TINJAUAN PUSTAKA Model Analisis Laten Kelas Model ALK disebut juga sebagai model campuran terbatas (finite mixture models) yang berisi satu atau lebih peubah diskrit yang tidak diamati (Vermunt & Magidson, 2001). Model ini
berbeda sekali dengan
jenis model yang
parameternya hanya menggambarkan hubungan antara peubah-peubah yang diamati, seperti analisis regresi, analisis diskriminan dan model log linier. ALK adalah suatu teknik untuk menganalisis hubungan data kategori, yaitu hubungan diantara peubah-peubah
yang diukur dengan skala nominal atau ordinal
(McCutcheon 1987). Vermunt dan Magidson (2002a) mendefenisikan model ALK sebagai metode statistik untuk mengidentifikasi keanggotaan gerombol yang tidak terukur antara subjek dengan peubah yang diamati, yaitu peubah kategori ataupun kontinu.
Misalkan x, x , … , x dinotasikan sebagai suatu vektor dari p peubah
pengukuran di mana setiap peubah memiliki sebaran bersyarat dalam keluarga
eksponensial seperti Bernoulli, Poisson, Multinomial dan Normal. Misalkan x
adalah nilai dari h sampel objek/ elemen untuk peubah ke-i (h=1,2,…,n). Vektor baris x x , x , … , x mengacu ke bentuk respon dari i objek.
Pada model ALK, diasumsikan ruang vektor terdiri dari K gerombol. Untuk
setiap gerombol k dihubungkan dengan π . Ini mengacu pada peluang awal sebab
memberikan peluang awal pengamatan x (Moustaki & Papageorgiu 2004).
Sebaran bersama dari peubah-peubah yang diamati adalah campuran terbatas (finite mixture) dari peluang: fx |α ∑
di mana:
π gx |α
(1)
gx |α = Sebaran x yang diberikan oleh parameter model α (sebaran Bernoulli, Poisson, Multinomial, Normal)
π peluang awal laten kelas atau gerombol K pada data x , di mana π
!"
K = banyaknya gerombol (k=1,2,…, K ), di mana ∑
1
α = peluang suatu objek pada gerombol K
α
1 dan ∑
π
#
Peubah Biner: Pada kasus di mana peubah bebas x berbentuk peubah biner, di mana peubah indikator x adalah 0 dan 1. Sebaran ini diasumsikan berbentuk sebaran Bernoulli berganda dengan bentuk: gx |α ∏* α' 1 ( α )&' &
(2)
maka sebaran peluang untuk peubah biner: fx |α ∑
di mana:
π gx |α
∑
&' π ∏ α 1
( α )&'
(3)
α peluang suatu objek pada gerombol K yang memiliki karakteristik. M= Jumlah parameter, di mana M=(K-1)+K*p
DF= Derajat kebebasan, di mana DF(K) =2* -M-1. Peubah Nominal: Pada kasus di mana peubah bebas x berbentuk politomus,
indikator x diganti dengan suatu nilai vektor fungsi indikator
peubah
didefenisikan dengan:
1 jika i memiliki tingkat respon s untuk peubah p, s 1,2, … S x+ , 0 untuk lainnya
S = banyaknya kategori dari peubah, ∑@+
x+
1. Respon dari objek i ditulis
dengan x x , x , … , x dari dimensi S. Peluang respon tunggal dari (α )
dari kasus biner diganti dengan suatu himpunan dari fungsi α+ (s=1,2,…, A) di mana ∑@+ bentuk:
α+
1. Sebaran ini diasumsikan berbentuk multinomial dengan
gx |α ∏@+ α+ &'B
(4)
di mana α+ adalah peluang peubah x dengan kategori s jika objek i di dalam
gerombol. Di dalam ALK kriteria, sebaran multinomial berganda memiliki fungsi sebaran peluang: fx |α ∑
di mana:
π gx |α
∑
@D &C'B * π ∏ ∏+ α+
M= Jumlah parameter, di mana M=(K-1)+K*(∑ S -1)
DF= derajat kebebasan , di mana DF(K) =∏* S -M-1
π (π , π , … , π adalah vektor proporsi campuran dari K laten kelas.
