Staf Pengajar Jurusan Statistika ITS Surabaya. Alumni Jurusan Statistika ITS Surabaya

Transkripsi

1 Klasfkas Status (Muhammad Sjahd) KLASIFIKASI STATUS GIZI BALITA DENGAN BAGGING REGRESI LOGISTIK ORDINAL (STUDI KASUS SURVEY KEKURANGAN ENERGI PROTEIN KABUPATEN NGANJUK) Muhammad Sjahd Akbar 1, Adatul Mukarromah 2, Lalta Paramta 3 1,2 Staf Pengajar Jurusan Statstka ITS Surabaya 3 Alumn Jurusan Statstka ITS Surabaya Abstract In Indonesa, generally the nutrton status value standart use World Health Organzaton-Natonal Centre for Health Statstcs (WHO-NCHS) whch wrtten n go healthy card. The method apply computng z-score for ndcator by weght body aganst age. The research objectve could get ordnal logstc regresson baggng on cluster chld nutrent status whereas nutrent status standart WHO- NCHS. The cluster chld nutrton status gotten by cluster analyss method, meanwhle classfcaton functon gotten by ordnal logstc regresson logt models. The bggest decson result of cluster nutrton status baggng by bootstrap replcaton 60 tmes s 76,3%, whch capable to decrease classfcaton fal through 22%. Nevertheless, the baggng of WHO-NCHS chld nutrton status classfcaton can rase classfcaton decson of one data set model from 75,9% to 76,6%. Keywords: Chld Nutrton Status, Baggng, Ordnal Logstc Regresson 1. Pendahuluan Masalah gz dapat terjad pada seluruh kelompok umur, bahkan masalah gz pada suatu kelompok umur tertentu akan mempengaruh pada status gz pada perode sklus kehdupan berkutnya (ntergeneratonal mpact). Kabupaten Nganjuk menjad daerah dengan tngkat kurang gz tngg, yatu sedktnya 5022 bay d bawah umur lma tahun mengalam kekurangan gz, bahkan 381 d antaranya dnyatakan dalam konds gz buruk [6]. Pada tahun 2005, LPPM Unar bekerjasama dengan Baltbangda Kabupaten Nganjuk melakukan suatu peneltan mengena konds status gz balta d Nganjuk untuk mengetahu jumlah penderta KEP. Marce, D (2005) telah melakukan pengklasfkasan status gz balta dengan metode Dskrmnan. Varabel yang dgunakan dalam peneltan tersebut adalah berat badan saat lahr, tngg badan saat lahr, tngg badan sekarang dan pendapatan rata-rata keluarga. Peneltan tersebut menghaslkan ketepatan klasfkas sebesar 42,8%, sehngga dperlukan peneltan lebh lanjut untuk memperoleh ketepatan klasfkas lebh tngg atau memnmumkan kesalahan klasfkas. Wbawat (2007) melakukan peneltan dengan tujuan untuk mengetahu faktor-faktor yang mempengaruh status gz balta dengan menggunakan regres logstk ordnal. Sedangkan pada peneltan n dlakukan pengelompokan balta dengan mempertmbangkan varabel-varabel yang mempengaruh status gz balta secara eksternal yatu pendapatan, pengeluaran keluarga, pengeluaran untuk pangan, jumlah anggota keluarga [12]. Metode yang dgunakan adalah analss cluster. Analss selanjutnya bertujuan membandngkan antara model klasfkas status gz balta yang cluster dengan standart WHO-NCHS. Kedua model dbentuk dengan metode regres logstk ordnal. Metode pengklasfkasan n memberkan pendugaan parameter yang tdak stabl, artnya jka terdapat perubahan dalam data set menyebabkan perubahan yang sgnfkan pada model [3]. Sehngga untuk memperoleh parameter yang stabl pada model regres logstk ordnal dgunakan pendekatan bootstrap, metode bootstrap aggregatng (baggng). Berdasarkan latar belakang tersebut tmbul permasalahan yatu bagamana baggng regres logstk ordnal pada klasfkas status gz balta cluster dan WHO-NCHS serta bagamana perbandngan hasl ketepatan klasfkas antara keduanya. 103

