PEMODELAN RISIKO KEJADIAN BAYI BERAT BADAN …repository.unair.ac.id/55894/2/KKC KK ST.S 48 -16 Agu p.pdf · penyusunan skripsi, penulis banyak menemui kendala namun dengan bantuan

PEMODELAN RISIKO KEJADIAN BAYI BERAT BADAN LAHIR

RENDAH BERDASARKAN PENDEKATAN MULTIVARIATE ADAPTIVE

REGRESSION SPLINE(MARS)

(Studi Kasus di RSU Haji Surabaya)

SKRIPSI

RETNO ARIE AGUSTIEN

PROGRAM STUDI S1-STATISTIKA

DEPARTEMEN MATEMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS AIRLANGGA

2016

ADLN - PERPUSTAKAAN UNIVERSITAS AIRLANGGA

SKRIPSI PEMODELAN RESIKO KEJADIAN ... RETNO ARIE A.

i

PEMODELAN RISIKO KEJADIAN BAYI BERAT BADAN LAHIR

RENDAH BERDASARKAN PENDEKATAN MULTIVARIATE ADAPTIVE

REGRESSION SPLINE(MARS)

(Studi Kasus di RSU Haji Surabaya)

SKRIPSI

RETNO ARIE AGUSTIEN

PROGRAM STUDI S-1 STATISTIKA

DEPARTEMEN MATEMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS AIRLANGGA

2016




SKRIPSI PEMODELAN RISIKO KEJADIAN ... RETNO ARIE A.



iv

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.





v

KATA PENGANTAR

Puji syukur kehadirat Tuhan Yang Maha Esa atas segala limpahan rahmat,

karunia dan hidayah-Nya, sehingga penulis dapat menyelesaikan penulisan skripsi

yang berjudul “Pemodelan Risiko Kejadian Bayi Berat Badan Lahir Rendah

Berdasarkan Pendekatan Multivariate Adaptive Regression Spline(MARS)

(Studi Kasus di RSU Haji Surabaya)”. S kripsi ini ditulis sebagai persyaratan

akademis d i F akultas Sains dan Teknologi Universitas Airlangga. Dalam p roses

penyusunan skripsi, penulis banyak menemui kendala namun dengan bantuan dari

berbagai pihak, akhirnya skripsi ini dapat diselesaikan. Atas segala bantuan yang

telah diberikan, maka tak lupa penulis mengucapkan terima kasih kepada:

1. Kedua orang tua tercinta, Edy Guswito dan Siti Romlah, yang selalu memberi

dukungan materil dan moril serta doa. Serta kakak tercinta, Farida Yuliati dan

Rama Aguswito yang selalu memberi semangat saat mengerjakan skripsi ini.

2. Dr. Ardi Kurniawan, M.Si dan Drs. Eko Tjahjono, M.Si yang telah memberi

bimbingan, petunjuk dan saran dalam menyelesaikan skripsi ini.

3. Dr. Nur Chamidah, M. Si dan Ir. Elly Ana, M. Si sebagai dosen penguji yang

telah memberi petunjuk dan saran dalam menyelesaikan skripsi ini.

4. Sahabat-sahabat saya , Arnis, Misel, Ndewo, A mel, Lulun, M ocin, Lemot,

Verina dan Antok yang selalu memberi motivasi dalam mengerjakan skripsi.

5. Rachmat A nugrah P utra yang s elalu me nghibur d an me beri mo tivasi s aya

dalam mengerjakan skripsi.



vi

6. Teman – teman S tatistika a ngkatan 2012 khus usnya, Inesia, D ela, R osita,

Zahro, D arwati yang s elalu m embantu s aya m enyelesaikan k esulitan d alam

mengerjakan skripsi.

Penulis m enyadari b ahwa s kripsi ini masih j auh da ri ni lai ke sempurnaan,

oleh sebab itu penulis mengharapkan kritik dan saran dari pembaca.

Penulis

Retno Arie Agustien



vii

Retno Arie, 2016. Pemodelan Risiko Kejadian Bayi Berat Badan Lahir Rendah Berdasarkan Pendekatan Multivariate Adaptive Regression Spline (Studi Kasus di RSU Haji Surabaya). Skripsi dibawah bimbingan Dr. Ardi Kurniawan, M.Si dan Drs. Eko Tjahjono, M.Si. Program Studi S1-Statistika, Departemen Matematika, Fakultas Sains dan Teknologi, Universitas Airlangga, Surabaya.

ABSTRAK

Seiring dengan berkembangnya ilmu pengetahuan dan teknologi di bidang kesehatan, semakin bertambah pula permasalahan – permasalahan yang dihadapi dalam bidang kesehatan. Seperti yang sedang terjadi saat ini, jumlah angka kematian sangat tinggi dan yang menjadi faktor utama peningkatan tersebut adalah bayi dengan berat badan lahir rendah. Bayi dengan berat badan lahir rendah (BBLR) merupakan masalah kesehatan yang sering dialami pada sebagian masyarakat. Bayi BBLR adalah bayi yang lahir dengan berat lahir kurang dari 2500 gram tanpa memandang masa gestasi. BBLR mempunyai risiko kematian cukup tinggi pada masa neonatal di negara berkembang termasuk Indonesia, menurut World Health Organization (WHO) tahun 2013 hampir 98% dari 5 juta kematian neonatal atau lebih dari 2/3 kematian disebabkan oleh BBLR. Tujuan penelitian ini adalah menganalisis dan menginterpretasikan dari model berdasarkan faktor yang berpengaruh signifikan terhadap risiko kejadian bayi berat badan lahir rendah. Metode yang digunakan adalah metode Multivariate Adaptive Regression Spline (MARS) menggunakan 150 data dengan variabel prediktor sebanyak 7 variabel. Faktor - faktor yang berpengaruh terhadap risiko kejadian bayi berat badan lahir rendah di RSU Haji Surabaya pada tahun 2015 antara lain usia ibu hamil, anemia, diabetes militus, paritas, riwayat pendidikan, status gizi, dan usia kehamilan. Berdasarkan model MARS terbaik dengan BF=28, MI=3 dan MO=3 mempunyai nilai GCV sebesar 0,206 dan R-square sebesar 0,46 dapat disimpulkan variabel prediktor yang signifikan mempengaruhi resiko kejadian BBLR di RSU Haji Surabaya adalah riwayat pendidikan pasien ibu hamil, diabetes militus, status gizi ibu, usia ibu, paritas dan usia kehamilan. Kata Kunci : Multivariate Adaptive Regression Spline (MARS), Berat Badan Lahir Rendah (BBLR), Regresi Spline, Klasifikasi MARS.



viii

Retno Arie, 2016. Risk Modeling Low Birth Weight Babies with Multivariate Adaptive Regression Spline (Case Studies in RSU Haji Surabaya). This skripsi is under supervised by Dr. Ardi Kurniawan, M.Si and Drs. Eko Tjahjono, M.Si, S1-Statistics Courses, Matematics Departement, Faculty of Sains and Technology, Airlangga University, Surabaya.

ABSTRACT

Along with the development of science and technology in the field of health, increasing as problems in the health field. As is happening now, the death rate is very high and that is a major factor in this increase was a baby with low birth weight. Babies with low birth weight (LBW) is a health problem that is often experienced in some communities. LBW infants are infants born with a birth weight less than 2500 grams regardless of gestation. LBW have a fairly high risk of death in the neonatal period in developing countries, including Indonesia, according to the World Health Organization (WHO) in 2013 almost 98% of 5 million neonatal deaths, or more than 2/3 deaths caused by LBW. One objective of this study was to analyze and interpret than models based on factors that significantly influence the risk modeling low birth weight babies. The method used in this research is the method of Multivariate Adaptive Regression Spline (MARS). This study uses 150 data by as much as 7 variables predictor variables. The method used is the method of Multivariate Adaptive Regression Spline (MARS) using 150 data by as much as 7 variables predictor variables. Factors - factors that affect the risk of the incidence of low birth weight babies in RSU Haji Surabaya in 2015 include maternal age, anemia, diabetes mellitus, parity, history of education, nutritional status, and gestational age. Based on the best MARS models with BF = 28, MI = 3 and MO = 3 GCV has a value of 0.206 and R-square of 0.46 can be concluded that a significant predictor variables affect the risk of LBW in RSU Haji Surabaya is a history of patient education of pregnant women, diabetes mellitus, maternal nutritional status, maternal age, parity and gestational age. Keywords: Multivariate Adaptive Regression Spline (MARS), Low Birth Weight (LBW), Spline Regression, Classification MARS.



ix

DAFTAR ISI

Halaman

HALAMAN JUDUL ...........................................................................................i

LEMBAR PERNYATAAN ................................................................................ii

LEMBAR PENGESAHAN ................................................................................iii

LEMBAR PEDOMAN PENGGUNAAN SKRIPSI ...........................................iv

SURAT PERNYATAAN TENTANG ORISINALITAS . .................................v

KATA PENGANTAR ........................................................................................vi

ABSTRAK ..........................................................................................................viii

ABSTRACT ........................................................................................................ix

DAFTAR ISI .......................................................................................................x

DAFTAR GAMBAR .......................................................................................... xi

DAFTAR TABEL ...............................................................................................xii

DAFTAR LAMPIRAN .......................................................................................xiv

BAB 1 PENDAHULUAN ................................................................................. 1

1.1 Latar Belakang ................................................................................ 1

1.2 Rumusan Masalah ........................................................................... 4

1.3 Tujuan Penelitian ............................................................................ 5

1.4 Manfaat Penelitian .......................................................................... 6

1.5 Batasan Masalah .............................................................................. 7

BAB 2 TINJAUAN PUSTAKA ........................................................................ 8

2.1 Berat Badan Lahir Rendah .............................................................. 8

2.2 Faktor-Faktor Risiko Kejadian Ibu Melahirkan Bayi BBLR .......... 9



x

a. Usia Ibu ....................................................................................... 9

b. Anemia ........................................................................................ 9

c. Diabetes Melitus .......................................................................... 10

d. Paritas .......................................................................................... 10

e. Riwayat Pendidikan Ibu .............................................................. 10

f. Status Gizi .................................................................................... 11

g. Usia Kehamilan . .......................................................................... 14

2.3 Regresi Nonparametrik ................................................................... 12

2.4 Multivariate Adaptive Regression Spline (MARS) ......................... 14

2.5 Klasifikasi MARS ............................................................................ 20

2.6 Koefisien Basis Fungsi Model MARS ............................................. 22

2.7 Odds Ratio ........................................................................................ 24

2.8 Ketepatan Klasifikasi dan nilai Press’Q .......................................... 26

BAB 3 METODE PENELITIAN ....................................................................... 29

3.1 Data dan Sumber Data .................................................................... 29

3.2 Variabel Penelitian .......................................................................... 29

3.3 Metode Analisis .............................................................................. 32

BAB 4 HASIL DAN PEMBAHASAN............................................................... 36

4.1 Deskriptif Statistik Pasien Ibu Hamil . .............................................. 36

4.2 Model Regresi Logistik Biner pada Tingkat Risiko Kejadian Ibu

Melahirkan Bayi BBLR Menggunakan Pendekatan MARS . ................. 39

4.3 Faktor yang Berpengaruh terhadap Tingkat Risiko Kejadian Ibu

Melahirkan Bayi BBLR . ........................................................................ 44



xi

4.4 Pengujian Koefisien Fungsi Basis Model MARS . ......................... 45

4.5 Interpretasi Fungsi Basis dalam Model MARS . ............................ 48

4.6 Interpretasi Model MARS dan Odds Ratio . ................................... 54

4.7 Output Threshold pada Program R . ............................................... 56

4.8 Ketepatan Klasifikasi dan Nilai Press’s Q pada Data In Sample ....58

4.9 Ketepatan Klasifikasi dan Nilai Press’s Q pada Data Out Sample .

.................................................................................................................61

4.10 Aplikasi Model pada Data Out Sample . .........................................63

BAB 5 PENUTUP . ............................................................................................ 67

5.1 Simpulan . ....................................................................................... 67

5.2 Saran . .............................................................................................. 74

DAFTAR PUSTAKA ........................................................................................ 75

LAMPIRAN



xii

DAFTAR GAMBAR

Halaman

Gambar 4.1. Grafik Cut Point terhadap Ketepatan Klasifikasi ........................ 57



xiii

DAFTAR TABEL

Halaman

Tabel 2.1. Klasifikasi IMT Pasien Ibu Hamil.................................................... 11

Tabel 2.2. Nilai Ketergantungan Model y terhadap ...................................... 25

Tabel 2.3. Ketepatan Klasifikasi Model MARS ............................................... 26

Tabel 4.1. Deskriptif Statistik Pasien Ibu Hamil di Rumah Sakit Haji Periode

Januari 2015 – Desember 2015 Menggunakan Uji Crosstabs … ... 36

Tabel 4.2. Penentuan Model pada Tingkat Resiko Kejadian Ibu Melahirkan Bayi

BBLR menggunakan MARS (Fungsi Basis sebesar 14) ................. 40


BBLR menggunakan MARS (Fungsi Basis sebesar 21) ................. 41


BBLR menggunakan MARS (Fungsi Basis sebesar 28) .................42

Tabel 4.5. Estimasi Parameter dari Basis Fungsi . ...........................................43

Tabel 4.6. Tingkat Kepentingan Variabel Prediktor . ......................................44

Tabel 4.7. Uji Parsial atau Individu Model MARS . ........................................47

Tabel 4.8. Perbandingan Antara Ketepatan Klasifikasi Metode MARS dengan

Regresi Logistik Biner . ...................................................................48

Tabel 4.9. Odds Ratio pada Fungsi Basis . .......................................................54

Tabel 4.10. Ketepatan Klasifikasi Model MARS pada data In Sample . ...........59

Tabel 4.11. Ketepatan Klasifikasi dan Nilai Press’s Q pada Data Out Sample.61



xiv

DAFTAR LAMPIRAN

Lampiran 1. Data Rekam Medis Pasien Ibu Hamil Rumah Sakit Haji Surabaya

(in sample)

Lampiran 2. Data Rekam Medis Pasien Ibu Hamil Rumah Sakit Haji Surabaya

(out sample).

Lampiran 3. Output Model Optimal Program MARS dengan Fungsi Basis 14.



Lampiran 6. Menentukan Threshold (Titik Potong/Cut Point) pada Program R.

Lampiran 7. Output Threshold (Titik Potong/Cut Point) pada Program R.

Lampiran 8. Output Perhitungan M anual p ada D ata O ut S ample dengan

Microsoft Excel.

Lampiran 9. Program M enghitung K etepatan K lasifikasi P emodelan R isiko

Kejadian Pasien Ibu Hamil Melahirkan Bayi BBLR.

Lampiran 10. Output Program M enghitung K etepatan K lasifikasi P emodelan

Risiko K ejadian P asien Ibu H amil M elahirkan B ayi d engan

BBLR (Out Sample).

Lampiran 11. Output Program M enghitung K etepatan K lasifikasi P emodelan

Risiko K ejadian P asien Ibu H amil M elahirkan B ayi d engan

BBLR (In Sample).

Lampiran 12. Hasil Output Regresi L ogistik B iner Menggunakan Software

SPSS.



1

BAB I

PENDAHULUAN

1.1 Latar Belakang Masalah

Seiring dengan berkembangnya ilmu pengetahuan dan teknologi di bidang

kesehatan, semakin bertambah pula permasalahan – permasalahan yang dihadapi

dalam bidang kesehatan. Seperti yang sedang terjadi saat ini, jumlah angka

kematian sangat tinggi dan yang menjadi faktor utama peningkatan tersebut

adalah bayi dengan berat badan lahir rendah. Bayi dengan berat badan lahir

rendah merupakan masalah kesehatan yang sering dialami pada sebagian

masyarakat. Penurunan kejadian bayi dengan Berat Badan Lahir Rendah (BBLR)

untuk mengurangi kematian anak merupakan kontribusi penting dalam Tujuan

Pembangunan Milenium (MDGs). BBLR mempunyai risiko kematian cukup

tinggi pada masa neonatal di negara berkembang termasuk Indonesia, menurut

World Health Organization (WHO) tahun 2013 hampir 98% dari 5 juta kematian

neonatal atau lebih dari 2/3 kematian disebabkan oleh BBLR. Bayi BBLR adalah

bayi yang lahir dengan berat lahir kurang dari 2500 gram tanpa memandang masa

gestasi. Berat lahir yang dipantau adalah berat bayi yang ditimbang dalam 1 (satu)

jam setelah lahir (Ikatan Dokter Anak Indonesia, 2004). Kelahiran BBLR

disebabkan karena defisiensi bahan nutrien oleh ibu selama hamil yang

menyebabkan terganggunya sirkulasi foeto maternal dan berdampak buruk

terhadap tumbuh kembang setelah diluar kandungan, dimana bayi yang bertahan

hidup memiliki insiden lebih tinggi mengalami penyakit infeksi, kekurangan gizi



2

dan keterbelakangan dalam perkembangan kognitif yang ditandai dengan

menurunnya Intelligence Quotient (IQ) poin sehingga memberi ancaman terhadap

kualitas Sumber Daya Manusia pada masa yang akan datang (Soetjiningsih,

2012). Prevalensi BBLR menurut WHO pada tahun 2011 diperkirakan 15% dari

seluruh kelahiran di dunia dengan diketahui presentase kelahiran sebesar 3,3%-

38% dan lebih sering terjadi di negara-negara berkembang atau sosio-ekonomi

rendah. Pada tahun 2011 diketahui bahwa jumlah bayi dengan BBLR di Jawa

Timur mencapai 5,42% yang diperoleh dari presentase 32.933 dari 594.461 bayi

baru lahir yang di timbang dan angka kematian neonatal pernyataan tersebut

diperoleh dari data Dinas Kesehatan Provinsi Jawa Timur dengan penyebab

kematian yang tertinggi disebabkan karena BBLR yaitu mencapai 38,03%

dibanding penyebab kematian neonatal lain (Dinkes, 2012). Prevalensi BBLR di

Jawa timur pada tahun 2013 juga diketahui meningkat yaitu sebesar 7,59%

diperoleh dari sumber Riskesdas Angka kejadian BBLR tahun 2012 yang terjadi

di RSUD Dr. Soetomo Surabaya sebesar 19,34 % (SKDI, 2013). Prevalensi

BBLR di RSU Haji pada tahun 2015 diperoleh 85% dari total keseluruhan

kehamilan yang terjadi pada tahun 2015 menyatakan bayi yang dilahirkan adalah

bayi dengan kejadian BBLR.

Penelitian sebelumnya yang dilakukan Salawati (2012) mengenai hubungan

usia, paritas dan pekerjaan ibu hamil terhadap kejadian BBLR di RSUD ZA

Banda Aceh menggunakan analisis univariat dan bivariat dengan uji Chi-Square.

Hasil penelitian menunjukkan bahwa hanya usia yang mempunyai hubungan

signifikan dengan BBLR(P=0.005, RP=10.7, CI 95%=3.14-36.7 α=0.05).



3

Penelitian Rasyid (2012) yang mengambil sampel di RSUD PROF. DR. H. Aloei

Saboe kota Gorontalo meneliti faktor risiko kejadian BBLR yang terfokus pada

stress kehamilan ibu dan status gizi ibu mengacu pada data primer dengan metode

pengambilan simple random sampling yang diberi kuisioner berkaitan variabel

penelitian faktor risiko kejadian BBLR. Penelitian tersebut dianalisis

menggunakan multivariat dengan regresi berganda logistik dengan hasil penelitian

yang ditemukan adalah ibu dengan stress kehamilan dan status gizi kurang

mempunyai risiko melahirkan bayi BBLR sebesar 2,7 kali dibanding dengan ibu

yang mempunyai status gizi baik.

Pada skripsi ini dibahas mengenai model risiko kejadian bayi BBLR. Analisis

statistika yang dapat menghubungkan antara variabel respon dan prediktor adalah

analisis regresi. Analisis regresi memiliki beberapa pendekatan dalam menduga

sebuah hubungan antar variabel, yaitu metode parametrik dan metode

nonparametrik. Metode nonparametrik lebih baik digunakan dibandingkan metode

parametrik, karena salah satu kelebihan dari metode nonparametrik adalah tidak

mengharuskan sebuah data yang dianalisis berdistribusi normal. Menurut

Friedman (1991), salah satu analisis regresi nonparametrik multivariat untuk

mengetahui hubungan antar variabel adalah dengan pendekatan Multivariate

Adaptive Regression Spline (MARS).

Metode Multivariate Adaptive Regression Spline (MARS) adalah metode yang

tidak mengasumsikan bentuk hubungan fungsional antara variabel respon dan

prediktor, dan mempunyai bentuk fungsional yang fleksibel. Pada pembentukan

model dengan metode MARS dapat digunakan variabel bebas yang jumlahnya



4

lebih dari satu dan memungkinkan diperoleh model yang melibatkan interaksi

antar variabel bebas yang digunakan. Oleh karena itu diharapkan nantinya model

yang terbentuk akan mempunyai ketepatan prediksi yang cukup tinggi.

Dalam kasus ini, variabel respon 𝑌 yang digunakan adalah faktor risiko BBLR

pada proses persalinan. Jika bayi lahir dengan berat badan normal(𝑌 = 0) dan

jika bayi lahir dengan berat badan lahir rendah(𝑌 = 1). Berbagai faktor yang

diduga berpengaruh pada kejadian BBLR ini menggunakan variabel yang ada

pada penelitian Salawati (2012) dan Rasyid (2012), yaitu usia ibu (𝑋1), anemia

(𝑋2), diabetes mellitus (𝑋3), paritas (𝑋4), riwayat pendidikan ibu (𝑋5), status gizi

ibu (𝑋6) dan usia kehamilan (𝑋7).

Berdasarkan uraian di atas, dilakukan pemodelan faktor yang mempengaruhi

kejadian BBLR di rumah sakit di Surabaya menggunakan metode Multivariate

Adaptive Regression Spline (MARS) diharapkan dapat memperoleh model risiko

untuk kejadian BBLR serta mendapatkan faktor – faktor yang berpengaruh pada

kejadian BBLR.

1.2 Rumusan Masalah

Dari latar belakang di atas diperoleh rumusan masalah sebagai berikut :

1. Mendeskripsikan variabel – variabel penelitian yang terkait faktor risiko

ibu melahirkan bayi dengan berat badan lahir rendah di RSU Haji

Surabaya.

2. Bagaimana mengestimasi model regresi logistik biner pada risiko ibu

melahirkan bayi dengan kejadian berat badan lahir rendah di RSU Haji



5

Surabaya berdasarkan faktor-faktor yang diduga mempengaruhi

berdasarkan pendekatan Multivariate Adaptive Regression Spline

(MARS).

