ADLN - PERPUSTAKAAN UNIVERSITAS AIRLANGGA

ADLN - PERPUSTAKAAN UNIVERSITAS AIRLANGGA

PEMODELAN KEJADIAN MALNUTRISI PADA PASIEN ANAK PENDERITA INFEKSI SALURAN PERNAPASAN AKUT DENGAN PENDEKATAN REGRESI LOGISTIK NONPARAMETRIK ADITIF BERDASARKAN ESTIMATOR KERNEL (Studi Kasus di RSU Haji Surabaya)

SKRIPSI

MAKSYUFATUL ILMI

PROGRAM STUDI S-1 STATISTIKA DEPARTEMEN MATEMATIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS AIRLANGGA SURABAYA 2016 i SKRIPSI

PEMODELAN KEJADIAN MALNUTRISI...

MAKSYUFATUL ILMI


PEMODELAN KEJADIAN MALNUTRISI PADA PASIEN ANAK PENDERITA INFEKSI SALURAN PERNAPASAN AKUT DENGAN PENDEKATAN REGRESI LOGISTIK NONPARAMETRIK ADITIF BERDASARKAN ESTIMATOR KERNEL (Studi Kasus di RSU Haji Surabaya)

SKRIPSI

MAKSYUFATUL ILMI

PROGRAM STUDI S-1 STATISTIKA DEPARTEMEN MATEMATIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS AIRLANGGA SURABAYA 2016 i SKRIPSI


MAKSYUFATUL ILMI


ii SKRIPSI


MAKSYUFATUL ILMI


iii SKRIPSI


MAKSYUFATUL ILMI


PEDOMAN PENGGUNAAN SKRIPSI

Skripsi ini tidak dipublikasikan, namun tersedia di perpustakaan dalam lingkungan Universitas Airlangga, diperkenankan untuk dipakai sebagai referensi kepustakaan, tetapi pengutipan harus seijin penulis dan harus menyebutkan sumbernya sesuai kebiasaan ilmiah.Dokumen skripsi ini merupakan hak milik Universitas Airlangga. Dokumen skripsi ini merupakan hak milik Universitas Airlangga

iv SKRIPSI


MAKSYUFATUL ILMI


v SKRIPSI


MAKSYUFATUL ILMI


KATA PENGANTAR Puji syukur penulis panjatkan ke hadirat Allah SWT atas limpahan nikmat dan kasih sayang-Nya sehingga skripsi yang berjudul “Pemodelan Kejadian Malnutrisi pada Pasien Anak Penderita Infeksi Saluran Pernapasan Akut dengan Pendekatan Regresi Logistik Nonparametrik Aditif Berdasarkan Estimator Kernel (Studi Kasus di RSU Haji Surabaya)” dapat diselesaikan. Dalam kesempatan ini, penulis bermaksud menyampaikan rasa terima kasih kepada: 1. Kementrian Pendidikan dan Kebudayaan dan Kementrian Riset, Teknologi, dan Pendidikan Tinggi atas kesempatan yang telah diberikan untuk melanjutkan pendidikan tingkat Strata melalu Bidikmisi. 2. Kedua orang tua yang senantiasa mengiringi langkah penulis dengan doa dan restu serta keluarga 3. Badrus Zaman, S.Kom., M.Cs. selaku Ketua Departemen Matematika 4. Drs. Eko Tjahjono, M.Si. selaku Koordinator Prodi Statistika 5. Drs. H. Sediono, M.Si. selaku dosen wali yang selama ini telah mendampingi dan mengarahkan 6. Dr. Nur Chamidah, M.Si. selaku dosen pembimbing I dan Dr. Ardi Kurniawan, M.Si. selaku dosen pembimbing II 7. Teman-teman Statistika angkatan 2012, Saudara “64 SAKLAWASE” Menwa 801, dan teman-teman kos H. Benu yang hadir dalam perjalanan empat tahun terkahir kehidupan penulis Penulis menyadari bahwa dalam penulisan skripsi ini masih banyak kekurangan, untuk itu kritik dan saran akan penulis terima sebagai sarana pembelajaran pada penulisan selanjutnya. Demikian, semoga skripsi ini dapat memberi manfaat kepada setiap pembaca.

Surabaya, Agustus 2016

Penulis vi SKRIPSI


MAKSYUFATUL ILMI


Maksyufatul Ilmi, 2016. Pemodelan Kejadian Malnutrisi pada Pasien Anak Penderita Infeksi Saluran Pernapasan Akut dengan Pendekatan Regresi Logistik Nonparametrik Aditif Berdasarkan Estimator Kernel (Studi Kasus di RSU Haji Surabaya). Skripsi ini dibawah bimbingan Dr. Nur Chamidah, M.Si dan Dr. Ardi Kurniawan, M.Si. Program Studi S-1 Statistika, Departemen Matematika, Fakultas Sains dan Teknologi, Universitas Airlangga, Surabaya.

ABSTRAK Malnutrisi Rumah Sakit (MRS) merupakan kondisi yang sering mengakibatkan gangguan daya tahan tubuh yang mencakup respon hormonal dan selular melambat terhadap infeksi.Tujuan dari skripsi ini adalah untuk mengetahui model kejadian MRS pada anak penderita Infeksi Saluran Pernapasan. Salah satu cara untuk mengetahui model kejadian MRS adalah regresi logistic nonparametric aditif dengan estimator kernel. Data yang digunakan adalah 57 data pasien anak penderita ISPA, dengan 21 anak terkena MRS dan 36 lainnya tidak terkena MRS. Prediktor yang digunakan meliputi usia, lama rawat, dan Indeks Massa Tubuh (IMT). Kesimpulan yang diperoleh adalah berdasarkan usia peluang MRS bersifat fluktuatif, sedangkan berdasarkan lama rawat, semakin lama dirawat maka peluang mengalami MRS semakin kecil dan berdasarkan IMT, pasien dengan IMT normal memiliki peluang mengalami MRS relative lebih kecil. Ketepatan klasifikasi etimasi model untuk data in sample dengan pendekatan regresi logistik nonparametrik berdasarkan estimator Kernel adalah 85% sedangkan berdasarkan regresi logistik biner adalah 62,5%, sehingga dapat disimpulkan bahwa regresi logistik nonparametrik berdasarkan estimator Kernel lebih baik dibandingkan regresi logistik biner. Ketepatan klasifikasi etimasi model untuk data out sample adalah 65%. Kata Kunci: Malnutrisi Rumah Sakit (MRS), Regresi Logistik, Regresi Nonparametrik Aditif, Estimator Kernel

vii SKRIPSI


MAKSYUFATUL ILMI


Maksyufatul Ilmi, 2016. Modeling Genesis Malnutrition in Acute Respiratory Infections Padiatrics with Nonparametric Additive Logistic Regression Approach Based on Kernel Estimator (Case Studies in RSU Haji Surabaya). This Skripsi is under supervised by Dr. Nur Chamidah, M.Si and Dr. Ardi Kurniawan, M.Si. S-1 Statistika Major, Mathematic Department, Sains dan Teknologi Faculty, Universitas Airlangga, Surabaya.

ABSTRACT Malnutrition Hospital (MRS) is a condition that often results in impaired resistance that includes hormonal and cellular responses to infection slowed. The purpose of this paper was to determine the incidence of MRS models in children with respiratory diseases. One way to determine the incidence of MRS models are nonparametric additive logistic regression with kernel estimators. The data used is the data 57 pediatric patients with ARI, with 21 children affected by MRS and the other 36 are not affected by MRS. Predictor used include age, length of stay, and Body Mass Index (BMI). The conclusion is based on the age of the opportunities MRS fluctuated, while based on length of stay, the longer cared for the opportunity to experience MRS getting smaller and based on BMI, patients with normal BMI have a chance to experience relatively smaller MRS. The classification accuracy of model estimation for in sample data with additive nonparametric logistic regression based on Kernel estimator is 85% while with binary logistic regression is 62,5%, so it can be concluded additive nonparametric logistic regression is better than binary logistic regression.The classification accuracy of model estimation for in sample data is 65%. Keywords: Hospital Malnutrition, Logistic Regression, Aditive Nonparametric Regression, Kernel Estimator

viii SKRIPSI


MAKSYUFATUL ILMI


DAFTAR ISI

Halaman HALAMAN JUDUL ............................................................................................ i LEMBAR PERNYATAAN .................................................................................. ii LEMBAR PENGESAHAN .................................................................................. iii PEDOMAN PENGGUNAAN SKRISPSI ............................................................ iv SURAT PERNYATAAN TENTANG ORISINALITAS ..................................... v KATA PENGANTAR .......................................................................................... vi ABSTRAK ............................................................................................................ vii ABSTRACT ............................................................................................................ viii DAFTAR ISI ......................................................................................................... ix DAFTAR GAMBAR ............................................................................................ xi DAFTAR TABEL ................................................................................................. xiii DAFTAR LAMPIRAN ......................................................................................... xiii BAB I PENDAHULUAN 1.1 Latar Belakang ................................................................................................ 1 1.2 Rumusan Masalah ........................................................................................... 4 1.3 Tujuan ............................................................................................................ 4 1.4 Manfaat .......................................................................................................... 5 1.5 Batasan Masalah ............................................................................................ 5 BAB II TINJAUAN PUSTAKA 2.1 Status Gizi Anak ............................................................................................. 6 2.2 Malnutrisi Rumah Sakit .................................................................................. 8 2.3 Infeksi saluran Pernapasan Akut ..................................................................... 10 2.4 Matriks ............................................................................................................ 13 2.5 Regresi Logistik Nonparametrik Aditif .......................................................... 13 2.6 Estimator Kernel dalam Regresi Logistik Nonparametrik .............................. 14 2.7 Pemilihan Bandwidth Optimum ...................................................................... 17 2.8 Algoritma Local Scoring dan Backfitting ....................................................... 18 2.9 Deviance ......................................................................................................... 20 ix SKRIPSI


MAKSYUFATUL ILMI


2.10 Cut of Probability ......................................................................................... 20 2.11 Ketepatan Klasifikasi .................................................................................... 21 2.12Software R ...................................................................................................... 21 BAB III METODE PENELITIAN 3.1 Data dan Sumber Data .................................................................................... 26 3.2 Variabel Penelitian .......................................................................................... 26 3.3 Langkah Pengolahan Data .............................................................................. 27 BAB IV HASIL DAN PEMBAHASAN 4.1 Estimasi Model Kejadian Malnutrisi dengan Pendekatan Regresi Nonparametrik Logistik Berdasarkan Estimator Kernel ................................. 30 4.1.1 Menentukan Estimasi Nilai Awal Fungsi Penghalus ............................. 30 4.1.2 Mengestimasi Model Regresi Logistik Nonparametrik Aditif .............. 36 4.1.3 Menentukan nilai cut off probability dan menghitung ketepatan klasifikasi data in sample ....................................................................... 40 4.2 Memvalidasi Data Out Sample Berdasarkan Model yang Telah Diperoleh ... 43 BAB V KESIMPULAN 5.1 Kesimpulan ..................................................................................................... 49 5.2 Saran ............................................................................................................... 50 DAFTAR PUSTAKA ........................................................................................... 51 LAMPIRAN

x SKRIPSI


MAKSYUFATUL ILMI


DAFTAR GAMBAR

Gambar

Judul Gambar

Halaman

4.1

Plot Bandwidth dan

untuk Prediktor Usia

31

4.2

Plot Bandwidth dan

untuk Prediktor Lama Rawat

31

4.3

Plot Bandwidth dan

untuk Prediktor IMT

32

4.4

Plot Estimasi Peluang Kejadian MRS Berdasarkan Usia

38

Plot Estimasi Peluang Kejadian MRS Berdasarkan Lama 4.5

Rawat

39

4.6

Estimasi Peluang Kejadian MRS Berdasarkan IMT

39

4.7

Plot Ketepatan Klasifikasi Cut off Probability

41

4.8

Plot Estimasi Peluang Kejadian MRS Berdasarkan Usia dengan Metode Logistik Biner Parametrik

4.9

46

Plot Estimasi Peluang Kejadian MRS Berdasarkan Lama Rawat dengan Metode Logistik Biner Parametrik

4.10

47

Plot Estimasi Peluang Kejadian MRS Berdasarkan IMT dengan Metode Logistik Biner Parametrik

47

xi SKRIPSI


MAKSYUFATUL ILMI


DAFTAR TABEL

Tabel

Judul Tabel

Halaman

2.1

Perintah Internal dalam Software R

24

3.1

Variabel Penelitian

26

4.1

Bandwidth dan GCV untuk Masing-masing Prediktor

31

4.2

Estimasi Awal Fungsi Regresi untuk Setiap Prediktor

34

4.3

Mean Square of Error (MSE)

36

4.4

Ketepatan Klasifikasi Nilai Cut of Probability

40

4.5

Ketepatan Klasifikasi Data In Sample

41

4.6

Validasi Data In Sample

42

4.7

Ketepatan Klasifikasi Data out Sample

44

4.8

Ketepatan Klasifikasi Data Out Sample

45

xii SKRIPSI


MAKSYUFATUL ILMI


LAMPIRAN

Lampiran

Judul Lampiran

1

Data In Sample

2

Data Out Sample

3

Program Estimasi Model

4

Program Cut off Probability

5

Output Bandwidth Optimum

6

Output Nilai Awal Fungsi Regresi

7

Output Estimasi Model Aditif

8

Cut of Probability

9

Peluang Kejadian untuk Masing-Masing Prediktor

10

Selang Prediksi untuk Data Out Sample

11

Estimasi Model Data Out Sample

xiii SKRIPSI


MAKSYUFATUL ILMI


BAB I PENDAHULUAN 1.1 Latar Belakang Malnutrisi Rumah Sakit (MRS) merupakan kondisi yang sering mengakibatkan gangguan daya tahan tubuh yang mencakup respon hormonal dan selular terhadap infeksi melambat, respon terhadap nyeri menurun, penyembuhan luka terhambat, penutupan jahitan kurang sempurna, dan gangguan terhadap saluran cerna seperti gangguan absorpsi dan digesti (Saryono, dkk., 2006). Fakta menunjukkan bahwa insiden kasus MRS di negara berkembang berada di selang antara 6.9 % - 53 % (Jessie, 2008). Negara Indonesia sendiri mempunyai riwayat MRS yang cukup tinggi di beberapa rumah sakit diantaranya di RSU Dr. Pirngadi Medan sebanyak 38% dan di RS Dr. Sutomo Surabaya terdapat 47% mengalami MRS (Rianlegio, 2014). Sebelumnya telah banyak dilakukan penelitian yang menyangkut kejadian MRS. Salah satunya adalah yang dilakukan oleh Juliaty (2013) yang menyatakan bahwa anak yang dirawat lebih dari satu minggu dengan penyakit kronis dan diagnosis multiple mempunyai risiko MRS lebih besar dibandingkan dengan anak yang diarawat kurang dari satu minggu. Penyakit infeksi juga mempunyai faktor risiko lebih besar mengalami MRS dibanding penyakit non infeksi, penelitian ini menggunakan metode kohort retrospektif. Salah satu penyakit yang sering menyerang anak yang menderita gizi kurang adalah Infeksi Saluran Pernapasan Akut (ISPA). Penyakit ISPA merupakan penyakit masyarakat yang mudah menular dan terutama terjadi pada anak-anak yang memberikan kontribusi terhadap morbiditas

