SKRIPSI
DONAL EDUARI SITEPU 170823020
PROGRAM STUDI MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA
MEDAN 2019
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar Sarjana Sains
DONAL EDUARI SITEPU 170823020
PROGRAM STUDI MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA
MEDAN 2019
ABSTRAK
HIV/AIDS telah menimbulkan kekhawatiran di berbagai belahan bumi.
HIV/AIDS adalah salah satu penyakit yang harus di waspadai karena Acquired Immunodeficiency Syndrome(AIDS) sangat berakibat bagi penderitanya. AIDS merupakan sekumpulan gejala yang menyerang tubuh manusia setelah sistem kekebalannya dirusak oleh virus Human Immunodeficiency Virus(HIV). Regresi logistik adalah bentuk khusus analisis regresi dengan variabel dependen berfiat kategori dan variabel independent bersifat kategori, kontinu, atau gabungan antara keduanya. Tulisan ini menganalisis factor penyebab penyakit HIV/AIDS dimana variabel dependennya yang bersifat kategori, yaitu HIV/AIDS. Variabel dependennya adalah jenis kelamin, sex, jarum suntik, transfusi darah, dan penularan dari ibu ke anak. Dari hasil penelitian ini, factor penyebab seseorang terkena penyakit HIV/AIDS yang paling signifikan adalah sex, transfusi darah, dan penularan ibu ke anak, sedangkan factor yang tidak signifikan adalah jenis kelamin dan jarum suntik. Probabilitas pasien terkena HIV/AIDS adalah 0,999914.
Kata kunci: HIV/AIDS, Regresi logistik
ABSTRACT
HIV/AIDS has caused concern in various parts of the world. HIV/AIDS is a disease that must be watched because Acquired Immunodeficiency Syndrome (AIDS) is very influential for sufferers. AIDS is a collection of symptoms that attack the human body after its immune system is damaged by the Human Immunodeficiency Virus (HIV). Logistic regression is a special form of regression analysis with dependent variables categorized and independent variables that are categorical, continuous, or a combination of the two. This paper analyzes the factors that cause HIV/AIDS in which the dependent variable which is categorical, namely HIV/AIDS. The dependent variable is gender, sex, syringe, blood transfusion, and transmission from mother to child. From the results of this study, the most significant factors causing a person to contract HIV/AIDS are sex, blood transfusion, and mother-to-child transmission, while the insignificant factors are gender and syringes. The probability of a patient getting HIV/AIDS is 0.999914.
Keywords: HIV / AIDS, logistic regression
Halaman
PENGESAHAN SKRIPSI i
ABSTRAK ii
ABSTRACT iii
PENGHARGAAN iv
DAFTAR ISI v
DAFTAR TABEL vii
DAFTAR GAMBAR ix
BAB 1 PENDAHULUAN
1.1 Latar Belakang 1
1.2 Perumusan Masalah 2
1.3 Batasan Masalah 2
1.4 Tujuan Penelitian 3
1.5 Manfaat Penelitian 3
BAB 2 TINJAUAN PUSTAKA
2.1 Pengertian Data 4
2.2 Skala Pengukuran Data 4
2.3 Pengertian Variabel 5
2.4 Populasi 6
2.5 Sampel 6
2.6 Teknik Penarikan Sampel 7
2.7 Teknik Menentukan Ukuran Sampel 10
2.8 Pengertian HIV/AIDS 10
2.9 Analisis Regresi 11
2.10 2.11
Analisis Regresi Sederhana
Analisis Regresi Berganda 12
12
2.12 Analisis Regresi Logistik 13
2.13 Log Likelihood, Hosmer Lemeshow, Chi-Square 14
2.14 Koefisien Determinasi 16
2.15 2.16
Uji Omnibus Uji Wald
16 16 BAB 3 METODE PENELITIAN
3.1 Jenis Penelitian 18
3.2 Lokasi Penelitian 18
3.3 Populasi dan Sampel 18
3.4 3.5
Variabel Penelitian
Prosedur Penelitian 19
19 19
4.2 Pengolahan Data 23
4.2.1 Uji Omnibus 23
4.2.2 Uji Hesmer and Lemeshow 25
4.2.3 Nagelkerke R Square
26 4.2.4
4.2.5
Uji Signifikansi Model
Model Umum Regresi Logistik
27
BAB 5 KESIMPULAN DAN SARAN
5.1 Kesimpulan 29
5.2 Saran 30
31 DAFTAR PUSTAKA
LAMPIRAN
DAFTAR TABEL
Nomor Tabel
Judul Halaman
4.1 Data Pasien Pusyansus HIV/AIDS RSUP H. Adam Malik 22
4.1 Uji Omnibus 23
4.2 Uji Hesmer and Lemeshow 24
4.3 Nagelkerke R Square 25
4.4 Uji Signifikansi Model 26
4.5 Hasil Pengujian Hipotesis dengan Regresi Logistik 27
BAB I PENDAHULUAN
1.1 Latar Belakang
Acquired Immune Deficiency Syndrome (AIDS) disebabkan oleh Human Immunodeficiency Virus (HIV) yang menyebabkan melemahnya sistem kekebalan tubuh seseorang, membuatnya lebih rentan terhadap berbagai penyakit, sulit sembuh dari berbagai penyakit infeksi oportunistik dan bisa menyebabkan kematian. Data Kementerian Kesehatan tahun 2017 mencatat dari 48.300 kasus HIV positif yang ditemukan, tercatat sebanyak 9.280 kasus AIDS. Sementara data triwulan II tahun 2018 mencatat dari 21.336 kasus HIV positif, tercatat sebanyak 6.162 kasus AIDS.
