INFERENSI

BAYESIAN
ANALISIS PENGARUH KEMATIAN
NEONATAL MENGGUNAKAN
METODE REGRESI LINIER
BERGANDA BAYES
 NAMA KELOMPOK
1. Nabila Surya Wardani (24010216140053)
2. Nabila Chairunnisa (24010216130095)
3. Haniatul Mutamakkinah (24010216130057)
4. Kenia Samantha (24010216120019)
5. Fahrur Rozzi Iskak (24010215120026)
FUNGSI LIKELIHOOD
Fungsi likelihood yang digunakan adalah fungsi
likelihood dari distribusi normal.

 Untuk jumlah data (n)=35 dan jumlah parameter yang

diduga (K)=5, fungsi likelihood yang terbentuk yaitu :

Jika dibuat dalam bentuk matriks, fungsi

likelihood di atas menjadi :

4
DISTRIBUSI POSTERIOR
 Distribusi Posterior Bersyarat

Posterior α Prior x Likelihood

Fungsi densitas posterior tersebut merupakan

fungsi densitas dari distribusi normal multivariate,
 Distribusi Posterior Marginal
• Distribusi Marginal Posterior untuk β
Distribusi marginal posterior untuk β adalah
distribusi Student-t multivariate dengan derajat
bebas n-K=35-5=30 atau

• Distribusi Marginal Posterior untuk α²

Distribusi Marginal Posterior untuk α² adalah :
Penduga Bayes untuk parameter regresi merupakan
nilai harapan dari distribusi posterior marginalnya.

Hasil perhitungannya sebagai berikut :

Parameter Rataan Standar Deviasi

β₀ 9.021746200 13.25491
β₁ 0.110763521 0.043838
β₂ 0.028949139 0.014414
β₃ -0.002922962 0.005326
β₄ -0.002282916 0.002031
α² 996.9435 31.57441
Untuk satu nilai variable tak bebas (ỹ),
prediksinya (ỹ) merupakan nilai harapan suatu
distribusi normal, 𝒚~𝑁(𝒙𝜷,𝜎 2 𝑰) atau 𝒚 − 𝒙𝜷

Berikutnya merupakan perhitungan prediksi data

untuk pengamatan satu (ŷ₁)

𝟗. 𝟎𝟐𝟏𝟕𝟒𝟔𝟐𝟎𝟎
𝟎. 𝟏𝟏𝟎𝟕𝟔𝟑𝟓𝟐𝟏
𝒚𝟏 = 𝟏 𝟏𝟎𝟐𝟎 𝟑𝟕𝟗𝟑 𝟔𝟓𝟗𝟔 𝟐𝟖𝟑𝟖𝟒 𝟎. 𝟎𝟐𝟖𝟗𝟒𝟗𝟏𝟑𝟗 = 𝟏𝟒𝟕. 𝟕𝟐𝟔𝟒𝟖
−𝟎. 𝟎𝟎𝟐𝟗𝟐𝟐𝟗𝟔𝟐
−𝟎. 𝟎𝟎𝟐𝟐𝟖𝟐𝟗𝟏𝟔

Untuk prediksi data pengamatan 2 sampai

pengamatan 35 dilakukan dengan cara yang
sama.
 Hipotesis

𝑯𝒐: 𝑭 𝒙 = 𝑭 ∗ (𝒙) atau data sesatan berasal dari populasi dengan

distribusi normal
𝑯𝒐: 𝑭 𝒙 ≠ 𝑭 ∗ (𝒙) atau data sesatan bukan berasal dari populasi
dengan distribusi normal UJI ASUMSI
Pada perhitungan statistic uji, D, di uji Kolmogorv Smirnov,
didapatkan nilai 0.085 .
SESATAN
Oleh karena nilai tersebut kurang dari tabel kolmogorov D*(5%,35)
= 0,22424, maka 𝑯𝒐diterima. Artinya, data sesatan berasal dari
populasi dengan distribusi normal.
Untuk masing-masing koefisien parameter β,
diperoleh Bayesian Credibel Interval :
BAYESIAN
Parameter Bayesian Credibel Interval CREDIBLE
β₀ (-1.804839e+01 ; 36.091884812) INTERVAL
β₁ (2.123455e-02 ; 0.200292493)
β₂ (-4.887381e-04 ; 0.058387017)
β₃ (-1.379923e-02 ; 0.007953301)
β₄ (-6.430320e-03 ; 0.001864488)
Nilai kuantil-kuantil dari posterior disajikan dalam
table berikut :

