i
Program Studi Matematika, UIN Alauddin
ii
Program Studi Matematika, UIN Alauddin
ABSTRAK, Penelitian ini membahas tentang Analisis Adapun penelitian sebelumnya yang
Survival Pada Kasus Demam Berdarah Dengue (DBD) dilakukan oleh (Eta Dian Ayu Sita.A, 2012)
dengan pendekatan Multivariate Adptive Regression dengan judul pendekatan Multivariate Adaptive
Splines untuk mengetahui variabel yang berpengaruh
terhadap penderita penyakit demam berdarah dengue Regression Splines (MARS) pemodelan
(DBD) di Rumah Sakit Labuang Baji. MARS akan penduduk miskin di Indonesia tahun 2008-2012.
membangun suatu model terbaik sebagai model klasifikasi Menyimpulkan dari keenam belas variabel
yang melibatkan beberapa fungsi basis yang memuat prediktor diperoleh tiga variabel penting yang
variabel prediktor yang berpengaruh. MARS difokuskan paling besar pengaruhnya terhadap variabel
untuk mengatasi permasalahan data yang memiliki
variabel data berdimensi tinggi dan berukuran besar serta respon, yaitu persentase perempuan pengguna
mampu mengolah data dengan variabel respon kontinu alat KB di rumah tangga miskin, persentase
ataupun biner. Berdasarkan hasil model terbaik dapat rumah tangga yang pernah membeli raskin, serta
diketahui bahwa variabel yang mempengaruhi laju persentase penduduk miskin usia 15 tahun ke atas
kesembuhan penyakit DBD di Rumah Sakit Labuang Baji yang bekerja di sektor pertanian.[1]
yaitu leukosit, eritrosit, hemoglobin dan umur.
Penerapan metode Multivariate Adaptive
Kata Kunci: Analisis Survival, Multivariate Adaptive Regression Spline (MARS) untuk
Regression Spline (MARS), Demam Berdarah Dengue mengidentifikasi komponen yang berpengaruh
(DBD) terhadap peringkat akreditasi sekolah oleh
(Azzikra Febriyanti,2012). Menyimpulkan Dari
1. PENDAHULUAN delapan variabel prediktor yang diteliti terdapat
tujuh variabel prediktor yang berkontribusi
Demam berdarah dangue (DBD) suatu penyakit terhadap model MARS, yaitu komponen standar
demam akut yang disebabkan oleh virus dangue. sarana dan prasarana, komponen standar
Dimana virus tersebut masuk ke dalam peredaran kompetensi lulusan, komponen standar
darah melalui gigitan nyamuk aedes aegypti, penilaian, komponen standar isi, komponen
aedes albopictus, aedes Scutellaris, dan empat standar pembiayaan, komponen standar proses,
macam serotipe virus DBD, yaitu Dengue-1, komponen standar pengelolaan dengan tingkat
Dengue-2, Dengue-3 dan Dengue-4. Esteva- kepentingan
Vargas telah mengembangkan model penularan berturut-turut 100%, 83.93%, 56.27%, 54.27%,
DBD menyangkut dinamik dari nyamuk Aedes 45.86%, 23.35%, 22.67%. [2]
aegypty ke dalam bentuk SIR (Susceptible- Penerapan metode Multivariate Adaptive
Infective_Recovery) yang berdasarkan model Regression Spline (MARS) untuk mengetahui
yang diperkenalkan oleh Bayley dan Dietz, faktor yang mempengaruhi masa studi
dengan asumsi bahwa jumlah populasi manusia mahasiswa FMIPA UPI oleh (Mardiah Annur,
adalah konstan. Penyakit demam berdarahjuga 2011) menyimpulkan Analisis klasifikasi yang
penyakit febril akut yang ditemukan di daerah menggunakan metode MARS menyatakan
tropis, dengan penyeberan geografis yang mirip bahwa empat variable yang berpengaruh
dengan malaria. Penyakit ini merupakan salah terhadap masa studi siswa yaitu jalur masuk, IP
