BAB II TINJAUAN PUSTAKA
|
|
- Susanti Lie
- 6 tahun lalu
- Tontonan:
Transkripsi
1 BAB II TINJAUAN PUSTAKA 2.1 Regresi Logistik Menurut Hosmer dan Lemeshow (2000) tujuan melakukan analisis data kategori menggunakan regresi logistik adalah mendapatkan model terbaik dan sederhana untuk menjelaskan hubungan antara keluaran dari variabel respons (Y) dengan variabel-variabel prediktornya (X). Variabel respons dalam regresi logistik dapat berupa kategori atau kualitatif, sedangkan variabel prediktornya dapat berupa kualitatif dan kuantitatif. Jika variabel Y merupakan variabel biner atau dikotomi dalam artian variabel respons terdiri dari dua kategori yaitu sukses (Y = 1) atau gagal (Y = 0), maka variabel Y mengikuti sebaran Bernoulli yang memiliki fungsi densitas peluang: f(y i ) = π(x i ) y i(1 π(x i )) 1 y i, ; y i = 0,1 (2.1) sehingga diperoleh: Untuk y i = 0, maka f(0) = π(x i ) 0 (1 π(x i )) 1 0 = 1 π(x i ), untuk y i = 1, maka f(1) = π(x i ) 1 (1 π(x i )) 1 1 = π(x i ). Misalkan probabilitas dari variabel respons Y untuk nilai x yang diberikan, dinotasikan sebagai π(x). Model umum π(x) dinotasikan sebagai berikut: π(x) = exp(β 0 + β 1 x 1 + β 2 x β p x p ) 1 + exp(β 0 + β 1 x 1 + β 2 x β p x p ), (2.2) Persamaan (2.2) disebut fungsi regresi logistik yang menunjukkan hubungan antara variabel prediktor dan probabilitas yang tidak linear, sehingga untuk mendapatkan 8
2 9 hubungan yang linear dilakukan transformasi yang sering disebut dengan transformasi logit. Bentuk logit dari π(x) dinyatakan sebagai g(x), yaitu: logit [π(x)] = g(x) = ln ( π(x) 1 π(x) ) = β 0 + β 1 x 1 + β 2 x β p x p. (2.3) Persamaan (2.3) merupakan bentuk fungsi hubungan model regresi logistik yang disebut model regresi logistik berganda (Hosmer dan Lemeshow, 2000). 2.2 Regresi Logistik Ordinal Regresi logistik adalah model regresi yang digunakan apabila variabel respons bersifat kualitatif. Model ini terdiri dari regresi logistik sederhana yang bersifat dikotomus yang mensyaratkan variabel respons terdiri dari dua kategori, dan regresi logistik polytomous dengan variabel respons lebih dari dua kategori. Regresi logistik polytomous dengan variabel respons bertingkat dikenal dengan regresi logistik ordinal. Variabel prediktor yang dapat disertakan dalam model berupa data kategori dan kontinu yang terdiri atas dua variabel atau lebih (Hosmer dan Lemeshow, 2000) Model Odd Proporsional Suatu variabel respons Y berskala ordinal dapat terdiri dari K + 1 dan dinyatakan dengan 0,1,2,..., K. Ekspresi umum peluang bersyarat Y = k pada vektor x dari p variabel prediktor adalah Pr[Y = k x] = φ k (x). Misalkan φ k (x) = π k (x), maka untuk K = 0,1,2, model yang terbentuk dijelaskan oleh persamaan berikut:
3 10 P(Y = 0 x) = P(Y = 1 x) = P(Y = 2 x) = e g 1 (x) + e g 2 (x) = φ 0(x) e g 1 (x) 1 + e g 1 (x) + e g 2 (x) = φ 1(x) e g 2 (x) 1 + e g 1 (x) + e g 2 (x) = φ 2(x), sehingga bentuk persamaan tersebut adalah sebagai berikut: P(Y = k x) = dengan g 0 (x) = 0, dan k = 0,1,, K. e g k (x) K e g i (x), (2.4) Model logit garis dasar mempunyai K(p + 1) koefisien, bentuk ini muncul dari fakta bahwa model biasanya diparameterisasi, sehingga koefisien-koefisien log odds membandingkan kategori y = k dengan kategori dasar y = 0. g k (x) = ln [ φ k(x) φ 0 (x) ] P(Y = k x) = ln [ P(Y = 0 x) ] = β k0 + x β k, k = 0,1,2,, K, (2.5) persamaan (2.5) disebut model logit dasar (baseline logit model), dengan β k0 sebagai intersep. Pada regresi logistik ordinal, model dapat diperoleh dengan model odds proporsional (proportional odds model). Model logit ini merupakan model yang didapatkan dengan membandingkan peluang kumulatif yaitu peluang kurang dari atau sama dengan kategori respons ke-k pada p variabel prediktor yang dinyatakan dalam vektor x, P(Y k x), dengan peluang yang lebih besar dari kategori respons ke-k, P(Y > k x) yang didefinisikan sebagai berikut:
4 11 P(Y k x) logit P(Y k x) = c k (x) = ln [ P(Y > k x) ] φ 0 (x) + φ 1 (x) + + φ k (x) = ln [ φ k+1 (x) + φ k+2 (x) + + φ K (x) ] = τ k x β, (2.6) untuk k = 0,1,2,... K 1 (Hosmer dan Lemeshow, 2000). 2.3 Pendugaan Parameter Metode yang paling umum digunakan untuk menduga parameter pada model regresi logistik adalah metode maksimum likelihood (method of maximum likelihood). Langkah awal untuk menerapkan metode maksimum likelihood adalah dengan membentuk sebuah fungsi yang disebut fungsi likelihood. Fungsi ini menggambarkan fungsi peluang dari data-data yang diamati sebagai fungsi dari penduga parameter (Hosmer dan Lemeshow, 2000). Secara umum fungsi likelihood didefinisikan sebagai fungsi peluang bersama dari variabel acak yang dibentuk oleh sampel. Khusus untuk sampel berukuran n dengan amatannya (y 1, y 2,, y n ) berkoresponden dengan variabel acak (Y 1, Y 2,, Y n ). Selama Y i dianggap independen, maka fungsi densitas peluang bersamanya adalah sebagai berikut: g(y 1, Y 2,, Y n ) = n f(y i ). (2.7) Metode yang digunakan untuk mencocokkan setiap model didasarkan penyesuaian pada multinomial likelihood. Bentuk umum dari likelihood untuk sampel dari n amatan yang saling bebas (z i, x i ), i = 1,2,, n; adalah sebagai berikut:
5 12 n l(β) = [φ 0 (x i ) z 0i φ 1 (x i ) z 1i φ K (x i ) z Ki], (2.8) dengan φ k (x) merupakan fungsi dari parameter yang tidak diketahui dan z = (z 0, z 1, z k ) dibentuk dari respons yang ordinal. Metode kemungkinan maksimum memberikan nilai penduga dari vektor β k = (β 0k, β 1k, β pk ) dengan memaksimumkan fungsi kemungkinan bersama pada persamaan (2.8). Logaritma dari fungsi kemungkinan bersamanya dapat ditulis sebagai berikut: n L(β) = i=0 z 0i ln [φ 0 (x i )] + + z Ki ln[φ Ki (x i )]. (2.9) Untuk mendapatkan nilai penduga dari β k = (β 0k, β 1k, β pk ) yang memaksimalkan L(β), didapat dengan cara menurunkan persamaan disamakan dengan nol (Hosmer dan Lemeshow, 2000), persamaan-persamaan yang diperoleh adalah sebagai berikut: n L(β) = x β ki (z ji φ ji ) = 0, jk (2.10) dengan j = 1,2,, J 1 dan k = 0,1,2,..., p dengan x 0i = 1 untuk masingmasing subjek. Metode penduga ragam dan koragam dari koefisien penduga diperoleh berdasarkan teori penduga maksimum. Penduga ragam dan koragam yang diperoleh adalah suatu matriks yang berasal dari turunan parsial kedua dari persamaan (2.10) (Hosmer dan Lemeshow, 2000). Bentuk umum dari elemen dalam matriks turunan parsial kedua sebagai berikut:
6 13 2 L(β) β jk β jk n = x k i x kiφ ji (1 φ ji ), (2.11) dan n 2 L(β) = x β jk β k j k i x kiφ ji φ j i, (2.12) untuk j dan j = 1,2 dan k dan k = 0,1,2,..., p. Selanjutnya didefinisikan I(β) suatu matriks berukuran 2(p + 1) 2(p + 1) yang elemen-elemennya adalah negatif dari nilai pada persamaan (2.11) dan (2.12). Matriks tersebut disebut dengan matriks informasi. Matriks koragam dari penduga maksimum likelihood merupakan invers dari matriks informasi, (β) = I(β) 1. Penduga dari matriks informasi dan koragam diperoleh dengan mengganti parameter dengan nilai dugaannya. 2.4 Pengujian Parameter Pengujian terhadap parameter-parameter estimasi model dilakukan untuk mengetahui peran seluruh variabel prediktor baik secara simultan (bersama-sama) maupun secara parsial. Menurut Hosmer dan Lemeshow (2000), untuk pengujian parameter secara bersama dapat digunakan uji keberartian model yaitu uji G dengan hipotesis: H 0 : β 1 = β 2 = = β p = 0 (tidak ada pengaruh sekumpulan variabel bebas terhadap variabel respons), H 1 : minimal ada satu β i 0.
