ANALISIS REGRESI LOGISTIK BINER PADA DAT

LAPORAN PRAKTIKUM

ANALISIS DATA KUALITATIF

ANALISIS REGRESI LOGISTIK BINER PADA DATA

KELAHIRAN PREMATUR DI RSKIA MUHAMMADIYAH

KOTAGEDE YOGYAKARTA

Oleh:

1. Fajar Izzatunni’mah S. (1312100106)

2. Misbachudin Raizal H. (1312100114)

3. Yudi Susanto (1312100124)

4. Qulsum Dwi A. (1312100136)

Dosen :

Erma Oktania Permatasari, S.Si, M.Si.

JURUSAN STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT TEKNOLOGI SEPULUH NOPEMBER

SURABAYA

ABSTRAK

Kelahiran premature adalah proses persalinan yang terjadi antara minggu ke 22 sampai akhir minggu ke 37 usia kehamilan dihitung dari hari pertama haid terakhir atau 3 minggu sebelum waktu perkkiraan persalinan. Kelahiran premature dapat berdampak pada terjadinya kematian bayi, bayi lahir kurang berat, atau kecacatan. Terjadinya kelahiran premature diduga diakibatkan oleh beberapa faktor. Analisis faktor yang mempengaruhi katastrofik dapat dimodelkan dengan menggunakan regresi logistic biner. Dalam penelitian ini terdapat 5 variabel yang dimungkinan berpengaruh terhadap terjadinya kelahiran premature di RSKIA PKU di Yogyakarta. Variabel tersebut yaitu riwayat kelahiran sebelumnya, menderita hipertensi, anemia, lahir anak kembar, dan terjadinya pendarahan. Dilakukan regresi logistic biner dengan metode Backward Wald. Dalam analisis didapatkan bahwa 3 variabel berpengaruh signifikan terhadap terjadinya kelahiran premature di RSKIA PKU Yogyakarta. Variabel hipertensi, jika menderita penyakit hipertensi akan menaikkan resiko melahirkan secara premature sebesar 0,36 kali dibandingkan tidak mengalami kelahiran premature. Variabel anemia, jika menderita penyakit anemia akan menaikkan resiko melahirkan secara premature sebesar 0,409 kali dibandingkan tidak mengalami kelahiran premature. Variabel pendarahan, jika mengalami pendarahan akan menaikkan resiko melahirkan secara premature sebesar 0,36 kali dibandingkan tidak mengalami kelahiran premature.

DAFTAR ISI

BAB II TINJAUAN PUSTAKA...4

2.1 Regresi Logistik Biner...4

2.2 Uji Independensi...5

2.3 Uji Kesesuaian Model...6

2.4 Uji Kelayakan Model ...6

2.5 Odd Ratio...7

BAB III METODOLOGI PENELITIAN...9

3.1 Unit Penelitian...9

3.2 Pengambilan Sampel...9

3.3 Variabel Penelitian...9

3.4 Langkah-Langkah Analisis...10

3.5 Diagram Alir...11

BAB IV HASIL DAN PEMBAHASAN ...12

4.1 Pengujian Independensi...12

4.2 Pengujian Signifikansi Parameter...12

4.2.1 Uji Serentak...13

4.2.2 Uji Parsial...13

4.3 Model Regresi Logistik Biner...15

4.4 Kesesuaian Model...15

4.5 Odds Ratio...16

4.6 Ketepatan Klasifikasi...17

DAFTAR TABEL

Tabel 3.1 Variabel penelitian...9

Tabel 4.1 Hasil Uji Independensi antara variabel Respon dan variabel Prediktor 12 Tabel 4. 2 Uji Serentak pada Faktor-Faktor Penyebab Kelahiran Prematur...13

