ANALISIS DATA LONGITUDINAL DENGAN LINEAR MIXED MODEL (LMM)

PADA PASIEN DIABETES MELITUS

Oleh:

Agi Dempita (19/448792/PPA/05875)

Baiq Rina Ary Widiarni (19/448795/PPA/05878)

1. LATAR BELAKANG
Terjadinya transisi epidemiologi yang sejalan dengan transisi struktur masyarakat yang ada dapat
dilihat dari struktur penduduk, gaya hidup, social ekonomi, lingkungan dan teknologi akan
mengakibatkan perubahan pola penyakit dari menular menjadi penyakit tidak menular, dimana dari
segi definsi penyakit tidak menular adalah penyakit yang dianggap tidak dapat ditularkan atau
disebarkan dari seseorang ke orang lain (Bustan, 2015).
Salah satu penyakit tidak menular yang dijumpai dimasyarakat yaitu diabetes mellitus, hal ini
dapat dilihat dari jumlah penderita dan prevalensi diabetes melitus (DM) yang meningkat dimasa yang
akan datang, dimana menurut WHO jumlah penderita DM meningkat dari 171 juta di tahun 2000
menjadi 366 juta pada tahun 2030. Pada tahun 2015, diperkirakan 1,6 juta kematian secara langsung
disebabkan oleh DM. WHO juga memproyeksikan bahwa DM akan menjadi penyebab kematian
ketujuh di tahun 2030 (WHO, 2017).
Dalam suatu kasus dibidang kesehatan, seorang pasien melakukan pengobatan dengan cara
melakukan pemeriksaan secara berulang. Proses pengobatan yang diberikan kepada pasien bergantung
pada hasil pemeriksaan yang dilakukan. Pengukuran keadaan pasien yang berulang menyebabkan data
pasien yang tersedia memiliki efek time series. Oleh karena itu pada kasus ini data yang tersedia yaitu
data longitudinal.
Analisis data longitudinal merupakan analisis data yang dilakukan dengan cara melakukan
observasi atau mengukur objek (unit analisis) yang menjadi perhatian lebih dari satu kali pada waktu
yang berbeda. Data yang diperoleh dari penelitian tersebut disebut data longitudinal. Data longitudinal
dapat digunakan untuk melihat perubahan maupun melihat variansi perubahan di antara individu atau
objek penelitian (Danardono, 2015).
Studi kasus yang penulis gunakan berasal dari data sekunder rekam medis pasien penderita DM
di RS UGM Yogyakarta. Data diperoleh dari skripsi Pradipta Laksmita Dewi (2016) yang berjudul
 “Pola Penggunaan Obat Antidiabetik dan Faktor-Faktor yang Mempengaruhi Tercapainya Target
Glukosa Darah pada Pasien Diabetes Melitus”.
Berdasarkan penelitian tersebut, peneliti melakukan analisis data longitudinal menggunakan
pendekatan Linear Mixed Models. Dalam data tersebut terdapat variabel assement, umur, jenis
kelamin, dan pengonsumsian obat penurun diabetes, digunakan untuk mendeteksi individu yang
menderita diabetes melitus dengan melihat kadar glukosa, serta digunakan Restricted Maximum
Likelihood (REML) untuk estimasi parameter karena REML bersifat unbiased sedangkan
estimasi Maximum Likelihood (MLE) diketahui biased.
Berdasarkan latar belakang, maka tujuan penelitian adalah:
a. Untuk mengetahui faktor- faktor yang mempengaruhi penyakit diabetes melitus
b. Untuk mengetahui model longitudinal pada data penyakit diabetes melitus menggunakan
pendekatan linear mixed models.

