i
SKRIPSI PEMODELAN KEJADIAN MALNUTRISI... MAKSYUFATUL ILMI PEMODELAN KEJADIAN MALNUTRISI PADA PASIEN ANAK PENDERITA INFEKSI SALURAN PERNAPASAN AKUT DENGAN PENDEKATAN REGRESI LOGISTIK NONPARAMETRIK ADITIF
BERDASARKAN ESTIMATOR KERNEL (Studi Kasus di RSU Haji Surabaya)
SKRIPSI
MAKSYUFATUL ILMI
PROGRAM STUDI S-1 STATISTIKA DEPARTEMEN MATEMATIKA FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS AIRLANGGA SURABAYA
i
SKRIPSI PEMODELAN KEJADIAN MALNUTRISI... MAKSYUFATUL ILMI PEMODELAN KEJADIAN MALNUTRISI PADA PASIEN ANAK PENDERITA INFEKSI SALURAN PERNAPASAN AKUT DENGAN PENDEKATAN REGRESI LOGISTIK NONPARAMETRIK ADITIF
BERDASARKAN ESTIMATOR KERNEL (Studi Kasus di RSU Haji Surabaya)
SKRIPSI
MAKSYUFATUL ILMI
PROGRAM STUDI S-1 STATISTIKA DEPARTEMEN MATEMATIKA FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS AIRLANGGA SURABAYA
ii
iii
iv
SKRIPSI PEMODELAN KEJADIAN MALNUTRISI... MAKSYUFATUL ILMI PEDOMAN PENGGUNAAN SKRIPSI
Skripsi ini tidak dipublikasikan, namun tersedia di perpustakaan dalam lingkungan Universitas Airlangga, diperkenankan untuk dipakai sebagai referensi kepustakaan, tetapi pengutipan harus seijin penulis dan harus menyebutkan sumbernya sesuai kebiasaan ilmiah.Dokumen skripsi ini merupakan hak milik Universitas Airlangga.
v
vi
SKRIPSI PEMODELAN KEJADIAN MALNUTRISI... MAKSYUFATUL ILMI KATA PENGANTAR
Puji syukur penulis panjatkan ke hadirat Allah SWT atas limpahan nikmat dan kasih sayang-Nya sehingga skripsi yang berjudul “Pemodelan Kejadian Malnutrisi pada Pasien Anak Penderita Infeksi Saluran Pernapasan Akut dengan Pendekatan Regresi Logistik Nonparametrik Aditif Berdasarkan Estimator Kernel (Studi Kasus di RSU Haji Surabaya)” dapat diselesaikan. Dalam kesempatan ini, penulis bermaksud menyampaikan rasa terima kasih kepada:
1. Kementrian Pendidikan dan Kebudayaan dan Kementrian Riset, Teknologi, dan Pendidikan Tinggi atas kesempatan yang telah diberikan untuk melanjutkan pendidikan tingkat Strata melalu Bidikmisi.
2. Kedua orang tua yang senantiasa mengiringi langkah penulis dengan doa dan restu serta keluarga
3. Badrus Zaman, S.Kom., M.Cs. selaku Ketua Departemen Matematika 4. Drs. Eko Tjahjono, M.Si. selaku Koordinator Prodi Statistika
5. Drs. H. Sediono, M.Si. selaku dosen wali yang selama ini telah mendampingi dan mengarahkan
6. Dr. Nur Chamidah, M.Si. selaku dosen pembimbing I dan Dr. Ardi Kurniawan, M.Si. selaku dosen pembimbing II
7. Teman-teman Statistika angkatan 2012, Saudara “64 SAKLAWASE” Menwa 801, dan teman-teman kos H. Benu yang hadir dalam perjalanan empat tahun terkahir kehidupan penulis
Penulis menyadari bahwa dalam penulisan skripsi ini masih banyak kekurangan, untuk itu kritik dan saran akan penulis terima sebagai sarana pembelajaran pada penulisan selanjutnya. Demikian, semoga skripsi ini dapat memberi manfaat kepada setiap pembaca.
Surabaya, Agustus 2016
vii
SKRIPSI PEMODELAN KEJADIAN MALNUTRISI... MAKSYUFATUL ILMI Maksyufatul Ilmi, 2016. Pemodelan Kejadian Malnutrisi pada Pasien Anak Penderita Infeksi Saluran Pernapasan Akut dengan Pendekatan Regresi Logistik Nonparametrik Aditif Berdasarkan Estimator Kernel (Studi Kasus di RSU Haji Surabaya). Skripsi ini dibawah bimbingan Dr. Nur Chamidah, M.Si dan Dr. Ardi Kurniawan, M.Si. Program Studi S-1 Statistika, Departemen Matematika, Fakultas Sains dan Teknologi, Universitas Airlangga, Surabaya.
ABSTRAK
Malnutrisi Rumah Sakit (MRS) merupakan kondisi yang sering mengakibatkan gangguan daya tahan tubuh yang mencakup respon hormonal dan selular melambat terhadap infeksi.Tujuan dari skripsi ini adalah untuk mengetahui model kejadian MRS pada anak penderita Infeksi Saluran Pernapasan. Salah satu cara untuk mengetahui model kejadian MRS adalah regresi logistic nonparametric aditif dengan estimator kernel. Data yang digunakan adalah 57 data pasien anak penderita ISPA, dengan 21 anak terkena MRS dan 36 lainnya tidak terkena MRS. Prediktor yang digunakan meliputi usia, lama rawat, dan Indeks Massa Tubuh (IMT). Kesimpulan yang diperoleh adalah berdasarkan usia peluang MRS bersifat fluktuatif, sedangkan berdasarkan lama rawat, semakin lama dirawat maka peluang mengalami MRS semakin kecil dan berdasarkan IMT, pasien dengan IMT normal memiliki peluang mengalami MRS relative lebih kecil. Ketepatan klasifikasi etimasi model untuk data in sample dengan pendekatan regresi logistik nonparametrik berdasarkan estimator Kernel adalah 85% sedangkan berdasarkan regresi logistik biner adalah 62,5%, sehingga dapat disimpulkan bahwa regresi logistik nonparametrik berdasarkan estimator Kernel lebih baik dibandingkan regresi logistik biner. Ketepatan klasifikasi etimasi model untuk data out sample
adalah 65%.
viii
SKRIPSI PEMODELAN KEJADIAN MALNUTRISI... MAKSYUFATUL ILMI Maksyufatul Ilmi, 2016. Modeling Genesis Malnutrition in Acute Respiratory Infections Padiatrics with Nonparametric Additive Logistic Regression Approach Based on Kernel Estimator (Case Studies in RSU Haji Surabaya). This Skripsi is under supervised by Dr. Nur Chamidah, M.Si and Dr. Ardi Kurniawan, M.Si. S-1 Statistika Major, Mathematic Department, Sains dan Teknologi Faculty, Universitas Airlangga, Surabaya.
ABSTRACT
Malnutrition Hospital (MRS) is a condition that often results in impaired resistance that includes hormonal and cellular responses to infection slowed. The purpose of this paper was to determine the incidence of MRS models in children with respiratory diseases. One way to determine the incidence of MRS models are nonparametric additive logistic regression with kernel estimators. The data used is the data 57 pediatric patients with ARI, with 21 children affected by MRS and the other 36 are not affected by MRS. Predictor used include age, length of stay, and Body Mass Index (BMI). The conclusion is based on the age of the opportunities MRS fluctuated, while based on length of stay, the longer cared for the opportunity to experience MRS getting smaller and based on BMI, patients with normal BMI have a chance to experience relatively smaller MRS. The classification accuracy of model estimation for in sample data with additive nonparametric logistic regression based on Kernel estimator is 85% while with binary logistic regression is 62,5%, so it can be concluded additive nonparametric logistic regression is better than binary logistic regression.The classification accuracy of model estimation for in sample data is 65%.