3. Bagaimana menganalisis dan menginterpretasi model berdasarkan faktor

yang berpengaruh signifikan terhadap risiko kejadian bayi dengan berat

badan lahir rendah berdasarkan pendekatan Multivariate Adaptive

Regression Spline (MARS).

1.3 Tujuan Penelitian

Adapun tujuan penelitian ini adalah meliputi beberapa hal di bawah ini :

1. Mendeskripsikan variabel – variabel penelitian yang terkait faktor risiko

ibu melahirkan bayi dengan berat badan lahir rendah di RSU Haji

Surabaya.

2. Mengestimasi model regresi logistik biner pada risiko kejadian bayi

dengan berat badan lahir rendah berdasarkan faktor-faktor yang diduga

mempengaruhi berdasarkan pendekatan Multivariate Adaptive Regression

Spline.

3. Menganalisis dan menginterpretasi model berdasarkan faktor yang

berpengaruh signifikan terhadap risiko kejadian bayi dengan berat badan

lahir rendah berdasarkan pendekatan Multivariate Adaptive Regression

Spline.



6

1.4 Manfaat Penelitian

Adapun manfaat yang diharapkan dari penelitian ini, yaitu :

1. Mengetahui estimasi model regresi logistik biner pada risiko kejadian bayi

dengan berat badan lahir rendah berdasarkan faktor-faktor yang diduga

mempengaruhi berdasarkan pendekatan Multivariate Adaptive Regression

Spline.

2. Menambah wawasan bagi mahasiswa tentang estimasi model regresi

logistik biner dengan pendekatan Multivariate Adaptive Regression Spline

(MARS) untuk analisis pengaruh faktor terhadap suatu kejadian.

3. Menambah wawasan mengenai teori dan software Multivariate Adaptive

Regression Splines serta dapat mengaplikasikannya terhadap data riil.

4. Memberikan saran untuk instansi-instansi kesehatan khususnya kesehatan

kpasen ibu hamil atas pengetahuan faktor tingkat risiko bayi dengan berat

badan lahir rendah pada pasien ibu hamil sebagai bahan penyuluhan

supaya gejala bayi BBLR dapat dicegah sejak dini oleh masyarakat.

5. Sebagai bahan pustaka di lingkungan Program Studi S1-Statistika,

Fakultas Sains dan Teknologi, Universitas Airlangga.



7

1.5 Batasan Masalah

Ruang lingkup dalam penulisan skripsi ini dibatasi pada beberapa hal, antara

lain sebagai berikut:

1. Penulisan skripsi berdasarkan atas kajian pustaka untuk mengestimasi

model regresi logistik biner melalui pendekatan Multivariate Adaptive

Regression Spline (MARS).

2. Obyek penelitian pasien ibu hamil merupakan studi kasus di Rumah Sakit

Umum Haji Surabaya periode Januari 2015 – Desember 2015.



8

BAB II

TINJAUAN PUSTAKA

2.1 Berat Badan Lahir Rendah

Berat Badan Lahir Rendah didefinisikan oleh WHO sebagai bayi yang lahir

dengan berat badan kurang dari 2500 gr. Definisi ini berdasarkan pada hasil

observasi epidemiologi yang membuktikan bahwa bayi lahir dengan berat kurang

dari 2500 gram mempunyai kontribusi terhadap kesehatan yang buruk.

Menurunkan insiden BBLR hingga sepertiganya menjadi salah satu tujuan utama “

A World Fit For Children” hingga tahun 2010 sesuai deklarasi dan rencana kerja

United Nations General Assembly Special Session on Children in 2002. Lebih dari

20 juta bayi diseluruh dunia (15,5%) dari seluruh kelahiran, merupakan BBLR di

Asia adalah 22% (Rahayu,2009).

Angka Kematian Bayi (AKB) di Indonesia msih tergolong tinggi dibandingkan

dengan Negara lain di kawasan ASEAN. Berdasarkan Human Development Report

2010, AKB di Indonesia mencapai 31 per 1.000 kelahiran. Prevalensi BBLR di

Indonesia saat ini diperkirakan 7-14% yaitu sekitar 459.200 – 900.000 bayi (Depkes

RI, 2005).

Berdasarkan umur kehamilan, WHO telah membagi menjadi tiga kelompok

yaitu, pre-term adalah umur kehamilan kurang dari 37 minggu (259 hari). Pre-term

adalah umur kehamilan mulai dari 37 minggu sampai 42 minggu atau antara 259-

293 hari, post-term adalah umur kehamilan lebih dari 42 minggu atau antara 294



9

hari (Manuaba, 2007). Menurut Rahmwati 2012 risiko yang mungkin terjadi pada

bayi lahir dengan BBLR adalah sebagai berikut :

1. Sistem Pernafasan

Lebih pendek masa gestasi maka semakin kurang berkembangnya paru

bayi, alveoli cenderung lebih kecil dengan adanya sedikit pembuluh darah yang

mengelilingi stroma seluler matur dan lebihbesar berat badannya, maka semakin

besar alveoli pada hakekatnyadindingnya dibantu oleh kapiler. Otot pernafasan

bayi lebih lemah dan pusat pernafasan kurang berkembang, terdapat pula

kekurangan lipoprotein paru-paru, surfaktan bertindak dengan cara menstabilkan

alveoli yang kecil sehingga mencegah terjadinya kolaps pada saat terjadi

respirasi.

Pertumbuhan dan perkembangan paru yang sebelum sempurna, otot

pernafasan yang masih lemah dan tulang iga yang mudah melengkung sering

menyebabkan terjadi aspirasi pneumonia. Di samping itu sering timbul apnoe

yang disebabkan oleh gangguan dasar pernafasan selama kurang dari 20 detik

atau cukup lama sehingga menimbulkan sianosis dan beradikardi.

2. Sistem Pencernaan

a. Belum berfungsi sempurna, sehingga penyerapan makanan dengan

banyak lemah / kurang baik.

b. Aktivitas otot pencernaan makanan masih belum sempurna, sehingga

pengosongan lambung berkurang.

c. Mudah terjadi regurgitasi isi lambung dan dapat menimbulkan aspirasi

pneumonia.



10

3. Sistem Urogenitas

Fungsi ginjal kurang efisien dengan adanya filtrasi glomerulus yang

menurun mengakibatkan kemampuan untuk mengabsorbsi urin menurun,

Akibatnya mudah jatuh dalam dehidrasi gangguan keseimbangan dan elektrolit

mudah terjadi dari tubulus yang kurang berkembang, produksi urin yang sedikit

tidak sanggup mengurangi kelebihan air tubuh dan elektrolit akibatnya mudah

terjadi oedema dan asidosis.

4. Sistem Neurology

Perkembangan sistem saraf sebagian besar tergantung pada derajat

maturitas. Pusat pengendalian fungsi sifat seperti pernafasan suhu tubuh dan pusat

reflek. Pada berat badan lebih rendah pusat reflek kurang berkembang (reflek

morro ditemukan pada bayi BBLR normal). Karena perkembangan saraf lemah,

maka pada bayi kecil lebih sulit untuk membangunkan dan mempunyai tangis

lemah.

5. Sistem Pembuluh Darah

Lebih dari 50% BBLR menderita perdarahan intraventrikuler yang

disebabkan karena bayi BBLR sering menderita apnoe, asfiksia berat dan

syndrome gangguan pernafasan. Akibatnya bayi menjadi hipoksia, hipertensi dan

hiperapnoe menyebabkan aliran darah ke otak bertambah yang akan lebih banyak

dan tidak ada otoregulasi serebral pada bayi BBLR sehingga mudah terjadi

perdarahan pembuluh kapiler yang rapuh dan ischemia di lapisan germinal yang

terletak di dasar ventrikel lateralis antara nukleus kaudatus dan ependin.



11

6. Sistem Imunologik

Daya tahan tubuh terhadap infeksi berkurang karena rendahnya Ig G.

gamma globin bayi BBLR belum sanggup membentuk antibodi dan daya

fugositas serta reaksi terhadap peradangan masih lebih baik.

2.2 Faktor – Faktor Risiko Kejadian BBLR

Risiko ibu melahirkan bayi dengan berat badan lahir rendah dipengaruhi oleh

beberapa faktor.Menurut penelitian sebelumnya yang pernah dilakukan oleh

Rahmawati dan Jaya (2010) adalah sebagai berikut:

a. Usia Ibu

Usia mempengaruhi proses persalinan, semakin tinggi umur seseorang

maka akan berisiko dalam proses persalinan dan meningkatkan risiko kejadial

BBLR. Usia reproduksi optimal bagi seorang ibu adalah umur 20-30 tahun

(DepKes,1998). Umur ibu kurang dari 20 tahun menunjukkan rahim belum

berkembang secara sempurna karena wanita masih dalam masa pertumbuhan

sehingga panggul dan rahim masih kecil. Hal ini dapat menimbulkan kesulitan

persalinan. Kehamilan pada usia muda berpengaruh terhadap terjadinya

keracunan kehamilan (preeklamsi dan eklamsi) dan persalinan secsio caesaria

yang mengakibatkan still birth (lahir mati) dan meningkatkan risiko berat badan

bayi yang dilahirkan rendah atau kemungkinan terburuk adalah kematian bayi.

Begitu juga kehamilan 35 tahun akan menimbulkan kecemasan terhadap

kehamilan dan persalinan serta alat–alat reproduksi ibu terlalu tua untuk hamil

(Sumelung, 2014).



12

b. Anemia

Penyakit yang diderita ibu berpengaruh terhadap kehamilan dan

persalinannya. Anemia di dalam kehamilan adalah masalah yang sering terjadi

dan berisiko tinggi terhadap kejadian BBLR. Menurut World Health

Organization (WHO) tahun 2011 pada ibu hamil adalah kondisi ibu dengan

kadar hemoglobin (Hb) dalam darahnya < 11,0 𝑔%.

c. Diabetes Melitus

Diabetes Melitus (DM) termasuk penyakit penyerta kehamilan yang harus

dideteksi sejak dini oleh ibu hamil. Menurut penelitian Ulfatun (2012) penyakit

DM berisiko tinggi mempengaruhi kehamilan bayi dengan BBLR. Penyakit

Diabetes Melitus seringkali dapat dijumpai pada perempuan dibandingkan laki-

laki karena perempuan memiliki kolesterol jahat tingkat trigliserida yang lebih

tinggai dibandingkan laki-laki (Gusti & Erna 2014).

d. Paritas

Paritas menyatakan banyaknya kelahiran hidup yang telah dialami oleh

seorang wanita (BKKBN, 2006). Banyaknya anak yang pernah dilahirkan

seorang ibu mempengaruhi kesehatan ibu. Risiko untuk terjadinya BBLR tinggi

pada paritas 1 kemudian menurun pada paritas 2 atau 3 dan meningkat kembali

pada paritas 4. Jumlah anak lebih dari 4 orang menyebabkan keadaan rahim

menjadi lemah sehingga menyebabkan persalinan lama dan pendarahan pada

saat persalinan sehingga meningkatkan risiko kematian pada ibu maupun bayi

(Arkhandha, 1986).



13

e. Riwayat Pendidikan Ibu

Pendidikan adalah usaha sadar dan terencana untuk mewujudkan suasana

belajar dan proses pembelajaran agar peserta didik secara aktif mengembangkan

potensi dirinya untuk memiliki kekuatan spiritual, keagamaan, pengendalian

diri, kepribadian, kecerdasan, akhlak mulia, serta ketrampilan yang diperlukan

bagi dirinya, masyarakat bangsa dan Negara (UU Pendidikan No. 12, Tahun

2012). Riwayat pendidikan ibu termasuk faktor terjadinya BBLR, karena

semakin tinggi tingkat pendidikan seseorang, maka semakin mudah dalam

memperoleh informasi, sehingga kemampuan ibu dalam berfikir lebih

rasional(Rahmawati dan Jaya, 2010). Data riwayat pendidikan ibu akan

dikelompokkan mencadi 4 kategori yaitu SD, SMP, SMA dan Perguruan

Tinggi.

f. Status Gizi

Status gizi adalah keadaan tingkat kecukupan dan penggunaan satu nutrient

atau lebih yang mempengaruhi kesehatan seseorang (Sediaoetama, 2000).

Status gizi seseorang pada hakekatnya merupakan hasil keseimbangan antara

konsumsi zat-zat makanan dengan kebutuhan dari orang tersebut (Lubis, 2003).

Status gizi ibu hamil sangat mempengaruhi pertumbuhan janin yang sedang

dikandung. Bila status gizi normal pada masa kehamilan maka kemungkinan

besar akan melahirkan bayi yang sehat, cukup bulan dengan berat badan normal.

Kualitas bayi yang dilahirkan sangat tergantung pada keadaan gizi ibu selama

hamil (Lubis, 2003). Perhitungan IMT = Berat badan (kg) / tinggi badan (𝑚2).



14

Klasifikasi status gizi berdasarkan IMT dari WHO 2011 pada Tabel 2.1.adalah

sebagai berikut:

Tabel 2.1.Klasifikasi IMT Pasien Ibu Hamil

No IMT Kategori

1 < 18,5 Status Gizi Kurang

2 18,6 – 24,9 Status Gizi Normal

3 25 – 29,9 Status Gizi Lebih

Sumber: WHO, 2011

g. Usia Kehamilan

Usia kehamilan adalah masa yang dihitung sejak haid terakhir sampai saat

persalinan. Usia kehamilan mempengaruhi terjadinya BBLR karena wanita

dengan persalinan preterm umur kehamilan 34-36 minggu sangat berpotensi

terjadinya perinatal dan umurnya berkaitan dengan kejadian BBLR.

Normalnya usia kehamilan adalah 37 minggu. (Rahmi et al,2013)

2.3 Regresi Nonparametrik

Menurut Eubank (1998) jika bentuk dari f(xi) tidak diketahui dengan jelas,

maka pendekatan yang dilakukan untuk menduga bentuk dari f(xi) adalah dengan

regresi non parametrik. Dalam regresi non parametrik f(xi) hanya diasumsikan

termuat dalam ruang fungsi tertentu. Ada banyak cara yang dapat digunakan untuk

menduga f(xi) salah satunya dengan spline, dalam regresi spline diberikan 𝑛 data

berpasangan {(x1,y1), (x2,y2), … ,(xn,yn)} mengikuti model regresi sebagai berikut:



15

yi = f(xi)+ εi, (2.1)

dengan 𝑓 adalah fungsi regresi yang tidak diketahui bentuknya dan 𝜀𝑖 adalah error

variabel random dengan mean 0 dan varians 𝜎2. Estimator spline dengan orde ke

𝑘 dan titik knots 𝜏1 ,𝜏2 ,… ,𝜏𝑘, adalah suatu fungsi 𝑓 yang dinyatakan sebagai

berikut:

f(x)= ∑ βpk+Kp=0 ∅p (x) (2.2)

dengan β=( β0, β1, …, βk+K )T menunjukkan koefisien vektor dan ∅1, ∅2 , …,∅k+K

merupakan suatu fungsi yang didefinisikan sebagai berikut :

∅p(x)= {xp untuk 0 ≤p ≤k

(x-τp-k)+k untuk k+1≤p≤k+K,

Dengan 𝑘 adalah orde polynomial, 𝐾 adalah banyaknya knot dan

(x-τp-k)+k= {

(x-τp-k)+ k , x≥τp-k.

0, x<τp-k (2.3)

Oleh karena itu, spline merupakan potongan – potongan polinomial dengan segmen

– segmen polinomial berbeda digabungkan bersama knot 𝜏1 ,𝜏2 ,… ,𝜏𝑘 dengan suatu

cara yang menjamin sifat continuity tertentu.

Fungsi spline untuk 𝑛 pengamatan dapat ditulis sebagai berikut:

f(x1)=β0+β1x1+…+βkx1k+β(k+1)(x1- τ1)+

k+…+β(k+K)(x1-τK)+

k

f(x2)=β0+β1x2+…+βkx2k+β(k+1)(x2- τ1)+

k+…+β(k+K)(x2-τK)+k

⋮

f(xn)=β0+β1xn+…+βkxnk+β(k+1)(xn- τ1)+

k+…+β(k+K)(xn-τK)+k

Dalam bentuk matriks fungsi spline dapat pula dituliskan sebagai berikut :



16

[

f(x1)f(x2)

⋮f(xn)

] =

[ 1 x1

1

1 x21

x12 ⋯ x1

k (x1-τ1)+k ⋯ (x1-τK)+

k

x22 ⋯ x2

k (x2-τ1)+k ⋯ (x2-τK)+

k

⋮ ⋮1 xn

1⋮ ⋮ ⋮ ⋮

xn1 ⋯ xn

k (xn-τ1)+k ⋯ (xn-τK)+

k]

[

β0β1⋮

β(k+K)]

(Eubank,1998)

2.4 Multivariate Adaptive Regression Spline (MARS)

Ada beberapa hal yang perlu diperhatikan dalam membangun model MARS

yaitu:

1. Knot, yaitu akhir dari sebuah region dan awal dari sebuah region yang lain.

Dan setiap titik knot, diharapkan adanya konstinuitas dari fungsi basis

anatar satu region dengan region yang lainnya.

2. Basis Function, yaitu kumpulan dari fungsi yang digunakan untuk mewakili

informasi dari satu atau beberapa variabel. Fungsi basis ini merupakan

fungsi parametrik yang didefinisikan pada tiap region. Jumlah maksimum

fungsi basis (BF) adalah 2 sampai 4 kali jumlah variabel prediktornya.

3. Maksimum interaksi (MI) adalah 1, 2 dan 3 dengan pertimbangan jika lebih

dari 3 akan menghasilkan bentuk model yang semakin kompleks.

4. Minimum jarak antara knots atau minimum observasi antara knots sebesar

0, 1, 2, 3, ... sampai maksimum jumlah observasi.

(Salford System,2000)

Dalam Friedman (1991) disebutkan bahwa model MARS merupakan kombinasi

dari spline dan rekursif partisi. Pemodelan regresi spline diimplementasikan dengan

membentuk kumpulan fungsi basis yang dapat mencapai pendekatan spline orde



17

ke-q dan mengestimasi koefisien fungsi – fungsi basis tersebut menggunakan least-

squares (kuadrat terkecil).

Sebagai contoh, untuk kasus univariate (v=1), salah satu bentuk fungsi basis

adalah:

{xj}1q , {(x-tk)+

q}1

k (2.4)

Dengan {tk}1k adalah titik knots diharapkan adanya kontinuitas dari fungsi –

fungsi basis antara satu region dengan region lainnya. Oleh karena itu pada

umumnya fungsi basis yang dipilih adalah berbentuk polinomial dengan derivatif

yang kontinu pada setiap titik knots.

Alternatif untuk menyelesaikan kasus – kasus dimensi tinggi atau multivariate

adalah menggunakan pendekatan secara komputasi (Adaptive

Computation).Didalam statistika, algoritma adaptive computation diterapkan untuk

pendekatan suatu fungsi yang didasarkan pada dua paradigma, yaitu project persuit

regression (PPR) dan recursive partitioning regression (RPR). RPR juga

merupakan pendekatan dari fungsi f yang tidak diketahui dengan:

f(x)= ∑ amBm(x)Mm=1 (2.5)

dengan fungsi basis:

Bm(x)= ∏ HKmk=1 [skm(xv(k,m)-tkm)] (2.6)

dan H(η) = { 1, jika η ≥0 0, jika η lainnya

dengan:

am adalah koefisien dari basis fungsi ke-m

M adalah maksismum basis fungsi (nonconstant basis function)



18

Km adalah jumlah interaksi

Skm adalah tanda pada titik knot (nilainya ±1)

xv(k,m) adalah variabel prediktor independen

tkm adalah nilai knots dari variabel prediktor/independen

H(η) adalah fungsi basis pada langkah ke-𝜂

Bentuk persamaan (2.6) tidak kontinu antar subregion (Friedman, 1991). Oleh

sebab itu model MARS digunakan untuk mengatasi kelemahan RPR yaitu agar

menghasilkan model kontinu pada knot. Perbaikan yang dilakukan untuk mengatasi

keterbatasan RPR, antara lain mengahsilkan fungsi basis sebagai berikut:

Bm(q)(x)= ∏ HKm

k=1 [skm(xv(k,m)-tkm)]+

q (2.7)

Setelah dilakukan modifikasi model RPR, diperoleh estimator model MARS

sebagai berikut:

f(x)=a0+ ∑ amMm=1 ∏ [skm(xv(k,m)-tkm)]

+Kmk=1 , (2.8)

dengan:

𝑎0 adalah konstanta

am adalah koefisien dari basis fungsi ke-m

M adalah maksismum basis fungsi (nonconstant basis function)

Km adalah derajat interaksi

Skm adalah tanda pada titik knot (nilainya ±1)

xv(k,m) adalah variabel prediktor independen

tkm adalah nilai knots dari variabel prediktor/independen 𝑥𝑣(𝑘,𝑚)

Penjabaran dari persamaan (2.8) dapat disajikan sebagai berikut :



19

f(x)=a0+ ∑ amMm=1 [s1m.(xv(1,m)-t1m)]+ ∑ am

Mm=1 [s1m.(xv(1,m)-

t1m)][s2m.(xv(2,m)-t2m)]

+∑ amMm=1 [s1m.(xv(1,m)-t1m)][s2m.(xv(2,m)-t2m)] +[s3m.(xv(3,m)-t3m)]+ ... (2.9)

dan secara umum persamaan (2.9) juga dapat dituliskan sebagai berikut :

f(x)=a0+ ∑ fi(xi)+ ∑ fij(xi,xj)+ ∑ fijk(xi,xj,xk)Km=3Km=2Km=1 +… (2.10)

Persamaan (2.10) menunjukkan bahwa penjumlahan suku pertama meliputi semua

fungsi basis untuk satu variabel, penjumlahan suku kedua meliputi semua fungsi

basis untuk interaksi anatara dua variabel, penjumlahan suku ketiga meliputi semua

fungsi basis untuk interaksi antara tiga variabel dan seterusnya.

Misalkan V(m) = {v(k,m)}1Km adalah himpunan dari variabel yang dihubungkan

dengan fungsi basis Bm ke– m, maka setiap penjumlahan pertama pada persamaan

(2.10) dapat dinyatakan sebagai :

∑ fi(xi)Km=1i∈V(m) =amBm(xi) (2.11)

𝑓𝑖(𝑥𝑖) merupakan penjumlahan semua fungsi basis untuk satu variabel 𝑥𝑖 dan

merupakan spline dengan derajat q=1 yang merepresentasikan fungsi univariat.

