1
+ +
dimana :
k
j
-1 = jumlah peubah dummy
1 peubah dummy
Pendugaan Parameter
Metode umum dalam pendugaan
parameter
i
pada model logit dilakukan
dengan metode penduga kemungkinan
maksimum, karena asumsi kehomogenan
ragam galat tidak terpenuhi. Jika antara
amatan yang satu dengan yang lain
diasumsikan saling bebas, maka fungsi
kemungkinan maksimumnya adalah:
() =
[1
]
1
=1
dengan:
i = 1,2,..,n
y
i
= respon pada pengamatan
ke-i
(x
i
) = peluang kejadian ke-i bernilai Y=1
Prinsip dari metode kemungkinan
maksimum adalah memaksimumkan
logaritma fungsi kemungkinan maksimumnya:
L()=ln[]=
{
ln
+1
ln[1 (
)]}
=1
untuk mendapatkan nilai dugaan koefisien
regresi logistik (
) dilakukan dengan
penurunan L() terhadap dan disamakan
dengan nol (McCullagh & Nelder 1983).
Pengujian Parameter
Pengujian terhadap parameter model
dilakukan sebagai upaya untuk memeriksa
peranan peubah penjelas yang ada di dalam
model. Menurut Hosmer & Lemeshow (2000),
untuk mengetahui peran seluruh peubah
penjelas di dalam model secara simultan dapat
digunakan statistik uji-G. Hipotesis yang diuji
adalah:
H
0
:
1
=
2
==
p
=0
H
1
: paling sedikit ada satu
i
0, i=1,2,,p
Statistik uji-G didefinisikan sebagai:
G = -2 ln
dimana L
0
adalah fungsi kemungkinan
maksimum tanpa peubah penjelas, dan L
p
merupakan fungsi kemungkinan maksimum
dengan p peubah penjelas. Hipotesis nol
ditolak jika G >
2
p()
(Hosmer & Lemeshow
2000).
Uji nyata parameter secara parsial yang
digunakan dalam penelitian ini adalah statistik
uji Wald, dengan hipotesis yang diuji:
H
0
:
j
= 0
H
1
:
j
0; j=1,2,,p
Statistik uji Wald didefinisikan sebagai
berikut:
W =
)
Hipotesis nol ditolak jika
> Z
/2
(Hosmer
& Lemeshow 2000).
Interpretasi Koefisien
Interpretasi koefisien untuk model regresi
logistik adalah dengan melihat rasio oddsnya.
Rasio odds () adalah rasio peluang kejadian
sukses dengan kejadian tidak sukses dari
peubah penjelas terhadap peubah respon.
Koefisien model logit (
) mencerminkan
perubahan nilai fungsi logit g(x) untuk
perubahan satu unit peubah penjelas x. Rasio
odds dapat didefinisikan sebagai:
()
1()
= exp[+x]=e
(e
)
x
misalnya x
1
=1 dan x
2
=0 merupakan nilai dari
x, maka:
=
(
1
)
1(
1
)
(
2
)
1(
2
)
=
exp (+
1
)
exp (+
2
)
= exp[(x
1
-x
2
)]
dimana rasio odds = exp(
i
) ketika x
1
=1
dan x
2
=0.
Rasio odds untuk peubah kategorik
menjelaskan bahwa kategori x=1 memiliki
kecenderungan untuk terjadi y=1 sebesar
kali dibandingkan kategori x=0. Sedangkan
jika peubahnya berskala numerik, maka
interpretasinya setiap kenaikan satu satuan
pada peubah x maka kecenderungan untuk
terjadinya y=1 akan naik sebesar kali.
Evaluasi Keakuratan Model
Menurut Hosmer dan Lemeshow (1989)
salah satu ukuran kebaikan model adalah jika
4
memiliki peluang salah klasifikasi yang
minimal. Tabel kesesuaian klasifikasi
merupakan tabel frekuensi dua arah antara
kelompok data sebenarnya dan prediksi. Tabel
tersebut ditampilkan dalam Tabel 1.
Tabel 1. Tabel kesesuaian klasifikasi
Aktual
Prediksi Model
0 1
0
Benar (-)
Spesifisitas Salah (+)
1 Salah (-)
Benar (+)
Sensitivitas
Kurva ROC (Receiver Operating
Characteristic) pada Gambar 1 adalah plot
antara peluang salah positif (1-spesifisitas)
dengan benar positif (sensitivitas). Luas
daerah di bawah kurva ROC berkisar antara 0
dan 1 menunjukkan kemampuan model dalam
mengelompokkan data dan juga digunakan
untuk menilai keakuratan suatu diagnosis.