satu penyakit menular yang sering menimbulkan semester pertama, jenis kelamin dan program
kejadian luar biasa atau wabah. Dimana studi.[3]
penyeberannya sangat cepat dan dapat Pemodelan multivariate adaptive
mengakibatkan kematian dalam waktu singkat. regression splines (mars) pada faktor-faktor
Sehingga DBD menjadi salah satu obyek yang resiko angka kesakitan diare oleh (Wasis
menarik untuk diteliti dan dikaji lebih dalam. Wicaksono,2011) menyimpulkan MARS
73
JURNAL MSA VOL. 5 NO. 2 ED. JUNI - DESEMBER 2017
merupakan suatu metode yang dapat digunakan 𝑆𝑆(𝑡𝑡) = 1 − P(T ≤ t) = 1 − F(t) (1)
untuk mencari model hubungan antara variabel Fungsi hazard digunakan sebagai baseline
respon dan banyak variabel prediktor ( 3 ≤ n ≤ 20 hazard untuk distribusi Weibull-3P adalah
) yang mana bentuk kurva antara variabel respon sebagai berikut :
dan variabel prediktor tidak memiliki pola β(t−γ)β−1
λ0 �t⃒y, η, β� = ,t ≥ γ (2)
tertentu.[4] ηβ
Pemodelan multivariate adaptive regression
spline pada data respon biner melalui metode Cox proportional Hazard (Cox PH) Model
Pemodelan data survival dengan menggunakan
maximum likelihood oleh (Besse Nur
Cox PH model merupakan pemodelan dengan
Alang,2013) menyimpulkan Hasil pendugaan
pengelompokkan desa dengan metode MARS metode parametrik yang digunakan untuk
mengestimasi efek covariate pada data survival.
menghasilkan tiga variabel yang berpengaruh
secara signifikan, yaitu faktor sumber Pemodelan regresi untuk mengetahui factor-
faktor yang mempengaruhi data survival untuk
penerangan petromaks atau pelita, faktor sumber
data tidak tersensor yang disebut dengan Regresi
mata pencaharian di bidang angkutan dan faktor
sumber penerangan berupa PLN.[5] Cox (Cox PH Model). Pemodelan ini merupakan
Pada analisis ketahanan selalu terjadi data hubungan log-linear anatara X dan fungsi umum
tersensor (censored data), yaitu ada informasi hazard pada T adalah sebagai berikut :
mengenai waktu ketahanan individu tetapi tidak 𝜆𝜆(𝑡𝑡|𝑋𝑋 − 𝑥𝑥)
diketahui secara pasti berapa lama waktu 𝑃𝑃(𝑡𝑡 ≤ 𝑇𝑇 ≤ 𝑡𝑡 + 𝛿𝛿|𝑡𝑡 ≤ 𝑇𝑇, 𝑋𝑋 − 𝑥𝑥)
= lim
ketahanannya. Penyebab terjadinya adalah 𝛿𝛿→0 𝛿𝛿
hingga studi berakhir belum muncul kejadian = 𝜆𝜆0 (𝑡𝑡)𝑒𝑒 𝛽𝛽𝛽𝛽 (3)
yang diinginkan, hilang dari pengamatan, atau Untuk variabel X yang ber-covariate,
mengalami kejadian yang tidak berhubungan maka persamaan yang digunakan adalah
dengan substansi yang diteliti. sebagaia berikut :
MARS difokuskan untuk mengatasi 𝜆𝜆𝑖𝑖 (𝑡𝑡) = 𝜆𝜆0 (𝑡𝑡)𝑒𝑒 𝛽𝛽1 𝑥𝑥1 +𝛽𝛽2𝑥𝑥2 +,…+𝛽𝛽𝑘𝑘𝑥𝑥𝑘𝑘
permasalahan data yang memiliki variabel yang (4)
banyak dengan proses pengamatan yang cukup
banyak dan menghasilkan model yang kontinu Dimana :
pada knots. Maka dari itu peneliti memilih Pemodelan dengan menggunakan Cox
pendekatan MARS karena pada kasus Demam Proportional Hazard menghasilkan dua jenis
Berdarah memiliki banyak variabel yang ingin residual, yaitu Martingale Residual dan
diteliti. Penelitian ini betujuan untuk untuk Deviance Residual yang didapatkan dari Cox
mendekskripsikan karakteristik pasien DBD Nul Model. Dalam penelitian ini digunakan
berdasarkan variabel-variabel yang telah Martingale Residual yang berfungsi sebgai
teridentifikasi, dan mendapatkan variabel- variabel respon untuk pemodelan MARS.