1 SKRIPSI


MAKSYUFATUL ILMI


2

pada anak (Pujadara, 2015). Salah satu penelitian tentang sebelumnya dilakukan oleh Hadiana (2013) dengan menggunakan metode Chi square menyimpulkan bahwa terdapat hubungan yang signifikan antara status gizi terhadap terjadinya ISPA dan nilai Rasio Prevalensinya adalah sebesar 27,5 yang berarti bahwa anak yang mengalami gizi kurang berisiko 27,5 kali terkena ISPA dibanding anak dengan gizi baik. Penelitian-penelitian sebelumnya hanya bertujuan untuk mencari ada atau tidaknya hubungan antara variabel prediktor dengan responnya atau mengetahui faktor-faktor yang mempengaruhi respon sehingga tidak dapat membuat model, memprediksi peluang kejadian, dan mendapat odd rasio. Salah satu metode yang dapat digunakan untuk membuat model, memprediksi peluang kejadian, dan mendapat odd rasio adalah regresi logistik nonparametrik berdasarkan estimator Kernel. Regresi logistik merupakan suatu model matematik yang digunakan untuk menggambarkan hubungan dengan variabel antara beberapa variabel prediktor dengan variabel respon biner atau dikotom (Kleinbaum, 1994). Regresi logistik dikenal sebagai model logit karena menggunakan transformasi logit sebagai link function (fungsi penghubung) dari μ (Rifada, 2009). Variabel respon Y bersifat biner dibedakan menjadi dua kategori, yaitu sukses dan variabel prediktor Apabila variabel prediktor

dan gagal

yang diasumsikan linier pada parameter β. tidak diasumsikan berbentuk tertentu

atau tidak ada asumsi berdasarkan teori atau pengalaman masa lalu maka model dapat diestimasi dengan pendekatan nonparametrik. Model yang dapat didekati dengan metode parametrik disebut Generalized Linier Model (GLM), sedangkan

SKRIPSI


MAKSYUFATUL ILMI


3

model yang didekati dengan metode nonparametrik disebut Generalized Additive Models (GAM). Estimasi untuk pendekatan nonparametrik dapat dilakukan berdasarkan data pengamatan menggunakan teknik smoothing. Terdapat banyak teknik smoothing antara lain estimator Spline, estimator Kernel, estimator Deret Orthogonal, estimator Deret Fourier, Wafelet, dll. (Eubank, 1988). Dalam skripsi ini estimator yang digunakan adalah estimator Kernel karena beberapa keunggulan yang dimilikinya yaitu memiliki bentuk lebih fleksibel dan secara matematik mudah diselesaikan serta mempunyai rata-rata kekonvergenan yang relatif cepat (Hardle, 1990). Salah satu penelitian yang menggunakan metode regresi Kernel dilakukan oleh Puspitasari, dkk. (2012). Penelitian tersebut untuk menganalisis Indeks Harga Saham Gabungan (IHSG) dilakukan dengan tiga metode yakni analisis runtun waktu klasik, regresi linier sederhana, dan regresi nonparametrik Kernel, dari perbandingan tiga metode tersebut diperoleh nilai Mean Square Error (MSE) terkecil adalah pada analisis menggunakan regresi nonparametrik Kernel.Fungsi yang digunakan dalam skripsi ini adalah fungsi Kernel Gaussian karena fungsi Kernel Gaussian lebih mudah dalam perhitungan dan penggunaannya serta lebih sering digunakan (Kurniasih, 2013).Kurniasih (2013) dalam penelitiannnya menyimpulkan bahwa estimator fungsi kernel Gaussian lebih efisien dan merupakan model terbaik. Model terbaik ini dapat digunakan untuk peramalan kurs USD terhadap JPY. Berdasarkan uraian di atas, di dalam penulisan skripsi ini dibahas tentang pemodelan risiko kejadian malnutrisi pada pasien anak penderita ISPA di RSU

SKRIPSI


MAKSYUFATUL ILMI


4

Haji Surabaya berdasarkan pendekatan regresi logistik nonparametrik aditif dengan estimator Kernel.

1.2 Rumusan Masalah Berdasarkan latar belakang diatas, dapat dirumuskan permasalahan dalam penulisan skripsi ini sebagai berikut: 1. Bagaimana mengestimasi model kejadian malnutrisi pada pasien anak penderita ISPA di RSU Haji Surabaya dengan pendekatan regresi nonparametrik logistik berdasarkan estimator Kernel? 2. Bagaimana memvalidasi data out sample berdasarkan model yang telah diperoleh untuk kejadian malnutrisi pada pasien anak penderita ISPA di RSU Haji Surabaya dengan pendekatan regresi nonparametrik logistik berdasarkan estimator Kernel?

1.3 Tujuan Adapun untuk menjawab rumusan masalah diatas, tujuan dari penulisan skripsi ini adalah sebagai berikut: 1. Mengestimasi bentuk model kejadian malnutrisi pada pasien anak penderita ISPA di RSU Haji Surabaya dengan pendekatan regresi nonparametrik logistik berdasarkan estimator Kernel. 2. Memvalidasi data out sample berdasarkan model yang telah diperoleh untuk kejadian pada pasien anak penderita ISPA di RSU Haji Surabaya dengan pendekatan regresi nonparametrik logistik berdasarkan estimator Kernel.

SKRIPSI


MAKSYUFATUL ILMI


5

1.4 Manfaat Adapun manfaat yang dapat diambil dari penulisan skripsi ini diantaranya adalah: 1. Bagi bidang keilmuan khususnya statistika diharap mampu memberikan penjelasan tentang metode yang digunakan yaitu pendekatan regresi nonparametrik logistik berdasarkan estimator Kernel. 2. Bagi pemerintah dan instansi terkait diharap selalu meningkatkan kualitas layanan untuk mencegah dan meminimalisir angka morbiditas dan mortalitas anak yang terserang ISPA sehingga gizinyapun menurun karena infeksi penyakit tersebut. 3. Bagi pembaca secara umum dapat diketahui pentingnya pengetahuan tentang status gizi anak dan infeksi penyakit yang sering menyerang pada anak-anak.

1.5 Batasan Masalah Batasan masalah dalam penulisan skripsi ini bahwa dalam pemilihan bandwidth optimum dengan menggunakan Generalized Cross Validation (GCV) dan fungsi Kernel yang digunakan adalah fungsi Kernel Gaussian.

SKRIPSI


MAKSYUFATUL ILMI


BAB II TINJAUAN PUSTAKA 2.1 Status Gizi Anak Malnutrisi menurut World Health Organization (WHO) didefinisikan sebagai ketidakseimbangan seluler antara pasokan nutrisi dan energi dan kebutuhan tubuh terhadap mereka untuk menjamin pertumbuhan, pemeliharaan, dan fungsi tertentu.Malnutrisi adalah suatu keadaan yang mana tubuh mengalami gangguan terhadap absorbsi, pencernaan, dan penggunaan

zat gizi untuk

pertumbuhan, perkembangan dan aktivitas. Malnutrisi merupakan kekurangan konsumsi pangan secara relatif atau absolute untuk periode tertentu. Terdapat dua penyebab malnutrisi yaitu penyebab langsung dan penyebab tidak langsung.Secara langsung gizi dipengaruhi oleh ketidakcukupan asupan makanan yang tidak seimbang dan penyakit infeksi.Sedangkan secara tidak langsung dipengaruhi oleh kurangnya ketahanan pangan keluarga yang meliputi keterbatasan keluarga untuk menghasilkan atau mendapatkan makanan, kualitas perawatan ibu dan anak, buruknya pelayanan kesehatan, dan sanitasi lingkungan yang kurang. Beberapa pengaruh yang ditimbulkan akibat menderita malnutrisi diantaranya sebagai berikut: 1. Meningkatkan resiko terjadi infeksi 2. Penurunan kekebalan tubuh 3. Menurunkan kemampuan tubuh untuk penyembuhan luka 4. Sarkopenia

6 SKRIPSI


MAKSYUFATUL ILMI


7

5. Frailty syndrome Penderita malnutrisi akan mengalami gejala-gejala seperti di bawah ini: 1. Hilangnya massa otot (sarkopenia) 2. Berkurangnya lemak di bawah kulit 3. Penurunan berat badan (5% berat awal tubuh) 4. Tulang yang terlihatmenonjol 5. Bibirpecah-pecah, cekung di bawah mata 6. Rambut kusam dan mudah rontok 7. Memar di kulit 8. Kulit kering bersisik 9. Ada penumpukan cairan di bawah kulit Penilaian Status Gizi menurut Rosalind S. Gibson pengertian penilaian status gizi sebagai “the interpretation of information obtained from dietary, biochemical, anthropometric, and clinical studies”. Tujuan dari penilaian status gizi yaitu untuk memperoleh gambaran sekilas tentang status gizi masyarakat yang bersangkutan.Status gizi anak umur 5-18 tahun dikelompokkan menjadi tiga kelompok yaitu umur 5-12 tahun, 13-15 tahun, dan 16-18 tahun (RISKESDAS, 2013). Salah satu cara untuk menilai status gizi adalah dengan antropometri. Antropometri dikenal sebagai indikator untuk penilaian gizi baik perorangan maupun masyarakat. Penilaian status gizi secara langsung dengan antropometri antara laindengan pengukuran: 1. Berat Badan (BB)

SKRIPSI


MAKSYUFATUL ILMI


8

2. Panjang Badan (PB) atau Tinggi Badan (TB) 3. Lingkar Lengan Atas (LLA) atau (LILA) 4. Lingkar Dada (LD) 5. Lapisan Lemak Bawah Kulit (LLBK) Sedangkan indeks yang digunakan untuk menentukan penilaian status gizi adalah sebagai berikut: 1. BB/U

: Berat badan menurut umur

2. PB/U

: Panjang badan menurut umur

3. TB/U

: Tinggi badan menurut umur

4. BB/TB

: Berat badan menurut tinggi badan

Masing-masing indeks tersebut mempunyai standard baku rujukan untuk menilai gizi masyarakat atau seseorang. Terdapat banyak standard baku yang digunakan di dunia internasional, salah satunya adalah menurut standard Baku Antropometri WHO-NCHS kategori status gizi BB/U (Z-Score) 1. >+2 SD

: BB lebih (gizi lebih)

2. -2 SD s/d +2 SD : BB normal (gizi normal) 3. -3 SD s/d <-2 SD : BB rendah 4. <-3 SD

: BB sangat rendah (gizi buruk)

2.2 Malnutrisi Rumah Sakit (MRS) Malnutrisi Rumah Sakit (MRS) merupakan suatu keadaan akibat dari perhatian yang tidak optimal terhadap status nutrisi anak (Juliaty, 2013). Malnutrisi Rumah Sakit ditandai dengan penurunan berat badan (BB) saat dirawat di rumah sakit. Menurut Walker (2003) dalam (Juliaty, 2013), pasien dikatakan

SKRIPSI


MAKSYUFATUL ILMI


9

mengalami MRS jika terjadi penurunan berat badan lebih dari 1% selama kurang dari tujuh hari, lebih dari 5% untuk 7-30 hari, 7.5% untuk 1-3 bulan, dan lebih dari 10% untuk 3-6 bulan. Malnutrisi pada pasien bisa terjadi karena dua hal yaitu proses penyakit yang dideritanya yang bisa mempengaruhi asupan makanan, meningkatkan kebutuhan, merubah metabolisme dan bisa terjadi mal absorpsi dan yang kedua adalah tidak kuatnya asupan kalori makanan yang dikonsumsi oleh pasien (Nurparida, dkk., 2015). Pada keadaan sakit tubuh akan mengalamai peningkatan metabolisme, kerusakan jaringan, dan meningkatnya pembentukan zat anti sehingga membuat kebutuhan gizi ikut meningkat. Banyak penyakit yang dapat menyebabkan anoreksia dan penurunan asupan kalori apalagi jika kebutuhan nutrisional meningkat akibat keadaan katabolik pada penyakit tersebut. Penurunan asupan kalori pada saat dirawat di rumah sakit dapat menyebabkan pasien mengalami penurunan status gizi sehingga pasien tersebut dapat dikatakan mengalami malnutrisi rumah sakit. Menurut Davey (2006) identifikasi malnutrisi pada pasien rawat inap dapat diketahui dengan indikasi seperti di bawah ini: 1. Secara umum, pasien kekurangan kalori-protein. Pada pasien rawat inap asupan kalori-protein seringkali terlewatkan. Kelaparan sangat sering terjadi dan bisa diketahui dari penurunan berat badan, adanya stomatic angularis, pengecilan otot, dan edema perifer. 2. Secara khusus terjadi defisiasi vitamin dan mineral. Defisiasi vitamin akut sering terjadi vitamin yang larut dalam air khususnya vitamin B1

SKRIPSI


MAKSYUFATUL ILMI


10

(tiamin) dan vitamin C, daripada vitamin yang larut dalam lemak. Akibat yang ditimbulkan karena defisiasi diantaranya adalah: a. Defisiasi tiamin (sering terjadi ± < 3 minggu) menyebabkan ensefalopati wernikc. b. Simpanan folat menyebabkan anemia makrositik. c. Defisiasi vitamin C (scurvy) memperlambat penyembuhan luka. d. Defisiasi Fe, kalsium, dan magnesium bisa terjadi pada pasien rawat inap. Malnutrisi Rumah Sakitakanmempengaruhi banyak hal, diantaranya adalah waktu perawatan yang semakin lama, proses penyembuhan yang semakin lambat, biaya perawatan yang terus meningkat, dan peningkatan mortalitas. Berikut merupakan variabel-variabel yang mempengaruhi terjadinya MRS pada pasien anak penderita ISPA diantaranya adalah: 1. Usia pasien anak ketika masuk RS 2. Lama perawatan di RS 3. Indeks Masa Tubuh (IMT) Pada umumnya pasien yang menderita penyakit infeksi akan mengalami penurunan status gizi karena hilangnya nafsu makan mereka. Kematian pada kasus MRS erat kaitannya dengan penyakit infeksi (Juliaty, 2013).

2.3Infeksi Saluran Pernapasan Akut (ISPA) Infeksi Saluran Pernapasan Akut (ISPA) mempunyai tiga kata dasar, yaitu “infeksi”, “saluran dasar”, dan “akut”. Berikut akan dijelaskan pengertian dari masing-masing ketiga kata tersebut.

SKRIPSI


MAKSYUFATUL ILMI


11

1. Infeksi adalah masuknya kuman atau mikroorganisme ke dalam tubuh manusia dan berkembang biak sehingga menimbulkan gejala penyakit. 2. Saluran pernapasan, yang dimaksud dengan saluran pernapasan adalah organ mulai dari hidung sampai gelembung paru (alveoli), beserta organorgan di sekitarnya. 3. Infeksi Akut adalah Infeksi yang berlangsung sampai dengan 14 hari. Batas 14 hari diambil untuk menunjukkan proses akut. Jadi dapat disimpulkan bahwa ISPA adalah penyakit infeksi yang menyerang salah satu bagian dari saluran napas, mulai dari hidung (saluran atas) hingga alveoli (saluran bawah) termasuk jaringan adneksanya, seperti sinus, rongga telinga tengah, dan pleura (Keputusan Menteri Kesehatan, 2002). Sistem kekebalan tubuh seseorang sangat berpengaruh dalam melawan infeksi virus maupun bakteri terhadap tubuh manusia. Risiko seseorang mengalami infeksi akan meningkat ketika kekebalan tubuh lemah. Hal ini cenderung terjadi pada anak-anak dan orang yang lebih tua.Berikut ini adalah beberapa mikroorganisme penyebab munculnya ISPA yang sudah diketahui. 1. Adenovirus merupakan gangguan pernapasan seperti pilek, bronkitis, dan pneumonia bisa disebabkan oleh virus ini yang memiliki lebih dari 50 jenis. 2. Rhinovirus adalah jenis virus yang menyebabkan pilek. Tapi pada anak kecil dan orang dengan sistem kekebalan yang lemah, pilek biasa bisa berubah menjadi ISPA pada tahap yang serius. 3. Pneumokokus adalah jenis bakteri yang menyebabkan meningitis. Tapi bakteri ini bisa memicu gangguan pernapasan lain, seperti halnya pneumonia.