7 14 Statistik uji G dinotasikan sebagai berikut: G = 2 ln [ L 0 L k ]. (2.13) Keterangan: L 0 = fungsi kemungkinan maksimum tanpa variabel prediktor L k = fungsi kemungkinan maksimum dengan variabel prediktor Dengan mengambil taraf signifikansi α, hipotesisi nol (H 0 ) ditolak apabila 2 G > χ db,α atau p Value < α. Derajat kebebasan ((K + 1) 2) p, (K + 1) merupakan jumlah variabel respons dan p adalah jumlah variabel prediktor. Sedangkan pengujian parameter β secara parsial dilakukan dengan membandingkan model terbaik yang dihasilkan oleh uji simultan terhadap model tanpa variabel bebas di dalam model terbaik. Pengujian hipotesis yang dilakukan yaitu: H 0 : β i = 0 (tidak ada pengaruh variabel bebas yang diuji terhadap variabel respons), H 1 : β i 0 (terdapat pengaruh variabel bebas yang diuji terhadap variabel respons). Statistik ujinya adalah: W = β i SE(β i ). (2.14) Statistik uji Wald mengikuti sebaran normal baku Z, H 0 akan ditolak jika W > Z α/2 atau p Value < α.
8 Interpretasi Koefisien Pada regresi logistik dengan suatu variabel bebas (β i ) menunjukkan perubahan nilai logit untuk setiap unit perubahan pada variabel x. Interpretasi regresi logistik ordinal dapat dijelaskan dengan odds rasio. Nilai odds rasio yaitu nilai yang menunjukkan perbandingan tingkat kecenderungan dari dua kategori dalam satu variabel prediktor dengan salah satu kategorinya dijadikan pembanding kategori dasar (Hosmer dan Lemeshow, 2000). Tabel 2.1 Nilai-Nilai dari Model Logistik Variabel bebas Variabel respons x = a x = b Y = 2 φ 2 (a) = eg 2 (a) 3 e g i (a) φ 2 (b) = eg 2 (b) 3 e g i (b) Y = 1 φ 1 (a) = eg 1 (a) 3 e g i (a) Y = 0 φ 0 (a) = eg 0 (a) 3 e g i (a) φ 1 (b) = φ 0 (b) = eg 1 (b) 3 e g i (b) eg 0 (b) 3 e g i (b) Secara umum, nilai odds rasio pada model ke-j dapat dicari dengan OR k (a, b) = P(Y = k x = a)/p(y = 0 x = a) P(Y = k x = b)/p(y = 0 x = b). (2.15) Misalkan nilai a = 1 dan b = 0 kemudian ingin dicari nilai odd pada saat Y = 3 dengan Y = 0 untuk nilai x = 1 dan x = 0 adalah OR 3 (1,0) = P(Y = 3 x = 1)/P(Y = 0 x = 1) P(Y = 3 x = 0)/P(Y = 0 x = 0) = φ 3(1)/[φ 0 (1)] φ 3 (0)/[φ 0 (0)] = exp(β 31 ), (2.16)
9 16 φ 3 (1) [φ ln(or 3 (1,0)) = ln ( 0 (1)] φ 3 (0)/[φ 0 (0)] ) = ln(exp(β 31 )) = β 31. (2.17) Model logistik dengan satu variabel bebas dikotomi, koefisien β k1 adalah beda logit sedangkan exp(β k1 ) adalah nilai odds rasio (Hosmer dan Lemeshow, 2000). Berdasarkan persamaan (2.17), dapat diinterpretasikan bahwa rasio odds (OR 3 (1,0)) = 1 berarti bahwa individu dengan nilai x = 1 mempunyai peluang yang sama dengan individu dengan nilai x = 0 dalam kaitannya dengan Y = 3. Apabila (OR 3 (1,0)) > 1 maka individu dengan nilai x = 1 mempunyai peluang yang lebih besar dibandingkan dengan x = 0 terhadap Y = 3. Sebaliknya apabila 0 (OR 3 (1,0)) < 1 individu x = 1 mempunyai peluang yang lebih kecil dibandingkan dengan x = 0 untuk Y = Prosedur Klasifikasi Menurut Johnson dan Wichern (2007) prosedur klasifikasi adalah suatu evaluasi untuk melihat peluang kesalahan klasifikasi (misclassification) yang dilakukan oleh suatu fungsi klasifikasi. Prosedur klasifikasi yang baik ditentukan dengan nilai misklasifikasi yang kecil. Satu hal penting untuk menghasilkan prosedur klasifikasi ialah dengan menghitung tingkat error atau probabilitas kesalahan klasifikasi (misklasifikasi). Terdapat alat ukur yang dapat digunakan untuk menentukan kesalahan klasifikasi
10 17 yang tidak bergantung pada distribusi populasi dan dapat mempermudah perhitungan berbagai prosedur klasifikasi. Salah satu ukuran yang apa digunakan adalah apparent error rate (APER) yang merupakan fraksi observasi dalam sampel yang salah diklasifikasikan atau misclasified pada fungsi klasifikasi. Penentuan kesalahan pengklasifikasian dapat diketahui melalui tabel klasifikasi. Tabel klasifikasi merupakan tabel kontingensi (k k) berdasarkan data empiris dari variabel respons. Tabel 2.1 Tabel Klasifikasi Keanggotaan Keanggotaan prediksi sebenarnya π 1 π 2 π 3 Total π 1 n 11 n 12 n 13 A π 2 n 21 n 22 n 23 B π 3 n 31 n 32 n 33 C Total D E F G Keterangan: n 11 : jumlah y i dari π 1 yang tepat diklasifikasikan sebagai π 1 n 12 : jumlah y i dari π 1 yang tidak tepat diklasifikasikan sebagai π 2 n 13 : jumlah y i dari π 1 yang tidak tepat diklasifikasikan sebagai π 3 n 21 : jumlah y i dari π 2 yang tidak tepat diklasifikasikan sebagai π 1 n 22 : jumlah y i dari π 2 yang tepat diklasifikasikan sebagai π 2 n 23 : jumlah y i dari π 2 yang tidak tepat diklasifikasikan sebagai π 3 n 31 : jumlah y i dari π 3 yang tidak tepat diklasifikasikan sebagai π 1 n 32 : jumlah y i dari π 3 yang tidak tepat diklasifikasikan sebagai π 2 n 33 : jumlah y i dari π 3 yang tepat diklasifikasikan sebagai π 3
11 18 Sehingga diperoleh rumus kesalahan klasifikasi secara keseluruhan nilai APER adalah: APER = ( n 12 + n 13 + n 21 + n 23 + n 31 + n 32 ). G (2.18) Kemudian, untuk mendapatkan nilai ketepatan klasifikasi (correct classification) digunakan rumus: 1 APER. 2.7 Bootstrap Aggregating (Bagging) Bagging merupakan sebuah metode yang diusulkan oleh Breiman (1994). Metode ini digunakan sebagai alat untuk memperbaiki stabilitas dan kekuatan prediksi dengan cara mereduksi variansi dari suatu prediktor pada metode klasifikasi dan regresi yang penggunaannya tidak dibatasi hanya untuk memperbaiki estimator. Versi berganda dibentuk dengan replikasi bootstrap dari sebuah data set. Pada beberapa kasus, bagging pada data set real atau simulasi dapat meningkatkan akurasi. Jika perubahan pada data set menyebabkan perubahan yang signifikan maka bagging dapat meningkatkan akurasi. Ide dasar dari bagging adalah menggunakan bootstrap resampling untuk membangkitkan prediktor dengan versi berganda, di mana ketika dikombinasikan seharusnya hasilnya lebih baik dibandingkan dengan prediktor tunggal yang dibangun untuk menyelesaikan masalah yang sama (Breiman, 1996). Tabel 2.3 Skema proses Bagging Data set tunggal (data asli): L = {(y i, x i ), i = 1,2,, n} Bootstrap resampling 1, 2, 3, 4, 5, 6, 7, 8 L 1 = (y 1, x 1 ) 2, 7, 8, 3, 7, 6, 3, 1 L 2 = (y 2, x 2 ) 7, 8, 5, 6, 4, 2, 7, 1 L 3 = (y 3, x 3 ) 3, 6, 2, 7, 5, 6, 2, 2 L i = (y i, x i ) 4, 5, 1, 4, 6, 4, 3, 8