Setiap fungsi bivariate dalam persamaan (2.10) dapat di tulis sebagai :

∑ 𝑓𝑖𝑗(𝑥𝑖, 𝑥𝑗)𝐾𝑚=2(𝑖,𝑗)𝜖𝑉(𝑚) = 𝑎𝑚𝐵𝑚(𝑥𝑖, 𝑥𝑗) (2.12)

Yang merepresentasikan jumlah semua fungsi basis dua variabel 𝑥𝑖 dan 𝑥𝑗.

Penambahan ini untuk menghubungkan kontribusi univariat, dituliskan sebagai

berikut :

fij*(xi,xj) =fi(xi)+fj(xj)+fij(xi,xj) (2.13)

Untuk fungsi trivariate pada persamaan (2.10) dapat disajikan sebagai berikut :



20

∑ fijk(xi,xj,xk)Km=3(i,j,k)ϵV(m) =amBm(xi,xj,xk) (2.14)

Penambahan fungsi univariate dan bivariate mempunyai bentuk :

𝑓𝑖𝑗𝑘∗(𝑥𝑖, 𝑥𝑗 , 𝑥𝑘)=

fi(xi)+fj(xj)+fk(xk)+fij(xi,xj)+fik(xi,xk)+ fkj(xk,xj)+fijk(xi,xj,xk) (2.15)

Persamaan ini dikenal dengan dekomposisi ANOVA dari model MARS.

Interpretasi model MARS melalui dekomposisi ANOVA adalah merepresentasikan

variabel yang masuk dalam model, baik untuk satu variabel maupun interaksi antar

variabel.

Berdasarkan persamaan (2.7) dan (2.8), maka model MARS dapat ditulis sebagai

berikut :

𝑦𝑖 = 𝑎0 + ∑ 𝑎𝑚

𝑀

𝑚=1

∏[𝑠𝑘𝑚. (𝑥𝑣(𝑘,𝑚) − 𝑡𝑘𝑚)]

𝐾𝑚

𝑘=1

+ 𝜀𝑖

= 𝑎0 ∑ 𝑎𝑚𝐵𝑚(𝑥)𝑀𝑚=1 + 𝜀𝑖 (2.16)

dengan, Bm(x)= ∏ [skm.(xv(k,m)-tkm)]Kmk=1

sehingga dalam bentuk matrik dapat ditulis menjadi :

Y = Ba+ε (2.17)

dengan,

Y=(Y1,…,Yn)T, a=(a0,…,am)T, ε=(ε1,…,εn)T,

𝐵 =

(

1 ∏[(𝑠1𝑚. (𝑥1(1,𝑚) − 𝑡1𝑚)]

𝐾𝑚

𝑘=1

⋯ ∏[(𝑠𝑀𝑚. (𝑥1(𝑀,𝑚) − 𝑡𝑀𝑚)]

𝐾𝑚

𝑘=1

⋮ ⋮ ⋮

1 ∏[(𝑠1𝑚. (𝑥𝑛(1,𝑚) − 𝑡1𝑚)]

𝐾𝑚

𝑘=1

⋯ ∏[(𝑠𝑀𝑚. (𝑥𝑛(𝑀,𝑚) − 𝑡𝑀𝑚)]

𝐾𝑚

𝑘=1 )



21

Estimasi parameter Model MARS pada persamaan (2.17), dengan menggunakan

metode kuadrat terkecil sehingga diperoleh estimator:

a = ( BTB )-1

BTY (2.18)

dengan, B = [1,(xv(k,m)-tkm)1K],

Y = (Y1,…,Yn)T,

a = (a1,…, am)T

Pada pemodelan MARS, penentuan knots dilakukan secara otomatisdari data

dengan menggunakan algoritma stepwise forward dan stepwise backward. Forward

stepwise dilakukan untuk mendapatkan fungsi dengan jumlah fungsi basis

maksimum.Kriteria pemilihan fungsi basis pada forward stepwise adalah dengan

meminimumkan Mean Squared Error (MSE). Untuk memenuhi konsep parsemoni

(model yang sederhana) dilakukan backward stepwise, yaitu memilih fungsi basis

yang dihasilkan dari algoritma forward stepwise dengan meminimumkan nilai

Generalized Cross-Validation (GCV) (Friedman dan Silverman, 1989). Berikut ini

diberikan fungsi GCV yang didefinisikan yaitu :

𝐺𝐶𝑉(𝑀) =𝑀𝑆𝐸

[1−𝐶(��)

𝑛]2 =

1

𝑛∑ [𝑦𝑖−��𝑀(𝑥𝑖)]

2𝑛𝑖=1

[1−𝐶(��)

𝑛]2 (2.19)

dengan :

xi adalah variabel independen/prediktor

yi adalah variabel dependen/respon

n adalah banyaknya pengamatan

C(M) adalah C(M) + dM



22

𝐶(𝑀) adalah Trace[B(BTB)-1BT]+1

d adalah nilai ketika setiap fungsi basis mencapai optimasi (2 ≤ d ≤ 4).

1.5 Klasifikasi MARS

Klasifikasi pada MARS didasarkan pada pendekatan analisis regresi logistik.

Kriteria yang digunakan adalah kuadrat terkecil dari residual untuk

menghubungkan variabel prediktor X dengan variabel respon Y biner (0,1). Jika

Y=1 maka merupakan kelompok 1, (Y | X x)E sedemikian hingga estimator

dengan pendekatan kuadrat terkecil mendekati probabilitas dari populasi 1. Model

persamaan probabilitasnya adalah sebagai berikut

ˆ ( )

ˆ ( )( 1| ) ( )

1

f x

f x

eP Y X x xe

(2.20)

Persamaan 2.20 adalah sama dengan persamaan model regresi logistik dengan

respon biner, dimana fungsinya dapat di dekati dengan estimator MARS.

Pendugaan parameter model MARS dengan peubah respon biner dilakukan

melalui metode Maximum Likelihood Estimation. Menurut Kriner (2007) MARS

dengan peubah respon biner dan nilai peluang peubah responnya ( 1)iP Y dan

( 0) 1iP Y maka fungsi kemungkinan yang akan dimaksimalkan adalah:

1

1

( ) ( ) 1v

v

yNy

v vv

L a x x

1

( )1 ( )1

vyNv

vvv

xxx

1

exp1 exp

1 expv

N yvv

vv

f xf x

f x



23

1

1 exp1 exp

vN y

vvv

f xf x

1

1( ) ln ln exp1 exp

vN y

vvv

l a L a f xf x

1

1ln exp1 exp

vN y

vv v

f xf x

1

ln(1) ln 1 exp ln exp vN y

v vv

f x f x

1

ln 1 expN

v v vv

f x y f x

0 01 1 1

ln 1 expN M M

m m v v m m vv m m

a a B x y a a B x

0 01 1 1 1

ln 1 expN M N M

m m v v m mv m v m

a a B x y a a B

(2.21)

Setelah dilakukan turunan pertama terhadap ma maka didapatkan hasil sebagai

berikut:

1

exp1 exp

NM v v

v M vm v v

B x f xdl ay B x

da f x

Pada model MARS klasifikasi didasarkan pada pendekatan analisis regresi

logistik, model MARS adalah sebagai berikut:

f x logit x

dengan,

1

f x

f xx e

e

dengan demikian,

1

0 ,1

ln1

m

m

KM

m km mv k mk

k

xlogit x a s x t

x

(2.22)



24

Apabila peubah respon memiliki dua kategori (biner), maka digunaklan titik potong

sebesar 0,5 dengan ketentuan jika ( ) 0,5x maka hasil prediksi adalah 1, jika

( ) 0,5x maka hasil prediksi adalah 0.

2.6 Koefisien Basis Fungsi Model MARS

Pada model MARS dilakukan pengujian koefisien fungsi basis yang meliputi

uji serentak dan uji individu. Pengujian koefisien yang dilakukan secara bersamaan

atau serentak terhadap fungsi yang terdapat dalam model MARS ini bertujuan untuk

mengetahui apakah secara umum model MARS yang terpilih merupakan model

yang sesuai dan menunjukkan hubungan yang tepat antara variabel prediktor

dengan variabel respon. Hipotesis yang digunakan sebagai berikut.

0 1 1: 0MH a a a

1 :H paling tidak ada satu 0 , 1,2, ,Ma j m

Statistik uji yang digunakan adalah nilai statisticF yang diperoleh dari tabel

ordinary least squares results hasil dari output pengolahan MARS. Nilai statisticF

yang didapat dibandingkan dengan 1, 2V vF

dengan tingkat signifikansi serta

derajat bebas 𝑣1dan 𝑣2 yang merupakan nilai MDF dan NDF pada tabel ordinary

least squares results dari hasil output pengolahan MARS atau 𝑣1 = 𝑘 dan 𝑣2 =

𝑁 − 𝑘 − 1, dimana k adalah banyaknya fungsi basis yang masuk pada model dan

N adalah banyaknya sampel yang digunakan.

Dengan dengan kriteria jika Fstatistic>Fα(V1,v2) maka 𝐻0 ditolak, artinya paling sedikit

ada satu 𝛼𝑗 yang tidak sama dengan nol sehingga dapat dikatakan model yang



25

diperoleh sesuai dan menunjukkan hubungan yang tepat antara variabel prediktor

dengan variabel respon.

Sedangkan pengujian yang dilakukan secara parsial (individu) ini bertujuan

untuk mengetahui apakah setiap variabel prediktor mempunyai pengaruh signifikan

terhadap variabel respon pada fungsi basis yang terbentuk di dalam model, selain

itu juga untuk mengetahui apakah model yang memuat parameter tersebut telah

mampu menggambarkan keadaan data yang sebenarnya. Hipotesisnya sebagai

berikut.

0 : 0jH a

1 :H 0 , 1,2, ,ja j m

Statistik uji yang digunakan adalah nilai statistict pada tabel ordinary least

square hasil dari output pengolahan MARS. Nilai statistict dibandingkan dengan nilai

dengan derajat bebas v n k dan tingkat signifikansi 𝛼. Dengan daerah kritis jika

α/2,vtstatistict maka 𝐻0 ditolak, artinya ada pengaruh setiap variabel prediktor

dengan variabel respon pada fungsi basis di dalam model (Cholifah, 2013).

2.7 Odds Ratio

Odds ratio merupakan ukuran risiko atau kecenderungan untuk mengalami

kejadian tertentu antara satu kategori dengan kategori lainnya, didefinisikan sebagai

ratio dari odds untuk 𝑥𝑗 = 1 terhadap 𝑥𝑗 = 0. Odds ratio ini menyatakan risiko atau

kecenderungan pengaruh observasi dengan 𝑥𝑗 = 1 adalah berapa kali lipat jika



26

dibandingkan dengan observasi 𝑥𝑗 = 0. Interpretasi variabel bebas yang berskala

kontinu dari koefisien 𝛽𝑗 pada model regresi logistik adalah setiap kenaikan 𝑐 unit

pada variabel bebas akan menyebabkan risiko terjadinya 𝑦 = 1, adalah 𝑒𝑥𝑝(𝑐. 𝛽𝑗)

kali lebih besar.

Odds ratio dilambangkan dengan 𝜃, didefinisikan sebagai perbandingan dua

nilai odds 𝑥𝑗 = 1 dan 𝑥𝑗 = 0, sehingga:

θ=π(1)

1-π(1)π(0)

1-π(0)

(2.23)

Nilai ketergantungan model y terhadap 𝑥𝑗 dapat dilihat dalam Tabel 2.2.berikut ini:

Tabel 2.2. Nilai Ketergantungan model y terhadap 𝑥𝑗

Peubah tidak

bebas (𝑦)

Peubah bebas (𝑥)

𝑥 = 0 𝑥 = 1

𝑦 = 1 π(0)=

exp(β0)

1+exp(β0) π(1)=

exp(β0+β1)

1+exp(β0+β1)

𝑦 = 0 1 − 𝜋(0) =

1

1 + 𝑒𝑥𝑝(𝛽0) 1 − 𝜋(1) =

1

1 + 𝑒𝑥𝑝(𝛽0 + 𝛽1)

Total 1 1

Dari Tabel 2.2, maka diperoleh nilai odds ratio:

θ =

π(1)[1-π(1)]

π(0)[1-π(0)]



27

=[

exp(β0+β1)

1+exp(β0+β1)] [

11+exp(β0)

]

[exp(β0)

1+exp(β0)] [

11+exp(β0+β1)

]

= [exp(β0+β1)

exp(β0)]

= exp (βj) (2.24)

Jadi nilai θ = exp (βj) dapat diartikan bahwa risiko terjadinya peristiwa

y = 1 pada kategori xj = 1 adalah sebesar exp (βj) risiko terjadinya peristiwa y = 1

pada kategori xj = 0.

(Hosmer dan Lemeshow, 2000)

2.8 Ketepatan Klasifikasi dan nilai Press’Q

Untuk menilai kemampuan prosedur pengklasifikasian dalam memprediksi

keanggotaan kelompok, biasanya menggunakan probabilitas kesalahan klasifikasi,

yang dikenal sebagai error rate.

Estimasi sederhana dari tingkat kesalahan dapat diperoleh dengan mencoba

prosedur pengklasifikasian pada data yang sama yang telah digunakan untuk

menghitung fungsi pengklasifikasian. Metode ini sering disebut sebagai

resubtitution. Setiap pengamatan vektor 𝑦𝑖𝑗 dicocokkan dengan fungsi klasifikasi

dan ditetapkan ke sebuah kelompok. Kemudian menghitung jumlah

pengklasifikasian yang benar dan jumlah pengklasifikasian yang salah. Proporsi

kesalahan klasifikasi yang dihasilkan dari resubstitution disebut Apparent Error



28

Rate (APPER) (Rencher dan Christensen, 2012). Berikut ini disajikan hasil

ketepatan klasifikasi pada tabel 2.3.

Tabel 2.3. Ketepatan Klasifikasi Model MARS

Harapan Total

BBLR Normal

Observasi BBLR 11n 12n 11 12n n

Normal 21n 22n 21 22n n

Total 11 21n n 12 22n n 11 12 21 22n n n n

Rumus yang digunakan dalam menghitung peluang kesalahan dalam

pengklasifikasian objek adalah sebagai berikut :

APPER= n12+ n21

n11+ n12+ n21+n22x100% (2.25)

dengan :

𝑛11 = banyaknya kejadian gagal dari hasil amatan yang tepat diprediksikan sebagai

kejadian gagal

𝑛12 = banyaknya kejadian gagal dari hasil amatan yang tepat diprediksikan sebagai

kejadian sukses

𝑛21 = banyaknya kejadian sukses dari hasil amatan yang tepat diprediksikan sebagai

kejadian gagal

𝑛22 = banyaknya kejadian sukses dari hasil amatan yang tepat diprediksikan sebagai

kejadian sukses

Ketepatan Klasifikasi = 100 – APPER



29

Untuk mengetahui kestabilan dalam ketepatan klasifikasi tentang sejauh mana

kelompok-kelompok dapat dipisahkan dengan menggunakan variabel yang ada

maka dapat diuji dengan membandingkan nilai Press’s Q dengan nilai tabel Chi

Square yang berderajat bebas 1. Untuk menguji digunakan hipotesa sebagai berikut:

H0 : Hasil klasifikasi model tidak stabil/tidak konsisten

H1 : Hasil klasifikasi model stabil/konsisten

Apabila nilai Press’s Q yang diperoleh lebih besar daripada nilai Chi Square

dengan derajat bebas 1, maka H0 ditolak dan disimpulkan bahwa model yang

dihasilkan stabil atau konsisten. Perhitungan nilai Press’s Q dilakukan dengan

memakai rumus :

2

’ 1

N nKPress sQ

N K

(2.26)

dengan :

N adalah jumlah total sampel

n adalah jumlah individu yang tepat diklasifikasi

K adalah jumlah Kelompok

(Johnson dan Dean, 2007)



30

BAB III

METODE PENELITIAN

3.1 Data dan Sumber Data

Data yang digunakan pada penelitian ini merupakan data sekunder yang

diperoleh dari Rumah Sakit Umum Haji Surabaya. Data sekunder dalam penelitian

ini mengenai 150 pasien ibu hamil RSU Haji Surabaya yang mempunyai data rekam

medis lengkap pada periode Januari 2015 – Desember 2015 dan faktor- faktor yang

mempengaruhi kejadian BBLR yang meliputi usia ibu hamil, anemia, diabetes

mellitus, paritas, berat badan ibu, riwayat pendidikan ibu, dan status gizi ibu hamil.

Data akan dibagi menjadi dua untuk memprediksi model yaitu dengan

perbandingan 80%:20%. Data terbagi masing - masing out sample sebanyak 130

data dan data in sample sebanyak 20 data.

3.2 Variabel Penelitian

Variabel yang digunakan dalam penelitian ini adalah sebagai berikut:

1. Variabel dependen atau variabel respon (𝑌) dalam penelitian dikategorikan

menjadi dua kategori sebagai berikut,

0 = jika berat badan bayi tidak BBLR (normal)

1 = jika berat badan bayi lahir rendah /BBLR

2 Variabel independen atau variabel prediktor(𝑋) dalam penelitian terdiri

dari variabel-variabel yang diduga berpengaruh terhadap variabel dependen

atau respon :

i. Usia Ibu (𝑋1)



31

Usia menggunakan skala nominal kontinu yang dicatat pada akhir

periode pengambilan data yaitu pada bulan Januari - Desember 2015.

Data usia pasien ibu hamil diperoleh dari catatan rekamedik RSU Haji

pada saat pertama kali check up kehamilan di RSU Haji.

ii. Anemia (𝑋2)

Penderita anemia dapat dilihat dari kadar Hemoglobin (Hb) dalam darah

pasien ibu hamil pada pengambilan data hasil catatan rekamedik saat tri-

smester terakhir yang dikategorikan menjadi dua, yakni :

0 = kadar Hb dalam darah pasien ibu hamil > 11,0 𝑚𝑚𝐻𝑔 (tidak ada

riwayat penyakit anemia pada pasien ibu hamil)

1 = kadar Hb dalam darahnya < 11,0 𝑚𝑚𝐻𝑔 (ada riwayat

penyakit anemia pada pasien ibu hamil).

iii. Diabetes Melitus (𝑋3)

Diabetes melitus diduga menjadi salah satu faktor risiko ibu melahirkan

bayi BBLR. Penderita diabetes mellitus dapat dilihat dari hasil catatan

rekamedik pasien ibu hamil pada saat awal check up kehamilanyang

dikategorikan menjadi dua, yakni :

0 = tidak adanya riwayat penyakit diabetes mellitus pada pasien ibu

hamil terdahulu

1 = adanya diabetes mellitus pada pasien ibu hamil terdahulu.



32

iv. Paritas (𝑋4)

Paritas atau banyaknya kelahiran hidup yang telah dialami oleh pasien

ibu hamil dikategorikan menjadi 3, yaitu :

1 = paritas ke-1 (kehamilan pertama/hamil ini),

2 = paritas ke-2 sampai dengan 3 dan

3 = paritas ke-4 atau lebih dari 4.

v. Riwayat pendidikan Ibu (𝑋5)

Menyatakan pendidikan terakhir yang ditempuh oleh ibu dari bayi

tersebut yang menjadi sampel.Pengambilan data diperoleh dari hasil

catatan rekamedik di RSU Haji Surabaya.Variabel riwayat pendidikan

dikelompokkan dalam 4 kelompok, yaitu :

1 = pendidikan terakhir yang ditempuh ibu hamil adalah SD,

2 = pendidikan terakhir yang ditempuh adalah SMP,

3 = pendidikan terakhir yang ditempuh SMA, dan

4 = pendidikan terakhir yang ditempuh Perguruan Tinggi (PT).

vi. Status Gizi Ibu (𝑋6)

Menyatakan status gizi sang ibu yang telah dihitung berdasarkan

klasifikasi indeks masa tubuh (IMT).Data IMT diperoleh dari hasil

catatan rekamedik pasien ibu hamil di RSU Haji Surabaya. Variabel

status gizi dikelompokkan menjadi 3 kategori, yaitu :

1= gizi pasien ibu hamil kurang atau underweight ,

2 = gizi pasien ibu hamil normal, dan

3 = gizi pasien ibu hamil lebih atau overweight.



33

vii. Usia Kehamilan (𝑋7)

Usia kehamilan pasien ibu hamil mempengaruhi berat badan bayi yang

akan dilahirkan karena berhubungan dengan kematangan kondisi

perkembangan janin dalam kandungan. Data perhitungan jumlah usia

kehamilan diperoleh pada saat pasien ibu hamil melahirkan bayi.

Variabel usia kehamilan dibagi menjadi 2 kategori, yaitu :

1 = pasien ibu hamil melahirkan bayi pada saat usia kehamilan

< 37𝑚𝑖𝑛𝑔𝑔𝑢(premature),

2 = pasien ibu hamil melahirkan bayi pada saat usia kehamilan

≥ 37𝑚𝑖𝑛𝑔𝑔𝑢

3.3 Metode Analisis

Tahapan analisis yang dilakukan untuk mencapai tujuan pada penelitian ini

adalah sebagai berikut :

1. Membuat deskriptif statistik risiko ibu melahirkan bayi dengan berat badan

lahir rendah di Rumah Sakit Haji Surabaya dan faktor-faktor yang

mempengaruhi dengan langkah – langkah sebagai berikut :

i. Mengimport data dari excel ke SPSS

ii. Pilih menu Analyze → Descriptive Statistics → Crosstabs.

iii. Tambahkan variabel berat badan bayi pada kotak dialog row.

tambahkan semua variabel prediktor pada kotak dialog column kecuali

variabel usia.

iv. Klik Statistics dan Chi – Square,continue.

v. Klik OK.



34

2. Mengestimasi model Multivariate Adaptive Regression Spline (MARS) dari

faktor – faktor yang mempengaruhi BBLR dengan langkah sebagai berikut:

i. Menentukan data yang digunakan sebagai in sample untuk memperoleh

model dan sebagai out sample untuk memprediksi.

ii. Menentukan model MARS seperti pada persamaan (2.16)

iii. Mengestimasi model MARS dari faktor-faktor yang mempengaruhi

kejadian BBLR dengan langkah langkah sebagai berikut:

a. Menginputkan data yang pada SPSS yang terdiri dari 6 prediktor

dan satu respon dengan 150 sampel ibu hamil.

b. Mengimpor data dari inputan yang ada pada SPSS ke dalam

software MARS.

c. Menentukan nilai basis fungsi (BF), antara 12 sampai dengan 24.

d. Menentukan maksimum interaksi (MI), yaitu 1, 2 dan 3, dengan

asumsi bahwa jika MI > 3 akan menghasilkan model yang semakin

kompleks dan nilai GCV akan semakin meningkat, serta

menentukan minimum observasi yaitu 0, 1, 2 dan 3.

e. Menentukan model terbaik dengan trial and error sampai diperoleh

model optimal dengan GCV minimum dengan rumus pada

persamaan (2.19).

f. Mendapatkan model terbaik dan diubah menjadi model logit seperti

persamaan (2.20).