SKRIPSI


MAKSYUFATUL ILMI


12

Penyakit ISPA diklasifikasikan menjadi dua bagian, yaitu infeksi saluran pernapasan bagian atas yang meliputi rhinitis, faringistis, tonsillitis, rinosinositis, dan otitis media, dan infeksi saluran pernapasan bagian bawah yang terdiri dari epligotitis, laringotrakeobronkitis, bronchitis, bronkiolitis, dan pneumonia (Rahajoe, 2012). Penderita ISPA akan ditandai dengan gejala-gejala seperti di bawah ini: 1. Hidung tersumbat atau berair. 2. Para-paru terasa terhambat. 3. Batuk-batuk dan tenggorokan terasa sakit. 4. Kerap merasa kelelahan. 5. Tubuh merasa sakit. Apabila ISPA bertambah parah, gejala yang lebih serius akan muncul, seperti: 1. Kesulitan bernapas. 2. Demam tinggi dan menggigil. 3. Tingkat oksigen dalam darah rendah. 4. Kesadaran yang menurun dan bahkan pingsan. Infeksi sering terjadi pada anak, Pujadara (2015) menyebutkan bahwa ISPA merupakan penyakit masyarakat yang mudah menular dan terutama terjadi pada anak-anak yang memberikan kontribusi terhadap morbiditas pada anak.Hartati, dkk. (2012) juga menyebutkan dalam hasil penelitiannya bahwa anak yang mempunyai status gizi kurang berpeluang 6,52 kali terjadi pneumonia (termasuk jenis ISPA) dibandingkan dengan pasien anak yang berstatus gizi baik.

SKRIPSI


MAKSYUFATUL ILMI


13

2.4 Matriks Matriks adalah susunan bilangan atau variabel dengan elemen penyusun bilangan riil. Berbentuk persegi panjang atau persegi, mempunyai

baris dan

kolom dengan bentuk :

[

]

Beberapa sifat – sifat matriks adalah sebagai berikut: 1. Transpos dari matriks 2. Invers dari matriks

didefinisikan sebagai didefinisikan sebagai

, maka , maka (Rencher dan Schaalje, 2008)

2.5 Regresi Logistik Nonparametrik Aditif Regresi merupakan suatu teknik statistik untuk mengetehui hubungan antara variabel dependen

dengan variabel independen

. Metode

nonparametrik digunakan apabila data tidak memenuhi asumsi dari metode parametrik atau tidak ada informasi mengenai bentuk fungsi dari parameter, maka fungsi regresi dapat didekati menggunakan metode nonparametrik. Model regresi logistik dikenal sebagai model logit karena menggunakan transformasi logit sebagai link function dari , yaitu: (

)

(2.1)

Regresi logistik merupakan salah satu bentuk fungsi regresi yang yang manavariabel dependen Y dari regresi logistik bersifat biner atau dikotom yaitu

SKRIPSI


MAKSYUFATUL ILMI


14

sukses {(

dan gagal

)

}

yang

. Misalkan diberikan n data pengamatan

diasumsikan

memenuhi

model

regresi

logistik

nonparametrik aditif sebagai berikut:

(

Dengan

)

∑

(2.2)

dapat diperoleh dengan cara seperti di bawah ini: (

∑

)

(

∑

) ∑

∑

∑

(

∑

∑

)

∑

∑

(2.3)

∑

2.6 Estimator Kernel dalam Regresi Logistik Nonparametrik Teknik smoothing dilakukan dengan tujuan membuang variabilitas dari data yang tidak memiliki efek sehingga ciri-ciri data tampak lebih jelas (Halim, 2006). Salah satu teknik smoothing yang dapat digunakan adalah dengan estimator Kernel.Kelebihan dari estimator Kernel adalah memiliki bentuk lebih fleksibel dan

secara

matematik

mudah

diselesaikan

serta

mempunyai

rata-rata

kekonvergenan yang relatif cepat (Hardle, 1990).

SKRIPSI


MAKSYUFATUL ILMI


15

Bentuk umum dari fungsi Kernel adalah sebagai berikut:

(2.4)

( ) dengan

adalah parameter penghalus (bandwidth) serta memenuhi sifat berikut:

1. 2. ∫

3. ∫ 4. ∫ Sehingga estimator fungsi densitas Kernel berbentuk seperti di bawah ini: ̂

∑

Ketika diberikan

∑

(

)

(2.5)

data pengamatan

yang mengikuti

model regresi nonparametrik seperti di bawah ini, (2.6) dengan fungsi

tidak diketahui bentuknya, maka fungsi

tersebut dapat

diestimasi dengan pendekatan estimator Kernel sebagai berikut: [ |

]

∫

(2.7)

dengan ̂

SKRIPSI

∑


MAKSYUFATUL ILMI


16

dan ̂

∑

sehingga ∫

̂

∫

∑

∑

dengan memisalkan

(

maka

̂

∫

∫

, sehingga

∑

∑

)

∫

(

∫

(

∫

)

)

Persamaan di atas sesuai dengan sifat Kernel yang kedua dan ketiga yaitu ∫

dan ∫

∫

, sehingga ̂

∑

Dengan demikian diperoleh estimator Kernel dalam regresi logistik noparametrik

̂

∑ ∑

∑ ∑

(2.8)

(Tjahjono, 2004)

SKRIPSI


MAKSYUFATUL ILMI


17

sehingga estimator Kernel untuk prediktor ke-j pada pengamatan ke-i berbentuk: ̂(

∑

)

(

∑

) (

(2.9)

)

Bentuk fungsi Kernel yang digunakan adalah fungsi Kernel Gaussian seperti dibawah ini (

√

(2.10)

)

(Hardle, 1990)

2.7 Pemilihan Bandwidth Optimum Dalam menggunakan regresi Kernel pemilihan parameter pemulus (bandwidth) lebih penting dibandingkan dengan memilih fungsi Kernel. Nilai bandwidth yang kecil akan memberikan grafik yang kurang mulus namun memiliki bias yang kecil, sedangkan nilai bandwidth yang besar akan memberikan grafik yang mulus namun dengan bias yang besar pula (Widiardi, 2014). Pemilihan bandwidth dapat dilakukan dengan beberapa cara, salah satunya yaitu menggunakan metode

Generalized Validation

(GCV)

yang mempunyai

persamaan sebagai berikut: ( ) (

[

( )])

(2.11)

dengan ( )

∑(

̂(

))

(2.12)

dan ̂(

SKRIPSI

)

( )


MAKSYUFATUL ILMI


18

̂(

)

[

]

dengan (2.13)

[ ]

(2.14)

[ ]

dan (

) (

(2.15)

) (

[

)]

sehingga ( ) dengan matriks

[

]

(2.16)

diperoleh dari persamaan (2.15).

Nilai h yang optimum berasal dari nilai GCV yang paling kecil (Eubank, 1988).

2.8 Algoritma Local Scoring dan Backfitting Algoritma local scoring merupakan algoritma umum untuk mendapatkan estimasi dari fungsi-fungsi GAM. Algoritma local scoring terdiri dari loop yaitu langkah scoring (outer loop) yang diitersaikan sampai nilai rata-rata deviance konvergen dan langkah backfitting terboboti (inner loop) yang diiterasikan sampai nilai rata-rata Residual Sum of Square (RSS) konvergen (Rifada, 2009). Langkah scoring (outer loop) meliputi:

SKRIPSI


MAKSYUFATUL ILMI


19

1. Menetukan nilai variabel adjusted dependent (z) (

∑

Dengan

)(

̂

(

)

) dan

(

)

(

) (

)

sehingga

(

)

{

}

{

}

(2.17) Berdasarkan persamaan (2.17) maka diperoleh (

)

(2.18)

2. Menentukan matriks dengan diagonal bobot (B) ( dengan

adalah {

(

)

sehingga }

{

{

}

{

}{

SKRIPSI

)

}

}


MAKSYUFATUL ILMI


20

{

}

(2.19) Sedangkan langkah backfitting terboboti (inner loop) adalah menentukan estimasi dari fungsi penghalus dalam model untuk

̂

( )

( ){

∑̂

∑ ̂

}

(2.20)

)}

(2.21)

dan menentukan nilai rata-rata kuadrat residual terboboti {(

)

(

hingga diperoleh nilai rata-rata residual yang konvergen (

)

(2.22)

Dengan demikian diperoleh estimasi model regresi logistik nonparametrik aditif berdasarkan estimator Kernel dengan menggunakan algoritma local scoring seperti berikut:

(

∑

([

]

{

̂ ̂ ∑

)

∑̂

̂

∑

̂

}) (2.23)

2.9 Deviance Deviance merupakan salah satu satu uji statistik yang digunakan untuk menilai kesesuaian model (goodness of fit).

SKRIPSI


MAKSYUFATUL ILMI


21

Diberikan data

maka bentuk deviance-nya adalah: }

∑{

(2.24) (Collet, 2002)

Bentuk nilai rata-rata deviance (

)

∑{

(

)}

(2.25)

dan nilai rata-rata deviance yang konvergen (

(

)

(

)

)

(2.26)

2.10 Cut off Probability Berdasarkan Kalhori, et al. (2010), Cut off Probability merupakan titik poin yang digunakan untuk mengukur akurasi model dengan mengklasifikasikan hasil estimasi status pasien anak penderita ISPA. {(

)

}

dengan

{

Misal diberikan data

MRS

dengan menerapkan persamaan (2.2) pada data tersebut maka akan diperoleh ̂

sebagai bentuk estimator model data in sample. Proses validasi dilakukan

dengan menghitung ̂

untuk setiap nilai cut off probability dari 0 sampai 1

dengan increment 0,01 sehingga dapat diperoleh titik poin terbaik, yaitu titik yang mana jumlah tertinggi klasifikasi yang benar telah dilakukan. Untuk setiap cut off probability di atas, dapat dihitung nilai error sebagai berikut : |

SKRIPSI

∑


(2.27)

MAKSYUFATUL ILMI


22

̂

Untuk ̂

cut off probability maka hasil prediksi adalah 1, dan jika

cut off probability maka hasil prediksi adalah 0.

2.11 Ketepatan Klasifikasi Apparent Error Rate (APPER) merupakan suatu nilai yang digunakan untuk melihat peluang kesalahan dalam mengklasifikasi objek. Nilai APPER adalah : (2.28) dengan : banyaknya kejadian gagal hasil pengamatan yang diklasifikasikan gagal dari hasil prediksi. : banyaknya kejadian gagal hasil pengamatan yang diklasifikasikan sukses dari hasil prediksi. : banyaknya kejadian sukses hasil pengamatan yang diklasifikasikan gagal dari hasil prediksi. : banyaknya kejadian sukses hasil pengamatan yang diklasifikasikan sukses dari hasil prediksi.

2.12

Software R R merupakan salah satu software yang banyak digunakan dalam bidang

statistik atau mengolah data.R adalah proyek GNU yang mirip dengan bahasa S dan lingkungan yang dikembangkan oleh John Chambers dan rekan di Bell Laboratories (sebelumnya AT & T, sekarang Lucent Technologies). Lingkungan yang dimaksud dalam R mempunyai pengertian bahwa R adalah suite terintegrasi

SKRIPSI


MAKSYUFATUL ILMI


23

fasilitas perangkat lunak untuk manipulasi data, perhitungan dan tampilan grafi, termasuk: 1. Sebuah penanganan data yang efektif dan fasilitas penyimpanan 2. Suite operator untuk perhitungan di array, dalam matriks tertentu 3. Koleksi terpadu dari alat perantara untuk analisis data yang besar dan koheren 4. Fasilitas grafis untuk analisis data dan tampilan baik di layar atau hardcopy 5. Perkembangan bahasa pemrograman yang baik, sederhana dan efektif yangmeliputi conditional, loop, user-defined fungsi rekursif dan fasilitas inputdanoutput. Software ini menyediakan berbagai macam statistik seperti: linier dan pemodelan nonlinier, uji statistik klasik, analisis time-series, klasifikasi, clustering, dan teknik grafis. Keunggulan R dibanding software sejenis lainnya adalah kemudahan yang dirancang dengan baik plot berkualitas publikasi dapat diproduksi, termasuk simbol matematika dan rumus mana diperlukan (cran.rproject.org, 2016).

SKRIPSI


MAKSYUFATUL ILMI


24

Berikut adalah beberapa perintah internal yang digunakan dalam menjalankan program R: Tabel 2.1 Perintah Internal dalam Software R Nama Perintah

Fungsi

Bentuk

Menunjukkan function()

yang

akan

fungsi digunakan

function(…)

dalam program Menunjukkan banyaknya Length()

Length(…)

data Menjumlahkan

Sum()

semua

bilangan anggota vector

Sum(…)

Menuliskan argumentasi Cat()

dan mencetak file yang

Cat(“…”)

telah ditetapkan Win.graph() Plot()

Membuat gambar

Win.graph()

Membuat plot

Plot(x,y,…)

Membentuk

matriks

dengan jumlah anggota a, Matrix(a,b,c)

banyak

baris

b,

dan

Matrix(…,…,…)

banyak kolom c Membentuk Rep(a,b)

vector

dengan jumlah anggota a

Rep(…,…)

sebanyak b

SKRIPSI


MAKSYUFATUL ILMI


25

Nama Perintah

Fungsi

Bentuk

Mengulang suatu blok While pernyataan secara terus { While

menerus selama kondisi Pernyataan logika

while

berlaku }

benar Mengulangi

eksekusi Repeat

pernyataan secara terus { menerus, sehingga perlu Pernyataan a Repeat

pernyataan

lain

untuk If (pernyataan b) break

menghentikan perulangan } eksekusi Mengulang suatu blok pernyataan sesuai dengan For()

kondisi

yang

telah

For(kondisi){pernyataan}

ditentukan Menjalankan pernyataan If (kondisi) pertama If-else

jika

kondisi Pernyataan a

benar dan menjalankan Else pernyataan b kondisi selanjutnya jika } kondisi pertama salah

SKRIPSI


MAKSYUFATUL ILMI


BAB III METODE PENELITIAN 3.1 Data dan Sumber Data Data yang digunakan dalam skripsi ini adalah data sekunder dari rekam medis pasien anak penderita ISPA yang dirawat di RSU Haji Surabaya dari Januari 2015 sampai dengan Mei 2016. Variabel respon adalah kejadian malnutrisi pada pasien anak penderita ISPA dengan MRS dan

untuk yang mengalami

untuk yang tidak mengalami MRS. Variabel prediktor yang

digunakan dalam skripsi ini terdiri dariusia pasien anak ketika masuk RS lama perawatan di RS

, dan Indeks Masa Tubuh (IMT)

,

.

3.2 Variabel Penelitian Variabel penelitian yang digunakan dalam skripsi ini tersaji pada Tabel 3.1. Tabel 3.1 Variabel Penelitian Variabel

Nama variabel

Kejadian MRS

Skala Data

Keterangan

Nominal

Usia anak ketika masuk Rasio

Tahun

Lama perawatan di RS

Rasio

Hari

IMT

Rasio

kg/m2

RS

26 SKRIPSI


MAKSYUFATUL ILMI


27

3.3 Langkah Pengolahan Data Model kejadian malnutrisi dan faktor-faktor yang berpengaruh terhadap kejadian malnutrisi pada pasien anak penderita ISPA di RSU Haji Surabaya dapat diperoleh dengan beberapa langkah sebagai berikut: 1. Mengestimasi bentuk model kejadian malnutrisi pada pasien anak penderita ISPA di RSU Haji Surabaya dengan pendekatan regresi nonparametrik logistik berdasarkan estimator Kernel dengan langkahlangkah:

a. Menentukan estimasi nilai awal fungsi penghalus pada masingmasing variabel prediktor dengan langkah sebagai berikut:

1) Menentukan nilai bandwidth optimal dengan GCV pada masing-masing prediktor 2) Mendefinisikan variabel respon

dan variabel prediktor

3) Menentukan fungsi Kernel yaitu fungsi Kernel Gaussian berdasarkan persamaan (2.10) 4) Menginput nilai bandwidth( ) optimal yang telah diperoleh dari langkah pertama 5) Mendapatkan matriks diagonal

berdasarkan persamaan

(2.15) 6) Mendapatkan matriks 7) Menghitung nilai ̂

berdasarkan persamaan (2.16) ( )

sebagai nilai awal fungsi

regresi.