ix
SKRIPSI PEMODELAN KEJADIAN MALNUTRISI... MAKSYUFATUL ILMI DAFTAR ISI
Halaman
HALAMAN JUDUL ... i
LEMBAR PERNYATAAN ... ii
LEMBAR PENGESAHAN ... iii
PEDOMAN PENGGUNAAN SKRISPSI ... iv
SURAT PERNYATAAN TENTANG ORISINALITAS ... v
KATA PENGANTAR ... vi
ABSTRAK ... vii
ABSTRACT ... viii
DAFTAR ISI ... ix
DAFTAR GAMBAR ... xi
DAFTAR TABEL ... xiii
DAFTAR LAMPIRAN ... xiii
BAB I PENDAHULUAN 1.1Latar Belakang ... 1
1.2Rumusan Masalah ... 4
1.3 Tujuan ... 4
1.4 Manfaat ... 5
1.5 Batasan Masalah ... 5
BAB II TINJAUAN PUSTAKA 2.1 Status Gizi Anak ... 6
2.2 Malnutrisi Rumah Sakit ... 8
2.3 Infeksi saluran Pernapasan Akut ... 10
2.4 Matriks ... 13
2.5 Regresi Logistik Nonparametrik Aditif ... 13
2.6 Estimator Kernel dalam Regresi Logistik Nonparametrik ... 14
2.7 Pemilihan Bandwidth Optimum ... 17
2.8 Algoritma Local Scoring dan Backfitting ... 18
x
SKRIPSI PEMODELAN KEJADIAN MALNUTRISI... MAKSYUFATUL ILMI 2.10 Cut of Probability ... 20 2.11 Ketepatan Klasifikasi ... 21 2.12Software R ... 21 BAB III METODE PENELITIAN
3.1 Data dan Sumber Data ... 26 3.2 Variabel Penelitian ... 26 3.3 Langkah Pengolahan Data ... 27 BAB IV HASIL DAN PEMBAHASAN
4.1 Estimasi Model Kejadian Malnutrisi dengan Pendekatan Regresi
Nonparametrik Logistik Berdasarkan Estimator Kernel ... 30 4.1.1 Menentukan Estimasi Nilai Awal Fungsi Penghalus ... 30 4.1.2 Mengestimasi Model Regresi Logistik Nonparametrik Aditif ... 36 4.1.3 Menentukan nilai cut off probability dan menghitung ketepatan
klasifikasi data in sample ... 40 4.2 Memvalidasi Data Out Sample Berdasarkan Model yang Telah Diperoleh ... 43 BAB V KESIMPULAN
5.1 Kesimpulan ... 49 5.2 Saran ... 50
xi
SKRIPSI PEMODELAN KEJADIAN MALNUTRISI... MAKSYUFATUL ILMI DAFTAR GAMBAR
Gambar Judul Gambar Halaman
4.1 Plot Bandwidth dan untuk Prediktor Usia 31
4.2 Plot Bandwidth dan untuk Prediktor Lama Rawat 31
4.3 Plot Bandwidth dan untuk Prediktor IMT 32
4.4 Plot Estimasi Peluang Kejadian MRS Berdasarkan Usia 38
4.5
Plot Estimasi Peluang Kejadian MRS Berdasarkan Lama
Rawat 39
4.6 Estimasi Peluang Kejadian MRS Berdasarkan IMT 39
4.7 Plot Ketepatan Klasifikasi Cut off Probability 41
4.8 Plot Estimasi Peluang Kejadian MRS Berdasarkan Usia
dengan Metode Logistik Biner Parametrik 46
4.9 Plot Estimasi Peluang Kejadian MRS Berdasarkan Lama
Rawat dengan Metode Logistik Biner Parametrik 47
4.10 Plot Estimasi Peluang Kejadian MRS Berdasarkan IMT
xii
SKRIPSI PEMODELAN KEJADIAN MALNUTRISI... MAKSYUFATUL ILMI DAFTAR TABEL
Tabel Judul Tabel Halaman
2.1 Perintah Internal dalam Software R 24
3.1 Variabel Penelitian 26
4.1 Bandwidth dan GCV untuk Masing-masing Prediktor 31
4.2 Estimasi Awal Fungsi Regresi untuk Setiap Prediktor 34
4.3 Mean Square of Error (MSE) 36
4.4 Ketepatan Klasifikasi Nilai Cut of Probability 40
4.5 Ketepatan Klasifikasi Data In Sample 41
4.6 Validasi Data In Sample 42
4.7 Ketepatan Klasifikasi Data out Sample 44
xiii
SKRIPSI PEMODELAN KEJADIAN MALNUTRISI... MAKSYUFATUL ILMI LAMPIRAN
Lampiran Judul Lampiran
1 Data In Sample
2 Data Out Sample
3 Program Estimasi Model
4 Program Cut off Probability
5 Output Bandwidth Optimum
6 Output Nilai Awal Fungsi Regresi
7 Output Estimasi Model Aditif
8 Cut of Probability
9 Peluang Kejadian untuk Masing-Masing Prediktor
10 Selang Prediksi untuk Data Out Sample
1
SKRIPSI PEMODELAN KEJADIAN MALNUTRISI... MAKSYUFATUL ILMI BAB I
PENDAHULUAN 1.1Latar Belakang
Malnutrisi Rumah Sakit (MRS) merupakan kondisi yang sering
mengakibatkan gangguan daya tahan tubuh yang mencakup respon hormonal dan
selular terhadap infeksi melambat, respon terhadap nyeri menurun, penyembuhan
luka terhambat, penutupan jahitan kurang sempurna, dan gangguan terhadap
saluran cerna seperti gangguan absorpsi dan digesti (Saryono, dkk., 2006). Fakta
menunjukkan bahwa insiden kasus MRS di negara berkembang berada di selang
antara 6.9 % - 53 % (Jessie, 2008). Negara Indonesia sendiri mempunyai riwayat
MRS yang cukup tinggi di beberapa rumah sakit diantaranya di RSU Dr. Pirngadi
Medan sebanyak 38% dan di RS Dr. Sutomo Surabaya terdapat 47% mengalami
MRS (Rianlegio, 2014). Sebelumnya telah banyak dilakukan penelitian yang
menyangkut kejadian MRS. Salah satunya adalah yang dilakukan oleh Juliaty
(2013) yang menyatakan bahwa anak yang dirawat lebih dari satu minggu dengan
penyakit kronis dan diagnosis multiple mempunyai risiko MRS lebih besar
dibandingkan dengan anak yang diarawat kurang dari satu minggu. Penyakit
infeksi juga mempunyai faktor risiko lebih besar mengalami MRS dibanding
penyakit non infeksi, penelitian ini menggunakan metode kohort retrospektif.
Salah satu penyakit yang sering menyerang anak yang menderita gizi kurang
adalah Infeksi Saluran Pernapasan Akut (ISPA).
Penyakit ISPA merupakan penyakit masyarakat yang mudah menular dan
SKRIPSI PEMODELAN KEJADIAN MALNUTRISI... MAKSYUFATUL ILMI pada anak (Pujadara, 2015). Salah satu penelitian tentang sebelumnya dilakukan
oleh Hadiana (2013) dengan menggunakan metode Chi square menyimpulkan
bahwa terdapat hubungan yang signifikan antara status gizi terhadap terjadinya
ISPA dan nilai Rasio Prevalensinya adalah sebesar 27,5 yang berarti bahwa anak
yang mengalami gizi kurang berisiko 27,5 kali terkena ISPA dibanding anak
dengan gizi baik. Penelitian-penelitian sebelumnya hanya bertujuan untuk mencari
ada atau tidaknya hubungan antara variabel prediktor dengan responnya atau
mengetahui faktor-faktor yang mempengaruhi respon sehingga tidak dapat
membuat model, memprediksi peluang kejadian, dan mendapat odd rasio. Salah
satu metode yang dapat digunakan untuk membuat model, memprediksi peluang
kejadian, dan mendapat odd rasio adalah regresi logistik nonparametrik
berdasarkan estimator Kernel.
Regresi logistik merupakan suatu model matematik yang digunakan untuk
menggambarkan hubungan dengan variabel antara beberapa variabel prediktor
dengan variabel respon biner atau dikotom (Kleinbaum, 1994). Regresi logistik
dikenal sebagai model logit karena menggunakan transformasi logit sebagai link
function (fungsi penghubung) dari μ (Rifada, 2009). Variabel respon Y bersifat
biner dibedakan menjadi dua kategori, yaitu sukses dan gagal
dan variabel prediktor yang diasumsikan linier pada parameter β.
Apabila variabel prediktor tidak diasumsikan berbentuk tertentu
atau tidak ada asumsi berdasarkan teori atau pengalaman masa lalu maka model
dapat diestimasi dengan pendekatan nonparametrik. Model yang dapat didekati
SKRIPSI PEMODELAN KEJADIAN MALNUTRISI... MAKSYUFATUL ILMI model yang didekati dengan metode nonparametrik disebut Generalized Additive
Models (GAM). Estimasi untuk pendekatan nonparametrik dapat dilakukan
berdasarkan data pengamatan menggunakan teknik smoothing. Terdapat banyak
teknik smoothing antara lain estimator Spline, estimator Kernel, estimator Deret
Orthogonal, estimator Deret Fourier, Wafelet, dll. (Eubank, 1988).
Dalam skripsi ini estimator yang digunakan adalah estimator Kernel
karena beberapa keunggulan yang dimilikinya yaitu memiliki bentuk lebih
fleksibel dan secara matematik mudah diselesaikan serta mempunyai rata-rata
kekonvergenan yang relatif cepat (Hardle, 1990). Salah satu penelitian yang
menggunakan metode regresi Kernel dilakukan oleh Puspitasari, dkk. (2012).
