3
II. TINJAUAN PUSTAKA 2.1. Penyakit Jantung Koroner Menurut Soeharto (2004), penyakit jantung koroner (PJK) adalah suatu kelainan yang disebabkan oleh penyempitan atau penghambatan pembuluh arteri koronaria yang mengalirkan darah ke otot jantung. Segala macam gangguan penyaluran darah melalui pembuluh darah koronaria yang kurang mencukupi kebutuhan otot jantung dapat terjadi secara mendadak atau menahun. Aliran darah koroner tidak cukup memadai menghantarkan oksigen ke otot jantung karena terjadi gangguan
keseimbangan
antara “oxygen demand” dengan “oxygen
supply”. Adanya gangguan keseimbangan kebutuhan oksigen otot jantung adalah salah satu akibat utama atherosklerosis. Pada keadaan ini pembuluh darah nadi koroner menyempit karena terjadi endapan-endapan lemak pada dindingnya (Selwyn & Braunwald dalam Palilati 2003). Penyempitan ini terutama disebabkan oleh menempelnya kolesterol dan lemak pada pembuluh darah jantung dan akibatnya menjadi kaku sebagaimana pembuluh darah di daerah-daerah lainnya. Akibat dari penyempitan ini timbul kekurangan zat pembakar dan zat makanan pada jantung. Penyempitan pembuluh darah koroner ini berkaitan dengan usia sehingga bertambahnya usia maka mulailah terjadi perubahan-perubahan pada lapisan pembuluh darah yang berfungsi membawa darah ke jantung. Menurut Bustan (1997), timbulnya penyakit jantung koroner walaupun nampak mendadak, sebenarnya melalui perlangsungan lama (khronik). Terjadinya penyakit jantung koroner berkaitan dengan suatu gangguan mengenai pembuluh darah yang disebut atherosklerosis. Hal ini berarti menyebabkan gangguan atau kekurangan suplai darah untuk otot jantung. Keadaan ini akan menimbulkan apa yang disebut iskemia miokard atau penyakit jantung koroner. Penyakit jantung koroner sudah meluas di seluruh dunia bukan saja terjadi pada golongan tua tetapi juga pada golongan umur yang relatif muda. Atherosklerosis tidak timbul secara spontan, melainkan berlangsung sejak masa kanak-kanak. Akan tetapi, proses degeneratif berlangsung secara terus menerus setelah 20-40 tahun dan plak yang semakin besar dapat menginfasi saluran arteri
4
dan menghambat suplai darah. Akibat dari suplai darah arteri ke arteri koronaria yang terhambat dapat menimbulkan serangan jantung (Soeharto 2004). Berbagai penelitian mengenai penyakit jantung telah dilakukan. Di antaranya adalah penelitian oleh Djanggan Sargowo di RSUD. Saiful Anwar Malang terhadap 120 pasien yang menyimpulkan bahwa hiperkolesterol bermakna terhadap kejadian PJK yaitu sekitar 42,5%. Fauziah meneliti 100 pasien di RSUP. Dr. Wahidin Sudirohusodo Makassar dan menghasilkan kesimpulan bahwa kolesterol HDL (High Density Lipoprotein) yang rendah dan kurang olahraga berisiko terhadap kejadian PJK sedangkan obesitas tidak berisiko terhadap PJK. Penelitian yang dilakukan oleh Lam Yi dan Khor GL tahun 1997 terhadap 105 pasien penyakit jantung di Institut Jantung Negara Kuala Lumpur Malaysia memberikan hasil bahwa sebagian besar (92,4%) pasien adalah berumur di atas 45 tahun, hiperkolesterol sebanyak 75%, IMT ≥ 25 sebanyak 58,1%, setengah dari jumlah pasien (49,6 %) pernah merokok, kebanyakan dari pasien hanya jalan sebagai aktivitas olahraga dan ada hubungan yang signifikan antara pengetahuan dan sikap terhadap kejadian PJK. Hasil penelitian yang dilakukan oleh Arfah terhadap 136 pasien di RSUD. Samarinda tahun 2003 yaitu pasien yang obesitas berisiko 1,845 kali, hiperkolesterol berisiko 1,064 kali, merokok berisiko 1,064 kali dan kurang olahraga berisiko 2,185 kali terhadap kejadian PJK. Penelitian lain juga dilakukan oleh Herianto di RSUP. Dr.Wahidin Sudirohusodo Makassar pada tahun 2002 yang menghasilkan penelitian bahwa hipertensi, hiperkolesterol dan merokok merupakan faktor risiko terhadap PJK (Fitriani 2007). 