2. LANDASAN TEORI
A. Data longitudinal
Data longitudinal adalah data yang individu (subjek, unit sampel) diamati dalam suatu periode
waktu tertentu lebih dari satu kali dan dilakukan pengukuran berulang pada individu tersebut. Data
longitudinal dapat digunakan untuk melihat variasi perubahan diantara individu. Informasi semacam
ini tidak dapat diperoleh dari data potong lintang (cross-sectional), yang hanya mengamati data pada
satu titik waktu saja. Jenis data yang berkaitan dengan data longitudinal adalah data panel, data
survival, data runtun waktu (time series) (Danardono, 2015)
Banyaknya pengamatan pada satu individu biasanya tidak terlalu banyak, dibandingkan dengan
misalkan data runtun waktu (time series), namun cukup untuk melihat perkembangan individu. Selain
itu informasi tidak hanya diambil dari satu individu saja, namun mengamati beberapa individu
sekaligus. Inferensi pada model data longitudinal didasarkan pada data individu, dengan asumsi
masing-masing individu saling bebas, namun dengan memperhatikan bahwa observasi berulang untuk
tiap-tiap individu tidak saling bebas (Danardono, 2015).
B. Linear Mixed Models pada Data Longitudinal
Pendekatan yang paling populer dalam analisis data longitudinal adalah mixed models di
mana random effect antar subjek ditentukan untuk mengatasi kekhawatiran adanya data yang tidak
teramati untuk setiap pasien maupun data yang tidak teramati pada titik waktu tertentu. Misalkan
𝑛i merupakan jumlah pengukuran berulang untuk subjek i dalam sampel 𝑁 individu, dan 𝑦i
menjadi vektor dimensi 𝑛i dari pengukuran berulang untuk subjek. Jika hanya satu istilah dari
random effect, diberikan linear mixed models
 𝑦𝑖𝑗 = 𝑋𝑖𝑗 𝛽 + 𝑏𝑖𝑗 + 𝜀𝑖𝑗 (1)
di mana 𝑋i dikenal sebagai matriks 𝑛i × 𝑀 dari kovariat dengan kolom pertama mengambil
konstanta 1, 𝖰 adalah vektor 𝑀 × 1 dari parameter populasi yang tidak diketahui disebut fixed
effect, dan 𝑏i adalah efek subjek yang tidak diketahui disebut random effect.
Bentuk umum model di atas, yang memungkinkan prediktor tambahan dan koefisien regresi
tambahan bervariasi secara acak, dikenal sebagai linear mixed model (Laird & Ware, 1982) dan
(Verbeke & Molenberghs, 2009), dan itu adalah salah satu dari model yang paling sering
digunakan untuk analisis longitudinal. Linear mixed model memiliki bentuk umum sebagai
berikut:
𝑦𝑖 = 𝑋𝑖 𝛽 + 𝑍𝑖 𝑏𝑖 + 𝜀𝑖
{ 𝑏𝑖 ~𝑁(0, 𝐺) (2)
𝜀𝑖 ~𝑁(0, 𝜎 2 𝐼𝑛𝑖 )
di mana 𝑋i dan 𝑍i adalah matriks desain, untuk koefisien regresi fixed effect 𝖰, dan koefisien
regresi random effect adalah 𝑏i, dan untuk 𝐼𝑛𝑖 menunjukkan matriks identitas dimensi-𝑛i. 𝐺 adalah
matriks varians-kovarians untuk random effect di seluruh subjek. Matriks 𝐺 adalah
𝜎00 𝜎01
𝐺 = (𝜎 ) (3)
10 𝜎11

Random effect diasumsikan terdistribusi normal dengan rata- rata nol dan matriks varians-
kovarians 𝐺, dan diasumsikan independen pada error s i, yaitu cov(𝑏i, 𝗌i). Interpretasi dari fixed
effect 𝖰 sama dengan dalam model regresi linier sederhana, yaitu dengan asumsi kita memiliki 𝑝
kovariat dalam matriks desain X, koefisien 𝛽i, i = 1, … , 𝑝 menunjukkan perubahan rata-rata 𝑦i
ketika kovariat 𝑥i yang sesuai meningkat satu unit, sementara semua prediktor lain dinyatakan
konstan. Demikian pula, random effect 𝑏i ditafsirkan dalam hal bagaimana subset parameter
regresi untuk subjek ke-i menyimpang dari yang ada di populasi.

3. METODOLOGI PENELITIAN
A. Data Penelitian
Jenis data dalam penelitian ini berupa data sekunder yang berasal dari data rekam medis seluruh
pasien rawat jalan DM di RS UGM Yogyakarta pada bulan Januari-Desember 2015 dan tercatat pada
rekam medis di RS tesebut. Data diperoleh dari skripsi Pradipta Laksmita Dewi (2016) dengan judul
penelitian “Pola Penggunaan Obat Antidiabetik dan Faktor-Faktor yang Mempengaruhi Tercapainya
Target Glukosa Darah pada Pasien Diabetes Melitus”.
B. Variable Penelitian
Variabel yang digunakan dalam penelitian ini dapat diliat pada Tabel 1 dan Tabel 2 di bawah ini:
 Tabel 1. Variabel Dependen