Jumlah kumulatif kasus AIDS sejak pertama kali dilaporkan pada tahun 1987 sampai dengan Juni 2018 tercatat sebanyak 108.829 kasus. Sumatera Utara adalah salah satu provinsi dengan jumlah kasus terbanyak HIV/AIDS di Indonesia. Dalam Laporan Perkembangan HIV/AIDS dan lnfeksi Menular Seksual (IMS) Triwulan IV Tahun 2018 yang dikeluarkan oleh Ditjen Pencegahan dan Pengendalian Penyakit (P2P), Kemenkes RI, tanggal 28 Februari 2019 jumlah kumulatif kasus HIV/AIDS di Provinsi Sumatera Utara (Sumut) adalah 20.955 yang terdiri atas 16.890 HIV dan 4.065 AIDS dengan 276 kematian. Sedangkan jumlah kasus kumulatif HIV/AIDS di Indonesia dari tahun 1987 s.d 31 Desember 2018 adalah 441.347 yang terdiri atas 327.282 HIV dan 114.065 AIDS dengan 16.473 kematian.
Depkes RI tahun 2018 mengungkapkan penyebab paling dominan penyakit HIV/AIDS antara lain hubungan heteroseksual, penggunaan jarum suntik bersama pada pengguna, penularan dari ibu ke bayi selama periode kehamilan, dan transfusi darah yang tidak aman. Rumah Sakit Umum Pusat H. Adam Malik merupakan salah satu rumah sakit yang melayani kasus HIV/AIDS dengan jumlah terbesar di Sumatera Utara dan menyediakan bagian pusat layanan khusus bagi penderita HIV/AIDS. Klinik VCT menyediakan pemeriksaan tersebut. Pasien
yang datang ke klinik VCT bervariasi ada dari Kota Medan ada juga yang berasal dari luar kota.
Faktor independen dapat dikelompokkan dari keterangan diatas adalah jenis kelamin, sex, jarum suntik, transfusi darah, dan penularan ibu ke anak sedangkan faktor dependennya adalah HIV/AIDS. Pengklasifikasian data tersebut dapat menggunakan regresi logistik. Regresi logistik merupakan salah satu analisis multivariate yang berguna untuk memprediksi variabel dependen berdasarkan variabel independen. Tujuan regresi logistik adalah pembuatan sebuah model regresi untuk memprediksi besar variabel dependen yang berupa variabel biner dengan menggunakan data variabel independen yang sudah diketahui besarnya.
Regresi logistik memiliki kelebihan yaitu tidak memiliki asumsi normalitas atas variabel dependen yang digunakan dalam model. Berdasarkan penjelasan di atas maka penulis tertarik untuk mengambil judul “Analisis Faktor Penyebab Penyakit HIV/AIDS dengan Metode Regresi Logistik di RSUP H.
Adam Malik Medan”.
1.2 PERUMUSAN MASALAH
Berdasarkan uraian yang dikemukakan di atas, bahwa risiko penyakit HIV/AIDS sangat berpengaruh dalam kehidupan bermasyarakat. Maka masalah yang akan dibahas adalah faktor penyebab apa saja yang berpengaruh signifikan terhadap penyakit HIV/AIDS di RSUP H. Adam Malik Medan dengan menggunakan analisis regresi logistik.