variabel yang mempengaruhi laju kesembuhan Persamaan Martingale Residual adalah sebagai
pasien DBD berdasarkan pemodelan dengan berikut :
𝑡𝑡
MARS.[6] 𝑀𝑀𝑖𝑖 (𝑡𝑡) = 𝑁𝑁𝑖𝑖 (𝑡𝑡) − ∫0 𝑌𝑌𝑖𝑖 (𝑠𝑠) 𝜆𝜆(𝑠𝑠)𝑑𝑑𝑑𝑑
= 𝑁𝑁𝑖𝑖 (𝑡𝑡) − Λ𝑖𝑖 (𝑡𝑡) (5)
2. TINJAUAN PUSTAKA Multivariate Adaptive Regression Spline
(MARS)
Fungsi Survival MARS merupakan pendekatan regresi
Survival merupakan asal kata dari to survive yang nonparametric yang dihasilkan dari kombinasi
berarti ketahanan atau kelangsungan hidup. kompleks antara RPR dan pendekatan spline.
Survival analysis akan disebut dengan analisis Model MARS ini secara umum didefinisikan
ketahanan. Secara umum analisis ketahanan sebagai berikut:
dideskripsikan sebagai kumpulan prosedur 𝐾𝐾𝑚𝑚
statistik untuk menganalisis data yang variabel 𝑓𝑓̂(𝑥𝑥 ) = 𝑎𝑎0 + ∑𝑀𝑀 𝑚𝑚=1 𝑎𝑎𝑚𝑚 ∏𝑘𝑘=1�𝑆𝑆𝑘𝑘 . (𝑋𝑋𝑣𝑣(𝑘𝑘𝑘𝑘) −
akhirnya adalah waktu hingga muncul kejadian. 𝑡𝑡𝑘𝑘) � (3)
Adapun persamaanya [7]
74
JURNAL MSA VOL. 5 NO. 2 ED. JUNI - DESEMBER 2017
75
JURNAL MSA VOL. 5 NO. 2 ED. JUNI - DESEMBER 2017
11. Melakukan uji signifikan fungsi basis Tabel 2 Deskriptif Pasien Demam Berdarah
model mars yaitu : Dengue (DBD)
a) Pengujian parameter model secara
simultan Jumlah
Umur Kadar hematokrit
trombosit
b) Pengujian parameter model secara Deskriptif (tahun) (%)
(µ)
parsial.