No Variabel Definisi Skala Satuan

1 Glukosa Darah Kadar glukosa darah pasien Rasio mg/dL

DM

Tabel 2. Variabel Independen

No Variabel Definisi Operasional Skala Kategori

1 Obstime Waktu Pengukuran Nominal 1= Pengukuran

pertama
2 = Pengukuran
kedua
3= Pengukuran
ketiga

2 Jenis Kelamin Perbedaan jenis kelamin Nominal 0 = Perempuan

secara biologis 1 = Laki-laki

3 Umur Lama usia pasien yang Rasio -

dihitung dari tanggal lahir
4 Penyakit Penyerta Perbedaan jenis DM dan Nominal 1 = NIDDM
(Assessment) ada tidaknya penyakit 2 = NIDDM +
penyerta yang diderita Penyakit penyerta
oleh pasien DM selain 3 = IDDM
penyakit DM 4 = IDDM +
Penyakit penyerta

5 Obat Perbedaan penggunaan Nominal 0 = Monoterapi

jenis terapi obat 1=Kombinasi
antidiabetika yang
diresepkan pada pasien
DM
 C. Metode Analisis Data
Metode yang digunakan dalam penelitian ini adalah metode deskriptif dan analisis data
longitudinal. Analisis data longitudinal dalam penelitian ini menggunakan metode Linear Mixed
Model (LMM). Berdasarkan analisis data longitudinal ini dapat diketahui variabel-variabel yang
diduga mempengaruhi kadar glukosa darah pada pasien DM dan diketahui model terbaik dalam
menentukan faktor-faktor yang mempengaruhi kadar glukosa darah
D. Langkah Penelitian
Berikut langkah- langkah penelitian yang akan dilakukan:
1. Studi literatur dan pemahaman materi
2. Pencarian dan eksplorasi data
3. Estimasi parameter menggunakan REML dan pemodelan data
4. Pengujian Hipotesis
5. Interpretasi Hasil

4. PEMBAHASAN
A. Statistik Deskriptif
Untuk statistik deskriptif yang akan dicari adalah rata-rata (mean), median, nilai minimum, nilai
maksimum, nilai quartil pertama dan nilai quartil ketiga yaitu dari variabel respon (y) dan variabel
independen (X)
Tabel 3. Deskripsi Data Variabel
Mean Median Min Max Q1 Q3
𝒚 218,3 205,5 116,0 421,0 170,0 258,0
𝑋1 - - - - - -
𝑋2 - - 0,00 1,00 - -
𝑋3 60,65 61,00 31,00 83,00 54,00 68,75
𝑋4 - - 1,00 4,00 - -
𝑋5 - - 0,00 1,00 - -
Berdasarkan Tabel di atas variabel respon (y) menunjukkan data Glukosa Darah, dengan nilai rata-
rata (mean) 218,3. Dengan nilai statistik lainnya, yaitu nilai minimum 116, nilai kuartil pertama (Q1)
170, nilai tengah (median) 205,5, nilai kuartil ketiga (Q3) 258, dan nilai maksimum 421.

Selanjutnya pada variabel independen yaitu waktu pengukuran (𝑋1 )Jenis Kelamin (𝑋2 ), Umur
(𝑋3 ), Penyakit Penyerta (𝑋4 ) dan Perbedaan penggunaan jenis terapi obat antidiabetika (𝑋5 ).
Berdasarkan Tabel di atas menunjukkan data jenis kelamin pasien nilai statistiknya yaitu nilai
minimum 0,00 dan nilai maksimum 1,00. Data Umur pasien, dengan nilai rata-rata (mean) 60,65.
Dengan nilai statistik lainnya, yaitu nilai minimum 31,00, nilai kuartil pertama (Q1) 54,00, nilai tengah
(median) 61,00, nilai kuartil ketiga (Q3) 68,75, dan nilai maksimum 83,00. data penyakit penyerta
nilai statistiknya yaitu nilai minimum 0,00 dan nilai maksimum 4,00. Data Perbedaan penggunaan
jenis terapi obat antidiabetika nilai statistiknya yaitu nilai minimum 0,00 dan nilai maksimum 1,00.

