N
A
L
E
D
O
M
E
P
T
I
P
E
P
E
N
Y
A
K
I
T
S
T
R
O
K
E
M
E
N
G
G
U
N
A
K
A
N
H
G
U
O
R
-
R
E
G
R
E
S
I
L
O
G
I
S
T
I
K
B
I
N
E
R
(Stud iKasu s :PasienStrokeRumahSaki tAwa lBro sPekanbaru)R
I
H
K
A
S
A
G
U
T
t a r a y s u t a s h a l a s i a g a b e s n a k u j a i D s n i a S a n a jr a S r a l e g h e l o r e p m e m k u t n u a d a p ProgramStudiMatemaitka:
h
e
l
O
A
S
I
N
N
U
R
I
A
H
K
A
K
S
I
S
6
8
2
0
0
2
4
5
6
1
1
I
G
O
L
O
N
K
E
T
N
A
D
S
N
I
A
S
S
A
T
L
U
K
A
F
M
I
S
A
K
F
I
R
A
Y
S
N
A
T
L
U
S
I
R
E
G
E
N
M
A
L
S
I
S
A
T
I
S
R
E
V
I
N
U
R
I
A
U
U
R
A
B
N
A
K
E
P
1
0
2 9
v i
v i
M
E
L
B R
A
H
A
K
A
T
A
S
K
E
K
A
Y
A
A
N
I
N
T
E
L
E
K
T
U
A
L
i d a i d e s r e t n a d r a tf a d r e t i n i n a k ti b r e ti d k a d it g n a y r i h k A s a g u T i r e g e N m a l s I s a ti s r e v i n U n a a k a t s u p r e P Islam Neger iSutlan Sya ir fKasim Riau . s il u n e p a d a p a t p i c k a h a w h a b n a u t n e t e k n a g n e d m u m u k u t n u a k u b r e t h a l a d a n a s a k g n ir u a t a n a p it u g n e p i p a t e t , t a t a c i d n a k n a n e k r e p i d n a a k a t s u p e k i s n e r e f e R h a i m li n a a s a i b e k n a g n e d i a tr e s i d s u r a h n a d s il u n e p n i z i e s n a k u k a li d t a p a d a y n a h r e b m u s n a k t u b e y n e m k u t n u n ya. s u r a h i n i ri h k A s a g u T h u r u l e s u a t a n a i g a b e s n a ti b r e n e p u a t a n a a d n a g g n e P m a l s I s a ti s r e v i n U i g o l o n k e T n a d s n i a S s a tl u k a F n a k e D i r a d n i z i h e l o r e p m e m r i h k A s a g u T n a k m a j n i m e m g n a y n a a k a t s u p r e P . u a i R m i s a K f ir a y S n a tl u S i r e g e N k p a r a h i d a y n a t o g g n a k u t n u i n i an untuk mengis inama ,tanda peminjaman dan . m a j n i p l a g g n a tv
R
A
B
M
E
L
P
E
R
N
Y
A
T
A
A
N
t a p a d r e t k a d it i n i r i h k A s a g u T m a l a d a w h a b n a k a t a y n e m a y a s i n i n a g n e D u t a u s i d n a a n a jr e s e k r a l e g h e l o r e p m e m i a g a b e s n a k u j a i d h a n r e p g n a y a y r a k n a d i g g n i T n a u r u g r e P sepanjang pengetahuan sayaj uga itdak t erdapa tkarya atau s il u tr e t g n a y i l a u c e k n i a l g n a r o h e l o n a k ti b r e ti d u a t a s il u ti d h a n r e p g n a y t a p a d n e p . a k a t s u p r a tf a d m a l a d i d n a k t u b e s i d n a d i n i h a k s a n m a l a d u c a i d k e P anbaru, 17 Desembe r2019 Yang membuat pernyataan, A S I N N U R I A H K A K S I S 0 0 2 4 5 6 1 1 2 86vi
N
A
H
A
B
M
E
S
R
E
P
R
A
B
M
E
L
a
d
a
i
T
k
a
t
a
y
a
n
g
i
n
d
a
h
s
e
l
a
i
n
u
c
a
p
a
n
s
y
u
k
u
r
k
e
p
a
d
a
A
ll
a
h
S
W
T
.
n
a
g
n
o
l
o
t
r
e
p
t
a
k
r
e
B
-
N
y
a
,
k
a
r
y
a
i
n
i
s
a
y
a
p
e
r
s
e
m
b
a
h
k
a
n
k
e
p
a
d
a
d
i
r
i
a
l
a
g
e
s
i
t
a
w
e
l
e
m
u
p
m
a
m
g
n
a
y
i
r
i
d
n
e
s
a
y
a
s
h
a
m
b
a
t
a
n
d
a
l
a
m
.
i
n
i
t
a
a
s
a
g
g
n
i
h
h
a
r
e
y
n
e
m
k
a
d
it
n
a
d
r
i
h
k
A
s
a
g
u
T
n
a
k
i
a
s
e
l
e
y
n
e
m
n
a
k
r
a
s
e
b
m
e
m
h
a
l
e
t
g
n
a
y
a
t
n
i
c
r
e
t
u
b
I
n
a
d
h
a
y
A
k
u
t
n
u
a
m
a
t
u
r
e
T
,
i
s
a
v
it
o
m
e
m
,
n
a
a
y
a
c
r
e
p
e
k
,
n
a
it
a
h
r
e
p
,
g
n
a
y
a
s
h
i
s
a
k
i
r
e
b
m
e
m
n
a
d
a
r
a
d
u
a
s
a
t
r
e
s
,
a
’
o
d
n
a
d
n
a
g
n
u
k
u
d
i
r
e
b
m
e
m
-
s
a
u
d
a
r
a
,
t
e
m
a
n
-t
e
m
a
n
,
n
e
s
o
d
n
a
d
-
d
o
s
e
n
s
a
y
a
y
a
n
g
s
e
l
a
l
u
m
e
m
b
e
r
i
s
e
m
a
n
g
a
t
d
a
n
n
a
s
e
h
a
t
.
h
a
r
e
y
n
e
m
k
a
d
it
k
u
t
n
u
: y B SiskaKhairunnisaii v
N
A
L
E
D
O
M
E
P
T
I
P
E
P
E
N
Y
A
K
I
T
S
T
R
O
K
E
M
E
N
G
G
U
N
A
K
A
N
H
G
U
O
R
-
R
E
G
R
E
S
I
L
O
G
I
S
T
I
K
B
I
N
E
R
(Stud iKasu s :PasienStrokeRumahSaki tAwa lBro sPekanbaru)A
S
I
N
N
U
R
I
A
H
K
A
K
S
I
S
6
8
2
0
0
2
4
5
6
1
1
l a g g n a T Sidang: 17Desembe r2019 l a g g n a T Wisuda : i d u t S m a r g o r P Matemaitka i g o l o n k e T n a d s n i a S s a tl u k a F u a i R m i s a K f ir a y S n a tl u S i r e g e N m a l s I s a ti s r e v i n U u r a b n a k e P 5 5 1 . o N s a t n a r b e o S . R H . l JK
A
R
T
S
B
A
r a l u n e m k a d it t i k a y n e P (PTM )menjad isalah satu penyebab utama kemaitan d iseluruh dunia . P . e k o rt s k u s a m r e t d u s k a m i d g n a y M T P eneilitani n ibetrujuanuntuk memodelkanr egresil ogisitk n a d r e n i b roughs et ssetramengidentiifkas ivairabe lutamayangberhubungandengan itpepenyaki t a r a c n a g n e d n a k l u p m u k i d a t a D . e k o rt s menyeba rangke td iRumah Saki tAwa lBros ,Pekanbaru 9 1 0 2 r e b m e t p e S n a l u b a d a p .Vairabe lbeba sdalam peneilitan in isebanyak 22 ,meilput ipro if l t a y a w ir , )l l d , l o rt s e l o k , i s n e tr e p i h ( i d a b ir p t i k a y n e p t a y a w ir , )l l d , a i s u , n i m a l e k s i n e j( n e i s a p a b ir p t i k a y n e p di( srtoke ,hipetrensi ,dl)l ,dangayahidup( kebiasaanmerokok ,olahraga ,dl)l .Data n a d r e n i b k it s i g o l i s e r g e r n a g n e d s i s il a n a i d rough sets .Regres ilogisitk bine rdliakukan untuk e k s i s il a n a g n e m -22vairabel ,namun itdak dtiemukanvairabe lyang signiifkansehinggadliakukan l e b a ir a v i s a n i m il e . Terdapa t 6 vairabe l beba s yang dianailsi s setelah dliakukan eilminas i n a k a n u g g n e m rough sets .Keenam vairabe lbeba stersebu tdimodelkan menggunakan regres i l e b a ir a v 6 ( i s a n i m il e h a l e t e s l e d o m i t u p il e m r e n i b k it s i g o l ) ,mode ldengan vairabe lyang bisa , a y n li s a H . )l e b a ir a v 4 ( l o rt n o k i d a s i b k a d it g n a y l e b a ir a v n a g n e d l e d o m n a d ) l e b a ir a v 2 ( l o rt n o k i d l e d o m a d a p n a k if i n g i s a r a c e s h u r a g n e p r e b i d a b ir p i s n e tr e p i h t a y a w ir setelaheilminas idan mode l a s i b g n a y l e b a ir a v n a g n e d dikonrtol ,setrausiaberpengaruh secarasigniifkan padamodeldengan , a g g n i h e S . l o rt n o k i d a s i b k a d it g n a y l e b a ir a v penggabunganregresil ogisitkbine rdan rough set s . e k o rt s ti k a y n e p e p it p a d a h r e t n a l e d o m e p n a k u k a l e m k u t n u n a k l u s u i d a t a K kunc:iRegres iBiner, Rough-Regreis, RoughSets ,TipeStroke.ii i v
E
K
O
R
T
S
F
O
G
N
I
L
E
D
O
M
’
S
T
Y
P
E
U
S
I
N
G
R
O
U
G
H
-
B
I
N
A
R
Y
N
O
I
S
S
E
R
G
E
R
S
C
I
T
S
I
G
O
L
(CaseStudy :SrtokePaiten sti nAwa lBro sHosptia lPekanbaru)A
S
I
N
N
U
R
I
A
H
K
A
K
S
I
S
6
8
2
0
0
2
4
5
6
1
1
m a x E l a n i F f o e t a D :17Decembe r2019 y n o m e r e C n o it a u d a r G f o e t a D : t n e m tr a p e D o fMathemaitcs y g o l o n h c e T d n a e c n e i c S f o y tl u c a F u a i R m is a K fi r a y S n a tl u S f o y ti s r e v i n U c i m a ls I e t a t S u r a b n a k e P 5 5 1 . o N t e e r t S s a t n a r b e o ST
