A.

Definisi Analisis Regresi Logistik

Analisis Regresi dalam statistika adalah salah satu metode untuk menentukan hubungan
sebab-akibat antara satu variable dengan variabel-variabel yang lain. Variabel “penyebab”
disebut dengan bermacam-macam istilah, di antaranya seperti variable penjelas, variable
eksplanatorik, variable independen, atau secara bebas, variabel X (karena seringkali
digambarkan dalam grafik sebagai absis, atau sumbu X). Variabel “terkena akibat” dikenal
sebagai variabel yang dipengaruhi, variabel dependen, variable terikat, atau variabel Y. Kedua
variable ini dapat merupakan variable acak (random), namun variabel yang dipengaruhi harus
selalu variable acak. Analisis regresi adalah salah satu analisis yang paling popular dan luas
pemakaiannya. Hampir semua bidang ilmu yang memerlukan analisis sebab-akibat boleh
dipastikan mengenal analisis ini.
Analisis regresi logistik adalah suatu model matematik yang digunakan untuk
mempelajari hubungan satu atau beberapa variabel independen dengan satu variabel dependen
yang bersifat dikotomi (binary). Variabel binary adalah variabel yang hanya memiliki dua
nilai, misalnya sakit/sehat, merokok/tidak merokok, BBLR/normal, dll.
Adapun regresi logistik (kadang disebut model logistic atau model logit) merupakan
salah satu bagian dari analisis regresi, yang digunakan untuk memprediksi probabilitas
kejadian suatu peristiwa, dengan mencocokkan data pada fungsi logit kurva logistik. Metode
ini merupakan model linear umum yang digunakan untuk regresi binomial. Seperti analisis
regresi pada umumnya, metode ini menggunakan beberapa variable bebas, baik numeric
maupun kategori. Misalnya, probabilitas bahwa orang yang menderita serangan jantung pada
waktu tertentu dapat diprediksi dari informasi usia, jenis kelamin, dan indeks massa tubuh.
Regresi logistik juga digunakan secara luas pada bidang kedokteran, ilmu sosial, dan bahkan
pada bidang pemasaran, seperti prediksi kecenderungan pelanggan untuk membeli suatu
produk atau berhenti berlangganan.
Regresi logistik tidak memerlukan asumsi normalitas, heteroskedastisitas, dan
autokorelasi, dikarenakan variabel terikat yang terdapat pada regresi logistik merupakan
variabel dikotomi (0 dan 1), sehingga residualnya tidak memerlukan ketiga pengujian tersebut.
Untuk asumsi multikolinearitas, karena hanya melibatkan variabel-variabel bebas, maka masih
perlu untuk dilakukan pengujian. Untuk pengujian multikolinearitas ini dapat digunakan uji
kebaikan sesuai (goodness of fit test), yang kemudian dilanjutkan dengan pengujian hipotesis
(uji χ2), guna melihat variabel-variabel bebas mana saja yang signifikan, sehingga dapat tetap
digunakan dalam penelitian. Selanjutnya, di antara variabel-variabel bebas yang signifikan,
dapat dibentuk suatu matriks korelasi, dan apabila tidak terdapat variabel-variabel bebas yang
saling memiliki korelasi yang tinggi, maka dapat disimpulkan bahwa tidak terdapat gangguan
multikolinearitas pada model penelitian (David W. Hosmer, 2011).

Contoh 1. Gambaran Sebaran kemampuan Melakukan Treadmill dihubungkan dengan

Kejadian Serangan Jantung
 B. Fungsi Logistik
Fungsi logistik merupakan fungsi matematik dengan rumus:

Pada variasi nilai z dari -4 sampai dengan + 4 dapat digambarkan:

Pada saat nilai z=-4 maka f(z)=0 dan pada saat nilai z=+4 maka f(z)=1. Jadi nilai f(z)
akan berkisar antara 0 dan 1. Sifat ini yang membuat fungsi logistik populer, model logistik
dapat digunakan untuk menggambarkan probabilitas yang selalu memliki nilai antara 0 dan 1.
Pada epidemiologi, probabilitas ini dikenal sebagai risiko untuk terjadinya penyakit. Jadi,
dengan menggunakan fungsi logistik, kita pasti akan memperoleh perkiraan risiko antara 0 dan
1. Kita tidak mungkin memperoleh perkiraan risiko lebih kecil dari 0 atau lebih besar dari 1.
Alasan lain mengapa fungsi logistik ini populer untuk analisis data epidemiologi adalah
bentuk kurva logistik. Seperti terlihat pada gambar 6.1, nilai f(z) meningkat secara perlahan
pada saat z berubah dari -4 ke arah 0, kemudian f(z) meningkat secara cepatdan kemudian
peningkatannya kembali perlahan pada saat f(z) mendekati 1. Hasilnya adalah kurva yang
berbentuk S.
Kurva yang berbentuk S ini dianggap cocok untuk menggambarkan peningkatan risiko
terjadinya keluaran pada penelitian epidemiologi, jika z dianggap sebagai indeks yang
menggabungkan efek dari berbagai faktor risiko dan f(z) merupakan risiko pada nilai z tertentu.
Bentuk kurva S menunjukkan efek z pada risiko individu minimal pada nilai z kecil sampai
satu batas ambang tercapai. Kemudian risiko meningkat pada jangkauan z tertentu dan tetap
tinggi saat risiko mendekati 1 dan nilai z sudah cukup besar.
Menurut ahli epidemiologi, konsep batas ambang ini dapat digunakan pada berbagai
kadaan penyakit. Jadi bentuk kurva logistik dianggap dapat digunakan secara luas pada analisis
multivariabel pada penelitian epidemiologi.

C. Jenis dan Persamaan Regresi Logistik

Syarat penggunaan regresi logistik
1. Variabel dependen : katagorik
2. Variabel independen : katagorik dan numerik (kategorik > numerik )
Jenis regresi logistik
1. Sederhana (simple) hanya satu variabel independen.
2. Ganda (multiple) lebih dari satu variabel independen.
Persamaan Regresi Logistik

Logit (Y )  a  b1 x1  ....  bk xk

1 1
P(Y )  (logitY )

1  Exp 1  Exp( a  b1 x1 .....  bk xk )

OR  Exp(b )  Exponensial (b )  e(b )

Keterangan :
- P(Y) : Probabilitas seorang individu untuk mengalami Y=1
- OR (Odds Ratio) : Risiko kelompok X=1 untuk mengalami Y=1 dibandingkan dengan
kelompok X=0

D. Fungsi Regresi Logistik Ganda

1. Menetapkan model matematik yang paling baik untuk menggambarkan hubungan
variabel independen dan variabel dependen.
2. Menggambarkan hubungan kuantitatif antara variabel independen (xi) dengan
variabel dependen (y) setelah dikontrol oleh variabel lain.
3. Mengetahui variabel (xi) mana yang penting/dominan dalam memprediksi variabel
dependen (y).
4. Mengetahui adanya interaksi pada variabel independen (xi).
E. Aplikasi Regresi Logistik
1. Aplikasi pada desain studi Cohort
- Dapat menghitung Risiko Individu (probabilitas)

1
P(Y )   ( a  b1 x1 ....  bk xk )
1  Exp

- Menghitung Risiko Relatif (RR)

P1 (Y )
RR 
P0 (Y )

- Contoh aplikasi penggunaan RR

2. Desain studi Case-control/Cross-Sectional

- Menghitung Odds Ratio (OR)

OR  Exp(b)

