroke atau tidak berdasarkan faktor-faktor risiko yang dimiliki. Namun, metode ini kurang akurat bila menggunakan data yang sangat besar. Sebagai alternatifnya, digunakan metode Reduced Support Vector Machine (RSVM) yang memiliki ketepatan klasifikasi yang lebih baik bila data observasi berjumlah sangat besar (Lee dan Mangasarian, 2001). Pada akhirnya, penggunaan metode polycoric factor analysis dan RSVM ini diharapkan mampu menghasilkan informasi mengenai faktor-faktor risiko yang paling berpengaruh terhadap stroke dan mampu mengklasifikasikan kejadian stroke dengan tingkat akurasi yang tinggi.

1.2 Perumusan Masalah Penelitian Identifikasi masalah : Permasalahan yang akan dibahas pada penelitian kali ini adalah mengenai penyakit stroke pada usia produktif di Indonesia. Saat ini, di Indonesia sudah banyak orang yang terkena stroke, bahkan yang dulunya hanya diderita oleh orang-orang usia 40 tahun ke atas, sekarang pun bisa diderita oleh orang yang berusia 15 tahun sekalipun (kasus di Samarinda, tahun 2010). Dengan pertimbangan inilah peneliti mengajukan ide penelitian mengenai faktor-faktor (controllable risk factors) yang bisa menyebabkan terjadinya penyakit stroke pada usia produktif. Selama ini belum diketahui secara pasti mengenai kontribusi faktor-faktor tersebut terhadap kerentanan serangan stroke. Oleh karena itu, dalam penelitian ini akan dilakukan analisis faktor untuk mengetahui kontribusi dari controllable risk factors terhadap serangan stroke. Mengenai variabel-variabel apa yang akan digunakan, akan dibahas lebih jelas pada kerangka konsep.

2

Batasan masalah : Penelitian ini difokuskan pada orang-orang dengan usia produktif, yaitu 15-64 tahun (usia produktif menurut BPS), karena pada jaman sekarang ini, usia muda pun sudah bisa terkena stroke.

Alternatif penyelesaian masalah : Data yang digunakan dalam penelitian ini, sebagian besar mempunyai skala kategorikal, maka digunakan pendekatan Polichoric Factor Analysis untuk mengetahui kontribusi pada masing-masing faktor terhadap terjadinya penyakit stroke. Selanjutnya, berdasarkan faktor-faktor tersebut akan dilakukan klasifikasi kejadian stroke menggunakan Reduced Support Vector Machine (RSVM).

1.3 Pertanyaan Penelitian Berdasarkan perumusan masalah penelitian yang telah dibahas sebelumnya, maka pertanyaan yang dapat diangkat dalam penelitian ini adalah sebagai berikut: 1. Berapa kontribusi pada masing-masing faktor, khususnya controllable risk factors terhadap resiko stroke pada usia produktif? 2. Bagaimana model klasifikasi yang akurat untuk mengklasifikasikan kejadian stroke/tidak dengan menggunakan pendekatan RSVM?

3

BAB II TINJAUAN PUSTAKA

2.1 Stroke Stroke adalah penyakit pada otak berupa gangguan fungsi syaraf lokal dan/atau global, munculnya mendadak, progresif, dan cepat. Gangguan fungsi syaraf pada stroke disebabkan oleh gangguan peredaran darah otak non traumatik. Gangguan syaraf tersebut menimbulkan gejala antara lain: kelumpuhan wajah atau anggota badan, bicara tidak lancar, bicara tidak jelas (pelo), mungkin perubahan kesadaran, gangguan penglihatan, dan lain-lain. Didefinisikan sebagai stroke jika pernah didiagnosis menderita penyakit stroke oleh tenaga kesehatan (dokter/perawat/bidan) atau belum pernah didiagnosis menderita penyakit stroke oleh nakes tetapi pernah mengalami secara mendadak keluhan kelumpuhan pada satu sisi tubuh atau kelumpuhan pada satu sisi tubuh yang disertai kesemutan atau baal satu sisi tubuh atau mulut menjadi mencong tanpa kelumpuhan otot mata atau bicara pelo atau sulit bicara/komunikasi dan atau tidak mengerti pembicaraan (Laporan Riskesdas 2013). Usia, jenis kelamin, ras, etnis, dan faktor genetik telah diidentifikasi sebagai faktor risiko stroke yang tidak bisa dikendalikan (Larry, dkk, 2011). Usia merupakan faktor risiko stroke yang paling berpengaruh. Untuk setiap penambahan 10 tahun setelah seseorang berumur 55 tahun, risiko seorang wanita maupun pria terserang stroke menjadi dua kali lipat (Ariesen, dkk, 2003). Sementara itu, pria memiliki risiko terserang stroke lebih tinggi daripada wanita (Pleis, dkk, 2007) kecuali bagi pria yang berusia 35 sampai dengan 44 tahun dan berusia lebih dari 85 tahun (Kissela, dkk, 2004). Faktor seperti menggunaan kontrasepsi oral dan kehamilan berkontribusi terhadap peningkatan risiko stroke pada wanita muda (Kittner, dkk, 1996 ; Baillargeon, dkk, 2005). Bila dikaitkan dengan ras atau etnik, seorang yang memiliki ras kulit hitam dan amerika latin memiliki risiko lebih tinggi terkena stroke (Zahuranec, dkk, 2006). Sementara untuk faktor genetik, anak perempuan dari orangtua yang mempunyai riwayat stroke berisiko lebih tinggi terkena stroke daripada anak laki-laki (Touze dan Rothwell, 2008). Pengaruh genetik ini dapat juga dikaitkan dengan riwayat penyakit keluarga yang berhubungan dengan stroke, seperti hipertensi, diabetes, dan hiperlipidemia (Rubattu, dkk, 2001 ; Turner dan Boerwinkle, 2003). Faktor risiko stroke yang bisa dikendalikan terdiri atas hipertensi, kebiasaan merokok, diabetes, komplikasi diabetes dan hipertensi, kadar kolesterol dan trigliserida

4

yang tinggi (Larry, dkk, 2011). Hubungan antara tekanan darah tinggi dan stroke sangat tinggi, kontinyu, bertahap, konsisten, independen, prediktif, dari secara etiologi signifikan (Chobanian, dkk, 2003). Risiko seseorang terserang stroke akan meningkat secara progresif seiring bertambahnya tekanan darah yang juga meningkat (Lewington, dkk, 2002). Bahkan hipertensi merupakan penyebab terbesar dari kejadian stroke, baik tekanan darah sistolik maupun diastolik (Bustan, 2007). Peningkatan tekanan darah juga dikaitkan dengan tingkat stress dan kurangnya seseorang dalam bergerak atau beraktivitas. Sehingga seseorang yang memiliki tingkat stress yang tinggi dan kurang beraktivitas secara tidak langsung juga akan meningkatkan risiko stroke. Seseorang yang memiliki kadar kolesterol di bawah 200 mg/dl dianggap aman, sedangkan di atas 240 mg/dl sudah berbahaya dan menempatkan seseorang pada risiko terkena penyakit jantung dan stroke (Deberre et.al, 2011). Kadar gula darah tinggi yang biasanya menyebabkan seseorang terkena penyakit diabetes juga merupakan salah satu faktor risiko stroke yang perlu diwaspadai.. Penyakit diabetes ini jika ditambah dengan kadar kolesterol tinggi, trigliserida tinggi serta tekanan darah yang juga tinggi akan meningkatkan risiko trjadinya sebanyak empat kali lebih besar (Nightingale et.al, 2008 ; Sitorus et.al, 2008). Sementara itu, bila dikaitkan dengan kebiasaan merokok, risiko seseorang terkena penyakit stroke tujuh kali lebih besar dari orang yang tidak merokok atu berhenti merokok (Lipska et.al, 2007 ; Viveca et.al, 2008).