35

g. Menguji signifikasi dari koefisien fungsi basis pada model logit

MARS dengan uji serentak dan uji individu.

3. Menganalisis dan menginterpretasi model logit MARS serta odds ratio

berdasarkan faktor yang berpengaruh signifikan terhadap risiko kejadian

BBLR di RSU Haji Surabaya dengan langkah sebagai berikut:

a. Menginterpretasi model logit MARS dengan menghitung peluang

risiko kejadian BBLR yang diperoleh dari persamaan (2.20) dengan

menganggap fungsi basis yang lain konstan.

b. Menginterpretasi odds ratio dengan menghitung nilai odds ratio yang

diperoleh dari persamaan (2.25) dengan menganggap fungsi basis

yang lain konstan.

c. Menentukan cut point atau titik potong yang memiliki ketepatan

klasifikasi tertinggi.

d. Menentukan ketepatan klasifikasi model logit MARS dan menguji

kestabilan hasil klasifikasi model logit MARS pada data in sample

dengan langkah sebagai berikut:

i. Menghitung nilai ketepatan klasifikasi model logit MARS

dengan melihat peluang kesalahan dalam mengklasifikasi

objek menggunakan APPER seperti persamaan (2.24).

ii. Menguji kestabilan hasil klasifikasi dengan membandingkan

nilai Press’s Q dengan nilai Chi-Square derajat bebas 1.

Perhitungan nilai Press’s Q sesuai dengan persamaan (2.25).



36

iii. Menentukan ketepatan klasifikasi model logit MARS dan

menguji kestabilan hasil klasifikasi model logit MARS pada

data out sample dengan langkah sama seperti yang dijelaskan

pada poin 4.c.

iv. Mengaplikasikan model logit MARS pada data out sample

guna memprediksi risiko ibu melahirkan bayi dengan berat

badan lahir rendah dengan langkah sebagai berikut:

a) Mensubtitusikan fungsi basis yang telah diperoleh sesuai

faktor-faktor yang mempengaruhi ke model logit MARS

sehingga menemukan nilai peluang.

b) Memperoleh hasil prediksi dengan membandingkan nilai

peluang yang telah diperoleh dengan titik potong yang telah

ditentukan.



37

BAB 4

HASIL DAN PEMBAHASAN

4.1 Deskriptif Statistik Pasien Ibu Hamil

Deskripsi statistik risiko kejadian ibu melahirkan bayi BBLR di RSU Haji

Surabaya dilakukan untuk mengetahui karakteristik ibu yang melahirkan bayi

BBLR dan bayi berat badan normal. Dalam mendeskripsikan sebaran suatu

variabel, digunakan beberapa bentuk penyajian data, yaitu dengan menggunakan

tabel, diagram lingkar maupun diagram batang.

Salah satu faktor yang terkait dengan risiko kejadian ibu melahirkan bayi

BBLR di RSU Haji Surabaya adalah anemia, berikut ini merupakan tabel hasil uji

deskripif menggunakan crosstabs pada pasien ibu hamil yang melahirkan bayi

BBLR di RSU Haji Surabaya.

Tabel 4.1 Deskriptif Statistik Pasien Ibu Hamil di Rumah Sakit Haji Periode

Januari 2015 – Desember 2015 Menggunakan Crosstabs.

Y Total Bayi

BBLR Bayi Tidak BBLR (Normal)

X1 ≤ 25 tahun 8% 20% 28% > 25 tahun 16% 56% 72%

X2 Anemia 20,0% 17,3% 37,3% Tidak Anemia 27,3% 35,3% 62,6%

X3 Diabetes Militus 14,0% 6,7% 20,7% Tidak Diabetes Militus 33,3% 46,0% 79,3%

X4 Paritas ke-1 21,3% 18,0% 39,3% Paritas Ke-2 dan 3 18,0% 29,3% 47,3% Paritas ke-4 atau lebih 8,0% 5,3% 13,3%

X5

SD 4,0% 3,3% 7,3% SMP 12,7% 5,3% 18,0% SMA 20,0% 28,0% 48,0% Perguruan Tinggi 10.7% 16.0% 26.7%



38

Y

Total Bayi BBLR

Bayi Tidak BBLR (Normal)

X6 Underweight 11.3% 3.3% 14.6% Normal 22.7% 18.7% 41.4% Overweight 13.3% 30.7% 44.0%

X7 < 37 Minggu 15.3% 14.0% 29.3% ≥ 37 Minggu 29.3% 38.7% 68.0%

Dari Tabel 4.1 dapat disimpulkan bahwa pasien ibu hamil di RSU Haji

Surabaya yang berusia kurang dari sama dengan 25 tahun sebesar 28% dan pasien

ibu hamil di RSU Haji Surabaya yang berusia lebih besar dari 25 tahun sebesar

72%.

Pada pasien ibu hamil yang mempunyai riwayat penyakit anemia dan

melahirkan bayi dengan BBLR adalah sebanyak 20%, sedangkan pasien ibu hamil

yang tidak mempunyai riwayat penyakit anemia dan melahirkan bayi dengan

BBLR adalah sebanyak 27,3%. Pada pasien ibu hamil dengan riwayat penyakit

anemia dan melahirkan bayi dengan berat badan normal adalah sebanyak 17,3%,

sedangkan yang tidak mempunyai riwayat penyakit anemia dan melahirkan bayi

dengan berat badan normal sebanyak 35,3%.

Pada pasien ibu hamil yang mempunyai riwayat penyakit diabetes militus dan

melahirkan bayi dengan BBLR adalah sebanyak 14%, sedangkan yang tidak

mempunyai riwayat penyakit diabetes militus dan melahirkan bayi dengan BBLR

adalah sebanyak 33,3%. Pasien ibu hamil dengan riwayat penyakit diabetes

militus dan melahirkan bayi berat badan normal adalah sebanyak 6,7%,



39

sedangakan yang tidak mempunyai riwayat penyakit diabetes militus dan

melahirkan bayi normal adalah sebanyak 46%.

Pada pasien ibu hamil dengan status paritas pertama dan melahirkan bayi

dengan BBLR adalah 21,3%, pasien ibu hamil dengan paritas ke-2 dan 3 dan

melahirkan bayi dengan BBLR adalah sebanyak 18%, sedangkan pasien ibu hamil

dengan paritas ke-4 atau lebih dan melahirkan bayi dengan BBLR adalah sebesar

8%. pasien ibu hamil dengan status paritas pertama dan melahirkan bayi dengan

berat badan normal adalah sebanyak 18%, pasien ibu hamil dengan paritas ke-2

dan 3 dan melahirkan bayi dengan berat badan normal adalah sebanyak 29,3%,

sedangkan pasien ibu hamil dengan paritas ke-4 atau lebih dan melahirkan bayi

dengan berat badan normal adalah sebanyak 5,2%.

Pada pasien ibu hamil yang memiliki riwayat pendidikan sampai dengan SD

dan melahirkan bayi dengan BBLR adalah sebanyak 4%,pasien ibu hamil dengan

riwayat pendidikan SMP dan melahirkan bayi dengan BBLR adalah sebanyak

12,7%, ibu hamil dengan riwayat pendidikan SMA dan melahirkan bayi BBLR

adalah 20%, sedangkan pasien ibu hamil dengan riwayat pendidikan Perguruan

inggi dan melahirkan bayi dengan BBLR adalah 10,7%. Pasien ibu hamil yang

memiliki riwayat pendidikan sampai dengan SD dan melahirkan bayi dengan

berat badan normal adalah sebanyak 3,3%, pasien ibu hamil yang memiliki

riwayat pendidikan sampai dengan SMP dan melahirkan bayi dengan berat badan

normal adalah sebanyak 5,3%, ibu hamil yang memiliki riwayat pendidikan

sampai dengan SMA dan melahirkan bayi dengan berat badan normal adalah

sebanyak 28%, sedangkan ibu hamil yang memiliki riwayat pendidikan sampai



40

dengan Perguruan Tinggi dan melahirkan bayi dengan berat badan normal adalah

sebanyak 16%.

Pada pasien ibu hamil dengan status gizi underweight dan melahirkan bayi

dengan BBLR sebesar 11,3%, pasien ibu hamil dengan status gizi normal dan

melahirkan bayi dengan BBLR sebesar 22,7%, sedangkan pasien ibu hamil

dengan status gizi overweight dan melahirkan bayi dengan BBLR sebesar 13,3%.

Pasien ibu hamil dengan status gizi underweight dan melahirkan bayi dengan

berat badan normal adalah 3,3%, pasien ibu hamil dengan status gizi normal dan

melahirkan bayi dengan berat badan normal adalah 18,7%, sedangkan pasien ibu

hamil dengan status gizi overweight dan melahirkan bayi dengan berat badan

normal sebesar 30,7%.

Pada pasien ibu hamil yang melahirkan bayi dengan BBLR selama < 37

minggu masa kehamilan adalah sebesar 15,3% dan pasien ibu hamil yang

melahirkan bayi dengan BBLR selama ≥ 37minggu masa kehamilan adalah

sebesar 29,3%. Sedangkan, pasien ibu hamil yang melahirkan bayi dengan berat

badan normal selama < 37minggu masa kehamilan adalah sebesar 14%, pasien ibu

hamil yang melahirkan bayi dengan berat badan noemal selama ≥ 37minggu masa

kehamilan adalah sebesar 38,7%.

4.2 Model Regresi Logistik Biner pada Tingkat Risiko Kejadian Ibu

Melahirkan Bayi BBLR Menggunakan Pendekatan MARS

Model MARS pada risiko kejadian ibu melahirkan bayi BBLR di RSU Haji

Surabaya menggunakan fungsi basis (BF) dua sampai empat kali variabel



41

prediktor yaitu 14, 21, dan 28. Sedangkan nilai maksimum interaksi (MI) sebesar

1, 2, dan 3 serta nilai minimum observasi (MO) yang digunakan yakni 0, 1, 2, dan

3. Setelah dilakukan kombinasi antara fungsi basis (BF), maksimum interaksi

(MI), dan minimum observasi (MO) maka hasil yang diperoleh oleh variabel

prediktor ditampilkan pada Tabel 4.2, Tabel 4.3, dan Tabel 4.4 sebagai berikut.

Tabel 4.2 Penentuan Model pada Tingkat Risiko Kejadian Ibu Melahirkan

Bayi BBLR menggunakan Pendekatan MARS (Fungsi Basis

sebesar 14)

NO BF MI MO GCV JUMLAH VARIABEL R2 Ketepatan

Klasifikasi 1 14 1 0 0,240 0,195 1 62,5% 2 14 1 1 0,240 0,195 3 62,5% 3 14 1 2 0,240 0,195 3 62,5% 4 14 1 3 0,240 0,195 3 62,5% 5 14 2 0 0,243 0,261 3 73,33% 6 14 2 1 0,243 0,157 2 65% 7 14 2 2 0,243 0,157 2 65% 8 14 2 3 0,243 0,157 3 65% 9 14 3 0 0,232 0,315 4 77,5% 10 14 3 1 0,231 0,364 4 77,53%

11*) 14 3 2 0,219 0,335 4 71,67% 12 14 3 3 0,220 0,353 5 76,67%

Keterangan: *) adalah model terbaik pada fungsi basis sebesar 14

Berdasarkan Tabel 4.2, diperoleh model MARS pada tingkat risiko kejadian

pasien ibu hamil melahirkan bayi BBLR dengan fungsi basis 14 (dua kali jumlah

variabel prediktor) diperoleh model terbaik yaitu pada nomor 11 (BF = 14, MI =

3, MO = 2) yang memiliki nilai GCV yaitu 0,219 dengan R2 sebesar 0,335 dan

variabel prediktor yang masuk dalam model sebanyak 4.



42

Berdasarkan Lampiran 4, terdapat kombinasi dengan fungsi basis 21,

maksimum interaksi dan minimum observasi dengan melalui trial and error maka

hasil yang diperoleh oleh variabel prediktor ditampilkan pada Tabel 4.3.

Tabel 4.3 Penentuan Model pada Tingkat Risiko Kejadian Ibu Melahirkan Bayi

BBLR menggunakan Pendekatan MARS (Fungsi Basis sebesar 21)


Klasifikasi 1 21 1 0 0,244 3 0,225 71,67% 2 21 1 1 0,244 3 0,268 71,67% 3 21 1 2 0,244 3 0,225 71,67% 4 21 1 3 0,244 3 0,225 71,67% 5 21 2 0 0,246 3 0,280 69,17% 6 21 2 1 0,244 2 0,157 65% 7 21 2 2 0,244 3 0,214 65% 8 21 2 3 0,244 3 0,214 65% 9 21 3 0 0,232 4 0,315 77,5% 10 21 3 1 0,228 4 0,364 75,83% 11 21 3 2 0,215 5 0,353 76,67%

12*) 21 3 3 0,211 5 0,398 79,57% Keterangan: *) adalah model terbaik pada fungsi basis sebesar 21

Berdasarkan Tabel 4.3, diperoleh model MARS pada tingkat risiko risiko

kejadian pasien ibu hamil melahirkan bayi BBLR dengan fungsi basis 21 (tiga kali

jumlah variabel prediktor) diperoleh model terbaik yaitu pada nomor 12 (BF = 21,

MI = 3, MO = 3) yang memiliki nilai GCV sebesar 0,211 dengan R2 sebesar

0,398 dan variabel prediktor yang masuk dalam model sebanyak 5.

Berdasarkan Lampiran 5, terdapat kombinasi dengan fungsi basis 28,

maksimum interaksi dan minimum observasi dengan melalui trial and error maka

hasil yang diperoleh oleh variabel prediktor ditampilkan pada Tabel 4.4.



43

Tabel 4.4 Penentuan Model pada Tingkat Risiko Kejadian Ibu Melahirkan Bayi

BBLR menggunakan Pendekatan MARS (Fungsi Basis sebesar 28)


Klasifikasi 1 28 1 0 0,244 3 0,225 71,67% 2 28 1 1 0,244 5 0,267 73,33% 3 28 1 2 0,244 3 0,225 71,67% 4 28 1 3 0,244 3 0,225 71,67% 5 28 2 0 0,245 2 0,157 65% 6 28 2 1 0,245 2 0,157 65% 7 28 2 2 0,232 6 0,337 75,83% 8 28 2 3 0,222 6 0,337 75,83% 9 28 3 0 0,252 4 0,314 77,5% 10 28 3 1 0,23 4 0,295 74,17% 11 28 3 2 0,237 3 0,175 66,67%

12*) 28 3 3 0,206 6 0,460 81,67% Keterangan: *) adalah model terbaik pada fungsi basis sebesar 28

Berdasarkan Tabel 4.4, diperoleh model MARS pada tingkat risiko kejadian

ibu melahirkan bayi BBLR dengan fungsi basis 28 (empat kali jumlah variabel

prediktor) diperoleh model terbaik yaitu pada nomor 12 (BF = 28, MI = 3, MO =

3) yang memiliki nilai GCV sebesar 0,206 dengan R2 sebesar 0,460 dan variabel

prediktor yang masuk dalam model sebanyak 6.

Dari keseluruhan model yang diperoleh dengan cara trial and error serta

kombinasi antara nilai BF, MI dan MO untuk variabel prediktor berdasarkan nilai

GCV yang paling minimum maka model pendekatan MARS terbaik dipilih dan

dianggap paling sesuai dari model yang ada yaitu terjadi pada model nomor 12

pada fungsi basis 28 dengan nilai BF=28, MI=3 dan MO=3. Model MARS terbaik

yang diperoleh untuk tingkat risiko kejadian ibu melahirkan bayi BBLR yakni

sebagai berikut:



44

f(x) = 0,959-0,730 * BF1 + 0,900 * BF9 + 0,597 * BF11 - 0,048 * BF13 - 0,421 *

BF18 + 0,118 * BF22 (4.1)

Berdasarkan dari persamaan 4.1 diperoleh model logit untuk tingkat risiko

kejadian bayi BBLR yakni sebagai berikut:

logit π(x) = 0,722 - 0,325 * BF1 + 0,711 * BF9 + 0,645 * BF11 - 0,488 *

BF13 - 0,015 * BF18+0,53 * BF22 (4.2)

Menentukan model terbaik dari kombinasi nilai BF, MI, dan MO yang

mungkin dengan kriteria nilai GCV minimum serta melakukan penaksiran

parameter. Kriteria pemilihan model terbaik adalah dengan membandingkan GCV

minimum, jika memiliki nilai yang sama dapat dilihat dengan pertimbangan nilai

MSE terkecil. Namun, jika beberapa model tersebut memiliki MSE terkecil yang

sama maka pertimbangan selanjutnya pada ketepatan klasifikasi terbesar. Akan

tetapi, jika model masih belum bisa dipilih maka pertimbangan selanjutnya adalah

dengan melihat kombinasi model yang terkecil.

Hasil dari kombinasi basis fungsi, maksimum interaksi dan minimum

interaksi akan disajikan pada Lampiran 5. Berikut akan disajikan Tabel 4.5 dari

basis fungsi yaitu :

Tabel 4.5. Estimasi Parameter dari Basis Fungsi

Basis Fungsi Estimasi Parameter

BF1 = (X3 = 0) -0,325

BF9 = (X6 = 2) * BF7 0,711

BF11 = (X4 = 1) * BF8 0,645



45

Basis Fungsi Estimasi Parameter

BF13 = max (0, X1-16) * BF3 -0,488

BF18 = (X4 = 1) * BF6 -0,015

BF22 = (X7 = 1) * BF20 0,53

dengan

BF2 = (X3 = 1)

BF3 = (X5 = 3) * BF2

BF6 = (X6 = 2 OR X6 = 3) * BF1

BF7 = (X5 = 2) * BF1

BF8 = (X5 = 1 OR X5 = 3 OR X5 = 4) * BF1

BF14 = (X5 = 2 OR X5 = 3)

BF20 = max(0, X1 - 34.000) * BF14

4.3 Faktor yang Berpengaruh terhadap Tingkat Risiko Kejadian Ibu

Melahirkan Bayi BBLR

Berdasarkan pada Lampiran 5, pada output MARS dengan Fungsi Basis 28,

diperoleh tingkat kepentingan variabel prediktor seperti Tabel 4.6 sebagai berikut:

Tabel 4.6. Tingkat Kepentingan Variabel Prediktor

Variabel Tingkat Kepentingan GCV

X5 100% 0,265 X3 98,553% 0,264 X6 78,595% 0,243 X1 64,616% 0,231 X4 42,091% 0,216 X7 35,257% 0,213



46

Berdasarkan pada Tabel 4.6, maka dapat diketahui bahwa jika variabel X5

dimasukkan dalam model maka nilai GCV akan berkurang sebesar 0,265, variabel

X3 jika dimasukkan dalam model maka nilai GCV akan berkurang 0,264, variabel

X6 jika dimasukkan dalam model maka nilai GCV akan berkurang 0,243, variabel

X1 ika dimasukkan dalam model maka nilai GCV akan berkurang 0,231, variabel

X4 ika dimasukkan dalam model maka nilai GCV akan berkurang 0,216, variabel

X7 ika dimasukkan dalam model maka nilai GCV akan berkurang 0,213.

Pada Tabel 4.6, dapat diketahui juga bahwa variabel prediktor yang

berpengaruh terhadap variabel respon tingkat risiko kejadian ibu melahirkan bayi

BBLR yaitu riwayat pendidikan ibu (X5), diabetes militus (X3), status gizi ibu

(X6), usia ibu (X1), paritas (X4), dan usia kehamilan (X7). Dlam penelitian ini

diketahui pula tingkat kepentingan variabel yakni riwayat pendidikan ibu sebesar

100%, diabetes militus sebesar 98,553%, status gizi ibu sebesar 78,595%, usia ibu

sebesar 64,616%, paritas sebesar 42,091%, dan usia kehamilan sebesar 35,257%.

Berdasarkan model yang diperoleh pada persamaan (4.3) diperoleh beberapa basis

fungsi yang terdapat interaksi enam variabel prediktor yaitu X1, X3, X4, X5, X6

dan X7.

4.4 Pengujian Koefisien Fungsi Basis Model MARS

Pada masing-masing model MARS yang telah diperoleh dari keenam faktor

dilakukan pengujian koefisien fungsi basis yang meliputi uji serentak dan uji

individu.



47

a. Uji Serentak Koefisien Fungsi Basis Model MARS

Pengujian secara serentak atau bersamaan terhadap fungsi basis –

fungsi basis yang terdapat dalam model MARS bertujuan untuk mengetahui

apakah secara umum model yang terpilih merupakan model yang sesuai dan

menunjukkan hubungan yang tepat antara variabel prediktor dan respon.

Hipotesis yang digunakan yakni sebagai berikut:

H0 : a1 = a3 = a4 = a5 = a6 = a7 = 0

H1 : paling tidak ada satu aj ≠ 0

dengan, aj merupakan fungsi basis yang masuk dalam model dan

j = 1, 3, 4, 5, 6 dan 7.

Berdasarkan hasil pengolahan MARS dapat diketahui bahwa nilai F

sebesar 16,060. Informasi selengkapnya dapat dilihat pada tabel ordinary

least squares results pada Lampiran 3. Dengan menggunakan α = 0,05

diperoleh F0,05(6,113) sebesar 2,18. Daerah kritis yang dihasilkan F >

F0,05(6,113), maka keputusan yang diambil yakni menolak H0 yang artinya

paling sedikit ada satu aj tidak sama dengan nol atau dapat dinyatakan

bahwa minimal terhadap satu fungsi basis yang memuat variabel prediktor

yang berpengaruh terhadap variabel respon.

b. Uji Parsial Koefisien Fungsi Basis Model MARS

Uji selanjutnya yakni uji secara parsial atau individu yang bertujuan

untuk mengetahui apakah fungsi basis yang tebentuk mempunyai pengaruh

signifikan terhadap model, selain itu juga untuk mengetahui apakah model



48

yang memuat fungsi basis tersebut mampu menggambarkan keadaan data

sebenarnya. Hipotesis yang digunakan sebagai berikut:

H0 : aj = 0

H1 : aj ≠ 0

dengan, 𝑎𝑗 merupakan fungsi basis yang masuk dalam model dan

j = 1, 3, 4, 5, 6 dan 7. Dengan menggunakan α sebesar 0,05 maka diperoleh

nilai ttabel = t(

α2,v)

= t(0,025,113) sebesar 1,98118. Tolak H0 apabila nilai |t|

>t(0,025,77).