12 19 Sebuah data set L terdiri dari data {(y n, x n ), n = 1,, N} dengan y dapat berupa kelas label atau respons numerik. Jika input adalah x maka y diprediksi dengan φ(x, L) di mana φ(x, L) adalah prediktor. Prediktor diperoleh dengan melakukan replikasi bootstrap dari data asli L k yang kemudian disebut φ(x, L k ). Replikasi bootstrap dilakukan sebanyak B kali sehingga {L (B) } dari L (data set) dan dibentuk prediktor {φ(x, L (B) )}. Pengulangan {L (B) } adalah resampling dengan pengembalian (Breiman,1996). Ambil bootstrap sampel dengan pengulangan {L (B) } dari L dan membentuk {φ(x, L (B) )}. Jika y merupakan data numerik, diberikan φ B sebagai φ B (x) = average B φ(x, L (B) ), (2.19) Jika y merupakan kelas label, maka untuk menentukan kategori dengan melakukan vote pada{φ(x, L (B) )} dari φ B (x). Metode bootstrap yang seperti ini dinamakan bagging (bootstrap aggregating). Bagging bekerja dengan baik pada metode yang bersifat tidak stabil, yang mana perubahan kecil pada data set akan menghasilkan perubahan besar pada model yang diperoleh. Beberapa metode yang tidak stabil adalah neural networks, regresi, klasifikasi, dan regresi pohon (regression tree). Sedangkan contoh metode yang stabil adalah k-nearest neighboor (Breiman, 1996) Estimasi Probabilitas Bagging Class Beberapa metode klasifikasi mengestimasi probabilitas p (k x) suatu objek dengan memprediksi vector x termasuk dalam kelas k. Kemudian kelas yang sesuai
13 20 x ditaksir sebagai arg max k p (k x). Pada metode bagging, dari semua replikasi bootstrap diperoleh estimasi p B(k x) yang kemudian digunakan untuk memprediksi kelas arg max k p B(k x). Dari hasil prediksi kelas, dilakukan perhitungan kesalahan klasifikasi untuk setiap replikasi B kali. Terdapat dua cara berbeda dalam mendapatkan nilai kesalahan klasifikasi pada bagging untuk klasifikasi, yaitu dengan majority voting dan average. Hasil proses voting ataupun average dalam hal ini (e B) ditentukan dari prediksi kelas label tiap-tiap replikasi B kali. Penentuan e B dengan voting ataupun average pada bagging memiliki hasil yang hampir sama (Breiman, 1996). Breiman (1996) menyatakan bahwa bagging mengestimasi lebih akurat daripada estimator tunggal. Hal tersebut ditunjukkan dengan membandingkan nilai estimasi error antara estimator tunggal dengan estimator bagging. Algoritma bagging untuk regresi logistik ordinal adalah sebagai berikut: 1. Mengambil sampel bootstrap L B sebanyak n dari data set L, pengambilan sampel dengan pengembalian untuk setiap replikasi sebanyak B. 2. Memodelkan regresi logistik ordinal pada sampel bootstrap L B. 3. Menentukan prediksi variabel respons dari model bagging regresi logistik ordinal untuk setiap replikasi. 4. Mengulang langkah 1 sampai langkah 4 sebanyak B kali. 5. Menentukan prediksi kelas maksimum dengan majority voting dan menghitung nilai kesalahan klasifikasi bagging (e B) dari nilai prediksi kelas maksimum setiap pengulangan sampai B kali.
14 Akaike s Information Criterion (AIC) Metode AIC secara umum dianggap sebagai kriteria pemilihan model yang sampai saat ini terus berkembang dan dipergunakan sebagai salah satu metode dalam pemilihan model terbaik. Metode AIC didasarkan pada metode maximum likelihood estimation (MLE). Untuk menghitung nilai AIC digunakan rumus sebagai berikut (Grasa dalam Fathurahman, 2009): AIC = e n 2 2k/n u i, n (2.20) dengan: k = banyak parameter yang diestimasi dalam model regresi n = banyak observasi e = 2,718 u = sisa (residual) Berdasarkan nilai AIC, suatu model regresi dikatakan sebagai model terbaik adalah jika model regresi memiliki nilai AIC terkecil (Widarjono dalam Fathurahman, 2009). 2.9 Status Gizi Salah satu indikator kesehatan yang dinilai pencapaiannya dalam MDG s adalah status gizi balita (Dinas Kesehatan Provinsi Bali, 2014). Upaya perbaikan gizi dilakukan untuk mengatasi masalah gizi dan sekaligus untuk meningkatkan status gizi serta derajat kesehatan masyarakat. Gizi yang baik pada balita sangat penting bagi pertumbuhan dan perkembangan tubuh balita. Pada balita kurang gizi ada kecenderungan kurang gairah dan lincah, serta terhambat dalam belajar karena
15 22 gizi kurang akan memengaruhi pertumbuhan otak balita sehingga berakibat dalam merugikan usaha mencerdaskan bangsa (Roedjito, 1989). Status gizi balita merupakan hal yang harus diketahui oleh setiap orang tua. Perlunya perhatian lebih dalam tumbuh kembang di usia balita didasarkan fakta bahwa kurang gizi yang terjadi pada masa emas ini, bersifat irreversible (Mufida dkk., 2015). Menurut Kementerian Kesehatan (2013), status gizi balita dapat diukur berdasarkan umur, berat badan (BB), dan tinggi badan (TB). Variabel umum, BB dan TB ini disajikan dalam bentuk tiga indikator antropometri, yaitu: berat badan menurut umur (BB/U), tinggi badan menurut umur (TB/U), dan berat badan menurut tinggi badan (BB/TB). Masing-masing indikator tersebut memiliki pembagian kategori sebagai berikut: a. BB/U: indeks ini diperoleh dari perbandingan antara berat badan dengan umur yang dapat digunakan untuk menilai kemungkinan anak dengan kategori gizi buruk atau gizi kurang. b. TB/U: indeks ini diperoleh dari perbandingan antara tinggi badan dengan umur yang dapat digunakan untuk menggambarkan keadaan kurang gizi kronis yaitu pendek (stunting). c. BB/TB: indeks ini diperoleh dari perbandingan antara berat badan dengan tinggi badan yang dapat digunakan untuk menilai kemungkinan anak dengan kategori kurus atau sangat kurus yang merupakan masalah gizi akut.
16 Balita Anak bawah lima tahun atau sering disingkat sebagai anak balita adalah anak yang telah menginjak usia di atas satu tahun atau lebih populer dengan pengertian usia anak di bawah lima tahun (Muaris dalam Depkes, 2015) atau biasa digunakan perhitungan bulan yaitu bulan. Para ahli menggolongkan usia balita sebagai tahapan perkembangan anak yang cukup rentan terhadap berbagai serangan penyakit. Setiap tahun lebih dari sepertiga kematian anak di dunia berkaitan dengan masalah kurang gizi (Depkes, 2015) Stunting pada Balita Indikator tinggi badan menurut umur (TB/U) digunakan untuk menggambarkan keadaan kurang gizi pendek. Balita pendek (stunting) adalah balita yang mengalami kegagalan untuk mencapai pertumbuhan yang optimal. Stunting dapat mengindikasikan adanya gangguan kronis pada pertumbuhan anak akibat tidak terpenuhinya suplai makanan dalam waktu lama, adanya penyakit infeksi atau kondisi kesehatan lingkungan buruk yang disebabkan oleh kemiskinan (SCN Task Force dalam Tahir, 2012). Berdasarkan Kementerian Kesehatan (2013), pada anak balita masalah stunting lebih banyak dibandingkan dengan masalah kurang gizi lainnya. Di Provinsi Bali pada tahun 2013 kejadian stunting terjadi sebanyak 32,6% lebih tinggi dibandingkan kejadian gizi buruk 13,2% dan kurus 8,8%.