1.3 BATASAN MASALAH
Dalam penelitian ini, penulis membatasi ruang lingkup permasalahan sebagai berikut:
1. Masyarakat yang di tes HIV/AIDS di Pusat Pelayanan Khusus HIV/AIDS RSUP H. Adam Malik pada tahun 2018.
2. Variabel-variabel yang dibahas adalah jenis kelamin, sex, jarum suntik, transfusi darah, dan penularan dari ibu ke anak.
3. Membentuk persamaan regresi logistik dengan bantuan aplikasi SPSS guna mempermudah pengolahan data.
1.4 TUJUAN PENELITIAN
Pada dasarnya penelitian ini bertujuan untuk:
1. Mengetahui deskripsi jumlah kasus penyakit HIV/AIDS di RSUP H. Adam Malik.
2. Menganalisis pengaruh jenis kelamin, sex, jarum suntik, transfusi darah, dan penularan dari ibu ke anak terhadap penyakit HIV/AIDS.
3. Mendapatkan model persamaan regresi logistik untuk penyakit HIV/AIDS.
1.5 MANFAAT PENELITIAN
Penelitian diharapkan mampu member manfaat bagi peneliti, maupun bagi peneliti lain. Berikut manfaat bagi penelitian antara lain:
1. Bagi Masyarakat
Hasil penelitian ini diharapkan akan berguna bagi masyarakat khususnya bagi ibu rumah tangga dalam tindakan pencegahan penyebaran HIV/AIDS.
2. Bagi Instansi Pemerintah
Sebagai alternatif masukan dalam pembuatan perencanaan kebijakan penanggulangan kesehatan serta evaluasi program kesehatan khususnya dalam upaya pencegahan HIV/AIDS.
3. Bagi Peneliti
Sebagai refrensi untuk melakukan penelitian sejenis yang lebih luas dan upaya pengembangan lebih lanjut dengan menambah atau mengganti variable terhadap pencegahan penyakit HIV/AIDS.
BAB II
TINJAUAN PUSTAKA
2.1 Data
Data merupakan sejumlah informasi yang dapat memberikan gambaran tentang sesuatu keadaan. Informasi yang di peroleh memberikan keterangan, gambaran, atau fakta mengenai suatu persoalan dalam bentuk kategori, huruf atau bilangan.
Data digunakan untuk menyediakan informasi bagi suatu penelitian, pengukuran kinerja, dasar pembuatan keputusan dan menjawab rasa ingin tahu. Jenis-jenis data berdasarkan cara memperolehnya yaitu:
1. Data primer
Data primer merupakan data yang didapat dari sumber pertama, baik dari individu atau perseorangan seperti hasil wawancara atau pengisian kuisioner yang biasa dilakukan oleh peneliti. Biasanya data primer, peneliti melakukan observasi sendiri baik di lapangan maupun di laboratorium.
2. Data sekunder
Data sekunder merupakan data primer yang diperoleh oleh pihak lain atau data primer yang telah diolah lebih lanjut dan disajikan baik oleh pengumpul data primer atau pihak lain yang pada umumnya disajikan dalam bentuk tabel-tabel atau diagram-diagram.
2.2 Skala Pengukuran Data
Pengetahuan mengenai skala pengukuran data sangat penting di dalam statistika.
Terdapat empat skala pengukuran data, diurutkan mulai dari tingkatan terendah hingga tertinggi seperti berikut ini:
1. Nominal, tipe data ini digunakan untuk mengklasifikasikan informasi/data.
Contoh: Data jenis kelamin yaitu Laki-laki dan Perempuan. Biasanya, saat analisis data tipe seperti ini dilambangkan dengan bilangan numerik. Laki– laki dilambangkan dengan angka 1, sedangkan perempuan dilambangkan dengan angka 2, Tidak berarti angka 1 lebih rendah dari angka 2, hanya melambangkan saja.
2. Ordinal, tipe data ini digunakan untuk mengklasifikasikan serta memiliki tingkatan. Tipe data ordinal lebih tinggi dari nominal karena kemampuannya untuk membentuk tingkatan. Contoh: Jabatan di dalam perusahaan ada karyawan, manager, dan direktur utama. Misal karyawan dilambangkan dengan 1, manager dengan 2 dan direktur utama dengan 3. Pada tipe data ini, angka 1 dianggap lebih rendah dari angka 2 dan seterusnya.