- Contoh aplikasi penggunaan OR

F. Metode Pemilihan Variabel Independen
Metode untuk melakukan pemilihan variabel independen dalam analisis multivariat
regresi linier ganda, yaitu:
a). ENTER, memasukkan semua variabel independen dengan serentak satu langkah, tanpa
melewati kriteria kemanaan statistik tertentu. Metode ini yang tepat/sering digunakan,
karena dalam pemodelan kita dapat melakukan pertimbangan aspek substansi.
b). FORWARD, memasukkan satu persatu variabel dari hasil pengkorelasian variabel dan
memenuhi kriteria kemaknaan statistik untuk masuk ke dalam model, sampai semua
variabel yang memenuhi kriteria tersebut masuk ke dalam model. Variabel yang masuk
pertama kali adalah variabel yang mempunyai korelasi parsial terbesar dengan variabel
dependen dan yang memenuhi kriteria tertentu untuk dapat masuk model. Korelasi
parsial adalah adalah korelasi antara variabel independen dengan dependen, kriteria
variabel yang dapat masuk P-in (PIN) adalah 0,005 artinya variabel yang dapat masuk
model bila variabel tersebut mempunyai nilai P lebih kecil atau sama dengan 0,05.
c). BACKWARD, memasukkan semua variabel ke dalam model, tetapi kemudian satu
persatu variabel independen dikeluarkan dari model berdasarkan kriteria kemaknaan
tertentu, variabel yang pertama kali dikeluarkan adalah variabel yang mempunyai
korelasi parsial terkecil dengan variabel dependen. Kriteria pengeluaran atau P-out
(POUT) adalah 0,10, artinya variabel yang mempunyai nilai P lebih besar atau sama
dengan 0,10 dikeluarkan dari model.
d). STEPWISE, model ini merupakan kombinasi antara metode backward dan Forward.
Seperti halnya forward, metode Stepwise dimulai dari tanpa variabel sama sekali di
dalam model. Lalu satu variabel hasil pengkorelasian variabel dimasukkan ke dalam
model. Lalu satu persatu variabel hasil pengkorelasian dimasukkan ke dalam model dan
 dikeluartkan dari model dengan kriteria tertentu. Variabel yang pertama masuk sama
dengan metode forward yakni variabel yang mempunyai korelasi parsial terbesar.
Selanjutnya setelah masuk, variabel pertama ini diperiksa lagi apakah harus dikeluarkan
dari model menurut kriteria pengeluaran seperti metode backward.
e). REMOVE, mengeluarkan semua variabel independen dengan serentak satu langkah,
tanpa melewati kriteria kemaknaan statistik tertentu.

G. Jenis Pemodelan Multivariat Regresi Logistik

1. Regresi Logistik Model Prediksi
Model yang terdiri beberapa variabel independen yang dianggap terbaik untuk
memprediksi kejadian variable dependen.

Mengetahui Faktor-Faktor yang Berhubungan dengan Kejadian BBLR di Kabupaten

X tahun 2013

Age (years)
Lwt (pounds)
Race (0 (non-white), 1 (white)) Low (0 (non-bblr), 1 (bblr))
Smoke (0 (non-smoking), 1 (smoking))
Ptl (times)
Ht (0 (no),1 (yes))
Ui (0 (no),1 (yes))
Ftv (times)

Langkah Pemodelan
a. Seleksi bivariat; menggunakan uji-statistik bivariat seperti biasa

1. Uji – t, untuk variabel age-low, lwt-low, ptl-low, ftv-low

Langkah-langkah dengan SPSS
- Analyze  Compare Means  Independent-Samples T Test
- Kotak dialog Independent-Samples T Test
Test variable(s): masukkan variabel independen jenis data kontinu
Grouping variable: masukkan variabel dependen
Output SPSS
 2. Uji chi-square, untuk variabel smoke-low, ht-low, ui-low
Langkah-langkah dengan SPSS
- Analyze  Regression  Binary Logistic
- Kotak dialog Logistic Regression
Covariates : masukkan saru per satu variabel independen
Dependent : masukkan variabel dependen

Output SPSS
Variabel Race
Variabel Ht

Variabel Ui
Variabel Smoke

3. Uji regresi logistik sederhana, untuk variabel smoke-low, ht-low, ui-low, race-low
Langkah-langkah dengan SPSS
- Analyze  Regression  Binary Logistic
- Kotak dialog Logistic Regression
Covariates : masukkan semua variabel independen
Dependent : masukkan variabel dependen
Output SPSS
Variabel Race