(5)
Peubah Ordinal: Pada kasus di mana peubah bebas x berbentuk peubah ordinal,
peubah indikator x didefenisikan sama dengan kasus pada peubah nominal. L urutan kategori memiliki peluang α,α , … , αE' , merupakan fungsi-fungsi
dari laten kelas gerombol K. Untuk memelihara ordinalitas milik peubah x , model
peluang komulatif dengan kategori s:
γ+ α G α G H G α+
(6)
di mana k=1,…,K dan s=1,…, L
Untuk peubah pengukuran dari xi sebaran bersyarat dari xi|k adalah multinomial
yang diberikan oleh:
E gx |α ∏+ ' α+ &'B
(7)
gx |α ∏+ ' γ+ ( γ+) &'B E
(8)
Di mana x,+ =1 adalah objek yang diseleksi secara acak sepanjang kategori s dari peubah ke-i dan x,+ 0 untuk lainnya.
Pada ALK standar, sebaran multinomial berganda memiliki fungsi sebaran
peluang:
*
ED
fx |α J π gx |α J π K Kγ+ ( γ+) &C'B di mana:
+
9
M=Jumlah parameter, M=(K-1)+K*(∑ L -1)
DF=derajat kebebasan, di mana DF(K) =∏* L -M-1
Untuk peubah biner, nominal dan ordinal π (π , π , … , π dinotasikan
sebagai vektor proporsi campuran dari K laten kelas θ π , α , k 1,2, … , K menotasikan vektor parameter dari ALK yang akan diduga. ∑@+
α+
1 ; ∑ π 1. ALK mengasumsikan bahwa peubah bebas bersyarat diketahui sebagai laten kelas.
Peubah Kuantitatif: Pada kasus di mana peubah bebas x berbentuk peubah
kuantitatif. Sebaran diasumsikan berbentuk normal dengan bentuk: )
T
gx Qµ , σ 2π)U σ U exp V( WU x ( µ X T
di mana:
'
(10)
µ adalah lokasi parameter dari peubah kontinu xi dalam gerombol
σ adalah ragam dari peubah ke i yang diambil secara konstan dari data. Fungsi normal berganda sebaran peluangnya adalah:
fx |µ , σ ∑
J π gx |µ , σ
fx |µ , σ
T )U
) U π ∏ 2π σ T
Jumlah parameter (2p+1)K-1.
exp V( WU ∑ x ( µ X
'
(11)
Misalkan pendugaan dari π adalah π Y dan α adalah α Y secara berurutan
pada nilai, peluang posterior pada setiap individu dari tiap gerombol, persyaratan pada nilai pengamatan peubah pengukuran dihitung dengan formula Bayes: [k|y `\Y" ]&C, ^Y'" P ∑ Y Y ]& ^ _aT \_
C, '_
(12)
Y diduga dari hasil peluang bersyarat pada gerombol. Jika jumlah α
parameter melebihi jumlah pengamatan, atau satu lebih sedikit dibanding dengan jumlah total sel dalam tabel klasifikasi silang pada peubah pengukuran, model laten kelas tidak dapat diidentifikasi. Konsep dasar dari ALK adalah membagi data ke dalam beberapa gerombol sedemikian hingga memungkinkan tidak adanya hubungan antar peubah (kebebasan lokal). Pada awalnya data dibagi ke dalam dua gerombol dengan mengacu pada kriteria informasi yang dihasilkan. Selanjutnya dilakukan iterasi pada gerombol hingga dihasilkan nilai log-likelihood dua gerombol yang terbaik (sebagus mungkin). Hal yang sama dilakukan untuk menghasilkan 3,4, dan 5 gerombol, meningkatkan jumlah gerombol dapat membuat gerombol semakin homogen (Reunanen & Suikanen 1999). Fungsi sebaran bersama dari peubah kategori dan kontinu dilakukan dengan mengalikan fungsi sebaran peubah yang ada. . Kovariat Kovariat memberikan kemampuan untuk membedakan peubah endogen sebagai indikator dari peubah laten dengan peubah eksogen yang digunakan untuk memprediksi gerombol yang dimiliki suatu objek (Vermunt & Magidson
2002a). Dengan menggunakan struktur basis yang sama dengan model laten kelas, bentuk umum kovariat dinyatakan pada persamaan berikut: fx |z , α ∑
* π|c ∏ gx |α
(13)
Di mana zi dinotasikan nilai kovariat objek h. Alternatif terminologi untuk z adalah peubah seiringan (bersamaan), peubah eksternal, peubah eksogen dan input. Spesifikasi yang lebih umum diperoleh dengan mengijinkan kovariat memiliki efek langsung pada indikator, dengan hasil: fx |z , α ∑
* π|c ∏ gx |z , α
(14)
Rataan bersyarat dari peubah x dapat dihubungkan langsung dengan kovariat.