B. Model Data Longitudinal

Model sederhana dari linear mixed model yang mengasumsikan perkembangan rata-rata dalam
waktu dan memuat random effect tunggal untuk setiap pasien. Disini digunakan random effect tunggal
untuk setiap pasien karena dikhawatirkan adanya data yang tidak teramati untuk setiap pasien. Maka
spesifikasi modelnya:
𝑦𝑖𝑗 = 𝛽0 + 𝛽1 (𝑋1 )𝑖 + 𝛽2 (𝑋2 )𝑖 + 𝛽3 (𝑋3 )𝑖 + 𝛽4 (𝑋4 )𝑖 + 𝛽5 (𝑋5 )𝑖 + 𝑏𝑖0 + 𝜀𝑖𝑗
{ 𝑏0𝑖 ~𝒩(0, 𝜎𝑏2 )
𝜀𝑖𝑗 ~𝒩(0, 𝜎 2 )
dengan 𝑖 = 1,2, … ,83 𝑑𝑎𝑛 𝑗 = 1,2,3
Spesifikasi model diatas berarti bahwa Glukosa Darah dari semua pasien memiliki perkembangan
yang relatif sama dalam waktu, tetapi berbeda pada awal yaitu setiap pasien memiliki intersep sendiri
dengan beberapa pasien mulai dengan Glukosa Darah yang lebih tinggi dan rendah. Jenis kasus khusus
dari linear mixed model ini dikenal sebagai model intersep acak. Untuk rumus dalam argumen acak
harus ditentukan nama variabel pengelompokkan, identifikasi pengukuran berulang yang termasuk
dalam kelompok yang sama, disini kelompok adalah subjek atau pasien.
1. Estimasi Parameter Model 1
Setelah melakukan spesifikasi bentuk model 1 langkah selanjutnya adalah mencari nilai
parameter dengan cara estimasi parameter. Parameter yang diestimasi merupakan parameter
variabel independen. Di sini parameter akan diestimasi menggunakan Restricted Maximum
Likelihood (REML). REML merupakan metode estimasi yang digunakan untuk mengestimasi
parameter fixed effect dan variansi dalam linear mixed model. Hasil estimasi parameter model 1
dengan menggunakan software R dapat dilihat pada Tabel 4 berikut:
Tabel 4. Estimasi Parameter Model 1 Data Longitudinal
Parameter Estimasi SE t-value p-value Keputusan
Fixed Effect
(Intercept) 𝛽0 230,4 42,1 5,47 0,0000 Tolak H0
Obstime (𝑋1 ) 𝛽1 -6,3 4,7 -1,34 0,1816 Gagal Tolak H0
 Jenis Kelamin 𝛽2 -25,9 11,7 -2,22 0,0292 Tolak H0
(𝑋2 )
Umur (𝑋3 ) 𝛽3 -0,1 0,6 -0,13 0,8978 Gagal Tolak H0
Penyakit Penyerta 𝛽4 3,0 14,2 0,21 0,8345 Gagal Tolak H0
(𝑋4 )

Obat (𝑋5 ) 𝛽5 17,3 10,6 1,63 0,1061 Gagal Tolak H0

Random Effect
Standar 39,1
Deviasi(individu)
Error 54,3
*) signifikan pada α = 5%

Berdasarkan hasil estimasi pada Tabel 4, diasumsikan bahwa seluruh variabel independen
berpengaruh secara signifikan terhadap model, sehingga didapatkanyang merupakan hasil dari
estimasi parameter maka bentuk model 1 adalah:

𝑦𝑖𝑗 = 230,4 − 6,3(𝑋1 )𝑖 − 25,9(𝑋2 )𝑖 − 0,1(𝑋3 )𝑖 + 3(𝑋4 )𝑖 + 17,3 + 𝑏𝑖0 + 𝜀𝑖𝑗

{ 𝑏0𝑖 ~𝒩(0, 𝜎𝑏2 )
𝜀𝑖𝑗 ~𝒩(0, 𝜎 2 )

dengan nilai 𝜎𝑏2 = 39,1 dan nilai 𝜎 2 = 54,3

Selanjutnya akan dilakukan uji overall dan uji parsial, dimana uji overall merupakan
pengujian serentak semua parameter dalam model 1 yang terbentuk. Pengujian serentak ini
menggunakan likelihood ratio test yang statistik ujinya mengikuti distribusi chi-square. Hipotesis
yang digunakan untuk uji overall adalah sebagai berikut:

H0: 𝛽1 = 𝛽2 = 𝛽3 = 𝛽4 = 𝛽5 = 0 (Semua variabel independen tidak berpengaruh terhadap

kadar glukosa darah).

H1: minimal terdapat satu 𝛽𝑖 ≠ 0, di mana 𝑖 = 1,2,3,4,5 (Minimal ada salah satu variabel
independen yang berpengaruh terhadap kadar glukosa darah).