3. Interval, ciri khas dari tipe data ini selain memiliki kemampuan mengklasifikasi dan membentuk tingkatan adalah tidak adanya nilai nol mutlak. Artinya, angka nol yang digunakan bukan berarti tidak ada. Contoh: Derajat suhu. Di dalam skala celcius misalnya, Nol derajat celcius bukan berarti tidak ada suhu. Nol derajat itu memiliki suhu, hanya saja dilambangkan nol.
4. Rasio, tipe data ini memiliki kemampuan dari ketiga tipe data sebelumnnya dan angka nol dianggap mutlak. Contoh: data berat badan (kg). Angka nol kg berarti memang tidak ada berat.
2.3 Pengertian Variabel
Variabel merupakan objek yang berbentuk apa saja yang ditentukan oleh peneliti dengan tujuan untuk memperoleh informasi agar bisa ditarik suatu kesimpulan.
Secara teori, definisi variabel penelitian adalah merupakan suatu objek atau sifat atau atribut atau nilai dari orang atau kegiatan yang mempunyai bermacam- macam variasi antara satu dengan yang lainnya yang ditetapkan oleh peneliti dengan tujuan untuk dicari dan ditarik kesimpulan. Adapun tipe-tipe variabel terbagi atas:
1. Variabel Bebas
Variabel bebas ataupun variabel independen merupakan variabel stimulus atau variabel yang memepengaruhi variabel lain. Variabel bebas merupakan yang variabilitasnya diukur atau dipilih oleh peneliti untuk menentukan hubungannya dengan suatu gejala yang diobservasi.
2.Variabel Terikat
Variabel terikat atau variabel dependen merupakan variabel yang memberikan reaksi atau respon jika dihubungkan dengan variabel bebas. Variabel dependen adalah variabel yang variabilitasnya diamati dan diukur untuk menentukan pengaruh yang disebabkan oleh variabel bebas.
2.4 Populasi
Populasi merupakan keseluruhan unit atau individu dalam ruang lingkup yang ingin diteliti. Menurut Sudjana (2002), Populasi adalah totalitas semua nilai yang mungkin, hasil mengukur atau pengukuran kuantitatif maupun kualitatif mengenai karakteristik tertentu dari semua anggota kumpulan yang lengkap dan jelas yang ingin dipelajari sifat-sifatnya.
2.5 Sampel
Sampel adalah sebagian anggota dari populasi yang dipilih dengan menggunakan prosedur tertentu sehingga diharapkan dapat mewakili populasinya. Banyaknya anggota suatu sampel disebut ukuran sampel. Penggunaan sampel dalam suatu penelitian terutama didasarkan pada berbagai pertimbangan seperti karena ketidakmungkinan mengamati seluruh anggota populasi, pengamatan terhadap seluruh anggota populasi dapat bersifat merusak, menghemat waktu, biaya dan tenaga, mampu memberikan informasi yang lebih menyeluruh dan lebih mendalam.
Untuk menentukan sampel dari populasi digunakan perhitungan maupun acuan tabel yang dikembangkan para ahli. Secara umum, untuk penelitian korelasional jumlah sampel minimal untuk memperoleh hasil yang baik adalah 30, sedangkan dalam penelitian eksperimen jumlah sampel minimum 15 dari masing- masing kelompok dan untuk penelitian survey jumlah sampel minimum adalah 100.
Roscoe (1975) yang dikutip Uma Sekaran (2006) memberikan acuan umum untuk menentukan ukuran sampel:
1. Ukuran sampel lebih dari 30 dan kurang dari 500 adalah tepat untuk kebanyakan penelitian
2. Jika sampel dipecah ke dalam subsampel (pria/wanita, junior/senior, dan sebagainya), ukuran sampel minimum 30 untuk tiap kategori adalah tepat
3. Dalam penelitian mutivariate (termasuk analisis regresi berganda), ukuran sampel sebaiknya 10x lebih besar dari jumlah variabel dalam penelitian
4. Untuk penelitian eksperimental sederhana dengan kontrol eskperimen yang ketat, penelitian yang sukses adalah mungkin dengan ukuran sampel kecil antara 10 sampai dengan 20.
Besaran atau ukuran sampel ini sampel sangat tergantung dari besaran tingkat ketelitian atau kesalahan yang diinginkan peneliti. Namun, dalam hal tingkat kesalahan, pada penelitian sosial maksimal tingkat kesalahannya adalah 10% (0,1). Makin besar tingkat kesalahan maka makin kecil jumlah sampel.