Berdasarkan Lampiran 5., pada tabel ordinary least squares results,

berikut disajikan hasil pengujian parsial model MARS pada tabel 4.7.

Tabel 4.7. Uji Parsial atau Individu Model MARS

Parameter Estimasi Standar Error tstatistik Keputusan

Constant 0,959 0,083 11,497 Tolak H0

Basis Fungsi 1 -0,730 0,100 -7,331 Tolak H0

Basis Fungsi 9 0,900 0,149 6,043 Tolak H0





Berdasarkan Tabel 4.7., terlihat bahwa semua fungsi mempunyai nilai

signifikan sehingga keputusan yang diambil yakni menolak H0 yang berarti

semua fungsi basis dalam model berpengaruh signifikan terhadap model.



49

Pada skripsi ini juga membandingkan hasil nilai ketepatan klasifikasi antara

metode MARS sebesar 83,33% dengan Regresi Logistik sebesar 72,5% pada

lampiran 13 berdasarkan hasil pengolahan software SPSS diperoleh nilai

ketepatan klasifikasi MARS lebih besar dari regresi logistik, hal ini menunjukkan

bahwa metode MARS lebih baik dari pada regresi logistik pada kasus ini, karena

metode MARS memiliki fleksibilitas yang tinggi daripada regresi logistik.

4.5 Interpretasi Fungsi Basis dalam Model MARS

Model terbaik untuk faktor yang mempengaruhi tingkat risiko kejadian pasien

ibu hamil melahirkan bayi BBLR dituliskan pada persamaan (4.2). Persamaan

tersebut menggambarkan kejadian risiko kejadian pasien ibu hamil melahirkan

bayi BBLR. Berdasarkan model tersebut diketahui bahwa terdapat enam variabel

prediktor yang mempengaruhi variabel respon, dengan melalui beberapa interaksi

yang telah dilakukan maka didapatkan banyaknya fungsi basis yang merupakan

komponen interaksi dari fungsi basis lainnya yaitu BF1, BF3, BF4, BF5, BF6 dan

BF7. Model yang tertulis pada persamaan (4.3) sebagai berikut:

1. BF1 = (X3 = 0)

{1 , untuk X3 = 0 0 , X3 yang lain

Artinya koefisien BF1 akan bernilai 1 jika X3 berada pada kategori 0, dan

BF1 akan bernilai 0 jika X3 = 1(pasien ibu hamil memiliki diabetes

millitus).

2. BF2 = (X3 = 1)

{1 , untuk X3 = 1 0 , X3 yang lain



50

Artinya koefisien BF2 akan bernilai 1 jika X3 berada pada kategori 1(ibu

hamil memiliki diabetes militus), dan nilai BF2 akan bernilai 0 jika

X3 = 0 (pasien ibu hamil yang tidak diabetes millitus).

3. BF3 = (X5 = 3) * BF2

= (X5 = 3) * (X3 = 1)

= {1 , untuk X5 = 3 dan (X3 = 1)

0 , X5 dan X3 yang lain

Artinya koefisen BF3 akan bernilai 1 jika X5 = 3(pendidikan ibu hamil

SMA) dan X3 = 1(ibu hamil memiliki diabetes militus), sedangkan BF3

akan bernilai 0 jika X5 = 1(pendidikan pasien ibu hamil tingkat SD),

X5 = 2(pendidikan pasien ibu hamil tingkat SMP), X5 = 4(pendidikan

pasien ibu hamil tingkat PT) dan X3 = 0(ibu hamil tidak memiliki

diabetes militus).

4. BF6 = (X6 = 2 OR X6 = 3) * BF1

= (X6 = 2 OR X6 = 3) * (X3 = 0)

= {1 , untuk X6 = 2 OR X6 = 3 dan X3 = 0


Artinya koefisen BF6 akan bernilai 1 jika X6 = 2(status gizi ibu normal)

atau X6 = 3(status gizi ibu overweight) dan X3 = 0(ibu hamil tidak

memiliki diabetes militus), sedangkan BF6 akan bernilai 0 jika

X6 = 1(status gizi ibu underweight) dan X3 = 1(ibu hamil memiliki penyakit

diabetes militus).

5. BF7 = (X5 = 2) * BF1

= (X5 = 2) * (X3 = 0)



51

= {1 , untuk X5 = 2 dan X3 = 0


Artinya koefisen BF6 akan bernilai 1 jika nilai X6 = 2(status gizi ibu

normal) atau X6 = 3(status gizi ibu overweight) dan X3 = 0(ibu hamil

tidak memiliki diabetes militus), sedangkan BF6 akan bernilai 0 jika

X5 = 1(pendidikan ibu tingkat SD) atau X5 = 3 (pendidikan ibu tingkat

SMA) atau X5 = 4( pendidikan ibu tingkat PT) dan X3 = 1(ibu hamil

memiliki penyakit diabetes militus).

6. BF8 = (X5 = 1 OR X5 = 3 OR X5 = 4 ) * BF1

= (X5 = 1 OR X5 = 3 OR X5 = 4 ) * (X3 = 0)

= {1 , untuk X5 = 1 OR X5 = 3 OR X5 = 4 dan X3 = 0


Artinya koefisen BF8 akan bernilai 1 jika nilai X5 = 1(pendidikan ibu

tingkat SD) atau nilai X5 = 3(pendidikan ibu tingkat SMA) atau nilai X5

= 4(pendidikan ibu tingkat PT) dan X3 = 0(ibu hamil tidak memiliki

diabetes militus), sedangkan BF8 akan bernilai 0 jika X5 = 2(pendidikan

ibu tingkat SMP) dan X3 = 1(ibu hamil memiliki penyakit diabetes

militus).

7. BF9 = (X6 = 2) * BF7

= (X6 = 2) * (X5 = 2) * (X3 = 0)

= {1 , untuk X6 = 2, X5 = 2 dan X3 = 0

0 , X6, X5 dan X3 yang lain

Artinya koefisien BF9 akan bernilai 1 jika nilai X6 = 2(status gizi ibu

normal), X5 = 2(pendidikan ibu tingkat SMP) dan X3 = 0(ibu hamil tidak

memiliki diabetes militus), sedangkan BF9 akan bernilai 0 jika



52

X6 = 1(status gizi ibu underweight) atau X6 = 3(status gizi ibu

overweight) atau X5 = 1(pendidikan ibu tingkat SD) atau

X5 = 3(pendidikan ibu tingkat SMA) atau X5 = 4(pendidikan ibu adalah

tingkat PT) dan X3 = 1(ibu hamil memiliki penyakit diabetes militus).

8. BF11 = (X4 = 1) * BF8

= (X4 = 1) * (X5 = 1 OR X5 = 3 OR X5 = 4 ) * BF1

= (X4 = 1) * (X5 = 1 OR X5 = 3 OR X5 = 4 ) * (X3 = 0)

= {1 , untuk X4 = 1, X5 = 1 OR X5 = 3 OR X5 = 4 dan X3 = 0


Artinya koefisien BF11 akan bernilai jika nilai X4 = 1(ibu dengan paritas

ke-1) atau nilai X5 = 1(pendidikan ibu tingkat SD) atau nilai X5 = 3( atau

nilai X5 = 4(pendidikan ibu tingkat PT) dan X3 = 0(ibu tidak memiliki

diabetes militus), sedangkan BF11 akan bernilai 0 dengan X4 = 2(ibu

dengan paritas ke-2 sampai dengan 3) atau X4 = 3(ibu dengan paritas ke-

4 atau lebih) dan X5 = 2(pendidikan ibu tingkat SMP) dan X3= 1(ibu

hamil memiliki penyakit diabetes militus).

9. BF13 = max(0, X1- 16) * BF3

= max(0, X1-16)*(X5=3)*BF2

= max(0, X1 - 16) * (X5 = 3) * (X3 = 1)

= {X1 - 16 , untuk X1 > 16, X5 = 3 dan X3 = 0


Artinya koefisien BF13 akan bernilai jika nilai X1(usia ibu hamil) lebih

besar dari 16 tahun, nilai X5 = 3(pendidikan ibu tingkat SMA) dan X3 =

1(ibu memiliki, sedangkan BF13 bernilai 0 dengan X1 < 16 (usia pasien



53

ibu hamil kurang dari 16 tahun) atau X5 = 1(pendidikan ibu tingkat SD)

atau X5 = 2(pendidikan ibu tingkat SMP) atau X5 = 4(pendidikan ibu

tingkat PT) dan X3 = 0 ibu hamil memiliki penyakit diabetes militus).

10. BF14 = (X5 = 2 OR X5 = 3 )

= {1 , untuk X5 = 2 OR X5 = 3

0 , X5 yang lain

Artinya nilai koefisien BF14 akan bernilai jika nilai X5 berada pada

kategori 2, atau nilai X5 berada pada kategori 3, maka nilai BF14 bernilai

0 dengan X5 = 1 adalah riwayat pendidikan pasien ibu hamil tingkat SD

dan X5 = 4 adalah riwayat pendidikan pasien ibu hamil tingkat PT.

11. BF18 = (X4 = 1) * BF6

= (X4 = 1) * (X6 = 2 OR X6 = 3) * BF1

= (X4 = 1) * (X6 = 2 OR X6 = 3) * (X3 = 0)

= {1 , untuk X4 = 1, X6 = 2 OR X6 = 3 dan X3 = 0


Artinya koefisien BF18 akan bernilai jika nilai X4 = 1(ibu dengan paritas

ke-1), nilai X6 = 2(status gizi ibu normal) atau X6 = 3(status gizi ibu

overweight) dan X3 = 0(ibu hamil tidak memiliki diabetes militus),

sedangkan BF18 bernilai 0 dengan X4 = 2(ibu dengan paritas ke-2 sampai

dengan 3) atau X4 = 3(ibu dengan paritas ke-4 atau lebih) dan

X6 = 1(status gizi ibu hamil underweight) dan X3 = 1(ibu hamil memiliki

diabetes militus).

12. BF20 = max(0, X1 - 34) * BF14

= max(0, X1 - 34) * (X5 = 2 OR X5 = 3 )



54

= {X1 - 34 , untuk X1 > 34 dan X5 = 2 OR X5 = 3


Artinya koefisien BF20 akan bernilai jika nilai X1(usia ibu hamil) lebih

besar dari 34 tahun dan nilai X5 = 2(pendidikan ibu tingkat SMP), atau

nilai X5 = 3(pendidikan ibu tingkat SMA), sedangkan BF20 bernilai 0

dengan X1 < 34(usia ibu hamil kurang dari 34 tahun), X5 =

1(pendidikan ibu tingkat SD) dan X5 = 4(pendidikan ibu tingkat PT).

13. BF22 = (X7 = 1) * BF20

= (X7 = 1) * max(0, X1 - 34) * BF14

= (X7 = 1) * max(0, X1 - 34) * (X5 = 2 OR X5 = 3 )

= {1 , untuk X7 = 1,X1 > 34 dan X5 = 2 OR X5 = 3


Artinya koefisien BF22 akan bernilai jika X7 = 1(ibu melahirkan saat usia

kehamilan < 37 minggu), nilai X1(usia ibu hamil) lebih besar dari 34

tahun dan nilai X5 = 2(pendidikan ibu tingkat SMP), atau X5 =

3(pendidikan ibu tingkat SMA), sedangkan BF22 bernilai 0 dengan

X7 = 2(ibu melahirkan pada saat usia kehamilan ≥ 37 minggu), atau X1 <

34(usia ibu hamil kurang dari 34 tahun), X5 = 1(pendidikan ibu tingkat

SD) dan X5 = 4(pendidikan ibu tingkat PT).

4.6 Interpretasi Model MARS dan Odds Ratio

Odds ratio merupakan ukuran risiko atau kecenderungan untuk mengalami

kejadian tertentu antara satu kategori dengan kategori lainnya. Tabel odds ratio

yang disajikan dalam Tabel 4.8.



55

Tabel 4.8. Odds Ratio pada Fungsi Basis

No. Fungsi Basis

Koefisien Odds Ratio

1 BF1 -0,730 0,482

2 BF9 0.900

2,460

3 BF11 0,597

1,430

4 BF13 -0,048

1,817

5 BF18 -0,421

0,656

6 BF22 0,118

1,125

Interpretasi nilai odds ratio pada Tabel 4.8 adalah:

1. BF1 mempunyai nilai odds ratio sebesar 0,482 hal ini menunjukkan

bahwa seorang pasien ibu hamil yang tidak memiliki penyakit diabetes

militus memiliki kecenderungan untuk melahirkan bayi dengan berat

badan lahir rendah sebesar 0,482 kali dibandingkan dengan seorang ibu

yang memiliki penyakit diabetes militus.

2. BF9 mempunyai nilai odds ratio sebesar 2,460 hal ini menunjukkan bahwa

seorang pasien ibu hamil yang mempunyai status gizi normal tetapi

memiliki riwayat pendidikan tingkat SMP dan tidak memiliki penyakit

diabetes militus memiliki kecenderungan untuk melahirkan bayi dengan

berat badan lahir rendah sebesar 2,640 kali dibandingkan seorang ibu yang

mempunyai status gizi underweight dan overweight tetapi memiliki



56

riwayat pendidikan tingkat SD, SMA dan PT serta memiliki penyakit

diabetes militus.


bahwa seorang pasien ibu hamil yang mengalami paritas atau banyaknya

angka kelahiran hidup yang ke-1 tetapi memiliki riwayat pendidikan

tingkat SD atau tingkat SMA atau tingkat PT dan pasien memiliki

penyakit diabetes militus memiliki kecenderungan untuk melahirkan bayi

dengan berat badan lahir rendah sebesar 1,430 kali dibadingkan seorang

ibu yang mengalami paritas atau banyaknya angka kelahiran hidup yang

ke-2 sampai dengan 3 dan 4 atau lebih tetapi memiliki riwayat pendidikan

tingkat SMP dan pasien tidak memiliki penyakit diabetes militus.


bahwa seorang pasien ibu hamil yang berusia lebih dari 16 tahun tetapi

memiliki riwayat penyakit tingkat SMP dan memiliki penyakit diabetes

militus cenderung melahirkan bayi dengan berat badan lahir rendah

sebesar 1,817 kali dibandingkan seorang ibu yang berusia kurang dari 16

tahun tetapi memiliki riwayat pendidikan SD atau SMA atau PT dan tidak

memliki penyakit diabetes militus.

5. BF18 mempunyai nilai odds ratio sebesar 0,656 kali ini menunjukkan

bahwa seorang pasien ibu hamil yang mengalami paritas atau banyaknya

angka kelahiran hidup yang ke-1 tetapi memiliki status gizi normal atau

status gizi overweight dan memiliki penyakit diabetes militus cenderung

melahirkan bayi dengan berat badan lahir rendah sebesar 0,656 kali



57

dibandingkan seorang ibu yang mengalami paritas atau banyaknya angka

kelahiran hidup yang ke-2 sampai dengan 3 dan parias ke-4 atau lebih

tetapi memiliki status gizi underweight dan memiliki penyaki diabetes

militus.

6. BF22 mempunyai nilai odds ratio sebesar 1,125 kali ini menunjukkan

bahwa pasien ibu hamil yang melahirkan bayi pada saat usia kehamilan

> 37 minggu tetapi berusia lebih dari 34 tahun dan memiliki riwayat

pendidikan tingkat SMP atau tingkat SMA cenderung melahirkan bayi

dengan berat badan lahir rendan sebesar 1,125 kali dibandingkan seorang

ibu dengan usia kehamilan kurang dari 37 minggu tetapi berusia kurang

dari 34 tahun dan memiliki riwayat pendidikan tingkat SD atau PT.

4.7 Output Threshold pada Program R

Berdasarkan output threshold pada program R yang diperoleh dari data in

sample (Lampiran 7.), dapat dibentuk grafik ketepatan klasifikasi cutpoint atau

titik potong seperti sebagai berikut:



58

Gambar 4.1.Grafik Cut Point terhadap Ketepatan Klasifikasi

Dapat dilihat dari Gambar 4.6., bahwa titik 0,00 memiliki ketepatan

klasifikasi 0,492, dilanjutkan dengan titik 0,01-0,02 memiliki ketepatan klasifikasi

yang sama yaitu 0,517, selanjutnya titik 0,03-0,17 memiliki ketepatan klasifikasi

yang sama yaitu sebesar 0,525, dilanjutkan titik 0,18-0,33 memiliki ketepatan

klasifikasi sebesar 0,533,selanjutnya titik 0,32 memiliki ketepatan klasifikasi

sebesar 0,733, dilanjutkan titik 0,33-0,39 memiliki ketepatan klasifikasi yang

sama yaitu sebesar 0,742, selanjutnya titik 0,4 memiliki ketepatan klasifikasi

sebesar 0,75, dilanjutkan titik 0,41-0,43 memiliki ketepatan klasifikasi yang sama

yaitu sebesar 0,758, selanjutnya titik 0,44-0,45 memiliki ketepatan klasifikasi



59

yang sama yaitu sebesar 0,767, dilanjutkan titik 0,46; 0,51-0,52 dan 0,58-,68

memiliki ketepatan klasifikasi sebesar 0,825, selanjutnya titik 0,47-0,5 dan 0,69-

0,72 memiliki ketepatan klasifikasi yang sama yaitu sebesar 0,817, dilanjutkan

titik 0,53-0,57 memiliki ketepatan klasifikasi yang sama yaitu sebesar 0,833,

selanjutnya titik 0,73-0,77 memiliki ketepatan klasifikasi yang sama yaitu sebesar

0,808, dilanjutkan titik 0,78-0,8 memiliki ketepatan klasifikasi yang sama yaitu

sebesar 0,733, selanjutnya titik 0,81-0,85 memiliki ketepatan klasifikasi yang

sama yaitu sebesar 0,717, dilanjutkan titik 0,86-0,87 memiliki ketepatan

klasifikasi yang sama yaitu sebesar 0,708, selanjutnya titik 0,88-0,89 memiliki

ketepatan klasifikasi yang sama yaitu sebesar 0,567 dan titik 0,9-1 memiliki

ketepatan klasifikasi yang sama yaitu sebesar 0,55. Berdasarkan paparan yang

telah dijelaskan, maka ditentukan titik potong untuk menentukan hasil prediksi

yaitu yang memiliki ketepatan klasifikasi paling tinggi sebesar 0,833 dan diantara

titik-titik yang memiliki ketepatan klasifikasi tertinggi dipilih titik potong yang

tertinggi pula yaitu titik 0,63.

4.8 Ketepatan Klasifikasi dan Nilai Press’s Q pada Data In Sample

Berdasarkan hasil dari Subbab 4.7, dengan cut point yang sudah ditentukan

sebesar 0,63 maka dapat dihitung ketepatan klasifikasi model MARS

menggunakan nilai APPER. APPER (Apparent Error Rate) merupakan suatu nilai

yang digunakan untuk melihat peluang kesalahan dalam mengklasifikasi objek.

Berikut ini disajikan hasil ketepatan klasifikasi pada Tabel 4.9.



60

Tabel 4.9. Ketepatan Klasifikasi Model MARS pada Data In Sample

Prediksi Total

Observasi Tidak BBLR

(Normal) BBLR

Observasi

Tidak BBLR

(Normal) 60 1 61

BBLR 19 40 59 Total Prediksi 79 41 120


pengklasifikasian objek adalah sebagai berikut:

APPER= n12 + n21

n11 + n12 + n21 + n22 x 100%

= 1+19120

x100%

= 16,67%

Berdasarkan hasil perhitungan dengan menggunakan rumus APPER,

diperoleh peluang kesalahan dalam pengklasifikasian objek sebesar 16,67%.

Maka ketepatan klasifikasinya sebagai berikut:

Ketepatan Klasifikasi = 100% - APPER

= 100% - 16,67%

= 83,33%



61

Jadi, diperoleh ketepatan klasifikasinya sebesar 83,33%

Untuk mengetahui kestabilan dalam ketepatan klasifikasi tentang sejauh

mana kelompok-kelompok dapat dipisahkan dengan menggunakan variabel yang

ada maka dapat diuji dengan membandingkan nilai Press’s Q dengan nilai tabel

Chi-Square yang berderajat bebas 1. Untuk menguji digunakan hipotesis sebagai

berikut:



Apabila nilai Press’s Q yang diperoleh lebih besar daripada nilai Chi-

Square dengan derajat bebas 1, maka H0 ditolak dan disimpulkan bahwa model

yang dihasilkan stabil atau konsisten. Perhitungan nilai Press’s Q dilakukan

dengan memakai rumus:

Press’s Q = (N - (nK))2

N(K - 1)

dengan :



K adalah jumlah kelompok



62

Pada penelitian yang dihasilkan banyak sampel yang diambil N adalah 120,

jumlah individu yang tepat diklasifikasi n adalah 40, serta jumlah kelompok K

adalah 2. Dengan demikian niai Press’s Q sebesar:

Press’s Q = (120 - (100 x 2))

2

120(2 - 1)= 53,33

Di sisi lain, nilai tabel Chi-Square dengan derajat bebas 1 dan taraf

keberartian 0,05 adalah 𝜒(0,05;1)2 sebesar 3,841. Oleh karena nilai Press’s Q >

𝜒(0,05;1)2 , maka H0 ditolak sehingga disimpulkan bahwa model yang dihasilkan

stabil atau konsisten.

4.9 Ketepatan Klasifikasi dan Nilai Press’s Q pada Data Out Sample

Berdasarkan hasil dari Subbab 4.7, dengan cut point yang sudah ditentukan

sebesar 0,63 maka dapat dihitung ketepatan klasifikasi model MARS pada data

out sample menggunakan nilai APPER. Berikut ini disajikan hasil ketepatan

klasifikasi pada Tabel 4.10.

Tabel 4.10. Ketepatan Klasifikasi Model MARS pada Data Out Sample

Prediksi Total

Observasi Tidak BBLR

(Normal) BBLR

Observasi

Tidak BBLR

(Normal) 14 2 16

BBLR 1 13 14 Total Prediksi 15 15 30



63


pengklasifikasian objek adalah sebagai berikut:

APPER = n12 + n21

n11 + n12 + n21 + n22 x 100%

= 2 + 1

30 x 100%

= 10%

Berdasarkan hasil perhitungan dengan menggunakan rumus APPER,

diperoleh peluang kesalahan dalam pengklasifikasian objek sebesar 10%. Maka

ketepatan klasifikasinya sebagai berikut:

Ketepatan Klasifikasi = 100% - APPER

= 100% - 10%

= 90%

Jadi, diperoleh ketepatan klasifikasinya sebesar 90%.