Variabel Smoke
Variabel Ui
Variabel Ht

Untuk seleksi bivariat jenis data kategorik, disarankan menggunakan uji analisis regresi
logistik. Nilai p-value yang dihasilkan oleh regresi logistik lebih stabil untuk data dengan
sampel besar atau kecil, nilai p-value ini didapatkan dari nilai perhitungan chi square goodness
of fit. Jika menggunakan uji analisis proporsi chi square, maka nilai yang digunakan adalah p-
value likelihood ratio.
 b. Pembuatan model Backward
 Full model: Masukkan secara bersamaan seluruh variabel independen ke model
multivariat.

Model dan Block Chi-Square menilai apakah model secara keseluruhan cocok (fit) dengan data
yang ada. Pada model ini p = 0.0001, maka model tersebut cocok dengan data.
 Hasil output pada cox-snell R2 memiliki analogi yang sama dengan nilai R2 pada regresi
linear, menyatakan bahwa 13,5% keragaman dapat dijelaskan oleh model, sedangkan sisanya
diluar model.
Pada tabel klasifikasi dapat dilihat kecocokan model dengan data yang ada. Dari 390
subjek yang berat bayi lahirnya > 2500 gram, sebanyak 352 (90,3%) dapat diprediksi oleh
model. Dari 177 subjek berat bayi lahirnya < 2500 gram, ada 48 (27,1%) yang dapat diprediksi
oleh model. Secara keseluruhan akurasi model adalah 70,5%.

 Uji Konfounding
Konfounding adalah bias dalam estimasi efek pajanan terhadap kejadian penyakit yang
terjadi akibat perbandingan yang tidak seimbang antara kelompok terpajan dengan kelompok
tidak terpajan. Masalah ini terjadi karena pada dasarnya sudah ada perbedaan risiko terjadinya
penyakit pada kelompok terpajan dengan kelompok yang tidak terpajan, yang berarti risiko
terjadinya penyakit pada kedua kelompok itu berbeda meskipun pajanan dihilangkan pada
kedua kelompok tersebut.
 Secara umum, satu variabel digolongkan sebagai konfounder jika variabel tersebut
merupakan faktor risiko terjadinya penyakit dan memiliki asosiasi dengan pajanan. Jadi
penilaian apakah satu variabel merupakan konfounder dilakukan dengan:
a. Pengetahuan yang sudah ada tentang hubungan variabel tersebut dengan
penyakit dan pajanan pada populasi asal (base population).
b. Pertimbangan statistik atas adanya hubungan variabel tersebut dengan penyakit
dan pajanan pada data penelitian.

Dalam uji konfounding, variabel yang nilai p-value > 0.05 dikeluarkan dari model
multivariat. Variable yang p-valuenya < 0,05 tetap dalam model. Variabel yang p valuenya >
0,05 dikeluarkan dari model satu persatu dimulai dari variabel dengan nilai terbesar. Bila
variabel yang dikeluarkan tersebut mengakibatkan perubahan OR variabel-variabel yang masih
ada (berubah > 10 %), maka variabel tersebut adalah konfounding dan harus dimasukkan
kembali ke dalam pemodelan multivariat.
Untuk contoh berikut, ternyata variabel age memiliki nilai p-value 0.053 sehingga akan
diuji konfounding. Ketika variabel age dikeluarkan dari pemodelan multivariat, hasilnya sbb.

Hasil output pada cox-snell R2 menyatakan bahwa nilainya tetap pada 13,5%, artinya tidak ada
perubahan berarti yang terjadi setelah variabel ftv dikeluarkan dari pemodelan.
 Tabel 1.1. Perubahan Nilai OR
Variabel OR crude OR adjusted Perubahan OR
Age .962 - -
Lwt .987 .985 0.10
Race2 .633 .613 3.11
Smoke 1.963 1.997 -1.77
Ptl 1.775 1.679 5.37
Ht 6.308 6.552 -3.87
Ui 2.071 2.140 -3.35

Karena tidak ada nilai OR yang berubah > 10 %, maka variabel age adalah bukan
konfounding dan dikeluarkan dari pemodelan multivariat. Hasil akhir persamaan
pemodelan multivariat ini adalah sbb.