Merujuk pada persamaan didapatkan hasil perhitungan statistik uji G sebagai berikut:

Tabel 5. Uji overall model 1

2 p-value < 𝑎
Uji overall 𝐺 > 𝜒(0,05,8) keputusan
 34 > 15,51 0.00024 < 0.05 Tolak H0
Berdasarkan hasil pengujian di atas, didapatkan keputusan Tolak H0 dapat disimpulkan
bahwa model layak digunakan.

Selanjutnya dilakukan uji parsial untuk model 1 untuk mengetahui pengaruh dari masing-
masing variabel independen terhadap kadar glukosa darah secara parsial dengan hipotesis berikut:

H0 : 𝛽𝑖 = 0 (variabel independen tidak berpengaruh secara signifikan terhadap kadar glukosa

darah).

H1 : 𝛽𝑖 ≠ 0 𝑑𝑒𝑛𝑔𝑎𝑛 𝑖 = 1,2,3,4,5 (variabel independen berpengaruh secara signifikan

terhadap kadar glukosa darah).

Dengan kriteria jika 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼 = 0,05, diperoleh hasil uji parameter secara parsial
model 1 yang dilakukan pada software R dapat dilihat pada Tabel 4. Berdasarkan hasil uji
parameter secara parsial pada Tabel 4, menunjukkan bahwa variabel independen yaitu Jenis
Kelamin (𝑋2 ) siginifikan terhadap model 1. Sehingga dapat disimpulkan bahwa Jenis Kelamin
faktor yang mempengaruhi Kadar Glukosa darah karena memliki 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼 dengan tingkat
signifikansi 𝛼 = 0,05.

2. Interpretasi Hasil Model 1

Berdasarkan hasil uji yang telah dilakukan, dapat diketahui bahwa faktor yang berpengaruh
terhadap kadar glukosa darah pada pasien DM adalah jenis kelamin pada pasien DM. Melihat dari
model GLM tersebut, nilai kadar glukosa darah prediksi yang dihasilkan apabila seorang pasien
memiliki jenis kelamin perempuan maka nilai kadar glukosa pasien tersebut adalah sebesar 230,4
mg/dL dengan perhitungan sebagai berikut.

𝑦𝑖𝑗 = 230,4 − 25,9(0) = 230,4

𝑦𝑖𝑗 = 230,4 − 25,9(1) = 204,5

Berdasarkan model yang terbentuk, nilai kadar glukosa yang dihasilkan cenderung lebih
stabil yaitu sebesar 230,4 mg/dL.

3. Estimasi Parameter Model 2

Tabel 6. Estimasi Parameter Model 2 Data Longitudinal
Parameter Estimasi SE t-value p-value Keputusan
Fixed Effect
 (Intercept) 𝛽0 232.7 42.3 5.51 0,0000 Tolak H0
Obstime (𝑋1 ) 𝛽1 -6,1 4,9 -1,25 0,2142 Gagal Tolak H0
Jenis Kelamin 𝛽2 -26,2 11,6 -2,26 0,0268 Tolak H0
(𝑋2 )
Umur (𝑋3 ) 𝛽3 -0,2 0,6 -0,28 0,7800 Gagal Tolak H0
Penyakit 𝛽4 4,7 14,4 0,33 0,7445 Gagal Tolak H0
Penyerta (𝑋4 )

Obat (𝑋5 ) 𝛽5 16,8 10,6 1,58 0,1170 Gagal Tolak H0

Random Effect
Standar Deviasi 59,5
(individu)
Standar Deviasi 18,2
(Waktu
pengukuran)
Error 51,5
*) signifikan pada α = 5%

Berdasarkan hasil estimasi pada table 4.3 diasumsikan bahwa seluruh variabel independen
berpengaruh secara signifikan terhadap model, sehingga didapatkanyang merupakan hasil dari
estimasi parameter maka bentuk model 1 adalah:

𝑦𝑖𝑗 = 232,7 − 6,1(𝑋1 )𝑖 − 26,2(𝑋2 )𝑖 − 0,2(𝑋3 )𝑖 + 4,7(𝑋4 )𝑖 + 16,8(𝑋5 )𝑖 + 𝑏𝑖0 + 𝑏𝑖1 (𝑋1 )𝑖 + 𝜀𝑖𝑗
{ 𝑏0𝑖 ~𝒩(0, 𝐺)
𝜀𝑖𝑗 ~𝒩(0, 𝜎 2 )
59,5 18,2
dengan, 𝑐𝑜𝑣(𝐺) = ( ) dan nilai 𝜎 2 = 51,5
18,2 −0,76

Selanjutnya, seperti yang telah dilakukan pada model 1, yaitu melakukan uji parameter
dengan uji overall dan uji parsial. Hipotesis untuk uji overall yaitu:

H0: 𝛽1 = 𝛽2 = 𝛽3 = 𝛽4 = 𝛽5 = 0 (Semua variabel independen tidak berpengaruh terhadap kadar

glukosa darah).