SKRIPSI


MAKSYUFATUL ILMI


28

b. Mengestimasi model regresi logistik nonparametrik dengan algoritma local scoring dengan langkah sebagai berikut:

1) Menetukan nilai variable adjusted dependent (z) berdasarkan persamaan (2.18) serta menentukan matriks dengan diagonal bobot (B) berdasarkan persamaan (2.19) 2) Mengiterasikan langkah backfitting terboboti (inner loop) seperti dibawah ini: i.

Untuk iterasi awal ̂

ii.

( )

̂

, didefinisikan ( ) dan

Menentukan estimasi dari fungsi-fungsi penghalus dalam model berdasarkan persamaan (2.20)

iii.

Menentukan nilai rata-rata jumlah kuadrat residual terboboti berdasarkan persamaan (2.21)

iv.

Mengulangi langkah (ii) dan (iii) untuk

hingga

nilai rata-rata RSS tidak berubah/konvergen berdasarkan persamaan (2.22) dengan 3) Didefinisikan ̂

( )

̂

( ), kemudian

menetukan nilai rata-rata deviance berdasarkan persamaan (2.25) 4) Mengulang langkah (1) sampai (3) untuk

hingga

nilai rata-rata deviance konvergen berdasarkan persamaan (2.26) dengan

SKRIPSI


MAKSYUFATUL ILMI


29

5) Menghitung estimasi model berdasarkan persamaan (2.3) c. Menentukan cut off probability d. Memvalidasi data in sample 2. Melakukan validasi data out sample berdasarkan model yang telah diperoleh untuk kejadian pada pasien anak penderita ISPA di RSU Haji Surabaya dengan pendekatan regresi nonparametrik logistik berdasarkan estimator Kernel dengan langkah:

a. Menentukan selang prediksi untuk data out sample dari data in sample b. Memperoleh nilai ̂

berdasarkan letak pada selang prediksi

c. Menghitung ∑

(

∑

)

d. Memvalidasi model data out sample berdasarkan nilai cut off

probability yang telah diperoleh sebelumnya.

SKRIPSI


MAKSYUFATUL ILMI


BAB IV PEMBAHASAN Pada bab ini dibahas cara mengestimasi model kejadian malnutrisi rumah sakit pada pasien anakpenderita ISPA di RSU Haji Surabaya berdasarkan pendekatan regresi nonparametrik logistik berdasarkan estimator kernel. Data yang digunakan adalah data dari 57 pasien anak yang terdiri dari 21 pasien terkena MRS dan 36 lainnya tidak terkena MRS.

4.1 Estimasi Model Kejadian Malnutrisi dengan Pendekatan Regresi Nonparametrik Logistik Berdasarkan Estimator Kernel Estimasi model kejadian MRS menggunakan 40 data pasien anak (data in sample) dari 57 data yang ada, terdiri 15 anak mengalami MRS dan 25 anak tidak mengalami MRS (Lampiran 1). Pengambilan 40 data ini berdasarkan pada penentuan peneliti sendiri. 4.1.1

Menentukan Estimasi Nilai Awal Fungsi Penghalus Langkah-langkah dalam menentukan estimasi nilai awal sesuai dengan

subbab 3.3. 1) Menentukan bandwidth optimum Nilai bandwidth ini diperlukan untuk menentukan nilai awal fungsi regresi yang diestimasi. Berdasarkan program pada Lampiran 3 diperoleh bandwidth optimum dan

untuk masing-masing prediktor seperti pada

Lampiran 5 yang diringkas pada tabel 4.3 berikut.

30 SKRIPSI


MAKSYUFATUL ILMI


31

Tabel 4.1 Bandwidth dan Prediktor Usia Lama Rawat IMT

untuk Masing-Masing Prediktor Bandwidth 0,62 1 1

0,250 0,258 0,266

Supaya lebih jelas, berikut diberikan plot Bandwidth dan

untuk masing-

masing prediktor. Scatterplot of gcv1 vs h1 0.266 0.264 0.262

gcv1

0.260 0.258 0.256 0.254 0.252 0.250 0.4

0.5

0.6 h1

0.7

Gambar 4.1 Plot Bandwidth dan

0.8

untuk Prediktor Usia

Scatterplot of gcv2 vs h2 0.32 0.31

gcv2

0.30 0.29 0.28 0.27 0.26 0.25 0.0

0.2

0.4

0.6

0.8

1.0

h2

Gambar 4.2 Plot Bandwidth dan SKRIPSI

untuk Prediktor Lama Rawat


MAKSYUFATUL ILMI


32

Scatterplot of gcv3 vs h3 4

gcv3

3

2

1

0 0.0

0.2

0.4

0.6

0.8

1.0

h3

Gambar 4.3 Plot Bandwidth dan

2) Mendefinisikan variabel respon

untuk Prediktor IMT

dan variabel prediktor

Variabel respon terdiri dari Variabel respon adalah kejadian malnutrisi pada pasien anak penderita ISPA dengan dan dari

untuk yang terkena MRS

untuk yang tidak terkena MRS. Variabel prediktor untuk usia,

untuk lama rawat, dan

terdiri

untuk IMT.

3) Menentukan fungsi Kernel Fungsi kernel yang digunakan adalah fungsi kernel Gaussian berdasarkan persamaan (2.10) untuk semua prediktor. 4) Menginput nilai bandwidth( ) Nilai bandwidth yang diinputkan adalah nilai bandwidth pada Tabel 4.1. 5) Mendapatkan matriks diagonal Matriks diagonal

sesuai dengan persamaan (2.15) dapat diperoleh

berdasarkan program pada Lampiran 3.Berikut merupakan bentuk matriks dengan dimensi

SKRIPSI

dan bandwidth optimum dari masing-masing


MAKSYUFATUL ILMI


33

prediktor. Prediktor usia dengan

diperoleh Mtriks

sebagai

berikut.

[

]

Prediktor lama rawat dengan

diperoleh Mtriks

sebagai

berikut.

[

]

Prediktor IMT dengan

diperoleh Mtriks

[

sebagai berikut.

]

6) Mendapatkan matriks Matriks

sesuai dengan persamaan (2.16) dapat diperoleh

berdasarkan program pada Lampiran 3.Berikut merupakan bentuk matriks dengan dimensi diperoleh Mtriks

untuk setiap prediktor. Prediktor usia dengan sebagai berikut.

[

Prediktor usia dengan

SKRIPSI

]

diperoleh Mtriks


sebagai berikut.

MAKSYUFATUL ILMI


34

[

]

Prediktor usia dengan

diperoleh Mtriks

sebagai berikut.

[

]

7) Menghitung nilai ̂

( )

Berdasarkan program pada Lampiran 3 dengan masing-masing bandwidth pada Tabel 4.1, diperoleh estimasi awal fungsi regresi untuk masingmasing prediktor seperti pada Tabel 4.2.

Tabel 4.2 Estimasi Awal Fungsi Regresi untuk Setiap Prediktor No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

SKRIPSI

m1topi(0) 0,425 0,437 0,376 0,245 0,425 0,355 0,218 0,376 0,468 0,425 0,355 0,468 0,355 0,376 0,355 0,355

m2topi(0) 0,430 0,383 0,399 0,383 0,408 0,430 0,399 0,059 0,383 0,408 0,408 0,399 0,383 0,399 0,384 0,408

m3topi(0) 0,40 0,266 0,642 0,116 0,651 0,060 0,202 0,454 0,399 0,652 0,546 0,176 0,653 0,244 0,153 0,148


MAKSYUFATUL ILMI


35

No 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40

m1topi(0) 0,245 0,425 0,355 0,376 0,425 0,376 0,376 0,355 0,376 0,425 0,376 0,437 0,355 0,355 0,355 0,332 0,425 0,218 0,218 0,376 0,355 0,355 0,376 0,437

8) Menghitung nilai Nilai

m2topi(0) 0,430 0,430 0,383 0,399 0,384 0,430 0,383 0,399 0,399 0,384 0,383 0,383 0,399 0,059 0,399 0,384 0,383 0,383 0,430 0,383 0,430 0,221 0,430 0,430

m3topi(0) 0,000 0,179 0,400 0,630 0,565 0,573 0,308 0,624 0,618 0,640 0,655 0,555 0,137 0,284 0,514 0,451 0,653 0,310 0,081 0,542 0,163 0,156 0,378 0,548

( ) berdasarkan persamaan (2.12)

( ) dapat diperoleh dari persamaan (2.12) dengan masing-

masing bandwidth pada Tabel 4.1 yang selanjutnya digunakan untuk menghitung

. Diberikan penjelasan untuk prediktor usia, penjelasan

ini berlaku untuk prediktor lama rawat dan IMT. Pada prediktor usia, bandwidth optimumnya adalah 0,62, sehingga diperoleh

SKRIPSI


MAKSYUFATUL ILMI


36

∑(

̂(

))

∑

Berdasarkan program pada Lampiran 3 nilai

untuk masing-masing

prediktor seperti pada Tabel 4.3.

Tabel 4.3 Mean Square of Error (MSE) Prediktor Usia Lama Rawat IMT

MSE 0,183 0,222 0,168

Setelah melewati tujuh langkah di atas maka diperoleh nilai awal fungsi regresi beserta error seperti pada Lampiran 6.

4.1.2

Mengestimasi Model Regresi Logistik Nonparametrik Aditif Mengestimasi model regresi logistik nonparametrik aditif dapat dilakukan

dengan menggunakan algoritma local scoring. Algoritma ini terdiri dari scoring (outer loop) yang diiterasikan sampai nilai rat-rata deviance konvergen dan backfitting terboboti (inner loop) yang diiterasikan sampai nilai rata-rata Residual Sum of Square (RSS) konvergen.

SKRIPSI


MAKSYUFATUL ILMI


37

1) Menentukan nilai variabel adjusted dependent (z) Variabel adjusted dependent (z) dapat diperoleh berdasarkan persamaan (2.18). Diberikan penjelasan untuk z pengamatan pertama, penjelesan ini akan berlaku pada pengamatan selanjutnya. (

)

2) Mengiterasikan langkah backfitting terboboti (inner loop) Langkah backfitting ini diiterasikan hingga diperoleh rata-rata RSS yang konvergen dan berdasarkan program pada Lampiran 3 dengan diperoleh rata-rata RSS konvergen 1,824847. 3) Mengiterasikan langkah scoring (outer loop) Langkah backfitting ini diiterasikan hingga diperoleh rata-rata deviance yang konvergen dan berdasarkan program pada Lampiran 3 dengan di peroleh rata-rata deviance konvergen 0,7794558. 4) Memperoleh estimasi model Estimasi model dengan fungsi logit dapat diperoleh berdasarkan persamaan (2.3) dan program pada Lampiran 3. Diberikan penjelasan untuk pengamatan pertama, penjelasan ini berlaku untuk pengamatan selanjutnya. Estimasi fungsi regresi untuk pengamatan pertama pada setiap prediktor adalah ̂ ̂

SKRIPSI

, ̂

, dan

, sehingga


MAKSYUFATUL ILMI


38

̂ Estimasi model pada pengamatan selanjutnya dapat dilihat pada Lampiran 7. Selain estimasi model untuk keseluruhan prediktor, berikut ini ditampilkan plot estimasi peluang kejadian untuk masing-masing prediktor dengan menganggap prediktor lain bernilai konstan. Nilai estimasi model untuk setiap prediktor dapat dilihat pada Lampiran 9.

Scatterplot of Peluang vs Usia 0.64 0.62

Peluang

0.60 0.58 0.56 0.54 0.52 4

5

6

7

8

9

10

11

12

13

Usia

Gambar 4.4 Plot Estimasi Peluang Kejadian Berdasarkan Usia

Dari Gambar 4.4 diketahui bahwa peluang kejadian MRS berdasarkan usia pasien bersifat fluktuatif. Pasien anak dengan resiko paling tinggi mengalami MRS adalah pasien anak yang berusia 11 tahun dan yang beresiko paling kecil adalah pasien anak dengan usia 9 tahun.

SKRIPSI


MAKSYUFATUL ILMI


39

Scatterplot of Peluang* vs Lama Rawat 0.60

Peluang*

0.58

0.56

0.54

0.52 2

3

4

5 Lama Rawat

6

7

8

Gambar 4.5 Plot Estimasi Peluang Kejadian Berdasarkan Lama Rawat

Dari Gambar 4.5 diketahui bahwa semakin lama pasien anak dirawat di RS atau pasien anak yang dirawat lebih dari satu minggu memiliki peluang kejadian mengalami MRS semakin kecil. Hal ini bisa saja terjadi karena proses adaptasi dari anak itu sendiri.

Scatterplot of Peluang** vs IMT 0.66 0.64

Peluang**

0.62 0.60 0.58 0.56 0.54 0.52 0.50 5

10

15

20

25

30

IMT

Gambar 4.6 Plot Estimasi Peluang Kejadian Berdasarkan IMT

SKRIPSI


MAKSYUFATUL ILMI


40

Dari Gambar 4.6 dapat diketahui bahwa peluang kejadian MRS untuk anak yang memiliki IMT dibawah 18,5 kg/m2 dan diatas normal 23 kg/m2 beresiko mengalami MRS lebih besar dibandingkan dengan anak yang memiliki IMT normal yaitu antara 18,5 kg/m2 - 22,9 kg/ m2 yang pada umumnya memiliki resiko mengalami MRS lebih kecil.

4.1.3 Menentukan nilai cut off probability dan menghitung ketepatan klasifikasi data in sample Esimasi model regresi aditif memiliki kriteria selang

yaitu

yang dapat dilihat pada Lampiran 10. Berdasarkan program pada Lampiran 4 diperoleh nilai cut off probability seperti pada Tabel 4.8.

Tabel 4.4 Ketepatan Klasifikasi Nilai Cut off Probability No Treshold 1 2 3 4 5 6 7 8 9 10

0,00 0,10 0,20 0,30 0,40 0,50 0,60 0,70 0,71 0,72

Ketepatan Klsasifikasi 37,5 37,5 37,5 37,5 37,5 37,5 37,5 65 67,5 70

No

Treshold

11 12 13 14 15 16 17 18 19 20

0,73 0,74 0,75 0,76 0,77 0,78 0,79 0,80 0,90 1,00

Ketepatan Klasifikasi 70 72,5 80 82,5 85 85 75 77,5 62,5 62,5

Berdasarkan output pada Lampiran 8 dapat dilihat plot dari nilai cut off probability pada Gambar 4.7 seperti di bawah ini.

SKRIPSI


MAKSYUFATUL ILMI


41

Scatterplot of kk vs tresshold 90

80

kk

70

60

50

40 0.0

0.2

0.4

0.6

0.8

1.0

tresshold

Gambar 4.7 Plot Ketepatan Klasifikasi Cut off Probability

Dari Gambar 4.7 diketahui bahwa nilai cut off probability terbaik terletak pada ketepatan klasifikasi tertinggi 85% yaitu pada titik 0,78. Proses validasi dilakukan dengan menghitung

̂

untuk setiap nilai cut off probabilityterbaik.

Berdasarkan output pada Lampiran 7 diperoleh estimasi model pada setiap pengamatan sehingga dapat diklasifikasian berdasarkan nilai cut off probability = 0,78.