2.2 Factor Analysis Factor Analysis merupakan salah satu metode yang bertujuan untuk mereduksi variabel dengan cara menyatakan variabel asal sebagai kombinasi linear sejumlah faktor, sedemikian hingga sejumlah faktor tersebut mampu menjelaskan sebesar mungkin keragaman data yang dijelaskan oleh variabel asal. Model dari analisis faktor adalah sebagai berikut X(p x 1) = µ(p x 1) + L(p x m) F(m x 1) + Ɛ(p x 1)

(1)

dengan µi adalah rata-rata dari variabel ke-i, Ɛi merupakan faktor spesifik, Fj merupakan common factor ke-j dan lij merupakan faktor loading ke-j variabel ke-i. F dan Ɛ saling independen sehingga E (F)=0 , Cov (F) = I, E (Ɛ) = 0, dan Cov (Ɛ) = 𝜑 dengan 𝜑 merupakan diagonal matrik. Pada faktor analisis pada umumnya digunakan matriks varian covarian untuk mengetimasi model, tetapi apabila antar variabel memiliki skala yang jauh berbeda (tetap dalam skala interval dan rasio) dan memiliki variansi yang tinggi digunakan

5

matriks korelasi yang merupakan matriks varian kovarian dari variabel tersebut yang sudah di standarkan. 2.3 Polychoric Factor Analysis Metode Polychoric Factor Analysis merupakan metode perluasan dari Faktor analisis untuk yang dikembangkan untuk analisis faktor menggunakan skala rasio. Misalkan terdapat skala likert yang berasal dari populasi Z 1 dan Z2 yang merupakan dua populasi dengna skala ordinal dengan m1 dan m2 kategori. Dengan nij adalah jumlah kasus pada kategori i pada populasi pertama jam pada kategori ke-j di populasi kedua. Dimisalkan populasi awal dari Z1 dan Z2 adalah Z*1 dan Z*2 sehingga diasumsikan kombinasi distribusinya merupakan bivariat normal N(0,0,1,1,ρ) dengan probability density functionnya pada persamaan 2.2. 𝑎𝑖 𝑏𝑗 1 𝑎 𝑖−1 𝑏 𝑗 −1 2𝜋 1−𝑝 2

𝑒𝑥𝑝

1 (𝑥 2 −2𝜌𝑥𝑦 2(1−𝑝 2 )

−

+𝑦 2 )

𝑑𝑥𝑑𝑦

(2)

Meskipun dibutuhkan asumsi tetapi korelasi ini robust terhadap asumsi distribusinya bivariat normal (Coenders et al.1997). Apabila m1=m2=2 maka terdapat korelasi tetrachoric dan dapat diestimasi dengan metode maximum likelihood distribusi multinomial sebagai berikut ln 𝐿 =

𝑚1 𝑖=1

𝑚2 𝑗 =1 𝑛𝑖𝑗 𝑙𝑜𝑔𝑝𝑖𝑗

(3)

Setelah ditemukan matriks korelasi polychoric nya dilakukan metode factor Analisis pada umumnya.

2.4 Reduced Support Vector Machine SVM dengan kernel linier dan non linier menjadi algoritma yang cukup terkenal untuk klasifikasi. Namun terdapat beberapa keterbatasan yang dimiliki SVM di antaranya masalah banyaknya waktu dan penyimpanan yang diperlukan untuk memecahkan masalah pemrograman khususnya untuk data dengan ukuran besar. Kesulitan yang dihadapi dalam penggunaan kernel non linier pada data berukuran besar secara garis besar ada dua. Pertama adalah kesulitan komputasi dalam memecahkan problem optimasi tanpa kendala yang besar yang melibatkan fungsi kernel yang membutuhkan memori sangat besar bahkan sebelum dimulainya proses pencarian solusi.

6

Kedua adalah kesulitan dalam penggunaan formula untuk bidang pemisah pada x yang merupakan titik baru yang tidak terlihat. Untuk menangani kesulitan komputasi tersebut, sebagai alternatif, disarankan metode Reduced Support Vector Machine (RSVM) yang disarankan oleh Lee dan Mangasarian ( 2001). Pendekatan untuk RSVM secara garis besar adalah penggunaan sampel kecil yang diambil secara random A dari dataset sebagai sampel yang mewakili seluruh data yang digunakan dalam pengamatan dalam memecahkan problem optimasi dan mengevaluasi bidang pemisah non linier. Selanjutnya akan dibentuk hubungan kernel rectangular yang sesuai yaitu K ( A ' A) di antara keseluruhan data dan sampel random. Program kuadratik RSVM didapatkan dengan mengganti A ' dengan A ' sehingga menjadi, minm1m

( u , , y )R

v 1 y ' y  (u ' u   2 ) 2 2

(4)

Dengan kendala D( K (A, A ')Du  e )  y  e dan y  0 . Pada seleksi parameter, digunakan fungsi kernel gaussian dengan metode seleksi parameter Uniform Design (UD). Pada kernel Gaussian, rentang parameter  adalah kunci performansi dari model SVM, yang bila terlalu pendek atau terlalu lebar akan mengakibatkan under fitting atau over fitting.

7

BAB III TUJUAN DAN MANFAAT

3.1 Tujuan Penelitian Tujuan umum: Secara umum analisis ini bertujuan untuk mengetahui kontribusi controllable risk factors terhadap terjadinya stroke dan mengklasifikasikan stroke berdasarkan faktorfaktor tersebut. Tujuan Khusus: 1. Mengetahui seberapa besar pengaruh controllable risk factors (penyakit degeneratif, pola makan, kejiwaan/stres, aktifitas fisik dan gaya hidup) terhadap resiko stroke pada usia produktif 2. Mendapatkan model klasifikasi yang akurat untuk mengklasifikasikan seseorang rentan terkena stroke atau tidak berdasarkan controllable risk factors

3.2 Manfaat Penelitian Berikut adalah manfaat yang didapatkan berdasarkan penelitian ini : 1. Menambah khasanah penerapan statistika dalam kesehatan serta pengembangan statistika dalam menangani problem bidang kesehatan sehingga menghasilkan publikasi ilmiah (seminar dan atau jurnal) baik dalam skala nasional maupun internasional. 2. Dapat memberikan informasi kepada masyarakat untuk memperbaiki pola makan, gaya hidup. pengelolaan stress dan aktifitas fisik.sehingga terjadinya resiko terjadinya stroke bisa diminimalkan. Dari hasil penelitian ini diharapkan dapat memberikan informasi yang akurat kepada Dinas Kesehatan tentang prosentase kontribusi tiap faktor utamanya faktor pola makan, gaya hidup, stres dan aktifitas fisik sehingga penanganan terhadap faktorfaktor tersebut lebih dioptimalkan guna mengurangi resiko terkena stroke.

8

BAB IV HIPOTESIS PENELITIAN

4.1 Hipotesis 1. Diduga faktor gaya hidup, pola makan, aktifitas fisik, kejiwaan mempengaruhi terjadinya penyakit degenerative. 2. Penyakit degenerative (Jantung, Kolesterol, Hipertensi, Diabetes Melitus dan Obesitas) berpengaruh secara signifikan terhadap penyakit stroke.

9

BAB V METODE PENELITIAN

5.1 Kerangka Konsep Gaya hidup 1. 2.

Banyak rokok yang di konsumsi per hari Tingkat keseringan merokok

Pola makan 1. 2. 3.

Porsi konsumsi buah dan sayuran Konsumsi makanan beresiko Konsumsi makanan dari tepung

Aktifitas fisik 1. 2. 3.

Intensitas aktivitas berat Intensitas aktivitas sedang Intensitas aktivitas ringan

Penyakit Degeneratif : 1. Jantung 2. Kolesterol 3. Hipertensi 4. Diabetes melitus 5. Obesitas (Kegemukan)

Stroke

Kejiwaan 1. 2. 3. 4. 5. 6. 7.

Mudah takut Merasa tidak bahagia Sering menangis Merasa cemas dan tegang Tidak bersemangat Merasa tidak berharga Merasa lelah sepanjang waktu

• • • • •

usia, jenis kelamin ras, riwayat keluarga, riwayat stroke

Lain-lain 1. 2.