H1: minimal terdapat satu 𝛽𝑖 ≠ 0, di mana 𝑖 = 1,2,3,4,5 (Minimal ada salah satu variabel
independen yang berpengaruh terhadap kadar glukosa darah).

Merujuk pada persamaan didapatkan hasil perhitungan statistik uji G sebagai berikut:
 Tabel 7. Uji overall model 2
2 p-value < 𝑎
Uji overall 𝐺 > 𝜒(0,05,10) keputusan
34 > 18,31 0.00024 < 0.05 Tolak H0
Berdasarkan hasil pengujian di atas, didapatkan keputusan Tolak H0 dapat disimpulkan
bahwa model 2 layak digunakan.

Selanjutnya dilakukan uji parsial untuk model 2 untuk mengetahui pengaruh dari masing-
masing variabel independen terhadap kadar glukosa darah secara parsial dengan hipotesis berikut:

H0 : 𝛽𝑖 = 0 (variabel independen tidak berpengaruh secara signifikan terhadap kadar glukosa

darah).

H1 : 𝛽𝑖 ≠ 0 𝑑𝑒𝑛𝑔𝑎𝑛 𝑖 = 1,2,3,4,5 (variabel independen berpengaruh secara signifikan

terhadap kadar glukosa darah).

Dengan kriteria jika 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼 = 0,05, diperoleh hasil uji parameter secara parsial
model 2 yang dilakukan pada software R dapat dilihat pada Tabel 4.3. Berdasarkan hasil uji
parameter secara parsial pada Tabel 4.3 menunjukkan bahwa variabel independen yaitu Jenis
Kelamin (𝑋2 ) siginifikan terhadap model 2. Sehingga dapat disimpulkan bahwa Jenis Kelamin
faktor yang mempengaruhi Kadar Glukosa darah karena memliki 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼 dengan tingkat
signifikansi 𝛼 = 0,05.

4. Interpretasi Hasil Model 2

Berdasarkan hasil uji yang telah dilakukan, nilai kadar glukosa darah prediksi yang
dihasilkan apabila seorang pasien memiliki jenis kelamin perempuan maka nilai kadar glukosa
pasien tersebut adalah sebesar 232,7 mg/dL dengan perhitungan sebagai berikut

𝑦𝑖𝑗 = 232,7 − 26,2(0) = 232,7

𝑦𝑖𝑗 = 232,7 − 26,2(1) = 206,5

Berdasarkan model yang terbentuk, nilai kadar glukosa yang dihasilkan cenderung lebih
stabil yaitu sebesar 232,7 mg/dL

C. Pemilihan Model Terbaik

Model terbaik adalah dengan nilai AIC yang lebih kecil dari model lain. Hasil nilai AIC diperoleh
seperti berikut:
 Tabel 8. Perbandingan Nilai AIC

Model AIC
Model 1 2498
Model 2 2501
Dari hasil perhitungan AIC pada Tabel 8 di atas, menunjukkan bahwa model 1 lebih baik
dibandingkan model 2, karena nilai AIC model 1 lebih kecil dibandingkan dengan nilai AIC model 2.
LAMPIRAN
 Lampiran 1 Data Pasien Diabetes Melitus