Untuk mengetahui kestabilan dalam ketepatan klasifikasi tentang sejauh

mana kelompok-kelompok dapat dipisahkan dengan menggunakan variabel yang

ada maka dapat diuji dengan membandingkan nilai Press’s Q dengan nilai tabel

Chi-Square yang berderajat bebas 1. Untuk menguji digunakan hipotesis sebagai

berikut:





64

Apabila nilai Press’s Q yang diperoleh lebih besar daripada nilai Chi-

Square dengan derajat bebas 1, maka H0 ditolak dan disimpulkan bahwa model

yang dihasilkan stabil atau konsisten. Perhitungan nilai Press’s Q dilakukan

dengan memakai rumus:

𝑃𝑟𝑒𝑠𝑠’𝑠𝑄 =(𝑁 − (𝑛𝐾))2

𝑁(𝐾 − 1)

dengan :



K adalah jumlah kelompok

Pada penelitian yang dihasilkan banyak sampel yang diambil N adalah 30,

jumlah individu yang tepat diklasifikasi n adalah 13, serta jumlah kelompok K

adalah 2. Dengan demikian niai Press’s Q sebesar:

𝑃𝑟𝑒𝑠𝑠’𝑠 𝑄 =(30 − (27x2))

2

30(2 − 1)= 19,2

Di sisi lain, nilai tabel Chi-Square dengan derajat bebas 1 dan taraf

keberartian 0,05 adalah 𝜒(0,05;1)2 sebesar 3,841. Oleh karena nilai Press’s Q >

𝜒(0,05;1)2 , maka H0 ditolak sehingga disimpulkan bahwa model yang dihasilkan

stabil atau konsisten.

4.10 Aplikasi Model pada Data Out Sample

Berdasarkan model pada persamaan 4.2 jika diaplikasikan ke data

outsample (Lampiran 8.) maka didapatkan hasil sebagai berikut:



65

1. Pada data out sample nomor 1 diketahui bahwa pasien ibu hamil

mempunyai variabel prediktor sebagai berikut :

X1 = 37, X2 = 1, X3 = 0, X4 = 2, X5 = 3, X6 = 2, X7 = 2

kemudian dihitung untuk masing-masing nilai BF yaitu :

BF1=(X3=0)

= {1 , untuk X3=0

0 , X3 yang lain

BF9 = (X6=2)*BF7

= (X6=2)*(X5=2)*(X3=0)

= {1 , untuk X6=2, X5=2 dan X3=0


BF11 = (X4=1)*BF8

= (X4=1)*(X5=1 OR X5=3 OR X5=4 )*BF1

=(X4=1)*(X5=1 OR X5=3 OR X5=4 )*(X3=0)

= {1 , untuk X4=1, X5=1 OR X5=3 OR X5=4 dan X3=0


BF13 = max(0, X1-16)*BF3

= max(0, X1-16)*(X5=3)*BF2

= max(0, X1-16)*(X5=3)*(X3=1)

= {X1-16 , untuk X1>16, X5=3 dan X3=0


BF18=(X4=1)*BF6

= (X4=1)*(X6=2 OR X6=3)*BF1

= (X4=1)*(X6=2 OR X6=3)*(X3=0)

= {1 , untuk X4=1, X6=2 OR X6=3 dan X3=0




66

BF22=(X7=1)*BF20

=(X7=1)* max(0, X1-34)*BF14

=(X7=1)* max(0, X1-34)*(X5=2 OR X5=3 )

= {1 , untuk X7=1,X1>34 dan X5=2 OR X5=3


π(x)=e(0,959-0,730* BF1+0,900*BF9+0,597*BF11-0,048*BF13-0,421*BF18+0,118*BF22)

1 +e(0,959-0,730* BF1+0,900*BF9+0,597*BF11-0,048*BF13-0,421*BF18+0,118*BF22)

π(x)= 0,557001

Dapat disimpulkan bahwa nilai π(x) kurang dari nilai cut point yang

artinya bahwa pasien ibu hamil diprediksi tidak mengalami risiko

kejadian melahirkan bayi dengan BBLR.

2. Pada data out sample nomor 13 diketahui bahwa pasien ibu hamil

mempunyai variabel prediktor sebagai berikut :

X1=31, X2=1, X3=1, X4=1, X5=1, X6=2, X7=2

kemudian dihitung untuk masing-masing nilai BF yaitu :

BF1=(X3=0)

= {1 , untuk X3=0

0 , X3 yang lain

BF9 = (X6=2)*BF7

= (X6=2)*(X5=2)*(X3=0)

= {1 , untuk X6=2, X5=2 dan X3=0


BF11 = (X4=1)*BF8

= (X4=1)*(X5=1 OR X5=3 OR X5=4 )*BF1

=(X4=1)*(X5=1 OR X5=3 OR X5=4 )*(X3=0)



67

= {1 , untuk X4=1, X5=1 OR X5=3 OR X5=4 dan X3=0


BF13 = max(0, X1-16)*BF3

= max(0, X1-16)*(X5=3)*BF2

= max(0, X1-16)*(X5=3)*(X3=1)

= {X1-16 , untuk X1>16, X5=3 dan X3=0


BF18=(X4=1)*BF6

= (X4=1)*(X6=2 OR X6=3)*BF1

= (X4=1)*(X6=2 OR X6=3)*(X3=0)

= {1 , untuk X4=1, X6=2 OR X6=3 dan X3=0


BF22=(X7=1)*BF20

=(X7=1)* max(0, X1-34)*BF14

=(X7=1)* max(0, X1-34)*(X5=2 OR X5=3 )

= {1 , untuk X7=1,X1>34 dan X5=2 OR X5=3


π(x)=e(0,959-0,730* BF1+0,900*BF9+0,597*BF11-0,048*BF13-0,421*BF18+0,118*BF22)

1 +e(0,959-0,730* BF1+0,900*BF9+0,597*BF11-0,048*BF13-0,421*BF18+0,118*BF22)

π(x)= 0,825779

Dapat disimpulkan bahwa nilai ��(𝑥) lebih dari nilai cut point yang

artinya bahwa pasien ibu hamil diprediksi mengalami risiko kejadian

melahirkan bayi dengan BBLR.



68

BAB 5

PENUTUP

5.1 Kesimpulan

Berdasarkan hasil dan pembahasan tentang tingkat risiko kejadian pasien

ibu hamil melahirkan bayi dengan BBLR diperoleh simpulan sebagai berikut:

1. Deskripstif statistik tingkat risiko kebutaan pasien ibu hamil untuk

mengetahui karakteristik pasien yang melahirkan bayi dengan BBLR,

sebagai berikut:

a. Jumlah pasien ibu hamil di RSU Haji Surabaya yang berusia kurang dari

sama dengan 25 tahun sebesar 28% dan pasien ibu hamil di RSU Haji

Surabaya yang berusia lebih besar dari 25 tahun sebesar 72%.

b. Jumlah pasien ibu hamil yang mempunyai riwayat penyakit anemia

sebesar 37,3% dan pasien ibu hamil yang tidak mempunyai penyakit

anemia sebesar 62,6%.

c. Jumlah pasien ibu hamil yang mempunyai riwayat penyakit diabetes

militus sebesar 20,7% sedangkan pasien ibu hamil yang tidak mempunyai

riwayat penyakit diabetes militus sebesar 79,3%.

d. Pada pasien ibu hamil dengan status paritas pertama adalah sebesar 39,3%,

jumlah pasien ibu hamil dengan paritas ke-2 dan 3 adalah sebesar 47,3%,

sedangkan jumlah pasien ibu hamil dengan paritas ke-4 atau lebih adalah

sebesar 13,3%.



69

e. Pada pasien ibu hamil yang memiliki riwayat pendidikan sampai dengan

SD adalah sebesar 7% sedangkan jumlah pasien ibu hamil dengan riwayat

pendidikan SMP adalah sebesar 18% dan ibu hamil dengan riwayat

pendidikan SMA adalah 20%.

f. Jumlah pasien ibu hamil dengan status gizi underweight adalah sebesar

14,6%, pasien ibu hamil dengan status gizi normal dan melahirkan bayi

dengan BBLR sebesar 41,4%, sedangkan jumlah pasien ibu hamil dengan

status gizi overweight dan melahirkan bayi dengan BBLR sebesar 44,4%.

g. Jumlah pasien ibu hamil yang melahirkan bayi selama < 37minggu masa

kehamilan adalah sebesar 29,3% dan pasien ibu hamil yang melahirkan

bayi selama ≥ 37minggu masa kehamilan adalah sebesar 68,3%.

2. Model logit pada tingkat risiko kejadian pasien ibu hamil melahirkan bayi

dengan BBLR berdasarkan faktor-faktor yang mempengaruhi yaitu yaitu

riwayat pendidikan ibu (𝑋5), diabetes militus (𝑋3), status gizi ibu (𝑋6), usia

ibu (𝑋1), paritas (𝑋4), dan usia kehamilan (𝑋7) menggunakan pendekatan

Multivariate Adaptive Regression Spline (MARS) adalah:

logit π(x)=0,722-0,325*BF1+0,711*BF9+0,645*BF11-0,488*

BF13-0,015*BF18+0,53*BF22 4.2

3. Berdasarkan model yang diperoleh terhadap risiko kejadian pasien ibu

hamil melahirkan bayi dengan BBLR dengan menggunakan pendekatan

Multivariate Adaptive Regression Spline (MARS) diperoleh hasil yaitu:

a. BF1 yaitu pasien ibu hamil tidak diabetes militus(DM) menurunkan

resiko melahirkan bayi BBLR sebesar 0,325.



70

b. BF9 yaitu ibu hamil dengan status gizi normal tetapi berpendidikan

SMP dan tidak DM menaikkan risiko melahirkan bayi BBLR sebesar

0,711, BF11 yaitu ibu hamil dengan paritas ke-1, berpendidikan SD atau

SMA atau PT, dan memiliki DM menaikkan risiko melahirkan bayi

BBLR sebesar 0,645.

c. BF13 yaitu ibu hamil berusia lebih dari 16 tahun tetapi berpendidikan

SMP dan memiliki DM menurunkan risiko melahirkan bayi BBLR

sebesar 0,488.

d. BF18 yaitu ibu hamil dengan paritas ke-1, memiliki status gizi normal

atau overweight dan memiliki DM menurunkan risiko melahirkan bayi

BBLR sebesar 0,015.

e. BF22 yaitu ibu hamil yang melahirkan pada saat usia kehamilan > 37

minggu, tetapi berusia lebih dari 34 tahun dan berpendidikan SMP atau

SMA menaikkan risiko melahirkan bayi BBLR sebesar 0,53.

Variabel prediktor yang berpengaruh signifikan terhadap pasien

melahirkan bayi BBLR adalah riwayat pendidikan ibu (X5) dengan

ketepatan klasifikasi sebesar 100%, diabetes militus (X3) dengan

ketepatan klasifikasi sebesar 98,553% , status gixi ibu (X6) dengan

ketepatan klasifikasi sebesar 78,595%, usia ibu (X1) 64,616%, paritas

(X4) dengan ketepatan klasifikasi sebesar 42,091% dan usia kehamilan

(X7) dengan ketepatan klasifikasi sebesar 35,257%.



71

5.2 Saran

Hasil dari penelitian ini dapat dimanfaatkan bagi instansi kesehatan

kandungan/onthologi dan dapat digunakan pula sebagai dasar penelitian

selanjutnya atau sebagai acuan tugas kuliah, antara lain:

1. Bagi instansi kesehatan hendaknya lebih memprioritaskan penanganan

pada pasien ibu hamil yang memiliki diabetes mellitus,paritas, usia

pasien ibu hamil, usia kehamilan pasien, riwayat pendidikan pasien dan

status gizi pasien untuk mencegah terjadinya pasien melahirkan bayi

dengan berat badan lahir rendah.

2. Bagi penelitian selanjutnya hendaknya menambahkan variabel lain

yang mungkin akan lebih berpengaruh secara signifikan sebagai faktor

risiko kejadian pasien ibu hamil melahirkan bayi dengan BBLR dengan

metode statistika yang lain.

3. Sebagai bahan acuan tugas kuliah yang menggunakan metode

Multivariate Adaptive Regression Spline (MARS).



72

DAFTAR PUSTAKA

Badan Pusat Statistik. 2014, Survei Demografi dan Kesehatan Indonesia (SDKI) 2013. Jakarta: Badan Pusat Statistik.

BKKBN. 2006, Deteksi Dini Komplikasi Persalinan. Jakarta : BKKBN

Departemen Kesehatan Republik Indonesia, 2008, Laporan Hasil Riset Kesehatan Dasar Tahun 2007, Jakarta: Departemen Kesehatan Republik Indonesia

Eubank, R.L., 1998, Nonparametric Regression and Spline Smoothing, 2nd Edition, New York: Marcel Dekker, Inc.

Friedman, J.H., Silverman, B.W., 1989, Flexible Parsimony Smoothing and Additive Modeling, Technometrics

Friedman, J.H., 1991, Multivariate Adaptive Regression Splines, The Annals of Statistics, Vol.19, No.1

Gusti, E., 2014, Hubungan Faktor Risiko Usia, Jenis Kelamin, Kegemukan dan Hipertensi dengan kejadian Diabetes Mellitus Tipe 2 di Wilayah Kerja Puskesmas Mataram. Media Bina Ilmiah. Volume 8. No. 1: 39-44.

Hosmer, D.W., Lemeshow, S., 2000, Applied Logistic Regression, 2nd Edition, United States of America: John Wiley & Sons, Inc.

Johnson, A. Richard, Dean W. Wichern., (2007), Applied Multivariate Statistical Analysis, 6th Edition, Pearson Prentice Hall, USA

Lubis, Z., 2003, Status Gizi Ibu Hamil Serta Pengaruhnya Terhadap Bayi Yang Dilahirkan. (http://www.journal.unair.ac.id) diakses 11 Januari 2016.

Manuaba IBG., 2007, Ilmu Kebidanan, Penyakit Kandungan & Keluarga Berencana Untuk Pendidikan Bidan. Jakarta: EGC.

Rahayu, S., 2009, Asuhan Keperawatan Anak dan neonatus. Jakarta: Salemba Medika

Rahmawati dan Jaya., 2010, Pengaruh Faktor Maternal Terhadap Kejadian Bayi Berat Badan Lahir Rendah di Rumah Sakit Umum Daerah Ajjatpannge Watan Soppeng Kabupaten Soppeng, Jurnal Media Kebidanan Poltekkes Makassar.

Rasyid, S. P., 2012, Fakor Resiko Kejadian Bayi Berat Lahir Rendah di RSUD Prof. Dr. H. Aloei Saboe Kota Gorontalo Provinsi Gorontalo. Jurnal Masyarakat Epidemiologi Indonesia. Vol. 2 No.2; Hal. 135.



http://www.journal.unair.ac.id/

73

Rencher, A.C. dan Christensen, W.F., 2012, Methods of Multivariate Analysis Third Edition, John Wiley & Sons, Inc., New Jersey.

Salford system, 2000, MARS User Guide, California, USA: Salford system.

Sediaoetama, 2000, Ilmu Gizi untuk Mahasiswa dan Profesi Jilid I, Jakarta: Dian Rakyat.



Lampiran 1. Data Rekam Medis Pasien Ibu Hamil Rumah Sakit Haji Surabaya (in sample)

No. Y X1 X2 X3 X4 X5 X6 X7 1 1 26 1 0 2 2 2 2 2 0 23 0 0 2 4 1 2 3 0 37 1 0 2 3 2 2 4 0 43 0 0 1 1 2 2 5 0 32 0 0 2 4 3 2 6 1 28 1 1 2 2 1 2 7 1 38 0 0 1 3 3 1 8 0 29 1 0 2 3 2 2 9 1 22 1 0 1 3 1 2 10 1 25 0 0 2 2 2 2 11 0 56 0 0 2 3 3 2 12 0 35 0 0 2 3 3 1 13 1 40 1 0 1 2 2 2 14 1 16 1 0 1 3 1 2 15 0 20 1 0 2 1 3 2 16 0 27 0 0 1 3 2 2 17 1 36 0 1 3 3 2 1 18 0 29 1 1 2 3 1 2 19 1 22 0 0 1 3 3 2 20 0 31 0 1 1 3 3 2 21 0 20 0 0 3 1 3 2 22 0 26 0 0 1 4 2 2 23 0 31 1 0 2 3 2 2 24 1 25 1 0 1 4 3 1 25 1 21 0 0 2 2 2 2 26 0 30 1 0 2 3 2 2 27 0 33 1 0 2 4 3 1 28 1 24 1 1 2 4 2 2 29 0 36 0 0 3 1 3 2 30 0 21 0 0 1 3 2 2 31 0 25 1 0 2 2 3 2 32 1 34 0 1 1 4 2 2 33 1 25 0 0 3 2 3 1 34 0 23 0 0 1 3 2 1 35 0 34 0 1 2 4 2 1 36 0 26 0 1 2 3 3 1 37 1 34 1 0 1 3 1 1



No. Y X1 X2 X3 X4 X5 X6 X7 38 1 32 0 0 1 1 1 2 39 0 33 0 0 2 3 3 2 40 0 17 1 0 2 3 3 2 41 0 40 0 1 1 3 2 1 42 0 31 0 0 2 3 3 1 43 1 27 0 1 2 3 3 2 44 0 34 0 0 1 4 3 2 45 1 39 0 1 1 4 1 1 46 0 23 1 0 1 4 3 1 47 0 31 0 0 1 4 3 1 48 0 19 0 0 1 2 3 1 49 0 34 1 0 2 3 3 2 50 0 29 1 0 2 4 2 2 51 1 24 1 0 2 2 3 2 52 1 39 0 0 1 3 2 1 53 1 33 1 1 1 4 3 1 54 1 28 0 1 1 2 2 2 55 1 24 0 0 2 4 2 2 56 0 19 0 0 3 2 3 1 57 0 35 0 0 1 4 3 2 58 1 26 1 1 2 2 2 2 59 1 25 1 1 1 1 2 2 60 1 30 0 0 1 3 3 2 61 0 19 0 0 1 2 3 1 62 0 34 1 0 2 3 3 2 63 0 29 1 0 2 4 2 2 64 1 24 1 0 2 2 3 2 65 1 39 0 0 1 3 2 1 66 1 33 1 1 1 4 3 1 67 1 26 1 1 2 2 2 2 68 1 25 1 1 1 1 2 2 69 1 30 0 0 1 3 3 2 70 1 28 1 0 1 4 1 1 71 0 23 0 0 1 3 3 2 72 0 39 0 1 1 3 3 2 73 0 18 1 0 1 2 3 2 74 0 33 1 0 2 4 2 1 75 0 38 0 0 2 4 2 2 76 1 16 0 0 1 3 1 1 77 1 35 1 0 2 4 3 2



No. Y X1 X2 X3 X4 X5 X6 X7 78 1 24 0 1 1 2 2 2 79 1 35 0 0 1 2 2 1 80 1 26 1 1 2 2 2 2 81 1 25 1 1 1 1 2 2 82 1 30 0 0 1 3 3 2 83 1 28 1 0 1 4 1 1 84 1 24 1 0 2 2 2 2 85 1 24 0 1 1 3 3 2 86 0 27 1 0 1 3 3 1 87 0 32 0 0 2 3 3 2 88 1 35 1 0 2 4 3 2 89 1 24 0 1 1 2 2 2 90 1 35 0 0 1 2 2 1 91 0 39 0 0 1 4 2 2 92 0 23 0 0 2 4 3 2 93 0 33 1 0 3 3 3 2 94 1 33 1 0 2 4 3 1 95 1 20 0 1 1 3 1 1 96 0 24 0 0 2 4 3 2 97 0 25 0 0 2 3 2 2 98 0 35 0 0 2 4 3 2 99 1 26 0 0 2 1 2 2

100 1 35 0 0 1 4 3 1 101 0 30 0 0 2 2 3 1 102 0 21 0 0 3 4 3 2 103 1 35 1 0 2 3 2 2 104 1 31 1 0 1 3 2 2 105 0 42 0 0 3 3 2 2 106 1 31 1 1 1 1 2 2 107 0 30 0 0 2 1 3 1 108 1 32 0 0 2 3 2 2 109 0 28 1 1 2 3 1 1 110 0 35 0 1 1 3 2 2 111 1 26 1 0 2 2 2 2 112 0 23 0 0 2 4 1 2 113 0 37 1 0 2 3 2 2 114 0 43 0 0 1 1 2 2 115 1 28 1 1 2 2 1 2 116 1 38 0 0 1 3 3 1 117 0 29 1 0 2 3 2 2



No. Y X1 X2 X3 X4 X5 X6 X7 118 1 40 1 0 2 3 2 1 119 1 32 0 1 3 4 1 2 120 0 28 1 0 1 4 2 1

Keterangan:

Variabel Keterangan Variabel

Respon (Y) Resiko Ibu Hamil Melahirkan Bayi BBLR

0 : Tidak BBLR (Normal) 1 : BBLR

Variabel Prediktor

(Xi)

Usia (𝑋𝑋1)

Anemia (𝑋𝑋2) 0 : Tidak Anemia (Hb > 11,0 mmHg) 1 : Anemia (Hb <11,0 mmHg)

Diabetes Mellitus (𝑋𝑋3)

0 : Tidak Diabetes Militus 1 : Diabetes Militus

Paritas (𝑋𝑋4) 1 : Paritas ke-1 2 : Paritas ke-2 sampai ke-3 3 : Paritas ke-4 atau lebih

Riwayat Pendidikan (𝑋𝑋5)

1 : Pendidikan Tingkat SD 2 : Pendidikan Tingkat SMP 3 : Pendidikan Tingkat SMA 4 : Pendidikan Tingkat PT

Status Gizi Ibu (𝑋𝑋6) 1 : Status Gizi Underweight 2 : Status Gizi Normal 3 : Status Gizi Overweight

Usia Kehamilan (𝑋𝑋7) 1 : < 37 minggu 2 : ≥ 37 minggu



Lampiran 2. Data Rekam Medis Pasien Ibu Hamil Rumah Sakit Haji Surabaya (out sample)