Gambar 1 Kurva ROC
METODOLOGI
DATA
Data yang digunakan dalam penelitian ini
adalah data rekam medik Puskesmas
Kecamatan Klakah - Lumajang, Jawa Timur
tahun 2010. Jumlah keseluruhan data yaitu
255 responden dengan delapan peubah
penjelas dan satu peubah respon yaitu Status
BBLR dimana terdiri dari dua kategori yaitu
Bayi tidak terkena BBLR (0) dan Bayi terkena
BBLR (1). Di bawah ini merupakan peubah-
peubah penjelas yang digunakan meliputi:
1. Usia Ibu (tahun)
2. Jenis Kelamin Bayi
3. Jarak Kelahiran (tahun)
4. Jumlah anak
5. Pekerjaan Ibu
6. Pendidikan Ibu
7. Frekuensi Pemeriksaan Kehamilan
8. Lokasi tempat tinggal
Software yang digunakan dalam penelitian ini
adalah Ms. Excel 2007 dan beberapa Software
Statistika.
METODE
Beberapa tahapan yang dilakukan dalam
penelitian ini adalah:
1. Menetapkan peubah-peubah penjelas
yang digunakan dan dummy variable
untuk peubah kategorik (Lampiran 1).
2. Menetapkan peubah respon Y yaitu
Status BBLR dimana bayi tidak terkena
BBLR (0) dan bayi terkena BBLR (1).
3. Melakukan Eksplorasi data
Analisis Statistika deskriptif digunakan
untuk mengidentifikasi karakteristik
responden berdasarkan status BBLR
dengan menggunakan diagram kotak
garis (box-plot) untuk peubah numerik
dan grafik untuk peubah kategorik.
4. Menyeleksi peubah penjelas yang
mempunyai korelasi tinggi dengan uji
korelasi (spearman, pearson atau tabel
kontingensi).
5. Memodelkan seluruh peubah penjelas
dengan peubah respon.
6. Mencari nilai dugaan parameter regresi
logistik terhadap data dengan
menggunakan metode kemungkinan
maksimum.
7. Melakukan pengujian parameter dengan
statistik uji-G untuk melihat peran
seluruh peubah penjelas di dalam model
secara simultan.
8. Melakukan pengujian parameter secara
parsial dengan statistik uji Wald untuk
melihat pengaruh masing-masing peubah
penjelas terhadap peubah respon.
9. Melakukan interpretasi koefisien model
regresi logistik dengan Rasio odds.
10. Menguji kebaikan model dengan
menggunakan Correct Classification
Rate (CCR) dan ROC. Data yang
digunakan dibagi menjadi dua bagian,
keseluruhan data untuk pemodelan dan
30% untuk validasi. Cara untuk mencari
validasi model yaitu mengambil 30%
data secara acak dan melakukan
pengulangan sebanyak 100 kali,
kemudian dilihat ketepatan
klasifikasinya, jika relatif sama dengan
data keseluruhan maka menunjukkan
bahwa model tersebut valid atau akurat.
5
HASIL DAN PEMBAHASAN
Deskripsi Karakteristik Responden
Gambar 2 menampilkan persentase berat
badan bayi pada data BBLR. Berdasarkan
diagram lingkaran pada Gambar 2 tersebut
dapat dilihat bahwa sebanyak 68.24% yaitu
174 bayi yang memiliki berat badan sama
dengan atau lebih dari 2500 gram dan
sebanyak 31.76% yaitu 81 bayi yang
mempunyai berat badan kurang dari 2500
gram.
Gambar 2 Persentase berat badan bayi pada
data BBLR
Gambar 3 menampilkan proporsi jenis
kelamin bayi. Sebanyak 50.20% yaitu 128
bayi berjenis kelamin perempuan dan
sebanyak 49.80% yaitu 127 bayi berjenis
kelamin laki-laki. Secara keseluruhan dapat
dilihat bahwa selisih antara banyaknya bayi
yang berjenis kelamin laki-laki dan
perempuan tidak jauh berbeda.
Gambar 3 Persentase jenis kelamin bayi dari
data populasi
Pendidikan merupakan faktor penentu
jenjang karir seseorang. Semakin tinggi
pendidikan seseorang maka pengetahuan dan
pengalaman yang didapatkan semakin luas.