Penelitian tersebut untuk menganalisis Indeks Harga Saham Gabungan (IHSG)
dilakukan dengan tiga metode yakni analisis runtun waktu klasik, regresi linier
sederhana, dan regresi nonparametrik Kernel, dari perbandingan tiga metode
tersebut diperoleh nilai Mean Square Error (MSE) terkecil adalah pada analisis
menggunakan regresi nonparametrik Kernel.Fungsi yang digunakan dalam skripsi
ini adalah fungsi Kernel Gaussian karena fungsi Kernel Gaussian lebih mudah
dalam perhitungan dan penggunaannya serta lebih sering digunakan (Kurniasih,
2013).Kurniasih (2013) dalam penelitiannnya menyimpulkan bahwa estimator
fungsi kernel Gaussian lebih efisien dan merupakan model terbaik. Model terbaik
ini dapat digunakan untuk peramalan kurs USD terhadap JPY.
Berdasarkan uraian di atas, di dalam penulisan skripsi ini dibahas tentang
SKRIPSI PEMODELAN KEJADIAN MALNUTRISI... MAKSYUFATUL ILMI Haji Surabaya berdasarkan pendekatan regresi logistik nonparametrik aditif
dengan estimator Kernel.
1.2Rumusan Masalah
Berdasarkan latar belakang diatas, dapat dirumuskan permasalahan dalam
penulisan skripsi ini sebagai berikut:
1. Bagaimana mengestimasi model kejadian malnutrisi pada pasien anak
penderita ISPA di RSU Haji Surabaya dengan pendekatan regresi
nonparametrik logistik berdasarkan estimator Kernel?
2. Bagaimana memvalidasi data out sample berdasarkan model yang telah
diperoleh untuk kejadian malnutrisi pada pasien anak penderita ISPA di
RSU Haji Surabaya dengan pendekatan regresi nonparametrik logistik
berdasarkan estimator Kernel?
1.3Tujuan
Adapun untuk menjawab rumusan masalah diatas, tujuan dari penulisan
skripsi ini adalah sebagai berikut:
1. Mengestimasi bentuk model kejadian malnutrisi pada pasien anak
penderita ISPA di RSU Haji Surabaya dengan pendekatan regresi
nonparametrik logistik berdasarkan estimator Kernel.
2. Memvalidasi data out sample berdasarkan model yang telah diperoleh
untuk kejadian pada pasien anak penderita ISPA di RSU Haji Surabaya
dengan pendekatan regresi nonparametrik logistik berdasarkan estimator
SKRIPSI PEMODELAN KEJADIAN MALNUTRISI... MAKSYUFATUL ILMI 1.4Manfaat
Adapun manfaat yang dapat diambil dari penulisan skripsi ini diantaranya
adalah:
1. Bagi bidang keilmuan khususnya statistika diharap mampu memberikan
penjelasan tentang metode yang digunakan yaitu pendekatan regresi
nonparametrik logistik berdasarkan estimator Kernel.
2. Bagi pemerintah dan instansi terkait diharap selalu meningkatkan kualitas
layanan untuk mencegah dan meminimalisir angka morbiditas dan
mortalitas anak yang terserang ISPA sehingga gizinyapun menurun karena
infeksi penyakit tersebut.
3. Bagi pembaca secara umum dapat diketahui pentingnya pengetahuan
tentang status gizi anak dan infeksi penyakit yang sering menyerang pada
anak-anak.
1.5Batasan Masalah
Batasan masalah dalam penulisan skripsi ini bahwa dalam pemilihan
bandwidth optimum dengan menggunakan Generalized Cross Validation (GCV)
6
SKRIPSI PEMODELAN KEJADIAN MALNUTRISI... MAKSYUFATUL ILMI BAB II
TINJAUAN PUSTAKA 2.1Status Gizi Anak
Malnutrisi menurut World Health Organization (WHO) didefinisikan
sebagai ketidakseimbangan seluler antara pasokan nutrisi dan energi dan
kebutuhan tubuh terhadap mereka untuk menjamin pertumbuhan, pemeliharaan,
dan fungsi tertentu.Malnutrisi adalah suatu keadaan yang mana tubuh mengalami
gangguan terhadap absorbsi, pencernaan, dan penggunaan zat gizi untuk
pertumbuhan, perkembangan dan aktivitas. Malnutrisi merupakan kekurangan
konsumsi pangan secara relatif atau absolute untuk periode tertentu. Terdapat
dua penyebab malnutrisi yaitu penyebab langsung dan penyebab tidak
langsung.Secara langsung gizi dipengaruhi oleh ketidakcukupan asupan makanan
yang tidak seimbang dan penyakit infeksi.Sedangkan secara tidak langsung
dipengaruhi oleh kurangnya ketahanan pangan keluarga yang meliputi
keterbatasan keluarga untuk menghasilkan atau mendapatkan makanan, kualitas
perawatan ibu dan anak, buruknya pelayanan kesehatan, dan sanitasi lingkungan
yang kurang.
Beberapa pengaruh yang ditimbulkan akibat menderita malnutrisi
diantaranya sebagai berikut:
1. Meningkatkan resiko terjadi infeksi
2. Penurunan kekebalan tubuh
3. Menurunkan kemampuan tubuh untuk penyembuhan luka
SKRIPSI PEMODELAN KEJADIAN MALNUTRISI... MAKSYUFATUL ILMI 5. Frailty syndrome
Penderita malnutrisi akan mengalami gejala-gejala seperti di bawah ini:
1. Hilangnya massa otot (sarkopenia)
2. Berkurangnya lemak di bawah kulit
3. Penurunan berat badan (5% berat awal tubuh)
4. Tulang yang terlihatmenonjol
5. Bibirpecah-pecah, cekung di bawah mata
6. Rambut kusam dan mudah rontok
7. Memar di kulit
8. Kulit kering bersisik
9. Ada penumpukan cairan di bawah kulit
Penilaian Status Gizi menurut Rosalind S. Gibson pengertian penilaian
status gizi sebagai “the interpretation of information obtained from dietary, biochemical, anthropometric, and clinical studies”. Tujuan dari penilaian status
gizi yaitu untuk memperoleh gambaran sekilas tentang status gizi masyarakat
yang bersangkutan.Status gizi anak umur 5-18 tahun dikelompokkan menjadi tiga
kelompok yaitu umur 5-12 tahun, 13-15 tahun, dan 16-18 tahun (RISKESDAS,
2013). Salah satu cara untuk menilai status gizi adalah dengan antropometri.
Antropometri dikenal sebagai indikator untuk penilaian gizi baik perorangan
maupun masyarakat.
Penilaian status gizi secara langsung dengan antropometri antara
laindengan pengukuran:
SKRIPSI PEMODELAN KEJADIAN MALNUTRISI... MAKSYUFATUL ILMI 2. Panjang Badan (PB) atau Tinggi Badan (TB)
3. Lingkar Lengan Atas (LLA) atau (LILA)
4. Lingkar Dada (LD)
5. Lapisan Lemak Bawah Kulit (LLBK)
Sedangkan indeks yang digunakan untuk menentukan penilaian status gizi
adalah sebagai berikut:
1. BB/U : Berat badan menurut umur
2. PB/U : Panjang badan menurut umur
3. TB/U : Tinggi badan menurut umur
4. BB/TB : Berat badan menurut tinggi badan
Masing-masing indeks tersebut mempunyai standard baku rujukan untuk
menilai gizi masyarakat atau seseorang. Terdapat banyak standard baku yang
digunakan di dunia internasional, salah satunya adalah menurut standard Baku
Antropometri WHO-NCHS kategori status gizi BB/U (Z-Score)
1. >+2 SD : BB lebih (gizi lebih)
2. -2 SD s/d +2 SD : BB normal (gizi normal)
3. -3 SD s/d <-2 SD : BB rendah
4. <-3 SD : BB sangat rendah (gizi buruk)
2.2 Malnutrisi Rumah Sakit (MRS)
Malnutrisi Rumah Sakit (MRS) merupakan suatu keadaan akibat dari
perhatian yang tidak optimal terhadap status nutrisi anak (Juliaty, 2013).
Malnutrisi Rumah Sakit ditandai dengan penurunan berat badan (BB) saat dirawat
SKRIPSI PEMODELAN KEJADIAN MALNUTRISI... MAKSYUFATUL ILMI mengalami MRS jika terjadi penurunan berat badan lebih dari 1% selama kurang
dari tujuh hari, lebih dari 5% untuk 7-30 hari, 7.5% untuk 1-3 bulan, dan lebih
dari 10% untuk 3-6 bulan. Malnutrisi pada pasien bisa terjadi karena dua hal yaitu
proses penyakit yang dideritanya yang bisa mempengaruhi asupan makanan,
meningkatkan kebutuhan, merubah metabolisme dan bisa terjadi mal absorpsi dan
yang kedua adalah tidak kuatnya asupan kalori makanan yang dikonsumsi oleh
pasien (Nurparida, dkk., 2015).