Tabel 4. 3 Uji Parsial pada Faktor-Faktro Penyebab Kelahiran Prematur...13

Tabel 4. 4 Hasil Regresi Menggunakan Metode Backward Wald...14

Tabel 4. 5 Uji Kesesuaian Model...16

Tabel 4.6 Odds Ratio...16

DAFTAR GAMBAR

BAB I

PENDAHULUAN

1.1 Latar Belakang

Bidang kesehatan adalah salah satu bidang kehidupan yang sangat banyak menyita perhatian. Salah satunya adalah masalah kelahiran bayi prematur. Kelahiran prematur didefinisikan sebagai proses persalinan yang terjadi antara minggu ke 22 sampai dengan minggu ke 37 usia kehamilan, dihitung dari hari pertama haid terakhir atau 3 minggu sebelum waktu perkiraan persalinan. Batas minimal usia kehamilan ini berdasarkan keyakinan dan standard umum bahwa janin akan mampu bertahan hidup didunia luar setelah berada dalam kandungan minimal 21 minggu. Bila janin keluar sebelum 21 minggu didefinisikan sebagai keguguran dan hampir dipastikan janin tidak dapat bertahan hidup.

Menurut data statistik, kelahiran prematur terjadi pada 5% kehamilan, sedangkan keguguran 10%. Penyebab kelahiran prematur ini bermacam-macam, diantaranya adalah disebabkan janin itu sendiri misalkan bayi kembar, bayi dalam posisi sungsang, atau disebabkan oleh ibu yang mengandung mempunyai penyakit darah tinggi (hipertensi), kekurangan sel darah merah (anemia), volume air ketuban yang terlalu banyak yang mendorong terjadinya pecah ketuban sebelum waktunya, terjadinya pendaharan yang disebabkan oleh kontraksi akibat benturan atau penyebab lainnya sehingga terjadi pendaharan, dan riwayat ibu yang pernah melahirkan prematur.

dimana kondisi ini diartikan sebagai sukses atau gagal pada analisis regresi logistik univariat dan regresi logistik multivariat.

Pada laporan ini akan dibahas mengenai keadaan kelahiran prematur menggunakan model regresi logistik biner dengan data yang diperoleh dari Rumah Sakit Khusus Ibu dan Anak PKU Muhammadiyah Kotagede Yogyakarta dengan variabel yang digunakan adalah variabel kelahiran prematur sebagai

Berdasarkan latar belakang yang telah dijelaskan, maka rumusan masalah yang akan diangkat pada penelitian ini adalah sebagai berikut.

1 Bagaimana hubungan antara masing-masing variabel prediktor dengan variabel respon pada data faktor-faktor yang mempengaruhi terjadinya kelahiran premature di RSKIA PKU?

2 Bagaimana pengaruh faktor-faktor yang mempengaruhi terjadinya kelahiran premature diRSKIA PKU?

3 Bagaimana model regresi logistik biner pada data kelahiran premature di RSKIA PKU?

4 Bagaimana kesesuaian model pada data kelahiran premature di RSKIA PKU?

5 Bagaimana hasil ketetapan prediksi dalam mengklasifikasi pada data kelahiran premature di RSKIA PKU?

1.3 Tujuan Penelitian

Berdasarkan rumusan masalah yang telah dijelaskan, maka tujuan pada penelitian ini adalah sebagai berikut.

2. Untuk mengetahui pengaruh variabel faktor-faktor penyebab kelahiran prematur terhadap terjadinya kelahiran premature di RSKIA PKU.

3. Untuk mengetahui model regresi logistik biner pada data faktor-faktor penyebab kelahiran premature di RSKIA PKU.

4. Untuk mengetahui kesesuaian model pada data kelahiran premature di RSKIA PKU.

BAB II

TINJAUAN PUSTAKA

2.1 Regresi Logistik Biner

Regresi logistik merupakan suatu metode analisis data yang digunakan untuk mencari hubungan antara variabel respon (y) yang bersifat biner atau dikotomus dengan variabel prediktor (x) yang bersifat polikotomus (Hosmer dan Lemeshow, 1989). Outcome dari variabel respon y terdiri dari 2 kategori yaitu “sukses” dan “gagal” yang dinotasikan dengan y=1 (sukses) dan y=0 (gagal). Dalam keadaan demikian, variabel y mengikuti distribusi Bernoulli untuk setiap observasi tunggal. Fungsi Probabilitas untuk setiap observasi adalah diberikan sebagai berikut,

f

(

y

)=π

y

(

1

−

π

)