Gambar 4 menampilkan diagram batang untuk
melihat persentase pendidikan ibu terhadap
kejadian BBLR di Puskesmas Kecamatan
Klakah. Sebagian besar responden (ibu) di
Kecamatan Klakah mempunyai pendidikan
rendah. Responden yang berpendidikan
rendah (Tidak sekolah, SD, dan SMP)
sebanyak 66.27% dan responden yang
berpendidikan tinggi (SMA/SMK,
Diploma/Sarjana) sebanyak 33.73%. Hal ini
mengindikasikan bahwa jenjang pendidikan
responden di kecamatan Klakah sebagian
besar masih sangat rendah sehingga
pengetahuan responden masih rendah pula.
Gambar 4 Sebaran pendidikan responden
Gambar 5 menampilkan karakteristik
pekerjaan responden yang tercatat di
puskesmas kecamatan Klakah. Pada gambar
tersebut terdapat 24.31% responden yang
bekerja dan terdapat 75.69% responden yang
tidak bekerja. Responden yang bekerja yaitu
responden yang mempunyai pekerjaan seperti
PNS, Wiraswasta dan Petani. Sedangkan
responden yang digolongkan tidak bekerja
yaitu Ibu Rumah Tangga dan Pembantu
Rumah Tangga.
Gambar 5 Sebaran persentase pekerjaan
responden
Gambar 6 menampilkan diagram batang
dari peubah kategorik yaitu lokasi tempat
tinggal. Lokasi tersebut dibagi menjadi daerah
terpencil dan daerah tidak terpencil. Menurut
Menteri Dalam Negeri nomor 83 tahun 1996,
Daerah terpencil adalah daerah yang sulit
dijangkau dari berbagai aspek seperti belum
atau tidak tersedianya pelayanan umum, harga
kebutuhan pokok yang sangat mahal
dikarenakan sulit didapatkan di daerah
tersebut, tidak atau belum tersedianya sarana
komunikasi yang memadai, sebagian besar
warganya berpendidikan rendah dan
mempunyai mata pencaharian rendah,
Bukan
BBLR
68.24 %
BBLR
31.76%
Laki-laki
49.80 %
Perempuan
50.20 %
6
sehingga menimbulkan kesulitan yang tinggi
bagi penduduk yang berdomisili di daerah
tersebut karena kemungkinan responden yang
sedang hamil kurang mendapatkan asupan
gizi. Berdasarkan Gambar 6 sebanyak 11.76%
responden yang bertempat tinggal di daerah
terpencil (Sawaran Lor dan Tegal Ciut) dan
sebanyak 88.24% responden yang bertempat
tinggal di daerah tidak terpencil (Mlawang,
Klakah, Tegal Randu, Ranu Pakis, Papringan,
Duren, Sumber Wringin, Sruni, Kebonan dan
Kudus).
Gambar 6 Sebaran persentase lokasi tempat
tinggal
Tabel 2 menampilkan frekuensi jarak
kelahiran terhadap berat badan bayi.
Responden yang melahirkan bayi BBLR rata-
rata melahirkan dengan frekuensi terbanyak
pada jarak kelahiran 1 sampai 2 tahun
sedangkan responden yang melahirkan bayi
normal (bayi bukan BBLR) rata-rata
melahirkan bayi dengan frekuensi terbanyak
pada jarak kelahiran 3 sampai 4 tahun.
Tabel 2 Frekuensi jarak kelahiran terhadap
berat badan bayi
Jarak
kelahiran
Berat Badan
Total
BB >=2500 gr BB<2500 gr
1 1 17 18
2 4 54 58
3 132 10 142
4 37 0 37
Total 174 81 255
Tabel 3 menampilkan jumlah frekuensi
pemeriksaan kehamilan terhadap berat badan
bayi. Responden yang melahirkan bayi BBLR
lebih sering melakukan frekuensi
pemeriksaan kehamilan 1 sampai 2 kali
sedangkan responden yang melahirkan bayi
bukan BBLR (bayi normal) lebih sering
melakukan frekuensi pemeriksaan kehamilan
sebanyak 3 sampai 5 kali.