17 Status Anemia Ibu Ibu hamil yang mengalami anemia dapat mengakibatkan janin dalam tubuh ibu mengalami hambatan pertumbuhan, lahir prematur, bayi dengan berat badan lahir rendah (BBLR), serta lahir dengan cadangan zat besi kurang sampai dengan kematian janin di dalam kandungan. Sedangkan bagi ibu hamil sendiri akan menyebabkan komplikasi, gangguan pada saat persalinan dan dapat membahayakan kondisi ibu seperti badan lemah, pingsan hingga menyebabkan mudahnya terinfeksi penyakit (Sulistyoningsih, 2011) Pengukuran LILA Ibu Pengukuran lingkar lengan atas (LILA) dilakukan ibu hamil untuk mengetahui risiko kekurangan energi kronis (KEK) pada ibu tersebut. KEK merupakan suatu keadaan yang menunjukkan kekurangan energi dan protein dalam jangka waktu yang lama (Kemenkes R.I. dalam Suciari, 2015) Berat Badan Lahir Berat badan lahir sangat terkait dengan pertumbuhan dan perkembangan jangka panjang pada balita. Menurut Unicef dan WHO (2004) bayi dengan berat badan lahir rendah (BBLR) merupakan hasil dari kelahiran prematur atau dikarenakan terhambatnya pertumbuhan janin dalam kandungan. BBLR telah didefinisikan oleh WHO sebagai bayi yang lahir dengan berat lahir kurang dari 2500 gr. BBLR berkaitan erat dengan kematian dan morbiditas dari janin dan neonatus, terhambatnya pertumbuhan dan perkembangan kognitif, dan timbulnya
18 25 penyakit kronis di kemudian hari. Banyak faktor yang menyebabkan BBLR yaitu, durasi kehamilan dan perkembangan janin. Hal tersebut berkaitan dengan bayi, ibu, atau lingkungan fisik dan memainkan peranan penting dalam menentukan berat badan lahir dan masa depan kesehatan bayi Panjang Badan Lahir Asupan gizi yang kurang adekuasi sebelum masa kehamilan gangguan pertumbuhan pada janin sehingga dapat menyebabkan bayi lahir dengan panjang badan lahir pendek. bayi yang dilahirkan memiliki panjang badan lahir normal bila panjang badan lahir bayi tersebut berada pada panjang cm (Kemenkes R.I. dalam Suciari, 2015) MP-ASI Makanan pendamping ASI (MP-ASI) merupakan makanan pendamping ASI, bukan makanan pengganti ASI. Dikatakan pendamping, berarti bila sudah waktunya diberikan makanan pendamping ini, bukan berarti pemberian ASI harus dihentikan. Umpasi (Umur Pemberian Usia MP-ASI) pada usia 6 bulan dianggap merupakan saat yang tepat untuk pemberian MP-ASI. Pada usia ini, saluran pencernaan bayi sudah cukup mampu untuk menerima makanan selain ASI dan kebutuhan bayi sudah tidak lagi tercukupi hanya dengan pemberian ASI, sehingga dibutuhkan sumber nutrisi lain untuk mencukupi kebutuhannya (Nopri, 2013).
BAB I PENDAHULUAN. logistik didasarkan pada pendekatan analisis regresi linear merupakan metode yang
BAB I PENDAHULUAN 1.1 Latar Belakang Klasifikasi merupakan suatu metode statistika untuk mengelompokkan sekumpulan objek yang disusun secara sistematis ke dalam suatu kelompokkelompok baru yang lebih kecil
Lebih terperinciBOOTSTRAP AGGREGATING (BAGGING) REGRESI LOGISTIK ORDINAL UNTUK MENGKLASIFIKASIKAN STATUS GIZI BALITA DI KABUPATEN KLUNGKUNG
E-Jurnal Matematika Vol. 5 (3), Agustus 2016, pp. 103-110 ISSN: 2303-1751 BOOTSTRAP AGGREGATING (BAGGING) REGRESI LOGISTIK ORDINAL UNTUK MENGKLASIFIKASIKAN STATUS GIZI BALITA DI KABUPATEN KLUNGKUNG Palupi
Lebih terperinciMETODE BOOTSTRAP AGGREGATING REGRESI LOGISTIK BINER UNTUK KETEPATAN KLASIFIKASI KESEJAHTERAAN RUMAH TANGGA DI KOTA PATI
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 6, Nomor 1, Tahun 2017, Halaman 121-130 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian METODE BOOTSTRAP AGGREGATING REGRESI LOGISTIK BINER UNTUK KETEPATAN
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA A. Keberhasilan Belajar 1. Pengertian Keberhasilan Belajar Dalam kamus besar bahasa Indonesia, keberhasilan itu sendiri adalah hasil yang telah dicapai (dilakukan, dikerjakan dan
Lebih terperinciPEMODELAN DENGAN REGRESI LOGISTIK. Secara umum, kedua hasil dilambangkan dengan (sukses) dan (gagal)
PEMODELAN DENGAN REGRESI LOGISTIK 1. Data Biner Data biner merupakan data yang hanya memiliki dua kemungkinan hasil. Secara umum, kedua hasil dilambangkan dengan (sukses) dan (gagal) dengan peluang masing-masing
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Regresi Logistik Regresi adalah bagaimana satu variabel yaitu variabel dependen dipengaruhi oleh satu atau lebih variabel lain yaitu variabel independen dengan tujuan untuk
Lebih terperinciKETEPATAN KLASIFIKASI PEMILIHAN METODE KONTRASEPSI DI KOTA SEMARANG MENGGUNAKAN BOOSTSTRAP AGGREGATTING REGRESI LOGISTIK MULTINOMIAL
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 1, Tahun 2015, Halaman 11-20 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian KETEPATAN KLASIFIKASI PEMILIHAN METODE KONTRASEPSI DI KOTA SEMARANG
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Pendahuluan Sebelum melakukan pembahasan mengenai permasalahan dari skripsi ini, akan diuraikan beberapa teori penunjang antara lain: Kredit Macet, Regresi Logistik, Model Terbaik
Lebih terperinciBAB III REGRESI LOGISTIK BINER DAN CLASSIFICATION AND REGRESSION TREES (CART) Odds Ratio
21 BAB III REGRESI LOGISTIK BINER DAN CLASSIFICATION AND REGRESSION TREES (CART) 3.1 Regresi Logistik Biner Regresi logistik berguna untuk meramalkan ada atau tidaknya karakteristik berdasarkan prediksi
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pengklasifikasian merupakan salah satu metode statistika untuk mengelompok atau menglasifikasi suatu data yang disusun secara sistematis. Masalah klasifikasi sering
Lebih terperinciANALISIS PELUANG STATUS GIZI ANAK DENGAN MENGGUNAKAN METODE REGRESI LOGISTIK MULTINOMIAL BERBASIS KOMPUTER
ANALISIS PELUANG STATUS GIZI ANAK DENGAN MENGGUNAKAN METODE REGRESI LOGISTIK MULTINOMIAL BERBASIS KOMPUTER Kimmy Octavian Yongharto Binus University, DKI Jakarta, Jakarta, Indonesia Abstrak Salah satu
Lebih terperinciBAB III METODE PENELITIAN
17 BAB III METODE PENELITIAN 3.1.Waktu dan Tempat Penelitian ini dilaksanakan pada bulan februari 2009-Juni 2009 di beberapa wilayah terutama Jakarta, Depok dan Bogor untuk pengambilan sampel responden
Lebih terperinciANALISIS REGRESI LOGISTIK ORDINAL PADA FAKTOR-FAKTOR BERPENGARUH TERHADAP PENYAKIT MATA KATARAK BAGI PASIEN PENDERITA DI KLINIK MATA UTAMA GRESIK
LAPORAN TUGAS AKHIR ANALISIS REGRESI LOGISTIK ORDINAL PADA FAKTOR-FAKTOR BERPENGARUH TERHADAP PENYAKIT MATA KATARAK BAGI PASIEN PENDERITA DI KLINIK MATA UTAMA GRESIK Latar Belakang Katarak Indonesia Klinik
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Analisis statistika pada dasarnya merupakan suatu analisis terhadap sampel yang kemudian hasilnya akan digeneralisasi untuk menggambarkan suatu karakteristik populasi.