Pendugaan Parameter Dua metode utama untuk menduga parameter-parameter pada ALK adalah Maximum Likelihood (ML) dan metode Newton Raphson. Fungsi log-likelihood yang disyaratkan pada pendekatan ML dapat diturunkan dari fungsi kepadatan peluang yang mendefenisikan model. Algoritma EM (Expectation Maximization Algorithm) merupakan alat untuk menduga ML dari parameter model ALK. Fungsi likelihood untuk ALK model campuran adalah: !
L J log fx ,
Lθ|x ∑!
log ∑ π gx |α
(15)
Dalam hal ini, peubah pengamatan bebas bersyarat pada setiap gerombol K.
Dinotasikan z z , … , z dengan z z, … , z! dan zik =1 jika xi
muncul dari gerombol k, zik=0 untuk lainnya, vektor indikator yang tidak
diketahui dari K gerombol (Damien Tessier, et.al 1977), bentuk likelihood lengkapnya adalah:
Lθ|x, z ∑! ∑
z log π gx |α
(16)
Log likelihood lengkap tersebut dimaksimumkan menggunakan Algoritma EM (Dempster et al. 1977) dengan kendala ∑
π
1. Kendala tambahan
@ dipersyaratkan pada kasus nominal dan ordinal yaitu: ∑+ ' α+ 1 dan
∑E+ ' α+ 1 secara berurutan.
Algoritma EM adalah suatu algoritma umum untuk pendugaan ML untuk data tidak lengkap atau fungsi likelihood melibatkan peubah-peubah laten. Untuk bahasa pemodelan, algoritma EM sering digunakan untuk menduga parameterparameter dari model campuran (mixture model), di mana komponen model yang pasti berasal dari titik data yang diturunkan, yaitu data yang tersembunyi (Cheng 2007). Untuk pencarian titik maksimum, proses Algoritma EM dilakukan dengan metode iterasi untuk menemukan nilai E (Ekspektasi) dan M (Pemaksimuman). Untuk itu Persamaan EM dari bentuk log likelihood di atas dapat diturunkan. Algoritma
pertama-tama
mengikuti
titik
awal
θ π , α , µ ,
σ . Proses pendugaan pada Algoritma EM dimulai dengan iterasi dari EM.
Setiap lingkaran proses pada algoritma EM terdiri dari dua langkah, yaitu pada langkah Ekspektasi (E) dan pemaksimalan (M), dengan tahapan: 1. Didefenisikan nilai awal θ π , α , µ , σ .
2. Hitung: fx |α ∑ 3. Tahapan
E:
π gx |α
[k|x e , h 1, … n, k 1, … , Kfdi dP
Dihitung
(17) mana
[k|x e adalah peluang bersyarat yang menyatakan x muncul dari K P
gerombol, di mana:
[k|x e P
Y " g Y " g h&C, ^ \ g ` ∑_aT \ Y _ h&C, ^ Y _g
(18)
4. Tahapan M: Persamaan likelihood maksimum diperoleh dari turunan parsial dari log-likelihood yang persamaan (16) (Moustaki & Papageorgiu 2004), sehingga diperoleh penduga parameter yang baru: π Y
[ ∑i CaT *|&C
Y α
[ ∑i CaT &'D *|&C
!