2 Meda Statstka, Vol. 3, No. 2, Desember 2010: Analss Cluster Analss cluster atau analss kelompok adalah analss statstka yang bertujuan mengelompokkan data sedemkan hngga data berada dalam kelompok yang mempunya sfat yang relatf homogen. Terdapat beberapa ukuran jarak yang dgunakan. Eucldean merupakan metode pengukuran jarak yang palng serng dgunakan jka skala data adalah nterval. Jka skala data adalah nomnal maka metode pengukuran jarak yang dgunakan adalah jarak p 2 p 2 ( u E( u )) ( v E( v )) Ch-square d uv Chsquare ( u, v),. E( u ) E( v ) 1 3. Regres Logstk Ordnal Regres logstk ordnal adalah suatu analss regres yang dgunakan untuk menggambarkan hubungan antara varabel respon dengan sekumpulan varabel predktor, dmana varabel respon bersfat ordnal, yatu mempunya lebh dar 2 kategor dan setap kategor dapat dperngkat [7]. Model yang dpaka untuk regres logstk ordnal adalah model logt. Model logt tersebut adalah cumulatve logt models. Peluang kumulatf, P( Y j x ) ddefnskan sebaga berkut: p exp j βk xk k1 P( Y j x ) p 1 exp j βk xk k1 dengan x = x, x,..., x ) merupakan nla pengamatan ke- ( = 1, 2,..., n) dar setap p ( 1 2 p varabel predktor [1]. Fungs klasfkas yang terbentuk bla terdapat j kategor respon adalah sejumlah j 1. Fungs pembeda dalam proses pengklasfkasan adalah cumulatve logt models.. Jka j ( x ) = P( Y j x ) menyatakan peluang kategor respon ke-j pada p varabel predktor yang dnyatakan dalam vektor x dan P( Y j x ) menyatakan peluang kumulatf pada p varabel predktor yang dnyatakan dalam vektor x maka nla j ( x ) dperoleh dengan persamaan berkut: P( Y j x ) 0( x ) 1 ( x )... j ( x ). Jka terdapat empat kategor respon dmana j = 1, 2, 3, 4 maka nla dar peluang kategor respon ke-j dperoleh dengan 0( x ) P( Y 0 x ) (2) 1( x ) P( Y 1 x ) 1 ( x ) (3) 2( x ) P( Y 2 x ) P( Y 1 x ) (4) 3( x ) 1 P( Y 2 x ) (5) Nla j ( x ) pada Persamaan (2), (3), (4), (5) akan djadkan pedoman pengklasfkasan. Suatu pengamatan masuk dalam respon kategor-j berdasarkan nla j ( x ) yang terbesar. Penaksran parameter model regres logstk ordnal menggunakan metode Maxmum Lkelhood Estmator. Bentuk umum dar fungs lkelhood untuk sampel dengan n pengamatan bebas y, x ), = 1,2,...,n adalah ( n y0 y1 y2 l( ) [ ( x ) ( x ) ( x ) y3 ( x ) ], (6) Sehngga ddapatkan fungs ln-lkelhood sebaga berkut: 3 1 (1) 104

3 Klasfkas Status (Muhammad Sjahd) n L( ) y0ln[ 0( x )] y1 ln[ 1 ( x )] y2ln[ 2( x )] y3 ln[ 3( x )]. 1 Maksmum ln-lkelhood dapat dperoleh dengan cara mendfferensalkan L (β) terhadap β dan menyamakannya dengan nol [1]. Nla β dtaksr dengan metode newton raphson karena persamaannya bersfat nonlner. Pengujan sgnfkans koefsen β terhadap varabel respon dlakukan secara parsal dan serentak. Pemerksaan sgnfkans koefsen β secara parsal dengan menggunakan statstk uj Wald. Sedangkan pemerksaan sgnfkans koefsen β secara serentak dengan menggunakan statstk uj G. 4. Baggng ( Bootstrap Aggregatng ) Baggng predktor adalah metode untuk membangktkan predktor dalam beberapa vers dan menggunakannya untuk aggregate predktor. Hmpunan data (data set) terdr dar {( yn, x n), n 1,..., N} dengan y dapat berupa klas label atau numerk respon. Jka nput adalah x maka y dpredks dengan ( x, ) dmana ( x, ) adalah predktor. Predktor dperoleh dengan melakukan replkas bootstrap yang kemudan dsebut { ( x, k )}. Replkas bootstrap dlakukan sebanyak B kal sehngga { (B) (B) } dar dan dbentuk predktor { ( x, )}. { (B) } adalah resamplng dengan pengembalan [3]. 5. Status Gz Balta Status gz adalah ekspres dar keadaan kesembangan dalam bentuk varabel tertentu untuk dapat dkatakan bahwa status gz merupakan ndkator bak buruknya penyedaan makanan sehar-har. Status gz yang bak dperlukan untuk mempertahankan derajat kebugaran dan kesehatan, mem-bantu pertumbuhan bag anak [8]. 