 Uji interaksi
Interaksi atau modifikasi efek (effect modifier) adalah heterogenitas efek dari satu pajanan
pada tingkat pajanan lain di populasi asal (base population). Jadi efek satu pajanan pada
kejadian penyakit berbeda pada kelompok pajanan lainnya. Tidak adanya modifikasi efek
berarti efek pajanan homogen. Modifikasi efek merupakan konsep yang penting dalam analisis
karena pada saat analisis kita harus menentukan apakah akan melaporkan efek bersama (yang
terkontrol konfounder) atau efek yang terpisah untuk masing-masing strata.
Untuk uji ini, tambahkan interaksi antar variabel independen. Interaksi exist jika nilai sig
< 0,05. Misalkan : interaksi antara smoke dengan race2
Nilai p-value interaksi antara smoke dan race menghasilkan nilai 0,107; artinya tidak ada
interaksi antara perilaku merokok dengan jenis ras ibu.

Oleh karena tidak ada interaksi, maka hasil akhir dari pemodelan multivariat ini adalah sbb.

Maka persamaan yang dihasilkan adalah sbb.

Logit (BBLR) = 0,582 – 0,015*lwt – 0,490*race2 + 0,692*smoke + 0,518*ptl

+ 1,880*ht + 0,761*ui

Interpretasi
Misal (penelitian kohort) :
- Besar risiko terjadinya BBLR pada ibu yang memiliki riwayat hipertensi.
1
P(BBLR|white) = 1+𝑒 −(0,582+0,692∗1) = 0,782

Jadi ibu yang memiliki riwayat hipertensi mempunyai risiko untuk terjadinya BBLR
sebesar 78,2% selama periode follow up.

- Besar risiko terjadinya BBLR pada ibu yang tidak memiliki riwayat hipertensi.
1
P(BBLR|non-white) = 1+𝑒 −(0,582+0,692∗0) = 0,642
 Jadi ibu yang tidak memiliki riwayat hipertensi mempunyai risiko untuk terjadinya
BBLR sebesar 64,2% selama periode follow up.

- Besar risiko kedua kelompok tersebut (RR)

P1(X) = 0,782 = 1,22
P0(X) 0,642
Jadi, ibu yang memiliki riwayat hipertensi mempunyai risiko terjadi BBLR 1,2 kali
lebih tinggi dibandingkan ibu yang tidak memiliki riwayat hipertensi.

Model regresi logistik hanya dapat digunakan untuk penelitian yang bersifat Kohort.
Sedangkan untuk penelitian yang bersifat cross sectional atau case control, interpretasi yang
dapat dilakukan hanya menjelaskan nilai OR (Exp B) pada masing-masing variabel. Oleh
karena analisisnya multivariat/ganda maka nilai OR-nya sudah terkontrol (adjusted) oleh
variabel lain yang ada pada model.

Dari analisis multivariat ternyata variabel yang berhubungan bermakna dengan

kejadian BBLR adalah variabel lwt, race2, smoke, ptl, ht, dan ui. Hasil analisis didapatkan
Odds Ratio (OR) dari variabel hipertensi adalah 6,552; artinya Ibu yang menderita hipertensi
akan melahirkan bayi BBLR sebesar 6,5 kali lebih tinggi dibandingkan ibu yang tidak
menderita hipertensi setelah dikontrol variabel lwt, race2, smoke, ptl, dan ui. Secara sama dapat
diinterpretasikan untuk variabel yang lain.