Lebih terperinciMODEL REGRESI LOGISTIK BINER DENGAN METODE PENALIZED MAXIMUM LIKELIHOOD. Edi Susilo, Anna Islamiyati, Muh. Saleh AF. ABSTRAK
MODEL REGRESI LOGISTIK BINER DENGAN METODE PENALIZED MAXIMUM LIKELIHOOD Edi Susilo, Anna Islamiyati, Muh. Saleh AF. ABSTRAK Analisis regresi logistik biner dengan metode penalized maximum likelihood digunakan
Lebih terperinciKata Kunci: Model Regresi Logistik Biner, metode Maximum Likelihood, Demam Berdarah Dengue
Jurnal Matematika UNAND Vol. VI No. 1 Hal. 9 16 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PEMODELAN FAKTOR-FAKTOR YANG MEMPENGARUHI KEJADIAN DBD (DEMAM BERDARAH DENGUE) MENGGUNAKAN REGRESI LOGISTIK
Lebih terperinciBAB III PERLUASAN MODEL REGRESI COX PROPORTIONAL HAZARD DENGAN VARIABEL TERIKAT OLEH WAKTU
BAB III PERLUASAN MODEL REGRESI COX PROPORTIONAL HAZARD DENGAN VARIABEL TERIKAT OLEH WAKTU 3.1 Model Regresi Cox Proportional Hazard dengan Variabel Terikat oleh Waktu Model regresi Cox proportional hazard
Lebih terperinciKETEPATAN KLASIFIKASI PEMILIHAN METODE KONTRASEPSI REGRESI LOGISTIK MULTINOMIAL
KETEPATAN KLASIFIKASI PEMILIHAN METODE KONTRASEPSI DI KOTA SEMARANG MENGGUNAKAN BOOSTSTRAP AGGREGATTING REGRESI LOGISTIK MULTINOMIAL SKRIPSI Oleh : Ahmad Reza Aditya 24010210130055 JURUSAN STASTISTIKA
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 6, Nomor 1, Tahun 2017, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 6, Nomor 1, Tahun 2017, Halaman 111-120 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI INDEKS PEMBANGUNAN
Lebih terperinciBAB II LANDASAN TEORI. landasan pembahasan pada bab selanjutnya. Pengertian-pengertian dasar yang di
5 BAB II LANDASAN TEORI Bab ini membahas pengertian-pengertian dasar yang digunakan sebagai landasan pembahasan pada bab selanjutnya. Pengertian-pengertian dasar yang di bahas adalah sebagai berikut: A.
Lebih terperinciANALISIS PENDUDUK BEKERJA BERDASARKAN SEKTOR PEKERJAAN DAN JAM KERJA MENGGUNAKAN REGRESI PROBIT BIVARIAT DI PROVINSI ACEH
ANALISIS PENDUDUK BEKERJA BERDASARKAN SEKTOR PEKERJAAN DAN JAM KERJA MENGGUNAKAN REGRESI PROBIT BIVARIAT DI PROVINSI ACEH Rizal Rahmad 1, Toni Toharudin 2, Anna Chadijah 3 Prodi Master Statistika Terapan,
Lebih terperinciBOOTSTRAP AGGREGATING (BAGGING) REGRESI LOGISTIK ORDINAL UNTUK MENGKLASIFIKASIKAN STATUS GIZI BALITA DI KABUPATEN KLUNGKUNG KOMPETENSI STATISTIKA
BOOTSTRAP AGGREGATING (BAGGING) REGRESI LOGISTIK ORDINAL UNTUK MENGKLASIFIKASIKAN STATUS GIZI BALITA DI KABUPATEN KLUNGKUNG KOMPETENSI STATISTIKA [SKRIPSI] PALUPI PURNAMA SARI 1108405049 JURUSAN MATEMATIKA
Lebih terperinciPEMODELAN JUMLAH KASUS TETANUS NEONATORUM DENGAN MENGGUNAKAN REGRESI POISSON UNTUK WILAYAH REGIONAL 2 INDONESIA (SUMATERA)
Jurnal Matematika UNAND Vol. 5 No. 1 Hal. 116 124 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PEMODELAN JUMLAH KASUS TETANUS NEONATORUM DENGAN MENGGUNAKAN REGRESI POISSON UNTUK WILAYAH REGIONAL 2
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI A. Tinjauan Pustaka 1. Berat Badan Lahir Cukup (BBLC) a. Definisi Berat badan lahir adalah berat badan yang didapat dalam rentang waktu 1 jam setelah lahir (Kosim et al., 2014). BBLC
Lebih terperinciANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI KEPUTUSAN KONSUMEN MEMBELI SUATU PRODUK DENGAN METODE ANALISIS REGRESI LOGISTIK ORDINAL
J u r n a l E K B I S / V o l. V I / N o. / e d i s i M a r e t 2 0 2 379 ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI KEPUTUSAN KONSUMEN MEMBELI SUATU PRODUK DENGAN METODE ANALISIS REGRESI LOGISTIK ORDINAL
Lebih terperinciBAB II TINJAUAN PUSTAKA. level, model regresi tiga level, penduga koefisien korelasi intraclass, pendugaan
6 BAB II TINJAUAN PUSTAKA Pada Bab II akan dibahas konsep-konsep yang menjadi dasar dalam penelitian ini yaitu analisis regresi, analisis regresi multilevel, model regresi dua level, model regresi tiga
Lebih terperinciStatistika ITS Surabaya
SEMINAR TUGAS AKHIR POLA HUBUNGAN ANTARA STATUS GIZI BALITA DAN FAKTOR- FAKTOR SOSIAL EKONOMI TERHADAP TINGKAT KESEJAHTERAAN KELUARGA PADA KELUARGA NELAYAN DI SURABAYA TIMUR Oleh : Rindyanita Rizky K.
Lebih terperinciPENERAPAN ANALISIS REGRESI LOGISTIK PADA PEMAKAIAN ALAT KONTRASEPSI WANITA
Saintia Matematika Vol. 1, No. 1 (2013), pp. 51 61. PENERAPAN ANALISIS REGRESI LOGISTIK PADA PEMAKAIAN ALAT KONTRASEPSI WANITA (Studi kasus di desa Dolok Mariah Kabupaten Simalungun) Oktani Haloho, Pasukat
Lebih terperinciBAB II KAJIAN TEORI. Analisis survival atau analisis ketahanan hidup adalah metode yang
BAB II KAJIAN TEORI BAB II KAJIAN TEORI A. Analisis Survival Analisis survival atau analisis ketahanan hidup adalah metode yang berhubungan dengan jangka waktu, dari awal pengamatan sampai suatu kejadian
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Radang paru paru adalah sebuah penyakit pada paru paru dimana pulmonary alveolus yang bertanggung jawab menyerap oksigen dari atmosfer meradang dan terisi cairan. Berdasarkan
Lebih terperinciREGRESI LOGISTIK UNTUK PEMODELAN INDEKS PEMBANGUNAN KESEHATAN MASYARAKAT KABUPATEN/KOTA DI PULAU KALIMANTAN
REGRESI LOGISTIK UNTUK PEMODELAN INDEKS PEMBANGUNAN KESEHATAN MASYARAKAT KABUPATEN/KOTA DI PULAU KALIMANTAN M. Fathurahman Jurusan Matematika, Program Studi Statistika, Fakultas Matematika dan Ilmu Pengetahuan
Lebih terperinciBAB III MODEL GEOGRAPHICALLY WEIGHTED LOGISTIC REGRESSION SEMIPARAMETRIC (GWLRS)
28 BAB III MODEL GEOGRAPHICALLY WEIGHTED LOGISTIC REGRESSION SEMIPARAMETRIC (GWLRS) 3.1 Geographically Weighted Logistic Regression (GWLR) Geographically Weighted Logistic Regression adalah metode untuk
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Statistika adalah salah satu cabang ilmu matematika yang memperhitungkan probabilitas dari suatu data sampel dengan tujuan mendapatkan kesimpulan mendekati
Lebih terperinciMasalah Overdispersi dalam Model Regresi Logistik Multinomial
Statistika, Vol. 16 No. 1, 29 39 Mei 2016 Masalah Overdispersi dalam Model Regresi Logistik Multinomial Annisa Lisa Nurjanah, Nusar Hajarisman, Teti Sofia Yanti Prodi Statistika, Fakultas Matematika dan
Lebih terperinciPemodelan Ketahanan Pangan Rumah Tangga Penderita Tuberkulosis Paru Menggunakan Regresi Logistik Biner
SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 017 Pemodelan Ketahanan Pangan Rumah Tangga Penderita Tuberkulosis Paru Menggunakan Regresi Logistik Biner S - 1 Ayu Febriana Dwi Rositawati 1, Sri Pingit
Lebih terperinciHary Mega Gancar Prakosa Dosen Pembimbing Dr. Suhartono, S.Si, M.Sc Co Pembimbing Dr. Bambang Wijanarko Otok, S.Si, M.