S
B
A
R
A
C
T
n o N -communicabledisease s(NCD )aret hemain death f actori n t hewo lrd .In t hi scase , tsroke y r a n i b d n a s t e s h g u o r f o n o it a r g e t n i e h t s t n e s e r p y d u ts s i h T . p u o r g D C N e h t f o e n o s i e s a e s i d r h t s e p y t s ’ e k o r ts e h t f o g n it a g it s e v n i n i s l e d o m n o is s e r g e r c it s i g o l ought he tsroke’sf actors .The 2 2 g n is u l a ti p s o H s s o r B l a w A u r a b n a k e P m o r f d e t c e ll o c n e e b e v a h a t a d e k o r ts s 't n e it a p d n a e s i c r e x e , e l y ts e fi l , y r o ts i h y li m a f , y r o ts i h l a n o s r e p , y h p a r g o m e d s ’t n e it a p s a h c u s , s r o t a c i d n i e s o p o r p e h t g n is u y B . y ti v it c a l a c is y h p d rough-binary logisitc model ,these indicator scan be h ti w d e t a i c o s s a s r o t a c i d n i 6 e r a e r e h t d e w o h s s tl u s e r e h T . y l e v it c e p s e r , d e l e d o m d n a d e t a n i m il e e l b a if i d o m y l e m a n , d e r e d is n o c o s l a e r a s l e d o m t n e r e ff i d o w t ,s r o t a c i d n i e s e h t m o r F . s e p y t e k o r ts o m n u d n a diifable tsrokemodels .Moreove ,rt hepaiten’t sagei savery isgniifcanti ndicato roft he . s t n e it a p e h t f o n o is n e tr e p y h e h t s i l e d o m d n o c e s e h t n i r o t a c i d n i t n a n i m o d e h t e li h W . l e d o m t s r if il d n a h r o f h c a o r p p a e v it a n r e tl a e n o s i l e d o m d e s o p o r p e h t , y ll a n i F ng mulitple indicator so f . e l b a ir a v e s n o p s e r e h t f o s e ir o g e t a c o w t h ti w s e s a e s i d d r o w y e K s :BinaryRegresison, Rough-regres ison, RoughSest ,Stroke’ sType.x i
R
A
T
N
A
G
N
E
P
A
T
A
K
n i m a l a ’l i b b a r i h a ll il u d m a h l A h a ll A i j u p a l a g e S subhanahu waata’ala ata syang senanitasa meilmpahkan k u j n u t e p n a d , a i n u r a k , t a m h a r -Nyal ahpenuil sbisamenyelesaikant uga sakhri ii .n d a m m a h u M i b a N a d a p e k m a l a s n a g n ir ir e b t a w a l a h S shallallahu‘ alaih iwasallam n a m a z i a p m a s n a u h a t e g n e p r e b k a d it g n a y n a m a z i r a d a ti k a w a b m e m h a l e t g n a y .i n i t a a s a d a p n a k a s a r a ti k g n a y i g o l o n k e t n a d u m li n a u j a m e k i k il i m e m g n a y t a r a y s u t a s h a l a s i h u n e m e m k u t n u n u s u s i d i n i n a it il e n e P dalammemperoleh a n a jr a s r a l e g sain s dan teknologi pada program stud i matemaitka . Dalam penyusunan dan penyelesaian peneilitan ini , penuil s banyak sekal i mendapa t i r a d t a g n a m e s a tr e s n a it a h r e p , k u j n u t e p , t a h e s a n , n a h a r a , n a u t n a b , n a g n i b m i b h a l e l h a n r e p k a d it g n a y a t n i c r e t a u t g n a r o a m a t u r e t k a h i p i a g a b r e b dan itadahent i u p m a m s il u n e p t a u b m e m g n a y i s a v it o m , n a it a h r e p , g n a y a s h i s a k n a k h a p m il e m n i k g n u m k a t g n a y i r e t a m a g u j , p u d i h n a r a j a l e p , h a k g n a l e m s u r e t n a d s u r e t k u t n u a s a J . s a l a b r e t a s i b -jasamu kanselalu kukenang hinggaakhi rhayatku dan semoga e m h a ll A njadikan j asa-jasamu sebaga iamalan soleh ,Aamiin .Kemudian penuil s : a d a p e k a g g n i h r e t k a t g n a y h i s a k a m ir e t n a k p a c u g n e m a g u j . 1 Bapak P fr . o Dr .H .Akhmad Mujahidin ,M.Ag., selaku Rekto rUnivers tia s . u a i R m i s a K f ir a y S n a tl u S i r e g e N m a l s I . 2 Bapak Dr .Drs .Ahmad Darmawi ,M.Ag., selaku Dekan Fakutla sSain sdan .i g o l o n k e T . 3 Ibu Ar iPan iDesvina ,M.Sc. ,selaku Ketua Program Studi Matemaitka dan . k i m e d a k A g n i b m i b m e P . 4 IbuFi rt iAryani ,M.Sc. ,selakuSekreta ir sProgramStudiMatemaitka. . 5 BapakDr .RiswanEfendi ,M . ,.Sc selakuPembimbingTuga sAkhi ryangt elah . a y n u m li a tr e s n a h a r a g n e p , n a g n i b m i b i r e b m e m . 6 Bapak Dr .Rado Yendra ,M.Sc dan ibu Rahmadeni ,M.Si, selaku Penguij .i n i ri h k a s a g u t a y n i a s e l e s a g g n i h e s n a r a s n a d n a k it ir k n a k ir e b m e m h a l e t g n a yx . 7 Seluruh Dosen Matemaitka ,Fakutla sSain sdanTeknologi yangt elahbanyak .s il u n e p a d a p e k n a u t n a b a tr e s , n a g n i b m i b , t a h e s a n i r e b m e m . 8 Keluargatercinta ,terutamakeduaorangt uayangt elahmembe irkanmoitvasi , a ’ o d , n a g n u k u d , dan mater iyang t ak henit-henitnya se tra kasih sayang yang .s il u n e p a d a p e k s u l u t t a g n a s . 9 Teman-temanTASquad ( AnisaRahmahB , rImaSuryani ,Muitatu lHasanah , if l E a ir E n a t n I , Yul iWahyun i Zelvy dan Reza Chai irsman ) yang selalu .s il u n e p a d a p e k i s a v it o m n a d n a g n u k u d i r e b m e m . 0 1 Seluruht eman-temans epe jruanganProgramStudiMatemaitkaangkatan2016 s u s u h k r e t kela sB. . 1 1 Teman-teman KKN Desa Tanjung Medang ,Kabupaten Kuantan Singingi , n a t a m a c e K HuluKuantan. . 2 1 Semua pihak yang telah banyak membantu baik secara langsung maupun it il e n e p n a i a s e l e y n e p m a l a d g n u s g n a l k a d it an in iyang itdak dapa tpenuil s . u t a s r e p u t a s n a k t u b e s Semoga kebaikan yang t elah mereka be irkan kepada penuil smenjad iama l g n a y n a s a l a b t a p a d n e m n a d n a k i a b e k seitmpa ldar iAllah subhanahu waata’ala . Aa im ii .n Dalam penuilsani n ipenuil smenyada ir bahwa peneilitant uga sakhrii n i g n a y l i s a h i a p a c n e m k u t n u a h a s u r e b h a d u s s il u n e p , n u m a N . a n r u p m e s m u l e b s il u n e p t a g n a s n u g n a b m e m g n a y n a r a s n a d k it ir k , u ti a n e r a k h e l O . l a m i s k a m .i n i r i h k a s a g u t n a a n r u p m e s e k i m e d n a k p a r a h Akhi rkata penuil sharap semoga k a h i p n a d s il u n e p i g a b t a a f n a m r e b t a p a d i n i r i h k a s a g u t n a it il e n e p -pihak yang . n a k u lr e m e m , u r a b n a k e P Desember2019 a s i n n u ri a h K a k s i S
i x
I
S
I
R
A
T
F
A
D