2.2. Analisis Regresi Logistik Analisis regresi logistik adalah analisis yang digunakan untuk melihat hubungan antara peubah respon berupa data kualitatif dengan peubah-peubah penjelas yang berupa data kualitatif maupun data kuantitatif. Peubah respon dalam regresi logistik dapat dalam bentuk dikotom (biner) maupun polikotom (ordinal atau nominal). Model logistik atau model logit telah digunakan secara luas dalam berbagai analisis statistika terutama di bidang kesehatan. Model analisis ini pertama kali
5
digunakan oleh Truett, Cornfield dan
Kannel pada tahun 1967 (Hosmer &
Lemeshow 2000). Jika data hasil pengamatan memiliki p peubah penjelas yang ditunjukkan oleh vektor x’= (X1,X2,…,Xp) yang berpasangan dengan peubah respon Y yang bernilai 1 dan 0, di mana y = 1 menyatakan bahwa respon memiliki kriteria yang ditentukan dan y = 0 tidak memiliki kriteria yang ditentukan, maka peubah respon Y mengikuti sebaran Bernoulli dengan parameter π(x) dengan fungsi sebaran peluang : f (yi) = π(x i ) y i [1 − π(x i )]1− y i
(1)
Fungsi regresi logistik antara π(x) dan x adalah :
π(x ) =
exp[g (x)] 1 + exp[g (x)]
(2)
Fungsi regresi di atas berbentuk curvilinear sehingga untuk membuatnya menjadi fungsi linier dilakukan transformasi logit sebagai berikut (Agresti 1990) : ⎡ π(x) ⎤ logit [π(x)] = ln ⎢ ⎥ = g(x) ⎣1 − π(x) ⎦
(3)
dengan g(x) = β 0 + β1 X 1 + β 2 X 2 + ... + β p X p
(4)
merupakan logit (Hosmer & Lemeshow 2000). Selanjutnya pendugaan parameter β 0 , β1 , β 2 ,..., β p dilakukan dengan metode
Kemungkinan Maksimum dengan mengasumsikan yi saling bebas, maka :
l (β ) = f ( y 1 , y 2 ,..., y n ) =
n
∏ f (y
i
)
i =1
n
= ∏ π iy i (1 − π i ) 1− y i ,
y i = 0,1 ;
i = 1, 2,..., n
(5)
i =1
⎡ n ⎤ L (β ) = ln[ l (β )] = ln ⎢∏ π iy i (1 − π i ) 1− y i ⎥ ⎣ i =1 ⎦ =
n
∑y i =1
=
n
i
ln π i + ∑ (1 − y i ) ln(1 − π i ) i =1
⎛ πi y i ln ⎜⎜ ∑ i =1 ⎝ 1 − πi n
⎞ n ⎟⎟ + ∑ ln(1 − π i ) ⎠ i −1
(6)
6
Fungsi L(β) di atas kemudian diturunkan terhadap β 0 , β1 , β 2 ,..., β p . Selanjutnya solusi dari persamaan diferensial ini bisa diperoleh dengan cara iterasi (Ryan1997). Setelah diperoleh nilai dugaan βi di mana i = 0, 1,…,p maka dapat diketahui penduga dari π(x) yaitu πˆ (x) =
exp[gˆ (x)] 1 + exp[gˆ (x)]
di mana ĝ(x) = βˆ 0 + βˆ 1 X 1 +... + βˆ p X p
(7) (8)
adalah penduga logit sebagai fungsi linier dari peubah penjelas (Hosmer & Lemeshow 2000). Dengan diperolehnya nilai dugaan parameter maka dapat dilakukan pengujian model. 2.2.1. Pengujian Kesesuaian Model
Pengujian kesesuaian model dilakukan untuk memeriksa peranan peubah penjelas terhadap peubah respon dalam model. Pengujian tersebut dilakukan secara simultan dan secara parsial. Menurut Hosmer dan Lemeshow (2000), pengujian secara simultan dilakukan dengan menggunakan uji nisbah kemungkinan (likelihood ratio test) yang merupakan pengujian terhadap
parameter βi dengan hipotesis sebagai
berikut : H0 : β1 =…= βp = 0 Hi : ada βi ≠ 0 ;
i = 1,…,p
Statistik uji yang digunakan adalah statistik G : ⎡L ⎤ G = −2 ln ⎢ 0 ⎥ ⎣ L1 ⎦
(9)
L 0 : likelihood tanpa peubah penjelas L1 : likelihood dengan peubah penjelas
Statistik G akan mengikuti sebaran χ 2 dengan derajat bebas p. Kriteria Keputusan yang diambil yaitu menolak H0 jika Ghitung ≥ χ α2 (p ) (Hosmer & Lemeshow 2000).