Untuk melihat variabel mana yang paling besar pengaruhnya terhadap variabel
dependen, dilihat dari exp (B) untuk variabel yang signifikan, semakin besar nilai exp (B)
berarti semakin besar pengaruhnya terhadap variabel dependen yang dianalisis. Dalam data ini
berarti hipertensi yang paling besar pengaruhnya terhadap kejadian bayi BBLR.
2. Regresi Logistik Model Faktor Risiko
Model dengan tujuan mengetahui hubungan satu/beberapa variabel independen dengan
kejadian variabel dependen dengan mengontrol beberapa variabel konfounding.

Analisis Hubungan Berat Badan dengan Tekanan Darah di Kabupaten X tahun 2013

Smoke BBLR (low)

(0 (non-smoking)
1 (smoking))

Age (years)
Lwt (pounds)
Race (0 (non-white), 1 (white))
Ptl (times)
Ht (0 (no),1 (yes))
Ui (0 (no),1 (yes))
Ftv (times)

Langkah Pemodelan
1. Seleksi bivariat: bila sig < 0,25 maka variabel tersebut kandidat multivariat. Walaupun
sig > 0,25 boleh masuk multivariat kalau secara substansi merupakan variabel penting.
2. Pembuatan model Backward
1. Full Model: masukkan semua variabel mencakup: variabel dependen, variabel
independen utama, variabel konfounding.
2. Uji Interaksi: tambahkan interaksi variabel utama dengan variabel lainnya dan
lakukan penilaian interaksi dengan cara melihat nilai sig. Bila sig > 0,05
variabel interaksi dikeluarkan dari model. (lakukan penilaian interaksi satu per
satu).
3. Uji konfounding: dengan cara melihat perubahan OR ketika dikeluarkan
variabel konfounding satu per satu dimulai dari p value terbesar. Bila setelah
dikeluarkan diperoleh selisih OR variabel utama lebih besar dari 10 %, maka
variabel tersebut adalah konfounding dan dimasukkan kembali ke dalam model.