No. Y X1 X2 X3 X4 X5 X6 X7 1 0 37 1 0 2 3 2 2 2 0 43 0 0 1 1 2 2 3 0 32 0 0 2 4 3 2 4 1 28 1 1 2 2 1 2 5 1 38 0 0 1 3 3 1 6 0 29 1 0 2 3 2 2 7 1 40 1 0 2 3 2 1 8 1 32 0 1 3 4 1 2 9 0 28 1 0 1 4 2 1 10 1 37 0 0 2 2 2 2 11 0 28 0 0 2 2 2 2 12 0 42 0 0 3 3 2 2 13 1 31 1 1 1 1 2 2 14 0 30 0 0 2 1 3 1 15 1 32 0 1 1 4 2 1 16 1 24 0 0 1 4 1 1 17 1 22 1 0 1 3 1 2 18 1 25 0 0 2 2 2 2 19 0 56 0 0 2 3 3 2 20 0 30 0 0 2 2 3 1 21 0 21 0 0 3 4 3 2 22 1 20 0 0 1 3 1 2 23 0 37 0 0 1 3 3 2 24 0 22 0 0 2 3 1 2 25 0 20 0 0 3 4 3 1 26 1 42 0 0 3 2 2 2 27 0 24 1 0 2 3 2 2 28 0 26 0 0 2 2 2 2 29 1 20 1 0 2 3 2 2 30 1 21 1 0 1 3 1 2



Lampiran 3. Output Model Optimal Program MARS dengan Fungsi Basis14

>KEEP >CATEGORY >LINEAR >ADDITIVE >REGRESSION = OLS >MODEL Y [BINARY = 0.57] >KEEP X1, X2, X3, X4, X5, X6, X7 >CATEGORY X2, X3, X4, X5, X6, X7 >WEIGHT >BOPTIONS SPEED = 4, PENALTY = 0.000000, BASIS = 14, INTERACTIONS = 3 >BOPTIONS MINSPAN = 2 >LIMIT DATASET = 0 >ESTIMATE MARS VERSION 2.0.0.19 READING DATA, UP TO 2245896 RECORDS. RECORDS READ: 150 RECORDS DELETED, DEPENDENT VARIABLE MISSING: 30 RECORDS KEPT IN LEARNING SAMPLE: 120 LEARNING SAMPLE STATISTICS ========================== VARIABLE MEAN SD N SUM ---------------------------------------------------------------- Y 0.492 0.502 120.000 59.000 X1 29.542 6.724 120.000 3545.000 X2 0.433 0.498 120.000 52.000 X3 0.250 0.435 120.000 30.000 X4 1.617 0.624 120.000 194.000 X5 2.875 0.940 120.000 345.000 X6 2.300 0.693 120.000 276.000 X7 1.683 0.467 120.000 202.000 AUTOMATIC LEVEL SETTINGS NAME LEVELS MINIMUM -------------------------------------- X2 2 0 X3 2 0 X4 3 1 X5 4 1 X6 3 1 X7 2 1 Ordinal Response min Q25 Q50 Q75 max ----------------------------------------------------------------------------- Y 0.000 0.000 0.000 1.000 1.000 Ordinal Predictor Variables: 1



min Q25 Q50 Q75 max ----------------------------------------------------------------------------- X1 16.000 24.000 29.000 34.000 56.000 Categorical Predictor Variables: 6 Variable NLEV Actual Internal Counts ---------------------------------------------------------------------- 2 X2 2 0. 1. 1 2 68 52 3 X3 2 0. 1. 1 2 90 30 4 X4 3 1. 1 55 2. 2 56 3. 3 9 5 X5 4 1. 1 12 2. 2 25 3. 3 49 4. 4 34 6 X6 3 1. 1 16 2. 2 52 3. 3 52 7 X7 2 1. 2. 1 2 38 82 Forward Stepwise Knot Placement =============================== BasFn(s) GCV IndBsFns EfPrms Variable Knot Parent BsF ------------------------------------------------------------------------------ 0 0.254 0.0 1.0 2 1 0.251 1.0 5.0 X3 10 4 3 0.246 2.0 9.0 X5 0010 X3 2 6 5 0.251 3.0 13.0 X6 100 X3 1 8 7 0.252 4.0 17.0 X5 0100 X3 1 10 9 0.250 5.0 21.0 X6 010 X5 7 12 11 0.250 6.0 25.0 X4 100 X5 8 14 13 0.267 8.0 30.0 X1 24.000 X5 7 Final Model (After Backward Stepwise Elimination) ================================================= Basis Fun Coefficient Variable Parent Knot ----------------------------------------------------------------------- 0 0.947 1 -0.727 X3 3 -0.584 X5 X3 9 0.780 X6 X5 11 0.342 X4 X5 Piecewise Linear GCV = 0.219, #efprms = 15.500 ANOVA Decomposition on 4 Basis Functions



======================================== fun std. dev. -gcv #bsfns #efprms variable ------------------------------------------------------- 1 0.315 0.280 1 3.625 X3 2 0.168 0.229 1 3.625 X3 X5 3 0.195 0.248 1 3.625 X3 X5 X6 4 0.151 0.228 1 3.625 X3 X4 X5 Piecewise Cubic Fit on 4 Basis Functions, GCV = 0.219 Relative Variable Importance ============================ Variable Importance -gcv ------------------------------------------- 3 X3 100.000 0.254 5 X5 92.820 0.249 6 X6 90.490 0.248 4 X4 50.867 0.228 1 X1 0.000 0.219 2 X2 0.000 0.219 7 X7 0.000 0.219 ORDINARY LEAST SQUARES RESULTS ============================== N: 120.000 R-SQUARED: 0.335 MEAN DEP VAR: 0.492 ADJ R-SQUARED: 0.312 UNCENTERED R-SQUARED = R-0 SQUARED: 0.662 PARAMETER ESTIMATE S.E. T-RATIO P-VALUE ----------------------------------------------------------------------------- Constant | 0.947 0.096 9.915 .999201E-15 Basis Function 1 | -0.727 0.112 -6.480 .236718E-08 Basis Function 3 | -0.584 0.158 -3.699 .333040E-03 Basis Function 9 | 0.780 0.159 4.918 .293269E-05 Basis Function 11 | 0.343 0.094 3.633 .420642E-03 ----------------------------------------------------------------------------- F-STATISTIC = 14.476 S.E. OF REGRESSION = 0.416 P-VALUE = .132743E-08 RESIDUAL SUM OF SQUARES = 19.948 [MDF,NDF] = [ 4, 115 ] REGRESSION SUM OF SQUARES = 10.044 ----------------------------------------------------------------------------- The Following Graphics Are Piecewise Linear 0 curves and 0 surfaces.



Basis Functions =============== BF1 = ( X3 = 0); BF2 = ( X3 = 1); BF3 = ( X5 = 3) * BF2; BF7 = ( X5 = 2) * BF1; BF8 = ( X5 = 1 OR X5 = 3 OR X5 = 4) * BF1; BF9 = ( X6 = 2) * BF7; BF11 = ( X4 = 1) * BF8; Y = 0.947 - 0.727 * BF1 - 0.584 * BF3 + 0.780 * BF9 + 0.342 * BF11; model Y = BF1 BF3 BF9 BF11; ==================================== LEARNING SAMPLE CLASSIFICATION TABLE ==================================== Actual Predicted Class Actual Class 0 1 Total --------------------------------------------------- 0 60.000 1.000 61.000 1 33.000 26.000 59.000 --------------------------------------------------- Pred. Tot. 93.000 27.000 120.000 Correct 0.984 0.441 Success Ind. 0.475 -0.051 Tot. Correct 0.717 Sensitivity: 0.984 Specificity: 0.441 False Reference: 0.355 False Response: 0.037 Reference = Class 0, Response = Class 1 -----------------------------------------------------------



Lampiran 4. Output Model Optimal Program MARS dengan Fungsi Basis 21

>CATEGORY >LINEAR >ADDITIVE >REGRESSION = OLS >MODEL Y [BINARY = 0.57] >KEEP X1, X2, X3, X4, X5, X6, X7 >CATEGORY X2, X3, X4, X5, X6, X7 >WEIGHT >BOPTIONS SPEED = 4, PENALTY = 0.000000, BASIS = 21, INTERACTIONS = 3 >BOPTIONS MINSPAN = 3 >LIMIT DATASET = 0 >ESTIMATE MARS VERSION 2.0.0.19 READING DATA, UP TO 2245896 RECORDS. RECORDS READ: 150 RECORDS DELETED, DEPENDENT VARIABLE MISSING: 30 RECORDS KEPT IN LEARNING SAMPLE: 120 LEARNING SAMPLE STATISTICS ========================== VARIABLE MEAN SD N SUM ---------------------------------------------------------------- Y 0.492 0.502 120.000 59.000 X1 29.542 6.724 120.000 3545.000 X2 0.433 0.498 120.000 52.000 X3 0.250 0.435 120.000 30.000 X4 1.617 0.624 120.000 194.000 X5 2.875 0.940 120.000 345.000 X6 2.300 0.693 120.000 276.000 X7 1.683 0.467 120.000 202.000 AUTOMATIC LEVEL SETTINGS NAME LEVELS MINIMUM -------------------------------------- X2 2 0 X3 2 0 X4 3 1 X5 4 1 X6 3 1 X7 2 1 Ordinal Response min Q25 Q50 Q75 max ----------------------------------------------------------------------------- Y 0.000 0.000 0.000 1.000 1.000 Ordinal Predictor Variables: 1 min Q25 Q50 Q75 max



----------------------------------------------------------------------------- X1 16.000 24.000 29.000 34.000 56.000 Categorical Predictor Variables: 6 Variable NLEV Actual Internal Counts ---------------------------------------------------------------------- 2 X2 2 0. 1. 1 2 68 52 3 X3 2 0. 1. 1 2 90 30 4 X4 3 1. 1 55 2. 2 56 3. 3 9 5 X5 4 1. 1 12 2. 2 25 3. 3 49 4. 4 34 6 X6 3 1. 1 16 2. 2 52 3. 3 52 7 X7 2 1. 2. 1 2 38 82 Forward Stepwise Knot Placement =============================== BasFn(s) GCV IndBsFns EfPrms Variable Knot Parent BsF ------------------------------------------------------------------------------ 0 0.254 0.0 1.0 2 1 0.251 1.0 5.0 X3 10 4 3 0.246 2.0 9.0 X5 0010 X3 2 6 5 0.251 3.0 13.0 X6 100 X3 1 8 7 0.252 4.0 17.0 X5 0100 X3 1 10 9 0.250 5.0 21.0 X6 010 X5 7 12 11 0.250 6.0 25.0 X4 100 X5 8 13 0.265 7.0 29.0 X1 16.000 X5 3 15 14 0.285 8.0 33.0 X5 0110 17 16 0.306 10.0 38.0 X1 38.000 X3 1 19 18 0.323 11.0 42.0 X4 100 X6 6 21 20 0.346 13.0 47.0 X1 34.000 X5 14 Final Model (After Backward Stepwise Elimination) ================================================= Basis Fun Coefficient Variable Parent Knot ----------------------------------------------------------------------- 0 0.943 1 -0.701 X3 9 0.895 X6 X5 11 0.607 X4 X5 13 -0.040 X1 X5 16.000



18 -0.366 X4 X6 Piecewise Linear GCV = 0.211, #efprms = 18.692 ANOVA Decomposition on 5 Basis Functions ======================================== fun std. dev. -gcv #bsfns #efprms variable ------------------------------------------------------- 1 0.303 0.275 1 3.538 X3 2 0.223 0.254 1 3.538 X3 X5 X6 3 0.268 0.236 1 3.538 X3 X4 X5 4 0.180 0.229 1 3.538 X1 X3 X5 5 0.160 0.212 1 3.538 X3 X4 X6 Piecewise Cubic Fit on 5 Basis Functions, GCV = 0.211 Relative Variable Importance ============================ Variable Importance -gcv ------------------------------------------- 5 X5 100.000 0.264 3 X3 90.066 0.254 6 X6 75.295 0.241 1 X1 57.790 0.229 4 X4 44.764 0.222 2 X2 0.000 0.211 7 X7 0.000 0.211 ORDINARY LEAST SQUARES RESULTS ============================== N: 120.000 R-SQUARED: 0.398 MEAN DEP VAR: 0.492 ADJ R-SQUARED: 0.372 UNCENTERED R-SQUARED = R-0 SQUARED: 0.694 PARAMETER ESTIMATE S.E. T-RATIO P-VALUE ----------------------------------------------------------------------------- Constant | 0.943 0.088 10.768 .999201E-15 Basis Function 1 | -0.701 0.104 -6.716 .766506E-09 Basis Function 9 | 0.895 0.157 5.720 .871629E-07 Basis Function 11 | 0.607 0.127 4.764 .564099E-05 Basis Function 13 | -0.040 0.009 -4.286 .381843E-04 Basis Function 18 | -0.366 0.125 -2.934 0.004 ----------------------------------------------------------------------------- F-STATISTIC = 15.085 S.E. OF REGRESSION = 0.398



P-VALUE = .234865E-10 RESIDUAL SUM OF SQUARES = 18.050 [MDF,NDF] = [ 5, 114 ] REGRESSION SUM OF SQUARES = 11.942 ----------------------------------------------------------------------------- The Following Graphics Are Piecewise Linear CATEGORICAL - ORDINAL INTERACTION: X3 = 0 1 X5 = 0 0 1 0 CURVE 1: X1 , max = 1.5808 -------------------------------------------------------------- 1.581 |*** | | **** | 1.383 | **** | | **** | 1.186 | **** | | **** | 0.988 | **** | | **** | 0.790 | **** | | **** | 0.593 | **** | | **** | 0.395 | **** | | **** | 0.198 | **** | | **** | 0.000 | ***| -------------------------------------------------------------- 16.000 | 36.000 | 56.000 26.000 46.000 1 curves and 0 surfaces. Basis Functions =============== BF1 = ( X3 = 0); BF2 = ( X3 = 1);



BF3 = ( X5 = 3) * BF2; BF6 = ( X6 = 2 OR X6 = 3) * BF1; BF7 = ( X5 = 2) * BF1; BF8 = ( X5 = 1 OR X5 = 3 OR X5 = 4) * BF1; BF9 = ( X6 = 2) * BF7; BF11 = ( X4 = 1) * BF8; BF13 = max(0, X1 - 16.000) * BF3; BF18 = ( X4 = 1) * BF6; Y = 0.943 - 0.701 * BF1 + 0.895 * BF9 + 0.607 * BF11 - 0.040 * BF13 - 0.366 * BF18; model Y = BF1 BF9 BF11 BF13 BF18; ==================================== LEARNING SAMPLE CLASSIFICATION TABLE ==================================== Actual Predicted Class Actual Class 0 1 Total --------------------------------------------------- 0 60.000 1.000 61.000 1 24.000 35.000 59.000 --------------------------------------------------- Pred. Tot. 84.000 36.000 120.000 Correct 0.984 0.593 Success Ind. 0.475 0.102 Tot. Correct 0.792 Sensitivity: 0.984 Specificity: 0.593 False Reference: 0.286 False Response: 0.028 Reference = Class 0, Response = Class 1 ----------------------------------------------------------- >



Lampiran 5. Output Model Optimal Program MARS dengan Fungsi Basis 28

>KEEP >CATEGORY >LINEAR >ADDITIVE >REGRESSION = OLS >MODEL Y [BINARY = 0.57] >KEEP X1, X2, X3, X4, X5, X6, X7 >CATEGORY X2, X3, X4, X5, X6, X7 >WEIGHT >BOPTIONS SPEED = 4, PENALTY = 0.000000, BASIS = 28, INTERACTIONS = 3 >BOPTIONS MINSPAN = 3 >LIMIT DATASET = 0 >ESTIMATE MARS VERSION 2.0.0.19 READING DATA, UP TO 2245896 RECORDS. RECORDS READ: 150 RECORDS DELETED, DEPENDENT VARIABLE MISSING: 30 RECORDS KEPT IN LEARNING SAMPLE: 120 LEARNING SAMPLE STATISTICS ========================== VARIABLE MEAN SD N SUM ---------------------------------------------------------------- Y 0.492 0.502 120.000 59.000 X1 29.542 6.724 120.000 3545.000 X2 0.433 0.498 120.000 52.000 X3 0.250 0.435 120.000 30.000 X4 1.617 0.624 120.000 194.000 X5 2.875 0.940 120.000 345.000 X6 2.300 0.693 120.000 276.000 X7 1.683 0.467 120.000 202.000 AUTOMATIC LEVEL SETTINGS NAME LEVELS MINIMUM -------------------------------------- X2 2 0 X3 2 0 X4 3 1 X5 4 1 X6 3 1 X7 2 1 Ordinal Response min Q25 Q50 Q75 max ----------------------------------------------------------------------------- Y 0.000 0.000 0.000 1.000 1.000 Ordinal Predictor Variables: 1 min Q25 Q50 Q75 max



----------------------------------------------------------------------------- X1 16.000 24.000 29.000 34.000 56.000 Categorical Predictor Variables: 6 Variable NLEV Actual Internal Counts ---------------------------------------------------------------------- 2 X2 2 0. 1. 1 2 68 52 3 X3 2 0. 1. 1 2 90 30 4 X4 3 1. 1 55 2. 2 56 3. 3 9 5 X5 4 1. 1 12 2. 2 25 3. 3 49 4. 4 34 6 X6 3 1. 1 16 2. 2 52 3. 3 52 7 X7 2 1. 2. 1 2 38 82 Forward Stepwise Knot Placement =============================== BasFn(s) GCV IndBsFns EfPrms Variable Knot Parent BsF ------------------------------------------------------------------------------ 0 0.254 0.0 1.0 2 1 0.251 1.0 5.0 X3 10 4 3 0.246 2.0 9.0 X5 0010 X3 2 6 5 0.251 3.0 13.0 X6 100 X3 1 8 7 0.252 4.0 17.0 X5 0100 X3 1 10 9 0.250 5.0 21.0 X6 010 X5 7 12 11 0.250 6.0 25.0 X4 100 X5 8 13 0.265 7.0 29.0 X1 16.000 X5 3 15 14 0.285 8.0 33.0 X5 0110 17 16 0.306 10.0 38.0 X1 38.000 X3 1 19 18 0.323 11.0 42.0 X4 100 X6 6 21 20 0.346 13.0 47.0 X1 34.000 X5 14 23 22 0.374 14.0 51.0 X7 10 X1 20 25 24 0.406 15.0 55.0 X4 010 X5 14 27 26 0.443 16.0 59.0 X4 010 X6 6 28 0.491 17.0 63.0 X7 10 X5 14 Final Model (After Backward Stepwise Elimination) =================================================



Basis Fun Coefficient Variable Parent Knot ----------------------------------------------------------------------- 0 0.959 1 -0.730 X3 9 0.900 X6 X5 11 0.597 X4 X5 13 -0.048 X1 X5 16.000 18 -0.421 X4 X6 22 0.118 X7 X1 Piecewise Linear GCV = 0.206, #efprms = 22.882 ANOVA Decomposition on 6 Basis Functions ======================================== fun std. dev. -gcv #bsfns #efprms variable ------------------------------------------------------- 1 0.316 0.282 1 3.647 X3 2 0.224 0.253 1 3.647 X3 X5 X6 3 0.264 0.232 1 3.647 X3 X4 X5 4 0.221 0.239 1 3.647 X1 X3 X5 5 0.184 0.212 1 3.647 X3 X4 X6 6 0.132 0.213 1 3.647 X1 X5 X7 Piecewise Cubic Fit on 6 Basis Functions, GCV = 0.205 Relative Variable Importance ============================ Variable Importance -gcv ------------------------------------------- 5 X5 100.000 0.265 3 X3 98.553 0.264 6 X6 78.595 0.243 1 X1 64.616 0.231 4 X4 42.091 0.216 7 X7 35.257 0.213 2 X2 0.000 0.206 ORDINARY LEAST SQUARES RESULTS ============================== N: 120.000 R-SQUARED: 0.460 MEAN DEP VAR: 0.492 ADJ R-SQUARED: 0.432 UNCENTERED R-SQUARED = R-0 SQUARED: 0.726 PARAMETER ESTIMATE S.E. T-RATIO P-VALUE ----------------------------------------------------------------------------- Constant | 0.959 0.083 11.497 .999201E-15 Basis Function 1 | -0.730 0.100 -7.331 .368396E-10



Basis Function 9 | 0.900 0.149 6.043 .198746E-07 Basis Function 11 | 0.597 0.121 4.925 .290500E-05 Basis Function 13 | -0.048 0.009 -5.318 .535953E-06 Basis Function 18 | -0.421 0.120 -3.521 .620864E-03 Basis Function 22 | 0.118 0.033 3.605 .465584E-03 ----------------------------------------------------------------------------- F-STATISTIC = 16.060 S.E. OF REGRESSION = 0.378 P-VALUE = .274114E-12 RESIDUAL SUM OF SQUARES = 16.188 [MDF,NDF] = [ 6, 113 ] REGRESSION SUM OF SQUARES = 13.804 ----------------------------------------------------------------------------- The Following Graphics Are Piecewise Linear CATEGORICAL - ORDINAL INTERACTION: X3 = 0 1 X5 = 0 0 1 0 CURVE 1: X1 , max = 1.9390 -------------------------------------------------------------- 1.939 |*** | | **** | 1.697 | **** | | **** | 1.454 | **** | | **** | 1.212 | **** | | **** | 0.970 | **** | | **** | 0.727 | **** | | **** | 0.485 | **** | | **** | 0.242 | **** | | **** | 0.000 | ***| --------------------------------------------------------------



16.000 | 36.000 | 56.000 26.000 46.000 CATEGORICAL - ORDINAL INTERACTION: X5 = 0 1 1 0 X7 = 1 0 CURVE 2: X1 , max = 2.5908 -------------------------------------------------------------- 2.591 | **| | *** | 2.267 | ** | | *** | 1.943 | *** | | ** | 1.619 | *** | | ** | 1.295 | *** | | *** | 0.972 | ** | | *** | 0.648 | ** | | ** | 0.324 | *** | | ** | 0.000 |**************************** | -------------------------------------------------------------- 16.000 | 36.000 | 56.000 26.000 46.000 2 curves and 0 surfaces. Basis Functions =============== BF1 = ( X3 = 0); BF2 = ( X3 = 1); BF3 = ( X5 = 3) * BF2; BF6 = ( X6 = 2 OR X6 = 3) * BF1; BF7 = ( X5 = 2) * BF1; BF8 = ( X5 = 1 OR X5 = 3 OR X5 = 4) * BF1;