Kuantil β₁ β₂ β₃ β₄

b₀,₀₁ 0.003042291 -0.006470505 -0.016009279 -0.007273071

UJI
b₀,₀₅ 0.036359137 0.004484354 -0.011961843 -0.005729678
SIGNIFIKANSI
b₀,₂₅ 0.080832933 0.019107711 -0.006559025 -0.003669442 PARAMETER
b₀,₇₅ 0.1406941088 0.0387905680 0.0007131006 -0.0008963900

b₀,₉₅ 0.185167904 0.053413925 0.006115918 0.001163846

b₀,₉₉ 0.218484751 0.064368784 0.010163354 0.002707239

Berikut uji hipotesis dengan α=5% untuk masing-masing variable
bebas :

a. Berat Badan Lahir Rendah

Hipotesis yang digunakan sebagai berikut :
H₀ : β₁ = 0
H₁ : β₁ ≠ 0
Koefisien β₁ tersebut secara statistik berpengaruh terhadap model
karena semua nilai kuantil posteriornya terkonsentrasi di nilai
positif

b. Penanganan Komplikasi Neonatal

Hipotesis yang digunakan sebagai berikut :
H₀ : β₂ = 0
H₁ : β₂ ≠ 0
Koefisien β₂ tersebut secara statistik tidak berpengaruh terhadap
model karena nilai kuantil posteriornya tidak terkonsentrasi di
nilai positif maupun negatif
c. Penanganan Komplikasi Kebidanan
Hipotesis yang digunakan sebagai berikut :
H₀ : β₃ = 0
H₁ : β₃ ≠ 0
Koefisien β₃ tersebut secara statistik tidak berpengaruh terhadap
model karena nilai kuantil posteriornya tidak terkonsentrasi di nilai
positif maupun negatif

d. Kunjungan Neonatal Lengkap

Hipotesis yang digunakan sebagai berikut :
H₀ : β₄ = 0
H₁ : β₄ ≠ 0
Koefisien β₄ tersebut secara statistik tidak berpengaruh terhadap
model karena nilai kuantil posteriornya tidak terkonsentrasi di nilai
positif maupun negatif

Pemodelan Regresi Linier Berganda Bayes Tanpa Variabel

Penanganan Komplikasi Kebidanan dan Kunjungan Neonatal Tetap
FUNGSI LIKELIHOOD
Fungsi likelihood yang digunakan adalah fungsi
likelihood dari distribusi normal.

 Untuk jumlah data (n)=35 dan jumlah parameter yang

diduga (K)=2, fungsi likelihood yang terbentuk yaitu :

Jika dibuat dalam bentuk matriks, fungsi

likelihood di atas menjadi :

14
DISTRIBUSI POSTERIOR
 Distribusi Posterior Bersyarat

Posterior α Prior x Likelihood

Fungsi densitas posterior tersebut merupakan

fungsi densitas dari distribusi normal multivariate,
 Distribusi Posterior Marginal
• Distribusi Marginal Posterior untuk β
Distribusi marginal posterior untuk β adalah
distribusi Student-t multivariate dengan derajat
bebas n-K=35-2=33 atau

• Distribusi Marginal Posterior untuk α²

Distribusi Marginal Posterior untuk α² adalah :
Penduga Bayes untuk parameter regresi merupakan
nilai harapan dari distribusi posterior marginalnya.