Halaman N A U J U T E S R E P R A B M E L .................................................................. ii N A H A S E G N E P R A B M E L ................................................................. .. i ii L A U T K E L E T N I N A A Y A K E K S A T A K A H R A B M E L .................... i v N A A T A Y N R E P R A B M E L ................................................................. .. v N A H A B M E S R E P R A B M E L ................................................................ v i K A R T S B A .............................................................................................. v ii T C A R T S B A .............................................................................................. viii R A T N A G N E P A T A K ............................................................................ i x I S I R A T F A D ........................................................................................... x i R A T F A D GAMBAR ............................................................................... x ii i R A T F A D TABEL .................................................................................. xiv N A R I P M A L R A T F A D ........................................................................... xvi I B A B PENDAHULUAN 1 . 1 Lata rBelakang ... I-1 2 . 1 RumusanMasalah ... I-3 3 . 1 BatasanMasalah ... I-3 4 . 1 TujuanPeneilitan ... I-4 5 . 1 Manfaa tpeneilitan ... I-4 6 . 1 SistemaitkaPenuilsan ... I-4 I I B A B LANDASANTEORI 1 . 2 KonsepRegres iLogisitkBiner ... I -1 I 2 . 2 KonsepRoughSets ... I -8 I 3 . 2 DataTrainingdanTesitng ... I - 1I 1 4 . 2 KonsepDataKatego ir ... I - 1I 1 5 . 2 KaijanPeneilitanSebelumnya... I - 2I 1ii x I I I B A B METODOLOG IPENELITIAN 1 . 3 MetodePeneilitan ... I -1 II 2 . 3 TeknikPenggailanData ... I -1 II 3 . 3 Populas idanSampel... I -2 II 4 . 3 Va irabe lPeneilitandanPengukuran ... I -2 II 5 . 3 DataTrainingdanTesitng ... I -3 II 6 . 3 PembentukanMode lRough-RegresiLogisitkBiner... I -4II V I B A B PEMBAHASAN 1 . 4 StaitsitkDesk irpit fPasienSrtoke ... .... I -1 V 2 . 4 ModelSebelumEilminasi ... I -4 V 3 . 4 ModelI ... I -9 V 4 . 4 ModelI I ... I - 7V 1 5 . 4 ModelI II... I - 4V 2 6 . 4 PerbandinganModel... I - 1V 3 V B A B KESIMPULANDANSARAN 1 . 5 Kesimpulan ... V-1 2 . 5 Saran ... V-2 A K A T S U P R A T F A D N A R I P M A L P U D I H T A Y A W I R R A T F A D
ii i x
R
A
T
F
A
D
G
A
M
B
A
R
r a b m a G Halaman r a b m a G 2 1. TahapanRoughSets... II- 01 r a b m a G 3 1. Va irabe lPeneilitanyangBerkatiandenganTipeSrtoke ... .. III-3 r a b m a G 3.2 Prose sPemodelanRough-RegresiLogisitkBiner... III-5 r a b m a G 14 . Plo tDataTrainingModelI ... I -16 V r a b m a G 24 . Plo tDataTesitngModelI ... I - 6V 1 r a b m a G 34 . Plo tDataTrainingMode l II ... I - 2V 2 r a b m a G 44 . Plo tDataTesitngModelI I... I - 3V 2 r a b m a G 54 . Plo tDataTrainingMode l III ... I - 0V 3 r a b m a G 64 . Plo tDataTesitngModelI II ... I - 1V 3v i x
L
E
B
A
T
R
A
T
F
A
D
l e b a T Halaman l e b a T 2 1. KetepatanKlasi ifkasi ... II-8 l e b a T 2.2 HubunganAntaraAt irbu tBerkondis idanAt irbu tKeputusan II-9 3 . 2 l e b a T Va irabe lKualtiait fdanKatego irnya ... .... I - 2I 1 4 . 2 l e b a T KaijanTerkai tPenyaki tS rtoke ,Regres iLogisitkBiner ,dan n a l e d o m e P Rough-Regresi ... I - 2I 1 1 . 4 l e b a T Tabulas iSliangBerdasarkanU sia ... I -2 V 2 . 4 l e b a T Tabulas iS liangBerdasarkanRiwaya tHipe trensiP irbadi ... .. I -2 V 3 . 4 l e b a T Tabulas iS liangBerdasarkanRiwaya tSrtokeKeluarga ... I -3 V 4 . 4 l e b a T Tabulas iS liangBerdasarkanKebiasaanMerokok... I -4 V 5 . 4 l e b a T Uj iIndenpendens iModelSebelumEilminasi... I -5 V . 4 l e b a T 6 PenguijanParamete rSerentakMode lSebelumEilminasi ... .. I -7 V . 4 l e b a T 7 PenguijanParamete rParsia lMode lSebelumEilminasi ... I -8 V 8 . 4 l e b a T UijI ndenpendens iModelI ... I - 0V 1 9 . 4 l e b a T PenguijanParamete rSerentakModelI ... I - 1V 1 0 1 . 4 l e b a T PenguijanParamete rParsialModelI ... .... I - 1V 1 1 1 . 4 l e b a T Odd sRaitoMode lI................................................................. I -12 V 2 1 . 4 l e b a T PenguijanKesesuaianMode lI ... I -14 V 3 1 . 4 l e b a T Klasi ifkas iTipePenyaki tSrtokeModelI ... I -14 V 4 1 . 4 l e b a T RingkasanMode lI ... I -15 V 5 1 . 4 l e b a T DataTrainingModelI ... I - 5V 1 6 1 . 4 l e b a T DataTesitngModelI ... I - 6V 1 7 1 . 4 l e b a T PerbandinganDataTrainingdanTesitngModelI ... I - 6V 1v x 8 1 . 4 l e b a T UijI ndenpendens iModelI I ... I - 7V 1 . 4 l e b a T 1 9 PenguijanParamete rSerentakModelI I... I - 8V 1 2 . 4 l e b a T 0 PenguijanParamete rParsia lModelI I... .. I - 9V 1 l e b a T 4 1 .2 Odd sRaitoMode lII ............................................................... I - 9V 1 2 . 4 l e b a T 2 PenguijanKesesuaianMode lI I ... I - 0V 2 2 . 4 l e b a T 3 Klasi ifkas iTipePenyaki tSrtokeModelI I... I - 1V 2 2 . 4 l e b a T 4 RingkasanMode lI I ... I - 2V 2 2 . 4 l e b a T 5 DataTrainingModelI I ... I - 2V 2 2 . 4 l e b a T 6 DataTesitngModelI I ... I - 3V 2 2 . 4 l e b a T 7 PerbandinganDataTrainingdanTesitngMode l II... I - 3V 2 2 . 4 l e b a T 8 UijI ndenpendens iModelI II ... I - 4V 2 . 4 l e b a T 2 9 PenguijanParamete rSerentakModelI II... I - 5V 2 3 . 4 l e b a T 0 PenguijanParamete rParsia lModelI II ... I - 6V 2 l e b a T 4 1 .3 Odd sRaitoModel III .............................................................. I - 7V 2 3 . 4 l e b a T 2 PenguijanKesesuaianModel II I ... I - 8V 2 3 . 4 l e b a T 3 Klasi ifkas iTipePenyaki tSrtokeModelI II... I - 8V 2 3 . 4 l e b a T 4 RingkasanMode lIII... I - 9V 2 3 . 4 l e b a T 5 DataTrainingMode lI II... I - 0V 3 3 . 4 l e b a T 6 DataTesitngModelI II ... I - 0V 3 . 4 l e b a T 37 PerbandinganDataTrainingdanTesitngMode l III... I - 1V 3 l e d o M n a g n i d n a b r e P 8 3 . 4 l e b a T ... I - 2V 3
i v x
R
A
T
F
A
D
L
A
M
P
I
R
A
N
n a r i p m a L Halaman . A Angke tPeneilitan ... A-1 . B DataPeneil itan ... B-1 . C StaitsitkDesk irpit f... C-1 . D UijI ndenpendensi ... D-1I
B
A
B
N
A
U
L
U
H
A
D
N
E
P
i d i n i I b a B a d a P baha s mengena i lata r belakang masalah , rumusan a k it a m e t s i s n a d n a it il e n e p t a a f n a m , n a u j u t , h a l a s a m n a s a t a b , h a l a s a m penuilsan . i d n a k a a y n p a k g n e l e S jelaskanpadaSub-Bab1.1- .1 .6 1 . 1 LatarBelakang r a l u n e m k a d it t i k a y n e P ( MPT ) merupakan salah satu masalah kesehatan i d n a it a h r e p t a s u p i d a j n e m g n a y seluruh dunia .Laporan dar iWHOmenunjukkan i d n a it a m e k a m a t u b a b e y n e p n a k a p u r e m i n i h u a j e s M T P a w h a b dunia , yang n a it a m e k a u m e s i r a d % 0 8 r a ti k e S . n a n u h a t n a it a m e k a u m e s i r a d % 3 6 i li k a w e m i d i d a jr e t M T P Negaraberpenghaslianr endah danmenengah, t ermasukI ndonesia i D . ) 6 1 0 2 , u a i R i s n i v o r P n a t a h e s e K s a n i D ( Indonesia ,PTM teru smengalam i a y n n u h a t p a it e s n a t a k g n i n e p . PTM yang dimaksud antara lain adalah srtoke , s e t e b a i d n a d r e k n a k , i s n e tr e p i h , g n u t n a j .Menuru tRiskesda s(2018 ,) pendertia u t k a w n u r u k m a l a d n u h a t 5 1 s a t a i d a i s u a i s e n o d n I k u d u d n e p a d a p e k o rt s ti k a y n e p a d , % 9 , 3 r a s e b e s n a t a k g n i n e p i m a l a g n e m h a l e t n u h a t 5 r iawalnya 7% d itahun n a k k u j n u n e m t u b e s r e t n a t a k g n i n e P . 