1−y _{; y = 0, 1}

(2.1) Dimana jika y = 0 maka f(y) = 1 – π dan jika y = 1 maka f(y) = π. Fungsi regresi logistiknya dapat dituliskan sebagai berikut

f(z)= 1 Model regresi logistiknya adalah sebagai berikut

π(x)= e

(β₀+β₁x₁+. . .+β_px_p)

1+e(β0+β1x1+. ..+βpxp)

(2.3) Diman p = banyaknya variabel prediktor

Untuk mempermudah pendugaan parameter regresi maka model regresi logistik pada persamaan (2.3) dapat diuraikan dengan menggunakan transformasi

logit dari π(x) .

{π(x)}

{

1+e(β0+β1x1+. ..+βpxp)

}

{π(x)}+

{

π(x)e(β0+β1x1+. ..+βpxp)

}

Model tersebut merupakan fungsi linier dari parameter-parameternya. Dalam model regresi linier, diasumsikan bahwa amatan dari variabel respon diekspresikan sebagai y = E(Y|x) + ε dimana

E(Y|x)=

β

₀+

β

₁

x

₁+

β

₂

x

₂+.. .+

β

_p

x

_{p (2.5)} Merupakan rataan dari populasi dan ε merupakan komponen acak yang menunjukkan penyimpangan amatan dari rataannya dan ε diasumsikan mengikuti sebaran normal dengan rataan nol dan varians konstan. Pada regresi logistik,

Uji chi-square digunakan untuk mengetahui ada tidaknya hubungan antara dua variabel.

Hipotesis:

χ_hit2 =

∑

Oij : nilai observasi / pengamatan baris ke-i, kolom ke-j.

E

_{ij : nilai ekspektasi baris ke-i, kolom ke-j.}

Daerah kritis:

Tolak H0 jika X2hit >X(α)(a-1)(b-1)

2.3 Uji Kesesuaian Model

Pengujian ini dilakukan untuk menguji apakah model yang dihasilkan berdasarkan regresi logistik multivariat/serentak sudah layak. Dengan kata lain tidak terdapat perbedaan antara hasil pengamatan dan kemungkinan hasil prediksi model. Pengujian kesesuaian model dilakukan dengan hipotesis sebagai berikut. H0 : Model sesuai (tidak terdapat perbedaan yang signifikan antara hasil

pengamatan dengan kemungkinan hasil prediksi model)

H1 : Model tidak sesuai (terdapat perbedaan yang signifikan antara hasil pengamatan dengan kemungkinan hasil prediksi model)

Statistik uji:

g : Jumlah grup (kombinasi kategori dalam model serentak)

n'

_{k : Banyak observasi pada grup ke-k}

(Wulandari, 2009)

2.4 Uji Kelayakan Model

Variabel prediktor dalam model memiliki hubungan yang nyata dengan variable responnya dibuktikan dengan dilakukan pengujian kelayakan model baik secara parsial maupun serentak.

1. Penguian Hipotesis secara serentak

H0 :

β

1

=

β

2

=

. ..

=

β

i

=

0

dengan v derajat bebas adalah banyaknya

parameter dalam model tanpa

β

0 _.

2. Pengujian Hipotesis secara parsial

Dimana: perubahan satu unit variabel prediktor. Interpretasi meliputi, penentuan hubungan fungsional antara variabel respon dan variabel prediktor serta mendefinisikan unit perubahan variabel respon yang disebabkan oleh variabel prediktor (Hosmer dan Lemeshow, 2000).