Tabel 3 Jumlah frekuensi pemeriksaan
kehamilan terhadap berat badan
bayi
Nilai korelasi antar peubah penjelas dapat
diselesaikan menggunakan uji korelasi. Hasil
yang didapatkan dari uji korelasi pada
Lampiran 2, beberapa nilai dari korelasi antar
peubah penjelasnya masih lemah sehingga
semua peubah penjelas dimasukkan untuk
dicari model regresi logistik biner. Contoh
perhitungan dapat dilihat pada Lampiran 3.
Model Regresi Logistik Biner
Pendugaan model regresi logistik biner
dengan menggunakan delapan peubah
penjelas menghasilkan nilai statistik uji G
sebesar 259.458 dengan nilai-p sebesar 0.00.
Berdasarkan nilai tersebut, dapat ditarik
kesimpulan bahwa pada taraf nyata 10%
sedikitnya ada satu
yang mempengaruhi
peubah penjelas (p-value < ).
Pengujian parameter secara parsial dengan
menggunakan statistik uji Wald menunjukkan
bahwa hanya terdapat dua peubah penjelas
yang nyata terhadap status BBLR pada taraf
nyata 10%. Kedua peubah penjelas tersebut
dapat dilihat pada Lampiran 4 antara lain
Jarak kelahiran dan Frekuensi pemeriksaan
kehamilan.
Tabel 4 Peubah penjelas yang nyata terhadap
peubah respon
Frekuensi
pemeriksaan
kehamilan
Berat Badan
Total BB 2500 gr BB< 2500 gr
0 0 4 4
1 1 32 33
2 6 39 45
3 68 5 73
4 81 1 82
5 18 0 18
Total 174 81 255
Peubah B Wald Nilai p
Jarak kelahiran (X3) -3.015 20.507 0.000
Frek pemeriksaan
kehamilan (X7)
-2.872 26.790 0.000
Constant 13.028 18.423 0.000
7
Berdasarkan uji G dan uji Wald yang
menyatakan bahwa seluruh peubah-peubah
penjelas tersebut nyata, maka dapat dibentuk
model logit sebagai berikut:
g(x) = 13.028 3.015X
3
2.872X
7
Berdasarkan model logit di atas dapat
dilakukan analisis secara umum bahwa untuk
peningkatan jarak kelahiran sebesar satu tahun
akan menyebabkan dugaan bayi terkena
BBLR menurun. Begitu juga dengan
Frekuensi pemeriksaan kehamilan, setiap
peningkatan frekuensi pemeriksaan kehamilan
sebesar satu kali akan menyebabkan dugaan
bayi terkena BBLR menurun. Pernyataan
bahwa dugaan terkena BBLR akan menurun
pada masing-masing peubah penjelas dapat
dilihat dari tanda minus pada model logit
tersebut.
Interpretasi Koefisien
Interpretasi koefisien parameter
dalam regresi logistik akan lebih mudah
dilihat dari nilai rasio oddsnya. Nilai dugaan
dan selang kepercayaan 90% dapat dilihat
pada Tabel 5.
Tabel 5 Nilai dugaan dan selang kepercayaan
rasio odds
Dugaan rasio odds untuk peubah Jarak
kelahiran (X3) dapat dikatakan bahwa
peningkatan jarak kelahiran sebesar satu tahun
akan menyebabkan dugaan untuk terkena
BBLR menurun sebesar 0.049 kali. Dalam
hal ini, peluang mendapatkan bayi BBLR
untuk jarak kelahiran lebih rendah satu tahun
yaitu 20 kali lebih besar. Berdasarkan tingkat
kepercayaan 90%, Setiap peningkatan satu
tahun jarak kelahiran akan menyebabkan
kemungkinan terkena BBLR menurun antara
0.016 sampai 0.147 kali. Hal ini dimaksudkan
bahwa jarak kelahiran yang terlalu dekat dapat
menyebabkan BBLR karena kondisi fisik
maupun janin ibu masih belum optimal dan
pemenuhan kebutuhan zat-zat gizi belum
optimal.
Peubah Frekuensi pemeriksaan
kehamilan (X7) memiliki nilai dugaan rasio
odds sebesar 0.057 kali. Hal ini berarti bahwa
peningkatan frekuensi pemeriksaan kehamilan
sebesar satu kali akan menyebabkan dugaan
bayi terkena BBLR menurun sebesar 0.057
kali atau dapat dikatakan bahwa peluang
mendapatkan bayi BBLR untuk Frekuensi
pemeriksaan lebih rendah satu kali yaitu 17
kali lebih besar. Berdasarkan tingkat
kepercayaan 90%, Setiap peningkatan satu
kali pemeriksaan kehamilan akan
menyebabkan kemungkinan terkena BBLR
menurun antara 0.023 sampai 0.141 kali.
