IDENTIFIKASI FAKTOR-FAKTOR YANG MEMPENGARUHI BERAT

BAYI LAHIR RENDAH (BBLR) MENGGUNAKAN PENDEKATAN

REGRESI LOGISTIK BINER
(Studi Kasus : Puskesmas Kecamatan Klakah - Lumajang, Jawa Timur)











ZORAYA DIAN PUSPITASARI




















DEPARTEMEN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2011





RINGKASAN

ZORAYA DIAN PUSPITASARI. Identifikasi Faktor-Faktor yang Mempengaruhi Berat Bayi
Lahir Rendah (BBLR) Menggunakan Pendekatan Regresi Logistik Biner. Dibimbing oleh YENNI
ANGRAINI, S.Si, M.Si dan LA ODE ABDUL RAHMAN, S.Si, M.Si.

Berat Bayi Lahir rendah (BBLR) merupakan masalah kesehatan yang sering dialami pada
sebagian masyarakat. BBLR ditandai dengan berat lahir bayi kurang dari 2500 gram. BBLR
berkaitan dengan tingginya angka kematian bayi dan balita, juga dapat berdampak serius pada
kualitas generasi mendatang, yaitu akan memperlambat pertumbuhan dan perkembangan anak
serta berpengaruh pada penurunan kecerdasan. Kejadian BBLR pada dasarnya berhubungan
dengan faktor ibu antara lain usia ibu, paritas (jumlah anak), jarak kelahiran, pendidikan ibu,
pekerjaan ibu, jenis kelamin bayi, dan frekuensi pemeriksaan kehamilan. Salah satu metode yang
digunakan untuk menganalisis faktor-faktor yang mempengaruhi BBLR yaitu regresi logistik
biner. Metode ini dapat digunakan untuk data yang peubah responnya berskala biner. Peubah
respon yang digunakan dalam penelitian ini berupa data kategorik tentang status BBLR yaitu bayi
terkena BBLR (1) dan bayi tidak terkena BBLR (0). Data yang digunakan dalam penelitian ini
adalah data rekam medik Puskesmas Kecamatan Klakah - Lumajang, Jawa Timur tahun 2010.
Jumlah populasi keseluruhan yaitu 255 responden dengan delapan peubah penjelas dan satu
peubah respon. Hasil analisis dari penelitian ini adalah model regresi logistik biner menghasilkan
nilai ketepatan pengklasifikasian keseluruhan model sebesar 94.90% dan ketepatan validasi model
95.81%. Dari delapan peubah penjelas yang digunakan dalam penelitian ini, terdapat dua peubah
penjelas yang berpengaruh signifikan terhadap status BBLR yaitu peubah jarak kelahiran dan
frekuensi pemeriksaan kehamilan.

Kata kunci: Analisis Regresi Logistik Biner, Berat Bayi Lahir Rendah (BBLR), Faktor-Faktor
BBLR




























IDENTIFIKASI FAKTOR-FAKTOR YANG MEMPENGARUHI BERAT
BAYI LAHIR RENDAH (BBLR) MENGGUNAKAN PENDEKATAN
REGRESI LOGISTIK BINER
(Studi Kasus : Puskesmas Kecamatan Klakah - Lumajang, Jawa Timur)









Oleh :

ZORAYA DIAN PUSPITASARI











Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Statistika pada
Departemen Statistika












DEPARTEMEN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2011





Judul : Identifikasi Faktor-Faktor yang Mempengaruhi Berat Bayi Lahir Rendah
(BBLR) Menggunakan Pendekatan Regresi Logistik Biner
Nama : Zoraya Dian Puspitasari
NRP : G14070051





Menyetujui :

Pembimbing I,






Yenni Angraini, S.Si, M.Si
NIP : 197805112007012001

Pembimbing II,






La Ode Abdul Rahman, S.Si, M.Si









Mengetahui :

Ketua Departemen Statistika
Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Pertanian Bogor






Dr. Ir. Hari Wijayanto, M.Si
NIP : 196504211990021001



Tanggal Lulus :