Pada keadaan sakit tubuh akan mengalamai peningkatan metabolisme,
kerusakan jaringan, dan meningkatnya pembentukan zat anti sehingga membuat
kebutuhan gizi ikut meningkat. Banyak penyakit yang dapat menyebabkan
anoreksia dan penurunan asupan kalori apalagi jika kebutuhan nutrisional
meningkat akibat keadaan katabolik pada penyakit tersebut. Penurunan asupan
kalori pada saat dirawat di rumah sakit dapat menyebabkan pasien mengalami
penurunan status gizi sehingga pasien tersebut dapat dikatakan mengalami
malnutrisi rumah sakit. Menurut Davey (2006) identifikasi malnutrisi pada pasien
rawat inap dapat diketahui dengan indikasi seperti di bawah ini:
1. Secara umum, pasien kekurangan kalori-protein. Pada pasien rawat
inap asupan kalori-protein seringkali terlewatkan. Kelaparan sangat
sering terjadi dan bisa diketahui dari penurunan berat badan, adanya
stomatic angularis, pengecilan otot, dan edema perifer.
2. Secara khusus terjadi defisiasi vitamin dan mineral. Defisiasi vitamin
SKRIPSI PEMODELAN KEJADIAN MALNUTRISI... MAKSYUFATUL ILMI (tiamin) dan vitamin C, daripada vitamin yang larut dalam lemak.
Akibat yang ditimbulkan karena defisiasi diantaranya adalah:
a. Defisiasi tiamin (sering terjadi ± < 3 minggu) menyebabkan
ensefalopati wernikc.
b. Simpanan folat menyebabkan anemia makrositik.
c. Defisiasi vitamin C (scurvy) memperlambat penyembuhan luka.
d. Defisiasi Fe, kalsium, dan magnesium bisa terjadi pada pasien
rawat inap.
Malnutrisi Rumah Sakitakanmempengaruhi banyak hal, diantaranya
adalah waktu perawatan yang semakin lama, proses penyembuhan yang semakin
lambat, biaya perawatan yang terus meningkat, dan peningkatan mortalitas.
Berikut merupakan variabel-variabel yang mempengaruhi terjadinya MRS pada
pasien anak penderita ISPA diantaranya adalah:
1. Usia pasien anak ketika masuk RS
2. Lama perawatan di RS
3. Indeks Masa Tubuh (IMT)
Pada umumnya pasien yang menderita penyakit infeksi akan mengalami
penurunan status gizi karena hilangnya nafsu makan mereka. Kematian pada
kasus MRS erat kaitannya dengan penyakit infeksi (Juliaty, 2013).
2.3Infeksi Saluran Pernapasan Akut (ISPA)
Infeksi Saluran Pernapasan Akut (ISPA) mempunyai tiga kata dasar, yaitu
“infeksi”, “saluran dasar”, dan “akut”. Berikut akan dijelaskan pengertian dari
SKRIPSI PEMODELAN KEJADIAN MALNUTRISI... MAKSYUFATUL ILMI 1. Infeksi adalah masuknya kuman atau mikroorganisme ke dalam tubuh
manusia dan berkembang biak sehingga menimbulkan gejala penyakit.
2. Saluran pernapasan, yang dimaksud dengan saluran pernapasan adalah
organ mulai dari hidung sampai gelembung paru (alveoli), beserta
organ-organ di sekitarnya.
3. Infeksi Akut adalah Infeksi yang berlangsung sampai dengan 14 hari.
Batas 14 hari diambil untuk menunjukkan proses akut.
Jadi dapat disimpulkan bahwa ISPA adalah penyakit infeksi yang menyerang
salah satu bagian dari saluran napas, mulai dari hidung (saluran atas) hingga
alveoli (saluran bawah) termasuk jaringan adneksanya, seperti sinus, rongga
telinga tengah, dan pleura (Keputusan Menteri Kesehatan, 2002).
Sistem kekebalan tubuh seseorang sangat berpengaruh dalam melawan
infeksi virus maupun bakteri terhadap tubuh manusia. Risiko seseorang
mengalami infeksi akan meningkat ketika kekebalan tubuh lemah. Hal ini
cenderung terjadi pada anak-anak dan orang yang lebih tua.Berikut ini adalah
beberapa mikroorganisme penyebab munculnya ISPA yang sudah diketahui.
1. Adenovirus merupakan gangguan pernapasan seperti pilek, bronkitis, dan
pneumonia bisa disebabkan oleh virus ini yang memiliki lebih dari 50 jenis.
2. Rhinovirus adalah jenis virus yang menyebabkan pilek. Tapi pada anak kecil
dan orang dengan sistem kekebalan yang lemah, pilek biasa bisa berubah
menjadi ISPA pada tahap yang serius.
3. Pneumokokus adalah jenis bakteri yang menyebabkan meningitis. Tapi bakteri
SKRIPSI PEMODELAN KEJADIAN MALNUTRISI... MAKSYUFATUL ILMI Penyakit ISPA diklasifikasikan menjadi dua bagian, yaitu infeksi saluran
pernapasan bagian atas yang meliputi rhinitis, faringistis, tonsillitis, rinosinositis,
dan otitis media, dan infeksi saluran pernapasan bagian bawah yang terdiri dari
epligotitis, laringotrakeobronkitis, bronchitis, bronkiolitis, dan pneumonia
(Rahajoe, 2012). Penderita ISPA akan ditandai dengan gejala-gejala seperti di
bawah ini:
1. Hidung tersumbat atau berair.
2. Para-paru terasa terhambat.
3. Batuk-batuk dan tenggorokan terasa sakit.
4. Kerap merasa kelelahan.
5. Tubuh merasa sakit.
Apabila ISPA bertambah parah, gejala yang lebih serius akan muncul, seperti:
1. Kesulitan bernapas.
2. Demam tinggi dan menggigil.
3. Tingkat oksigen dalam darah rendah.
4. Kesadaran yang menurun dan bahkan pingsan.
Infeksi sering terjadi pada anak, Pujadara (2015) menyebutkan bahwa
ISPA merupakan penyakit masyarakat yang mudah menular dan terutama terjadi
pada anak-anak yang memberikan kontribusi terhadap morbiditas pada
anak.Hartati, dkk. (2012) juga menyebutkan dalam hasil penelitiannya bahwa
anak yang mempunyai status gizi kurang berpeluang 6,52 kali terjadi pneumonia
SKRIPSI PEMODELAN KEJADIAN MALNUTRISI... MAKSYUFATUL ILMI 2.4 Matriks
Matriks adalah susunan bilangan atau variabel dengan elemen penyusun
bilangan riil. Berbentuk persegi panjang atau persegi, mempunyai baris dan
kolom dengan bentuk :
[
]
Beberapa sifat – sifat matriks adalah sebagai berikut:
1. Transpos dari matriks didefinisikan sebagai , maka
2. Invers dari matriks didefinisikan sebagai , maka
(Rencher dan Schaalje, 2008)
2.5Regresi Logistik Nonparametrik Aditif
Regresi merupakan suatu teknik statistik untuk mengetehui hubungan
antara variabel dependen dengan variabel independen . Metode
nonparametrik digunakan apabila data tidak memenuhi asumsi dari metode
parametrik atau tidak ada informasi mengenai bentuk fungsi dari parameter, maka
fungsi regresi dapat didekati menggunakan metode nonparametrik.
Model regresi logistik dikenal sebagai model logit karena menggunakan
transformasi logit sebagai link function dari , yaitu:
( ) (2.1)
Regresi logistik merupakan salah satu bentuk fungsi regresi yang yang
SKRIPSI PEMODELAN KEJADIAN MALNUTRISI... MAKSYUFATUL ILMI sukses dan gagal . Misalkan diberikan n data pengamatan
{( ) }
yang diasumsikan memenuhi model regresi logistik nonparametrik aditif sebagai berikut:
( ) ∑
(2.2)
Dengan dapat diperoleh dengan cara seperti di bawah ini:
( ) ∑
( ) ∑
∑ ∑
∑ ∑
( ∑ ) ∑
∑
∑
(2.3)
2.6Estimator Kernel dalam Regresi Logistik Nonparametrik
Teknik smoothing dilakukan dengan tujuan membuang variabilitas dari
data yang tidak memiliki efek sehingga ciri-ciri data tampak lebih jelas (Halim,
2006). Salah satu teknik smoothing yang dapat digunakan adalah dengan estimator
Kernel.Kelebihan dari estimator Kernel adalah memiliki bentuk lebih fleksibel
dan secara matematik mudah diselesaikan serta mempunyai rata-rata
SKRIPSI PEMODELAN KEJADIAN MALNUTRISI... MAKSYUFATUL ILMI Bentuk umum dari fungsi Kernel adalah sebagai berikut:
( ) (2.4)
dengan adalah parameter penghalus (bandwidth) serta memenuhi sifat berikut:
1.