Berat badan Tinggi badan

Gambar 5.1. Kerangka Konsep

10

Gambar 5.1 menggambarkan kerangka konsep penelitian bahwa ada beberapa factor yang dapat mempengaruhi terjadinya penyakit stroke, meliputi uncontrollable risk factor dan controllable risk factor. Faktor usia, jenis kelamin, ras, riwayat keluarga dan riwayat stroke termasuk dalam uncontrollable risk factor. Penyakit stroke sendiri sebelumnya dipicu oleh penyakit degeneratif diantaranya Jantung, Kolesterol, Hipertensi, Diabetes Melitus dan Obesitas (kegemukan). Penyakit-penyakit pemicu ini sendiri disebabkan oleh beberapa factor utama yaitu gaya hidup, pola makan, aktifitas fisik, kejiwaan dan lain-lain. Factor gaya hidup diwakili oleh variabel kebiasaan merokok. Factor pola makan yaitu berupa konsumsi buah sayuran, konsumsi makanan beresiko dan konsumsi makanan dari tepung. Factor aktifitas fisik diantaranya intensitas aktivitas fisik yag berat, sedang dan ringan perminggu dan perharinya. Factor kejiwaan meliputi 20 variabel. Sedangkan faktor lainnya yaitu berat badan dan tinggi badan.

5.2 Definisi Operasional Variabel Tabel 5.1. Definisi Variabel No No

Faktor

Variabel

Kues.

Diabetes mellitus

B12

Hipertensi

B18

penyakit Jantung Koroner

B21

4

Penyakit Gagal Jantung

B24

5

sering menderita sakit kepala

F01

6

tidak nafsu makan

F02

sulit tidur

F03

suasana mudah takut

F04

merasa tegang, cemas, kuatir

F05

Merasa tangan gemetar

F06

pencernaan terganggu/ buruk

F07

sulit untuk berpikir jernih

F08

merasa tidak bahagia

F09

7

menangis lebih sering

F10

8

merasa sulit menikmati kegiatan sehari-hari

F11

9

sulit untuk mengambil keputusan

F12

pekerjaan sehari-hari terganggu

F13

tidak mampu melaksanakan hal-hal yang bermanfaat dalam hidup

F14

kehilangan minat pada berbagai hal

F15

1 2 3

Penyakit Degeneratif

Kejiwaan

10

11

11

merasa tidak berharga

F16

mempunyai pikiran untuk mengakhiri hidup

F17

merasa lelah sepanjang waktu

F18

mengalami rasa tidak enak di perut

F19

mudah lelah

F20

13

Merokok

G05

14

umur pertama kali merokok setiap hari

G06

umur pertama kali merokok

G07

rata-rata batang rokok yang dihisap perhari/perminggu

G08

17

umur ketika berhenti merokok

G12

18

tingkat keseringan orang lain merokok didekat pasien

G13

19

melakukan aktivitas berat terus-menerus minimal 10 menit

G16

20

tingkat melakukan aktivitas berat dalam seminggu

G17

21

lama melakukan aktivitas berat dalam sehari

G18

melakukan aktivitas sedang terus-menerus minimal 10 menit

G19

23

tingkat melakukan aktivitas sedang dalam seminggu

G20

24

lama melakukan aktivitas sedang dalam sehari

G21

25

lama melakukan aktivitas ringan dalam sehari-hari

G22

26

konsumsi buah-buahan segar dalam seminggu

G23

27

porsi rata-rata mengkonsumsi buah segar dalam satu hari

G24

konsumsi sayuran dalam seminggu

G25

porsi rata-rata mengkonsumsi sayuran dalam satu hari

G26

30

konsumsi makanan berisiko

G27

31

konsumsi makanan dari tepung terigu

G28

berat badan

K01

tinggi badan

K02

12

15 16

22

28 29

32 33

Gaya Hidup

Aktifitas Fisik

Pola Makan

Lain-lain

5.3 Disain Penelitian Desain penelitian adalah kerangka kerja yang digunakan untuk melaksanakan penelitian. Desain penelitian memberikan prosedur untuk mendapatkan informasi yang diperlukan untuk menyusun atau menyelesaikan masalah dalam penelitian. Dalam penelitian ini digunakan penelitian deskriptif dan kausal.

5.4 Tempat dan Waktu Objek penelitian ini adalah anggota rumah tangga pada usia produktif yaitu usia 15 tahun sampai 64 tahun di Indonesia. Pengisian data kuisioner pada masing-masing

12

responden dilakukan oleh Puslitbang Sistem dan Kebijakan Kesehatan, Badan Litbangkes Depatemen Kesehatan RI tahun 2013.

5.5 Populasi dan Sampel Populasi dalam penelitian ini adalah penduduk pada usia produktif (15 – 64 tahun) di seluruh Indonesia. Sedangkan sampel dalam penelitian ini adalah responden usia produktif

yang terpilih dalam riset kesehatan dasar yang dilakukan oleh Puslitbang

Sistem dan Kebijakan Kesehatan, Badan Litbangkes Depatemen Kesehatan RI tahun 2013. a. Kriteria Inklusi dan Eksklusi 1. Kriteria Inklusi : Responden usia produktif yang terpilih dalam Riskedas 2013. 2. Kriteria Eksklusi : Responden yang terpilih pada saat proses pengumpulan data menolak untuk diwawancarai. b. Besar Sampel Perhitungan besar sampel disesuaikan dengan jumlah populasi yang ada di Indonesia, sekaligus disesuaikan dengan batasan usia yang dijelaskan pada batasan masalah sebelumnya. Perhitungan besar sampel dilakukan menggunakan rumus sederhana sebagai berikut:

n

N 1  N (d 2 )

dimana : N

: besar populasi keseluruhan

n

: besar sampel keseluruhan

d

: tingkat kepercayaan atau ketepatan yang diinginkan (biasanya 0,1)

5.6 Instrumen Pengumpul Data Data yang digunakan dalam penelitian ini adalah data Riset Kesehatan Dasar (RKD) Indonesia tahun 2013 yang bersumber dari Badan Penelitian dan Pengembangan Kesehatan Depatemen Kesehatan Republik Indonesia.

5.7 Pengolahan dan Analisis Data Tahap pertama akan dilakukan analisis statistika deskriptif pada masing-masing variable untuk mendapatkan gambaran secara umum mengenai factor-faktor penyebab

13

stroke. Selanjutnya dilakukan analisis factor untuk mengetahui seberapa besar pengaruh controllable risk factors (penyakit degeneratif, pola makan, kejiwaan/stres, aktifitas fisik dan gaya hidup) terhadap resiko stroke pada usia produktif. Kemudian dilakukan analisis RSVM untuk mendapatkan model klasifikasi yang akurat untuk mengklasifikasikan seseorang rentan terkena stroke atau tidak berdasarkan controllable risk factors. Untuk lebih jelasnya dapat dilihat pada tahapan pengolahan data pada Gambar 1dibawah ini. Data usia produktif

Data penderita

Data tidak pernah stroke

stroke

Karakteristika penderita stroke

Karakteristika bukan penderita stroke

Polichoric Factor analysis untuk mengetahui

kkontribusi masing-masing factor resiko (uncontrollable dan controllable risk factors)

RSVM untuk membentuk model klasifikasi kerentanan serangan stroke

Prediksii kerentanan serangan stroke

Gambar 5.2. Tahapan penelitian

Sedangkan untuk menjawab tujuan penelitian, berikut ini adalah garis besar langkahlangkah yang akan dilakukan:

14

1. Untuk menjawab tujuan yang pertama, dilakukan analisis Polichoric Factor dengan tahapan sebagai berikut: -

Menghitung matrik korelasi Polichoric

-

Mencari nilai eigen value dan eigen vector

-

Mengestrak variabel dengan metode principal component

-

Melakukan rotasi

-

Menghitung kontribusi masing-masing factor

Output yang dihasilkan dari tahapan ini dapat dijelaskan dari table berikut: Tabel 5.2. Output Kontribusi Masing-Masing Faktor Resiko Total Variance Explained Initial Eigenvalues Component Kejiwaan

Total

% of Variance Cumulative %

…

Extraction Sums of Squared Loadings Total % of Variance Cumulative %

...

Gaya hidup Aktifitas fisik Pola makan Degenerative controllable Extraction Method: Principal Component Analysis.