8 1 0 2 n u h a t i d % 9 , 0 1 i d a j n e m k i a n 3 1 0 2 i a n e g n e m n a l e d o m e p g n a t n e t i c n ir e p r e t h i b e l g n a y n a ij a k n a k u lr e p i d a w h a b . e k o rt s ti k a y n e p ) 6 1 0 2 ( . k k d , i n a h G t u r u n e M fakto r irsiko dominan pendertia srtoke d i a i s e n o d n I adalah umu r yang semakin meningkat , jantung koroner , diabete s , s u ti l e m hipe trensi , dan gaga l jantung . Sedangkan menuru t Wayunah dan ) 6 1 0 2 ( h o ll u f e a S fakto r irwaya tsrtoke dan akitvtia s ifsik berhubungan dengan d e k o rt s n a i d a j e k iRSUDI ndramayu .Hali n imenunjukkan bahwa t erdapatf akto r t i k a y n e p b a b e y n e p i d a j n e m t a p a d g n a y p u d i h n a a s a i b e k n a d t i k a y n e p t a y a w ir t i k a y n e p e p it i a n e g n e m i j a k g n e m k a d it t u b e s r e t n a it il e n e p a u d e k , n u m a N . e k o rt s . n e i s a p a ti r e d i d g n a y e k o rt sI-2 r o t k a f n a d e k o rt s t i k a y n e p e p i T irsiko dominan t elah dtielti ioleh Dinata , t a w h a b n a k k u j n u n e m a y n n a it il e n e p l i s a H . ) 3 1 0 2 ( . k k d ipe srtoke yang pailng n e i s a p a ti r e d i d k a y n a b d iRSUDKabupatenSolokSelatan ,SumateraBara tadalah e k o rt s ische cm .i Sedangkan fakto r irsiko dominan pada semua pasien adalah e k o rt s n a g n e d n e i s a p a d a p , i s n e tr e p i h ischemic adalah kada r gula darah n a d , t a k g n i n e m pada pasien s rtoke hemorrhagic adalah hipe trensi . Namun , h e l o r e p m e m k u t n u a g g n i h e s , fi t p ir k s e d e d o t e m n a k a n u g g n e m t u b e s r e t n a it il e n e p r p m e m t a p a d g n a y l e d o m ediks i itpe penyaki t srtoke dapa t digunakan regres i .r e n i b k it s i g o l r e n i b k it s i g o l i s e r g e R dapat menggambarkan hubungan antara va irabe l t a k ir e t (dependent )dengan sekumpulan va irabe l bebas (independent) ,dimana t a k ir e t l e b a ir a v bersfia tdikotomusatau mempunya idua katego ir .Peneilitan yang n a k a n u g g n e m regres i logisitk biner dliakukan oleh Fadhliah dan Notobroto , a i m e d i p il s i d , i s n e tr e p i h r o t k a f a w h a b n a k k u j n u n e m a y n n a it il e n e p l i s a H . ) 6 1 0 2 ( s e t e b a i d n a d meltiuss igni ifkant erhadapkejadianTransientI schemicAttack T( AI ) a y a b a r u S o m o t e o S . r D D U S R i d .Peneilitan lain dliakukan oleh Misna ,dkk . a w h a b n a k k u j n u n e m a y n n a it il e n e p l i s a H . ) 8 1 0 2 ( faktor-fakto r yang a m a l h a l a d a i s n e tr e p i h a ti r e d n e p i h u r a g n e p m e m merokok , jeni s rokok yang p a s i h i d , dan cara menghisap rokok . Mode l regres i logisitk bine r dapa t t a p a d k a d it n u m a n , ir o g e t a k k u t n e b r e b a t a d a d a p n a l e d o m e p n a k k u j n u n e m t a g n a s t u b e s r e t a t a d i s k u d e r a r a t n e m e S . l e b a ir a v n u p u a m a t a d i s k u d e r e m a g g n i h e S . ) b 8 1 0 2 , . k k d i d n e f E ( i s k i d e r p i s a r u k a p a d a h r e t h u r a g n e p r e b roughset s . n a k i s a k il p a i d k u t n u i a u s e s g n a y l e d o m h a l a d a s t e s h g u o R merupakan mode l pada data mining untuk mendapatkan n a r u t a -aturan yang singka tdan t epa tdar isatu t abe l(Pawlak .Z ,1982) .Beberapa n a k a n u g g n e m n a it il e n e p rough set s(Ha trama dan Ha trono ,2016 ;Jama irs ,2017 ; a y n a t a d g n a y l e b a ir a v a p a r e b e b a d a , n i a l i s i s i D . ) 8 1 0 2 , n a ti a j n a P n a d i n i a r g g n A . n a k a n u g i d t a p a d a g u j i s e r g e r l e d o m a g g n i h e s k ir e m u n k u t n e b m a l a d a i d e s r e t i s e r g e r a r a t n a n a k g n i d n a b m e m g n a y ) 0 1 0 2 , . k k d a rt a p a h a M ( n a it il e n e p i tr e p e S r a e n il berganda dan rough set spada data penjualan kosmeitk d iIndia .Namun ,
I-3 i s e r g e r a r a t n a n a g n u b a g g n e p a d a m u l e b ) 0 1 0 2 ( . k k d a rt a p a h a M n a it il e n e p a d a p n a d a d n a g r e b r a e n il roughs ets. n a d i s e r g e r e d o t e m n a g n u b a g g n e P roughs et sdiperkenalkan olehbeberapa . ) b 8 1 0 2 , . k k d i d n e f E ; a 8 1 0 2 , . k k d i d n e f E ; 8 1 0 2 , . k k d i d n e f E ( a y n m u l e b e s i ti l e n e p . a d n a g r e b r a e n il i s e r g e r k u t n u s a t a b r e t h i s a m t u b e s r e t n a g n u b a g g n e p , n u m a N r e n i b k it s i g o l i s e r g e r e d o t e m n a k g n u b a g g n e m k u t n u k ir a tr e t s il u n e p , a g g n i h e S n a g n e d rough sets dan melakukan peneil itan dengan judu l“Pemodelan Tipe n a k a n u g g n e M e k o rt S t i k a y n e P Rough-Regres i Logisitk Bine r (Stud i Kasu s : . ” ) u r a b n a k e P s o r B l a w A t i k a S h a m u R e k o rt S n e i s a P 2 . 1 RumusanMasalah , h o ll u f e a S n a d h a n u y a W ; 6 1 0 2 , . k k d i n a h G ( n a it il e n e p n a k r a s a d r e B 2016) , n a d ) 8 1 0 2 , . k k d a n s i M ; 6 1 0 2 , o t o r b o t o N n a d h a li h d a F ( , ) 3 1 0 2 . k k d , a t a n i D ( a p a r e b e b a d a , ) b 8 1 0 2 , . k k d i d n e f E ; a 8 1 0 2 , . k k d i d n e f E ; 8 1 0 2 , . k k d i d n e f E ( h a l a s a m n a s u m u r yangpe lrudfiormulasikan ,diantaranyas ebaga ibe irkut: . a Bagaimanamemodelkanroughs et sdenganr egresil ogisitkbiner? . b Bagaimanamenerapkanmodel( a)t erhadapdata itpepenyaktis rtoke? 3 . 1 BatasanMasalah n a s a t a b n a k u lr e p i d n a it il e n e p t a u b m e m m a l a D -batasan aga r itdak a y n r a n e b e s g n a y n a u j u t a g g n i h e s , n a k a n a c n e ri d h a l e t g n a y i r a d g n a p m i y n e m dapa tdicapai .Adapunbatasanmasalahdar ipeneilitani n iadalahs ebaga ibe irkut: . a D aa -t data yang akan digunakan untuk pembentukan mode,l training dan g n it s e t adalah data p irme ryang diperoleh dar ipasien srtoke Rumah Saki t . u r a b n a k e P s o r B l a w A . b Mode lyang digunakan dalam peneilitan in iadalah mode lrough-regres i .r e n i b k it s i g o l . c Pemodelandapa tdiimplementasikan kepadapasienpendertiasrtokeuntuk e k o rt s s i n e j i u h a t e g n e m -nyaberdasarkanva irabe lyangberpengaruh.