2. ∫
3. ∫
4. ∫
Sehingga estimator fungsi densitas Kernel berbentuk seperti di bawah ini:
̂ ∑
∑ (
)
(2.5)
Ketika diberikan data pengamatan yang mengikuti model regresi nonparametrik seperti di bawah ini,
(2.6)
dengan fungsi tidak diketahui bentuknya, maka fungsi tersebut dapat
diestimasi dengan pendekatan estimator Kernel sebagai berikut:
[ | ] ∫
(2.7)
dengan
SKRIPSI PEMODELAN KEJADIAN MALNUTRISI... MAKSYUFATUL ILMI
Dengan demikian diperoleh estimator Kernel dalam regresi logistik noparametrik
̂ ∑ ∑
∑
∑ (2.8)
SKRIPSI PEMODELAN KEJADIAN MALNUTRISI... MAKSYUFATUL ILMI sehingga estimator Kernel untuk prediktor ke-j pada pengamatan ke-i berbentuk:
̂ ( ) ∑∑ ( ( ) )
(2.9)
Bentuk fungsi Kernel yang digunakan adalah fungsi Kernel Gaussian seperti
dibawah ini
√ ( )
(2.10)
(Hardle, 1990)
2.7 Pemilihan Bandwidth Optimum
Dalam menggunakan regresi Kernel pemilihan parameter pemulus
(bandwidth) lebih penting dibandingkan dengan memilih fungsi Kernel. Nilai
bandwidth yang kecil akan memberikan grafik yang kurang mulus namun
memiliki bias yang kecil, sedangkan nilai bandwidth yang besar akan memberikan
grafik yang mulus namun dengan bias yang besar pula (Widiardi, 2014).
Pemilihan bandwidth dapat dilakukan dengan beberapa cara, salah satunya yaitu
menggunakan metode Generalized Validation (GCV) yang mempunyai
persamaan sebagai berikut:
( )
( [ ( )]) (2.11)
dengan
( ) ∑ ( ̂( ))
(2.12)
dan
SKRIPSI PEMODELAN KEJADIAN MALNUTRISI... MAKSYUFATUL ILMI ̂ ( ) [ ]
dengan
[ ]
(2.13)
[
]
(2.14)
dan
[
( )
( )
( )]
(2.15)
sehingga
( ) [ ] (2.16)
dengan matriks diperoleh dari persamaan (2.15).
Nilai h yang optimum berasal dari nilai GCV yang paling kecil (Eubank, 1988).
2.8Algoritma Local Scoring dan Backfitting
Algoritma local scoring merupakan algoritma umum untuk mendapatkan
estimasi dari fungsi-fungsi GAM. Algoritma local scoring terdiri dari loop yaitu
langkah scoring (outer loop) yang diitersaikan sampai nilai rata-rata deviance
konvergen dan langkah backfitting terboboti (inner loop) yang diiterasikan sampai
nilai rata-rata Residual Sum of Square (RSS) konvergen (Rifada, 2009). Langkah
SKRIPSI PEMODELAN KEJADIAN MALNUTRISI... MAKSYUFATUL ILMI 1. Menetukan nilai variabel adjusted dependent (z)
( ) (
Berdasarkan persamaan (2.17) maka diperoleh
( )
(2.18)
2. Menentukan matriks dengan diagonal bobot (B)
SKRIPSI PEMODELAN KEJADIAN MALNUTRISI... MAKSYUFATUL ILMI
{
}
(2.19)
Sedangkan langkah backfitting terboboti (inner loop) adalah menentukan estimasi
dari fungsi penghalus dalam model untuk
̂ ( ) ( ) { ∑ ̂ ∑ ̂
} (2.20)
dan menentukan nilai rata-rata kuadrat residual terboboti
{( ) ( )} (2.21) hingga diperoleh nilai rata-rata residual yang konvergen
( )
(2.22)
Dengan demikian diperoleh estimasi model regresi logistik nonparametrik aditif
berdasarkan estimator Kernel dengan menggunakan algoritma local scoring
seperti berikut:
( ̂ ̂ ) ∑ ̂
∑ ([ ] { ∑ ̂ ∑ ̂ }) (2.23)
2.9Deviance
Deviance merupakan salah satu satu uji statistik yang digunakan untuk
SKRIPSI PEMODELAN KEJADIAN MALNUTRISI... MAKSYUFATUL ILMI
MRS
Diberikan data maka bentuk deviance-nya adalah:
∑{ }
(2.24)
(Collet, 2002) Bentuk nilai rata-rata deviance
( ) ∑{ ( )}
(2.25)
dan nilai rata-rata deviance yang konvergen
( ( ) ( ) ) (2.26)
2.10 Cut off Probability
Berdasarkan Kalhori, et al. (2010), Cut off Probability merupakan titik
poin yang digunakan untuk mengukur akurasi model dengan mengklasifikasikan
hasil estimasi status pasien anak penderita ISPA. Misal diberikan data
{( ) }
dengan {
dengan menerapkan persamaan (2.2) pada data tersebut maka akan diperoleh
̂ sebagai bentuk estimator model data in sample. Proses validasi dilakukan
dengan menghitung ̂ untuk setiap nilai cut off probability dari 0 sampai 1
dengan increment 0,01 sehingga dapat diperoleh titik poin terbaik, yaitu titik yang
mana jumlah tertinggi klasifikasi yang benar telah dilakukan. Untuk setiap cut off
probability di atas, dapat dihitung nilai error sebagai berikut :
| ∑
SKRIPSI PEMODELAN KEJADIAN MALNUTRISI... MAKSYUFATUL ILMI Untuk ̂ cut off probability maka hasil prediksi adalah 1, dan jika
̂ cut off probability maka hasil prediksi adalah 0.
2.11 Ketepatan Klasifikasi
Apparent Error Rate (APPER) merupakan suatu nilai yang digunakan
untuk melihat peluang kesalahan dalam mengklasifikasi objek. Nilai APPER
adalah :
(2.28)
dengan
: banyaknya kejadian gagal hasil pengamatan yang diklasifikasikan gagal dari hasil prediksi.
: banyaknya kejadian gagal hasil pengamatan yang diklasifikasikan sukses dari hasil prediksi.
: banyaknya kejadian sukses hasil pengamatan yang diklasifikasikan gagal dari hasil prediksi.
: banyaknya kejadian sukses hasil pengamatan yang diklasifikasikan sukses dari hasil prediksi.
2.12 Software R
R merupakan salah satu software yang banyak digunakan dalam bidang
statistik atau mengolah data.R adalah proyek GNU yang mirip dengan bahasa S
dan lingkungan yang dikembangkan oleh John Chambers dan rekan di Bell
Laboratories (sebelumnya AT & T, sekarang Lucent Technologies). Lingkungan
SKRIPSI PEMODELAN KEJADIAN MALNUTRISI... MAKSYUFATUL ILMI fasilitas perangkat lunak untuk manipulasi data, perhitungan dan tampilan grafi,
termasuk:
1. Sebuah penanganan data yang efektif dan fasilitas penyimpanan
2. Suite operator untuk perhitungan di array, dalam matriks tertentu
3. Koleksi terpadu dari alat perantara untuk analisis data yang besar dan
koheren
4. Fasilitas grafis untuk analisis data dan tampilan baik di layar atau
hardcopy
5. Perkembangan bahasa pemrograman yang baik, sederhana dan efektif
yangmeliputi conditional, loop, user-defined fungsi rekursif dan fasilitas
inputdanoutput.
Software ini menyediakan berbagai macam statistik seperti: linier dan pemodelan
nonlinier, uji statistik klasik, analisis time-series, klasifikasi, clustering, dan
teknik grafis. Keunggulan R dibanding software sejenis lainnya adalah
kemudahan yang dirancang dengan baik plot berkualitas publikasi dapat
diproduksi, termasuk simbol matematika dan rumus mana diperlukan
SKRIPSI PEMODELAN KEJADIAN MALNUTRISI... MAKSYUFATUL ILMI Berikut adalah beberapa perintah internal yang digunakan dalam menjalankan
program R:
Tabel 2.1 Perintah Internal dalam Software R
Nama Perintah Fungsi Bentuk
function()
Menunjukkan fungsi
yang akan digunakan
dalam program
function(…)
Length()
Menunjukkan banyaknya
data Length(…)
Sum()
Menjumlahkan semua
bilangan anggota vector Sum(…)
Cat()
Menuliskan argumentasi
dan mencetak file yang
telah ditetapkan
Cat(“…”)
Win.graph() Membuat gambar Win.graph()
Plot() Membuat plot Plot(x,y,…)
Matrix(a,b,c)
Membentuk matriks
dengan jumlah anggota a,
banyak baris b, dan
banyak kolom c
Matrix(…,…,…)
Rep(a,b)
Membentuk vector
dengan jumlah anggota a
sebanyak b
SKRIPSI PEMODELAN KEJADIAN MALNUTRISI... MAKSYUFATUL ILMI
Nama Perintah Fungsi Bentuk
While
Mengulang suatu blok
pernyataan secara terus
menerus selama kondisi
logika while berlaku
benar
pernyataan secara terus
menerus, sehingga perlu
pernyataan lain untuk
menghentikan perulangan
Mengulang suatu blok
pernyataan sesuai dengan
pertama jika kondisi
benar dan menjalankan
kondisi selanjutnya jika
kondisi pertama salah
If (kondisi)
Pernyataan a
Else pernyataan b
26
SKRIPSI PEMODELAN KEJADIAN MALNUTRISI... MAKSYUFATUL ILMI BAB III
METODE PENELITIAN 3.1Data dan Sumber Data
Data yang digunakan dalam skripsi ini adalah data sekunder dari rekam
medis pasien anak penderita ISPA yang dirawat di RSU Haji Surabaya dari
Januari 2015 sampai dengan Mei 2016. Variabel respon adalah kejadian
malnutrisi pada pasien anak penderita ISPA dengan untuk yang mengalami
MRS dan untuk yang tidak mengalami MRS. Variabel prediktor yang
digunakan dalam skripsi ini terdiri dariusia pasien anak ketika masuk RS ,
lama perawatan di RS , dan Indeks Masa Tubuh (IMT) .