(19)
Pendugaan peluang bersyarat yaitu xi=1 diberikan gerombol K untuk peubah biner:
Y" !\
(20)
Pendugaan peluang bersyarat yaitu xi=s diberikan gerombol K untuk peubah nominal:
Y+ α
[ ∑i CaT &'CB *|&C Y" !\
(21)
Pendugaan komulatif peluang bersyarat di mana y j s untuk gerombol K peubah ordinal:
γk+ γk+) G
[ ∑i CaT l'CB *|lC Y" !\
(22)
Penduga parameter untuk peubah kuantitatif : Rataan dari gerombol K:
µk ∑!
[ |&C &'CB * Y" !\
(23)
Varians (diasumsikan konstan) di dalam tiap gerombol: σ Y
" [ |&C ∑i k '" U* CaT ∑"aT&'C )µ ` * [ |&C ∑i ∑ 'aT "aT
(24)
5. Ulangi tahap 2 dan 3 sampai konvergen
Pada saat Algoritma EM telah memiliki solusi yang optimal, program dialihkan ke metode Newton-Raphson, yang merupakan suatu metode iteratif, dan dimulai dari suatu himpunan parameter θ .
θmn θmn) ( εp ) gθ
(25)
Pada setiap iterasi, g dinotasikan sebagai vektor gradien dari fungsi log likelihood
ke semua parameter yang dievaluasi pada θmn). H adalah matrik Hessian yang
berisi turunan kedua dari seluruh parameter dan q adalah skalar yang menotasikan ukuran tahapan. Lebih tepat, ketika suatu kriteria Newton-Raphson disesuaikan,
(p ) g menghasilkan suatu penurunan dari log likelihood, tahapan ukuran dikurangi hingga tidak panjang. Matriks (p ) dievaluasi sampai menghasilkan θm
akhir. Jika titik awal θ tidak cukup sebagai solusi akhir, tahapan NewtonRaphson lebih panjang dan dapat menurunkan likelihood. Metode Newton-
Rapson tidak mensyaratkan matriks H definit negatif pada tiap iterasi dan itu tidak menjamin suatu peningkatan likelihood pada tiap tahapan. Algoritma EM kurang sensitif untuk memilih titik awal dibandingkan dengan algoritma NewtonRaphson, di mana algoritma Newton-Raphson lebih cepat mencapai maksimum (Snellman 2008).
Konvergensi Komputasi Penghitungan secara matematis ALK diimplementasikan dalam software Latent Gold versi 4.0. Kriteria konvergensi menggunakan:
∑vw.
[t [ tuT xe s D )sD r s [ tuT r D
(26)
Iterasi akan berhenti jika pergantian dalam log posterior lebih kecil dari 10-12 (Vermunt & Magidson 2005a).
Seleksi Model dan Kriteria Kesesuaian Model (Goodness of fit) Salah satu keuntukan dari ALK yang berbeda dengan teknik statistika lain untuk penggerombolan data adalah karena memiliki variasi alat yang cocok untuk menguji jumlah gerombok K laten dari himpunan data yang ada. Dalam beberapa penerapan, jumlah gerombol akan diseleksi secara teoritis. Pada kasus lainnya, analisis ini dapat dijelaskan secara alami dengan tujuan untuk ditempatkan ke dalam model yang paling cocok atau model paling mendekati. Peneliti dapat memulai dengan mencocokan model secara bebas lengkap dengan gerombol k=1, dan secara iteratif meningkatkan jumlah dari gerombol laten sampai model yang paling sesuai diperoleh. Dengan menambahkan gerombol pada model ALK, akan meningkatkan kecocokan model tetapi dengan resiko kecocokan terganggu. Pendekatan kriteria informasi digunakan untuk menemukan keseimbangan kecocokan pada bagian atas maupun bawah model terhadap data dengan mengakhiri log-likelihood dengan suatu fungsi dari sejumlah parameter yang akan diduga (Linzer & Lewis 2008). Dua pendekatan yang paling luas digunakan sebagai alat seleksi model pada ALK adalah
AIC (Akaike Information Criterion), BIC (Bayesian
Information Criterion) (Fraley & Raftery 1998), dengan formulasi: AICEE (2 ln LL G 2M
BICEE (2 ln LL G M ln N
(27) (28)