Untuk menginterpretasikan koefisien parameter digunakan nilai odds ratio

(). Sebelumnya akan dilakukan pembahasan terhadap beberapa keadaan variabel pengamatan untuk melakukan interpretasi koefisien parameter. Variabel penjelas x yang bersifat kategori terbagi dalam 2 kategori yang dinyatakan dengan kode 0

dan 1. Disini kategori 1 dibandingkan terhadap kategori 2 berdasarkan nilai -nya

yang menyatakan variabel 1 berpengaruh  kali variabel 2 terhadap variabel

respon. Berdasarkan model ada dua nilai (x) dan dua nilai 1-(x). Nilai–nilai itu dapat dinyatakan seperti pada Tabel 2.3.

Tabel 2.3 Nilai Model Regresi Logistik bila Variabel X Dikotom.

Variabel

Respon (Y)

Variabel Prediktor (X)

Y = 1 π(1)= e

Hubungan antara odds rasio dan koefisien regresi adalah sebagai berikut.

OR=

(

Karena itu, untuk regresi logistik dengan variabel independen dikotomus diberi kode 1 dan 0.

Odds rasio adalah ukuran asosiasi yang dapat diartikan secara luas, terutama dalam epidemiologi. Berdasarkan persamaan 3.6, odds rasio berarti rata-rata besarnya kecenderungan variabel respon bernilai tertentu jika x = 1 dibandingkan jika x= 0 (Hosmer dan Lemeshow, 2000)

BAB III

METODOLOGI PENELITIAN

3.1 Unit Penelitian

Pada penelitian ini unit analisis yang diteliti adalah ibu hamil. Ibu hamil yang diteliti merupakan ibu hamil yang telah memasuki waktu melahirkan yaitu pada minggu ke 21 hingga minggu ke 37.

3.2 Pengambilan Sampel

Sampel dalam penelitian ini diambil data sekunder yang berasal dari skripsi dengan judul “Regresi Logistik dan Penerapannya dalam Bidang Kesehatan (Studi kasus Kelahiran Prematur di RSKIA PKU Muhammadiyah Kotagede Yogyakarta). Disusun oleh Nur Asyiah, UIN Sunan Kalijaga Yogyakarta.

3.3 Variabel Penelitian

2 X1 Riwayat premature sebelumnya

3 X2 Hipertensi

4 X3 Anemia

5 X4 Lahir bayi kembar

6 X5 Pendarahan

Berikut merupakan kategori yang digunakan dalam melakukan analisis : Kelahiran premature : 0 = lahir tidak premature

1 = lahir premature

Riwayat premature : 0 = tidak terdapat riwayat premature sebelumnya 1 = terdapat riwayat premature sebelumnya Hipertensi : 0 = tidak memiliki penyakit hipertensi

1 = memiliki penyakit hipertensi Anemia : 0 = tidak memiliki penyakir anemia

1 = memiliki penyakit anemia Lahir bayi kembar : 0 = tidak melahirkan bayi kembar

1 = melahirkan bayi kembar Pendarahan : 0 = tidak terjadi pendarahan

1 = terjadi pendarahan

3.4 Langkah-Langkah Analisis

Berikut adalah langkah-langkah yang dilakukan dalam menganalisis data kasus faktor-faktor yang mempengaruhi kelahiran premature :

2. Melakukan uji signifikansi parameter untuk memeriksa peranan masing-masing variabel prediktor terhadap variabel respon.

3. Dilanjutkan dengan menguji parsial untuk mengetahui variabel mana yang tidak signifikan.

4. Setelah memperoleh variabel yang signifikan dan terbentuk model, dilakukan uji kesesuaian model.

5. Kemudian terbentuk odd ratio dari model yang terbentuk

3.5 Diagram Alir

BAB IV

PEMBAHASAN

4.1 Pengujian Independensi

Sebelum melakukan analisis regresi,, perlu diketahui apakah variabel prediktor memiliki hubungan dengan variabel respon. Hal tersebut dilihat dari hasil uji independensi dengan menggunakan statistik uji Pearson Chi-Square

dengan α sebesar 5%. Berikut hasil dari uji independensi yang telah dilakukan :