Namun yang perlu diperhatikan adalah semakin besar jumlah sampel (semakin mendekati populasi) maka semakin kecil peluang kesalahan generalisasi dan sebaliknya, semakin kecil jumlah sampel (menjauhi jumlah populasi) maka semakin besar peluang kesalahan generalisasi.
1.5.1 Teknik Penarikan Sampel
Pemilihan teknik pengambilan sampel merupakan upaya penelitian untuk mendapat sampel yang representatif (mewakili), yang dapat menggambarkan populasinya. Teknik pengambilan sampel secara garis besar terbagi atas dua, yaitu:
1. Sampling Random (Probability Sampling)
Pada tipe pengambilan sampel secara random ini setiap unit populasi mempunyai kesempatan yang sama untuk diambil sebagai sampel. Faktor pemilihan atau penunjukan sampel yang diambil semata-mata karena pertimbangan peneliti.
Dengan cara random, bias pemilihan dapat diperkecil sekecil mungkin. Ini merupakan salah satu usaha untuk mendapatkan sampel yang representatif.
Selain itu pemilihan sampel dengan cara ini juga memiliki beberapa keuntungan, yaitu derajat kepercayaan terhadap sampel dapat ditentukan, beda penaksiran parameter populasi dengan statistik sampel dapat diperkirakan, serta besar sampel
yang akan diambil dapat dihitung secara statistik. Pemilihan sampel dengan teknik sampling random ini mempunyai empat cara, yaitu:
1. Sampel Random Sederhana (Simple Random sampling)
Sampel random sederhana adalah teknik pengambilan sampel secara acak dimana masing-masing subjek atau unit dari populasi memiliki peluang yang sama dan independen (tidak bergantung) untuk terpilih sebagai sampel. Keuntungan dari teknik ini adalah memungkinkan peneliti mengetahui besarnya sampling error (margin of error) penelitian dan memberikan sampel yang secara rata-rata representatif terhadap populasi. Sedangkan kerugiannya, peneliti harus memiliki daftar (sampling frame) setiap subjek yang ada dalam populasi dan skema sampling random ini membutuhkan perencanaan lebih matang serta biaya yang besar jika populasi besar.
2. Proportionate Stratified Random
Sampling Teknik ini merupakan teknik pengambilan sampel dengan membagi populasi sasaran dalam strata (sub populasi) menurut karakteristik tertentu yang dianggap penting oleh peneliti, status sosio- ekonomi, atau geografis, lalu melakukan pengambilan sampel dari masing-masing strata secara random. Keuntungan dengan teknik ini adalah bahwa kelompok-kelompok dari populasi yang dipandang penting oleh peneliti dapat terwakili secara proporsional.
3. Cluster sampling
Cluster sampling adalah teknik pengambilan sampel yang digunakan untuk menentukan sampel bila objek yang akan diteliti atau sumber data sangat luas, misal penduduk dari suatu negara, propinsi, atau kabupaten.
Untuk menentukan penduduk mana yang akan dijadikan sumber data, maka pengambilan sampelnya berdasarkan daerah populasi yang telah ditetapkan.
4. Sistematik Sampling
Sistematik sampling menuntut kepada peneliti untuk memilih unsur populasi secara sistematis, yaitu unsur populasi yang bisa dijadikan sampel adalah yang keberapa. Pengambilan sampel ini lebih
menekankan pada sistem interval dari hasil proses random.
Pengambilan sampel sistematik lebih menghemat waktu dan lebih sederhana. Jika peneliti dihadapkan pada ukuran populasi yang banyak dan tidak memiliki alat pengambil data secara random maka cara pengambilan sampel sistematis dapat digunakan.
2. Teknik Sampling Non-Random (Non Probability Sampling)
Teknik sampling non-random adalah teknik pengambilan sampel yang tidak memberi peluang/kesempatan sama bagi setiap unsur atau anggota populasi untuk dipilih menjadi sampel. Pemilihan sampel dengan teknik sampling nonrandom ini mempunyai empat cara, yaitu:
1. Sampling Purposive
Sampling purposive merupakan teknik pemilihan sampel yang bertujuan untuk mendapatkan subjek-subjek yang memiliki sejumlah karakteristik tertentu, atau mendapatkan kelompok-kelompok penelitian yang sebanding sehingga dapat dianalisis dengan valid.