KLASIFIKASI KESEJAHTERAAN RUMAH TANGGA DI PROVINSI JAWA TIMUR DENGAN PENDEKATAN BOOTSTRAP AGGREGATTING CLASSIFICATION AND REGRESSION TREES Hary Mega Gancar Prakosa 1307 100 077 Dosen Pembimbing Dr. Suhartono,
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Regresi logistik digunakan untuk memprediksi variabel respon yang biner dengan satu set variabel penjelas (prediktor). Estimasi parameter dapat menjadi tidak
Lebih terperinciBAB 1 : PENDAHULUAN. Millenuim Development Goals (MDGs) adalah status gizi (SDKI, 2012). Status
BAB 1 : PENDAHULUAN 1.1 Latar Belakang Salah satu indikator kesehatan yang dinilai keberhasilannya dalam Millenuim Development Goals (MDGs) adalah status gizi (SDKI, 2012). Status gizi adalah ekspresi
Lebih terperinciGeneralized Ordinal Logistic Regression Model pada Pemodelan Data Nilai Pesantren Mahasiswa Baru FMIPA Universitas Islam Bandung Tahun 2017
Prosiding Statistika ISSN: 2460-6456 Generalized Ordinal Logistic Regression Model pada Pemodelan Data Nilai Pesantren Mahasiswa Baru FMIPA Universitas Islam Bandung Tahun 2017 Generalized Ordinal Logistic
Lebih terperinciKata Kunci Keparahan Korban Kecelakaan Lalu Lintas, Model Log Linier, Regresi Logistik Multinomial. H 1 Ada hubungan antara dua variabel yang diamati
Pemodelan Faktor Penyebab Keparahan Korban Kecelakaan Lalu Lintas Dengan Metode Regresi Logistik Multinomial (Studi Kasus Kecelakaan Lalu Lintas di Provinsi DKI Jakarta) Weny Rahmayanti, dan Vita Ratnasari
Lebih terperinciPemodelan Logit, Probit dan Complementary Log-Log pada Studi Kasus Partisipasi Perempuan dalam Pembangunan Ekonomi di Kalimantan Selatan
D181 Logit, Probit dan Complementary Log-Log pada Studi Kasus Partisipasi Perempuan dalam Pembangunan Ekonomi di Kalimantan Selatan Rizfanni Cahya Putri dan Vita Ratnasari Jurusan Statistika, Fakultas
Lebih terperincidi masa yang akan datang dilihat dari aspek demografi dan kepuasannya. PENDAHULUAN
1 PENDAHULUAN Latar Belakang Saat ini ada dua teknologi yang diusung oleh perusahaan-perusahaan telekomunikasi Indonesia yaitu teknologi Global System for Mobile communication (GSM) dan teknologi Code
Lebih terperinciIV. METODE PENELITIAN. Penelitian ini dilakukan di Desa Purwasari, Kecamatan Dramaga
IV. METODE PENELITIAN 4.1 Lokasi dan Waktu Penelitian Penelitian ini dilakukan di Desa Purwasari, Kecamatan Dramaga Kabupaten Bogor, Propinsi Jawa Barat. Pemilihan lokasi dilakukan secara sengaja dengan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Seiring dengan kemajuan ilmu pengetahuan dan teknologi mendorong masyarakat untuk semakin memperlihatkan derajat kesehatan demi peningkatan kualitas hidup yang lebih
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Tempat dan Waktu Penelitian Penelitian dilaksanakan di Kabupaten Gresik karena ibu hamil yang mengalami KEK dan bayi dengan berat lahir rendah masih tinggi. Waktu pengambilan
Lebih terperinciBAB II TINJAUAN PUSTAKA. Ki Hajar Dewantara (Bapak Pendidikan Nasional Indonesia, )
BAB II TINJAUAN PUSTAKA 2.1 Pengertian Pendidikan Ki Hajar Dewantara (Bapak Pendidikan Nasional Indonesia, 1889-1959) menjelaskan tentang pengertian pendidikan yaitu: Pendidikan umumnya berarti daya upaya
Lebih terperinciBAB I PENDAHULUAN. Indonesia (SDKI) tahun 2012 AKI di Indoensia mencapai 359 per jumlah
BAB I PENDAHULUAN 1.1 Latar Belakang Angka kematian ibu (AKI) menjadi salah satu indikator dalam derajat kesehatan masyarakat. AKI menggambarkan jumlah wanita yang meninggal dari suatu penyebab kematian
Lebih terperinciMODEL REGRESI COX PROPORTIONAL HAZARD PADA LAJU TAMAT MAHASISWA JURUSAN MATEMATIKA UNIVERSITAS ANDALAS
Jurnal Matematika UNAND Vol. VI No. 1 Hal. 33 41 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND MODEL REGRESI COX PROPORTIONAL HAZARD PADA LAJU TAMAT MAHASISWA JURUSAN MATEMATIKA UNIVERSITAS ANDALAS
Lebih terperinciIII. METODE PENELITIAN
30 III. METODE PENELITIAN A. Konsep Dasar dan Batasan Operasional Konsep dasar dan batasan operasional dalam penelitian ini mencakup seluruh definisi yang digunakan untuk memperoleh data yang akan dianalisis
Lebih terperinciBAB III REGRESI TERSENSOR (TOBIT) Model regresi yang didasarkan pada variabel terikat tersensor disebut
BAB III REGRESI TERSENSOR (TOBIT) 3.1 Model Regresi Tersensor (Tobit) Model regresi yang didasarkan pada variabel terikat tersensor disebut model regresi tersensor (tobit). Untuk variabel terikat yang
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 4, Nomor 3, Tahun 2015, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 3, Tahun 2015, Halaman 651-659 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian KLASIFIKASI TINGKAT KELANCARAN NASABAH DALAM MEMBAYAR PREMI
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Status Gizi Status gizi merupakan keadaan yang diakibatkan oleh status keseimbangan antara jumlah asupan zat gizi atau jumlah makanan (zat gizi) yang dikonsumsi dengan jumlah
Lebih terperinciDosen Pembimbing : Dr. Purhadi, M.Sc
Citra Fatimah Nur / 1306 100 065 Dosen Pembimbing : Dr. Purhadi, M.Sc Outline 1 PENDAHULUAN TINJAUAN PUSTAKA 3 METODOLOGI PENELITIAN 4 ANALISIS DAN PEMBAHASAN 5 KESIMPULAN Latar Belakang 1960-1970 1970-1980
Lebih terperinciBAB III PEMBAHASAN. extended untuk mengatasi nonproportional hazard dan penerapannya pada kasus
BAB III PEMBAHASAN BAB III PEMBAHASAN Pada Bab III ini akan dibahas tentang prosedur pembentukan model Cox extended untuk mengatasi nonproportional hazard dan penerapannya pada kasus kejadian bersama yaitu
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 2015, Halaman Online di:
ISSN: 2339-254 JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 205, Halaman 997-005 Online di: http://ejournal-s.undip.ac.id/index.php/gaussian PERBANDINGAN METODE KLASIFIKASI REGRESI LOGISTIK BINER DAN RADIAL
Lebih terperinciFaktor Risiko Penyakit Anemia Gizi Besi pada Ibu Hamil di Jawa Timur Menggunakan Analisis Regresi Logistik
JURNAL SAINS DAN SENI ITS Vol. 4, No.2, (2015) 2337-3520 (2301-928X Print) D-305 Faktor Risiko Penyakit Anemia Gizi Besi pada Ibu Hamil di Jawa Timur Menggunakan Analisis Regresi Logistik Fatkhiyatur Rizki,
Lebih terperinciIDENTIFIKASI FAKTOR-FAKTOR YANG MEMPENGARUHI MAHASISWA PASCASARJANA IPB BERHENTI STUDI MENGGUNAKAN ANALISIS CHAID DAN REGRESI LOGISTIK
IDENTIFIKASI FAKTOR-FAKTOR YANG MEMPENGARUHI MAHASISWA PASCASARJANA IPB BERHENTI STUDI MENGGUNAKAN ANALISIS CHAID DAN REGRESI LOGISTIK Mohamad Jajuli Teknik Informatika, Fakultas Ilmu Komputer, Universitas
Lebih terperinciBAB III METODE PENELITIAN. Berdasarkan permasalahan dan hipotesis penelitian, penelitian ini
digilib.uns.ac.id BAB III METODE PENELITIAN 3.1. Model Penelitian Berdasarkan permasalahan dan hipotesis penelitian, penelitian ini menggunakan metode deskriptif dengan pendekatan kuantitatif, tujuannya
Lebih terperinci(M.9) PEMODELAN MELEK HURUF DAN RATA-RATA LAMA STUDI DENGAN PENDEKATAN MODEL BINER BIVARIAT
Univeitas Padjadjaran, 3 November 00 (M.9) PEMODELAN MELEK HURUF DAN RATA-RATA LAMA STUDI DENGAN PENDEKATAN MODEL BINER BIVARIAT Vita Ratnasari, Purhadi, Ismaini, Suhartono Mahasiswa S3 Jurusan Statistika