I-4 4 . 1 TujuanPeneil itan r a t a l n a k r a s a d r e B belakang ,rumusan masalah ,dan batasan masalah maka :t u k ir e b i a g a b e s h a l a d a i n i n a it il e n e p n a u j u t . a Untukmemodelkanroughs et sdenganr egresil ogisitkbine .r . b Untuk menerapkan mode lyang diperoleh pada bagian (a )terhadap data . e k o rt s ti k a y n e p e p it 5 . 1 Manfaa tPeneil itan : u ti a y , i n i n a it il e n e p i r a d t a a f n a m k u t n e b a u d a d A . a Bag iBidangKelimuan Mendapatkan limu bagaimana cara memodelkan data menggunakan h g u o r -regres ilogis itk bine rsetra mampu mengapilkasikannya pada data . n i a l g n a y . b Bag iPengguna n a k ir e b m e M informas ikepadaorang-orang yang berkecimpung d ibidang n a t a h e s e k untuk menangan ipasien srtoke dengan memperhaitkan fakto r g n a y o k i s e r dominan guna menekan te jradinya serangan srtoke berulang. h i b e l k u t n u t a k a r a y s a m a d a p e k i s a m r o f n i n a k ir e b m e m a tr e S . e k o rt s ti k a y n e p a y n i d a jr e t h a g e c n e m k u t n u n a t a h e s e k n a k it a h r e p m e m 6 . 1 Sistema itkaPenuilsan p a d A un sistemaitka dalam penuilsan Proposa lTuga s Akhi rin i adalah : t u k ir e b i a g a b e s I B A B PENDAHULUAN , h a l a s a m n a s u m u r , g n a k a l e b r a t a l n a k i a r u g n e m n a u l u h a d n e P a t a b sanmasalah,t ujuan ,manfaa,ts e tras istemaitkapenuilsan. I I B A B LANDASANTEORI l a h g n a t n e t i s ir e b i r o e t n a s a d n a L -ha lyangd jiadikansebaga idasa r n a s il u n e p n a k g n a b m e g n e m k u t n u i r o e t proposa l tuga s akhri .
I-5 n a v e l e r g n a y i r o e t n a d p e s n o K yang pelru djielaskan sepe tr i i s e r g e r logisitkbine ,rkonseproughs ets,se trabeberapapeneilitan . ti a k r e t B A B I II METODOLOG IPENELITIAN g n a t n e t i s ir e b i n i b a B detai l prosedu r yang dliakukan penuil s . n a it il e n e p n a u j u t i a p a c n e m k u t n u Pendekatan dalam peneilitan i n i adalahkuanttiait fdengandatap irmeryangdidapatkanmelalu i t e k g n a -angke tyangdisebarkan. V I B A B ANALISISDANPEMBAHASAN l e d o m g n a t n e t n a k i s ir e b i n i b a B rough-regresil ogisitkbine rpada . e k o rt s ti k a y n e p e p it u ti a y , n a t a h e s e k g n a d i b i d a t a d V B A B PENUTUP Bab i n ibe irsikan kesimpulan yang menjelaskan i nt idar iseluruh n a r a s a tr e s e b n a s a h a b m e p .
I
I
B
A
B
I
R
O
E
T
N
A
S
A
D
N
A
L
u lr e p g n a y n a v e l e r g n a y i r o e t n a d p e s n o k a p a r e b e b a d a i n i I I b a B a d a P p e s n o k , r e n i b k it s i g o l i s e r g e r p e s n o k , it r e p e s n a k s a l e ji d rough sets ,data training n a d tesitng , konsep data katego ir , se tra kaijan peneilitan sebelumnya . d n a k a a y n p a k g n e l e S jielaskanpadaSub-Bab2.1- 52 . . 1 . 2 KonsepRegres iLogis itkBiner 1 . 1 . 2 U ijI ndependensi u a t a a u d a r a t n a n a g n u b u h i u h a t e g n e m k u t n u n a k a n u g i d i s n e d n e p e d n I i j U it a t S . l e b a ir a v h i b e l sitk uj idtiunjukkan pada Persamaan ( 12 ) e. d ngan hipotesi s i a g a b e s be irkut: 𝐻0 ∶ itdakadahubunganantarava irabels atudenganva irabellainnya 𝐻1 ∶adahubunganantaravairabels atudenganva irabell ainnya 𝑋2 � ∑ ∑ �𝑂𝑖𝑗−𝜇𝑖𝑗�2 𝜇𝑖𝑗 𝐽 𝑗=1 𝐼 𝑖=1 . (2.1) ,) 1 . 2 ( n a a m a s r e P a d a P 𝑂𝑖𝑗 adalah nlia i observas i pada basi s vairabe l e k i r o g e t a k r o t k i d e r p -𝑖 ,dan kolom va irabe lrespon kategor ike-𝑗 ,sedangkan 𝜇𝑖𝑗 e k s ir a b i s a t k e p s k e i a li n n a k k u j n u n e m -𝑖 ,dan kolom ke-𝑗 .Apab lianlia i𝑋2 lebih r a s e b da irpadanliai𝑋𝛼2�𝐼−1��𝐽−1� ,makakeputusan𝐻 0 dtiolak( Agresit ,2007 .) 2 . 1 . 2 Regres iLogis itkBiner n a d r e m s o H t u r u n e M Lameshow( 2000), r egresil ogisitk bine rmerupakan i s a u ti s n a g n e d k it s i g o l i s e r g e r n e i s if e o k i s a t e r p r e t n i h a u b e s i r a d n a g n a b m e k r e p n o p s e r l e b a ir a v a n a m i d �𝑦� adalah va irabe lkualtiait f yang mempunya iskala . s u m o t o k i d n a d l a n i m o n Va irabel respon 𝑦 terdri idar i2 kategor iyatiu“sukses” n a g n e d n a k i s a t o n i d g n a y ” l a g a g “ n a d 𝑦� 1 (sukses)dan 𝑦� 0 (gaga)l .Dalam n a a d a e k demikian, va irabe l 𝑦 mengikuit dist irbus i Bernoulil untuk seitap k u t n u , i s a v r e s b o 𝑛 pengamatan maka mengikuit dist irbusi binomial . Mode lI I -2 s i g o l i s e r g e r itkbine rdtiunjukkanpadaPersamaan(2.2): 𝑔(𝑥)� 𝑙 �𝑛 1−𝜋�𝜋𝑥��𝑥��� 𝛽0 � 𝛽1𝑥1� ⋯� 𝛽𝑝𝑥𝑝, (2.2) a d a P Persamaan(2.2) ,𝑝adalahbanyaknyava irabe lpredikto ,rf ungs i𝜋(𝑥) n a k a p u r e m fungs inon ilnie rsehingga pe lru dliakukan rtansformas ilogi taga r n o p s e r l e b a ir a v a r a t n a n a g n u b u h t a h il i d t a p a d �𝑦� dengan va irabe lprediktornya �𝑥� .Bentuk l ogi tda ir 𝜋(𝑥) yang merupakan model spesi ifk regres i l ogisitk r e n i b d tiunjukkanpadaPersamaan(2.3): 𝜋(𝑥)� exp�𝛽0+𝛽1𝑥1+⋯+𝛽𝑝𝑥𝑝� 1+exp�𝛽0+𝛽1𝑥1+⋯+𝛽𝑝𝑥𝑝�. (2.3) 3 . 