17,24 36.30 121.029
12. Memodelkan Cox Proportional Hazard Rerata
dengan pendekatan MARS. Varians
137.36 50.65
8,862
13. Menginterprestasikan model laju Minimum
kesembuhan penyakit Demam Berdarah 1 8.1 8.000
P er cent
10 Exponential
50
Karakteristik Pasien Demam Berdarah 10
A D = 13.918
P-V alue < 0.003
1
Dengue (DBD) 1 3-Parameter Weibull
0.1 0.1 A D = 1.496
0 5 10 15 0.001 0.01 0.1 1 10 100 P-V alue < 0.005
Y Y
Tabel 1 Karakteristik berdasarkan rekam medis 3-Parameter Weibull - 95% C I Lognormal - 95% C I
Lognormal
A D = 2.042
99.9 99.9 P-V alue < 0.005
Jumlah
Karakteristik 90 99
Pasien % 50 90
P er cent
P er cent
Umur (tahun) 10 50
0-14 tahun 47 45,63 10
1
15-20 tahun 24 23.30 1
21-40 tahun 26 26,21 0.1
1 10
0.1
1 10
>41 tahun 6 5,82 Y - T hr eshold Y
76
JURNAL MSA VOL. 5 NO. 2 ED. JUNI - DESEMBER 2017
30
N 103
Tabel 3 Estimasi Fungsi Survival dan Fungsi
Hazard Komulatif
Frequency
Waktu
20
S(t) 𝚲𝚲(𝒕𝒕)
Survival
1 0,2 1,609
10 2 1 -0,693
3 0,8125 -0,207
0
2.4 4.8 7.2 9.6 12.0 4 1 -1,386
Y
5 1 -1,609
Gambar.2. Histogram data survival 3- 6 1 -1,791
parameter Weibull. 7 1,2 -2,128
8 1 -2,079
Pendugaan distribusi digunakan untuk 9 1 -2,179
mengetahui distribusi data survival yang 10 1 -2,302
digunakan. Fungsi distribusi ini digunakan 11 1 -2,397
untuk mengestimasi fungsi survival dan fungsi 12 1 -2,485
hazard komulatifnya. Fungsi distribusi ini juga
digunakan untuk mengetahui fungsi baseline
hazard yang digunakan pada pemodelan. Martingale Residual
dengan estimasi parameternya adalah 𝜂𝜂� = Tabel 4 Martingale Residual
4,963; 𝛽𝛽� = 1,941 ; 𝛾𝛾� = 0,544 𝑴𝑴𝒊𝒊 (𝒕𝒕) Hasil
Menentukan fungsi baseline hazard 𝑀𝑀𝑖𝑖 (1) 3.391
= 0,8661 . 10−2 (t
− 0,5447)0,941 Pemodelan dengan MARS dilakukan
dengan cara tial and error dengan
Mengestimasi fungsi survival dan fungsi kombinasi Basis Fungsi (14, 21, 28),
hazard komulatif . Maksimum Interaksi (1, 2, 3), dan
Fungsi survival digunakan untuk mengetahui Minimum Observasi (0, 1, 2, 3).
probabilitas untuk mengetahui probabilitas
kesenbuhan pasien, dan fungsi hazard Pembentukan model MARS menggunkan
komulatif digunakan untuk mengetahui tingkat kombinasi BF (14,21,28) karena kombinasi BF
2-4 kali banyaknya peubah prediktor dan
77
JURNAL MSA VOL. 5 NO. 2 ED. JUNI - DESEMBER 2017
banyaknya peubah prediktor yaitu 7 maka BF11 = max( 0, 10.5 - 𝑋𝑋5 ) * BF4;
kombinasi BF nya (14,21,28). Sedangkan BF19 = max( 0, 𝑋𝑋5 - 10.1);
untuk Maksimum Interaksi (1,2,3) dan
Minimum Observasi (0,1,2,3) merupakan Memodelkan Cox Proportional Hazard
suatu ketetapan. dengan pendekatan MARS.
Tabel 5 Pemodelan dengan MARS delakukan Sehingga menghasilkan model Cox
dengan cara tial and error dengan Proportional Hazard atau laju kesembuhan
Kombinasi BF, MI dan MO pasien DBD sebagai berikut :
𝜆𝜆(𝑡𝑡) = 𝜆𝜆0 (𝑡𝑡) exp(𝑌𝑌� )
Basis Maksimum Minimum GCV Variabel
Fungsi Interaksi Observasi yang Masuk
Model
14 1 0 8.88842 -
= 0,8661 . 10−2 (t-0,5447)0,941. exp
14
14
2
3
0
0
5.85969
5.77474
-
-
(13.0645 - 1.12031 . BF1 - 0.0867089
14 1 1 5.99961 𝑋𝑋6 , 𝑋𝑋7
14 2 1 6.55662 𝑋𝑋2 . BF6 + 2.91525e-008.BF8 +
14 3 1 5.85969 -
14
14
1
2
2
2
6.23428
5.85969
𝑋𝑋3 , 𝑋𝑋6
-
4.38722e-008.BF9 - 0.000311193 .