5.1.Faktor-faktor yang Mempengaruh Status Gz Balta Faktor-faktor yang mempengaruh status gz terbag menjad dua, yatu [12] : 1. Faktor gz nternal, merupakan faktor yang menjad dasar pemerksaan tngkat kebutuhan gz seseorang, melput status kesehatan, umur dan jens kelamn. 2. Faktor gz eksternal, faktor yang berpengaruh d luar dr seseorang yang melput pendapatan, penddkan, jumlah anggota keluarga, dan pengetahuan gz. Sumber lan menyebutkan selan faktor-faktor tersebut, terdapat faktor lan yang mempengaruh status gz balta, yatu: 1. Status pemberan Ar Susu Ibu (ASI). ASI mengandung antbod yang tdak terdapat dalam susu formula serta gz yang komplt dan sempurna, pemberan ASI sampa anak berumur 4 atau 6 bulan maka anak akan mendapat munsas pasf secara berkesnambungan bahkan sampa umur balta [10]. 2. Berat Badan Lahr Rendah (BBLR). Bay dengan Berat Badan Lahr (BBL) kurang dar 2500 gram menunjukkan keadaan gz yang kurang/buruk. BBLR mempunya resko gangguan pertumbuhan yang lebh tngg dbandng dengan bay dengan BBL normal [10]. 3. Konsums makanan. Status gz bak atau gz optmal terjad bla tubuh memperoleh cukup zat-zat gz guna mengoptmalkan pertumbuhan fsk, perkembangan otak, kemampuan bekerja dan kesehatan [10]. 4. Faktor perlaku. Perlaku kesehatan bu atau yang mengasuh balta, sepert memandkan, mencuc tangan dan peralatan makan dengan sabun [2]. (7) 105

4 Meda Statstka, Vol. 3, No. 2, Desember 2010: Penentuan Status Gz dengan Cara Zscore BB/U Standart Baku Antropometr WHO-NCHS. Perhtungan nla Zscore untuk status gz drumuskan sebaga berkut: 1. Bla nla rel hasl pengukuran BB/U lebh besar atau sama dengan nla medan, maka nla rel nla medan Zscore SD upper 2. Bla nla rel hasl pengukuran BB/U lebh kecl dar nla medan, maka nla rel nla medan Zscore SD lower Nla medan dsesuakan dengan umur, dperoleh dar tabel baku antropometr WHO NCHS. Penlaan status gz dberkan dengan ketentuan berkut: Tabel 1. Penlaan Status Gz Balta STATUS GIZI Zscore Status gz lebh Status gz normal (bak) Status gz sedang (kurang) Status gz buruk Zscore 2 Zscore Zscore Zscore Sumber: Depkes RI dalam Soeganto, Varabel Peneltan Sumber data yang dgunakan pada peneltan n adalah data hasl surve Kurang Energ Proten (KEP) tahun 2005 d Kabupaten Nganjuk yang merupakan hasl kerjasama LPPM Unar dengan Baltbangda Kabupaten Nganjuk. Sedangkan varabel varabel yang dgunakan dalam peneltan n melput: 1. Varabel respon yatu Status gz balta yang berskala data ordnal dengan deskrps sebaga berkut: - Gz buruk, dengan kode 0 - Gz sedang (kurang), dengan kode 1 - Gz lebh, dengan kode 2 - Gz normal (bak), dengan kode 3 2. Varabel predktor yatu faktor- faktor yang dduga mempengaruh status gz balta, dan dsajkan pada Tabel 2. Sedangkan langkah-langkah analss dalam peneltan n dbag menjad 3 bagan yatu 1. Klasfkas dengan penlaan status gz balta hasl pengelompokan. 2. Klasfkas dengan penlaan status gz balta BB/U WHO-NCHS. 3. Membandngkan ketepatan klasfkas antara penlaan status gz balta BB/U WHO- NCHS dan hasl pengelompokan analss cluster. Tabel 2. Faktor- Faktor Yang Dduga Mempengaruh Status Gz Balta Varabel Krtera obyektf & satuan Keterangan Skala data peneltan varabel 106

5 Faktor eksternal Faktor nternal Klasfkas Status (Muhammad Sjahd) Status ASI Perlaku kebershan Pendukung Umur (X1) Bulan Interval Jens kelamn (X2) 1. Lak-lak 2. Perempuan Nomnal BBL (X3) 1. 2,5 kg 2. 2,6 3,5 kg Ordnal 3. 3,6 kg Berat Badan sekarang (X4) Kg Interval Tngg Badan Lahr (X5) Cm Interval Tngg Badan sekarang (X6) Cm Interval 1. Rp Pendapatan (X7) 2. Rp Rp Ordnal 3. Rp Pengeluaran untuk pangan 1. 30% (Presentase terhadap 2. 31% - 60% Ordnal pendapatan) (X8) 3. 61% Jumlah anggota keluarga (X9) Penddkan terakhr bu (X10) Frekuens pemberan ASI (X11) Peralatan makan dcuc (X12) Pemakaan sabun (X13) Keterlbatan ayah (X14) 1. < 4 orang 2. 