PRAKATA

Puji syukur penulis panjatkan kehadirat Allah SWT atas segala berkah dan rahmat-Nya
sehingga penulis dapat menyelesaikan karya ilmiah ini. Karya ilmiah ini berjudul Identifikasi
Faktor-Faktor yang Mempengaruhi Berat Bayi Lahir Rendah (BBLR) Menggunakan Pendekatan
Regresi Logistik Biner. Karya ilmiah ini penulis susun sebagai salah satu syarat untuk
mendapatkan gelar Sarjana Statistika pada Departemen Statistika, Fakultas Matematika dan Ilmu
Pengetahuan Alam, Institut Pertanian Bogor.
Penulisan karya ilmiah ini dapat diselesaikan oleh penulis tidak lepas dari dukungan,
bimbingan dan bantuan dari banyak pihak yang sangat berarti bagi penulis. Oleh karena itu, dalam
kesempatan ini penulis menyampaikan ucapan terima kasih kepada:
1. Bapak Ir. Hari Wijayanto, M.Si selaku Ketua Departemen Statistika FMIPA IPB.
2. Ibu Yenni Angraini, M.Si dan Bapak La Ode Abdul Rahman, M.Si selaku dosen
pembimbing yang telah memberikan bimbingan,masukan dan arahan selama penulisan
karya ilmiah ini.
3. Ibu Ir. Indahwati, M.Si selaku dosen penguji luar yang telah memberikan beberapa
masukan dan arahan kepada penulis.
4. Seluruh Dosen dan Staf Pengajar Departemen Statistika yang telah memberikan ilmu dan
wawasan selama penulis menuntut ilmu di Departemen Statistika serta seluruh staf
Departemen Statistika yang telah banyak membantu penulis.
5. Kedua orang tua dan adik-adik yang telah memberikan doa, kasih sayang serta dorongan
baik moril maupun materil.
6. Teman-teman seperjuangan statistika khususnya statistika 44 yang telah bersama-sama
dalam segala suka maupun duka.
7. Lili Puspita, Maya Wulan, Eka Putri, Puspalia Ayudiar, Triyani Oktaria dan Putri Dwi
Andini yang telah memberikan dukungan selama penulis menyelesaikan karya ilmiah ini.
Semoga karya ilmiah ini dapat memberikan manfaat bagi semua pembaca. Amin.








Bogor, Oktober 2011





Zoraya Dian Puspitasari




















RIWAYAT HIDUP

Penulis dilahirkan di Lumajang, Jawa Timur pada tanggal 19 Mei 1989 dari pasangan H.
Puryantoro dan Hj. Nanik Yuniati. Penulis merupakan anak pertama dari empat bersaudara. Tahun
2001 penulis lulus dari SDN Ditotrunan 2 Lumajang, kemudian melanjutkan studi di SLTPN I
Sukodono hingga tahun 2004. Selanjutnya, penulis menyelesaikan pendidikannya di SMAN 2
Lumajang dan lulus pada tahun 2007. Pada tahun yang sama penulis lulus seleksi masuk Institut
Pertanian Bogor melalui jalur USMI. Setelah satu tahun menjalani perkuliahan di TPB, pada tahun
2007 penulis diterima sebagai mahasiswa Departemen Statistika, FMIPA IPB dengan mayor
Statistika dan minor Managemen Fungsional.
Selama mengikuti perkuliahan, penulis berkesempatan menjadi Asisten Dosen Mata Kuliah
Metode Statistika pada tahun ajaran 2009/2010. Penulis juga aktif dalam organisasi
kemahasiswaan Himpunan Profesi Gamma Sigma Beta (GSB), yaitu sebagai staf di Biro
Kesekretariatan Gamma Sigma Beta. Selain itu, penulis aktif dalam beberapa organisasi antara lain
sebagai Staf Divisi Eksternal Gentra Kaheman IPB 2009/2010, Ketua Organisasi Mahasiswa
Daerah (OMDA) Lumajang tahun 2009/2010, Staf Divisi Budaya, Olahraga dan Seni di Ikatan
Mahasiswa Jawa Timur (IMAJATIM) 2009. Selain itu, penulis juga aktif dalam kegiatan
kepanitiaan seperti Sport and Art of Statistics 2009, Statistika Ria 2009, Welcome Ceremony
Statistics (WCS) 2009 dan 2010, Pesta Sains 2009 dan 2010, dan lain-lain. Pada tahun 2009 juga
penulis bergabung dengan Lembaga Bimbingan Belajar Mafia sebagai tenaga pengajar dan
Bendahara. Pada Maret - April 2011, penulis melaksanakan kegiatan praktik lapang di PT.
Pertamina Refinery Unit IV Cilacap, Jawa Tengah.








































DAFTAR ISI

Halaman
DAFTAR GAMBAR ........................................................................................................... viii
DAFTAR TABEL ............................................................................................................... viii
DAFTAR LAMPIRAN ........................................................................................................ viii