3.2Variabel Penelitian
Variabel penelitian yang digunakan dalam skripsi ini tersaji pada Tabel
3.1.
Tabel 3.1 Variabel Penelitian
Variabel Nama variabel Skala Data Keterangan
Kejadian MRS Nominal
Usia anak ketika masuk RS
Rasio Tahun
Lama perawatan di RS Rasio Hari
SKRIPSI PEMODELAN KEJADIAN MALNUTRISI... MAKSYUFATUL ILMI 3.3Langkah Pengolahan Data
Model kejadian malnutrisi dan faktor-faktor yang berpengaruh terhadap
kejadian malnutrisi pada pasien anak penderita ISPA di RSU Haji Surabaya dapat
diperoleh dengan beberapa langkah sebagai berikut:
1. Mengestimasi bentuk model kejadian malnutrisi pada pasien anak
penderita ISPA di RSU Haji Surabaya dengan pendekatan regresi
nonparametrik logistik berdasarkan estimator Kernel dengan
langkah-langkah:
a. Menentukan estimasi nilai awal fungsi penghalus pada
masing-masing variabel prediktor dengan langkah sebagai berikut:
1) Menentukan nilai bandwidth optimal dengan GCV pada
masing-masing prediktor
2) Mendefinisikan variabel respon dan variabel prediktor
3) Menentukan fungsi Kernel yaitu fungsi Kernel Gaussian
berdasarkan persamaan (2.10)
4) Menginput nilai bandwidth( ) optimal yang telah diperoleh
dari langkah pertama
5) Mendapatkan matriks diagonal berdasarkan persamaan
(2.15)
6) Mendapatkan matriks berdasarkan persamaan (2.16)
7) Menghitung nilai ̂ ( ) sebagai nilai awal fungsi
SKRIPSI PEMODELAN KEJADIAN MALNUTRISI... MAKSYUFATUL ILMI b. Mengestimasi model regresi logistik nonparametrik dengan
algoritma local scoring dengan langkah sebagai berikut:
1) Menetukan nilai variable adjusted dependent (z) berdasarkan
persamaan (2.18) serta menentukan matriks dengan diagonal
bobot (B) berdasarkan persamaan (2.19)
2) Mengiterasikan langkah backfitting terboboti (inner loop)
seperti dibawah ini:
i. Untuk iterasi awal , didefinisikan
̂ ( ) ̂ ( ) dan
ii. Menentukan estimasi dari fungsi-fungsi penghalus dalam
model berdasarkan persamaan (2.20)
iii. Menentukan nilai rata-rata jumlah kuadrat residual
terboboti berdasarkan persamaan (2.21)
iv. Mengulangi langkah (ii) dan (iii) untuk hingga
nilai rata-rata RSS tidak berubah/konvergen berdasarkan
persamaan (2.22) dengan
3) Didefinisikan ̂ ( ) ̂ ( ), kemudian
menetukan nilai rata-rata deviance berdasarkan persamaan
(2.25)
4) Mengulang langkah (1) sampai (3) untuk hingga
nilai rata-rata deviance konvergen berdasarkan persamaan
SKRIPSI PEMODELAN KEJADIAN MALNUTRISI... MAKSYUFATUL ILMI 5) Menghitung estimasi model berdasarkan persamaan (2.3)
c. Menentukan cut off probability
d. Memvalidasi data in sample
2. Melakukan validasi data out sample berdasarkan model yang telah
diperoleh untuk kejadian pada pasien anak penderita ISPA di RSU
Haji Surabaya dengan pendekatan regresi nonparametrik logistik
berdasarkan estimator Kernel dengan langkah:
a. Menentukan selang prediksi untuk data out sample dari data in
sample
b. Memperoleh nilai ̂ berdasarkan letak pada selang prediksi
c. Menghitung
∑
( ∑ )
30
SKRIPSI PEMODELAN KEJADIAN MALNUTRISI... MAKSYUFATUL ILMI BAB IV
PEMBAHASAN
Pada bab ini dibahas cara mengestimasi model kejadian malnutrisi rumah
sakit pada pasien anakpenderita ISPA di RSU Haji Surabaya berdasarkan
pendekatan regresi nonparametrik logistik berdasarkan estimator kernel. Data
yang digunakan adalah data dari 57 pasien anak yang terdiri dari 21 pasien terkena
MRS dan 36 lainnya tidak terkena MRS.
4.1 Estimasi Model Kejadian Malnutrisi dengan Pendekatan Regresi Nonparametrik Logistik Berdasarkan Estimator Kernel
Estimasi model kejadian MRS menggunakan 40 data pasien anak (data in
sample) dari 57 data yang ada, terdiri 15 anak mengalami MRS dan 25 anak tidak
mengalami MRS (Lampiran 1). Pengambilan 40 data ini berdasarkan pada
penentuan peneliti sendiri.
4.1.1 Menentukan Estimasi Nilai Awal Fungsi Penghalus
Langkah-langkah dalam menentukan estimasi nilai awal sesuai dengan
subbab 3.3.
1) Menentukan bandwidth optimum
Nilai bandwidth ini diperlukan untuk menentukan nilai awal fungsi regresi
yang diestimasi. Berdasarkan program pada Lampiran 3 diperoleh
bandwidth optimum dan untuk masing-masing prediktor seperti pada
SKRIPSI PEMODELAN KEJADIAN MALNUTRISI... MAKSYUFATUL ILMI
1.0 0.8
0.6 0.4
0.2 0.0
4
3
2
1
0
h3
g
c
v
3
Scatterplot of gcv3 vs h3
Gambar 4.3 Plot Bandwidth dan untuk Prediktor IMT
2) Mendefinisikan variabel respon dan variabel prediktor
Variabel respon terdiri dari Variabel respon adalah kejadian malnutrisi
pada pasien anak penderita ISPA dengan untuk yang terkena MRS
dan untuk yang tidak terkena MRS. Variabel prediktor terdiri
dari untuk usia, untuk lama rawat, dan untuk IMT.
3) Menentukan fungsi Kernel
Fungsi kernel yang digunakan adalah fungsi kernel Gaussian berdasarkan
persamaan (2.10) untuk semua prediktor.
4) Menginput nilai bandwidth( )
Nilai bandwidth yang diinputkan adalah nilai bandwidth pada Tabel 4.1.
5) Mendapatkan matriks diagonal
Matriks diagonal sesuai dengan persamaan (2.15) dapat diperoleh
berdasarkan program pada Lampiran 3.Berikut merupakan bentuk matriks
SKRIPSI PEMODELAN KEJADIAN MALNUTRISI... MAKSYUFATUL ILMI
berdasarkan program pada Lampiran 3.Berikut merupakan bentuk matriks
SKRIPSI PEMODELAN KEJADIAN MALNUTRISI... MAKSYUFATUL ILMI
Berdasarkan program pada Lampiran 3 dengan masing-masing bandwidth
pada Tabel 4.1, diperoleh estimasi awal fungsi regresi untuk
masing-masing prediktor seperti pada Tabel 4.2.
Tabel 4.2 Estimasi Awal Fungsi Regresi untuk Setiap Prediktor
SKRIPSI PEMODELAN KEJADIAN MALNUTRISI... MAKSYUFATUL ILMI No m1topi(0) m2topi(0) m3topi(0)
17 0,245 0,430 0,000
18 0,425 0,430 0,179
19 0,355 0,383 0,400
20 0,376 0,399 0,630
21 0,425 0,384 0,565
22 0,376 0,430 0,573
23 0,376 0,383 0,308
24 0,355 0,399 0,624
25 0,376 0,399 0,618
26 0,425 0,384 0,640
27 0,376 0,383 0,655
28 0,437 0,383 0,555
29 0,355 0,399 0,137
30 0,355 0,059 0,284
31 0,355 0,399 0,514
32 0,332 0,384 0,451
33 0,425 0,383 0,653
34 0,218 0,383 0,310
35 0,218 0,430 0,081
36 0,376 0,383 0,542
37 0,355 0,430 0,163
38 0,355 0,221 0,156
39 0,376 0,430 0,378
40 0,437 0,430 0,548
8) Menghitung nilai ( ) berdasarkan persamaan (2.12)
Nilai ( ) dapat diperoleh dari persamaan (2.12) dengan
masing-masing bandwidth pada Tabel 4.1 yang selanjutnya digunakan untuk
menghitung . Diberikan penjelasan untuk prediktor usia, penjelasan
ini berlaku untuk prediktor lama rawat dan IMT. Pada prediktor usia,
SKRIPSI PEMODELAN KEJADIAN MALNUTRISI... MAKSYUFATUL ILMI ∑ ( ̂( ))
∑
Berdasarkan program pada Lampiran 3 nilai untuk masing-masing
prediktor seperti pada Tabel 4.3.