2. Untuk menjawab tujuan kedua, yaitu mendapatkan model klasifikasi menggunakan RSVM, dilakukan tahapan sebagai berikut: -

Memilih parameter yang optimal

-

memilih subset data secara random

-

menyelesaikan fungsi objectif model RSVM menggunakan algorima Newton Armidjo

-

menentukan fungsi hiperplane\

-

melakukan prediksi

15

BAB VI HASIL DAN PEMBAHASAN

6.1 Statistika Deskriptif Sebelum menjelaskan analisis menggunakan metode Polychoric Factor Analysis dan Reduced Support Vector Machine (RSVM), terlebih dahulu dilakukan analisis statistika deskriptif. Analisis ini dilakukan untuk men-screening data yang telah didapatkan berdasarkan kuisioner Riskesdas. Hasil pengumpulan data ditampilkan pada Gambar 6.1 berikut :

800000 600000 400000 200000 0

661.766 3.780

Stroke

Tidak stroke

Gambar 6.1. Hasil Pengumpulan Data Penderita Stroke dan Tidak Usia 15-64 tahun di Indonesia

Gambar 6.1 menunjukkan bahwa pada masyarakat di Indonesia yang berusia 15-64 tahun, 3.780 orang di antaranya menderita stroke dan 661.766 orang tidak menderita stroke. Gambar 6.2 menunjukkan bahwa 50,82% dari 3.780 orang yang stroke, atau sekitar 1.921 orang adalah laki-laki, sedangkan sisanya sebanyak 49.18% atau 1.859 orang adalah perempuan.

Gambar 6.2. Jenis Kelamin Penderita Stroke Usia 15-64 tahun di Indonesia

16

Gambar 6.3 menunjukkan karakteristik perokok atau tidaknya orang yang menderia stroke selama 1 bulan terakhir. Kebanyakan orang yang stroke sudah berhenti merokok selama 1 bulan terakhir, yaitu sebesar 60,45% atau sekitar 2.285 orang.

Gambar 6.3. Kondisi Merokok atau Tidaknya Penderita Stroke Selama 1 Bulan Terakhir

Gambar 6.4 menunjukkan apakah penderita stroke juga menderita kencing manis ataukah tidak. Hasil yang didapatkan adalah 13,54% penderita stroke juga menderita kencing manis, sedangkan sisanya 86,46% tidak.

Gambar 6.4. Kondisi Menderita Kencing Manis atau Tidaknya Penderita Stroke

Gambar 6.5 menunjukkan apakah penderita stroke juga menderita hipertensi ataukah tidak. Hasil yang didapatkan adalah 28,12% penderita stroke juga menderita hipertensi, sedangkan sisanya 71,86% tidak.

17

Gambar 6.5. Kondisi Menderita Hipertensi atau Tidaknya Penderita Stroke

Gambar 6.6 menunjukkan apakah penderita stroke juga menderita jantung koroner ataukah tidak. Hasil yang didapatkan adalah 5,42% penderita stroke juga menderita jantung koroner, sedangkan sisanya 94,58% tidak.

Gambar 6.6. Kondisi Menderita Jantung Koroner atau Tidaknya Penderita Stroke

6.2 Polychoric Factor Analysis Analisis selanjutnya yang dilakukan adalah Polychoric Factor Analysis. Analisis ini dilakukan untuk mereduksi variabel-variabel (variabel yang digunakan sesuai dengan Tabel 5.1, mengenai definisi variabel) yang dianggap berpengaruh terhadap stroke menjadi beberapa faktor. Analisis ini dilakukan menggunakan software STATA. Hasil awal analisis ditampilkan pada Tabel 6.1 sebagai berikut :

18

Tabel 6.1. Pemilihan Faktor yang Berpengaruh Factor analysis/correlation Method: principal factors Rotation: (unrotated)

Number of obs = Retained factors = Number of params =

3780 5 135

Factor

Eigenvalue

Difference

Proportion

Cumulative

Factor1 Factor2 Factor3 Factor4 Factor5 Factor6 Factor7 Factor8 Factor9 Factor10 Factor11 Factor12 Factor13 Factor14 Factor15 Factor16 Factor17 Factor18 Factor19 Factor20 Factor21 Factor22 Factor23 Factor24 Factor25 Factor26 Factor27 Factor28 Factor29

3.57441 2.29010 1.80667 1.26691 0.89381 0.63773 0.61634 0.51398 0.42071 0.34003 0.27383 0.22414 0.16690 0.13060 0.09878 0.05670 0.00549 -0.04685 -0.05283 -0.06153 -0.09395 -0.11150 -0.14585 -0.15735 -0.18584 -0.20818 -0.22457 -0.24019 -0.31306

1.28431 0.48342 0.53976 0.37310 0.25608 0.02139 0.10235 0.09327 0.08068 0.06620 0.04968 0.05724 0.03630 0.03182 0.04208 0.05121 0.05233 0.00598 0.00871 0.03242 0.01756 0.03435 0.01150 0.02848 0.02235 0.01639 0.01562 0.07287 .

0.3115 0.1996 0.1574 0.1104 0.0779 0.0556 0.0537 0.0448 0.0367 0.0296 0.0239 0.0195 0.0145 0.0114 0.0086 0.0049 0.0005 -0.0041 -0.0046 -0.0054 -0.0082 -0.0097 -0.0127 -0.0137 -0.0162 -0.0181 -0.0196 -0.0209 -0.0273

0.3115 0.5110 0.6685 0.7789 0.8568 0.9124 0.9661 1.0109 1.0475 1.0771 1.1010 1.1205 1.1351 1.1465 1.1551 1.1600 1.1605 1.1564 1.1518 1.1464 1.1383 1.1285 1.1158 1.1021 1.0859 1.0678 1.0482 1.0273 1.0000

Tabel 6.1 menunjukkan bahwa dari 29 faktor, yang terpilih adalah Faktor 1 sampai Faktor 5 (5 faktor yang diberi kotak merah). Dasar pemilihan faktor-faktor tersebut adalah dari eigenvalue. Faktor dengan eigenvalue yang lebih dari 1 atau yang paling mendekati 1 adalah yang dipilih. Berdasarkan Tabel 6.1, batas akhir factor yang terpilih adalah faktor 5, dengan eigenvalue 0,89381, sedangkan faktor 1 sampai 4, eigenvaluenya sudah melebihi 1, maka sudah otomatis terpilih. Dengan 5 faktor, yaitu faktor 1 sampai 5, dapat menjelaskan variabilitas data sebesar 85,68% (kotak biru). Tabel 6.1 ini belum bisa menjelaskan variabel apa saja yang masuk ke dalam 5 faktor. Tabel 6.2 menunjukkan hasil Polychoric Factor Analysis dari 5 faktor yang terpilih saja. Dari proportion, dapat diketahui berapa besar kontribusi tiap faktor terhadap terjadinya stroke, sedangkan cumulative menjelaskan berapa besar kontribusi faktor-faktor terhadap terjadinya stroke. Berdasarkan Tabel 6.2, faktor 1 berkontribusi sebesar 0,2353 atau 23,53% terhadap terjadinya stroke (proportion), sedangkan faktor 1 dan 2 berkontribusi sebesar 0,4689 atau 46,89% terhadap terjadinya stroke (cumulative), dan seterusnya.

19

Tabel 6.2. Polychoric Factor Analysis terhadap 5 Faktor Terpilih

Factor analysis/correlation Method: principal factors Rotation: orthogonal varimax (Kaiser on)

Number of obs = Retained factors = Number of params =

3780 5 135

Factor

Variance

Difference

Proportion

Cumulative

Factor1 Factor2 Factor3 Factor4 Factor5

2.70036 2.68036 1.71666 1.59281 1.14172

0.02000 0.96370 0.12385 0.45108 .