14
14
3
1
2
3
5.83773
8.65447
𝑋𝑋6 , 𝑋𝑋3 , 𝑋𝑋2
-
BF11 + 1.27223 * BF19.
14 2 3 7.62339 𝑋𝑋2
14 3 3 7.26357 𝑋𝑋6 Hasil pemodelan di atas menunjukkan bahwa
21 1 0 5.85969 -
21
21
2
3
0
0
5.85969
5.70957
-
𝑋𝑋4 , 𝑋𝑋6 , 𝑋𝑋5 , 𝑋𝑋2
secara umum, variabel yang mempengaruhi laju
21
21
1
2
1
1
7.11987
5.85969
𝑋𝑋2 , 𝑋𝑋6
-
kesembuhan pasien DBD di Rumah Sakit
Labuang Baji ada 4, yaitu variabel 𝑋𝑋2 , 𝑋𝑋4, 𝑋𝑋5 ,
21 3 1 6.20921 -
21 1 2 7.02670 𝑋𝑋6 , 𝑋𝑋3 , 𝑋𝑋4 , 𝑋𝑋2
21 2 2 5.85969 -
21
21
3
1
2
3
5.83773
8.97685
𝑋𝑋6 ,𝑋𝑋3 ,𝑋𝑋2
𝑋𝑋6
dan 𝑋𝑋6 dimana 𝑋𝑋2 adalah umur pasien, 𝑋𝑋4 adalah
21
21
28
2
3
1
3
3
0
7.28361
17.66571
12.52840
𝑋𝑋2 , 𝑋𝑋4
- leukosit, 𝑋𝑋5 adalah hemoglobin dan 𝑋𝑋6 adalah
𝑋𝑋6
28
28
2
3
0
0
5.85969
6.23521
-
𝑋𝑋4 , 𝑋𝑋6 , 𝑋𝑋5
eritrosit. Empat variabel yang telah disebutkan
28
28
1
2
1
1
6.28372
5.85969
-
-
ini mempunyai pengaruh yang baik terhadap
28 3 1 6.22112
28
28
1
2
2
2
6.36043
5.85969
-
𝑋𝑋6 , 𝑋𝑋3 model, baik secara individu maupun ketika
-
28
28
3
1
2
3
7.00131
10.84042
𝑋𝑋2
𝑋𝑋6
berinteraksi dengan variabel lain.
28 2 3 7.16278 𝑋𝑋2 , 𝑋𝑋4
28 3 3 14.92297 𝑋𝑋4 , 𝑋𝑋3
78
JURNAL MSA VOL. 5 NO. 2 ED. JUNI - DESEMBER 2017
paling dominan terhadap laju kesembuhan pasien satu fungsi basis (BF3) dapat
DBD (Demam Berdarah Dengue) adalah variabel memingkatkan indeks laju kesembuhan
leukosit yang ditunjukkan dengan skor variable pasien DBD dengan sebesar 1.12031 pada
importance-nya sebesar 100%. Selain itu, Rumah Sakit Labuang Baji dengan
variabel eritrosit, hemoglobin, dan umur juga Eritrosit 4.52 dan hemoglobin 2.6
berpengaruh terhadap laju kesembuhan penyakit b. BF6 = max (0, 𝑋𝑋2 – 11);
DBD (Demam Berdarah Dengue) dengan skor Artinya koefisien BF6 akan bermakna
variable importance berturut sebesar 78.09%, jika nilai 𝑋𝑋2 lebih besar dari 11 maka
59.93%, dan 54.91%. setiap kenaikan satu fungsi basis (BF6)
Berdasarkan hasil analisis data pada Tabel 7 dapat menurunkan indeks laju
untuk mengetahui jumlah variabel yang kesembuhan pasien DBD 0.0867089 pada
mempengaruhi laju kesembuhan penyakit DBD Rumah Sakit Labuang Baji dengan Umur
dengan menggunakan pendekatan MARS lebih dari 11 tahun.