Hasil perhitungannya sebagai berikut :

Parameter Rataan Standar Deviasi

β₀ 10.2607340 12.32513

β₁ 0.1309546 0.029391

σ² 1038.384 272.6929
Untuk satu nilai variable tak bebas (ỹ),
prediksinya (ỹ) merupakan nilai harapan suatu
distribusi normal, 𝒚~𝑁(𝒙𝜷,𝜎 2 𝑰) atau 𝒚 − 𝒙𝜷

Berikutnya merupakan perhitungan prediksi data

untuk pengamatan satu (ŷ₁)

𝟏𝟎. 𝟐𝟔𝟎𝟕𝟑𝟒𝟎
𝒚𝟏 = 𝟏 𝟏𝟎𝟐𝟎 = 𝟏𝟒𝟑. 𝟖𝟑𝟒𝟒𝟐
𝟎. 𝟏𝟑𝟎𝟗𝟓𝟒𝟔

Untuk prediksi data pengamatan 2 sampai

pengamatan 35 dilakukan dengan cara yang
sama.
 Hipotesis
𝑯𝒐 : 𝑭 𝒙 = 𝑭 ∗ (𝒙) atau data sesatan berasal dari populasi dengan
distribusi normal
𝑯𝒐 : 𝑭 𝒙 ≠ 𝑭 ∗ (𝒙) atau data sesatan bukan berasal dari populasi
dengan distribusi normal
Pada perhitungan statistic uji, D, di uji Kolmogorv Smirnov, UJI ASUMSI
didapatkan nilai 0.2.
SESATAN
Oleh karena nilai tersebut kurang dari tabel kolmogorov D*(5%,35)
= 0,22424, maka 𝑯𝒐 diterima. Artinya, data sesatan berasal dari
populasi dengan distribusi normal.
Untuk masing-masing koefisien parameter β,
diperoleh Bayesian Credibel Interval :
BAYESIAN
Parameter Bayesian Credibel Interval CREDIBLE
β₀ (-14.86606172; 35.3875297) INTERVAL
β₁ (0.09798079 ; 0.1639284)
Nilai kuantil-kuantil dari posterior disajikan dalam
table berikut :

Kuantil β₁

b₀,₀₁ 0.09133132
UJI
b₀,₀₅ 0.1035262 SIGNIFIKANSI
b₀,₂₅ 0.1199013 PARAMETER
b₀,₇₅ 0.1420079

b₀,₉₅ 0.158383

b₀,₉₉ 0.1705779
Berikut uji hipotesis dengan α=5% untuk masing-masing
variable bebas :

Berat Badan Lahir Rendah

Hipotesis yang digunakan sebagai berikut :

H₀ : β₁ = 0
H₁ : β₁ ≠ 0
Koefisien β₁ tersebut secara statistik berpengaruh terhadap
model karena semua nilai kuantil posteriornya
terkonsentrasi di nilai positif
Setelah dilakukan uji signifikansi parameter,
didapatkan model akhir sebagai berikut

𝒚 = 𝜷𝟎 + 𝜷𝟏 𝑿𝟏
= 𝟏𝟎, 𝟐𝟔𝟎𝟕𝟑𝟒𝟎 + 𝟎. 𝟏𝟑𝟎𝟗𝟓𝟒𝟔 𝑿𝟏

Model tersebut berarti saat berat badan lahir

rendah dan penanganan komplikasi neonatal
bernilai nol, prediksi kematian neonatal berada
pada nilai 10,2607340.

Kemudian, saat terjadi kenaikan satu jiwa berat

badan lahir rendah tetap, terjadi penambahan poin
kematian neonatal sebesar 0,1309546
MAPE (Mean Absolute Percentage Error)

Setelah dilakukan perhitungan,

didapatkan nilai MAPE sebesar
24,97%

24
KOEFISIEN DETERMINASI ( R² )
Dengan menggunakan rumus berikut,

𝒏
𝒊=𝟏(𝒚𝒊 − 𝒚)𝟐
𝑹𝟐 = 𝒏
𝒊=𝟏(𝒚𝒊 − 𝒚)𝟐

Didapatkan nilai sebesar 67,84856% .