N adalah banyaknya pengamatan, dan M adalah jumlah parameter, LL adalah loglikelihood. ALK menghitung parameter secara otomatis ketika memperkirakan model ALK. BIC biasanya lebih cocok digunakan untuk menyeleksi model ALK karena kesederhanaannya (Lin & Dayton 1997). Model dengan nilai BIC terkecil adalah model terbaik setelah dibandingkan dengan berbagai alternatif model dengan nilai BIC lebih tinggi (Magidson & Vermunt 2001). Model BIC ini diambil dari konsep Bayes secara umum. Konsep ini dipandang sebagai suatu kerangka
pemikiran
dalam
metode
pengambilan
keputusan
dalam
ketidakpastian
(uncertainity). Metode lain untuk menentukan berapa baik suatu model cukup fit pada data adalah penghitungan kesesuaian Pearson’s χ2 dan rasio likelihood chi-square (G2) statistik untuk pengamatan terhadap jumlah sel yang diprediksi. Misalkan q
dinotasikan sebagai jumlah pengamatan dari kasus pada tiap C=∏ P sel dari tabel klasifikasi silang dari peubah pengukuran. Misalkan Q dinotasikan
sebagai
jumlah yang diharapkan dari kasus pada tiap sel di bawah model yang ada. Sel ke c (di mana c=1,...,C) bersesuaian dengan satu baris khusus dari P hasil pada peubah pengukuran. Ambil αk bersesuaian dengan hasil: [ N ∑ Q
k ∏* αk π
(29)
Dua statistik uji akan dihitung kemudian dengan :
dan ,
χ2
[ U ∑) [
[) G 2 ∑ qLogq/ Q
(30)
(31) 2
Dalam hal ini, tujuan dari seleksi model adalah untuk meminimumkan χ dan G2 tanpa menduga kelebihan jumlah parameter.
Asumsi Kebebasan Lokal Lazarsfeld & Henry (1968) mendefenisikan aksioma kebebasan lokal untuk membedakan item-item saling bebas satu sama lain pada suatu laten kelas , dapat dinyatakan seperti berikut:
p^v p^ p^v
p^v p^ p^v 1 ( p^v p^v
p^v p^ p^v p^, dst untuk banyak gerombol α
(32)
Kekurangan cocokan suatu model ALK terjadi disebabkan oleh adanya gangguan terhadap asumsi kebebasan lokal. Pelanggaran terhadap asumsi kebebasan lokal dilakukan dengan memeriksa nilai Bivariate Residual (BVR). BVR merupakan alat formal untuk mengukur secara luas asosiasi antara dua peubah yang dihasilkan model (Vermunt & Magidson 2001). BVR sesuai dengan statistik Pearson Chi Kuadrat (dibagi dengan derajat kebebasan) dengan formulasi:
χ ∑
v
di mana:
' )' U '
(33)
Ov yv =frekuensi observasi Ev
!' #
frekuensi harapan
df=(b-1)(k-1)
BVR
U
]
(34)
Asumsi kebebasan lokal pada model ALK dipenuhi jika nilai BVR<3.84 (Vermunt & Magidson 2005b). Terdapat alternatif strategi untuk memodifikasi model agar memiliki pendekatan lebih baik dibandingkan model dasar ALK jika nilai BVR tidak terpenuhi (Vermunt & Magidson 2001): 1. Menambahkan satu atau lebih pengaruh langsung ( direct effect) Mencakup “ pengaruh langsung” (mengijinkan korelasi tidak nol antar peubah yang diseleksi terjadi) dari parameter model (Hagenaars 1988) yang menyertakan sisa hubungan antara peubah pengamatan yang bersifat lokal tidak bebas. Pendekatan ini digunakan jika faktor eksternal tidak berhubungan dengan peubah laten, dan membentuk asosiasi yang tidak relevan antara dua peubah. Contoh faktor eksternal adalah kesamaan pertanyaan yang digunakan dalam item dua survei. 2. Menghapus satu atau lebih item pertanyaan Terjadi pada saat kondisi di mana dua peubah saling bertanggungjawab untuk beberapa ketergantungan lokal. Pada beberapa kasus, daripada menambahkan pengaruh langsung antara dua peubah, akan lebih berguna mengeliminasi ketergantungan dengan cara menghapus satu atau dua pertanyaan. Strategi pengurangan peubah digunakan khususnya dalam kondisi di mana banyak peubah yang redundan. 3. Meningkatkan jumlah peubah laten. Khususnya berguna ketika gerombol pada beberapa peubah yang dihitung mengalami ketergantungan lokal. Vermunt dan Magidson (2001) menunjukan bahwa dengan terus meningkatkan dimensi melalui penambahan peubah laten pada ALK.