(Multivariate Adaptive Regression Splines). c. BF8 = max (0, 𝑋𝑋2 – 17) . BF3
Berdasarkan hasil analisis data untuk mengetahui BF3 = max (0, 452e+006 - 𝑋𝑋6 ) . BF1
jumlah variabel yang mempengaruhi laju BF1 = max (0, 𝑋𝑋5 - 2.6)
kesembuhan penyakit DBD dengan Artinya koefisien BF8 akan bermakna jika
menggunakan pendekatan MARS (Multivariate nilai 𝑋𝑋2 lebih besar dari 17 dan 𝑋𝑋6 lebih kecil
Adaptive Regression Splines). dari 4.52 serta 𝑋𝑋5 lebih besar dari 2.6 maka
1. Berdasarkan hasil trial and error kombinasi setiap kenaikna satu fungsi basis (BF8) dapat
BF, MI, dan MO, maka kombinasi yang menurunkan indeks laju kesembuhan 2.91525
menghasilkan nilai GCV minimum pada Rumah Sakit Labuang Baji dengan umur
kombinasi 21,3,0 dengan nilai GCV yaitu lebi dari 17 dan hemoglobin 2.6 .
5.70957 maka diperoleh model hubungan d. BF9 = max (0, 17 - 𝑋𝑋2 ) . BF3;
antara waktu survival dengan variabel-
variabel prediktor umur,jenis kelamin, kadar BF3 = max (0, 4.52e + 006 - 𝑋𝑋6 ) .
hematokrit, leukosit, hemoglobin, eritrosit BF1
dan jumlah trombosit berdasarkan persamaan BF1 = max (0, 𝑋𝑋5 - 2.6)
hasil kombinasi. Setelah didapatkan model Artinya koefisien BF9 akan bermakna jika
MARS terbaik, langkah selanjutnya adalah nilai 𝑋𝑋2 lebih kecil dari 17 dan 𝑋𝑋6 lebih kecil
menguji parameter-parameter yang terdapat dari 4.52 serta 𝑋𝑋5 lebih besar dari 2.6 maka
didalam model MARS. Pengujian dilakukan setiap kenaikan satu fungsi basis BF9 dapat
secara simultan dan secara parsial. Hasil menurunkan indeks laju kesembuhan pasien
pengujian secarasimultan menunjukkan DBD sebesar 4.38722 pada Rumah Sakit
bahwa parameter-parameter dalam model Labuang Baji dengan umur lebih dari 17 dan
telah signifikan, begitu pula dengan hemoglobin 2.6 .
pengujian parameter secara parsial e. BF11 = max (0, 10.5 - 𝑋𝑋 ) . BF4
5
berdasrkan gambar 4 dengan begitu, dapat BF4 = max (0, 𝑋𝑋4 - 5000);
disimpulakan bahwa konstanta dan koefisien Artinya koefisien B11 akan bermakna jika
Basis 1, 6, 8, 9, 11 dan 19 mempunyai nilai 𝑋𝑋5 lebih kecil dari 10.5 dan 𝑋𝑋4 lebih
pengaruh yang signifikan terhadap model. besar dari 5000 maka setiap kenaikan satu
2. Interprestasi model Mars (Multivariate fungsi basis BF11 dapat menurunkan indeks
Adaptive Regression Splines) berikut ini laju kesembuhan pasien DBD sebesar
adalah interprestasi model untuk model 0.0003111193 pada hemoglobin kurang dari
MARS terbaik : 10.5 dan leukosit besar dari 5000.