Tabel 4.1 Hasil Uji Independensi antara variabel Respon dan variabel Prediktor

Variabel Pearson

Chi-Square

P-Value

(sig.) Keputusan Keterangan

Riwayat 1,545 0,214 Gagal Tolak Tidak Ada Hubungan

Hipertensi 13,311 0,000 Tolak Ada Hubungan

Anemia 9,961 0,002 Tolak Ada Hubungan

Lahir Kembar 1,337 0,248 Gagal Tolak Tidak Ada Hubungan

Pendarahan 9,793 0,002 Tolak Ada Hubungan

Hipotesis :

H0 : Tidak ada hubungan antara variabel prediktor dengan variabel respon H1 : Ada hubungan antara variabel prediktor dengan variabel respon Kriteria penolakan :

Tolak H0 jika p-value < α (0,05)

Pada tabel diatas, dari 5 variabel yang diujikan, terdapat dua yang tidak memiliki hubungan yaitu variabel riwayat kelahiran sebelumya dan variabel bayi akan lahir kembar. Tiga variabel lain yaitu hipertensi, anemia, dan terjadi pendarahan memiliki hubungan dengan variabel terjadinya kelahiran premature. 4.2 Pengujian Signifikansi Parameter

4.2.1 Uji Serentak

Uji Serentak dilakukan untuk mengetahui signifikansi dari estimasi parameter yang didapatkan. Dengan menggunakan metode maximum likelihood, diperoleh hasil sebagai berikut :

Tabel 4.2 Uji Serentak pada Faktor-Faktor Penyebab Kelahiran Prematur

Chi-square Df Sig.

Step 1 Step 24.322 5 .000

Block 24.322 5 .000

Model 24.322 5 .000

H0 : tidak ada variabel X yang signifikan mempengaruhi variabel Y H1 : minimal ada satu variabel yang signifikan mempengaruhi variabel Y Tolak H0 jika nilai p-value (sig.) < α (0,05)

Keputusan : tolak H0 karena hasil p-value dari output diperoleh nilai 0,000 yang berarti kurang dari nilai α.

Maka dapat disimpulkan bahwa dengan tingkat keyakinan 95%, minimal ada satu variabel bebas yang berpengaruh pada variabel respon. Sehingga untuk memperoleh hasil yang lebih baik, dilakukan uji parsial agar dapat diketahui variabel yang berpengaruh secara signifikan terhadap model.

4.2.2 Uji Parsial

Dari pengujian signifikansi parameter, diperoleh hasil bahwa dari lima variabel prediktor, terdapat minimal satu variabel yang signifikan mempengaruhi variabel respon. Untuk mengetahui lebih lanjut variabel mana yang signifikan, dilakukan uji parsial dengan hipotesis yang digunakan adalah sebagai berikut. H0 : βi=0

H1 : βi≠0

Dengan i=1,2,3,4,5/

Daerah penolakan : jika nilai p-value (sig.) <α (0,05) Keputusan :

Tabel 4.3 Uji Parsial pada Faktor-Faktro Penyebab Kelahiran Prematur

Variabel P-Value (sig.) Keputusan Keterangan

Riwayat 0,774 Gagal Tolak Tidak berpengaruh

Hipertensi 0,015 Tolak Berpengaruh

Anemia 0,030 Tolak Berpengaruh

Pendarahan 0,054 Gagal Tolak Tidak berpengaruh

Dengan taraf keyakinan 95%, dari 5 variabel yang diuji, hanya 2 yang signifikan memberi pengaruh terhadap variabel respon. Variabel tersebut adalah variabel hipertensi dan anemia. Sedangkan ketiga variabel lain, memberikan hasil tidak signifikan memberi pengaruh terhadap variabel respon.