DAFTAR PUSTAKA
Ariawan, Iwan. Statistik Kategori. Self Writing. Jakarta. 2003.
Besral. Regresi Logistik Multivariat. Self Writing. Jakarta. 2006.
Budiarto, E. Biostatistika Untuk Kedokteran dan Kesehatan Masyarakat. EGC. Jakarta. 2001.
Dahlan, S. Seri 09 Analisis Multivariat Regresi Logistik. PT Epidemiologi Indonesia. Jakarta.
2012.
Firdaus, M, Farid. M.A. Aplikasi Metode Kuantitatif Terpilih untuk Manajemen dan Bisnis.
IPB Press. Bogor. 2008.
Hastono, SP dan Sabri, L. Statistik Kesehatan. Rajawali Pers. Jakarta. 2011.
Lampiran Dataset lbw.sav
id low age lwt race2 smoke ptl ht ui ftv
1 1 28 120 0 1 1 0 1 0
2 1 29 130 1 0 0 0 1 2
3 1 34 187 0 1 0 1 0 0
4 1 25 105 0 0 1 1 0 0
5 1 25 85 0 0 0 0 1 0
6 1 27 150 0 0 0 0 0 0
7 1 23 97 0 0 0 0 1 1
8 1 24 128 0 0 1 0 0 1
9 1 24 132 0 0 0 1 0 0
10 1 21 165 1 1 0 1 0 1
11 1 32 105 1 1 0 0 0 0
12 1 19 91 1 1 2 0 1 0
13 1 25 115 0 0 0 0 0 0
14 1 16 130 0 0 0 0 0 1
15 1 25 92 1 1 0 0 0 0
16 1 20 150 1 1 0 0 0 2
17 1 21 200 0 0 0 0 1 2
18 1 24 155 1 1 1 0 0 0
19 1 21 103 0 0 0 0 0 0
20 1 20 125 0 0 0 0 1 0
21 1 25 89 0 0 2 0 0 1
22 1 19 102 1 0 0 0 0 2
23 1 19 112 1 1 0 0 1 0
24 1 26 117 1 1 1 0 0 0
25 1 24 138 1 0 0 0 0 0
26 1 17 130 0 1 1 0 1 0
27 1 20 120 0 1 0 0 0 3
28 1 22 130 1 1 1 0 1 1
29 1 27 130 0 0 0 0 1 0
30 1 20 80 0 1 0 0 1 0
31 1 17 110 1 1 0 0 0 0
32 1 25 105 0 0 1 0 0 1
33 1 20 109 0 0 0 0 0 0
34 1 18 148 0 0 0 0 0 0
35 1 18 110 0 1 1 0 0 0
36 1 20 121 1 1 1 0 1 0
37 1 21 100 0 0 1 0 0 4
38 1 26 96 0 0 0 0 0 0
39 1 31 102 1 1 1 0 0 1
40 1 15 110 1 0 0 0 0 0
41 1 23 187 0 1 0 0 0 1
42 1 20 122 0 1 0 0 0 0
43 1 24 105 0 1 0 0 0 0
44 1 15 115 0 0 0 0 1 0
45 1 23 120 0 0 0 0 0 0
46 1 30 142 1 1 1 0 0 0
47 1 22 130 1 1 0 0 0 1
48 1 17 120 1 1 0 0 0 3
49 1 23 110 1 1 1 0 0 0
50 1 17 120 0 0 0 0 0 2
51 1 26 154 0 0 1 1 0 1
52 1 20 105 0 0 0 0 0 3
53 1 26 190 1 1 0 0 0 0
54 1 14 101 0 1 1 0 0 0
55 1 28 95 1 1 0 0 0 2
56 1 14 100 0 0 0 0 0 2
57 1 23 94 0 1 0 0 0 0
58 1 17 142 0 0 0 1 0 0
59 1 21 130 1 1 0 1 0 3
60 0 19 182 0 0 0 0 1 0
61 0 33 155 0 0 0 0 0 3
62 0 20 105 1 1 0 0 0 1
63 0 21 108 1 1 0 0 1 2
64 0 18 107 1 1 0 0 1 0
65 0 21 124 0 0 0 0 0 0
66 0 22 118 1 0 0 0 0 1
67 0 17 103 0 0 0 0 0 1
68 0 29 123 1 1 0 0 0 1
69 0 26 113 1 1 0 0 0 0
70 0 19 95 0 0 0 0 0 0
71 0 19 150 0 0 0 0 0 1
72 0 22 95 0 0 0 1 0 0
73 0 30 107 0 0 1 0 1 2
74 0 18 100 1 1 0 0 0 0
75 0 18 100 1 1 0 0 0 0
76 0 15 98 0 0 0 0 0 0
77 0 25 118 1 1 0 0 0 3
78 0 20 120 0 0 0 0 1 0
79 0 28 120 1 1 0 0 0 1
80 0 32 121 0 0 0 0 0 2
81 0 31 100 1 0 0 0 1 3