a. BF1 = max( 0, 𝑋𝑋5 - 2.6); f. BF19 = max (0, 𝑋𝑋5 - 10.1)
BF3 = max( 0, 4.52e+006 - 𝑋𝑋6 ) * BF1; Artinya koefisien BF19 akan bermakna jika
Artinya koefisien BF1 akan bermakna nilai 𝑋𝑋5 lebih besar dari 10.1 maka setiap
jika nilai 𝑋𝑋6 lebih besar dari 4.52 dan kenaikan satu fungsi basis (BF19) dapat
𝑋𝑋5 lebih kecil 2.6 maka setiap kenaikan menurunkan laju kesembuhan pasien DBD
79
JURNAL MSA VOL. 5 NO. 2 ED. JUNI - DESEMBER 2017
sebesar 1.27223 pada Rumah Sakit Labuang [4] Wicaksono Wasis “Pemodelan multivariate
Baji dengan hemoglobin 10.1 adaptive regression splines (MARS) pada
Berdasarkan hasil model terbaik dapat faktor-faktor resiko angka kesakitan diare”
diketahui bahwa variabel yang mempengaruhi pdf. Diakses pada tanggal 11 januari pukul.
laju kesembuhan penyakit DBD (Demam 10.00.
Berdarah Dengue) di Rumah Sakit Labuang Baji [5] Nur Alang Besse “Pemodelan multivariate
yaitu leukosit (𝑋𝑋4 ), eritrosit (𝑋𝑋6 ), hemoglobin adaptive regression spline pada data
(𝑋𝑋5 )dan umur (𝑋𝑋2 ) respon biner melalui metode maximum
likelihood “ pdf. Diakses pada tanggal 17
januari pukul 15.00.
5. KESIMPULAN DAN SARAN [6] Haslinda Andi, “MARS multivariate
Adaptive Regression Spline”, (Makassar :
Berdasarkan pembahasan dari hasil penelitian Alauddin University Press 2013)
dapat disimpulkan bahawa variabel yang [7] Amalia Suci,dkk “Analisis Survival dan
berpengaruh terhadap laju kesembuhan pasien faktor-faktor yang mempengaruhi
DBD berdasarkan model MARS Variabel yang kesembuhan pasien Demam Berdarah
berpengaruh terhadap laju kesembuhan pasien dengan menggunakan Bayesian Mixture
DBD secara individu adalah jumlah leukosit dan Survival.Surabaya: Institut Teknologi
eritrosit, hemoglobin dan umur selain itu Sepuluh November.
diketahui pula bahwa variabel yang berpengaruh [8] FNisa’ Shofa dan I Nyoman Budiantara,
adalah adanya interaksi antara eritrosit dan “Analisis Survival dengan pendekatan
hemoglobin, umur dengan eritrosit dan interaksi multivariate adaptive regression splines
antara hemoglobin dengan leukosit. Jumlah pada kasus demam berdarah dangue (DBD)”
leukosit mempunyai tingkat kepentingan pdf, di akses pada tanggal 3 november
tertinggi dalam mempengaruhi laju kesembuhan pukul.10.00.
pasien DBD yaitu sebesar 100 %, sedangkan [9] Monika Kriner “Survival Analysis with
kepentingan tertinggi kedua adalah persentase Multivariate Adaptive Regeression
eritrosit sebesar 78.09 %, tertinggi ketiga Splines”,(Universitat Munchen : Fakultat Fur
hemoglobin sebesar 59.93 %, kemudian umur Mathematik, Informatik und Statistik der
tingkat kepentingan keempat sebesar 54.91 %. Ludwig-Maximilians, 2007), h.20.
DAFTAR PUSTAKA
[1] Dian Eta Ayu Sita.A “Pendekatan
Multivariate Adaptive Regression Splines
(MARS) pemodelan penduduk miskin di
Indonesia tahun 2008-2012” pdf. Di akses
pada tanggal 16 januari pukul.11.20.
[2] Febriyanti Azzikra “Penerapan metode
Multivariate Adaptive Regression Spline
(MARS) untuk mengidentifikasi komponen
yang berpengaruh terhadap peringkat
akreditasi sekolah” pdf. Di akses pada
tanggal 13 januari pukul. 09.00
[3] Annur Mardiah “Penerapan metode
Multivariate Adaptive Regression Spline
(MARS) untuk mengetahui faktor yang
mempengaruhi masa studi mahasiswa
FMIPA UPI oleh “ pdf. Diakse pada tanggal
3 januari pukul. 10.15.
80