Ketika variabel tidak signifikan, maka variabel tersebut akan dihapuskan satu per satu. Pada laporan ini, digunakan metode Backward Wald untuk menghapuskan variabel yang dianggap tidak signifikan memberi pengaruh terhadap variabel respon.

Berikut hasil metode Backward dalam mengatasi variabel yang tidak signifikan.

Tabel 4.4Hasil Regresi Menggunakan Metode Backward Wald

Variabel B S.E. Wald Df Sig. Exp(B) 95.0% C.I.for EXP(B) Lower Upper Step

1a

Riwayat(1) -.088 .307 .083 1 .774 .915 .502 1.671 Hipertensi(1) -1.038 .425 5.963 1 .015 .354 .154 .815 Anemia(1) -.837 .385 4.718 1 .030 .433 .203 .921 Lahir_Kembar(1) -1.089 .958 1.292 1 .256 .337 .052 2.200 Pendarahan(1) -.999 .520 3.698 1 .054 .368 .133 1.019 Constant 2.983 1.114 7.169 1 .007 19.746

Step 2a

Hipertensi(1) -1.057 .420 6.320 1 .012 .348 .153 .792 Anemia(1) -.847 .384 4.869 1 .027 .429 .202 .910 Lahir_Kembar(1) -1.125 .949 1.406 1 .236 .325 .051 2.084 Pendarahan(1) -.998 .519 3.705 1 .054 .369 .133 1.018 Constant 2.988 1.113 7.209 1 .007 19.841

Step 3a

Hipertensi(1) -1.023 .420 5.937 1 .015 .360 .158 .819 Anemia(1) -.894 .381 5.510 1 .019 .409 .194 .863 Pendarahan(1) -.971 .518 3.511 1 .061 .379 .137 1.046 Constant 1.876 .590 10.091 1 .001 6.526

Dari output diatas diperoleh hasil dua variabel saja yang dihilangkan yaitu variabel riwayat melahirkan premature dan lahir bayi kembar. Variabel pendarahan yang semula tidak signifikan, menjadi signifikan setelah dua variabel sebelumnya dihilangkan. Maka dapat disimpulkan bahwa faktor-faktor yang mempengaruhi terjadinya kelahiran bayi premature adalah penyakit hipertensi, anemia, dan pendarahan yang terjadi.

4.3 Model Regresi Logistik Biner

π_l= e biner menjadi sebagai berikut :

π_l= e

1,876−1.023(0)−0,894(1)−0,971(1)

1+e1,876−1.023(0)−0,894(1)−0,971(1)=0,7119

Berdasarkan model regresi di atas, didapatkan peluang seseorang melahirkan premature yang tidak memilik penyakit hipertensi, tetapi menderita anemia, dan terjadi pendarahan sebesar 71,19%.

4.4 Kesesuaian model

Setelah mengetahui variabel yang siginifikan mempengaruhi variabel respon, terbentuk model regresi logistik biner. Akan tetapi, model yang terbentuk belum tentu mampu menjelaskan data secara tepat atau sesuai. Untuk mengetahui apakah model telah mampu menjelaskan data atau belum, dilakukan pengujian kesesuaian model dengan menggunakan metode Hosmer and Lemeshow Test

H0 : Model telah mampu menjelasakan data H1 : Model belum mampu menjelaskan data Daerah penolakan : jika p-value < α maka tolak H0

Tabel 4.5Uji Kesesuaian Model

Step Chi-square Df Sig.

1 .266 3 .966

2 .205 2 .902

3 .852 2 .653

merupakan model dengan variabel prediktor yang telah signifikan. Dengan nilai

p-value sebesar 0,653 maka gagal tolak H0 karena nilai p-value > α. Artinya, dengan tingkat keyakinan 95%, dapat diyakini bahwa model regresi logistik yang terbentuk telah cukup untuk menjelaskan data atau telah sesuai.

4.5 Odds Ratio

Dalam regresi logistic, koefisien akan sulit diinterpretasikan secara langsung. Oleh karena itu digunakan nilai dari Odds Ratio untuk menginterpretasikannya. Nilai Odds Ratio data diperoleh dari tabel ‘variables in the equation’.