4 orang. Ordnal 1.SD 2. SMP 3. SMA 1. Tdak kal perhar 3. 6 kal perhar 1. Tdak 2. Ya 1. Tdak 2. Ya 1. Cukup 2. Banyak Ordnal Ordnal Nomnal Nomnal Nomnal Selanjutnya algortma baggng untuk regres logstk ordnal adalah sebaga berkut: 1. Mengambl sampel bootstrap sebanyak n dar data set dengan pengulangan sebanyak n. Pengamblan sampel sedemkan hngga setap varabel aggregate dalam setap observas. 2. Memodelkan regres logstk ordnal hasl sampel bootstrap B. 3. Menghtung peluang kumulatf, peluang masng-masng kategor respon untuk setap observas dan menghtung ketepatan klasfkas. Kesalahan klasfkas pada langkah n dsebut e B 4. Mengulang langkah 1-4 sebanyak B kal (Replkas bootstrap). 5. Memperoleh ketepatan klasfkas baggng dar rata-rata ketepatan klasfkas setap pengulangan sampa B. Sehngga kesalahan klasfkas baggng untuk replkas B kal adalah e B 6. Membentuk model baggng regres logstk ordnal dar rata-rata setap parameter pada pengulangan sampa B. 7. Untuk memperoleh hasl yang lebh bak maka replkas bootstrap dlakukan sebanyak mungkn. Replkas bootstrap yang basa dgunakan adalah 50 sampa 200 [4]. 7. Analss Dan Pembahasan 7.1. Klasfkas Status Gz Balta Cluster 107

6 Meda Statstka, Vol. 3, No. 2, Desember 2010: Faktor-faktor eksternal yang dduga mempengaruh status gz balta antara lan pendapatan, pengeluaran keluarga, pengeluaran untuk pangan, jumlah anggota keluarga [12]. Status gz balta cluster dbentuk dar hasl pengelompokan balta berdasarkan faktor-faktor eksternal tersebut. Penentuan status gz dlhat dar karakterstk dar masng-masng kelompok, sebaga berkut: F Tabel 3. Karakterstk Kelompok Hasl Cluster Propors Pengeluaran Penddkan Pendapatan untuk Pangan Terakhr Ibu Kategor ( % ) < 30% ( 0%) 30% - 60% (20%) > 60% (80%) Rp (35%) Rp Rp (47,5%) > Rp (17,5%) Rp (16,1%) Rp Rp (37,1%) > Rp (46,8%) Rp (57,1%) Rp Rp (14,3%) > Rp (28,6%) Rp (69%) Rp Rp (13,8%) > Rp (17,2%) < 30% 30% - 60% > 60% < 30% 30% - 60% > 60% < 30% 30% - 60% > 60% (4,8%) (40,3%) (54,8%) (0%) (21,4%) (78,6%) ( 0%) (13,8%) (86,2%) Rata2 BBL SD (100%) 3,2 SMP (46,8%) SMA (45,2%) Dploma (3,2%) S1/S2/S3 (4,8%) SD (57,1%) SMP (28,6%) SMA (14,3%) SD (55,2%) SMP (24,1%) SMA (20,7%) 3,1 2,6 3,0 Kelompok 1 terdr dar 40 balta yang mempunya kedekatan yang erat. Pendapatan keluarga pada kelompok n 47,5% berpenghaslan Rp Rp , sedangkan dlhat dar propors pengeluaran untuk pangan kelompok 1 domnan pada kategor 3 yatu mengeluarkan lebh besar 60% dar total pendapatannya untuk pangan, sedangkan penddkan bu pada kelompok n 100% adalah berpenddkan SD. Berat badan saat lahr juga menjad pencr pada penentuan status gz kelompok n, rata-rata BBL pada kelompok n adalah 3,2. Kelompok 2 terdr dar 62 balta, 46,8% berpendapatan > Rp Selan tu, 54,8% kelompok n mengeluarkan pendapatan > 60% untuk kebutuhan konsums. Jka Dlhat dar penddkan terakhr bu, kelompok 2 ddomnas oleh SMA (45.2%) dan SMP (46,8%). Sedangkan rata-rata BBL balta pada kelompok dua adalah 3,1. Kelompok 3 mempunya anggota sebanyak 14 balta, sangat berbeda dengan kelompok 1 dan 2, pada kelompok 3 sebesar 57,15% anggotanya berpendapatan keluarga dbawah UMR, sedangkan jka dlhat dar propors pengeluaran untuk pangan sebanyak 78,6% kelompok n pengeluaran untuk panganya > 60%. Pada kelompok 3 ddomnas balta yang penddkan bunya adalah SD sebesar 57,1 dan rata-rata BBL balta pada kelompok n adalah 2,6. Pada kelompok 4 terdr dar 29 balta. Deskrps pada kelompok n hampr sama dengan kelompok 3, pendapatan keluarga pada kelompok 4 sebesar 69% berada dbawah UMR, propors pengeluaran untuk pangan > 60% sebanyak 86,2% dar anggota kelompok dan penddkan terakhr bu adalah SD sebesar 55,2%, Yang menjad pembeda palng mencolok adalah rata-rata BBL pada kelompok n yatu 3,0 Kg. Dar hasl deskrps tersebut, maka kelompok 1 dan 2, keduanya cenderung berstatus gz bak atau lebh. Jka dlhat dar rata-rata BBLnya yang > dar kelompok 2, propors pengeluaran untuk pangan ddomnas > 60% dan penddkan terakhr bu yang 100% adalah SD, kelompok 1 lebh cenderung berstatus gz lebh. Sehngga untuk selanjutnya, pada peneltan n kelompok 1 dtentukan sebaga kelompok balta berstatus gz lebh dan kelompok 2 dtentukan sebaga kelompok balta berstatus gz bak. Sedangkan untuk 108