PENDAHULUAN ............................................................................................................... 1
Latar Belakang ............................................................................................................... 1
Tujuan ............................................................................................................................ 1

TINJAUAN PUSTAKA ....................................................................................................... 1
Bayi Berat Lahir Rendah (BBLR) ................................................................................... 1
Faktor Faktor Penyebab BBLR ..................................................................................... 1
Analisis Statistika Deskriptif ........................................................................................... 2
Regresi Logistik Biner .................................................................................................... 2
Evaluasi Keakuratan Model ............................................................................................. 3

METODOLOGI .................................................................................................................. 4
Data ............................................................................................................................... 4
Metode ........................................................................................................................... 4

HASIL DAN PEMBAHASAN ............................................................................................ 5
Deskripsi Karakteristik Responden .................................................................................. 5
Model Regresi Logistik Biner .......................................................................................... 6
Interpretasi Koefisien ...................................................................................................... 7
Hasil Evaluasi Keakuratan Model .................................................................................... 7

PENUTUP ........................................................................................................................... 8
Kesimpulan .................................................................................................................... 8
Saran .............................................................................................................................. 8

DAFTAR PUSTAKA .......................................................................................................... 8

LAMPIRAN ........................................................................................................................ 11








DAFTAR GAMBAR

Halaman
1 Kurva ROC ..............................................................................................................................4
2 Persentase berat badan bayi pada data BBLR ............................................................................5
3 Persentase jenis kelamin bayi dari data populasi .......................................................................5
4 Sebaran pendidikan responden .................................................................................................5
5 Sebaran persentase pekerjaan responden (ibu) ..........................................................................5
6 Sebaran persentase lokasi tempat tinggal ..................................................................................6
7 Kurva keseluruhan model ROC ................................................................................................7
8 Kurva ROC validasi model BBLR ............................................................................................8


DAFTAR TABEL
Halaman
1 Tabel kesesuaian klasifikasi .....................................................................................................4
2 Frekuensi jarak kelahiran terhadap berat badan bayi .................................................................6
3 Jumlah frekuensi pemeriksaan kehamilan terhadap berat badan bayi .........................................6
4 Peubah penjelas yang nyata terhadap respon .............................................................................6
5 Nilai dugaan dan selang kepercayaan rasio odds .......................................................................7
6 Klasifikasi keseluruhan model BBLR (Cut Off 0.5)..................................................................7
7 Klasifikasi validasi model BBLR (Cut Off 0.5) ........................................................................8
8 Hasil validasi model 100 kali pengulangan ............................................................................... 8


DAFTAR LAMPIRAN
Halaman
1 Keterangan peubah peubah pada data BBLR ........................................................................ 11
2 Korelasi antar peubah penjelas ............................................................................................... 11
3 Contoh perhitungan nilai peluang untuk model regresi logistik biner ....................................... 12
4 Hasil regresi logistik biner dengan delapan peubah penjelas .................................................... 12
5 Hasil validasi model sebanyak 100 kali pengulangan .............................................................. 13















1



PENDAHULUAN

Latar Belakang
Kelahiran bayi dengan berat badan lahir
rendah saat ini masih merupakan masalah
penting pada bidang reproduksi manusia.
Menurut WHO, Berat Bayi Lahir Rendah
(BBLR) adalah bayi yang mempunyai berat
badan lahir kurang dari 2500 gram. Kelahiran
bayi BBLR merupakan penyumbang besar
pada kesakitan dan kematian neonatal jangka
pendek maupun jangka panjang. Neonatal
adalah masa kehidupan pertama diluar rahim
sampai dengan usia 7 hari setelah bayi lahir
(Wibowo 1997).
Menurut perkiraan WHO, pada tahun 1995
hampir semua (98%) dari lima juta kematian
neonatal terjadi di negara berkembang atau
berpenghasilan rendah. Lebih dari dua per tiga
kematian adalah BBLR yaitu berat badan lahir
kurang dari 2500 gram. Secara global
diperkirakan terdapat 25 juta persalinan per
tahun dimana 17% diantaranya adalah BBLR
dan hampir semua terjadi di negara
berkembang.
Di Propinsi Jawa Timur, BBLR masih
menjadi penyebab kematian neonatal tertinggi
pada tahun 2001 sebesar 36.23% dan 2002
sebesar 34.72%. Sedangkan di RSU Dr.
Soetomo pada tahun 2002 dari 232 kasus
kematian neonatal sebesar 78.88% merupakan
berat bayi lahir rendah (BBLR) dan pada
tahun 2003, 62.87% dari 307 kasus kematian
neonatal merupakan BBLR. Resiko kematian
BBLR sepuluh kali lipat dibanding bayi
normal. Resiko akan semakin bertambah jika
bayi semakin kecil (Setyowati 1996).
Salah satu wilayah di Jawa Timur yaitu
wilayah Lumajang khususnya di Puskesmas
Kecamatan Klakah, didapatkan data kasus
berat bayi lahir rendah pada tahun 2009
sebanyak 24 % dari 205 jumlah kelahiran,
Sedangkan pada tahun 2010 mengalami
peningkatan yaitu 31.76% dari 255 jumlah
kelahiran (Puskesmas Klakah 2010).
Jika BBLR tidak ditangani dengan baik,
dapat mengakibatkan timbulnya masalah pada
semua sistem organ tubuh meliputi gangguan
pada pernafasan, gangguan pada sistem
pencernaan (lambung kecil), gangguan sistem
perkemihan (ginjal belum sempurna),
gangguan sistem persyarafan (respon
rangsangan lambat). Selain itu, BBLR dapat
mengalami gangguan mental dan fisik serta
tumbuh kembang sehingga memerlukan
perawatan yang tepat agar tidak terjadi hal-hal
yang membahayakan bayi. Melihat masih
tingginya kejadian BBLR, maka penelitian
mengenai faktor-faktor yang mempengaruhi
berat bayi lahir rendah (BBLR) perlu untuk
dilakukan.