Lebih terperinciFAKTOR-FAKTOR YANG MEMPENGARUHI RUMAH TANGGA NELAYAN BERPERILAKU HIDUP BERSIH DAN SEHAT DENGAN ANALISIS REGRESI LOGISTIK
FAKTOR-FAKTOR YANG MEMPENGARUHI RUMAH TANGGA NELAYAN BERPERILAKU HIDUP BERSIH DAN SEHAT DENGAN ANALISIS REGRESI LOGISTIK Oleh: Agista Dyah Prabawati (1308 100 026) Dosen Pembimbing: Dra. Destri Susilaningrum,
Lebih terperinciPEMODELAN JUMLAH KEMATIAN BAYI DI KOTA PADANG TAHUN 2013 DAN 2014 DENGAN PENDEKATAN REGRESI BINOMIAL NEGATIF
Jurnal Matematika UNAND Vol. VI No. 1 Hal. 74 82 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PEMODELAN JUMLAH KEMATIAN BAYI DI KOTA PADANG TAHUN 2013 DAN 2014 DENGAN PENDEKATAN REGRESI BINOMIAL NEGATIF
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 3, Nomor 4, Tahun 2014, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 4, Tahun 2014, Halaman 615-624 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian KETEPATAN KLASIFIKASI KEIKUTSERTAAN KELUARGA BERENCANA (KB)
Lebih terperinciFaktor yang Mempengaruhi Terjangkitnya Penyakit Diare pada Balita di Propinsi Nanggroe Aceh Darussalam
Faktor yang Mempengaruhi Terjangkitnya Penyakit Diare pada Balita di Propinsi Nanggroe Aceh Darussalam Oleh: Urifah Hidayanti (1310 030 028) Dosen Pembimbing: Ir. Mutiah Salamah, M.Kes Ujian Tugas Akhir
Lebih terperinciSarimah. ABSTRACT
PENDETEKSIAN OUTLIER PADA REGRESI LOGISTIK DENGAN MENGGUNAKAN TEKNIK TRIMMED MEANS Sarimah Mahasiswa Program Studi S1 Matematika Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas
Lebih terperinciBAB II TINJAUAN PUSTAKA. satu peubah prediktor dengan satu peubah respon disebut analisis regresi linier
BAB II TINJAUAN PUSTAKA 2.1 Analisis Regresi Linier Berganda Analisis regresi pertama kali dikembangkan oleh Sir Francis Galton pada abad ke-19. Analisis regresi dengan satu peubah prediktor dan satu peubah
Lebih terperinciIV METODE PENELITIAN
IV METODE PENELITIAN 4.1. Lokasi dan Waktu Penelitian Lokasi penelitian dilakukan di enam kelurahan di Kota Depok, yaitu Kelurahan Pondok Petir, Kelurahan Curug, Kelurahan Tapos, Kelurahan Beji, Kelurahan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar belakang
BAB 1 PENDAHULUAN 1.1 Latar belakang Metode klasifikasi merupakan salah satu metode statistika untuk mengelompok atau mengklasifikasi suatu data yang disusun secara sistematis ke dalam suatu kelompok sehingga
Lebih terperinciEKO ERTANTO PEMBIMBING
UJIAN TUGAS AKHIR Faktor-faktor yang Mempengaruhi Kelengkapan Pemberian Imunisasi Untuk Bayi Dengan Metode Regresi Logistik (Kasus di Kelurahan Keputih Surabaya) YUDHA EKO ERTANTO 1307030054 PEMBIMBING
Lebih terperinciLANDASAN TEORI. menyatakan hubungan antara variabel respon Y dengan variabel-variabel
5 II. LANDASAN TEORI 2.1 Model Regresi Poisson Analisis regresi merupakan metode statistika yang populer digunakan untuk menyatakan hubungan antara variabel respon Y dengan variabel-variabel prediktor
Lebih terperinciDAFTAR ISI. Halaman. viii
DAFTAR ISI Halaman HALAMAN JUDUL... i HALAMAN PENGESAHAN... ii KATA PENGANTAR... iv ABSTRAK... vi ABSTACT... vii DAFTAR ISI... viii DAFTAR SIMBOL... xi DAFTAR TABEL... xiii DAFTAR GAMBAR... xiv DAFTAR
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang. Gizi merupakan faktor penting untuk mewujudkan manusia Indonesia.
BAB 1 PENDAHULUAN 1.1. Latar Belakang Gizi merupakan faktor penting untuk mewujudkan manusia Indonesia. Berbagai penelitian mengungkapkan bahwa kekurangan gizi, terutama pada usia dini akan berdampak pada
Lebih terperinciBAB V HASIL DAN PEMBAHASAN
BAB V HASIL DAN PEMBAHASAN A. Analisis Statistik 1. Uji Klasifikasi Model Uji klasifikasi model dapat menunjukkan kekuatan atau ketepatan prediksi dari model regresi untuk mempredikasi tingkat nilai willingness
Lebih terperinciBAB I PENDAHULUAN. sewajarnya untuk mempelajari cara bagaimana variabel-variabel itu dapat
BAB I PENDAHULUAN 1.1 Latar Belakang Jika kita mempunyai data yang terdiri dari dua atau lebih variabel maka sewajarnya untuk mempelajari cara bagaimana variabel-variabel itu dapat berhubungan, hubungan
Lebih terperinciIII. METODOLOGI PENELITIAN. penelitian ini, penulis menggunakan dua sumber data, yaitu :
III. METODOLOGI PENELITIAN A. Jenis dan Sumber Data Salah satu yang mempengaruhi kualitas penelitian adalah kualitas data yang dikumpulkan. Pengumpulan data dapat dilakukan dengan berbagai cara. Dalam
Lebih terperinciPemodelan Angka Putus Sekolah Tingkat SLTP dan sederajat di Jawa Timur Tahun 2012 dengan Menggunakan Analisis Regresi Logistik Ordinal
Pemodelan Angka Putus Sekolah Tingkat SLTP dan sederajat di Jawa Timur Tahun 2012 dengan Menggunakan Analisis Regresi Logistik Ordinal Oleh: DELTA ARLINTHA PURBASARI 1311030086 Dosen Pembimbing: Dr. Vita
Lebih terperinciANALISIS REGRESI LOGISTIK UNTUK MENGETAHUI FAKTOR FAKTOR YANG MEMPENGARUHI FREKUENSI KEDATANGAN PELANGGAN DI PUSAT PERBELANJAAN X
ANALISIS REGRESI LOGISTIK UNTUK MENGETAHUI FAKTOR FAKTOR YANG MEMPENGARUHI FREKUENSI KEDATANGAN PELANGGAN DI PUSAT PERBELANJAAN X Erna Hayati Fakultas Ekonomi Universitas Islam Lamongan ABSTRAKSI Kepuasan
Lebih terperinci1 BAB I 2 PENDAHULUAN. sangat diperlukan dalam kehidupan sehari-hari. Begitu pula dalam penelitian
1 BAB I 2 PENDAHULUAN A. Latar Belakang Masalah Statistika merupakan salah satu disiplin ilmu yang penerapannya hampir di semua aspek kehidupan. Hal ini menunjukkan bahwa peranan statistika sangat diperlukan
Lebih terperinciBAB III REGRESI SPASIAL DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED POISSON REGRESSION (GWPR)
BAB III REGRESI SPASIAL DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED POISSON REGRESSION (GWPR) 3.1 Regresi Poisson Regresi Poisson merupakan suatu bentuk analisis regresi yang digunakan untuk memodelkan data
Lebih terperinciPengaruh brand image IM3terhadap keputusan pembelian simcard Gambar 7. Kerangka pemikiran
22 III. METODOLOGI PENELITIAN 3.1 Kerangka Pemikiran Perusahaan memiliki strategi tertentu untuk memenangkan persaingan dalam pasar yang mereka hadapi. Perusahaan yang ketat dalam pasar operator seluler
Lebih terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masa bayi berlangsung selama dua tahun pertama kehidupan setelah periode bayi baru lahir selama dua minggu. Masa bayi adalah masa dasar yang sesungguhnya untuk proses
Lebih terperinciANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI PENERIMAAN PESERTA DIDIK SMA NEGERI 2 SEMARANG MENGGUNAKAN METODE REGRESI LOGISTIK ORDINAL
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 3, Tahun 2016, Halaman 405-416 Online di: http://ejournal-s1undipacid/indexphp/gaussian ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI PENERIMAAN PESERTA DIDIK
Lebih terperinciBAB I PENDAHULUAN. Masalah gizi khususnya balita stunting dapat menghambat proses
BAB I PENDAHULUAN A. Latar Belakang Masalah gizi khususnya balita stunting dapat menghambat proses tumbuh kembang balita. Balita pendek memiliki dampak negatif yang akan berlangsung dalam kehidupan selanjutnya.