7 Klasfkas Status (Muhammad Sjahd) kelompok 3 adalah kelompok balta dengan status gz buruk dtanda dengan pendapatan keluarga yang ddomnas dbawah UMR dan ddukung oleh BBL balta yatu 2,64 yang menurut lmu kesehatan akan cenderung berstatus gz buruk. Sehngga kelompok 3 pada peneltan n adalah kelompok balta berstatus gz buruk dan kelompok 4 adalah kelompok balta berstatus gz kurang. Hasl regres logstk ordnal dperoleh varabel yang secara ndvdu sgnfkan terhadap status gz balta cluster. Pengujan dlakukan dengan membandngkan nla W 2 dengan dstrbus normal standart pada tngkat kesalahan α, Ho dtolak bla W Z / 2. Dperoleh varabel yang sgnfkan berpengaruh antara lan umur (X1), BBL (X3), berat badan sekarang (X4), pendapatan (X7), penddkan terakhr bu (X10), frekuens pemberan ASI (X11), keterlbatan ayah (X14). Varabel n kemudan masuk ke dalam model multple regres logstk ordnal. Tabel 4. Multple Regres Logstk Ordnal (Status gz cluster) Varabel Coef Wald Odds P-value Constant (1) Constant (2) Constant (3) 3, , , ,19 5,34 6,75 0,001* 0,000* 0,000* Umur X1 0, ,72 1,22 0,000* BBL 2,6 3,5 kg 3,6 kg X3-1, , ,70-2,59 0,17 0,10 0,007* 0,010* BB sekarang (BB_S) X4-0, ,11 0,39 0,000* Pendapatan -1,54162 Rp Rp X7-0, Rp Penddkan SMP X10-2,50658 SMA -2,93448 Frekuens ASI -3, kal X11 0, kal Keterlbatan Ayah Cukup X14 2,45754 Banyak -0, *sgnfkan pada 0, 05-3,04-1,53-4,66-4,94-2,10 0,88 2,29-0,02 0,21 0,44 0,08 0,05 0,03 1,64 11,69 0,99 0,002* 0,125 0,000* 0,000* 0,036* 0,376 0,022* 0,982 Pada pengujan serentak dperoleh kesmpulan bahwa bahwa terdapat satu atau lebh varabel bebas yang berpengaruh secara sgnfkan terhadap status gz balta, yatu dtunjukkan dar nla G sebesar 168,095 dan sgnfkans sebesar 0,000. Pada pengujan parsal model multple regres logstk ordnal dperoleh ketujuh varabel sgnfkan berpengaruh. Hal n dtunjukkan dar nla uj W yang lebh besar dar nla z / 2 (1,96) atau dar nla sgnfkans yang kurang dar α = 0,05. Sehngga dperoleh model logt sebaga berkut: Logt 1: P( Y 0 x ) 3, ,199458(umur) -1,75397(BBL_ gr)-2,29054 (BBL_>3600gr) -0, (BB_S)-1,54162 (pendapatan_rp, )-0,81874 (pendapatan_>rp )-2,50658 (Penddkan_SMP)- 2,93448 (Penddkan_SMA)-3,4893(ASI_1-5kal) +2,45754(Ketelbatn ayah_cukup) ( 8) 109

8 Predks Meda Statstka, Vol. 3, No. 2, Desember 2010: Logt 2: P( Y 1 x ) 6, , (umur) -1,75397(BBL_ gr) -2,29054 (BBL_>3600gr) -0, (BB_S)-1,54162 (pendapatan_rp )-0,81874 (pendapatan_>rp )-2,50658 (Penddkan_SMP)- 2,93448 (Penddkan_SMA) -3,4893(ASI_1-5kal) +2,45754(Ketelbatn ayah_cukup) ( 9) Logt 3: P( Y 1 x ) 9, , (umur) -1,75397 (BBL_ gr) -2,29054 (BBL_>3600gr) -0, (BB_S)-1,54162 (pendapatan_rp )-0,81874 (pendapatan_>rp )-2,50658 (Penddkan_SMP)- 2,93448 (Penddkan_SMA) -3,4893(ASI_1-5kal) +2,45754(Ketelbatn ayah_cukup) ( 10) Pengklasfkasan balta dlakukan berdasarkan fungs klasfkas yang dperoleh pada Persamaan (8), (9), dan (10), sehngga dperoleh ketepatan klasfkas sepert pada Tabel 5 berkut. Tabel 5. Ketepatan Klasfkas Data Set Tunggal Status Gz Balta Cluster Aktual Total Total Sehngga dapat dhtung besarnya ketepatan klasfkas, yatu 1-APER, dengan APER 100% 30,3% Jad ketepatan klasfkasnya