Artinya, variabel tak bebas, kematian neonatal,

dapat dijelaskan oleh dua variabel bebas yaitu
berat badan lahir rendah dan penanganan
komplikasi neonatal sebesar 67,84856%.
Sedangkan, sisanya sebesar 32,15144% dijelaskan
oleh faktor lain. 25
× Analisis Faktor-faktor
yang Mempengaruhi
Penyakit Hati dengan
Model Regresi Logistik
Biner Menggunakan
Metode Bayes

26
 Organisasi Kesehatan Dunia (WHO) memperkirakan, lebih dari dua
miliar penduduk dunia terinfeksi hepatitis B dengan angka kematian 250.000
orang per tahun dan 170 juta penduduk dunia mengidap hepatitis C dengan
tingkat kematian 350.000 orang per tahun. Penyakit hati atau penyakit liver
adalah penyakit yang disebabkan oleh berbagai faktor yang merusak hati,
seperti virus dan penggunaan alkohol. Gejala penyakit liver sulit terdeteksi,
sehingga ahli kesehatan menyebut liver sebagai pembunuh diam-diam. Hal ini
dijelaskan juga oleh General Surgeon dari Gleneagles Hospital Singapore, Dr.
Victor Lee.
Kasus seperti ini tidak dapat diselesaikan dengan regresi linier biasa
yang sering digunakan untuk meneliti hubungan antara dua variabel,
melainkan menggunaka metode lain yaitu metode regresi logistik biner.
Metode ini digunakan untuk meneliti hubungan antara dua variabel, yakni
variabel penjelas dan variabel respon dikotomi (Kleinbaum dan Klein, 2002).
Maximum Likelihood Estimation (MLE) adalah metode estimasi parameter
yang sering digunakan. Selain MLE ada sebuah metode estimasi parameter
yang memanfaatkan nilai pror sebagai pengetahuan awal, yaitu Metode
Bayesian (Johnson dan Albert, 1999). 27
 Setelah
dilakukan iterasi
sebanyak 900.000
maka didapatkan
hasil yang
konvergen dengan .
berikut ini adalah
gambar trace plot,
ergodig mean plot,
dan autocorrelation
plot untuk nilai
tersebut sebanyak
900.000 iterasi.

28
Setelah kondisis konvergen terpenuhi, langkah selanjutnya adalah mencari
nilai estimasi parameter beta. Untuk menghindari nilai awal, maka iterasi ini
akan dimulai pada iterasi ke 100.001 di mana kondisi konvergen sudah
dicapai.
29
Iterasi 900.000 Burnin 100.000 lag 100

Gambar di
samping ini
merupakan trace
plot, ergodig mean
plot, dan plot
autokorelasi
sebanyak 900.000
iterasi dengan
burnin 100.000
dan thinning
interval 100.
31
Pengujian hipotesis terhadap parameter regresi dilakukan dengan
pendekatan interval konfidensi 95% dari masing-masing parameter.
Adapun nilai estimasi parameter, dan kesimpulannya akan dijelaskan
dalam tabel :
Kuantil
Kuantil
Variabel Parameter Mean 2,5% Signifikan Kesimpulan
97,5%
Konstanta 1.6601 -8.293615 3.408805 - -
Total Billirubin -2.667 -5.004397 8.245027 Tidak Tidak
Berpengaruh

Direct 0.5292 -0.5915481 4.2016892 Tidak Tidak

Billirubin Berpengaruh

Total Protein -1.3539 -8.6775744 0.7207426 Tidak Tidak

Berpengaruh

Albumin 0.25862 -3.5507126 0.7166338 Tidak Tidak

Berpengaruh

Rasio Albumin -0.5330 -1.531467 6.697638 Tidak Tidak

dan Globulin Berpengaruh
Terima Kasih

33