0.2353 0.2336 0.1496 0.1388 0.0995

0.2353 0.4689 0.6185 0.7573 0.8568

LR test: independent vs. saturated: chi2(406) = 3.5e+04 Prob>chi2 = 0.0000

Tabel 6.3 menjelaskan variabel mana saja yang masuk ke dalam faktor 1 sampai 5. Pemilihan variabel didasarkan pada nilai loading faktor terbesar untuk masing-masing variabel terletak di faktor 1, faktor 2, faktor 3, faktor 4 ataukah faktor 5. Misal, untuk variabel diabet, nilai loading faktor terbesar terdapat pada faktor 5, sehingga diabet masuk ke faktor 5. Tanda positif atau negatif tidak perlu diperhatikan, tanda tersebut menunjukkan bahwa kontribusi variabel tersebut berpengaruh sebaliknya. Misal, untuk variabel buah, nilai tertinggi ada pada faktor 3, yaitu 0,4963, tanda negatif pada nilai tersebut menunjukkan bahwa jika konsumsi buah kurang (tanda negatif), maka resiko untuk terkena stroke lebih tinggi. Nilai-nilai loading faktor yang terpilih pada Tabel 6.3 (kotak merak pada tabel) menunjukkan variabel tersebut masuk ke faktor mana. Variabel sex, umur dan pendidikan merukan uncontrollable factor, sehingga tidak perlu dikelompokkan ke faktor mana. Faktor 1 sampai 5 dapat diberi nama sebagai berikut sesuai dengan variabel yang masuk ke dalamnya : Faktor 1 : Pola makan (gorengan, msg, kalengan dan lain-lain) Faktor 2 : Gaya Hidup Faktor 3 : Pola makan (buah, sayur) Faktor 4 : Emosi dan aktivitas fisik Faktor 5 : Penyakit degeneratif

20

Tabel 6.3. Pemilihan Variabel untuk 5 Faktor Terpilih

Variable

Factor1

Factor2

Factor3

Factor4

Factor5

sex umur pendidikan diabet hipertensi jantung g_jatung emosi merokok fisik_berat fisik_sedang duduk duduk_s buah sayur manis asin gorengan m_dibakar m_pengawet msg kopi kafein mie mie_b roti biskuit bb_1 tb_1

0.0480 0.1366 0.1201 -0.1914 -0.1031 0.0296 0.0639 0.0662 0.2763 0.2673 0.2145 0.1188 -0.0060 0.0240 0.0165 0.3838 0.4979 0.4371 0.3477 0.4144 0.3178 0.4863 0.4883 0.5871 0.5781 0.3560 0.3678 0.0389 0.0499

0.9859 -0.0375 -0.2648 -0.0551 -0.1291 0.0121 0.0571 0.0707 0.8279 0.2165 -0.0925 0.0347 -0.0151 -0.0217 0.0297 0.0781 0.0459 -0.0794 0.0051 0.0187 -0.0389 0.2931 0.1669 0.0018 -0.0029 -0.0393 -0.0659 -0.3311 -0.7870

0.0188 -0.0057 -0.5280 0.1827 0.0615 0.1204 -0.0461 0.2380 -0.1773 -0.1173 0.0929 0.0424 0.0034 -0.4963 -0.2375 0.0063 -0.0612 -0.0663 0.2287 0.1403 -0.1051 -0.1658 0.0382 0.0473 0.1982 0.5941 0.5819 -0.2835 -0.1873

0.0077 0.1955 -0.1433 -0.0740 -0.0399 -0.0067 -0.0459 0.4761 0.0356 0.5671 0.7127 0.4465 -0.1453 -0.0988 -0.1583 0.0382 0.1389 0.1389 0.0445 0.0597 0.0686 0.1733 0.0041 0.0812 0.0365 -0.2207 -0.2414 -0.1232 -0.0398

-0.0444 -0.2062 -0.0754 0.3618 0.2599 0.6435 0.5384 -0.2002 -0.0216 -0.1124 -0.0725 -0.0650 -0.0181 -0.1302 -0.0739 -0.0447 -0.0223 0.0771 0.0189 -0.0395 0.0187 -0.1642 -0.2032 -0.0915 -0.0410 -0.0389 -0.0287 -0.0862 0.0709

Uniqueness 0.0234 0.8992 0.6105 0.7906 0.8998 0.5703 0.6986 0.6672 0.2050 0.5337 0.4236 0.7793 0.9783 0.7259 0.9119 0.8431 0.7265 0.7730 0.8244 0.8031 0.8814 0.5931 0.6910 0.6381 0.6235 0.4686 0.4627 0.7858 0.3365

6.3 Reduced Support Vector Machine (RSVM) Analisis RSVM digunakan untuk mendapatkan model klasifikasi yang akurat untuk mengklasifikasikan seseorang rentan terkena stroke atau tidak berdasarkan controllable risk factors. Dikarenakan jumlah data yangterlalu besar, maka untuk analisis ini digunakan sampling untuk pengambilan data sebeleum diolah. Hasil pengolahan data terdapat di Lampiran 1. Berdasarkan

hasil

analisis

dengan

menggunakan

metode

RSVM

dengan

menggunakan variabel controllable risk factors, diperoleh ketepatan klasifikasi (dengan menggunakan variabel-variabel yang diperoleh pada Polychoric Factor Analysis) sebesar 64,44%. Artinya pasien terklasifikasi dengan tepat baik pasien yang terkena stroke maupun pasien yang tidak terkena stroke adalah sebesar 64,44%. Sedangkan untuk fungsi keputusan pada pengamatan baru adalah sebagai berikut, fˆ ( x)  sign(x ' w   )  sign(u ' D 'K(A, A ')w   )

21

BAB VII KESIMPULAN DAN SARAN

7.1 Kesimpulan Berdasarkan hasil analisis yang telah dilakukan, diperoleh kesimpulan sebagai berikut : 1. Polychoric Factor Analysis yang telah dilakukan menghasilkan faktor-faktor yang berkontribusi terhadap terjadinya stroke, antara lain sebagai berikut : Faktor 1 : Pola makan (gorengan, msg, kalengan dan lain-lain), dengan kontribusi sebesar 23,53% Faktor 2 : Gaya Hidup, dengan kontribusi sebesar 23,36% Faktor 3 : Pola makan (buah, sayur), dengan kontribusi sebesar 14,96% Faktor 4 : Emosi dan aktivitas fisik, dengan kontribusi sebesar 13,88% Faktor 5 : Penyakit degeneratif, dengan kontribusi sebesar 9,95% Jika semua faktor digabung, maka kontribusi kelima faktor tersebut terhadap terjadinya stroke adalah sebesar 85,68% 2. Analisis Reduced Support Vector Machine (RSVM) yang telah dilakukan menghasilkan bahwa pasien terklasifikasi dengan tepat baik pasien yang terkena stroke maupun pasien yang tidak terkena stroke adalah sebesar 64,44%. Sedangkan untuk fungsi keputusan pada pengamatan baru adalah : fˆ ( x)  sign(x ' w   )  sign(u ' D 'K(A, A ')w   )

7.2 Saran Saran yang dapat diberikan berdasarkan penelitian kali ini adalah data yang digunakan bisa tersedia dengan baik dan tepat waktu, sehingga analisis yang dilakukan bisa sesuai dan tepat sasaran.

22

UCAPAN TERIMA KASIH

Peneliti mengucapkan terima kasih kepada Penyandang Dana yaitu Badan Badan Penelitian dan Pengembangan Kesehatan Kementerian Kesehatan Republik Indonesia dan seluruh panitia analisis lanjut 2014 yang telah memberi kepercayaan kepada peneliti untuk melakukan analisis lanjut ini. Semoga penelitian ini bermanfaat untuk semua.