Tabel 4.5 Ketepatan Klasifikasi Data In Sample

MRS Tidak MRS Jumlah

Pengamatan

SKRIPSI

Prediksi MRS Tidak MRS 12 2 4 22 16 24


Jumlah 14 26 40

MAKSYUFATUL ILMI


42

Berdasarkan Tabel 4.5 dapat dihitung nilai APPER sebagi berikut:

Jadi,

Berdasarkan perhitungan dapat diketahui bahwa ketepatan klasifikasi untuk estimasi model logistik nonparametrik aditif berdasarkan estimator kernel untuk data in sample adalah

. Dari hasil tersebut dapat dikatakan bahwa model

sudah cukup valid.Berikut ini adalah Tabel validasi data in sample.

Tabel 4.6 Validasi Data In Sample No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21

Y 1 0 1 0 1 0 0 0 1 1 0 0 1 0 0 0 0 1 0 1 1

SKRIPSI

Peluang Kejadian 0,789 0,769 0,811 0,657 0,833 0,683 0,662 0,717 0,783 0,833 0,774 0,745 0,788 0,743 0,693 0,697 0,642 0,760 0,743 0,810 0,817

Kejadian MRS Tidak MRS MRS Tidak MRS MRS Tidak MRS Tidak MRS Tidak MRS MRS MRS Tidak MRS Tidak MRS MRS Tidak MRS Tidak MRS Tidak MRS Tidak MRS MRS Tidak MRS MRS MRS

Estimasi Kejadian MRS Tidak MRS MRS Tidak MRS MRS Tidak MRS Tidak MRS Tidak MRS MRS MRS Tidak MRS Tidak MRS MRS Tidak MRS Tidak MRS Tidak MRS Tidak MRS Tidak MRS Tidak MRS MRS MRS


Validasi Valid Valid Valid Valid Valid Valid Valid Valid Valid Valid Valid Valid Valid Valid Valid Valid Valid Tidak Valid Valid Valid Valid

MAKSYUFATUL ILMI


43

No 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40

Y 1 0 1 0 0 1 1 0 0 0 0 0 0 0 0 0 0 1 1

Peluang Kejadian 0,806 0,752 0,786 0,808 0,820 0,811 0,816 0,693 0,650 0,767 0,734 0,829 0,683 0,642 0,793 0,705 0,658 0,773 0,822

Kejadian MRS Tidak MRS MRS Tidak MRS Tidak MRS MRS MRS Tidak MRS Tidak MRS Tidak MRS Tidak MRS Tidak MRS Tidak MRS Tidak MRS Tidak MRS Tidak MRS Tidak MRS MRS MRS

Estimasi Kejadian MRS Tidak MRS MRS MRS MRS MRS MRS Tidak MRS Tidak MRS Tidak MRS Tidak MRS MRS Tidak MRS Tidak MRS MRS Tidak MRS Tidak MRS Tidak MRS MRS

Validasi Valid Valid Valid Tidak Valid Tidak Valid Valid Valid Valid Valid Valid Valid Tidak Valid Valid Valid Tidak Valid Valid Valid Tidak Valid Valid

4.2 Memvalidasi Data Out Sample Berdasarkan Model yang Telah Diperoleh Estimasi model pada data out sample dilakukan menggunakan model yang telah diperoleh berdasarkan data in sample dengan cut off probability sebesar 0,78. Data out sample yang digunakan adalah 17 data pasien anak dari 57 data yang ada, terdiri 6 anak terkena MRS dan 11 anak tidak terkena MRS (Lampiran 2). Langkah pertama untuk memperoleh ̂ (

) dari data out sample adalah

dengan melihat selang prediksi pada Lampiran 10, sehingga dapat ditentukan estimasi model berdasarkan letak selang tersebut. Diberikan penjelasan perhitungan data out sample pengamatan pertama, untuk pengamatan lainnya proses yang dilakukan sama dengan pengamatan pertama.

SKRIPSI


MAKSYUFATUL ILMI


44

Data pada pengamatan ke-1 prediktor ke-1 yaitu

. Data tersebut

, sehingga ̂

berada pada selang

. Data pada

pengamatan ke-1 prediktor ke-2 yaitu 6. Data tersebut berada pada selang , sehingga ̂

. Data pada pengamatan ke-1

prediktor ke-3 yaitu 17,93. Data tersebut berada pada selang , sehingga ̂

. Setelah didapat seluruh nilai ̂ (

untuk masing – masing prediktor, kemudian ̂ (

)

) tersebut dijumlahkan, Pada

data pengamatan ke-1 jumlahan yaitu 0,837122. Langkah terakhir yaitu menghitung ̂ . ∑

̂ (

Jadi, nilai untuk ̂

∑

)

, sehingga dengan cut off probability sebesar 0,78

pengamatan ke-1 diklasifikasikan tidak mengalami MRS

.

Berdasarkan output pada Lampiran 11 diperoleh estimasi model pada setiap pengamatan sehingga dapat diklasifikan berdasarkan nilai cut off probability = 0,78. Tabel 4.7 Ketepatan Klasifikasi Data out Sample Prediksi Jumlah MRS Tidak MRS MRS 2 4 6 Pengamatan Tidak MRS 2 9 11 Jumlah 4 13 17 Berdasarkan Tabel 4.7 dapat dihitung nilai APPER sebagi berikut:

SKRIPSI


MAKSYUFATUL ILMI


45

Jadi, Berdasarkan perhitungan dapat diketahui bahwa ketepatan klasifikasi untuk estimasi model logistik nonparametrik aditif berdasarkan estimator kernel untuk data out sample adalah 65%. Nilai ketepatan klasifikasi ini lebih besar dibandingkan jika menggunakan metode regresi logistik biner (parametrik) yang mempunyai ketepatan klasifikasi 64,7%. Dari hasil tersebut dapat dikatakan bahwa model sudah cukup valid.Berikut ini diberikan Tabel 4.8 Untuk melihat validasi estimasi model data out sample. Tabel 4.8 Ketepatan Klasifikasi Data Out Sample No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17

Y 0 0 0 0 0 0 0 1 0 0 0 0 1 1 1 1 1

SKRIPSI

Peluang Kejadian 0,698 0,757 0,718 0,740 0,765 0,766 0,783 0,732 0,813 0,651 0,703 0,772 0,771 0,807 0,730 0,726 0,791

Kejadian Tidak MRS Tidak MRS Tidak MRS Tidak MRS Tidak MRS Tidak MRS Tidak MRS MRS Tidak MRS Tidak MRS Tidak MRS Tidak MRS MRS MRS MRS MRS MRS

Estimasi Kejadian Tidak MRS Tidak MRS Tidak MRS Tidak MRS Tidak MRS Tidak MRS MRS Tidak MRS MRS Tidak MRS Tidak MRS Tidak MRS Tidak MRS MRS Tidak MRS Tidak MRS MRS


Validasi Valid Valid Valid Valid Valid Valid Tidak Valid Tidak Valid Tidak Valid Valid Valid Valid Tidak Valid Valid Tidak Valid Tidak Valid Valid

MAKSYUFATUL ILMI


46

Data in sample di atas jika diolah menggunakan metode regresi logistik biner (parametrik) dengan bantuan software SPSS, maka diperoleh nilai dan

masing masing sebesar 0,869; -0,018; -0,200; dan -0.025

(Output pada Lampiran 13), sehingga diperoleh model logistik biner sebagai berikut

̂

(4.1) ̂

Berdasarkan hasil estimasisesuai dengan persamaan (4.1) diperoleh ketepatan klasifikasi sebesar 62,5%. Berikut ini diberikan plot estimasi model untuk masingmasing prediktor dengan menganggap variabel prediktor yang lain konstan pada Gambar 4.8, Gambar 4.9, dan Gambar 4.10 sebagai berikut: Scatterplot of p1 vs x1 0.40 0.39 0.38

p1

0.37 0.36 0.35 0.34 0.33 4

5

6

7

8

9

10

11

12

13

x1

Gambar 4.8 Plot Estimasi Model Kejadian MRS Berdasarkan Usia dengan Metode Logistik Biner Parametrik

SKRIPSI


MAKSYUFATUL ILMI


47

Scatterplot of p2 vs x2 0.50 0.45

p2

0.40 0.35 0.30 0.25 0.20 2

3

4

5 x2

6

7

8

Gambar 4.9 Plot Estimasi Model Kejadian MRS Berdasarkan Lama Rawat dengan Metode Logistik Biner Parametrik

Scatterplot of p3 vs x3 0.50

0.45

p3

0.40

0.35

0.30

5

10

15

20

25

30

x3

Gambar 4.10 Plot Estimasi Model Kejadian MRS Berdasarkan IMT dengan Metode Logistik Biner Parametrik

Dari Gambar 4.5, Gambar 4.6, dan Gambar 4.7 dapat dilihat bahwa semua plot untuk semua prediktor menurun, artinya bahwa semakin bertambah usia dan

SKRIPSI


MAKSYUFATUL ILMI


48

semakin lama anak dirawat serta semakin tinggi IMT anak maka peluang pasien anak penderita ISPA mengalami MRS semakin kecil. Ketepatan klasifikasi sebesar 85% diperoleh dari pendekatan model regresi nonparametrik aditif berdasarkan estimator Kernel, sedangkan berdasarkan pendekatan logistik biner parametrikdiperoleh ketepatan klasifikasi sebesar 62,5%, sehingga disimpulkan bahwa estimasi model dengan pendekatan logistik nonparametrik aditif lebih baik daripada estimasi model dengan pendekatan logistik biner (parametrik).

SKRIPSI


MAKSYUFATUL ILMI


BAB V KESIMPULAN DAN SARAN 5.1 Kesimpulan Berdasarkan hasil dan pembahasan yang elah dilakukan, diperoleh kesimpulan sebagai berikut: 1. Kesimpulan yang dapat diperoleh dari pembahasan 4.1 adalah sebagai berikut: a. Pertama, peluang kejadian MRS berdasarkan usia bersifat fluktuatif dan yang mempunyai risiko paling tinggi terkena MRS adalah pasien anak yang berusia 11 tahun dan terendah adalah pasien anak dengan usia 9 tahun. Kedua, berdasarkan lama rawat, semakin lama pasien dirawat maka peluang terkena MRS semakin kecil. Ketiga, berdasarkan IMT, pasien dengan IMT normal mempunyai peluang relatif lebih kecil untuk mengalami MRS. b. Hasil pemodelan kejadian MRS pada pasien anak penderita ISPA dengan pendekatan logistik nonparametrik

aditif berdasarkan

estimator Kernel diperoleh ketepatan klasifikasi sebesar 85%, sedangkan berdasarkan pendekatan logistik biner parametrikdiperoleh ketepatan klasifikasi sebesar 62,5%, sehingga dapat disimpulkan bahwa estimasi model dengan pendekatan logistik nonparametrik aditif lebih baik daripada estimasi model dengan pendekatan logistik biner (parametrik).

49 SKRIPSI


MAKSYUFATUL ILMI


50

2. Validasi data out sample berdasarkan model yang telah diperoleh dengan cut off probability 0,78 memiliki ketepatan klasifikasi 65%.

5.2 Saran Dari kesimpulan yang didapat saran yang diberikan oleh peneliti adalah:Bagi penelitian selanjutnya diharapkan menambahkan variabel prediktor karena ketepatan klasifikasi untuk data out sample masih kurang memuaskan. Selain itu peneliti juga bisa menggunakan estimator regresi nonparametrik yang lain seperti Spline, Lokal linier, dan Wafelet. .

SKRIPSI


MAKSYUFATUL ILMI


DAFTAR PUSTAKA Chambers, J. 2016. About R. (https://cran.r-project.org, diakses pada tanggal 28 Maret 2016) Claudia, R. 2015. Prevalensi Malnutrisi Berdasarkan Antropometri pada Pasien Rawat Inap di Rumah Sakit DR Wahidin Sudirohusodo Makassar Tahun 2015. Skripsi , Fakultas Kedokteran Universitas Hasanuddin Makassar. Collet, D. 2002.Modelling Binary Data 2nd Edition.Chapman & Hall/CRC. Davey, P. 2006.At A Glance Medicine.Alih bahasa: Anissa Rahmalia.Jakarta: Erlangga. Eubank, R. 1988. Spline Smoothing and Nonparametrik Regression. New York: Marcel Dekker. Hadiana, S. 2013. Hubungan Status gizi Terhadap Terjadinya Infeksi Saluran Pernapasan Akut (ISPA) Pada Balita Di Puskesmas Pajang Surakarta. Surakarta: Fakultas Kedokteran Universitas Muhammadiyah Surakarta. Halim, S. dan Bisono, I. 2006. Fungsi-Fungsi Kernel pada Metode Regresi Nonparametrik dan Aplikasinya pada Priest River Experimental Forest's Data. Jurnal Teknik Industri, Vol. 8, No.1 , 74. Hardle, W. 1990. Applied Nonparametrik Regression. New York: Cambridge University Press. Hartati, S., Nani N., dan Dewi G. 2012. Faktor Resiko Terjadinya Pneumonia Pada Anak Balita. Jurnal Keperawatan Indonesia, Volume 15, No. 1 , 1320. Jessie. 2008. Prevalence of Malnutrition in Pediatric Hospital Patients. Rotterdam: Lippincott Williams & Wilkins. Juliaty, A. 2013. Malnutrisi Rumah Sakit Pada Bangsal Anak Rumah sakit Dr. Wahidin Sudirohusodo Makassar. Sari Pediatri, Vol. 15, No. 2 , 65-68. Kleinbaum, D. 1994. Logistik Regression. New York: Springer. Kurniasih, D. 2013. Efisiensi Relatif Estimator Fungsi Kernel Gaussian terhadap Estimator Polinomial dalam Peramalan USD terhadap JPY. Skripsi, Fakultas MIPA Universitas Negeri Semarang. Kalhori, S. R. N., Nasehi, M., dan Zeng, X-J. 2010. A Logistik Regression Model to Predict High Risk Patients to Fail in Tuberculosis Treatment Course 51 SKRIPSI


MAKSYUFATUL ILMI


52

Completion. IAENG International Journal of Applied Mathematics, 40:2 IJAM_40_2_08. Nurparida, I.S., Dewi MDH, dan Nita A. 2015. Peran Tim Terapi Gizi (TTG) dalam Mengatasi Malnutrisi Pasien Selama Dirawat di Rumah Sakit. Suatu Kajian Literatur, Program Pasca Sarjana Universitas Padjajaran. Pujadara, R. A. 2015. Pola Penggunaan Obat ISPA Atas Pada Pasien Anak (Penelitian Dilakukan Di Instalasi Rawat Jalan SMF / Departemen Ilmu Kesehatan Anak RSUD Dr. Soetomo Surabaya). Undergraduate Thesis . Puspitasari, I., Suparti, dan Yuciana W. 2012. Analisis Indeks Harga Saham Gabungan (IHSG) dengan Menggunakan Model Regresi Kernel. Jurnal Gaussian, Volume 1, Nomor 1 , 93-102. Rahajoe. 2012. Buku Ajar Respirologi Anak, cetakan ketiga. Ikatan Dokter Indonesia. Rancher, A. C., and Schaalje, G. B., 2008,Linier Models in Statistics, Second Edition, John Wiley and Sons Inc, United State of America. Rianlegio. 2014. Asuhan Keperawatan pada Klien Malnutrisi. (http://rianlegio.blogspot.co.id/2014/05/: asuhan-keperawatan-pada-klienmalnutrisi.html, diakses pada tanggal 12 April 2016). Rifada, M. 2009. Estimasi Model Regresi Logistik Nonparametrik Aditif Berdasarkan Estimator Kernel. Skripsi , Fakultas Sains dan Teknologi Universitas Airlangga. RISKESDAS. 2013. Riset Kesehatan Dasar. Jakarta: Badan Penelitian dan Pengembangan Kesehatan, Kementrian Kesehatan RI. Saryono, Agus P, dan Mekar DA. 2006. Perbedaan Kadar Albumin Plasmapada pasien Sebelum dan Setelah Menjalani Rawat Inap di RSUD Prof. DR Margono Soekarjo Purwokerto. Jurnal Keperawatan Soedirman (The Journal of Soedirman), Volume 1, Nomor 1, Juli 2006. Tjahjono, D. 2004. Pendekatan estimator Kernel pada Model Regresi Nonparametrik dengan Error Berdistribusi Lognormal. Skripsi, Departemen Matematika, FMIPA Universitas Airlangga Surabaya. Widiardi, H. R. 2014. Model Regresi Nonparametrik Menggunakan Fungsi Kernel (Pada Kasus Berat Badan Balita Desa Buduran Kabupaten Sidoarjo). Jurnal Mahasiswa Statistik, Vol 2, Nomor 2.