7
Sedangkan pengujian parameter βi secara parsial dilakukan dengan uji Wald dengan cara merasiokan βi dugaan dengan galat baku-nya. Statistik uji W yaitu : Wi =
βˆ i SˆE (βˆ i )
(10)
Hipotesis yang akan diuji adalah : H0 : βi = 0
H1 : βi ≠ 0 ;
i = 1,…,p
H0 ditolak jika nilai statistik uji |W| ≥ Zα/2 atau nilai-p ≤ α. 2.2.2. Pereduksian Peubah
Setelah melakukan pengujian, kadang ada peubah penjelas yang tidak nyata sehingga harus dikeluarkan dari model. Analisis regresi logistik bertatar (stepwise logistic regression) membangun model langkah demi langkah dengan cara
menambah atau menghilangkan peubah-peubah penjelas satu persatu dari model sampai diperoleh peubah-peubah yang berpengaruh nyata terhadap model (Hosmer & Lemeshow 2000). Stepwise logistic regression terdiri atas metode forward selection dan backward elimination yang merupakan uji secara bertahap terhadap peubah-
peubah yang akan dimasukkan ke dalam model. Kedua metode menggunakan uji Khi-kuadrat sebagai uji signifikansi peubah-peubah untuk menentukan peubahpeubah yang masuk atau yang akan hilang dari model. Pada metode forward selection, model diawali hanya dengan intersep, tidak ada peubah penjelas yang masuk, kemudian peubah penjelas dimasukkan satu persatu ke dalam model dan diuji dengan menggunakan uji Khi-kuadrat. Jika peubah yang diuji tidak signifikan atau tidak nyata pada nilai α yang ditentukan maka peubah tersebut dikeluarkan dari model dan sebaliknya peubah yang nyata akan dimasukkan ke dalam model. Sedangkan pada metode backward elimination prosedur diawali dengan semua peubah penjelas dimasukkan ke dalam model kemudian peubah akan diuji satu persatu. Jika ditemukan peubah yang tidak nyata pada pada nilai α yang ditentukan maka peubah tersebut dikeluarkan dari model dan jika peubah yang diuji nyata maka akan tetap berada dalam model (Gonzales 2003).
8
2.2.3. Interpretasi Koefisien
Interpretasi koefisien pada model regresi logistik dapat dilakukan dengan melihat nilai rasio oddsnya atau selang kepercayaan untuk rasio odds. Rasio odds adalah ukuran untuk melihat seberapa besar kecenderungan pengaruh peubahpeubah penjelas terhadap peubah respon (Hosmer & Lemeshow 2000). Jika suatu peubah penjelas mempunyai tanda koefisien positif, maka nilai rasio odds akan lebih besar dari satu, sebaliknya jika tanda koefisien negatif maka nilai rasio odds-nya akan lebih kecil dari satu. Menurut Hosmer dan Lemeshow (2000) koefisien model logit adalah βi = g(x+1) – g(x) yang menunjukkan perubahan nilai logit g(x) untuk setiap perubahan satu unit peubah penjelas X yang disebut log odds. Log odds merupakan beda antara dua penduga logit yang dihitung pada dua nilai (misal x = a dan x = b) yang dinotasikan sebagai : ln[ψ(a,b)] = g(x = a) - g(x = b) = βi(a - b)
(11)
sedangkan penduga rasio odds adalah : ψ(a,b) = exp[βi(a - b)]
(12)
sehingga jika a-b = 1 maka ψ(a,b) = exp(βi). Rasio odds ini dapat diinterpretasikan sebagai kecenderungan y = 1 pada x = 1 sebesar ψ kali dibandingkan pada x = 0. Untuk model regresi logistik dengan satu peubah penjelas dikotom dapat diilustrasikan seperti pada Tabel 1 : Tabel 1 Model logistik dengan satu peubah dikotom Peubah Penjelas