Kelebihan ALK dibandingkan dengan analisis gerombol klasik (umum) adalah: 1.
Hasil klasifikasi objek ke dalam gerombol dilakukan berdasarkan sebaran peluang keanggotaan yang diduga secara langsung dari model melalui pendekatan ML untuk menduga parameter. Di sisi lain pada analisis gerombol klasik pendekatan gerombol dilakukan berdasarkan pada jarak antar objek (Vermunt & Magidson 2002a). ALK menghasilkan suatu pendekatan gerombol dengan peluang, artinya menjadi milik suatu gerombol,
meskipun setiap objek
tetap ada ketidakpastian menyangkut
keanggotaan dari objek tersebut. Di sisi lain, analisis gerombol klasik klasifikasi objek dilakukan dengan pendekatan jarak. 2.
Peubahnya dapat bersifat kontinu, kategori (nominal atau ordinal) atau jumlah (count) atau kombinasinya.
3.
Peubah eksogen (kovariat) dapat digunakan untuk menggambarkan gerombol.
Virus Dengue Demam Dengue (DD) dan Demam Berdarah Dengue (DBD) disebabkan virus dengue yang termasuk kelompok B Arthropod Borne Virus (Arboviroses) yang sekarang dikenal sebagai genus Flavivirus, famili Flaviviridae, dan mempunyai 4 jenis serotipe, yaitu; DEN-1, DEN2, DEN-3, DEN-4. Infeksi salah satu serotipe akan menimbulkan antibodi terhadap serotipe yang bersangkutan, sedangkan antibodi yang terbentuk terhadap serotipe lain sangat kurang, sehingga tidak dapat memberikan perlindungan yang memadai terhadap serotipe lain tersebut. Seseorang yang tinggal di daerah endemis dengue dapat terinfeksi oleh 3 atau 4 serotipe selama hidupnya. Keempat serotipe virus dengue dapat ditemukan di berbagai daerah di Indonesia. Di Indonesia, pengamatan virus dengue yang dilakukan sejak tahun 1975 di beberapa rumah sakit menunjukan bahwa keempat serotipe ditemukan dan bersirkulasi sepanjang tahun. Serotipe DEN-3 merupakan serotipe yang dominan dan diasumsikan banyak yang menunjukan manifestasi klinis yang berat.
Cara Penularan Terdapat tiga faktor yang memegang peranan pada penularan infeksi virus dengue, yaitu manusia, virus, dan vektor perantara. Virus dengue ditularkan kepada manusia melalui gigitan nyamuk Aedes aegypti. Nyamuk Aedes albopictus, Aedes polynesiensis dan beberapa spesies yang lain dapat juga menularkan virus ini, namun merupakan vektor yang kurang berperan. Nyamuk Aedes tersebut dapat mengandung virus dengue pada saat menggigit manusia yang sedang mengalami viremia. Kemudian virus yang berada di kelenjar liur berkembang biak dalam waktu 8-10 hari (extrinsic incubation period) sebelum dapat ditularkan kembali kepada manusia pada saat gigitan berikutnya. Virus dalam tubuh nyamuk betina dapat ditularkan kepada telurnya (transovanan transmission), namun perannya dalam penularan virus tidak penting. Sekali virus dapat masuk dan berkembangbiak di dalam tubuh nyamuk, nyamuk tersebut akan dapat menularkan virus selama hidupnya (infektif). Di tubuh manusia, virus memerlukan waktu masa tunas 46 hari (intrinsic incubation period) sebelum menimbulkan penyakit. Penularan dari manusia kepada nyamuk hanya dapat terjadi bila nyamuk menggigit manusia yang sedang mengalami viremia, yaitu 2 hari sebelum panas sampai 5 hari setelah demam timbul.