SKRIPSI


MAKSYUFATUL ILMI


Lampiran 1 Data In Sample No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36

SKRIPSI

Y 1 0 1 0 1 0 0 0 1 1 0 0 1 0 0 0 0 1 0 1 1 1 0 1 0 0 1 1 0 0 0 0 0 0 0 0

Usia 8 11 5 10 7 6 9 5 12 7 6 12 6 5 6 6 10 7 6 5 7 5 5 6 5 8 5 11 6 6 6 13 7 9 9 5

Lama Rawat 5 3 4 3 2 5 4 8 3 2 2 4 3 4 6 2 5 5 3 4 6 5 3 4 4 6 3 3 4 8 4 6 3 3 5 3

IMT 14,22 25,32 11,49 16,87 11,71 19,90 24,63 13,88 25,96 12,13 13,29 17,81 12,12 15,10 15,65 15,69 6,23 17,92 14,21 12,56 22,74 22,47 21,26 12,64 12,71 11,46 11,89 27,15 17,16 25,42 23,12 27,92 12,09 14,73 19,52 10,59


MAKSYUFATUL ILMI


No 37 38 39 40

SKRIPSI

Y 0 0 1 1

Usia 6 6 5 11

Lama Rawat 5 7 5 5

IMT 17,54 18,72 14,34 13,28


MAKSYUFATUL ILMI


Lampiran 2 Data Out Sample No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17

SKRIPSI

Y 0 0 0 0 0 0 0 1 0 0 0 0 1 1 1 1 1

Usia 6 8 10 12 12 7 5 5 7 13 6 5 6 5 7 5 7

Lama Rawat 6 4 3 5 4 4 2 3 3 3 2 4 3 3 10 11 7

IMT 17,93 15,56 14,55 17,86 26,06 14,25 12,98 24,21 10,26 19,05 17,30 13,63 27,60 12,46 28,30 28,03 23,63


MAKSYUFATUL ILMI


Lampiran 3 Program Estimasi Model ginverse<-function(x,eps=1e-016) { x<-as.matrix(x) xsvd<-svd(x) diago<-xsvd$d[xsvd$d>eps] if(length(diago)==1) { xplus<-as.matrix(xsvd$v[,1])%*%t(as.matrix(xsvd$u[,1])/diago) } else { xplus<xsvd$v[,1:length(diago)]%*%diag(1/diago)%*%t(xsvd$u[,1:length(diago)]) } return(xplus) } kernel<-function(u) { (1/sqrt(2*pi)*exp(-0.5*(u^2))) } bw<-function(respon,predictor,h) { data<-cbind(respon,predictor) y<-data[,1] x<-data[,2] n<-length(y) Kh<-rep(0,n) C<-rep(1,n) W<-matrix(0,n,n) Ah<-matrix(0,n,n) h1<-h+1 vh<-seq(h,h1,by=0.01) VGCV<-seq(h,h1,by=0.01) k<-1 cat("==========================") cat("\n Bandwidth \t GCV") cat("\n==========================") while(h
SKRIPSI


MAKSYUFATUL ILMI


Kh[b]<-(1/h)*kernel(u) } W<-diag(1,n,n)*Kh f1<-t(C)%*%W%*%C f2<-ginverse(f1) Ah[a,]<-f2%*%t(C)%*%W } mtopi<-Ah%*%y MSE<-t(y-mtopi)%*%(y-mtopi)/n bawah<-((1/n)*sum(diag(diag(1,n,n)-(Ah))))^2 GCV<-MSE/bawah cat("\n",format(h),"\t\t",format(GCV)) vh[k]<-h VGCV[k]<-GCV h<-h+0.01 k<-k+1 } cat("\n===========================") cat("\nh.Optimum\tGCV minimum") cat("\n") s<-matrix(c(vh,VGCV),length(vh),2) GCVminimum<-min(VGCV) h1.optimal<-s[s[,2]==GCVminimum] win.graph() plot(vh,VGCV,col=2,type="l",xlim=c(min(vh),max(vh)),ylim=c(min(VG CV),max(VGCV)),xlab="BANDWIDTH",ylab="GENERALIZED CROSS VALIDATION(GCV)") title(main=" PLOT BANDWIDTH TERHADAP GCV ",col=2) return(h1.optimal) } ex<-function(respon,predictor,h) { data<-cbind(respon,predictor) y<-data[,1] x<-data[,2] n<-length(y) Kh<-rep(0,n) C<-rep(1,n) W<-matrix(0,n,n) Ah<-matrix(0,n,n) mtopi<-rep(0,n) error<-rep(0,n) for(a in 1:n) { for(b in 1:n)

SKRIPSI


MAKSYUFATUL ILMI


{ u<-(x[a]-x[b])/h Kh[b]<-(1/h)*kernel(u) } W<-diag(1,n,n)*Kh f1<-t(C)%*%W%*%C f2<-ginverse(f1) Ah[a,]<-f2%*%t(C)%*%W } return(x) } eW<-function(respon,predictor,h) { data<-cbind(respon,predictor) y<-data[,1] x<-data[,2] n<-length(y) Kh<-rep(0,n) C<-rep(1,n) W<-matrix(0,n,n) Ah<-matrix(0,n,n) mtopi<-rep(0,n) error<-rep(0,n) for(a in 1:n) { for(b in 1:n) { u<-(x[a]-x[b])/h Kh[b]<-(1/h)*kernel(u) } W<-diag(1,n,n)*Kh f1<-t(C)%*%W%*%C f2<-ginverse(f1) Ah[a,]<-f2%*%t(C)%*%W } return(W) } eAh<-function(respon,predictor,h) { data<-cbind(respon,predictor) y<-data[,1] x<-data[,2] n<-length(y) Kh<-rep(0,n)

SKRIPSI


MAKSYUFATUL ILMI


C<-rep(1,n) W<-matrix(0,n,n) Ah<-matrix(0,n,n) mtopi<-rep(0,n) error<-rep(0,n) for(a in 1:n) { for(b in 1:n) { u<-(x[a]-x[b])/h Kh[b]<-(1/h)*kernel(u) } W<-diag(1,n,n)*Kh f1<-t(C)%*%W%*%C f2<-ginverse(f1) Ah[a,]<-f2%*%t(C)%*%W } return(Ah) } emtopi<-function(respon,predictor,h) { data<-cbind(respon,predictor) y<-data[,1] x<-data[,2] n<-length(y) Kh<-rep(0,n) C<-rep(1,n) W<-matrix(0,n,n) Ah<-matrix(0,n,n) mtopi<-rep(0,n) error<-rep(0,n) for(a in 1:n) { for(b in 1:n) { u<-(x[a]-x[b])/h Kh[b]<-(1/h)*kernel(u) } W<-diag(1,n,n)*Kh f1<-t(C)%*%W%*%C f2<-ginverse(f1) Ah[a,]<-f2%*%t(C)%*%W } mtopi<-Ah%*%y return(mtopi)

SKRIPSI


MAKSYUFATUL ILMI


} eerror<-function(respon,predictor,h) { data<-cbind(respon,predictor) y<-data[,1] x<-data[,2] n<-length(y) Kh<-rep(0,n) C<-rep(1,n) W<-matrix(0,n,n) Ah<-matrix(0,n,n) mtopi<-rep(0,n) error<-rep(0,n) for(a in 1:n) { for(b in 1:n) { u<-(x[a]-x[b])/h Kh[b]<-(1/h)*kernel(u) } W<-diag(1,n,n)*Kh f1<-t(C)%*%W%*%C f2<-ginverse(f1) Ah[a,]<-f2%*%t(C)%*%W } mtopi<-Ah%*%y error<-y-mtopi return(error) } eMSE<-function(respon,predictor,h) { data<-cbind(respon,predictor) y<-data[,1] x<-data[,2] n<-length(y) Kh<-rep(0,n) C<-rep(1,n) W<-matrix(0,n,n) Ah<-matrix(0,n,n) mtopi<-rep(0,n) error<-rep(0,n) for(a in 1:n) { for(b in 1:n)

SKRIPSI


MAKSYUFATUL ILMI


{ u<-(x[a]-x[b])/h Kh[b]<-(1/h)*kernel(u) } W<-diag(1,n,n)*Kh f1<-t(C)%*%W%*%C f2<-ginverse(f1) Ah[a,]<-f2%*%t(C)%*%W } mtopi<-Ah%*%y error<-y-mtopi MSE<-sum((error)^2)/n return(MSE) } na<-function(respon,predictor,h) { data<-cbind(respon,predictor) y<-data[,1] x<-data[,2] n<-length(y) mtopi<-rep(0,n) error<-rep(0,n) optimal1<-emtopi(y,x,h) mtopi<-optimal1 optimal2<-eerror(y,x,h) error<-optimal2 optimal3<-eMSE(y,x,h) MSE<-optimal3 cat("\n ========================================") cat("\n X\tY\tmtopi\t\terror") cat("\n ========================================") for(i in 1:n) { cat("\n",x[i],"\t",y[i],"\t",mtopi[i],"\t",error[i]) } cat("\n ========================================") cat("\n\nMSE = ",MSE,"\n") } aditif<-function(data,err1,err2) { y<-data[,1] x<-as.matrix(data[ ,-1]) n<-length(y) p<-ncol(x)

SKRIPSI


MAKSYUFATUL ILMI


h<-rep(0,p) xurut<-matrix(0,n,p) mawal<-matrix(0,n,p) mlama<-matrix(0,n,p) m<-matrix(0,n,p) nu<-rep(0,n) miu<-rep(0,n) z<-rep(0,n) R<-matrix(0,n,p) B<-matrix(0,n,n) q<-2*p datagab<-matrix(0,n,q+2) databaru<-matrix(0,n,q+2) ybaru<-rep(0,n) mbaru<-matrix(0,n,p) mnew<-matrix(0,n,p) v1<-rep(0,p) v2<-rep(0,p) a<-rep(0,n) b<-rep(0,n) devian<-rep(0,n) devianbaru<-rep(0,n) z<-rep(0,n) for(j in 1:p) { cat("\nUntukprediktorke-",j," inputkan : \n") h[j]<-as.numeric(readline("nilai h optimal = ")) } for(j in 1:p) { optimalx<-ex(y,x[,j],h[j]) xurut[,j]<-optimalx optimalmtopi<-emtopi(y,x[,j],h[j]) m[,j]<-optimalmtopi } for(k in 1:p) { for(a in 1:n) { for(b in 1:n) { if(x[a,k]==xurut[b,k]) { mawal[a,k]<-m[b,k] break }

SKRIPSI


MAKSYUFATUL ILMI


} } } for(i in 1:n) { nu[i]<-sum(mawal[i,]) miu[i]<-exp(nu[i])/(1+exp(nu[i])) B[i,i]<-miu[i]%*%(1-miu[i]) z[i]<-nu[i]+((y[i]-miu[i])/B[i,i]) } rss<-sum((t(z-nu)%*%B%*%(z-nu)))/n for(i in 1:n) { if(y[i]==0) { a[i]<-0 b[i]<-(1-y[i])*log10(1-miu[i]) } if(y[i]==1) { a[i]<-y[i]*log10(miu[i]) b[i]<-0 } devian[i]<-a[i]+b[i] } dev<-(-2*sum(devian))/n mnew<-mawal s<-0 u<-0 rssbaru<-rss devbaru<-dev zbaru<-z while(dev>err1) { devlama<-devbaru zlama<-zbaru repeat { mlama<-mnew rsslama<-rssbaru for(j in 1:p) { optimalAh<-eAh(y,x[,j],h[j]) Ah<-optimalAh datagab<-cbind(zlama,data,mnew) databaru<-datagab[order(x[,j]),1:(q+2)]

SKRIPSI


MAKSYUFATUL ILMI


z<-databaru[,1] ybaru<-databaru[,2] mbaru<-databaru[ ,(p+3):(q+2)] R[,j]<-z-apply((mbaru[ ,-j]),1,sum) mbaru[ ,j]<-Ah%*%R[,j] for(a in 1:n) { for(b in 1:n) { if(x[a,j]==xurut[b,j]) { mnew[a,j]<-mbaru[b,j] break } } } } for(i in 1:n) { nu[i]<-sum(mnew[i,]) miu[i]<-exp(nu[i])/(1+exp(nu[i])) B[i,i]<-miu[i]*(1-miu[i]) z[i]<-nu[i]+((y[i]-miu[i])/B[i,i]) } rssbaru<-sum((t(z-nu)%*%B%*%(z-nu)))/n rss<-abs(rsslama-rssbaru) s<-s+1 if(rss<err2) break } for(i in 1:n) { nu[i]<-sum(mnew[i,]) miu[i]<-exp(nu[i])/(1+exp(nu[i])) B[i,i]<-miu[i]%*%(1-miu[i]) zbaru[i]<-nu[i]+((y[i]-miu[i])/B[i,i]) } for(i in 1:n) { if(y[i]==0) { a[i]<-0 b[i]<-(1-y[i])*log10(1-miu[i]) } if(y[i]==1) { a[i]<-y[i]*log10(miu[i])

SKRIPSI


MAKSYUFATUL ILMI


b[i]<-0 } devianbaru[i]<-a[i]+b[i] } devbaru<-(-2*sum(devianbaru))/n dev<-abs(devlama-devbaru) u<-u+1 } miutopi<-miu cat("\n ==================================================") cat("\n i\tm1topi\t\t m2topi\t m3topi\t\t miutopi") cat("\n ==================================================\n") for(i in 1:n) { cat(i,"\t",mnew[i,],"\t",miu[i],"\n") } cat("\n Rata-Rata RSS Konvergen \t= ", rss, "\n") cat("\n Rata-Rata Deviance Konvergen \t= ", dev, "\n") mtopi<-matrix(0,n,p) mtopi<-mnew miupred<-matrix(0,n,p) cat("MIU PREDIKSI \n") for(j in 1:p) { cat("miuke-",j,"\n") for(i in 1:n) { miupred[i,j]<-exp(mtopi[i,j])/(1+exp(mtopi[i,j])) cat(i,"\t",miupred[i,j],"\n") } } miupred.urut<-matrix(0,n,p) mtopi.urut<-matrix(0,n,p) win.graph() for(j in 1:p) { a<-cbind(x[,j],miupred[,j],mtopi[,j]) a.urut<-a[order(x[,j]),1:3] xurut[,j]<-a.urut[,1] miupred.urut[,j]<-a.urut[,2] mtopi.urut[,j]<-a.urut[,3] } par(mfrow=c(3,1))

SKRIPSI


MAKSYUFATUL ILMI


plot(xurut[,1],miupred.urut[,1],type="l",xlim=c(min(xurut[,1]),max(xurut[, 1])),ylim=c(min(y),max(y)),xlab=("usia(tahun)"),ylab=("peluang kejadian(Y=1)")) plot(xurut[,2],miupred.urut[,2],type="l",xlim=c(min(xurut[,2]),max(xurut[, 2])),ylim=c(min(y),max(y)),xlab=("lama rawat(hari)"),ylab=("peluangkejadian(Y=1)")) plot(xurut[,3],miupred.urut[,3],type="l",xlim=c(min(xurut[,3]),max(xurut[, 3])),ylim=c(min(y),max(y)),xlab=("IMT(kg/cm)"),ylab=("peluang kejadian(Y=1)")) }