Tujuan
Tujuan dari penelitian ini adalah
mengetahui faktor-faktor yang mempengaruhi
berat bayi lahir rendah (BBLR) menggunakan
pendekatan regresi logistik biner (Studi kasus
di Puskesmas Kecamatan Klakah Lumajang,
Jawa Timur).

TINJAUAN PUSTAKA

Berat Bayi Lahir Rendah (BBLR)
BBLR telah didefinisikan oleh WHO
sebagai bayi lahir dengan berat badan kurang
dari 2500 gram. Definisi ini didasarkan pada
hasil observasi epidemiologi yang
membuktikan bahwa bayi lahir dengan berat
kurang dari 2500 gram mempunyai kontribusi
terhadap hasil kesehatan yang buruk. Tahun
1961 WHO mengganti istilah prematur
dengan Low Birth Weight Infant, sedangkan di
Indonesia dinamakan Berat Bayi Lahir
Rendah (BBLR) karena disadari semua bayi
dengan berat badan kurang dari 2500 gram
pada waktu lahir merupakan bayi prematur
(Yushananta 2001).
Menurut Manuaba (1998) bayi dengan
berat badan lahir rendah dapat dibagi menjadi
dua golongan yaitu:
1. Prematuritas murni.
Bayi lahir dengan umur kehamilan
kurang dari 37 minggu dan mempunyai
berat badan sesuai dengan berat badan untuk
masa kehamilan atau disebut Neonatus
Kurang Bulan Sesuai Masa Kehamilan
(NKBSMK).
2. Dismaturitas
Adalah bayi lahir dengan berat badan
kurang dari berat badan seharusnya untuk
masa kehamilan.

Faktor-Faktor Penyebab BBLR
Faktor-faktor yang mempengaruhi
terjadinya BBLR antara lain:
1. Faktor Ibu
a. Biomedis dan Riwayat Persalinan.
Faktor biomedis adalah faktor-faktor yang
memanfaatkan penerapan metode biologis
tubuh. Adapun faktor - faktor yang
mempengaruhi biomedis dan riwayat
persalinan antara lain usia ibu, jumlah anak,
jarak kelahiran (Yakubavich 1998). Bayi
dengan berat badan lahir rendah terjadi pada
ibu ibu yang berumur kurang dari 20 tahun
dan lebih dari 35 tahun. Dalam hal ini
2



hendaknya ibu - ibu merencanakan kehamilan
dan persalinannya pada kurun waktu umur
reproduksi sehat (21-34 tahun).
Paritas adalah jumlah anak yang
dikandung dan dilahirkan oleh ibu. Jumlah
anak yang beresiko melahirkan BBLR adalah
jumlah anak nol yaitu bila ibu pertama kali
hamil dan jumlah anak lebih dari empat. Hal
ini dapat berpengaruh pada kehamilan
berikutnya karena kondisi rahim ibu belum
optimal atau masih lemah untuk hamil
kembali.
Jarak kelahiran yang terlalu dekat (kurang
dari 2 tahun) akan menyebabkan ibu
melahirkan bayi BBLR. Hal ini dikarenakan
kondisi janin ibu belum pulih atau belum
optimal.