82 0 36 202 1 0 0 0 0 1
83 0 28 120 0 0 0 0 0 0
84 0 25 120 0 0 0 0 1 2
85 0 28 167 1 0 0 0 0 0
86 0 17 122 1 1 0 0 0 0
87 0 29 150 1 0 0 0 0 2
88 0 26 168 0 1 0 0 0 0
89 0 17 113 0 0 0 0 0 1
90 0 17 113 0 0 0 0 0 1
 91 0 24 90 1 1 1 0 0 1
92 0 35 121 0 1 1 0 0 1
93 0 25 155 1 0 0 0 0 1
94 0 25 125 0 0 0 0 0 0
95 0 29 140 1 1 0 0 0 2
96 0 19 138 1 1 0 0 0 2
97 0 27 124 1 1 0 0 0 0
98 0 31 215 1 1 0 0 0 2
99 0 33 109 1 1 0 0 0 1
100 0 21 185 0 1 0 0 0 2
101 0 19 189 1 0 0 0 0 2
102 0 23 130 0 0 0 0 0 1
103 0 21 160 1 0 0 0 0 0
104 0 18 90 1 1 0 0 1 0
105 0 18 90 1 1 0 0 1 0
106 0 32 132 1 0 0 0 0 4
107 0 19 132 0 0 0 0 0 0
108 0 24 115 1 0 0 0 0 2
109 0 22 85 0 1 0 0 0 0
110 0 22 120 1 0 0 1 0 1
111 0 23 128 0 0 0 0 0 0
112 0 22 130 1 1 0 0 0 0
113 0 30 95 1 1 0 0 0 2
114 0 19 115 0 0 0 0 0 0
115 0 16 110 0 0 0 0 0 0
116 0 21 110 0 1 0 0 1 0
117 0 30 153 0 0 0 0 0 0
118 0 20 103 0 0 0 0 0 0
119 0 17 119 0 0 0 0 0 0
120 0 17 119 0 0 0 0 0 0
121 0 23 119 0 0 0 0 0 2
122 0 24 110 0 0 0 0 0 0
123 0 28 140 1 0 0 0 0 0
124 0 26 133 0 1 2 0 0 0
125 0 20 169 0 0 1 0 1 1
126 0 24 115 0 0 0 0 0 2
127 0 28 250 0 1 0 0 0 6
128 0 20 141 1 0 2 0 1 1
129 0 22 158 0 0 1 0 0 2
130 0 22 112 1 1 2 0 0 0
131 0 31 150 0 1 0 0 0 2
132 0 23 115 0 1 0 0 0 1
133 0 16 112 0 0 0 0 0 0
134 0 16 135 1 1 0 0 0 0
135 0 18 229 0 0 0 0 0 0
136 0 25 140 1 0 0 0 0 1
137 0 32 134 1 1 1 0 0 4
138 0 20 121 0 1 0 0 0 0
139 0 23 190 1 0 0 0 0 0
140 0 22 131 1 0 0 0 0 1
141 0 32 170 1 0 0 0 0 0
142 0 30 110 0 0 0 0 0 0
143 0 20 127 0 0 0 0 0 0
144 0 23 123 0 0 0 0 0 0
145 0 17 120 0 1 0 0 0 0
146 0 19 105 0 0 0 0 0 0
147 0 23 130 1 0 0 0 0 0
148 0 36 175 1 0 0 0 0 0
149 0 22 125 1 0 0 0 0 1
150 0 24 133 1 0 0 0 0 0
151 0 21 134 0 0 0 0 0 2
152 0 19 235 1 1 0 1 0 0
153 0 25 95 1 1 3 0 1 0
154 0 16 135 1 1 0 0 0 0
155 0 29 135 1 0 0 0 0 1
156 0 29 154 1 0 0 0 0 1
157 0 19 147 1 1 0 0 0 0
158 0 19 147 1 1 0 0 0 0
159 0 30 137 1 0 0 0 0 1
160 0 24 110 1 0 0 0 0 1
161 0 19 184 1 1 0 1 0 0
162 0 24 110 0 0 1 0 0 0
163 0 23 110 1 0 0 0 0 1
164 0 20 120 0 0 0 0 0 0
165 0 25 241 0 0 0 1 0 0
166 0 30 112 1 0 0 0 0 1
167 0 22 169 1 0 0 0 0 0
168 0 18 120 1 1 0 0 0 2
169 0 16 170 0 0 0 0 0 4
170 0 32 186 1 0 0 0 0 2
171 0 18 120 0 0 0 0 0 1
172 0 29 130 1 1 0 0 0 2
173 0 33 117 1 0 0 0 1 1
174 0 20 170 1 1 0 0 0 0
175 0 28 134 0 0 0 0 0 1
176 0 14 135 1 0 0 0 0 0
177 0 28 130 0 0 0 0 0 0
178 0 25 120 1 0 0 0 0 2
179 0 16 95 0 0 0 0 0 1
180 0 20 158 1 0 0 0 0 1
181 0 26 160 0 0 0 0 0 0
182 0 21 115 1 0 0 0 0 1