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Regresi Logistik Biner Regresi logistik biner merupakan salah satu pendekatan model matematis yang digunakan untuk menganalisis hubungan beberapa faktor dengan sebuah variabel
Lebih terperinciANALISIS REGRESI MULTIVARIAT BERDASARKAN FAKTOR-FAKTOR YANG MEMPENGARUHI DERAJAT KESEHATAN DI PROVINSI JAWA TIMUR
ANALISIS REGRESI MULTIVARIAT BERDASARKAN FAKTOR-FAKTOR YANG MEMPENGARUHI DERAJAT KESEHATAN DI PROVINSI JAWA TIMUR Rosy Riskiyanti 1308.100.508 Dosen Pembimbing Ir. Sri Pingit Wulandari, M.Si Latar Belakang
Lebih terperinciTINJAUAN PUSTAKA. i dari yang terkecil ke yang terbesar. Tebaran titik-titik yang membentuk garis lurus menunjukkan kesesuaian pola
TINJAUAN PUSTAKA Analisis Diskriminan Analisis diskriminan (Discriminant Analysis) adalah salah satu metode analisis multivariat yan bertujuan untuk memisahkan beberapa kelompok data yan sudah terkelompokkan
Lebih terperinciIV. METODE PENELITIAN. Kawasan ini dipilih secara sengaja (purposive) dengan pertimbangan bahwa
IV. METODE PENELITIAN 4.1 Lokasi dan Waktu Penelitian Pengambilan data untuk keperluan penelitian dilakukan di Kelurahan Harapan Jaya, Kecamatan Bekasi Utara, Kota Bekasi, Provinsi Jawa Barat. Kawasan
Lebih terperinciPEMODELAN DISPARITAS GENDER DI JAWA TIMUR DENGAN PENDEKATAN MODEL REGRESI PROBIT ORDINAL
1 PEMODELAN DISPARITAS GENDER DI JAWA TIMUR DENGAN PENDEKATAN MODEL REGRESI PROBIT ORDINAL Uaies Qurnie Hafizh, Vita Ratnasari Jurusan Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut
Lebih terperinciRMSE = dimana : y = nilai observasi ke-i V PEMBAHASAN. = Jenis kelamin responden (GENDER) X. = Pendidikan responden (EDU) X
pembilang persamaan (3) adalah rataan jumlah kuadrat galat, N jumlah pengamatan dan M jumlah himpunan bagian. Penyebutnya merupakan fungsi nilai kompleks, dengan C(M) adalah nilai kompleksitas model yang
Lebih terperinciBAB II TINJAUAN PUSTAKA. konsep-konsep dasar pada QUEST dan CHAID, algoritma QUEST, algoritma
BAB II TINJAUAN PUSTAKA Bab ini akan membahas pengertian metode klasifikasi berstruktur pohon, konsep-konsep dasar pada QUEST dan CHAID, algoritma QUEST, algoritma CHAID, keakuratan dan kesalahan dalam
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 4, Nomor 3, Tahun 2015, Halaman Online di:
ISSN: 2339-254 JURNAL GAUSSIAN, Volume 4, Nomor 3, ahun 205, Halaman 44-45 Online di: http://ejournal-s.undip.ac.id/index.php/gaussian KEEPAAN KLASIFIKASI INGKA KEPARAHAN KORBAN KECELAKAAN LALU LINAS MENGGUNAKAN
Lebih terperinciPeluang Kejadian Anemia pada Ibu Hamil di Kabupaten Grobogan dengan PendekatanRegresi Logistik
Peluang Kejadian Anemia pada Ibu Hamil di Kabupaten Grobogan dengan PendekatanRegresi Logistik Wulan Septya Ningrum 1*, Laelatul Khikmah 2 1,2 Statistika, Akademi Statistika (AIS) Muhammadiyah Semarang
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Jenis Penelitian Jenis penelitian ini adalah penelitian asosiatif kausal. Penelitian asosiatif kausal berguna untuk menganalisis pengaruh antara satu variabel dengan variabel
Lebih terperinciBAB 1 PENDAHULUAN. beberapa zat gizi tidak terpenuhi atau zat-zat gizi tersebut hilang dengan
BAB 1 PENDAHULUAN A. Latar Belakang Keadaan gizi kurang dapat ditemukan pada setiap kelompok masyarakat. Pada hakekatnya keadaan gizi kurang dapat dilihat sebagai suatu proses kurang asupan makanan ketika
Lebih terperinciBAB II TINJAUAN PUSTAKA. penulisan skripsi. Teori penunjang tersebut adalah: Regresi logistik, analisis survival,
BAB II TINJAUAN PUSTAKA 2.1 Pendahuluan Sebelum melalukan pembahasan mengenai permasalahan dari skripsi ini, pada bab ini akan diuraikan beberapa teori penunjang yang dapat membantu dalam penulisan skripsi.
Lebih terperinciBAB I PENDAHULUAN. Statistika adalah salah satu cabang ilmu yang mempelajari prosedur-prosedur
BAB I PENDAHULUAN 1.1 Latar Belakang Statistika adalah salah satu cabang ilmu yang mempelajari prosedur-prosedur yang digunakan dalam pengumpulan, penyajian, analisis dan interpretasi data. Statistika
Lebih terperinciBAB I PENDAHULUAN. negara berkembang termasuk Indonesia. Masalah gizi menjadi penyebab
1 BAB I PENDAHULUAN 1.1 Latar Belakang Masalah gizi masih merupakan masalah kesehatan masyarakat yang utama di negara berkembang termasuk Indonesia. Masalah gizi menjadi penyebab kematian ibu dan anak
Lebih terperinciIII. KERANGKA PEMIKIRAN
III. KERANGKA PEMIKIRAN 3.1 Kerangka Pemikiran Teoritis Kerangka pemikiran teoritis merupakan konsep-konsep yang digunakan dalam penelitian ini. Terdapat tiga konsep pemikiran teoritis yang dibahas, yaitu:
Lebih terperinciISSN InfoDATIN PUSAT DATA DAN INFORMASI KEMENTERIAN KESEHATAN RI SITUASI GIZI. di Indonesia. 25 Januari - Hari Gizi dan Makanan Sedunia
ISSN 2442-7659 InfoDATIN PUSAT DATA DAN INFORMASI KEMENTERIAN KESEHATAN RI SITUASI GIZI di Indonesia 25 Januari - Hari Gizi dan Makanan Sedunia Pembangunan kesehatan dalam periode tahun 2015-2019 difokuskan
Lebih terperinciIV. METODOLOGI PENELITIAN. wisata tirta. Lokasi penelitian ini dapat dilihat pada Lampiran 1.
IV. METODOLOGI PENELITIAN 4.1. Lokasi Penelitian Penelitian ini dilakukan di obyek wisata Tirta Jangari, Waduk Cirata, Desa Bobojong, Kecamatan Mande, Kabupaten Cianjur. Pemilihan lokasi ini dilakukan
Lebih terperinciMemodelkan regresi logistik biner data set hasil sampel bootstrap B.
B O O T S T R A P A G G R E G A T I N G 1 2 3 4 5 6 7 Tinjauan Pustaka Algoritma Bagging Regresi Logistik Biner Mengambil sampel bootstrap sebanyak n dari data set dengan pengulangan sebanyak n. Pengambilan
Lebih terperinci