Tabel 4.6 Odds Ratio

Variabel Odds Ratio

Hipertensi (1) 0,360

Anemia (1) 0,409

Pendarahan (1) 0,379

Konstan 6,526

Berdasarkan Tabel 4.7 didapatkan nilai Odds Rasio pada masing-masing variabel. Berikut ada interpretasi dari masing-masing nilai Odds Ratio :

1. Exp (B1) = seseorang yang memiliki penyakit hipertensi memiliki resiko 0,36 kali melahirkan prematur daripada yang tidak memiliki penyakit hipretensi.

2. Exp (B1) = seseorang yang memiliki penyakit anemia memiliki resiko 0,409 kali melahirkan prematur daripada yang tidak memiliki penyakit anemia. Exp (B1) = seseorang yang mengalami pendarahan memiliki resiko 0,379 kali melahirkan prematur daripada yang tidak mengalami pendarahan. 4.6 Ketepatan Klasifikasi

Classification plot menjelaskan tentang persentase kesesuaian yang dihasilkan oleh model yang terbentuk. Semakin tinggi persentase maka model akan semakin bagus karena mampu memprediksi dengan benar data yang ada. Beriku hasil classification plot yang diperoleh :

Observed

Predicted

Kelahiran Percentage Correct Tidak Prematur Prematur

Step 3 Kelahiran Tidak Prematur 133 14 90.5

Prematur 57 24 29.6

Overall Percentage 68.9

BAB V

KESIMPULAN

5.1 Kesimpulan

Berdasarkan hasil analisis faktor-faktor yang menjadi penyebab terjadinya kasus kelahiran premature menggunakan regresi logistic biner, diperoleh kesimpulan sebagai berikut :

1. Berdasarkan uji independensi diperoleh variabel hipertensi, anemia, dan terjadinya pendarahan yang memiliki hubungan dengan terjadinya kasus kelahiran premature.

2. Berdasarkan uji signifikansi parameter diperoleh dua variabel yang signifikan memberi pengaruh terhadap variabel kelahiran premature yaitu variabel hipertensi dan anemia. Untuk ketiga variabel lain tidak signifikan memberi pengaruh terhadap variabel respon.

3. Dengan menggunakan metode Backward Wald diperoleh model regresi logistic biner :

4. Variabel hipertensi, jika menderita penyakit hipertensi akan menaikkan resiko melahirkan secara premature sebesar 0,36 kali dibandingkan tidak mengalami kelahiran premature.Variabel anemia, jika menderita penyakit anemia akan menaikkan resiko melahirkan secara premature sebesar 0,409 kali dibandingkan tidak mengalami kelahiran premature.Variabel pendarahan, jika mengalami pendarahan akan menaikkan resiko melahirkan secara premature sebesar 0,36 kali dibandingkan tidak mengalami kelahiran premature.

DAFTAR PUSTAKA

Kurniawan,J. 2008. Arti Definisi dan Pengertian. http://juliuskurnia.wordpress. com/2008/04/07/arti-definisi-pengertian-narkoba-dan-golongan-jenis-narkoba-sebagai-zat-terlarang. Diakses tanggal 1 Mei 2015.

Hosmer, David W, dan Stanley Lemeshow. 2000. Applied Logistic

Regression.New York: John Wiley dan Sons.

Wulandari,S.P.,2009.Diktat Pengajaran Analisa Data Kualitatif.

Statistika:Institut Teknologi Sepuluh Nopember.

Asyiah, N. (2008). Studi Kasus Kelahiran Prematur di RSKIA PKU

0 1 0 0 0 0

0 0 0 0 0 0

1 0 0 0 0 0

0 0 0 0 0 0

1 0 0 1 0 0

1 0 0 0 0 0

1 0 0 1 0 0

1 1 1 1 0 1

0 1 1 0 0 0