SKRIPSI


MAKSYUFATUL ILMI


Lampiran 4 Program Cut Off Probability cp<-function(data) { y<-data[,1] miu<-data[,2] n<-length(y) c<-rep(0,n) d<-rep(0,n) e<-rep(0,n) f<-rep(0,n) g<-rep(0,n) ytopi1<-matrix(0,n,1) th<-seq(0,1,0.01) nth<-length(th) a<-matrix(0,nth,2) for(j in 1:nth) { cat("-------------------------\n") cat("Threshold : ",th[j],"\n") cat("-------------------------\n") for(i in 1:n) { if(miu[i]<=th[j]) ytopi1[i]<-0 else ytopi1[i]<-1 c<-cbind(y,ytopi1) if(c[i,1]==0&&c[i,2]==0) { d[i]<-1 } else { d[i]<-0 } n11awal<-d if(c[i,1]==0&&c[i,2]==1) { e[i]<-1 } else { e[i]<-0 } n12awal<-e

SKRIPSI


MAKSYUFATUL ILMI


if(c[i,1]==1&&c[i,2]==0) { f[i]<-1 } else { f[i]<-0 } n21awal<-f if(c[i,1]==1&&c[i,2]==1) { g[i]<-1 } else { g[i]<-0 } n22awal<-g } n11<-sum(n11awal) n12<-sum(n12awal) n21<-sum(n21awal) n22<-sum(n22awal) cat("n11 = ",n11,"; n12 = ",n12,";\nn21 = ",n21,"; n22 = ",n22,"\n") cat("\n============================\n\tCROSSTAB\n======= =====================\n\t\t PREDIKSI\n\t\t 0\t 1\nOBSERVASI 0 | ",n11,"\t",n12,"\n\t 1 | ",n21,"\t",n22,"\n") A<-(((n11+n22)/(n11+n12+n21+n22))*100) cat("\nKetepatanKlasifikasi =",A,"\n\n\n") a[,1]<-th a[j,2]<-A } cat("\n thketepatanklasifikasi\n") print(a) thres<-as.numeric(readline("masukkannilai threshold maksimal : ")) th1<-seq(0,thres,0.01) nth1<-length(th1) b<-matrix(0,nth1,2) for(j in 1:nth1) { b[,1]<-th1 b[j,2]<-a[j,2] } cat("\n thketepatanklasifikasi\n") print(b)

SKRIPSI


MAKSYUFATUL ILMI


win.graph() plot(b[,1],b[,2],type="l",xlab="Nilai cut off probablity",ylab="KetepatanKlasifikasi") }

SKRIPSI


MAKSYUFATUL ILMI


Lampiran 5 Output Bandwidth Optimum 1. Usia >bw(a[,1],a[,2],0.01) ========================== Bandwidth GCV ========================== 0.01 0.2761013 0.02 0.2761013 0.03 0.2761013 0.04 0.2761013 0.05 0.2761013 0.06 0.2761013 0.07 0.2761013 0.08 0.2761013 0.09 0.2761013 0.1 0.2761013 0.11 0.2761013 0.12 0.2761013 0.13 0.2761013 0.14 0.2761013 0.15 0.2761013 0.16 0.2761013 0.17 0.2761013 0.18 0.2761012 0.19 0.2761010 0.2 0.2761000 0.21 0.2760973 0.22 0.2760903 0.23 0.2760748 0.24 0.2760441 0.25 0.2759885 0.26 0.2758954 0.27 0.2757497 0.28 0.2755347 0.29 0.2752333 0.3 0.2748295 0.31 0.2743098 0.32 0.2736651 0.33 0.2728912 0.34 0.2719897 0.35 0.2709683 0.36 0.2698401 0.37 0.2686227 0.38 0.2673370 0.39 0.2660059 0.4 0.2646528

SKRIPSI


MAKSYUFATUL ILMI


0.41 0.42 0.43 0.44 0.45 0.46 0.47 0.48 0.49 0.5 0.51 0.52 0.53 0.54 0.55 0.56 0.57 0.58 0.59 0.6 0.61 0.62 0.63 0.64 0.65 0.66 0.67 0.68 0.69 0.7 0.71 0.72 0.73 0.74 0.75 0.76 0.77 0.78 0.79 0.8 0.81 0.82 0.83 0.84 0.85 0.86 0.87

SKRIPSI

0.2633002 0.2619692 0.260678 0.2594421 0.2582737 0.2571819 0.2561729 0.2552502 0.2544151 0.2536669 0.2530036 0.2524218 0.2519175 0.251486 0.2511225 0.2508217 0.2505786 0.2503883 0.2502458 0.2501467 0.2500867 0.2500618 0.2500684 0.2501031 0.2501628 0.2502449 0.2503469 0.2504664 0.2506016 0.2507506 0.2509117 0.2510837 0.2512651 0.251455 0.2516522 0.2518559 0.2520652 0.2522794 0.2524979 0.2527200 0.2529453 0.2531731 0.2534031 0.2536347 0.2538677 0.2541016 0.254336


MAKSYUFATUL ILMI


0.88 0.2545707 0.89 0.2548052 0.9 0.2550393 0.91 0.2552727 0.92 0.2555051 0.93 0.2557363 0.94 0.2559659 0.95 0.2561936 0.96 0.2564194 0.97 0.2566429 0.98 0.2568639 0.99 0.2570821 1 0.2572975 =========================== h.Optimum GCV minimum [1] 0.6200000 0.2500618

2. Lama Rawat >bw(a[,1],a[,3],0.01) ========================== Bandwidth GCV ========================== 0.01 0.3128623 0.02 0.3128623 0.03 0.3128623 0.04 0.3128623 0.05 0.3128623 0.06 0.3128623 0.07 0.3128623 0.08 0.3128623 0.09 0.3128623 0.1 0.3128623 0.11 0.3128623 0.12 0.3128623 0.13 0.3128623 0.14 0.3128623 0.15 0.3128623 0.16 0.3128623 0.17 0.3128623 0.18 0.3128623 0.19 0.312862 0.2 0.3128612 0.21 0.3128586 0.22 0.3128521 0.23 0.3128376 0.24 0.3128089 0.25 0.3127569

SKRIPSI


MAKSYUFATUL ILMI


0.26 0.27 0.28 0.29 0.3 0.31 0.32 0.33 0.34 0.35 0.36 0.37 0.38 0.39 0.4 0.41 0.42 0.43 0.44 0.45 0.46 0.47 0.48 0.49 0.5 0.51 0.52 0.53 0.54 0.55 0.56 0.57 0.58 0.59 0.6 0.61 0.62 0.63 0.64 0.65 0.66 0.67 0.68 0.69 0.7 0.71 0.72

SKRIPSI

0.3126698 0.3125334 0.3123319 0.3120486 0.3116679 0.311176 0.3105622 0.3098201 0.3089480 0.3079487 0.30683 0.3056031 0.3042825 0.3028844 0.3014261 0.2999249 0.2983974 0.2968590 0.2953233 0.2938021 0.2923054 0.2908410 0.2894153 0.2880329 0.286697 0.2854096 0.2841716 0.2829833 0.2818443 0.2807534 0.2797093 0.2787103 0.2777546 0.2768402 0.2759650 0.2751271 0.2743242 0.2735546 0.2728162 0.2721072 0.2714259 0.2707705 0.2701397 0.2695319 0.2689457 0.2683799 0.2678334


MAKSYUFATUL ILMI


0.73 0.267305 0.74 0.2667937 0.75 0.2662987 0.76 0.2658190 0.77 0.2653538 0.78 0.2649025 0.79 0.2644643 0.8 0.2640387 0.81 0.263625 0.82 0.2632227 0.83 0.2628314 0.84 0.2624506 0.85 0.2620798 0.86 0.2617187 0.87 0.2613669 0.88 0.2610241 0.89 0.26069 0.9 0.2603643 0.91 0.2600467 0.92 0.2597370 0.93 0.259435 0.94 0.2591404 0.95 0.2588530 0.96 0.2585728 0.97 0.2582993 0.98 0.2580326 0.99 0.2577725 1 0.2575187 =========================== h.Optimum GCV minimum [1] 1.0000000 0.2575187

3. Indeks Massa Tubuh (IMT) >bw(a[,1],a[,4],0.01) ========================== Bandwidth GCV ========================== 0.01 4.300783 0.02 2.846705 0.03 2.374983 0.04 1.991915 0.05 1.673520 0.06 1.449856 0.07 1.302308 0.08 1.196106 0.09 1.110539 0.1 1.036134

SKRIPSI


MAKSYUFATUL ILMI


0.11 0.12 0.13 0.14 0.15 0.16 0.17 0.18 0.19 0.2 0.21 0.22 0.23 0.24 0.25 0.26 0.27 0.28 0.29 0.3 0.31 0.32 0.33 0.34 0.35 0.36 0.37 0.38 0.39 0.4 0.41 0.42 0.43 0.44 0.45 0.46 0.47 0.48 0.49 0.5 0.51 0.52 0.53 0.54 0.55 0.56 0.57

SKRIPSI

0.9681158 0.9041637 0.8437657 0.7874846 0.7361518 0.6903228 0.6500873 0.615127 0.5848704 0.5586461 0.5357923 0.5157171 0.497922 0.4820027 0.4676378 0.4545749 0.4426165 0.4316083 0.4214293 0.4119842 0.4031973 0.3950076 0.387365 0.3802274 0.3735582 0.3673247 0.3614973 0.3560485 0.3509523 0.3461845 0.3417218 0.3375425 0.333626 0.3299532 0.3265062 0.3232684 0.3202245 0.3173604 0.3146632 0.3121211 0.3097232 0.3074597 0.3053213 0.3032997 0.3013872 0.2995767 0.2978614


MAKSYUFATUL ILMI


0.58 0.2962352 0.59 0.2946924 0.6 0.2932275 0.61 0.2918357 0.62 0.2905121 0.63 0.2892526 0.64 0.2880528 0.65 0.2869091 0.66 0.2858179 0.67 0.2847759 0.68 0.2837801 0.69 0.2828275 0.7 0.2819156 0.71 0.281042 0.72 0.2802044 0.73 0.2794007 0.74 0.2786291 0.75 0.2778877 0.76 0.2771751 0.77 0.2764896 0.78 0.2758301 0.79 0.2751951 0.8 0.2745836 0.81 0.2739946 0.82 0.2734270 0.83 0.2728799 0.84 0.2723525 0.85 0.2718441 0.86 0.271354 0.87 0.2708814 0.88 0.2704257 0.89 0.2699864 0.9 0.2695628 0.91 0.2691545 0.92 0.2687609 0.93 0.2683817 0.94 0.2680162 0.95 0.2676641 0.96 0.2673250 0.97 0.2669983 0.98 0.2666838 0.99 0.2663811 1 0.2660896 =========================== h.Optimum GCV minimum [1] 1.0000000 0.2660896

SKRIPSI


MAKSYUFATUL ILMI


Lampiran 6 Output Nilai Awal Fungsi Regresi 1. Nilaiawaluntukprediktorusia >na(a[,1],a[,2],0.62) ======================================== X Y mtopi error ======================================== 8 1 0.4935386 0.5064614 11 0 0.5526994 -0.5526994 5 1 0.4186882 0.5813118 10 0 0.1519948 -0.1519948 7 1 0.5452948 0.4547052 6 0 0.2768696 -0.2768696 9 0 0.07387556 -0.07387556 5 0 0.4186882 -0.4186882 12 1 0.4982219 0.5017781 7 1 0.5452948 0.4547052 6 0 0.2768696 -0.2768696 12 0 0.4982219 -0.4982219 6 1 0.2768696 0.7231304 5 0 0.4186882 -0.4186882 6 0 0.2768696 -0.2768696 6 0 0.2768696 -0.2768696 10 0 0.1519948 -0.1519948 7 1 0.5452948 0.4547052 6 0 0.2768696 -0.2768696 5 1 0.4186882 0.5813118 7 1 0.5452948 0.4547052 5 1 0.4186882 0.5813118 5 0 0.4186882 -0.4186882 6 1 0.2768696 0.7231304 5 0 0.4186882 -0.4186882 8 0 0.4935386 -0.4935386 5 1 0.4186882 0.5813118 11 1 0.5526994 0.4473006 6 0 0.2768696 -0.2768696 6 0 0.2768696 -0.2768696 6 0 0.2768696 -0.2768696 13 0 0.1814868 -0.1814868 7 0 0.5452948 -0.5452948 9 0 0.07387556 -0.07387556 9 0 0.07387556 -0.07387556 5 0 0.4186882 -0.4186882 6 0 0.2768696 -0.2768696 6 0 0.2768696 -0.2768696

SKRIPSI


MAKSYUFATUL ILMI


5 1 0.4186882 0.5813118 11 1 0.5526994 0.4473006 ======================================== MSE = 0.1826032

2. Nilaiawaluntukprediktor lama rawat >na(a[,1],a[,3],1) ======================================== X Y mtopi error ======================================== 5 1 0.4301176 0.5698824 3 0 0.3831922 -0.3831922 4 1 0.398864 0.601136 3 0 0.3831922 -0.3831922 2 1 0.4076336 0.5923664 5 0 0.4301176 -0.4301176 4 0 0.398864 -0.398864 8 0 0.05903006 -0.05903006 3 1 0.3831922 0.6168078 2 1 0.4076336 0.5923664 2 0 0.4076336 -0.4076336 4 0 0.398864 -0.398864 3 1 0.3831922 0.6168078 4 0 0.398864 -0.398864 6 0 0.3839651 -0.3839651 2 0 0.4076336 -0.4076336 5 0 0.4301176 -0.4301176 5 1 0.4301176 0.5698824 3 0 0.3831922 -0.3831922 4 1 0.398864 0.601136 6 1 0.3839651 0.6160349 5 1 0.4301176 0.5698824 3 0 0.3831922 -0.3831922 4 1 0.398864 0.601136 4 0 0.398864 -0.398864 6 0 0.3839651 -0.3839651 3 1 0.3831922 0.6168078 3 1 0.3831922 0.6168078 4 0 0.398864 -0.398864 8 0 0.05903006 -0.05903006 4 0 0.398864 -0.398864 6 0 0.3839651 -0.3839651 3 0 0.3831922 -0.3831922 3 0 0.3831922 -0.3831922

SKRIPSI


MAKSYUFATUL ILMI


5 0 0.4301176 -0.4301176 3 0 0.3831922 -0.3831922 5 0 0.4301176 -0.4301176 7 0 0.2210884 -0.2210884 5 1 0.4301176 0.5698824 5 1 0.4301176 0.5698824 ======================================== MSE = 0.2215977

3. Nilaiawaluntukprediktor IMT >na(a[,1],a[,4],1) ======================================== X Y mtopi error ======================================== 14.22 1 0.3978995 0.6021005 25.32 0 0.2663762 -0.2663762 11.49 1 0.6421431 0.3578569 16.87 0 0.1159167 -0.1159167 11.71 1 0.651498 0.348502 19.9 0 0.06039376 -0.06039376 24.63 0 0.2016639 -0.2016639 13.88 0 0.4541824 -0.4541824 25.96 1 0.3994035 0.6005965 12.13 1 0.6523875 0.3476125 13.29 0 0.5464975 -0.5464975 17.81 0 0.1762873 -0.1762873 12.12 1 0.652625 0.347375 15.1 0 0.2440683 -0.2440683 15.65 0 0.1531648 -0.1531648 15.69 0 0.1476151 -0.1476151 6.23 0 1.453708e-06 -1.453708e-06 17.92 1 0.1794906 0.8205094 14.21 0 0.3995763 -0.3995763 12.56 1 0.6304064 0.3695936 22.74 1 0.5645344 0.4354656 22.47 1 0.5725369 0.4274631 21.26 0 0.3078909 -0.3078909 12.64 1 0.6238464 0.3761536 12.71 0 0.617504 -0.617504 11.46 0 0.6403948 -0.6403948 11.89 1 0.654607 0.3453930 27.15 1 0.5549925 0.4450075 17.16 0 0.1368824 -0.1368824