23

DAFTAR KEPUSTAKAAN

Ariesen MJ, Claus SP, Rinkel GJ, Algra A. (2003). Risk Factors For Intracerebral Hemorrhage In The General Population: A Systematic Review. Stroke. 2003;34:2060–2065. Baillargeon JP, McClish DK, Essah PA, Nestler JE. (2005). Association Between The Current Use Of Low-Dose Oral Contraceptives And Cardiovascular Arterial Disease: A Meta-Analysis. J Clin Endocrinol Metab. 2005;90:3863–3870. Bustan, M.N. (2007). Epidemiologi Penyakit Tidak Menular. Rineka Cipta : Jakarta. Cliff, N., Kyats, J.A. (2005). Ordinal Measurement In The Behavioural Sciences. Lawrence Erlbaum, New Jersey. Chobanian AV, Bakris GL, Black HR, Cushman WC, Green LA, Izzo JL Jr., Jones DW, Materson BJ, Oparil S, Wright JT Jr., Roccella EJ. (2003). The Seventh Report Of The Joint National Committee On Prevention, Detection, Evaluation, And Treatment Of High Blood Pressure: The JNC 7 Report. JAMA. 2003;289:2560–2572. Debette Stephanie et. al. (2011). Association of Vascular Risk Factor With Cervical Artery Dissection and Ishchemic Stroke in Young Adults. American Heart Association : (http://circ.ahajournals.org/content/ 123/14/1537). Diakses Tanggal 10 Oktober 2012. Departemen Kesehatan Republik Indonesia. (2007). Laporan Hasil Riset Kesehatan Dasar. Departemen Kesehatan Republik Indonesia. (2013). Laporan Hasil Riset Kesehatan Dasar. Göb, R., McCollin, C.H., Ramalhoto, M.F. (2007). Ordinal methodology in the analysis of Likert scales Quality & Quantity (M.F.) Holgado, F.B., Chacon, S.T, Barbero, M.I., Vila, G.E,(2010). Polychoric versus Pearsoncorrelations in exploratoryand confirmatory factor analysis of ordinal variables, Quality Quantity 44:153-166 Kampen, J., Swyngedouw, M. (2008). The Ordinal Controversy Revisited. Qual. Quant.34, 87–102. Kittner SJ, Stern BJ, Feeser BR, Hebel R, Nagey DA, Buchholz DW, Earley CJ, Johnson CJ, Macko RF, Sloan MA, Wityk RJ, Wozniak MA. (1996). Pregnancy And The Risk Of Stroke. N Engl J Med. 1996; 335: 768–774. Kissela B, Schneider A, Kleindorfer D, Khoury J, Miller R, Alwell K, Woo D, Szaflarski J, Gebel J, Moomaw C, Pancioli A, Jauch E, Shukla R, Broderick J. (2004). Stroke In A Biracial Population: The Excess Burden Of Stroke Among Blacks. Stroke. 2004; 35: 426–431. Larry B. Goldstein et.al. (2010). Guidelines for the Primary Prevention of Stroke. Published online before print December 2, 2010. (Download from http://stroke.ahajournals.org/content/42/2/517.full.pdf+html) Lewington S, Clarke R, Qizilbash N, Peto R, Collins R. (2002). Age-Specific Relevance Of Usual Blood Pressure To Vascular Mortality: A Meta-Analysis Of Individual Data For One Million Adults In 61 Prospective Studies. Lancet. 2002;360:1903–1913. Lipska, K et. al. (2007). Risk factors for acute ischaemic stroke in young adults in South India. J Neurol Neurosurg Psychiatry 2007; 78: 959–963. (Downloaded from jnnp.bmj.com on October 10, 2012 Published by group.bmj.com) Nightingale, L. Alison. et. al. (2004). Ischemic Stroke in Young Women A Nested Case– Control Study Using the UK General Practice Research Database. Journal Of The American Stroke Association. (http://stroke.ahajournals.org/content/35/7/1574). Diakses Tanggal 18 November 2012.

24

Pleis JR, Lethbridge-Cejku M. (2006). Summary Health Statistics For U.S. Adults. National Health Interview Survey, 2006. Vital Health Stat. 10. 2007:1–153. Rubattu S, Stanzione R, Gigante B, Bagalino A, Musumeci B, Volpe M. (2001). Genetic Susceptibility To Cerebrovascular Accidents. J Cardiovasc Pharmacol. 2001;38(suppl 2):S71–S74. Sitorus, J. Rico. et. al. (2008). Faktor-Faktor Risiko Yang Mempengaruhi Kejadian Stroke Pada Usia Muda Kurang Dari 40 Tahun Di Rumah Sakit Di Kota Semarang. (http://eprints.undip.ac.id/6482/1/Rico_Januar_Sitorus.pdf) Diakses pada 30 September 2011. Touze E, Rothwell PM. (2008). Sex Differences In Heritability Of Ischemic Stroke: A Systematic Review And Meta-Analysis. Stroke. 2008;39:16–23. Turner ST, Boerwinkle E. (2003). Genetics Of Blood Pressure, Hypertensive Complications, And Antihypertensive Drug Responses. Pharmacogenomics. 2003;4:53–65. Viveca, M, Bhat, MD. et.al. 2008. Dose-Response Relationship Between Cigarette Smoking and Risk of Ischemic Stroke in Young Women. Journal Of The American Stroke Association (http://stroke. ahajournals.org/.Stroke-2008-Bhat2439-43.pdf) Diakses tanggal 10 oktober 2012. World Health Center (WHO). (2004). The Atlas of Heart Disease and Stroke. US Centers for Disease Control and Prevention (CDC) : United States. Y.J. Lee, O. L. Mangasarian. (2000). RSVM: Reduced support vector machines. Technical Report 00-07, Data Mining Institute, Computer Sciences Department, University of Wisconsin, Madison, Wisconsin, July 2000. Proceedings of the First SIAM International Conference on Data Mining, Chicago, April 5-7, 2001, CD-ROM Proceedings. ftp://ftp.cs.wisc.edu/pub/dmi/tech-reports/00-07.ps. Zahuranec DB, Brown DL, Lisabeth LD, Gonzales NR, Longwell PJ, Eden SV, Smith MA, Garcia NM, Morgenstern LB. (2006). Differences In Intracerebral Hemorrhage Between Mexican Americans And Non-Hispanic Whites. Neurology. 2006;66:30–34.

25

LAMPIRAN I HASIL PENGOLAHAN DATA DENGAN METODE REDUCED SUPPORT VECTOR MACHINE (RSVM)

Result = TErr: 5.8975e-004 VErr: 6.1608e-004 Best_C: 3.1623e+003 Best_Gamma: 1.4179e-004 Elapse: 1.8883e+004 Points: [21x2 double] Ratio: 0.0100

modelsatu = Err: [1x1 struct] params: [1x1 struct] w: [664x1 double] b: 5.4005 RS: [664x32 double] Space: 'dual' ans = 47.3091 40.9551 21.6467 -4.7745 2.4829 -2.4780 3.8976 -1.5319 2.8618 -1.8708 -0.5641

-0.3577 5.5460 1.4237 -3.4797 1.8934 1.1300 -0.4538 -0.0057 -2.6640 -1.0899 -0.6711 -1.5044 1.2917 13.2120 3.5049 -0.8414 -2.6973 5.3177 6.0242 -5.3419 -2.5677 -2.8729 11.9234 -2.0346 -5.2201 -0.3897 -3.1858 -3.1302 1.8954

-3.6977 -1.4386 -3.8900 0.6637 -3.3391 2.1152 1.4072 4.4881 4.5379 -7.3186 0.9425 -2.4865 5.7684 2.5304 -1.5896 7.9605 -6.6211 3.9338 -2.1729 -4.1518 2.7987 2.2919 8.2446 -1.6552 -5.0862 9.2455 -0.3404 -2.2138 -4.7738

-3.1069 -5.4014 -5.2852 -1.8579 3.5211 -4.8777 11.7139 -2.2780 -3.6628 -2.5259 4.0587 -0.1411 -2.7077 8.4269 3.3858 -4.1223 -7.9444 -4.2960 -5.9262 -4.7170 1.0249 -1.4193 -3.9562 2.4783 -0.2738 0.2253 2.2401 -3.3608 -0.0592

11.3024 17.5616 -2.8125 -2.8309 2.9017 6.6025 1.4611 -1.7758 1.5964 3.1458 11.1553 0.3996 -1.2854 3.4061 -1.7928 0.9407 1.8632 -0.0333 -3.9279 -1.5901 -1.3953 10.3048 -2.2215 -2.5470 4.5843 2.5927 0.3226 -7.4430 -0.6487

26

2.1533 -0.0583 1.4124 -8.4570 -3.7721 0.9739 -4.0307 -0.3404 12.5591 18.2751 1.7070 -3.7902 -4.0525 -4.0670 -3.2607 -2.0463 3.4894 -0.3384 0.6145 -3.9065 -0.0167 3.7536 -3.5461 -0.9786 1.8174 -1.5019 -1.6225 -1.1919 -0.9230 -4.2651 0.7566 9.5519 11.2340 10.3151 5.1602 -0.0269 -4.8109 -1.9064 3.5652 7.6262 2.7979 -2.6935 -2.1875 0.8473 -8.9884 2.6216 3.2819 3.6350

-2.9562 -2.3262 2.1133 8.2510 -5.5966 13.3238 -3.8436 -5.3705 7.6202 -1.8071 3.7415 0.4554 -10.5506 -4.8762 9.1219 3.8225 3.4107 -2.5693 3.0183 0.1830 -3.9712 -2.9445 7.6791 -1.4538 -6.1755 -1.4559 0.6182 0.3406 -1.4170 -2.9385 -1.5952 -3.2620 0.9644 -4.0644 -1.9344 -2.1342 7.6618 4.0118 -3.3960 -2.1013 3.7153 4.4463 -1.6000 2.5750 -3.1670 -3.3905 -7.1865 3.7173