Tabel 4.3 Mean Square of Error (MSE)
Prediktor MSE
Usia 0,183
Lama Rawat 0,222
IMT 0,168
Setelah melewati tujuh langkah di atas maka diperoleh nilai awal fungsi
regresi beserta error seperti pada Lampiran 6.
4.1.2 Mengestimasi Model Regresi Logistik Nonparametrik Aditif
Mengestimasi model regresi logistik nonparametrik aditif dapat dilakukan
dengan menggunakan algoritma local scoring. Algoritma ini terdiri dari scoring
(outer loop) yang diiterasikan sampai nilai rat-rata deviance konvergen dan
backfitting terboboti (inner loop) yang diiterasikan sampai nilai rata-rata Residual
SKRIPSI PEMODELAN KEJADIAN MALNUTRISI... MAKSYUFATUL ILMI 1) Menentukan nilai variabel adjusted dependent (z)
Variabel adjusted dependent (z) dapat diperoleh berdasarkan persamaan
(2.18). Diberikan penjelasan untuk z pengamatan pertama, penjelesan ini
akan berlaku pada pengamatan selanjutnya.
( )
2) Mengiterasikan langkah backfitting terboboti (inner loop)
Langkah backfitting ini diiterasikan hingga diperoleh rata-rata RSS yang
konvergen dan berdasarkan program pada Lampiran 3 dengan
diperoleh rata-rata RSS konvergen 1,824847.
3) Mengiterasikan langkah scoring (outer loop)
Langkah backfitting ini diiterasikan hingga diperoleh rata-rata deviance
yang konvergen dan berdasarkan program pada Lampiran 3 dengan
di peroleh rata-rata deviance konvergen 0,7794558.
4) Memperoleh estimasi model
Estimasi model dengan fungsi logit dapat diperoleh berdasarkan
persamaan (2.3) dan program pada Lampiran 3. Diberikan penjelasan
untuk pengamatan pertama, penjelasan ini berlaku untuk pengamatan
selanjutnya. Estimasi fungsi regresi untuk pengamatan pertama pada setiap
SKRIPSI PEMODELAN KEJADIAN MALNUTRISI... MAKSYUFATUL ILMI ̂
Estimasi model pada pengamatan selanjutnya dapat dilihat pada Lampiran
7.
Selain estimasi model untuk keseluruhan prediktor, berikut ini ditampilkan
plot estimasi peluang kejadian untuk masing-masing prediktor dengan
menganggap prediktor lain bernilai konstan. Nilai estimasi model untuk
setiap prediktor dapat dilihat pada Lampiran 9.
13
Gambar 4.4 Plot Estimasi Peluang Kejadian Berdasarkan Usia
Dari Gambar 4.4 diketahui bahwa peluang kejadian MRS berdasarkan usia
pasien bersifat fluktuatif. Pasien anak dengan resiko paling tinggi
mengalami MRS adalah pasien anak yang berusia 11 tahun dan yang
SKRIPSI PEMODELAN KEJADIAN MALNUTRISI... MAKSYUFATUL ILMI
Scatterplot of Peluang* vs Lama Rawat
Gambar 4.5 Plot Estimasi Peluang Kejadian Berdasarkan Lama Rawat
Dari Gambar 4.5 diketahui bahwa semakin lama pasien anak dirawat di RS
atau pasien anak yang dirawat lebih dari satu minggu memiliki peluang
kejadian mengalami MRS semakin kecil. Hal ini bisa saja terjadi karena
proses adaptasi dari anak itu sendiri.
30
SKRIPSI PEMODELAN KEJADIAN MALNUTRISI... MAKSYUFATUL ILMI Dari Gambar 4.6 dapat diketahui bahwa peluang kejadian MRS untuk anak
yang memiliki IMT dibawah 18,5 kg/m2 dan diatas normal 23 kg/m2
beresiko mengalami MRS lebih besar dibandingkan dengan anak yang
memiliki IMT normal yaitu antara 18,5 kg/m2 - 22,9 kg/ m2 yang pada
umumnya memiliki resiko mengalami MRS lebih kecil.
4.1.3 Menentukan nilai cut off probability dan menghitung ketepatan klasifikasi
data in sample
Esimasi model regresi aditif memiliki kriteria selang yaitu
yang dapat dilihat pada Lampiran 10. Berdasarkan program pada Lampiran 4 diperoleh nilai cut off probability seperti pada Tabel 4.8.
Tabel 4.4 Ketepatan Klasifikasi Nilai Cut off Probability
No Treshold Ketepatan
Klsasifikasi No Treshold
Ketepatan Klasifikasi
1 0,00 37,5 11 0,73 70
2 0,10 37,5 12 0,74 72,5
3 0,20 37,5 13 0,75 80
4 0,30 37,5 14 0,76 82,5
5 0,40 37,5 15 0,77 85
6 0,50 37,5 16 0,78 85
7 0,60 37,5 17 0,79 75
8 0,70 65 18 0,80 77,5
9 0,71 67,5 19 0,90 62,5
10 0,72 70 20 1,00 62,5
Berdasarkan output pada Lampiran 8 dapat dilihat plot dari nilai cut off
SKRIPSI PEMODELAN KEJADIAN MALNUTRISI... MAKSYUFATUL ILMI
1.0 0.8
0.6 0.4
0.2 0.0
90
80
70
60
50
40
tresshold
k
k
Scatterplot of kk vs tresshold
Gambar 4.7 Plot Ketepatan Klasifikasi Cut off Probability
Dari Gambar 4.7 diketahui bahwa nilai cut off probability terbaik terletak pada
ketepatan klasifikasi tertinggi 85% yaitu pada titik 0,78. Proses validasi dilakukan
dengan menghitung ̂ untuk setiap nilai cut off probabilityterbaik.
Berdasarkan output pada Lampiran 7 diperoleh estimasi model pada setiap
pengamatan sehingga dapat diklasifikasian berdasarkan nilai cut off probability =
0,78.
Tabel 4.5 Ketepatan Klasifikasi Data In Sample
Prediksi
Jumlah
MRS Tidak MRS
Pengamatan MRS 12 2 14
Tidak MRS 4 22 26
SKRIPSI PEMODELAN KEJADIAN MALNUTRISI... MAKSYUFATUL ILMI Berdasarkan Tabel 4.5 dapat dihitung nilai APPER sebagi berikut:
Jadi,
Berdasarkan perhitungan dapat diketahui bahwa ketepatan klasifikasi untuk
estimasi model logistik nonparametrik aditif berdasarkan estimator kernel untuk
data in sample adalah . Dari hasil tersebut dapat dikatakan bahwa model
sudah cukup valid.Berikut ini adalah Tabel validasi data in sample.