Peubah Respon
x =1 exp( β 0 + β 1 ) 1 + exp( β 0 + β 1 )
y =1
π (1) =
y=0
1 − π (1) =
Jumlah
1 1 + exp(β 0 + β 1 ) 1
Hosmer dan Lemeshow (2000)
x =0
π (0) =
exp( β 0 ) 1 + exp( β 0 )
1 − π (0) =
1 1 + exp(β 0 ) 1
9
Nilai odds antara y =1 dengan y = 0 untuk x = 1 adalah sedangkan
⎡ π(1) ⎤ ⎢1 − π(1) ⎥ , ⎣ ⎦
⎡ π(0) ⎤ untuk x = 0 adalah ⎢ ⎥ . Log dari kedua odds tersebut ⎣1 − π(0) ⎦
didefinisikan sebagai g(1) dan g(0). Rasio odds (ψ) didefinisikan sebagai rasio dari odds untuk x =1 dengan x = 0 sehingga :
ψ=
[π(1) /{1 − π(1)}] = exp(β1 ) [π(0) /{1 − π(0)}]
ln ψ = ln
(13)
[π(1) /{1 − π(1)}] = g(1) – g(0) = β1 = beda logit [π(0) /{1 − π(0)}]
(14)
Dengan demikian, pada model logistik dengan satu peubah penjelas dikotom, koefisien β1 adalah beda logit, sedangkan exp( β 1 ) adalah nilai rasio odds (Hosmer & Lemeshow 2000). Rasio odds memiliki selang kepercayaan (1-α)100% sebagai berikut :
exp[βˆ i ± Z1−α / 2 SˆE(βˆ i )]
(15)
2.2.4. Selang kepercayaan (1-α)100% bagi π(x) untuk Regresi Logistik Berganda Selain menduga selang kepercayaan bagi rasio odds, dapat juga diduga selang kepercayaan (1-α)100% bagi π(x) yaitu sebagai berikut : ˆ
e gˆ ( x ) ± Z1− α / 2SE[ gˆ ( x )]
(16)
ˆ
1 + e gˆ ( x ) ± Z1− α / 2SE[ gˆ ( x )] di mana
Sˆ E[gˆ ( x )] = Vaˆ r gˆ ( x ) p
p
Vâr[ĝ(x)] = ∑ x 2j Vaˆr (βˆ j ) + ∑ j= 0
(17)
p
∑ 2x x
j= 0 k = j+1
j
k
Coˆv(βˆ j , βˆ k )
(18)
atau dalam penulisan matriks Vâr[ĝ(x)] = x’(X’VX)-1x
⎡1 x11 x12 ⎢1 x x 22 21 di mana X = ⎢ ⎢M M M ⎢ ⎣⎢1 x n1 x n 2
L x1p ⎤ L x 2p ⎥⎥ dan V = L M ⎥ ⎥ L x np ⎦⎥
0 ⎡πˆ 1(1− πˆ 1) ⎢ 0 πˆ 2 (1− πˆ 2 ) ⎢ ⎢ M 0 ⎢ L ⎣ 0
(19)
⎤ L 0 ⎥⎥ O M ⎥ ⎥ 0 πˆ n (1− πˆ n )⎦ L
0
10
2.3. Metode CHAID
Metode CHAID (Chi-square Automatic Interaction Detection) adalah salah satu tipe dari metode AID (Automatic Interaction Detection), yaitu metode yang digunakan untuk menganalisis keterkaitan struktural antara peubah dalam segugus data (Fielding 1977). Hasil CHAID adalah pohon keputusan atau dendogram yang didasari oleh uji Khi-kuadrat yang dibangun oleh pemisahan kelompok bagian secara berulang-ulang menjadi dua atau lebih anak cabang. Untuk memperoleh pemisahan terbaik pada semua cabang, pasangan kategori peubah penjelas dapat digabung sampai tidak ada lagi kategori yang tidak nyata. CHAID hanya dapat menganalisis data jika peubah respon dan peubah penjelasnya berskala nominal atau ordinal. Metode CHAID merupakan teknik eksplorasi nonparametrik untuk menganalisis sekumpulan data yang berukuran besar dan cukup efisien untuk menduga peubah penjelas yang paling nyata terhadap peubah respon. (Du Toit et al. 1986). Ada dua tipe peubah penjelas yang dikenal dalam hal ini, yaitu peubah “monotonik” yang nilai-nilainya ordinal dan peubah “bebas” yang nilai-nilainya nominal (Kass 1980). Kata Chi-square adalah bagian dari kepanjangan CHAID yang mana teknik pada dasarnya menyangkut pembuatan tabulasi silang secara otomatis dan menghasilkan ukuran asosiasi yang nyata secara statistik. Asosiasi yang paling nyata, digunakan untuk mengontrol