Obstime Pasien JK Umur Glukosa Obat Assement

1 1 0 61 344 0 1

2 1 0 61 261 0 1

3 1 0 61 180 0 1

1 2 1 59 197 1 2

2 2 1 59 192 1 2

1 3 1 56 129 1 2

2 3 1 56 136 1 1

1 4 0 75 131 0 2

2 4 0 75 179 0 2

3 4 0 75 170 0 2

1 5 0 63 199 0 2

2 5 0 63 190 0 2

1 6 1 64 324 1 2

2 6 1 64 238 1 2

3 6 1 64 165 1 2

1 7 0 70 204 1 2

2 7 0 70 262 1 2

3 7 0 70 203 1 2

1 8 1 80 182 1 2

2 8 1 80 135 1 2

1 9 0 55 172 0 2

2 9 0 55 189 0 2

1 10 0 50 116 0 2

2 10 0 50 124 0 2

1 11 0 50 177 1 2
2 11 0 50 310 1 2

3 11 0 50 194 1 2

1 12 0 70 333 0 2

2 12 0 70 308 0 2

3 13 0 68 150 0 2

1 13 0 68 299 0 2

2 13 0 68 126 0 1

1 14 0 59 220 0 2

2 14 0 59 201 0 2

1 15 0 53 156 1 2

2 15 0 53 183 1 1

3 15 0 53 176 1 1

1 16 0 47 170 0 2

2 16 0 47 306 0 2

3 16 0 47 311 0 2

1 17 0 76 371 1 2

2 17 0 76 240 1 2

3 17 0 76 203 1 2

1 18 0 70 206 0 2

2 18 0 70 152 0 2

3 18 0 70 128 0 2

1 19 0 44 150 0 1

2 19 0 44 158 0 1

3 19 0 44 187 0 1

1 20 0 50 308 1 2

2 20 0 50 252 1 2

3 20 0 50 211 1 2

1 21 1 63 210 1 2
2 21 1 63 236 1 2

3 21 1 63 284 1 2

1 22 0 55 346 1 1

2 22 0 55 242 1 1

3 22 0 55 258 1 2

1 23 1 48 352 1 2

2 23 1 48 173 1 2

3 23 1 48 317 1 2

1 24 1 63 324 0 2

2 24 1 63 184 0 2

3 24 1 63 258 0 2

1 25 1 61 205 1 2

2 25 1 61 211 1 2

3 25 1 61 170 1 2

1 26 0 70 174 0 1

2 26 0 70 204 0 1

1 27 1 69 245 1 2

2 27 1 69 153 1 2

3 27 1 69 140 1 2

1 28 1 49 216 1 2

2 28 1 49 149 1 2

1 29 1 56 152 0 2

2 29 1 56 163 0 2

1 30 1 65 336 0 2

2 30 1 65 315 1 2

3 30 1 65 175 1 2

1 31 0 74 226 0 2

2 31 0 74 402 0 2
3 31 0 74 144 1 2

1 32 0 40 184 0 1

2 32 0 40 258 1 1

3 32 0 40 355 1 1

1 33 0 49 230 0 2

2 33 0 49 127 0 2

3 33 0 49 127 0 2

1 34 0 70 154 1 2

2 34 0 70 145 1 2

1 35 1 54 131 0 2

2 35 1 54 142 0 2

3 35 1 54 153 0 2

1 36 0 54 210 1 2

2 36 0 54 220 1 2

3 36 0 54 189 1 2

1 37 1 62 127 1 2

2 37 1 62 177 1 2

3 37 1 62 148 1 2

1 38 0 62 388 1 2

2 38 0 62 295 1 2

1 39 1 55 224 0 2

2 39 1 55 308 0 2

1 40 1 83 206 0 2

2 40 1 83 324 0 2

3 40 1 83 132 0 2

1 41 1 52 164 1 2

2 41 1 52 202 1 2

3 41 1 52 139 1 2
1 42 0 64 268 0 2

2 42 0 64 266 0 2

1 43 0 60 297 0 2

2 43 0 60 210 0 2

3 43 0 60 238 0 2

1 44 1 59 216 1 2

2 44 1 59 178 1 2

3 44 1 59 137 1 2

1 45 0 61 167 0 2

2 45 0 61 161 0 2

1 46 0 55 129 1 1

2 46 0 55 278 1 1

3 46 0 55 270 1 2

1 47 1 55 134 1 2

2 47 1 55 132 1 2

3 47 1 55 137 1 2

1 48 0 80 160 0 2

2 48 0 80 157 1 2

3 48 0 80 256 0 2

1 49 0 76 221 0 2

2 49 0 76 330 0 2

3 49 0 76 204 0 2

1 50 0 71 223 0 2

2 50 0 71 190 0 2

3 50 0 71 203 0 2

1 51 0 59 320 0 2

2 51 0 59 219 0 2

3 51 0 59 382 0 2
1 52 0 51 353 1 2

2 52 0 51 267 1 2

3 52 0 51 211 1 2

1 53 0 54 213 0 2

2 53 0 54 124 0 2

3 53 0 54 135 0 2