adalah 69,7%. Fungs klasfkas (9), (10), (11) merupakan model data set tunggal. Parameter yang dhaslkan dar model regres cenderung tdak stabl [3]. Untuk melhat kestablan parameter dan memperoleh keakuratan model yang lebh bak maka dlakukan resamplng pada data. Resamplng pada pengamatan terkelompok yang melbatkan beberapa varabel predktor dlakukan dengan metode baggng yang merupakan pengamblan sampel dengan pengembalan untuk data set yang terdr dar respon (y) dan varabel predktor (x). Ketujuh varabel yang masuk dalam model multple regres logstk akan dperlakukan resamplng baggng. Sampel bootstrap dambl sebanyak n data yatu 145 data, kemudan dreplkas bootstrap sebanyak 50, 60, 70, 80, 90, 100, 150 dan 200. Pada setap pengamblan sampel akan dbentuk model multple regres logstk ordnal sehngga akan dperoleh nla ketepatan klasfkas sebanyak B dalam setap B replkas bootstrap. Perhtungan ketepatan klasfkas dlakukan pada setap teras hasl perhtungan ketepatan pada kemudan drata-rata sehngga menghaslkan ketepatan klasfkas baggng regres logstk ordnal. Kesalahan klasfkas eb pada tap teras dhtung dengan perhtungan (1-ketepatan klasfkas). Keberhaslan baggng dukur dar seberapa besar baggng dapat menurunkan kesalahan klasfkas dar model data set tunggal. Tabel 6 merupakan hasl dar baggng dengan 50, 60, 70, 80, 90, 100, 150 dan 200 replkas bootstrap. Tabel 6. Hasl Baggng Regres Logstk Ordnal Status Gz Cluster 110

9 Klasfkas Status (Muhammad Sjahd) Replkas Bootstrap Rata-rata ketepatan klasfkas e B e S Penurunan kesalahan klasfkas Varans ketepatan klasfkas 50 kal 75,7% 24,3% 30,3% 19,8% 0, kal 76,3% 23,7% 30,3% 22,0% 0, kal 75,9% 24,1% 30,3% 20,6% 0, kal 75,7% 24,3% 30,3% 19,8% 0, kal 75,8% 24,2% 30,3% 20,2% 0, kal 75,5% 24,5% 30,3% 19,4% 0, kal 76,0% 24,0% 30,3% 20,8% 0, kal 75,3% 24,7% 30,3% 18,4% 0,0023 Tabel 6 memberkan nformas bahwa dengan 60 replkas bootstrap dperoleh ratarata ketepatan klasfkas terbesar yatu sebesar 76,3%, sehngga berdasarkan hasl pada Tabel 6, maka dapat dsmpulkan bahwa dperoleh baggng predktor terbak adalah pada replkas bootstrap sebanyak 60 kal. Model baggng n dapat menngkatkan ketepatan klasfkas dar model data set tunggal yatu sebesar 69,7% menjad 76,3% atau dengan kata lan baggng dapat menurunkan kesalahan klasfkas sebesar 22% dar model data set tunggal. Varans ketepatan klasfkas yang kecl yatu mendekat 0 menunjukkan bahwa ketepatan klasfkas pada setap pengamblan sampel untuk B replkas bootstrap stabl Klasfkas Status Gz Balta WHO-NCHS Standart penlaan status gz d Indonesa adalah standart WHO-NCHS, sehngga pada peneltan n akan dlakukan klasfkas statuss gz balta dengan respon yang dgunakan adalah status gz balta standart WHO-NCHS dengan ndkator pengukuran berat badan berdasarkan umur. Pada model multple regres logstk ordnal dperoleh varabel yang secara sgnfkan terhadap status gz balta WHO-NCHS adalah umur (X1), BBLR(X3), berat badan sekarang(x4), pendapatan(x7), dan keterlbatan ayah (X14). Tabel 7. Multple Regres Logstk Ordnal (WHO-NCHS) Varabel Coef Wald Odds P-value Constant (1) Constant (2) Constant (3) 2, , , ,95 5,14 5,76 0,003* 0,000* 0,000* Umur X1 0, ,62 1,14 0,000* BBL 2,6 3,5 kg 3,6 kg X3-1,6783-2,2673-2,78-2,61 0,18 0,15 0,005* 0,009* BB sekarang Pendapatan Rp Rp Rp Keterlbatan Cukup Banyak X4 X7-0, , , X14 2, , ,43 0,47 0,000* -3,31-0,71 2,71 0,98 0,17 0,21 25,69 1,56 0,001* 0,479 0,007* 0,