susunan dari diagram pohon. Pohon klasifikasi cukup luas penerapannya dalam berbagai bidang di antaranya kedokteran, ilmu komputer, pertanian dan psikologi (Hoare 2004). Metode CHAID menganalisis suatu gugus data dengan cara memisahkannya menjadi beberapa kelompok secara bertahap (Fielding 1977). Tahap pertama, seluruh data dibagi menjadi beberapa anak gugus berdasarkan salah satu peubah penjelas yang dipilih sedemikian rupa dengan memaksimumkan kriteria tertentu. Masing-masing anak gugus kemudian diperiksa kembali secara terpisah dan dibagi lagi berdasarkan peubah lainnya, dan demikian seterusnya sampai tercapai kriteria tertentu untuk berhenti. Dengan cara ini maka diperoleh kelompokkelompok pengamatan yang mempunyai ciri respon dan penjelas tertentu sehingga keterkaitan di antara peubah-peubah tersebut menjadi jelas. Metode CHAID menggunakan kriteria khi-kuadrat dalam pengoperasiannya (Kass 1980).
11
Proses pemisahan dilakukan secara iteratif dimulai dari peubah penjelas yang mempunyai asosiasi paling kuat dengan peubah respon yang digambarkan oleh besarnya nilai-p (p-value) berdasarkan uji Khi-kuadrat. Dalam proses ini akan dilakukan juga penggabungan kategori-kategori dalam satu peubah penjelas yang tidak memiliki asosiasi yang nyata dengan peubah respon. Peubah penjelas kategori yang memenuhi syarat dapat digabung sesuai tipe skala yang ditentukan. Beberapa kategori peubah penjelas berskala nominal dapat digabung. Untuk peubah berskala ordinal, kategori yang dapat digabung adalah yang saling berdekatan (Magidson & Vermunt 2006). Algoritma asli CHAID telah diperkenalkan oleh Kass (1980) untuk peubah respon nominal. Namun CHAID telah diperluas untuk peubah respon ordinal (Magidson dalam Magidson &Vermunt 2006). Untuk lebih jelasnya tahapantahapan dalam metode CHAID dijelaskan pada algoritma berikut: Tahapan analisis metode CHAID adalah sebagai berikut (Kass 1980) : 1. Untuk setiap peubah penjelas, dibuat tabulasi silang antara kategorikategori peubah penjelas dengan kategori-kategori peubah respon. 2. Dari setiap tabulasi silang yang diperoleh, susun sub tabel berukuran 2xd yang mungkin, d adalah banyaknya kategori peubah respon. Dari tabel tersebut cari pasangan kategori peubah penjelas yang memiliki angka uji paling kecil. Jika tidak nyata, gabungkan kedua kategori ini menjadi satu kategori campuran. Jika banyaknya kategori hanya dua dan hasil ujinya tidak nyata maka variabel tersebut tidak perlu dilibatkan lagi dalam model. Ulangi tahap ini sehingga angka uji terkecil sub tabel 2xd pasangan kategori (kategori campuran) peubah penjelas melampaui nilai kritis. 3. Untuk setiap kategori campuran yang berisi tiga atau lebih kategori asal, cari pemisahan biner yang memiliki angka uji paling besar. Jika ada buatlah pemisahan tersebut dan kembali ke tahap 2. 4. Hitung taraf nyata untuk masing-masing tabulasi silang yang baru dan perhatikan di antaranya yang memiliki angka uji paling besar, sebut sebagai tabulasi dengan taraf nyata terbaik. Jika angka ini lebih besar dari nilai kritis, bagilah data menurut kategori tersebut.