b. Faktor sosial ekonomi.
Adapun faktor - faktor yang berpengaruh
terhadap sosial ekonomi yaitu pendidikan dan
pekerjaan ibu (Yakubavich 1998). Pendidikan
secara tidak langsung akan mempengaruhi
hasil suatu kehamilan khususnya terhadap
kejadian bayi dengan berat badan lahir rendah.
Hal ini dikaitkan dengan pengetahuan ibu
dalam memelihara kondisi kehamilan serta
upaya mendapatkan pelayanan dan
pemeriksaan kesehatan selama kehamilan.
Pekerjaan fisik banyak dihubungkan
dengan peranan seorang ibu yang mempunyai
pekerjaan tambahan di luar pekerjaan rumah
tangga dalam upaya meningkatkan
pendapatan keluarga. Beratnya pekerjaan ibu
selama kehamilan dapat menimbulkan
terjadinya prematuritas karena ibu tidak dapat
beristirahat dan hal tersebut dapat
mempengaruhi janin yang sedang dikandung.

c. Faktor Pelayanan Atenatal
Menurut Yakubavich (1998), Faktor yang
mempengaruhi pelayanan atenatal yaitu
frekuensi pemeriksaan kehamilan. Frekuensi
pemeriksaan kehamilan yaitu banyaknya
pemeriksaan yang dilakukan oleh ibu selama
proses kehamilan. Frekuensi pemeriksaan
kehamilan ini minimal harus dilaksanakan
selama 4 kali sampai menjelang kelahiran
bayi. Jika kurang dari 4 kali maka rentan
terhadap BBLR. Jika jarang memeriksakan
kehamilannya maka responden tidak
mengetahui permasalahan-permasalahan yang
ada selama kehamilan sehingga bisa
menyebabkan bayi BBLR.




2. Faktor Janin
Prematur, hidramnion (air ketuban),
kehamilan kembar/ganda (gemeli), kelainan
kromosom (Yakubavich 1998).

3. Faktor Lingkungan
Tempat tinggal di dataran tinggi, radiasi,
sosio-ekonomi dan paparan zat-zat racun
dapat menyebabkan ibu melahirkan bayi
BBLR karena oksigen yang tersedia masih
rendah (Yakubavich 1998).

Analisis Statistika Deskriptif
Statistika deskriptif adalah suatu metode
penyajian segugus data untuk memberikan
informasi yang berguna sehingga mengarah
kepada penjelasan dan penafsiran (Aunuddin
1989).

Regresi Logistik Biner
Regresi logistik biner adalah analisis
statistika yang digunakan untuk menjelaskan
hubungan antara peubah respon yang berskala
kategori biner dengan satu atau lebih peubah
penjelas yang berskala kategori atau kontinu.
Pada model regresi logistik tidak diperlukan
adanya pengujian asumsi (Hosmer &
Lemeshow 2000) yaitu uji normalitas dan uji
asumsi klasik. Selain itu, di dalam regresi
logistik juga tidak diperbolehkan adanya
multikolinearitas (peubah penjelas yang saling
berkorelasi) karena dengan adanya
multikolinearitas galat baku dari koefisien
regresinya akan membesar sehingga
kemungkinan hasil uji wald dari masing-
masing peubah penjelas tidak signifikan.
Hosmer dan Lemeshow (2000)
menjelaskan bahwa model regresi logistik
dibentuk dengan menyatakan nilai E (Y=1|x)
sebagai (x), dimana (x) dinotasikan sebagai
berikut:
=
exp(g()
1 +exp(g()


dengan g(x) =
0
+
1
x
1
++
p
x
p

dimana
0
= konstanta

= koefisien regresi logistik

i = 1,2,,p
p = banyak peubah penjelas
Fungsi regresi di atas berbentuk non linier
sehingga untuk membuatnya menjadi fungsi
linier dilakukan transformasi logit sebagai
berikut (Agresti 1990):

logit[()] = ln
(x)
1(x)
= g(x)

3



Secara umum jika sebuah peubah berskala
nominal atau ordinal mempunyai k
kemungkinan nilai, maka diperlukan k-1
peubah boneka (dummy variable). Sehingga
model transformasi logitnya menjadi:

g(x) =
0
+
1

1
+ +

dimana :

= peubah bebas ke-j dengan tingkatan

k
j
-1 = jumlah peubah dummy

= koefisien peubah dummy

u = 1,2,..,

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