BF9 = ( X6 = 2) * BF7; BF11 = ( X4 = 1) * BF8; BF13 = max(0, X1 - 16.000) * BF3; BF14 = ( X5 = 2 OR X5 = 3); BF18 = ( X4 = 1) * BF6; BF20 = max(0, X1 - 34.000) * BF14; BF22 = ( X7 = 1) * BF20; Y = 0.959 - 0.730 * BF1 + 0.900 * BF9 + 0.597 * BF11 - 0.048 * BF13 - 0.421 * BF18 + 0.118 * BF22; model Y = BF1 BF9 BF11 BF13 BF18 BF22; ==================================== LEARNING SAMPLE CLASSIFICATION TABLE ==================================== Actual Predicted Class Actual Class 0 1 Total --------------------------------------------------- 0 60.000 1.000 61.000 1 19.000 40.000 59.000 --------------------------------------------------- Pred. Tot. 79.000 41.000 120.000 Correct 0.984 0.678 Success Ind. 0.475 0.186 Tot. Correct 0.833 Sensitivity: 0.984 Specificity: 0.678 False Reference: 0.241 False Response: 0.024 Reference = Class 0, Response = Class 1 -----------------------------------------------------------



Lampiran 6. Menentukan Threshold (Titik Potong/Cut Point) pada Program R

thres<-function(data)

{

y<-data[,1]

x1<-data[,2]

x2<-data[,3]

x3<-data[,4]

x4<-data[,5]

x5<-data[,6]

x6<-data[,7]

x7<-data[,8]

n<-length(y)

ytopi<-matrix(0,n,1)

phix<-matrix(0,n,1)

ytopi1<-matrix(0,n,1)

c<-rep(0,n)

d<-rep(0,n)

e<-rep(0,n)

f<-rep(0,n)

g<-rep(0,n)

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(x3[i]==0)

BF1<-1

else

BF1<-0

if(x3[i]==1)

BF2<-1

else

BF2<-0

if(x5[i]==3)

BF3<-1*BF2

else

BF3<-0*BF2

if((x6[i]==2)||(x6[i]==3))

BF6<-1*BF1

else

BF6<-0*BF1

if(x5[i]==2)

BF7<-1*BF1

else

BF7<-0*BF1

if((x5[i]==1)||(x5[i]==3)||(x5[i]==4))

BF8<-1*BF1

else

BF8<-0*BF1



if(x6[i]==2)

BF9<-1*BF7

else

BF9<-0*BF7

if(x4[i]==1)

BF11<-1*BF8

else

BF11<-0*BF8

if(x1[i]>16)

BF13<-(x1[i]-16)*BF3

else

BF13<-0*BF3

if((x5[i]==2)||(x5[i]==3))

BF14<-1

else

BF14<-0

if(x4[i]==1)

BF18<-1*BF6

else

BF18<-0*BF6

if(x1[i]>34)

BF20<-(x1[i]-34)*BF14

else

BF20<-0*BF14

if(x7[i]==1)

BF22<-1*BF20

else



BF22<-0*BF20

ytopi[i]<-(0.959)-(0.730*BF1)+(0.900*BF9)+(0.597*BF11)-(0.048*BF13)-(0.421*BF18)+(0.118*BF22)

phix[i]<-exp(ytopi[i])/(1+(exp(ytopi[i])))

if(phix[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

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\tTABEL APPER\n============================\n\t\t



PREDIKSI\n\t\t 0\t 1\nOBSERVASI 0 | ",n11,"\t",n12,"\n\t 1 | ",n21,"\t",n22,"\n")

A<-100-(((n12+n21)/(n11+n12+n21+n22))*100)

press<-(n-((n11+n22)*2))^2/(n*(2-1))

chisq<-qchisq(0.95,1)

cat("\nKetepatan Klasifikasi =",A,"%\nPRESS'Q =",press,"\nCHI-SQUARE =",chisq,"\n\n\n")

a[,1]<-th

a[j,2]<-A

}

cat("\n th ketepatan klasifikasi\n")

print(a)

thres<-as.numeric(readline("masukkan nilai 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 th ketepatan klasifikasi\n")

print(b)

plot(b[,1],b[,2],xlab="Nilai cut off probablity",ylab="Ketepatan Klasifikasi",type='line')

}



Lampiran 7. Output Threshold (Titik Potong/Cut Point) pada Program R

No. Threshold Ketepatan Klasifikasi 1 0.00 49.16667 2 0.01 49.16667 3 0.02 49.16667 4 0.03 49.16667 5 0.04 49.16667 6 0.05 49.16667 7 0.06 49.16667 8 0.07 49.16667 9 0.08 49.16667

10 0.09 49.16667 11 0.10 49.16667 12 0.11 49.16667 13 0.12 49.16667 14 0.13 49.16667 15 0.14 49.16667 16 0.15 49.16667 17 0.16 49.16667 18 0.17 49.16667 19 0.18 49.16667 20 0.19 49.16667 21 0.20 49.16667 22 0.21 49.16667 23 0.22 49.16667 24 0.23 49.16667 25 0.24 49.16667 26 0.25 49.16667 27 0.26 49.16667 28 0.27 49.16667 29 0.28 49.16667 30 0.29 49.16667 31 0.30 49.16667 32 0.31 49.16667 33 0.32 49.16667 34 0.33 49.16667 35 0.34 49.16667 36 0.35 49.16667 37 0.36 49.16667 38 0.37 49.16667



No. Threshold Ketepatan Klasifikasi 39 0.38 49.16667 40 0.39 49.16667 41 0.40 49.16667 42 0.41 49.16667 43 0.42 49.16667 44 0.43 49.16667 45 0.44 49.16667 46 0.45 49.16667 47 0.46 51.66667 48 0.47 52.5 49 0.48 52.5 50 0.49 52.5 51 0.50 52.5 52 0.51 52.5 53 0.52 53.33333 54 0.53 53.33333 55 0.54 53.33333 56 0.55 53.33333 57 0.56 74.16667 58 0.57 74.16667 59 0.58 74.16667 60 0.59 75.83333 61 0.60 82.5 62 0.61 81.66667 63 0.62 82.5 64 0.63 83.33333 65 0.64 82.5 66 0.65 82.5 67 0.66 82.5 68 0.67 81.66667 69 0.68 81.66667 70 0.69 80.83333 71 0.70 73.33333 72 0.71 71.66667 73 0.72 70.83333 74 0.73 56.66667 75 0.74 55 76 0.75 55 77 0.76 50.83333 78 0.77 50.83333



No. Threshold Ketepatan Klasifikasi 79 0.78 50.83333 80 0.79 50.83333 81 0.80 50.83333 82 0.81 50.83333 83 0.82 50.83333 84 0.83 50.83333 85 0.84 50.83333 86 0.85 50.83333 87 0.86 50.83333 88 0.87 50.83333 89 0.88 50.83333 90 0.89 50.83333 91 0.90 50.83333 92 0.91 50.83333 93 0.92 50.83333 94 0.93 50.83333 95 0.94 50.83333 96 0.95 50.83333 97 0.96 50.83333 98 0.97 50.83333 99 0.98 50.83333

100 0.99 50.83333 101 1.00 50.83333



Lampiran 8. Output Perhitungan Manual pada Data out sample dengan Microsoft Excel

BF1 BF2 BF3 BF6 BF7 BF8 BF9 BF11 BF13 BF14 BF18 BF20 BF22 phi Ypre ket 1 0 0 1 0 1 0 0 0 1 0 3 0 0.557001 0 SAMA 1 0 0 1 0 1 0 1 0 0 1 0 0 0.599888 0 SAMA 1 0 0 1 0 1 0 0 0 0 0 0 0 0.557001 0 SAMA 0 1 0 0 0 0 0 0 0 1 0 0 0 0.722922 1 SAMA 1 0 0 1 0 1 0 1 0 1 1 4 4 0.7062 1 SAMA 1 0 0 1 0 1 0 0 0 1 0 0 0 0.557001 0 SAMA 1 0 0 1 0 1 0 0 0 1 0 6 6 0.718493 1 SAMA 0 1 0 0 0 0 0 0 0 0 0 0 0 0.722922 1 SAMA 1 0 0 1 0 1 0 1 0 0 1 0 0 0.599888 0 SAMA 1 0 0 1 1 0 1 0 0 1 0 3 0 0.755654 1 SAMA 1 0 0 1 1 0 1 0 0 1 0 0 0 0.755654 1 TIDAK SAMA 1 0 0 1 0 1 0 0 0 1 0 8 0 0.557001 0 SAMA 0 1 0 0 0 1 0 1 0 0 0 0 0 0.825779 1 SAMA 1 0 0 1 0 1 0 0 0 0 0 0 0 0.557001 0 SAMA 0 1 0 0 0 0 0 0 0 0 0 0 0 0.722922 1 SAMA 1 0 0 0 0 1 0 1 0 0 0 0 0 0.695508 1 SAMA 1 0 0 0 0 1 0 1 0 1 0 0 0 0.695508 1 SAMA 1 0 0 1 1 0 1 0 0 1 0 0 0 0.755654 1 SAMA 1 0 0 1 0 1 0 0 0 1 0 22 0 0.557001 0 SAMA 1 0 0 1 1 0 0 0 0 1 0 0 0 0.557001 0 SAMA 1 0 0 1 0 1 0 0 0 0 0 0 0 0.557001 0 SAMA 1 0 0 0 0 1 0 1 0 1 0 0 0 0.695508 1 SAMA



BF1 BF2 BF3 BF6 BF7 BF8 BF9 BF11 BF13 BF14 BF18 BF20 BF22 phi Ypre ket 1 0 0 1 0 1 0 1 0 1 1 3 0 0.599888 0 SAMA 1 0 0 0 0 1 0 0 0 1 0 0 0 0.557001 0 SAMA 1 0 0 1 0 1 0 0 0 0 0 0 0 0.557001 0 SAMA 1 0 0 1 1 0 1 0 0 1 0 8 0 0.755654 1 SAMA 1 0 0 1 0 1 0 0 0 1 0 0 0 0.557001 0 SAMA 1 0 0 1 1 0 1 0 0 1 0 0 0 0.755654 1 TIDAK SAMA 1 0 0 1 0 1 0 0 0 1 0 0 0 0.557001 0 TIDAK SAMA 1 0 0 0 0 1 0 1 0 1 0 0 0 0.695508 1 SAMA



Lampiran 9. Program M enghitung K etepatan K lasifikasi P emodelan R isiko Kejadian Pasien Ibu Hamil Melahirkan Bayi dengan BBLR

apper<-function(data) { y<-data[,1] x1<-data[,2] x2<-data[,3] x3<-data[,4] x4<-data[,5] x5<-data[,6] x6<-data[,7] x7<-data[,8] n<-length(y) ytopi<-matrix(0,n,1) ytopi1<-matrix(0,n,1) phix<-matrix(0,n,1) cat("BF1\tBF9\tBF11\tBF13\tBF18\tBF22\tphi\t\tYtopi\n") for(i in 1:n) { if(x3[i]==0) BF1<-1 else BF1<-0 if(x3[i]==1) BF2<-1 else BF2<-0 if(x5[i]==3) BF3<-1*BF2 else BF3<-0*BF2 if((x6[i]==2)||(x6[i]==3)) BF6<-1*BF1 else BF6<-0*BF1 if(x5[i]==2) BF7<-1*BF1 else BF7<-0*BF1 if((x5[i]==1)||(x5[i]==3)||(x5[i]==4)) BF8<-1*BF1 else BF8<-0*BF1 if(x6[i]==2)



BF9<-1*BF7 else BF9<-0*BF7 if(x4[i]==1) BF11<-1*BF8 else BF11<-0*BF8 if(x1[i]>16) BF13<-(x1[i]-16)*BF3 else BF13<-0*BF3 if((x5[i]==2)||(x5[i]==3)) BF14<-1 else BF14<-0 if(x4[i]==1) BF18<-1*BF6 else BF18<-0*BF6 if(x1[i]>34) BF20<-(x1[i]-34)*BF14 else BF20<-0*BF14 if(x7[i]==1) BF22<-1*BF20 else BF22<-0*BF20 ytopi[i]<-(0.959)-(0.730*BF1)+(0.900*BF9)+(0.597*BF11)-(0.048*BF13)-(0.421*BF18)+(0.118*BF22) phix[i]<-exp(ytopi[i])/(1+(exp(ytopi[i]))) if(phix[i]<=0.63) ytopi1[i]<-0 else if(phix[i]>0.63) ytopi1[i]<-1 cat(BF1,"\t",BF9,"\t",BF11,"\t",BF13,"\t",BF18,"\t",BF22,"\t",phix[i],"\t",ytopi1[i],"\n") } n22=0 n11=0 n12=0 n21=0 for(i in 1:n) {



if(y[i]==ytopi1[i]) { if(y[i]==1&&ytopi1[i]==1) { n22<-n22+y[i] } else { c<-y[i] c<-1 n11<-n11+c } } else { if(y[i]==0&&ytopi1[i]==1) { n12<-n12+ytopi1[i] } else if(y[i]==1&&ytopi1[i]==0) { n21<-n21+y[i] } } } cat("\n============================\n\tTABEL APPER\n============================\n\t\t PREDIKSI\nOBSERVASI\t",n11,"\t",n12,"\n\t\t",n21,"\t",n22,"\n") A<-100-(((n12+n21)/(n11+n12+n21+n22))*100) press<-(n-((n11+n22)*2))^2/(n*(2-1)) chisq<-qchisq(0.95,1) cat("\nketepatan k lasifikasi =" ,A,"%\nPRESS'Q = ",press,"\nCHI-SQUARE =",chisq,"\n") if(press>chisq) cat("Maka hasil klasifikasi model stabil/konsisten\n") else cat("Maka hasil klasifikasi model tidak stabil/tidak konsisten\n") }



Lampiran 10. Output Program M enghitung K etepatan K lasifikasi P emodelan Risiko Kejadian Pasien Ibu Hamil Melahirkan Bayi dengan BBLR (Outsample) > apper(Dataset) BF1 BF9 BF11 BF13 BF18 BF22 phi Ytopi 1 0 0 0 0 0 0.5570011 0 1 0 1 0 1 0 0.5998884 0 1 0 0 0 0 0 0.5570011 0 0 0 0 0 0 0 0.7229215 1 1 0 1 0 1 4 0.7062002 1 1 0 0 0 0 0 0.5570011 0 1 0 0 0 0 6 0.7184933 1 0 0 0 0 0 0 0.7229215 1 1 0 1 0 1 0 0.5998884 0 1 1 0 0 0 0 0.7556543 1 1 1 0 0 0 0 0.7556543 1 1 0 0 0 0 0 0.5570011 0 0 0 0 0 0 0 0.7229215 1 1 0 0 0 0 0 0.5570011 0 0 0 0 0 0 0 0.7229215 1 1 0 1 0 0 0 0.6955085 1 1 0 1 0 0 0 0.6955085 1 1 1 0 0 0 0 0.7556543 1 1 0 0 0 0 0 0.5570011 0 1 0 0 0 0 0 0.5570011 0 1 0 0 0 0 0 0.5570011 0 1 0 1 0 0 0 0.6955085 1 1 0 1 0 1 0 0.5998884 0 1 0 0 0 0 0 0.5570011 0 1 0 0 0 0 0 0.5570011 0 1 1 0 0 0 0 0.7556543 1 1 0 0 0 0 0 0.5570011 0 1 1 0 0 0 0 0.7556543 1 1 0 0 0 0 0 0.5570011 0 1 0 1 0 0 0 0.6955085 1



============================ TABEL APPER ============================ PREDIKSI OBSERVASI 14 2 1 13 ketepatan klasifikasi = 90 % PRESS'Q = 19.2 CHI-SQUARE = 3.841459 Maka hasil klasifikasi model stabil/konsisten



Lampiran 11. Output Program M enghitung K etepatan K lasifikasi P emodelan Risiko Kejadian Pasien Ibu Hamil Melahirkan Bayi dengan BBLR (In Sample) > apper(Dataset) BF1 BF9 BF11 BF13 BF18 BF22 phi Ytopi 1 1 0 0 0 0 0.7556543 1 1 0 0 0 0 0 0.5570011 0 1 0 0 0 0 0 0.5570011 0 1 0 1 0 1 0 0.5998884 0 1 0 0 0 0 0 0.5570011 0 0 0 0 0 0 0 0.7229215 1 1 0 1 0 1 4 0.7062002 1 1 0 0 0 0 0 0.5570011 0 1 0 1 0 0 0 0.6955085 1 1 1 0 0 0 0 0.7556543 1 1 0 0 0 0 0 0.5570011 0 1 0 0 0 0 1 0.5858899 0 1 1 0 0 1 0 0.6699591 1 1 0 1 0 0 0 0.6955085 1 1 0 0 0 0 0 0.5570011 0 1 0 1 0 1 0 0.5998884 0 0 0 0 20 0 2 0.5584811 0 0 0 0 13 0 0 0.5829755 0 1 0 1 0 1 0 0.5998884 0 0 0 0 15 0 0 0.5594672 0 1 0 0 0 0 0 0.5570011 0 1 0 1 0 1 0 0.5998884 0 1 0 0 0 0 0 0.5570011 0 1 0 1 0 1 0 0.5998884 0 1 1 0 0 0 0 0.7556543 1 1 0 0 0 0 0 0.5570011 0 1 0 0 0 0 0 0.5570011 0 0 0 0 0 0 0 0.7229215 1 1 0 0 0 0 0 0.5570011 0 1 0 1 0 1 0 0.5998884 0 1 0 0 0 0 0 0.5570011 0 0 0 0 0 0 0 0.7229215 1 1 0 0 0 0 0 0.5570011 0 1 0 1 0 1 0 0.5998884 0 0 0 0 0 0 0 0.7229215 1 0 0 0 10 0 0 0.6175117 0 1 0 1 0 0 0 0.6955085 1 1 0 1 0 0 0 0.6955085 1 1 0 0 0 0 0 0.5570011 0 1 0 0 0 0 0 0.5570011 0 0 0 0 24 0 6 0.6259779 0



1 0 0 0 0 0 0.5570011 0 0 0 0 11 0 0 0.6061124 0 1 0 1 0 1 0 0.5998884 0 0 0 0 0 0 0 0.7229215 1 1 0 1 0 1 0 0.5998884 0 1 0 1 0 1 0 0.5998884 0 1 0 0 0 1 0 0.4521469 0 1 0 0 0 0 0 0.5570011 0 1 0 0 0 0 0 0.5570011 0 1 0 0 0 0 0 0.5570011 0 1 0 1 0 1 5 0.7300744 1 0 0 0 0 0 0 0.7229215 1 0 0 0 0 0 0 0.7229215 1 1 0 0 0 0 0 0.5570011 0 1 0 0 0 0 0 0.5570011 0 1 0 1 0 1 0 0.5998884 0 0 0 0 0 0 0 0.7229215 1 0 0 0 0 0 0 0.7229215 1 1 0 1 0 1 0 0.5998884 0 1 0 0 0 1 0 0.4521469 0 1 0 0 0 0 0 0.5570011 0 1 0 0 0 0 0 0.5570011 0 1 0 0 0 0 0 0.5570011 0 1 0 1 0 1 5 0.7300744 1 0 0 0 0 0 0 0.7229215 1 0 0 0 0 0 0 0.7229215 1 0 0 0 0 0 0 0.7229215 1 1 0 1 0 1 0 0.5998884 0 1 0 1 0 0 0 0.6955085 1 1 0 1 0 1 0 0.5998884 0 0 0 0 23 0 0 0.4638134 0 1 0 0 0 1 0 0.4521469 0 1 0 0 0 0 0 0.5570011 0 1 0 0 0 0 0 0.5570011 0 1 0 1 0 0 0 0.6955085 1 1 0 0 0 0 0 0.5570011 0 0 0 0 0 0 0 0.7229215 1 1 1 0 0 1 1 0.6955085 1 0 0 0 0 0 0 0.7229215 1 0 0 0 0 0 0 0.7229215 1 1 0 1 0 1 0 0.5998884 0 1 0 1 0 0 0 0.6955085 1 1 1 0 0 0 0 0.7556543 1 0 0 0 8 0 0 0.6399161 1 1 0 1 0 1 0 0.5998884 0 1 0 0 0 0 0 0.5570011 0



1 0 0 0 0 0 0.5570011 0 0 0 0 0 0 0 0.7229215 1 1 1 0 0 1 1 0.6955085 1 1 0 1 0 1 0 0.5998884 0 1 0 0 0 0 0 0.5570011 0 1 0 0 0 0 0 0.5570011 0 1 0 0 0 0 0 0.5570011 0 0 0 0 4 0 0 0.6828716 1 1 0 0 0 0 0 0.5570011 0 1 0 0 0 0 0 0.5570011 0 1 0 0 0 0 0 0.5570011 0 1 0 0 0 0 0 0.5570011 0 1 0 1 0 1 0 0.5998884 0 1 0 0 0 0 0 0.5570011 0 1 0 0 0 0 0 0.5570011 0 1 0 0 0 0 0 0.5570011 0 1 0 1 0 1 0 0.5998884 0 1 0 0 0 0 0 0.5570011 0 0 0 0 0 0 0 0.7229215 1 1 0 0 0 0 0 0.5570011 0 1 0 0 0 0 0 0.5570011 0 0 0 0 12 0 0 0.5945965 0 0 0 0 19 0 0 0.5117478 0 1 1 0 0 0 0 0.7556543 1 1 0 0 0 0 0 0.5570011 0 1 0 0 0 0 0 0.5570011 0 1 0 1 0 1 0 0.5998884 0 0 0 0 0 0 0 0.7229215 1 1 0 1 0 1 4 0.7062002 1 1 0 0 0 0 0 0.5570011 0 1 0 0 0 0 6 0.7184933 1 0 0 0 0 0 0 0.7229215 1 1 0 1 0 1 0 0.5998884 0 ============================ TABEL APPER ============================ PREDIKSI OBSERVASI 60 1 19 40 ketepatan klasifikasi = 83.33333 % PRESS'Q = 53.33333 CHI-SQUARE = 3.841459 Maka hasil klasifikasi model stabil/konsisten



Lampiran 12. Hasil Output Regresi Logistik Biner Menggunakan Software SPSS.

Logistic Regression

Classification Tablea

Observed

Predicted

Y

Percentage

Correct

BAYI TIDAK

BBLR(NORMAL) BAYI BBLR

Step 1 Y BAYI TIDAK

BBLR(NORMAL) 47 14 77.0

BAYI BBLR 19 40 67.8

Overall Percentage 72.5

a. The cut value is .500



Documents

PEMODELAN RISIKO KEJADIAN BAYI BERAT BADAN …repository.unair.ac.id/55894/2/KKC KK ST.S 48 -16 Agu p.pdf · penyusunan skripsi, penulis banyak menemui kendala namun dengan bantuan