1 . 2 Es itmas iParameter m a l a d s e r a u q s t s a e l e d o t e m a d a p h a r a g n e m g n a y i s a m it s e e d o t e M s e r g e r l e d o m i ilnie r disebu tMaximum Likeilhood Esitmaiton (Hosme r& r e t e m a r a p i s a m it s e g n e m t u b e s r e t e d o t e M . ) 0 0 0 2 , w o h s e m e L 𝛽 dengan cara n a k m u m i s k a m e m dan data haru s mengikut idist irbus itetrentu .Pada regrs i il l u o n r e B i s u b ir t s i d it u k i g n e m n a t a m a g n e p p a it e s k it s i g o l sehingga dapa t i dtentukan fungs i ilkeilhood-n ya. Jika 𝑥𝑖 adalah va irabe l predikto r dan , n e d n e p e d n i g n il a s g n a y n o p s e r l e b a ir a v h a l a d a i y 𝑖� 1,2,..,𝑛 maka fungsi il i b a b o r p ta suntuks eitappasangan�𝑥𝑖,𝑦𝑖� adalahs ebaga ibe irkut: 𝑓(𝑥)� 𝜋(𝑥𝑖)𝑦𝑖(1� 𝜋�𝑥𝑖�)1−𝑦𝑖, 4( ) 2. a g g n i h e S fungs i Likeilhood yang diperoleh dengan pengamatan yang s a i d umsikani ndependen dibeirkanpadaPersamaan( 2.5) be irkut: 𝑙(𝛽)� ∏𝑛𝑖=1𝑓�𝑥𝑖� � ∏𝑖𝑛=1𝜋(𝑥𝑖)𝑦𝑖(1� 𝜋�𝑥𝑖�)1−𝑦𝑖, (2.5) m k u t n u a k a M emudahkan dalam memaksimumkan ,lakukan ln 𝑙(𝛽) k i L n l a g u j t u b e s i d u a t a eilhoodyang dinotasikan s ebaga i𝐿�𝛽�.
I I -3 𝐿(𝛽)� ∑ {𝑛𝑖=1 𝑦𝑖l [n 𝜋�𝑥𝑖�]� (1� 𝑦𝑖)l [n 1� 𝜋�𝑥𝑖�]}. (2.6) n a k l a i s n e r e f e d n e m a r a c n a g n e d h e l o r e p i d t a p a d d o o h il e k i L n l m u m i s k a M 𝐿(𝛽) terhadap𝛽 danmenyamakannyadenganno.l 𝐿 𝜕 (𝛽) 𝛽 𝜕 � 0 � 𝜕�∑ �𝑙 �𝑛 𝑛𝑖 𝑦𝑖�+𝑦𝑖𝑛𝑖−𝑙 [𝑛1+𝑒𝑛𝑖]� 𝑛 𝑖=1 � 𝜕𝛽𝑗 . ( ) 2.7 n a g n e d 𝑥0𝑖 � 1 untuk seitap nlia i 𝑖 . Untuk 𝑗 � 0 , maka persaan memenuh i : k u t n e b 𝐿 𝜕 (𝛽) 𝜕𝛽0 � ∑ [𝑦𝑖𝑥0𝑖]� 𝑛 𝑖=1 ∑ [𝑛𝑖=1 𝑥0𝑖𝜋�𝑥𝑖�] � ∑ [𝑖𝑛=1 𝑦0𝑖� 𝜋�𝑥𝑖�]� 0 ∑𝑛𝑖=11+𝑒𝛽𝑒0𝛽𝑥00𝑥𝑖0𝑖 � ∑𝑛𝑖=1𝑦𝑖 𝑒𝛽0 � ∑ 𝑦𝑖 1−𝑦𝑖 𝑛 𝑖=1 𝛽0 � 𝑙 �∑𝑛 𝑖𝑛=11−𝑦𝑦𝑖𝑖�, ( ) 2.8 k u t n U 𝑗� 1 ,makapersaanmemenuh ibentuk : 𝐿 𝜕 (𝛽) 𝜕𝛽1 � ∑ [𝑦𝑖𝑥0𝑖]� 𝑛 𝑖=1 ∑ [𝑛𝑖=1 𝑥0𝑖𝜋�𝑥𝑖�] � ∑ [𝑖𝑛=1 𝑦0𝑖� 𝜋�𝑥𝑖�]� 0 ∑𝑖𝑛=11+𝑒𝛽𝑒0𝛽𝑥00𝑥𝑖0+𝑖+𝛽1𝛽𝑥11𝑥𝑖1𝑖 � ∑𝑛𝑖=1𝑦𝑖 𝑒𝛽0𝑥0𝑖+𝛽1𝑥1𝑖 � ∑ 𝑦𝑖 1−𝑦𝑖 𝑛 𝑖=1 𝛽1 � 𝑛 𝑙 �∑ 1−𝑦𝑖𝑦 𝑖 𝑛 𝑖=1 �−𝛽0 𝑥1𝑖 , (2.9) k u t n U 𝑗� 2 ,makapersaanmemenuh ibentuk : 𝐿 𝜕 (𝛽) 𝜕𝛽2 � ∑ [𝑦𝑖𝑥0𝑖]� 𝑛 𝑖=1 ∑ [𝑛𝑖=1 𝑥0𝑖𝜋�𝑥𝑖�] � ∑ [𝑖𝑛=1 𝑦0𝑖� 𝜋�𝑥𝑖�]� 0 ∑ 𝑒𝛽0𝑥0𝑖+𝛽1𝑥1𝑖+𝛽2𝑥2𝑖 1+𝑒𝛽0𝑥0𝑖+𝛽1𝑥1𝑖+𝛽2𝑥2𝑖 � ∑ 𝑦𝑖 𝑛 𝑖=1 𝑛 𝑖=1 𝑒𝛽0𝑥0𝑖+𝛽1𝑥1𝑖+𝛽2𝑥2𝑖 � ∑ 𝑦𝑖 1−𝑦𝑖 𝑛 𝑖=1
I I -4 𝛽2 � 𝑛 𝑙 �∑ 1𝑦−𝑦𝑖 𝑖 𝑛 𝑖=1 �−𝛽0+𝛽1𝑥1𝑖 𝑥1𝑖 , (2.10) ⋮ k u t n U 𝑗� 𝑛 ,makapersaanmemenuh ibentuk : 𝐿 𝜕 (𝛽) 𝜕𝛽𝑛 � ∑ [𝑦𝑖𝑥0𝑖]� 𝑛 𝑖=1 ∑ [𝑛𝑖=1 𝑥0𝑖𝜋�𝑥𝑖�] � ∑ [𝑖𝑛=1 𝑦0𝑖� 𝜋�𝑥𝑖�]� 0 ∑ 𝑒𝛽0𝑥0𝑖+𝛽1𝑥1𝑖+𝛽2𝑥2𝑖+⋯+𝛽𝑛𝑥𝑛𝑖 1+𝑒𝛽0𝑥0𝑖+𝛽1𝑥1𝑖+𝛽2𝑥2𝑖+⋯+𝛽𝑛𝑥𝑛𝑖 � ∑ 𝑦𝑖 𝑛 𝑖=1 𝑛 𝑖=1 𝑒𝛽0𝑥0𝑖+𝛽1𝑥1𝑖+𝛽2𝑥2𝑖+⋯+𝛽𝑛𝑥𝑛𝑖 � ∑ 𝑦𝑖 1−𝑦𝑖 𝑛 𝑖=1 𝛽𝑛 � 𝑛 𝑙 �∑ 1𝑦−𝑖𝑦 𝑖 𝑛 𝑖=1 �−𝛽0+𝛽1𝑥1𝑖+⋯+𝛽𝑛𝑥𝑛𝑖 𝑥1𝑖 . (2.11) ) 9 . 2 ( , ) 8 . 2 ( n a a m a s r e P i r a D , (2.10) ,dan (2.11) ,maka diperoleh bentuk : t u k ir e b i a g a b e s n a a m a s r e p 𝐿 𝜕 (𝛽) 𝜕𝛽𝑗 � 𝜕�∑ �𝑙 �𝑛 𝑛𝑦𝑖 𝑖�+𝑦𝑖𝑙 [𝑛𝜋�𝑥𝑖�]+�1−𝑦𝑖�𝑙 [𝑛1−𝜋�𝑥𝑖�]� 𝑛 𝑖=1 � 𝜕𝛽𝑗 � ∑ �𝑛𝑖=1 𝑦𝑖𝑥𝑗𝑖�� ∑ �𝑛𝑖=1 𝑥𝑗𝑖𝜋�𝑥𝑖��;𝑗 � 1,2,⋯,𝑘. (2.12) i a li n n a k t a p a d n e m k u t n U 𝛽 yang memaksimumkan 𝐿(𝛽) makadliakukan p a d a h r e t i s a i s n e r e fi d 𝐿(𝛽) ,dengan syara t𝜕𝜕𝛽𝐿 � 0 dan 𝜕2𝐿 𝜕2𝛽� 0 .Nlia i𝛽 dapa t i a li n g n u ti h g n e m t il u s t a g n a s i p a t e t , n a k u t n e ti d 𝛽 secaramanual .Oleh karena tiu r e ti e d o t e m n a k a n u g i d as idengan kompute runtuk mencar isolus inlia i𝛽 . tIeras i u t n a b m e m k u t n u S S P S m a r g o r p m a l a d m u m u g n il a p g n a y e d o t e m n a k a p u r e m i r a d i s a m it s e n a g n u ti h r e p 𝛽. 4 . 1 . 2 Pengu ijanParameter e P nguijan signi ifkans ikoeifsien 𝛽 dar imode lyang telah diperoleh yatiu g n a y r e t e m a r a p h a k a d a i u h a t e g n e m a n u g k a t n e r e s i j u n a k u k a l e m n a g n e d r e t e m a r a p i u h a t e g n e m k u t n u u d i v i d n i ij u n a d n o p s e r l e b a ir a v p a d a h r e t n a k if i n g i s k a t n e r e s n a ij u g n e P . n o p s e r l e b a ir a v p a d a h r e t n a k if i n g i s g n a y a j a s a p a dani ndividu h i b e l g n a y lengkapadalahs ebaga ibe irkut:
I I -5 . A Uj iSerentak u a t a t a p e t h a l e t l e d o m h a k a p a i u h a t e g n e m k u t n u n a k u k a li d i n i n a ij u g n e P n e i s if e o k n a a n k a m e k a s k ir e m e m k u t n u u ti n i a l e s , n a k if i n g i s 𝛽 secara keseluruhan denganhipotesiss ebaga ibe irku t: 𝐻0 :va irabe lbeba sitdakberpengaruhs igni ifkant erhadapmodel 𝐻1 :minima ladas atuva irabe lbeba syangberpengaruhs igni ifkan l e d o m p a d a h r e t a k k u j n u ti d a y n ij u k it s it a t S npadaPersamaan( 2.13 )be irkut: 𝐺2 � �2𝑙 �𝑛 �𝑛𝑛1� 𝑛1 �𝑛𝑛0�𝑛0 ∏𝑛 𝜋�𝑖𝑦𝑖 𝑖=1 (1−𝜋�𝑖)�1−𝑦𝑖��. (2.13) ,) 3 1 . 2 ( n a a m a s r e P a d a P 𝑛1 adalahbanyaknya pengamatan yangdikatakan ( s e s k u s 𝑦𝑖), sedangkan 𝑛0 adalah banyaknya pengamatan yang dikatakan itdak ( s e s k u s 1� 𝑦𝑖) .Penjumlahan dar i𝑛0 dan 𝑛1 disebu t𝑛 .𝐻0 dtiolak ijka 𝐺2 � 𝑋𝑎2,𝑑𝑏 dengan deraja t beba s 𝑑𝑏� ∑𝑝𝑗=1𝑘𝑗 � 1 dimana 𝑘𝑗 adalah banyaknya t a k egor ipadava irabe lpredikto rke-𝑗. . B Uj iParsial g n e m k u t n u n a k u k a li d i n i n a ij u g n e P etahu i signi ifkasns i paramete r 𝛽 r e t e m a r a p i s n a k if i n g i s n a ij u g n e P . u d i v i d n i a r a c e s n o p s e r l e b a ir a v p a d a h r e t 𝛽 iin i j u n a k n u g g n e m Walddenganhipotesiss ebaga ibe irkut : 𝐻0 :va irabe lke-𝑖 itdakberpengaruhs igni ifkant erhadapmodel 𝐻1 :va irabe lke-𝑖 berpengaruhs igniifkant erhadapmodel i j u k it s it a t s n a g n u ti h r e P WalddtiunjukkanpadaPersamaan( .214 )be irkut: 𝑊𝑗 � 𝑆 �𝐸𝛽�𝛽�𝑗 𝑗�. (2.14)
I I -6 , ) 4 1 . 2 ( n a a m a s r e P a d a P 𝑆𝐸 adalah standa rerro rdan 𝛽̂𝑗 adalah esitmas i r e t e m a r a p . Krtie ira penolakan (𝐻0 dtiolak ) ijka |𝑊|� 𝑍𝑎/2 atau 𝑊2 � 𝑋𝑎2,1 .) 0 0 0 2 , w o h s e m a L & r e m s o H ( 5 . 1 . 2 Pengu ijanKesesuaianModel u a t a i a u s e s l e d o m h a k a p a i a li n e m k u t n u n a k a n u g i d l e d o m n a i a u s e s e k i j U n a d r e m s o H i j u n a k a n u g n e m l e d o m n a i a u s e s e k m a ij u g n e p , i n i i j u a d a P . k a d it s i s e t o p i h n a g n e d w o h s e m e L yangdigunakans ebaga ibe irkut: 𝐻0 :mode lsesuai( itdakadaperbedaanantarahasi lobservas idenganhasli prediks )i 𝐻1 :mode l itdaksesuai( adaperbedaanantarahasi lobservas idenganhasi l .) i s k i d e r p i a u s e s e k n a ij u g n e p k u t n u i j u k it s it a t S an mode l dtiunjukkan pada n a a m a s r e P ( .215 )be irkut: 𝐶̂ � ∑ �𝑜𝑘−𝑛𝑘′𝜋𝑘�2 𝑛𝑘′𝜋𝑘(1−𝜋𝑘) 𝑔 𝑘=1 . (2.15) , ) 5 1 . 2 ( n a a m a s r e P a d a P 𝑜𝑘 adalah banyaknya respon sdar isatu sampa i𝑐𝑘 a n a m i d 𝑜𝑘 � ∑𝑐𝑗𝑘=1𝑦𝑗 dengan 𝑐𝑘 adalah r espon pada kategor ike-𝑘 yatiu 0atau 1 . 𝜋𝑘 adalah rata-rata taksrian peluang pada kategor i ke-𝑘 , 𝑛𝑘′ adalah tota l e k p u r g a d a p n a t a m a g n e p -𝑘 , sedangkan 𝑔 adalah jumlah kombinas i kategor i a li b a p A . k a t n e r e s l e d o m m a l a d 𝐶̂ lebihbesa rda ir 𝑋𝑎2,�𝑔−2� makadiputuskant olak 𝐻0 (Hosme r&Lameshow ,2000 .) 6 . 1 . 2 Odd sRaito n a k a n u g i d t i g o l l e d o m i s a t e r p r e t n i g n e m m a l a d , k it s i g o l i s e r g e r a d a P odd s o it a r (OR )untuk menunjukkan perbedaan antara kategor isatu dengan kategor i k u t n u R O n a a m a s r e P . ir o g e t a k r a t n a n a k g n i d n a b m e m n a g n e d a y n n i a l suatu
I I -7 l e b a ir a v x kategor i1( x=1 )dibandingkandenganva irabe lx kategor i0( x=0 )maka t a p a d dtiunjukkanpadaPersamaan( 2.16): 𝑅 𝑂 � 𝜋(𝜋(1)0)/[/[11−−𝜋(𝜋(1)]0)]. (2.16) , ) 6 1 . 2 ( n a a m a s r e P a d a P 𝜋(1) � 𝑒 �𝑥𝑝 𝛽0+𝛽𝑗� 1+𝑒 �𝑥𝑝 𝛽0+𝛽𝑗�dan𝜋(0)� 𝑝 𝑥 𝑒 (𝛽0) 1+𝑒 (𝑥𝑝𝛽0)dimana 𝑗 � 1,2,…,𝑝. Berdasarkan Persamaan (2.16) maka didapatkan n lia iOR sesua i n a a m a s r e P ( .217 )be irkut: 𝑅 𝑂 � �1�𝑒 �𝑥𝑒 �𝑝𝑥𝑝𝛽0𝛽� 𝛽𝑗� 0� 𝛽𝑗� 1 1� 𝑒 �𝑥𝑝 𝛽0� 𝛽𝑗� � � 𝑝 𝑥 𝑒 (𝛽0) 1� 𝑒 (𝑥𝑝 𝛽0) 1 1� 𝑒 (𝑥𝑝 𝛽0) � 𝑅 𝑂 � 𝑒 �𝑥𝑝 𝛽0� 𝛽𝑗� 𝑝 𝑥 𝑒 (𝛽0) 𝑅 𝑂 � 𝑒 �𝑥𝑝 𝛽0� 𝛽𝑗 � 𝛽0� 𝑅 𝑂 � 𝑒 �𝑥𝑝 𝛽𝑗�. (2.17) R O i a li n u ti a y k it s i g o l i s e r g e r n e i s if e o k n a g n e d R O a r a t a n a n a g n u b u H a d a p k it s i g o l i s e r g e r n e i s if e o k i r a d n e n o p s k e i r a d n a k u t n e ti d t a p a d j=1,2,..,.p .) 0 0 0 2 , w o h s e m a L & r e m s o H ( 7 . 1 . 2 Anailsi sKetepatanKlasi ifkasi 7 0 0 2 ( i t s e r g A t u r u n e M ), salah satu ukuran kebaikan mode ladalah ijka .l a m i n i m g n a y i s a k if i s a l k h a l a s g n a u l e p i k il i m e m Ketepatan prediks idar imode l k i d t a p a d etahu i dengan menggunakan tabe l ketepatan klasi ifkas i (correc t e l b a t n o it a c if i s s a l c ) .Tabe lketepatan klasi ifkasi merupakan tabe lfrekuens idua .i s k i d e r p n a d l a u t k a a t a d k o p m o l e k a r a t n a h a r a