SKRIPSI


MAKSYUFATUL ILMI


25.42 0 0.2842537 -0.2842537 23.12 0 0.5136869 -0.5136869 27.92 0 0.4511985 -0.4511985 12.09 0 0.653262 -0.653262 14.73 0 0.31011 -0.31011 19.52 0 0.08146313 -0.08146313 10.59 0 0.5419919 -0.5419919 17.54 0 0.1632855 -0.1632855 18.72 0 0.1564722 -0.1564722 14.34 1 0.37766 0.62234 13.28 1 0.5479454 0.4520546 ======================================== MSE = 0.1675950

SKRIPSI


MAKSYUFATUL ILMI


Lampiran 7 Output Estimasi Model Aditif >aditif(a,1,1) Untukprediktorke- 1 inputkan : nilai h optimal = 0.62 Untukprediktorke- 2 inputkan : nilai h optimal = 1 Untukprediktorke- 3 inputkan : nilai h optimal = 1 ======================================================= i m1topi m2topi m3topi miutopi ======================================================= 1 0.4935386 0.4301176 0.3978995 0.7894404 2 0.5526994 0.3831922 0.2663762 0.768928 3 0.4186882 0.398864 0.6421431 0.811486 4 0.1519948 0.3831922 0.1159167 0.6572591 5 0.5452948 0.4076336 0.651498 0.8326361 6 0.2768696 0.4301176 0.06039376 0.6829541 7 0.07387556 0.398864 0.2016639 0.6624885 8 0.4186882 0.05903006 0.4541824 0.7174607 9 0.4982219 0.3831922 0.3994035 0.7825889 10 0.5452948 0.4076336 0.6523875 0.83276 11 0.2768696 0.4076336 0.5464975 0.7739937 12 0.4982219 0.398864 0.1762873 0.7452379 13 0.2768696 0.3831922 0.652625 0.7879624 14 0.4186882 0.398864 0.2440683 0.7430001 15 0.2768696 0.3839651 0.1531648 0.6929611 16 0.2768696 0.4076336 0.1476151 0.6968027 17 0.1519948 0.4301176 1.453708e-06 0.6415536 18 0.5452948 0.4301176 0.1794906 0.7604053 19 0.2768696 0.3831922 0.3995763 0.7426214 20 0.4186882 0.398864 0.6304064 0.809684 21 0.5452948 0.3839651 0.5645344 0.8166471 22 0.4186882 0.4301176 0.5725369 0.8055488 23 0.4186882 0.3831922 0.3078909 0.7520865 24 0.2768696 0.398864 0.6238464 0.7857643 25 0.4186882 0.398864 0.617504 0.8076879 26 0.4935386 0.3839651 0.6403948 0.8202288 27 0.4186882 0.3831922 0.654607 0.8109948 28 0.5526994 0.3831922 0.5549925 0.816211 29 0.2768696 0.398864 0.1368824 0.6926667 30 0.2768696 0.05903006 0.2842537 0.6502534 31 0.2768696 0.398864 0.5136869 0.7666374

SKRIPSI


MAKSYUFATUL ILMI


32 33 34 35 36 37 38 39 40

0.1814868 0.5452948 0.07387556 0.07387556 0.4186882 0.2768696 0.2768696 0.4186882 0.5526994

0.3839651 0.3831922 0.3831922 0.4301176 0.3831922 0.4301176 0.2210884 0.4301176 0.4301176

0.4511985 0.653262 0.31011 0.08146313 0.5419919 0.1632855 0.1564722 0.37766 0.5479454

0.7343196 0.829452 0.68291 0.6423219 0.793126 0.7048024 0.6580081 0.7731994 0.8221178

Rata-Rata RSS Konvergen= 1.824847 Rata-Rata Deviance Konvergen= 0.7794558

SKRIPSI


MAKSYUFATUL ILMI


Lampiran 8 Cut Off Probability >cp(b) No tresshold [1,] 0.00 [2,] 0.01 [3,] 0.02 [4,] 0.03 [5,] 0.04 [6,] 0.05 [7,] 0.06 [8,] 0.07 [9,] 0.08 [10,] 0.09 [11,] 0.10 [12,] 0.11 [13,] 0.12 [14,] 0.13 [15,] 0.14 [16,] 0.15 [17,] 0.16 [18,] 0.17 [19,] 0.18 [20,] 0.19 [21,] 0.20 [22,] 0.21 [23,] 0.22 [24,] 0.23 [25,] 0.24 [26,] 0.25 [27,] 0.26 [28,] 0.27 [29,] 0.28 [30,] 0.29 [31,] 0.30 [32,] 0.31 [33,] 0.32 [34,] 0.33 [35,] 0.34 [36,] 0.35 [37,] 0.36 [38,] 0.37 [39,] 0.38 [40,] 0.39 [41,] 0.40 [42,] 0.41 [43,] 0.42

SKRIPSI

ketepatan klasifikasi 37.5 37.5 37.5 37.5 37.5 37.5 37.5 37.5 37.5 37.5 37.5 37.5 37.5 37.5 37.5 37.5 37.5 37.5 37.5 37.5 37.5 37.5 37.5 37.5 37.5 37.5 37.5 37.5 37.5 37.5 37.5 37.5 37.5 37.5 37.5 37.5 37.5 37.5 37.5 37.5 37.5 37.5 37.5


MAKSYUFATUL ILMI


[44,] [45,] [46,] [47,] [48,] [49,] [50,] [51,] [52,] [53,] [54,] [55,] [56,] [57,] [58,] [59,] [60,] [61,] [62,] [63,] [64,] [65,] [66,] [67,] [68,] [69,] [70,] [71,] [72,] [73,] [74,] [75,] [76,] [77,] [78,] [79,] [80,] [81,] [82,] [83,] [84,] [85,] [86,] [87,] [88,] [89,] [90,]

0.43 0.44 0.45 0.46 0.47 0.48 0.49 0.50 0.51 0.52 0.53 0.54 0.55 0.56 0.57 0.58 0.59 0.60 0.61 0.62 0.63 0.64 0.65 0.66 0.67 0.68 0.69 0.70 0.71 0.72 0.73 0.74 0.75 0.76 0.77 0.78 0.79 0.80 0.81 0.82 0.83 0.84 0.85 0.86 0.87 0.88 0.89

SKRIPSI

37.5 37.5 37.5 37.5 37.5 37.5 37.5 37.5 37.5 37.5 37.5 37.5 37.5 37.5 37.5 37.5 37.5 37.5 37.5 37.5 37.5 37.5 42.5 50.0 52.5 52.5 57.5 65.0 67.5 70.0 70.0 72.5 80.0 82.5 85.0 85.0 75.0 77.5 75.0 65.0 67.5 62.5 62.5 62.5 62.5 62.5 62.5


MAKSYUFATUL ILMI


[91,] [92,] [93,] [94,] [95,] [96,] [97,] [98,] [99,] [100,] [101,]

0.90 0.91 0.92 0.93 0.94 0.95 0.96 0.97 0.98 0.99 1.00

SKRIPSI

62.5 62.5 62.5 62.5 62.5 62.5 62.5 62.5 62.5 62.5 62.5


MAKSYUFATUL ILMI

Lampiran 9 Peluang Kejadian untuk Masing-Masing Prediktor No miu1topi miu2topi miu3topi 1 0,621 0,606 0,598 2 0,635 0,595 0,566 3 0,603 0,598 0,655 4 0,538 0,595 0,529 5 0,633 0,601 0,657 6 0,569 0,606 0,515 7 0,518 0,598 0,550 8 0,603 0,515 0,612 9 0,622 0,595 0,599 10 0,633 0,601 0,658 11 0,569 0,601 0,633 12 0,622 0,598 0,544 13 0,569 0,595 0,658 14 0,603 0,598 0,561 15 0,569 0,595 0,538 16 0,569 0,601 0,537 17 0,538 0,606 0,500 18 0,633 0,606 0,545 19 0,569 0,595 0,599 20 0,603 0,598 0,653 21 0,633 0,595 0,638 22 0,603 0,606 0,639 23 0,603 0,595 0,576 24 0,569 0,598 0,651 25 0,603 0,598 0,650 26 0,621 0,595 0,655 27 0,603 0,595 0,658 28 0,635 0,595 0,635 29 0,569 0,598 0,534 30 0,569 0,515 0,571 31 0,569 0,598 0,626 32 0,545 0,595 0,611 33 0,633 0,595 0,658 34 0,518 0,595 0,577 35 0,518 0,606 0,520 36 0,603 0,595 0,632

SKRIPSI


MAKSYUFATUL ILMI

No miu1topi miu2topi miu3topi 37 0,569 0,606 0,541 38 0,569 0,555 0,539 39 0,603 0,606 0,593 40 0,635 0,606 0,634

SKRIPSI


MAKSYUFATUL ILMI

Lampiran 10 Selang Prediksi untuk Data Out Sample No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35

SKRIPSI

Usia bb 7,38 10,38 4,38 9,38 6,38 5,38 8,38 4,38 11,38 6,38 5,38 11,38 5,38 4,38 5,38 5,38 9,38 6,38 5,38 4,38 6,38 4,38 4,38 5,38 4,38 7,38 4,38 10,38 5,38 5,38 5,38 12,38 6,38 8,38 8,38

ba 8,62 11,62 5,62 10,62 7,62 6,62 9,62 5,62 12,62 7,62 6,62 12,62 6,62 5,62 6,62 6,62 10,62 7,62 6,62 5,62 7,62 5,62 5,62 6,62 5,62 8,62 5,62 11,62 6,62 6,62 6,62 13,62 7,62 9,62 9,62

Lama Rawat bb ba 4 6 2 4 3 5 2 4 1 3 4 6 3 5 7 9 2 4 1 3 1 3 3 5 2 4 3 5 5 7 1 3 4 6 4 6 2 4 3 5 5 7 4 6 2 4 3 5 3 5 5 7 2 4 2 4 3 5 7 9 3 5 5 7 2 4 2 4 4 6

IMT Bb 13,22 24,32 10,49 15,87 10,71 18,90 23,63 12,88 24,96 11,13 12,29 16,81 11,12 14,10 14,65 14,69 5,23 16,92 13,21 11,56 21,74 21,47 20,26 11,64 11,71 10,46 10,89 26,15 16,16 24,42 22,12 26,92 11,09 13,73 18,52


ba 15,22 26,32 12,49 17,87 12,71 20,90 25,63 14,88 26,96 13,13 14,29 18,81 13,12 16,10 16,65 16,69 7,23 18,92 15,21 13,56 23,74 23,47 22,26 13,64 13,71 12,46 12,89 28,15 18,16 26,42 24,12 28,92 13,09 15,73 20,52

MAKSYUFATUL ILMI

No 36 37 38 39 40

SKRIPSI

Usia bb 4,38 5,38 5,38 4,38 10,38

ba 5,62 6,62 6,62 5,62 11,62

Lama Rawat bb ba 2 4 4 6 6 8 4 6 4 6

IMT Bb 9,59 16,54 17,72 13,34 12,28


ba 11,59 18,54 19,72 15,34 14,28

MAKSYUFATUL ILMI

Lampiran 11 Estimasi Model Data Out Sample No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17

m1topi 0,277 0,494 0,152 0,498 0,498 0,545 0,419 0,419 0,545 0,181 0,277 0,419 0,277 0,419 0,545 0,419 0,545

SKRIPSI

m2topi 0,384 0,399 0,383 0,430 0,399 0,399 0,408 0,383 0,383 0,383 0,408 0,399 0,383 0,383 0,000 0,000 0,221

m3topi 0,176 0,244 0,398 0,116 0,284 0,244 0,454 0,202 0,542 0,060 0,179 0,400 0,555 0,630 0,451 0,555 0,565

mtopi 0,837 1,136 0,933 1,044 1,181 1,188 1,281 1,004 1,470 0,625 0,864 1,217 1,215 1,432 0,996 0,974 1,331

exp(mtopi) 1+exp(mtopi) Miutopi 2,310 3,310 0,698 3,116 4,116 0,757 2,542 3,542 0,718 2,841 3,841 0,740 3,259 4,259 0,765 3,281 4,281 0,766 3,598 4,598 0,783 2,728 3,728 0,732 4,351 5,351 0,813 1,868 2,868 0,651 2,373 3,373 0,703 3,377 4,377 0,772 3,370 4,370 0,771 4,188 5,188 0,807 2,709 3,709 0,730 2,648 3,648 0,726 3,785 4,785 0,791


MAKSYUFATUL ILMI

Lampiran 12 Estimasi Model dengan Pendekatan Paramterik untuk MasingMasing Prediktor dan Keseluruhan Prediktor

No miu1topi* miu2topi* miu3topi* miutopi* 1 0,369 0,333 0,398 0,347 2 0,345 0,435 0,300 0,363 3 0,393 0,383 0,424 0,423 4 0,353 0,435 0,373 0,417 5 0,377 0,489 0,421 0,512 6 0,385 0,333 0,346 0,324 7 0,361 0,383 0,306 0,330 8 0,393 0,208 0,401 0,237 9 0,337 0,435 0,295 0,355 10 0,377 0,489 0,417 0,510 11 0,385 0,489 0,407 0,507 12 0,337 0,383 0,365 0,356 13 0,385 0,435 0,418 0,464 14 0,393 0,383 0,390 0,402 15 0,385 0,287 0,385 0,304 16 0,385 0,489 0,384 0,492 17 0,353 0,333 0,474 0,385 18 0,377 0,333 0,364 0,331 19 0,385 0,435 0,398 0,451 20 0,393 0,383 0,413 0,417 21 0,377 0,287 0,322 0,264 22 0,393 0,333 0,324 0,314 23 0,393 0,435 0,334 0,413 24 0,385 0,383 0,413 0,412 25 0,393 0,383 0,412 0,416 26 0,369 0,287 0,424 0,318 27 0,393 0,435 0,420 0,470 28 0,345 0,435 0,285 0,352 29 0,385 0,383 0,371 0,385 30 0,385 0,208 0,299 0,186 31 0,385 0,383 0,318 0,351 32 0,329 0,287 0,279 0,220 33 0,377 0,435 0,418 0,460 34 0,361 0,435 0,393 0,435

SKRIPSI


MAKSYUFATUL ILMI

No miu1topi* miu2topi* miu3topi* miutopi* 35 0,361 0,333 0,350 0,314 36 0,393 0,435 0,432 0,478 37 0,385 0,333 0,367 0,337 38 0,385 0,245 0,357 0,248 39 0,393 0,333 0,397 0,359 40 0,345 0,333 0,407 0,340

SKRIPSI


MAKSYUFATUL ILMI

Lampiran 13 Output Logistik Parametrik dengan SPSS

Classification Table

a

Predicted Y Observed Step 1

Y

Percentage

0

1

Correct

0

25

0

100.0

1

15

0

.0

Overall Percentage

62.5

a. The cut value is .780

Variables in the Equation B Step 1

a

S.E.

Wald

df

Sig.

Exp(B)

Usia

-.018

.159

.013

1

.908

.982

lamarawat

-.200

.236

.717

1

.397

.819

Imt

-.025

.071

.121

1

.728

.975

.869

1.555

.312

1

.576

2.384

Constant

a. Variable(s) entered on step 1: usia, lamarawat, imt.

SKRIPSI


MAKSYUFATUL ILMI

ADLN - PERPUSTAKAAN UNIVERSITAS AIRLANGGA

Recommend Documents