Defenisi kasus untuk Demam Dengue Variabilitas tertentu pada penyakit klinis berkaitan dengan infeksi dengue, sehingga tidak memungkinkan untuk menerima defenisi klinis demam dengue yang rinci. Sebaliknya, lebih ditekankan pada pentingnya konfirmasi laboratorium. Klasifikasi berikut diajukan (WHO 1997): a.
penyakit demam akut dengan dua atau lebih manifestasi berikut: 1) sakit kepala 2) nyeri retro-orbital 3) mialgia (pegal-pegal) 4) artralgia (nyeri sendi tulang) 5) ruam 6) manifestasi perdarahan 7) leukopenia;
8) seroloti pendukung (titer antobodi hemaglutiniasi-inhibisi resiprokal
1280, titer IgG dari imunosorben ikatan-enzim (ELISA) atau tes antibodi IgM positif pada akut lanjut- atau spesimen serum fase pemulihan) atau kejadian pada lokasi dan waktu yang sama seperti pada kasus demam dengue lain yang dikonfirmasi.
b. Confirmed, kasus yang dikonfirmasi dengan kriteria laboratorium. c. Reportable setiap, kasus kemungkinan atau dipastikan harus dilaporkan. Kriteria laboratorium untuk konfirmasi demam dengue: a. Isolasi virus dengue dari sampel serum atau autopsi; atau b. Menunjukan perubahan titer antibodi resiprokal IgG atau IgM empat kali lipat atau lebih besar terhadap satu atau lebih antigen virus dengue dalam sampel serum berpasangan; atau c. Menunjukan antigen virus dengue pada jaringan autopsi, sampel serum atau cairan serebrospinal dengan imunohistokimia, imunofluoresens atau ELISA; atau d. Deteksi urutan genom virus dengue pada sampel cairan serebrospinal atau serum jaringan autopsi dengan reaksi rantai polimerasi (PCR). Defenisi kasus untuk Demam Berdarah Dengue Semua yang berikut ini harus ada (WHO 1997): a. Demam, atau riwayat demam akut, berlangsung 2-7 hari, kadang bifasik. b. Kecenderungan perdarahan, dibuktikan sedikitnya dengan satu hal berikut: 1) tes tourniket positif 2) petekie, ekimosis atau purpura 3) perdarahan dari mukosa, saluran gastrointestinal, tempat injeksi atau lokasi lain 4) hematemesis atau melena. c. Trombositopenia (100.000 sel per mm3 atau kurang). d. Adanya rembesan plasma karena peningkatan permeabilitas vaskular, dimanifestasikan oleh sedikitnya hal berikut: 1) peningkatan hematokrit sama atau lebih besar dari 20% di atas rata-rata usia, jenis kelamin, dan populasi;
2) penurunan hematokrit setelah tindakan penggantian volume sama dengan atau lebih besar dari 20% data dasar; 3) tanda-tanda rembesan plasma seperti efusi pleural, asites, dan hipoproteinemia.
Laboratorium Temuan-temuan laboratorium berikut mendukung observasi klinis tersebut: a. Trombositopenia (100.000 sel per mm3 atau kurang) b. Hemokonsentrasi (peningkatan hematokrit sedikitnya 20%) di atas ratarata untuk usia, jenis kelamin, dan populasi). Dua dari observasi klinis pertama ditambah satu temuan laboratorium (atau sedikitnya peningkatan hematokrit), cukup untuk menentukan diagnosis penentu DBD. Pada pemantauan hematokrit, petugas harus mengingat kemungkinan efek anemia yang ada sebelumnya, perdarahan hebat, atau terapi penggantian volume dini. Lebih dari itu, efusi pleural yang tampak pada rontgen dada, atau hipoalbuminemia, dapat memberikan bukti pendukung rembesan plasma, pembedaan gambaran DBD.