Tabel 4.6 Validasi Data In Sample
No Y Peluang Kejadian Kejadian Estimasi Kejadian Validasi
1 1 0,789 MRS MRS Valid
2 0 0,769 Tidak MRS Tidak MRS Valid
3 1 0,811 MRS MRS Valid
4 0 0,657 Tidak MRS Tidak MRS Valid
5 1 0,833 MRS MRS Valid
6 0 0,683 Tidak MRS Tidak MRS Valid
7 0 0,662 Tidak MRS Tidak MRS Valid
8 0 0,717 Tidak MRS Tidak MRS Valid
9 1 0,783 MRS MRS Valid
10 1 0,833 MRS MRS Valid
11 0 0,774 Tidak MRS Tidak MRS Valid
12 0 0,745 Tidak MRS Tidak MRS Valid
13 1 0,788 MRS MRS Valid
14 0 0,743 Tidak MRS Tidak MRS Valid
15 0 0,693 Tidak MRS Tidak MRS Valid
16 0 0,697 Tidak MRS Tidak MRS Valid
17 0 0,642 Tidak MRS Tidak MRS Valid
18 1 0,760 MRS Tidak MRS Tidak Valid
19 0 0,743 Tidak MRS Tidak MRS Valid
20 1 0,810 MRS MRS Valid
SKRIPSI PEMODELAN KEJADIAN MALNUTRISI... MAKSYUFATUL ILMI No Y Peluang Kejadian Kejadian Estimasi Kejadian Validasi
22 1 0,806 MRS MRS Valid
23 0 0,752 Tidak MRS Tidak MRS Valid
24 1 0,786 MRS MRS Valid
25 0 0,808 Tidak MRS MRS Tidak Valid
26 0 0,820 Tidak MRS MRS Tidak Valid
27 1 0,811 MRS MRS Valid
28 1 0,816 MRS MRS Valid
29 0 0,693 Tidak MRS Tidak MRS Valid
30 0 0,650 Tidak MRS Tidak MRS Valid
31 0 0,767 Tidak MRS Tidak MRS Valid
32 0 0,734 Tidak MRS Tidak MRS Valid
33 0 0,829 Tidak MRS MRS Tidak Valid
34 0 0,683 Tidak MRS Tidak MRS Valid
35 0 0,642 Tidak MRS Tidak MRS Valid
36 0 0,793 Tidak MRS MRS Tidak Valid
37 0 0,705 Tidak MRS Tidak MRS Valid
38 0 0,658 Tidak MRS Tidak MRS Valid
39 1 0,773 MRS Tidak MRS Tidak Valid
40 1 0,822 MRS MRS Valid
4.2 Memvalidasi Data Out Sample Berdasarkan Model yang Telah Diperoleh Estimasi model pada data out sample dilakukan menggunakan model yang
telah diperoleh berdasarkan data in sample dengan cut off probability sebesar
0,78. Data out sample yang digunakan adalah 17 data pasien anak dari 57 data
yang ada, terdiri 6 anak terkena MRS dan 11 anak tidak terkena MRS (Lampiran
2). Langkah pertama untuk memperoleh ̂ ( ) dari data out sample adalah
dengan melihat selang prediksi pada Lampiran 10, sehingga dapat ditentukan
estimasi model berdasarkan letak selang tersebut. Diberikan penjelasan
perhitungan data out sample pengamatan pertama, untuk pengamatan lainnya
SKRIPSI PEMODELAN KEJADIAN MALNUTRISI... MAKSYUFATUL ILMI Data pada pengamatan ke-1 prediktor ke-1 yaitu . Data tersebut
berada pada selang , sehingga ̂ . Data pada
pengamatan ke-1 prediktor ke-2 yaitu 6. Data tersebut berada pada selang
, sehingga ̂ . Data pada pengamatan ke-1
prediktor ke-3 yaitu 17,93. Data tersebut berada pada selang
, sehingga ̂ . Setelah didapat seluruh nilai ̂ ( )
untuk masing – masing prediktor, kemudian ̂ ( ) tersebut dijumlahkan, Pada
data pengamatan ke-1 jumlahan yaitu 0,837122. Langkah terakhir yaitu
menghitung ̂.
̂
∑ ( ∑ )
Jadi, nilai untuk ̂ , sehingga dengan cut off probability sebesar 0,78
pengamatan ke-1 diklasifikasikan tidak mengalami MRS .
Berdasarkan output pada Lampiran 11 diperoleh estimasi model pada
setiap pengamatan sehingga dapat diklasifikan berdasarkan nilai cut off
probability = 0,78.
Tabel 4.7 Ketepatan Klasifikasi Data out Sample
Prediksi
Jumlah
MRS Tidak MRS
Pengamatan MRS 2 4 6
Tidak MRS 2 9 11
Jumlah 4 13 17
Berdasarkan Tabel 4.7 dapat dihitung nilai APPER sebagi berikut:
SKRIPSI PEMODELAN KEJADIAN MALNUTRISI... MAKSYUFATUL ILMI Jadi,
Berdasarkan perhitungan dapat diketahui bahwa ketepatan klasifikasi untuk
estimasi model logistik nonparametrik aditif berdasarkan estimator kernel untuk
data out sample adalah 65%. Nilai ketepatan klasifikasi ini lebih besar
dibandingkan jika menggunakan metode regresi logistik biner (parametrik) yang
mempunyai ketepatan klasifikasi 64,7%. Dari hasil tersebut dapat dikatakan
bahwa model sudah cukup valid.Berikut ini diberikan Tabel 4.8 Untuk melihat
validasi estimasi model data out sample.
Tabel 4.8 Ketepatan Klasifikasi Data Out Sample
No Y Peluang Kejadian Kejadian Estimasi Kejadian Validasi
1 0 0,698 Tidak MRS Tidak MRS Valid
2 0 0,757 Tidak MRS Tidak MRS Valid
3 0 0,718 Tidak MRS Tidak MRS Valid
4 0 0,740 Tidak MRS Tidak MRS Valid
5 0 0,765 Tidak MRS Tidak MRS Valid
6 0 0,766 Tidak MRS Tidak MRS Valid
7 0 0,783 Tidak MRS MRS Tidak Valid
8 1 0,732 MRS Tidak MRS Tidak Valid
9 0 0,813 Tidak MRS MRS Tidak Valid
10 0 0,651 Tidak MRS Tidak MRS Valid
11 0 0,703 Tidak MRS Tidak MRS Valid
12 0 0,772 Tidak MRS Tidak MRS Valid
13 1 0,771 MRS Tidak MRS Tidak Valid
14 1 0,807 MRS MRS Valid
15 1 0,730 MRS Tidak MRS Tidak Valid
16 1 0,726 MRS Tidak MRS Tidak Valid
SKRIPSI PEMODELAN KEJADIAN MALNUTRISI... MAKSYUFATUL ILMI Data in sample di atas jika diolah menggunakan metode regresi logistik
biner (parametrik) dengan bantuan software SPSS, maka diperoleh nilai
dan masing masing sebesar 0,869; -0,018; -0,200; dan -0.025
(Output pada Lampiran 13), sehingga diperoleh model logistik biner sebagai
berikut
̂
̂ (4.1)
Berdasarkan hasil estimasisesuai dengan persamaan (4.1) diperoleh ketepatan
klasifikasi sebesar 62,5%. Berikut ini diberikan plot estimasi model untuk
masing-masing prediktor dengan menganggap variabel prediktor yang lain konstan pada
Gambar 4.8, Gambar 4.9, dan Gambar 4.10 sebagai berikut:
13
SKRIPSI PEMODELAN KEJADIAN MALNUTRISI... MAKSYUFATUL ILMI
Gambar 4.9 Plot Estimasi Model Kejadian MRS Berdasarkan Lama Rawat dengan Metode Logistik Biner Parametrik
30
Gambar 4.10 Plot Estimasi Model Kejadian MRS Berdasarkan IMT dengan Metode Logistik Biner Parametrik
Dari Gambar 4.5, Gambar 4.6, dan Gambar 4.7 dapat dilihat bahwa semua plot
SKRIPSI PEMODELAN KEJADIAN MALNUTRISI... MAKSYUFATUL ILMI semakin lama anak dirawat serta semakin tinggi IMT anak maka peluang pasien
anak penderita ISPA mengalami MRS semakin kecil.
Ketepatan klasifikasi sebesar 85% diperoleh dari pendekatan model regresi
nonparametrik aditif berdasarkan estimator Kernel, sedangkan berdasarkan
pendekatan logistik biner parametrikdiperoleh ketepatan klasifikasi sebesar
62,5%, sehingga disimpulkan bahwa estimasi model dengan pendekatan logistik
nonparametrik aditif lebih baik daripada estimasi model dengan pendekatan
49
SKRIPSI PEMODELAN KEJADIAN MALNUTRISI... MAKSYUFATUL ILMI BAB V
KESIMPULAN DAN SARAN 5.1 Kesimpulan
Berdasarkan hasil dan pembahasan yang elah dilakukan, diperoleh
kesimpulan sebagai berikut:
1. Kesimpulan yang dapat diperoleh dari pembahasan 4.1 adalah sebagai
berikut:
a. Pertama, peluang kejadian MRS berdasarkan usia bersifat fluktuatif
dan yang mempunyai risiko paling tinggi terkena MRS adalah pasien
anak yang berusia 11 tahun dan terendah adalah pasien anak dengan
usia 9 tahun. Kedua, berdasarkan lama rawat, semakin lama pasien
dirawat maka peluang terkena MRS semakin kecil. Ketiga,
berdasarkan IMT, pasien dengan IMT normal mempunyai peluang
relatif lebih kecil untuk mengalami MRS.
b. Hasil pemodelan kejadian MRS pada pasien anak penderita ISPA
dengan pendekatan logistik nonparametrik aditif berdasarkan
estimator Kernel diperoleh ketepatan klasifikasi sebesar 85%,
sedangkan berdasarkan pendekatan logistik biner parametrikdiperoleh
ketepatan klasifikasi sebesar 62,5%, sehingga dapat disimpulkan
bahwa estimasi model dengan pendekatan logistik nonparametrik aditif
lebih baik daripada estimasi model dengan pendekatan logistik biner
SKRIPSI PEMODELAN KEJADIAN MALNUTRISI... MAKSYUFATUL ILMI 2. Validasi data out sample berdasarkan model yang telah diperoleh dengan
cut off probability 0,78 memiliki ketepatan klasifikasi 65%.
5.2 Saran
Dari kesimpulan yang didapat saran yang diberikan oleh peneliti
adalah:Bagi penelitian selanjutnya diharapkan menambahkan variabel prediktor
karena ketepatan klasifikasi untuk data out sample masih kurang memuaskan.
Selain itu peneliti juga bisa menggunakan estimator regresi nonparametrik yang
lain seperti Spline, Lokal linier, dan Wafelet.