10 Predks Meda Statstka, Vol. 3, No. 2, Desember 2010: Pada uj serentak dperoleh G sebesar 92,330 dan sgnfkans sebesar 0,000. Hal n mengndkaskan bahwa dengan α = 0,05 dapat menolak H 0, artnya ada satu atau lebh varabel bebas yang berpengaruh secara sgnfkan terhadap status gz balta. Model logtnya adalah sebaga berkut: Logt1: P( Y 0 x ) 2, , (umur) -1,6783(BBL2) -2,2673 (BBL3) -0, (BB_S)-1,7102 (pendaptn2)+2,56531(keterlbatn ayah2) (11) Logt2: P( Y 1 x ) 5, , (umur) -1,6783(BBL2) -2,2673 (BBL3) -0, (BB_S)-1,7102 (pendaptn2)+2,56531(keterlbatn ayah2) (12) Logt3: P( Y 2 x ) 6, , (umur) -1,6783(BBL2) -2,2673 (BBL3) -0, (BB_S)-1,7102 (pendaptan2) (keterlbatn ayah2) (13) Hasl klasfkas status gz balta WHO-NCHS adalah sebaga berkut: Tabel 8. Hasl Klasfkas Status Gz WHO-NCHS Aktual Total Total Dperoleh ketepatan klasfkas 75,862% dan kesalahan klasfkas 24,138%. Selanjutnya analss dlanjutkan dengan baggng, prosedur baggng sama dengan pada status gz cluster resamplng pada data set dengan status gz WHO_NCHS dlakukan sesua dengan banyaknya data asl yatu 145 dan dlakukan replkas bootstrap 50, 60, 70, 80, 90, 100, 150 dan 200. Dar setap pengulangan akan dbentuk model multple regres logstk ordnal sehngga akan dperoleh nla ketepatan klasfkas pada setap pengulangan. Sehngga dperoleh rata-rata ketepatan klasfkas dar hasl baggng sebaga berkut: Tabel 9. Hasl Baggng Regres Logstk Ordnal Status Gz WHO-NCHS Rata-rata Penurunan Varans Replkas ketepatan e B e Bootstrap S kesalahan ketepatan klasfkas klasfkas klasfkas 50 kal 76,1% 23,9% 24,1% 1,1% 0, kal 76,0% 24,0% 24,1% 0,4% 0, kal 76,3% 23,7% 24,1% 1,8% 0, kal 76,0% 24,0% 24,1% 0,7% 0, kal 76,2% 23,8% 24,1% 1,4% 0, kal 76,5% 23,5% 24,1% 2,6% 0, kal 76,6% 23,4% 24,1% 3,0% 0, kal 76,1% 23,9% 24,1% 1,1% 0,0011 Tabel 9 memberkan nformas bahwa baggng dengan replkas 150 kal memberkan ketepatan klasfkas terbesar yatu 76,6%, sedangkan baggng dengan replkas bootstrap sebanyak 60 dan 80 kal memberkan ketepatan klasfkas yang terkecl yatu 76%. Sehngga model baggng yang memberkan predktor palng bak adalah dengan replkas bootsrap 150 kal. Kesalahan klasfkas pada model n adalah sebesar 23,4% atau dengan kata lan model 112

11 Klasfkas Status (Muhammad Sjahd) mampu menurunkan kesalahan klasfkas pada model data set tunggal sebesar 3%. Varans ketepatan klasfkas yang kecl yatu mendekat 0 menunjukkan bahwa ketepatan klasfkas pada setap pengamblan sampel untuk B replkas bootstrap sudah stabl Perbandngan Hasl Klasfkas Status Gz Balta Cluster Dan Status Gz Balta WHO-NCHS Pada model regres logstk ordnal pada data set tunggal dperoleh 7 faktor yang mempengaruh status gz balta cluster hasl cluster yatu umur, BBLR, berat badan sekarang, pendapatan, penddkan terakhr bu, frekuens pemberan ASI, dan Keterlbatan ayah dalam mengasuh. Sedangkan faktor-faktor yang mempengaruh status gz balta standart WHO- NCHS adalah umur, BBLR, pendapatan, berat badan sekarang, kerterlbatan ayah dalam mengasuh.. Model yang dperoleh dengan respon status gz balta cluster pada data set tunggal mampu mengklasfkaskan balta dengan ketepatan sebesar 69,655%, setelah dlakukan baggng dperoleh parameter stabl dan ketepatan klasfkas terbesar dengan replkas bootstrap 70 kal, yatu 76,345%, Sedangkan dengan respon status gz WHO-NCHS model menghaslkan ketepatan klasfkas sebesar 75,862%, setelah dlakukan baggng dperoleh ketepatan klasfkas terbak pada replkas bootstrap 150 kal yatu sebesar %. Dlhat dar kenakan kesalahan klasfkasnya baggng status gz balta WHO- NCHS mengalam penurunan yang cukup kecl yatu sebesar 2,991%,sedangkan pada baggng status cluster penurunannya mencapa 22,046%. Hal n mengndkaskan bahwa parameter model regres logtk ordnal WHO-NCHS pada data set tunggal lebh stabl darpada parameter regres logstk ordnal pada status gz balta cluster. In dsebabkan karena pada saat pembentukkan model multple logstk ordnal status gz balta cluster terdapat kategor yang pengaruhnya kecl terhadap model dan tdak sgnfkan pada tngkat sgnfkas 5%. Jka dlhat dar hasl ketepatan klasfkas,bak model status gz balta cluster maupun status gz balta standart WHO-NCHS memberkan hasl yang hampr sama, namun jka dlhat dar kestablan parameternya, model klasfkas status gz balta WHO-NCHS lebh stabl, sehngga model n lebh tepat untuk pengklasfkasan balta Nganjuk. 