I I -8 1 . 2 l e b a T KetepatanKlasi ifkasi l a u t k A Prediksi �𝑦� � 0� �𝑦�� 1� (y )= 0 𝑎 𝑏 (y )= 1 𝑐 𝑑 i s a k if i s a l k n a t a p e t e k i u h a t a g n e m k u t n U dapa tdihtiung menggunakan : ) 8 1 . 2 ( n a a m a s r e P 𝑛 𝑎 𝑡 𝑎 𝑝 𝑒 𝑡 𝑒 𝐾 𝐾𝑙𝑎𝑠𝑖𝑘𝑎𝑠𝑖� 𝑎+𝑎𝑏++𝑑𝑐+𝑑. (2.18) 2 . 2 KonsepRoughSest k u t n u 2 8 9 1 n u h a t a d a p k a l w a P h e l o i l a k a m a tr e p n a k l a n a k r e p i d i n i p e s n o K a t a d s i s il a n a g n e m -data yang penuh keitdakpasitan se tra dalam bentuk kategor i . ) 2 8 9 1 , k a l w a P ( n a n u p m i h i r o e t n a t a k e d n e p n a k a n u g g n e m n a g n e d a ir e ti r k u a t a e s r e t s i s il a n a l i s a h a y n t u j n a l e S bu t digunakan untuk pembentukan rule dalam a d a g n a y g n it n e p n e n o p m o k a p a r e b e b a d A . ) K P S ( n a s u t u p e k l i b m a g n e p m e t s i s ; it r e p e s , i n i p e s n o k a d a p informaiton systems , indiscernibli tiy relaiton , se t g n i r e t s u l c h g u o r , s n o it a m i x o r p p a , dsb . Sebuah informaiton system 𝑆� �𝑈,𝛺,𝑉𝑞,𝑓𝑞� terdri ida ir : 𝑈 :merupakans ebuahhimpunanuniversa ldan itdakkosong; 𝛺 :merupakanhimpunanat irbutedan itdakkosong; 𝛺 =𝐶∪𝐷 ,dimana𝐶 merupakanhimpunanat irbut-at irbu tbersyarat( condiitonal s e t u b i r tt a )dan𝐷 rme upakanhimpunanat irbu tkeputusan( decisionattribute) p a it e s k u t n u ; a g g n i h r e b n a n u p m i h n a k a p u r e m n a n u p m i h a u d e k n a d 𝑞∈𝛺,𝑉𝑞 n i a m o d i a g a b e s l a n e k i d 𝑞; 𝑞 𝑓 :s ebuahinformaitons ystem𝑓𝑞:𝑈→𝑉𝑞. , a p u r e b a s i b t u b ir t a n a n u p m i h a d a p n e m e l e u a t a k e j b O kasus ,proses , , l e b a ir a v , r o t k a f , m o t p m i s , a p u r e b a s i b t u b ir t a n a k g n a d e S . b s d , a w s i s a h a m , n e i s a p t u b ir t a n a d k e j b o a r a t n a n a g n u b u H . b s d , r u ti f , i s a m r o f n i h a u b e s i r a d k it s ir e t a r a k k l e b a t k u t n e b m a l a d n a k a t a y n i d g n ir e s o itngensis epe tr ipadaTabe l2.2.
I I -9 e b a T l2.2HubunganAntaraAtribu tBerkondis idanAtribu tKeputusan n e d n o p s e R e d o K UsiaPe tramaKal iMenikah Kesehatan Fe trlitias R- 10 Sedang TidakSakti Sederhana R- 20 Muda TidakSakti Sederhana … … … … R- 56 Sedang TidakSakti Sederhana n u g n a b m e m k u t n u n a k a n u g i d 2 . 2 l e b a T a d a p s ir a b n a d m o l o k i s a m r o f n I e l u r -rule yang pada akhrinya bisa djiadikan sebaga iala tpengambi lkeputusan . R a d a p a y n l a s i M -01 dan R-02, t erdapa tkategor iyang sama pada vairabel t e irka t r o g e t a k n u m a n , ” a n a h r e d e S “ u ti a y i yang berbeda pada va irabe l bebasnya . n a k li s a h g n e m k u t n u i s a n i m il e i d n a k a t u b e s r e t a t a d a u d e k i r a d u t a s h a l a s a g g n i h e S . ) b 8 1 0 2 , . k k d i d n e f E ( e l u r Prose spembuatan rule tersebut sanga tberkai tera t a d s t e s b u s , n a s ir i , it r e p e s n a n u p m i h i r o e t i s a k il p a n a g n e d n gabungan dua t a p a d a y n p a k g n e l e S . n a n u p m i h diilha tmelalu iPersamaan( 2.19 )– (2.24 .) n a k l a s i M 𝑆=(𝑈,𝛺,𝑉𝑞,𝑓𝑞 ) sebuah informaiton system , maka himpunan n a i g a b 𝐴 terhadap 𝐵 dtientukan oleh relas iIND(𝐵 )pada 𝑈 ,yang selanjutnya i a g a b e s l a n e k i d 𝐵-indiscerniblitiyr elaiton .Secaramatemait sdapa tdtiuils : ( D N I 𝐵 )={(𝑥,𝑦)∈𝑈2:∀𝑎∈𝐵,𝑎(𝑥)=𝑎(𝑦) }, (2.19) n a k l a s i M 𝑆� �𝑈,𝛺,𝑉𝑞,𝑓𝑞� merupakan sebuah informaiton system dan n a k l a s i m 𝐵 merupakanhimpunansubse tsejat idar i𝐴 atau𝐵⊆𝐴 dan𝑋 merupakan i r a d i t a j e s t e s b u s n a n u p m i h 𝑈 atau 𝑋⊆𝑈 .Himpunan 𝑋 in idapa tdiaproksimas i n a n u p m i h a d a p a d a g n a y i s a m r o f n i n a k a n u g g n e m n a g n e d 𝐵 .Aproksimasit ersebu t i d a j n e m n a k a d e b i d a s i b 𝐵-lowe rand 𝐵-uppe rdar i𝑋 .Kedua aproksimas idapa t c e s s il u ti d aramatemaits : 𝐵�𝑋� � ��𝑥∈𝑈|�𝑥�𝐵⊆ 𝑋�� , (2.20) n a d 𝐵�𝑋�� �𝑥∈𝑈|�𝑥�𝐵∩𝑋� ∅� , (2.21)