1 54 0 48 192 0 1

2 54 0 48 162 0 1

1 55 1 64 224 1 2

2 55 1 64 200 0 2

3 55 1 64 180 0 2

1 56 1 61 140 1 2

2 56 1 61 181 1 2

3 56 1 61 195 0 2

1 57 0 61 421 1 2

2 57 0 61 286 1 2

3 57 0 61 399 1 2

1 58 1 75 181 0 2

2 58 1 75 170 0 2

1 59 1 69 191 1 2

2 59 1 69 207 1 2

3 59 1 69 229 1 2

1 60 0 53 279 0 1

2 60 0 53 170 0 2

3 60 0 53 188 0 2

1 61 0 70 177 1 2

2 61 0 70 173 1 2

3 61 0 70 171 1 2
1 62 1 55 321 0 2

2 62 1 55 229 0 2

1 63 0 52 172 1 2

2 63 0 52 151 1 2

3 63 0 52 243 1 2

1 64 1 73 208 1 2

2 64 1 73 215 1 2

3 64 1 73 129 1 2

1 65 0 66 159 0 4

2 65 0 66 153 0 3

1 66 0 72 277 0 2

2 66 0 72 265 0 2

3 66 0 72 382 1 2

1 67 1 58 165 0 2

2 67 1 58 155 0 2

3 67 1 58 200 0 2

1 68 0 50 213 0 2

2 68 0 50 218 0 2

1 69 1 60 221 0 2

2 69 1 60 153 0 2

3 69 1 60 288 0 2

1 70 1 54 250 0 2

2 70 1 54 221 0 2

1 71 1 69 173 0 2

2 71 1 69 158 0 1

3 71 1 69 241 0 2

1 72 1 65 211 1 2

2 72 1 65 221 1 2
3 72 1 65 276 1 2

1 73 1 67 245 0 2

2 73 1 67 258 1 2

3 73 1 67 225 1 2

1 74 0 65 245 1 2

2 74 0 65 230 1 2

3 74 0 65 203 1 2

1 75 1 67 229 0 2

2 75 1 67 208 0 2

3 75 1 67 331 1 2

1 76 0 66 325 1 2

2 76 0 66 256 1 2

3 76 0 66 236 1 2

1 77 1 61 202 1 1

2 77 1 61 224 1 1

3 77 1 61 130 1 2

1 78 0 53 266 1 2

2 78 0 53 296 1 2

3 78 0 53 308 1 2

1 79 1 31 175 0 2

2 79 1 31 202 0 2

3 79 1 31 268 1 2

1 80 0 53 248 0 2

2 80 0 53 280 0 2

3 80 0 53 330 0 2

1 81 0 73 170 0 2

2 81 0 73 154 0 2

1 82 0 56 181 0 2
 2 82 0 56 158 0 2

3 82 0 56 268 0 2

1 83 0 50 267 1 2

2 83 0 50 387 1 2

3 83 0 50 224 1 2

Keterangan :
Pasien : Kode pasien DM yang melakukan pemeriksaan sebanyak 3 kali
Jenis Kelamin : 0 = perempuan
1 = laki-laki
Obat : 0 = Monoterapi
1 = Kombinasi
Penyakit penyerta : 1 = NIDDM
2 = NIDDM + Penyakit penyerta
3 = IDDM
4 = IDDM + Penyakit penyerta

Lampiran 2 Script dan Output Pemanggilan dan Pengkategorian Data

data<-read.delim("clipboard")
head(data)
summary(data)

JK=factor(data$JK, levels=c(0,1),
labels=c("Perempuan", "Laki-laki"))
Usia=factor(data$Usia, level=c(1,2,3),
labels=c("18-44 tahun","45-64 tahun",">=65 tahun"))
Assement=factor(data$Assement, levels=c(1,2,3,4),
labels=c("NIDDM","NIDDM+penyakit
penyerta","IDDM","IDDM+penyakit penyerta"))
Obat=factor(data$Obat,levels=c(0,1),
labels=c("Monoterapi","Kombinasi"))
library(nlme)
#model 1
mod01<-lme(Glukosa~1,random=~1|Pasien, data=diabetes)
summary(mod01)
mod1<-lme(Glukosa~Obstime+JK+Umur+Obat+Assement,
random=~1|Pasien, data=diabetes)
summary(mod1)
anova(mod01,mod1)
#model 2
mod02<-lme(Glukosa~1,random=~Obstime|Pasien,
data=diabetes)
summary(mod02)
mod2<-lme(Glukosa~Obstime+JK+Umur+Obat+Assement,
random=~Obstime|Pasien, data=diabetes)
summary(mod2)
anova(mod02,mod2)