8. Kesmpulan Dar hasl pembahasan, maka dapat dambl kesmpulan sebaga berkut: 1. Baggng regres logstk ordnal status gz cluster mampu menurunkan kesalahan klasfkas sebesar 22,046% dar data set tunggal. Predktor terbak dperoleh pada replkas bootstrap sebanyak 60 kal. Ketepatan klasfkas baggng sebesar 76,345% sedangkan pada data set tunggal sebesar 69,655%. Varabel predktor yang dlbatkan dalam model adalah faktor-faktor yang mempengaruh kelompok status gz balta cluster yatu umur, BBL, berat badan sekarang pendapatan, penddkan terakhr bu, frekuens pemberan ASI dan ntenstas keterlbatan ayah dalam mengasuh. Sedangkan status gz balta cluster dbentuk dar analss cluster. 2. Fungs klasfkas pada data set tunggal mampu mengklasfkaskan balta dengan ketepatan 75,862%, setelah dlakukan baggng dperoleh ketepatan klasfkas sebesar 76,584% sehngga penurunan kesalahan data set tunggal dar em 29,138% turun sebesar 2,991% menjad eb 23,416%. Varabel predktor yang dlbatkan dalam model adalah faktor-faktor yang mempengaruh status gz balta menurut standart WHO-NCHS adalah umur, BBL, berat badan sekarang, pendapatan, keterlbatan ayah. 3. Hasl ketepatan klasfkas, bak model status gz balta cluster maupun status gz balta standart WHO-NCHS memberkan hasl yang hampr sama, yatu 76,55% untuk status gz cluster dan 76,54% untuk status gz standart WHO-NCHS, namun jka dlhat dar faktor-faktor yang dlbatkan pada pembentukan model, status gz balta cluster melbatkan faktor eksternal yang secara tdak langsung mempengaruh status gz balta. 113

12 Meda Statstka, Vol. 3, No. 2, Desember 2010: Sehngga model baggng status gz cluster dapat menjad alternatf plhan dalam pengklasfkasan balta DAFTAR PUSTAKA 1. Agrest, A., Categorcal Data Analyss, John Wley and Sons, New York, Benufnt, S.H.N., Hubungan Antara Status gz, Ke-basaan Ibu Dalam Memberkan Makanan dan Santas Lngkungan dengan Kejadan Dare Pada Balta, Skrps Jurusan Epdemolog dan Bostatstka Fakultas Kesehatan Masyarakat Unverstas Nusa Cendana, Breman, L., Baggng Predctor, Techncal report No. 421, Statstcs Department of Calforna Unversty, Efron, B. and Tbshran, R.J., An Introducton to the Bootstrap, Chapman & Hall, Inc., New York, Fahrmer and Tutz, Multvarate Statstcal Modellng Based on Generalzed Lnear Models, Sprnger Verlag, New York, Haryono, Maksmalkan TP PKK untuk Kelola Posyandu, Avalable: TP+ PKK+ untuk+kelola+posyandu%22++nganjuk, Hosmer, D. W. and Lemeshow, S., Appled Logstc Regresson, John Wley and Sons, Inc., USA, Iranto, D.P., Panduan Gz Lengkap Keluarga dan Olah-ragawan, And Offset, Yogyakarta, Akbar, Otok dan Marce, Klasfkas Status Gz Balta dengan Pendekatan Dskrmnan Bootstrap, Semnar Nasonal Basc Scence, Unverstas Brawjaya Malang, Mesah, S., Pengaruh Status Gz dan Santas Rumah Terhadap Kejadan Pnemona pada Balta Penderta ISPA, Skrps Jurusan Epdemolog dan Bostatstka Fakultas Kesehatan Masyarakat Unverstas Nusa Cendana, Soeganto, B., Pengenalan Dn Penympangan Pertumbuhan dan Tndak Lanjutnya Sebaga Salah Satu Cara Mencegah Terjadnya Manultrs Pada Anak Balta, Modul Ajar Akadem Gz Surabaya, Wahyun, E., Hubungan Tngkat Penddkan, Pengetahuan Gz Ibu Dan Tngkat Pendapatan Keluarga Dengan Status Gz Balta, Tugas Akhr, Fakultas Kesehatan Masyarakat Unverstas Arlangga, Surabaya, Wbawat, Faktor-Faktor yang Mempengaruh Status Gz Balta d Kabupaten X, Semnar Nasonal UNESA,