Semakin sering melakukan pemeriksaan
kehamilan maka semakin mengerti masalah-
masalah selama hamil sehingga
meminimalisir kejadian BBLR.
Hasil Evaluasi Keakuratan Model
Keakuratan pendugaan model atau
ketepatan prediksi model yang diperoleh dari
hasil analisis regresi logistik biner dapat
diketahui melalui tabel klasifikasi. Langkah
awalnya melakukan evaluasi terhadap
keseluruhan model terlebih dahulu dengan
melihat ketepatan klasifikasinya kemudian
mencari validasi modelnya. Tabel klasifikasi
dari keseluruhan model dapat dilihat pada
Tabel 6 berikut.
Tabel 6 Klasifikasi keseluruhan model BBLR
(cut off 0.5)
Aktual
Prediksi Model
%
Benar
BB 2500 gr BB < 2500 gr
BB 2500 gr 169 5 97.1
BB < 2500 gr 8 73 90.1
% CCR Keseluruhan 94.9
Gambar 7 Kurva keseluruhan model ROC
Berdasarkan Tabel 6 dengan cut off 0.5
terlihat bahwa total klasifikasi yang tepat dari
255 bayi adalah sebanyak 242 bayi atau
94.90%. Luas daerah di bawah kurva
keseluruhan model ROC yaitu 0.949.
Peubah
Dugaan Rasio
Odds
SK 90%
Lower
Upper
Jarak kelahiran (X3) 0.049 0.016 0.147
Frekuensi
pemeriksaan
kehamilan (X7) 0.057 0.023 0.141
8
Tabel 7 Klasifikasi validasi model BBLR (cut
off 0.5)
Aktual
Prediksi Model
% Benar
BB 2500 gr BB < 2500 gr
BB 2500 gr 39 4 90.7
BB < 2500 gr 1 26 96.3
% CCR Keseluruhan 92.9
Gambar 8 Kurva ROC validasi model BBLR
Tabel 7 di atas merupakan contoh
ketepatan klasifikasi untuk validasi model.
sedangkan untuk pengulangannya dapat
dilihat pada Lampiran 5. Berdasarkan Tabel 7
dengan cut off 0.5 terlihat bahwa total
klasifikasi yang tepat dari 70 bayi adalah
sebanyak 65 bayi atau 92.90%. Luas daerah di
bawah kurva keseluruhan model ROC yaitu
0.921.
Tabel 8 Hasil validasi model 100 kali
pengulangan
Tabel 8 menampilkan perbandingan antara
persentase CCR dan kurva ROC untuk nilai
rata-rata, nilai maksimum dan nilai minimum
hasil validasi model yang diulang sebanyak
100 kali. Berdasarkan Tabel 8 di atas dapat
disimpulkan bahwa ketepatan klasifikasi dari
validasi model (cut off = 0.5) untuk jumlah
rata-rata sebesar 77 bayi, nilai rata-rata yaitu
95.81% untuk CCR dan 0.951 atau 95.1%
untuk kurva ROC. Selain itu nilai maksimum
dan minimum dari CCR yaitu 100% dan
90.90% sedangkan nilai maksimum dan
minimum dari kurva ROC yaitu 1 (100%) dan
0.893 (89.3%).
PENUTUP
Kesimpulan
Faktor - faktor yang berpengaruh secara
signifikan terhadap berat bayi lahir rendah
(BBLR) di Puskesmas Klakah, Lumajang
Jawa Timur dengan taraf nyata 10% adalah
jarak kelahiran dan frekuensi pemeriksaan
kehamilan. Berdasarkan tabel klasifikasi dan
kurva ROC dengan cut off =0.5, didapatkan
model yang konsisten (akurat) artinya model
yang didapatkan dari keseluruhan data dan
dari validasi data tidak berbeda jauh atau
hampir sama.
Saran
Saran yang dapat diberikan untuk
penelitian selanjutnya adalah memperluas
obyek penelitian misalnya di rumah sakit.
Selain itu memperbanyak jumlah contoh serta
jumlah peubah atau variabel yang diambil
agar diharapkan dapat mengetahui faktor -
faktor lain yang mempengaruhi Berat Bayi
Lahir Rendah (BBLR).