-8.5783 14.9795 7.7493 -2.7899 -2.9180 -0.6187 -1.2217 -0.2349 -2.9191 -4.4625 -1.1972 -0.4871 -3.3641 -1.2352 -2.2027 -5.1543 -3.1395 -2.0561 -7.9928 -6.1513 -8.5748 1.6607 -7.2567 0.0778 2.3877 -5.0183 4.3218 1.6424 3.2636 -1.7457 0.9234 4.6103 9.4838 -0.7924 7.5847 -0.1728 3.1532 -0.6424 -0.1440 -10.8418 -16.0159 2.5221 -3.8259 -1.8411 6.4162 -6.0967 -5.3024 0.1270

0.3995 -2.5723 -1.1488 -5.1566 2.7054 -0.0914 7.3319 0.0327 -8.1787 -3.5878 4.0992 -5.4027 14.4617 3.2700 5.2267 -5.8330 -4.9789 -5.6767 1.9021 0.3640 -0.1586 -2.8938 -4.1186 0.8938 2.7894 -1.9614 -1.9382 0.1026 -2.5758 4.0935 1.7871 -7.2056 -1.2190 -0.1553 -7.0912 -7.0083 7.0381 -5.0272 -2.9252 -1.0264 -3.1008 -6.8997 -5.0428 -2.3243 2.0681 5.3343 -2.3241 -0.8180

-2.2780 4.6427 -1.8453 1.9485 -5.5303 -3.9022 11.0506 9.5549 -1.0161 -0.3275 10.5610 2.7203 1.9706 2.3953 2.6968 1.0578 4.4867 0.2104 8.6329 -1.3975 0.0959 -7.0368 -0.2932 2.4913 -5.4591 -3.2508 2.4702 0.3854 -5.2706 -0.2908 -6.6464 6.2360 -2.8199 6.9316 1.3468 -1.9215 1.0704 4.8971 -8.9204 8.4552 -0.8388 -3.3000 -2.7331 0.3738 0.9274 3.4041 11.1164 -2.4363 27

-3.3415 1.3010 -0.6574 4.8577 -2.0881 -1.9397 -4.1716 -2.4760 1.1019 12.7462 3.0412 -0.4969 -0.5473 -5.2997 -3.1157 -7.1461 3.5896 -3.4406 2.0684 6.9215 6.9884 -5.4585 -1.7460 12.0467 -2.3164 -3.1477 2.7830 0.0819 -1.2880 -5.0864 2.4557 0.7719 -0.6830 1.3524 -2.4773 1.6059 -0.8469 -1.1847 0.3331 -2.5769 -2.6865 -2.2099 -0.4005 8.8179 0.7155 -4.1263 -3.9185 -2.7895

2.9661 -8.8704 10.8436 0.5156 5.0848 -4.6708 7.9043 10.4370 -4.1384 2.3068 -5.2225 4.3732 -0.4120 -5.3199 2.9514 -3.8591 -4.3926 7.2348 -1.2599 -7.2528 0.3447 -1.7655 -5.7632 0.7657 7.3215 -13.4392 2.4341 5.0086 -2.3802 0.6709 -6.3560 -3.5906 -2.0135 1.8052 2.4038 5.1376 -1.0848 -2.9117 6.1121 -1.5875 -4.4882 -4.1433 4.8990 3.5510 4.2306 16.4726 -1.2771 -6.3354

-6.6350 -5.5186 4.1100 -1.9787 1.8443 -1.9309 -1.6512 1.6580 -4.5605 -4.1344 -1.9347 -2.2456 -2.7784 4.2586 -0.2741 -4.5170 -6.7160 7.7733 -2.4915 -4.1791 2.8801 3.2201 16.9213 -1.4215 -1.1421 1.7290 0.5998 1.2609 -3.0999 -7.5957 1.6897 9.1297 -0.0935 -3.1649 -1.4076 -1.0231 -2.0108 3.1826 -0.2508 -4.4654 2.4867 -0.5419 -4.1559 3.5361 -0.0325 -4.1930 -1.8016 4.4322

8.2069 4.6806 -8.2766 16.3815 -4.4733 -4.6290 2.3374 -2.7249 4.7211 -2.1520 -0.3759 0.7986 -0.4914 -1.7104 6.4231 -1.8376 1.9708 -3.3123 3.0992 -0.1762 -4.1798 -2.4217 -0.7127 -1.7349 2.1402 10.5581 -6.9938 2.2445 -0.1537 -1.2158 -1.0671 -1.3846 7.1027 3.1828 1.0026 13.5078 -2.0895 10.5474 -2.0915 1.8770 -3.3616 0.1878 0.5175 -2.3953 7.6299 -2.0541 -1.9916 -7.2954

4.6458 -5.7251 -6.8508 -3.1373 0.0119 2.5193 -0.9916 -0.5372 -1.8628 -5.9956 -3.2799 7.0453 6.1869 16.3969 2.3125 -0.1226 7.5721 -1.2632 -7.6054 -3.2599 1.7256 2.3802 -3.6713 -2.5910 -4.9412 -2.8335 0.6312 -3.8248 -3.8893 -2.6894 -2.9750 -4.7391 -8.8000 0.0683 4.8023 -6.0323 -5.8939 0.3706 1.9512 2.9919 -3.5704 -8.9066 -6.4778 -1.8184 13.0449 -7.5871 7.9116 -5.5233 28

-2.4290 1.3001 -6.3865 -6.2165 4.9865 7.8433 0.2106 -2.3908 -8.5858 -1.7099 24.2131 -5.0537 -3.7047 2.7766 2.2793 4.5624 -2.7823 3.9040 9.1648 -1.9451 -10.1707 -1.9965 -0.9788 -3.5464 -3.2880 0.5779 -6.1342 5.0149

-2.5969 -0.2832 -1.3157 -8.4721 -0.5981 2.0572 -2.5412 -0.8883 3.2003 -1.6637 -0.2219 -4.9982 -4.7339 2.9262 -5.1840 -1.4011 1.5794 -5.8883 -1.7466 -1.6580 -2.4476 1.0852 -0.2649 -3.0808 -12.2351 0.5028 -2.5439 -4.5092

-1.9069

PredictedLabel = 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 29

1 1 1 1 1 1 1 1 -1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 -1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 -1 1 1 -1 1 1 1 1 1 30

1 1 1 1 1 1 1 1 1 1 -1 1 1 -1 1 1 1 1 1 1 1 1 1 1 1 1

ErrRate = 0.3556

accuracy = 0.6444

31

LAMPIRAN II. BIODATA KETUA PELAKSANA DAN PENELITI Ketua Pelaksana Penelitian a. Nama Lengkap : Santi Wulan Purnami, M.Si., PhD b. Jenis Kelamin : Perempuan c. Bidang Keahlian : Statistika Lingkungan d. Fakultas/Jurusan : Fakultas MIPA / Jurusan Statistika e. Alamat rumah dan no. telp : Perum ITS Blok U Jl. T. Komputer II/65 Surabaya f. Riwayat penelitian/pengabdian : 2014 : Reduced Support Vector Machine berbasis clustering untuk klasifikasi data berukuran besar (Anggota) 2014 : Early Detection of Cervical Cancer Using Spline Smooth Support Vector Machine Extended (Ketua) 2013 : Early Detection of Cervical Cancer Using Spline Smooth Support Vector Machine (Ketua) 2012 : Analisis Diagnosis dan Prognosis Kanker Payudara Menggunakan Machine Learning dan Survival Analysis (Ketua) 2011

: Pengembangan teknologi hybrid floating concrete untuk breakwater dan budidaya ikan (Anggota)

2008

: Applying Data Mining Technique to Classify Breast Cancer Diagnosis Using Smooth Support Vector Machine (Ketua)

2005

: Studi Pertumbuhan Anak Balita menggunakan Regresi Nonparametrik (Ketua)