12
5. Kembali ke tahap-1 untuk melakukan pembagian berdasarkan peubah yang belum terpilih. Angka uji dan nilai kritis yang dimaksudkan pada tahap analisis di atas adalah statistik dan kriteria uji Khi-kuadrat apabila tidak terjadi pengurangan tabel kontingensi dari tabel asal. Apabila terjadi pengurangan dari tabel kontingensi asal, yaitu dari c kategori peubah penjelas menjadi r kategori (r
⎛ c − 1⎞ ⎟⎟ Bmonotonik = ⎜⎜ ⎝ r − 1⎠ 2. Peubah bebas yaitu bila kategori berskala nominal
Bbebas =
r −1
∑ (−1) i i=0
( r − i) c i!(r − i)!
2.4. Ketepatan dan Kesalahan Klasifikasi
Menurut Hosmer dan Lemeshow (2000) salah satu ukuran kebaikan model dalam regresi logistik adalah jika memiliki peluang salah klasifikasi yang minimal. Ketepatan dan kesalahan klasifikasi dari model dapat diketahui dengan mengunakan tabel klasifikasi (classification table). Tabel klasifikasi untuk peubah respon dikotom terdiri atas dua kolom nilai dugaan dan dua baris nilai amatan. Untuk memperoleh ketepatan klasifikasi (correct classification) terhadap amatan harus menentukan nilai cutpoint (c) dan dibandingkan dengan peluang dugaan π(x). Jika π(x) lebih besar atau sama dengan c maka nilai dugaan termasuk pada respon y = 1 dan selain itu y = 0. Seperti halnya pada metode regresi logistik, pada metode CHAID ketepatan dan kesalahan klasifikasi juga dapat diketahui dari tabel klasifikasi. Cabang (node) yang digunakan dalam pengklasifikasian respon adalah cabang-cabang yang mengakhiri pengelompokan atau cabang-cabang terakhir. Jika respon berada pada cabang yang mempunyai peluang dugaan lebih besar atau sama dengan nilai c maka respon diduga termasuk kriteria yang ditentukan (y = 1) dan jika
13
sebaliknya maka respon termasuk kriteria yang tidak ditentukan. Nilai c yang biasa digunakan adalah 0,5. Ketepatan klasifikasi (correct classification) terbagi atas dua yaitu specificity dan sensitivity. Specificity atau ketepatan klasifikasi dalam menduga kejadian bahwa respon tidak memiliki kriteria yang ditentukan (y = 0) dinyatakan sebagai (d/n0.)100%, persentase dari dugaan terkoreksi atau nilai dugaan yang sama dengan nilai amatan pada kategori nilai amatan y = 0. Pengertian yang sama juga berlaku untuk mengevaluasi ketepatan klasifikasi dalam menduga kejadian bahwa respon memiliki kriteria yang ditentukan (y = 1) atau disebut juga sensitivity (a/n1.)100%, sedangkan total correct classification yaitu ketepatan
klasifikasi dalam menduga kejadian secara keseluruhan yang dinyatakan sebagai persentase nilai amatan yang secara tepat dapat diduga oleh model ((a+d)/n)100%. Selain ketepatan klasifikasi dapat pula diketahui besarnya kesalahan klasifikasi (misclassification rate). Kesalahan klasifikasi dalam menduga kejadian respon terdiri atas kesalahan positif dan kesalahan negatif. Kesalahan positif (c/n.1)100% dinyatakan sebagai persentase besarnya kesalahan ketika respon diduga memiliki kriteria yang ditentukan (y = 1) tapi amatan sebenarnya bernilai y = 0 dan sebaliknya kesalahan negatif (b/n.0)100% dinyatakan sebagai persentase besarnya kesalahan ketika respon diduga tidak memiliki kriteria yang ditentukan (y = 0) namun amatan sebenarnya bernilai y = 1. Total misclassification rate diartikan sebagai besarnya kesalahan klasifikasi terhadap keseluruhan kejadian yang dapat diperoleh dengan cara merasiokan total klasifikasi yang tidak terkoreksi dengan jumlah keseluruhan data yaitu ((b+c)/n)100%. Tabel 2 Klasifikasi respon Amatan
Dugaan
Total
Ketepatan
b
(a + b) = n1.
a/n1.
c
d
(c + d) = n0.
d/n0.
Total
(a + c) = n.1
(b + d) = n.0
(a + b + c + d) = n
(a + d)/n
Kesalahan
c/n.1
b/n.0
(b + c)/n
1
0
1
a
0