DAFTAR PUSTAKA
Agresti A. 1990. Categorical Data Analysis.
New Jersey: John Wiley and Sons.
Aunuddin. 1989. Analisis Data. Bogor : PAU
Ilmu Hayat IPB.
Hosmer DW, Lemeshow S. 2000. Applied
Logistic Regression. Ed ke-2. New York :
John Wiley and Sons.
Manuaba, Ida Bagus Gde. 1998. Penyakit
Kandungan dan KB untuk Pendidikan
Bidan. Jakarta : EGC.
McCullagh, P. and Nelder, JA. 1983.
Generalized Linear Models. London :
Chapman Hall.
Puskesmas Klakah. 2010. Survei Demografi
Kesehatan Indonesia. Lumajang : Pusat
data Depkes.
Setyowati T. 1996. Faktor-faktor yang
Mempengaruhi Bayi Lahir dengan Berat
Badan Rendah (Analisa data SDKI
1994). http://digilib.litbang.depkes.go.id.
[18 Mei 2011].
Wibowo N. 1997. Risiko dan pencegahan
kelahiran prematur. Jakarta : Balai
Penerbit FK UI.
Wikipedia. 1996. Pedoman dan Tata Cara
Penetapan Wilayah Terpencil.
Tabel
klasifikasi
(%CCR)
Kurva
ROC n
Rata-rata 95.81 0.951 77
nilai
maksimum 100 1
nilai
minimum 90.9 0.893
9
http://www.wikiapbn.org/artikel/Wilayah
_Terpencil. [9 Agustus 2011].
Yakubavich HS. 1998. Maternal Education as
A Modifier of the Association Between
Low Birth Weigth and Infant Mortality.
International Journal of Epidemiology, 17
(2) : 189-196.
Yushananta. 2001. Perawatan Bayi Beresiko
Tinggi. Jakarta : Gramedia Pustaka Utama.
LAMPIRAN
11
Lampiran 1 Keterangan peubah-peubah pada data BBLR (Berat Bayi Lahir Rendah)
Peubah Kategori Keterangan
Y Status BBLR 0 Bukan BBLR
1 BBLR
X1 Usia Ibu Numerik (Tahun)
X2 Jenis Kelamin Bayi 0 Laki-laki
1 Perempuan
X3 Jarak_Kelahiran Numerik (Tahun)
X4 Jumlah_Anak Numerik (Anak)
X5 Pekerjaan_Ibu 0 Tidak Bekerja
1 Bekerja
X6 Pendidikan_Ibu 0
Pendidikan Tinggi (SMA/SMK,
Diploma/Sarjana)
1 Pendidikan Rendah (TS, SD, SMP)
X7 Frek_Pemeriksaan Kehamilan Numerik
X8 Lokasi tempat tinggal 0
Daerah tidak terpencil (Mlawang, Klakah,
Tegal Randu, Ranu Pakis, Papringan, Duren,
Sumber Wringin, Sruni, Kebonan dan Kudus)
1 Daerah terpencil (Sawaran Lor dan Tegal Ciut)
Lampiran 2 Korelasi antar peubah penjelas
Uji korelasi Spearman dan uji korelasi Pearson
Y X1 X3 X4 X6 X7
Y 1 -0.016 -0.783 0.095 0.113 -0.776
X1 -0.016 1 0.111 0.642 -0.125 0.097
X3 -0.783 0.111 1 -0.059 -0.115 0.649
X4 0.095 0.642 -0.059 1 0.009 -0.018
X6 0.113 -0.125 -0.115 0.009 1 -0.230
X7 -0.776 0.097 0.649 -0.018 -0.230 1
12
Lampiran 3 Contoh perhitungan nilai peluang untuk model regresi logistik biner
Model terbaik yang dapat dibentuk yaitu:
()
=
exp [gX]
1+exp [g()]
dimana g(x) = 13.028 3.015X
3
2.872X
7
Misalkan diketahui di kecamatan klakah terdapat seorang ibu melahirkan bayi dengan
nilai peubah Jarak kelahiran sebesar 2 tahun dan nilai peubah Frekuensi pemeriksaan kehamilan
(X
7
) sebesar 3 kali maka akan didapatkan dugaan peluang logitnya sebesar 1.618 satuan. Sehingga
dapat disimpulkan bahwa ibu tersebut akan masuk ke dalam kategori ibu yang melahirkan bayi
BBLR (y=1) karena nilai peluang yang didapatkan lebih tinggi dari nilai cut off 0.5 yang
digunakan untuk menghitung keakuratan model.