2000

: Penggunaan Metode Log Linier sebagai metode Lanjutan dalam meneliti Profil Mahasiswa FMIPA ITS 1997 (Ketua) :

g. Publikasi 2012

2011

2011

2010

: Breast Cancer Diagnosis using Smooth Support Vector Machine and Multivariate Adaptive Regression splines, International Conference on Mathematics, Statistics, and Its Applications (ICMSA2012), Bali Indonesia, ISBN: 978-979-96152-7-5, 2012 : Reduced Support Vector Machine Based on k-Mode Clustering for Classification Large Categorical Dataset, Communications in Computer and Information Science series 180,2011, LNCS, pp. 694–702, Springer, Heidelberg : An Alternative Algorithm for Classification Large Categorical Dataset: KMode Clustering Reduced Support Vector Machine (International Journal of Database Theory and Application, Vol. 4, No. 1, pp. 19-29) : A New Expert System for Diabetes Disease Diagnosis Using Modified Spline Smooth Support Vector Machine, Computational Science and Its Applications-ICCSA 2010, Fukuoka-Japan, Part IV, Lecture Note in

32

Computer Science 6019, pp.83-92, ISBN 978-3-642-12188-3, Springer, Heidelberg. 2010

:Data Mining Technique for Medical Diagnosis Using a New Smooth Support Vector Machine, F. Zavoral et al. (eds): NDT 2010, Part II, CCIS 88, LNCS, pp. 15-27, Springer, Heidelberg

2009

: A New Smooth Support Vector Machine and Its Applications in Diabetes Disease Diagnosis (Journal of Computer Science. 5(12): 1006-1011) : Application of Data Mining Technique using Best Polynomial Smooth Support Vector Machine in Breast Cancer Diagnosis”, International Conference on Robotics, Vision, Signal Processing and Power Applications(Rovisp 2009) : Comparison of Smoothing Functions in Smooth Support Vector Machine”, International Conference of Software Engineering & Computer Systems 2009 (ICSECS’09) : Study on Reduced Support Vector Machines (RSVM) and its applications in ozone level detection”, International Graduate Conference in Engineering and Science (IGCES) : Feature selection and classification Of breast cancer diagnosis based On Support Vector Machines”, The 3rd International Symposium on Information Technology (ITSIM08) : Smooth Support Vector Machine for Breast Cancer Classification”, The 4th IMT-GT 2008 Conference on Mathematics, Statistics, and Their Applications (ICMSA08) : Support Vector Machine: A Novel Technique of Data Mining Tasks for Classification”, National Conference on Software Engineering & Computer System (NaCSES) : Penggunaan Regresi Nonparametrik dengan penghalus Kernel Untuk Estimasi Fungsi Pertumbuhan Balita, Seminar Nasional VII : Uji Kesamaan Fungsi Regresi Nonparametrik, Seminar Nasional dan Matematika VI ITS, 2003

2009

2009

2008

2008

2008

2007

2006 2003

Anggota Tim Peneliti I a. Nama Lengkap : Ir.Sri Pingit Wulandari, M.Si b. Jenis Kelamin : Perempuan c. Bidang Keahlian : Statistika Lingkungan d. Fakultas/Jurusan : Fakultas MIPA / Jurusan Statistika e. Alamat rumah dan no. telp : Jl. Teknik Industri D-25 ITS Surabaya f. Riwayat penelitian/pengabdian :

33

2011

: Penelitian Pengembangan Institusi PUM (Program Unggulan Mandiri) ITS 2011 : Studi Korelasi antara Tes Potensi Akademik dan TOEFL dengan Indeks Prestasi Semester (IPS) Tahap Persiapan Mahasiswa ITS

2011

: Hibah Penelitian Pengembangan Jurusan Statistika FMIPA Tahun 2011 :Pemodelan Kabupaten / Kota Berdasarkan Tingkat Perkembangan Industrialisasi di Jawa Timur dengan Menggunakan Metode Principal Component Analysis (PCA) dan Geographically Weighted Regress

2011

: Hibah Penelitian Pengembangan Jurusan Statistika FMIPA Tahun 2011 : Perbandingan Model Geographically Weighted Poisson Regression Semiparametric dan Model Geographically Weighted Generalized Poisson Regression Semi-parametric

2011

: Penelitian Dasar Keilmuan 2011 :Deteksi Dini Risiko Kredit di Bank X Surabaya Melalui Rating Transition Stochastic Matrix Dan Value At Risk Kredit Dengan Memperhatikan Perubahan Ekonomi Makro

2011

: Penelitian Pengembangan Institusi PUM ITS 2011: Studi Tingkat Partisipasi Implementasi Instrumen Penjaminan Mutu ITS

2009

: Pengukuran beban kerja pegawai ITS, 2009

2009

: Model linier respon diskrit pada tingkat kematian bayi, indeks pembangunan manusia, HIV/AIDS serta morbiditas, 2009

2008

: Pengembangan Model Keputusan Preferensi Konsumen Dalam Pemilihan Konsep Produk Kosmetik Bedak Berbasis Conjoint Analysis Penelitian Produktif Lemlit ITS, 2008

2008

: Analisis Data Kualitatif untuk Melihat Kecenderungan Rencana Pendidikan Siswa SD, SMP dan SMA (Studi Kasus Kabupaten Situbondo, Jawa Timur) , Research Grant Program Hibah Kompetisi (PHK) A3 Jurusan Statistika-FMIPA ITS, 2008

2008

: Pembuatan Tabel Input Output Kab.Jombang tahun 2008, kerjasama PemKab Jombang dengan Lemlit ITS, 2008

2008

: Tim Studi Kebijakan Integrated Quality Assurance Governance System ITS, Policy Study 2007

2008

: Kepuasan Pasien Program Askeskin (Asuransi Kesehatan Masyarakat Miskin) dan Pasien Non Program Askeskin terhadap Kualitas Pelayanan Rawat Inap Rumah Sakit Daerah Dr.Soetomo Surabaya, Research Grant Program Hibah Kompetisi (PHK) A3 Jurusan Statistika-FMIPA ITS, 2007

2008

: Faktor Resiko Terjangkitnya Infeksi Menular Seksual pada Pekerja Seks Komersil, Studi Kajian Wanita Lemlit ITS, 2007

g. Publikasi

:

Anggota Tim Peneliti II a. Nama Lengkap b. Jenis Kelamin

: Pratnya Paramitha O., S.Si., M.Si., M.Sc. : Perempuan 34

c. Bidang Keahlian d. Fakultas/Jurusan e. Alamat rumah dan no. telp

: Statistika Komputasi : Fakultas MIPA / Jurusan Statistika : Wisma Permai XIII Blok Surabaya/085716722107 f. Riwayat penelitian/pengabdian :

O

No.

12A,

2013

: Internship in Electricité de France (EDF) and Adeprina-AgroParisTech, Paris, France. Biostatistics Research on transfer factor of metal from soil to plant using Bayesian method, Monte Carlo Markov Chain, Metropolis-Hastings. The metals used in this research are Cadmium, Arsenic and Plumb, and also the plant types used are leave vegetable, root vegetable, fruit vegetable and tuber vegetable. From this research we know what metal’s contamination in plant types that more dangerous for health (health risk).

2012

: Biostatistics Research on rainfall in Indonesia with Copula method, tests of homogenous (Standard Normal Homogenity Test, Buishand Range Test, Pettitt Test and Von Neumann Ratio Test). Department of Statistics, Institut Teknologi Sepuluh Nopember (ITS), Surabaya, Indonesia.

2011 - 2012

g. Publikasi 2013

2012

: Biostatistics Research about the relation of climate (ENSO - El Niño / La Niña-Southern Oscillation) and the amount of land crop rice regency of Indonesia with "copula" method which has a goal to farmers so they know vulnerability of land as the basis for seedbed preparation. Department of Statistics, Institut Teknologi Sepuluh Nopember (ITS), Surabaya, cooperates with the Department of Plant Protection, Indonesia.

: : Construction the Statistics Distributions for Characterizing the Transfer Factors of Metals from Soil to Plant (TFsp) Using Bayesian Method (APTECS 2013), Surabaya. : A Copula Approach for Mapping the Vulnerability of Rice Puso in East Java with El-Nino Southern Oscillation (ENSO) Indicator (ICMSA 2012), Bali, Indonesia.

35