Lampiran 4 Hasil regresi logistik biner dengan delapan peubah penjelas
Peubah
B S.E. Wald df Sig. Exp(B)
90% C.I.for
EXP(B)
Lower Upper
Usia_ibu .085 .083 1.055 1 .304 1.089 .950 1.248
Pendidikan_ibu(1) .602 .785 .587 1 .443 1.825 .502 6.640
Pekerjaan_ibu(1) -.467 .791 .349 1 .555 .627 .171 2.302
Jumlah_anak .005 .616 .000 1 .994 1.005 .364 2.770
Jarak_kelahiran -3.015 .666 20.507 1 .000 .049 .016 .147
Jenis_kelamin(1) -.230 .738 .097 1 .756 .795 .236 2.676
Frekuensi_pemeriksaan_ke
hamilan
-2.872 .555 26.790 1 .000 .057 .023 .141
Lokasi_tempat_tinggal(1) -.490 1.340 .134 1 .715 .613 .068 5.552
Constant 13.028 3.035 18.423 1 .000 455002.432
13
Lampiran 5 Hasil validasi model menggunakan tabel klasifikasi (CCR) dan kurva ROC sebanyak
100 kali pengulangan.
NO. %CCR ROC n
NO. %CCR ROC n
NO. %CCR ROC N
1 92.9 0.921 70
38 100 1 78
75 94.9 0.923 78
2 93.5 0.932 62
39 94.9 0.938 78
76 96.7 0.964 90
3 94.9 0.941 79
40 97.4 0.971 77
77 93.7 0.932 79
4 96.5 0.961 85
41 100 1 70
78 98.5 0.988 66
5 95 0.953 80
42 97.4 0.968 76
79 96.1 0.952 77
6 93.8 0.935 80
43 95.5 0.953 67
80 98.6 0.974 70
7 96.3 0.963 81
44 97.6 0.976 85
81 95.7 0.951 92
8 90.9 0.893 77
45 97 0.929 67
82 95.9 0.952 74
9 97.9 0.974 94
46 97.6 0.973 82
83 96.3 0.944 80
10 97.2 0.968 71
47 91.4 0.908 81
84 95.8 0.959 71
11 93.1 0.914 72
48 95.5 0.954 67
85 93.5 0.934 77
12 95.1 0.942 81
49 96.9 0.967 65
86 98.6 0.976 73
13 96.7 0.965 60
50 95.2 0.946 83
87 94.3 0.934 70
14 92.9 0.926 85
51 94.4 0.924 71
88 92 0.917 88
15 96.1 0.961 76
52 98.4 0.979 64
89 98.8 0.991 84
16 95.8 0.945 72
53 97 0.966 66
90 96.3 0.946 81
17 97.3 0.969 74
54 98.7 0.98 79
91 97.8 0.971 89
18 93.3 0.93 75
55 93.6 0.934 78
92 97.4 0.967 78
19 92 0.93 75
56 94.1 0.928 68
93 97.5 0.972 79
20 96.3 0.958 81
57 96 0.96 75
94 95.7 0.944 69
21 95.2 0.955 84
58 93.5 0.911 93
95 94.7 0.928 75
22 96.5 0.956 86
59 97.2 0.979 72
96 93 0.92 71
23 93.8 0.943 80
60 95.2 0.943 83
97 94.6 0.935 74
24 93.5 0.934 92
61 97.3 0.963 75
98 95.7 0.947 69
25 97.1 0.98 68
62 95.7 0.947 69
99 96.3 0.963 80
26 94.1 0.934 68
63 97.4 0.962 77
100 98.6 0.989 69
27 95.8 0.972 71
64 98.7 0.99 77
28 97.6 0.971 82
65 96.3 0.954 81
29 98.6 0.989 72
66 91.7 0.896 72
30 96.1 0.925 76
67 95.3 0.926 86
31 95.7 0.942 69
68 96.1 0.952 77
32 92.7 0.916 82
69 97.5 0.98 79
33 95.1 0.943 81
70 97.6 0.969 83
34 94.2 0.937 86
71 97.4 0.962 77
35 93.9 0.917 82
72 96.2 0.948 79
36 94.4 0.922 71
73 100 1 79
37 95.9 0.952 73
74 94.9 0.952 78