2. Sampling Kuota
Sampling kuota adalah teknik untuk menentukan sampel dari populasi yang mempunyai ciri–ciri tertentu sampai jumlah kuota yang diinginkan. Pada teknik pemilihan sampel peneliti membagi populasi ke dalam kategori, lalu memberikan jatah jumlah subjek untuk masing-masing kategori tersebut.
3. Sampling Kemudahan
Pada pengambilan sampel dengan cara ini, sampel diambil berdasarkan pada ketersediaan elemen dan kemudahan untuk mendapatkannya. Dengan kata lain sampel dipilih/terpilih karena sampel tersebut ada pada tempat dan waktu yang tepat. Dalam memilih sampel, peneliti tidak mempunyai pertimbangan lain kecuali berdasarkan kemudahan saja. Seseorang diambil sebagai sampel karena kebetulan orang tadi ada di situ atau kebetulan dia mengenal orang tersebut. Oleh karena itu ada beberapa penulis menggunakan istilah accidental sampling.
4. Snowball Sampling
Snowball sampling atau sampling bola salju adalah metode yang mengidentifikasi dan mengambil sampel lewat suatu jaringan yang didasarkan pada analogi bola salju. Dimulai dari ukuran kecil, dan seiring proses, jumlahnya semakin besar.
2.5.2 Teknik Menentukan Ukuran Sampel
Untuk mendapatkan sampel yang benar-benar mewakili seluruh populasi, maka dalam penelitian ini teknik penentuan jumlah sampel menggunakan rumus sebagai berikut:
Rumus Slovin
Rumus Slovin adalah sebuah rumus atau formula untuk menghitung jumlah sampel minimal apabila perilaku dari sebuah populasi tidak diketahui secara pasti.
Rumus ini pertama kali diperkenalkan Slovin pada tahun 1960. Rumus Slovin ini biasanya digunakan untuk penelitian survey dimana biasanya jumlah sampel besar sekali, sehingga diperlukan sebuah formula untuk mendapatkan sampel yang sedikit tetapi dapat mewakili seluruh populasi. Rumus Slovin dirumuskan sebagai berikut:
1 2
n N
Ne
(2.1)
dengan:
n = Ukuran Sampel N = Ukuran Populasi
e = Tingkat Kesalahan 5% (persen kelonggaran ketidaktelitian karena kesalahan penarikan sampel)
2.6 Pengertian HIV/AIDS
HIV (Human Immunodeficiency Virus) merupakan retrovirus bersifat limfotropik khas yang menginfeksi sel-sel dari sistem kekebalan tubuh, menghancurkan atau merusak sel darah putih spesifik yang disebut limfosit T-helper atau limfosit
pembawa faktor T4 (CD4). Virus ini diklasifikasikan dalam famili Retroviridae, subfamili Lentiviridae, genus Lentivirus.
Selama infeksi berlangsung, sistem kekebalan tubuh menjadi lemah dan orang menjadi lebih rentan terhadap infeksi. Tingkat HIV dalam tubuh dan timbulnya berbagai infeksi tertentu merupakan indikator bahwa infeksi HIV telah berkembang menjadi AIDS (Acquired Imunnodeficiency Syndrome). AIDS merupakan kumpulan gejala atau penyakit yang disebabkan oleh menurunnya kekebalan tubuh akibat virus HIV. Sebagian besar orang yang terkena HIV, bila tidak mendapat pengobatan, akan menunjukkan tanda-tanda AIDS dalam waktu 8- 10 tahun. AIDS diidentifikasi berdasarkan beberapa infeksi tertentu yang dikelompokkan oleh Organisasi Kesehatan Dunia (World Health Organization) menjadi tahapan stadium klinis, dimana pada stadium penyakit HIV yang paling terakhir (stadium IV) digunakan sebagai indikator AIDS. Sebagian besar keadaan ini merupakan infeksi oportunistik yang apabila diderita oleh orang yang sehat, infeksi tersebut dapat diobati.
2.7 Analisis Regresi
Istilah regresi pertama kali digunakan oleh Sir Francis Galton pada tahun 1886.
Galdon menemukan adanya hubungan bahwa orang tua yang tubuh tinggi memiliki anak-anak yang tinggi, dan orang tua yang tubuh pendek memiliki anak- anak yang pendek pula (Nirwana, 2015). Secara umum ada dua macam hubungan antara dua variabel atau lebih, yaitu bentuk hubungan dan keeratan hubungan.
Analisis Regresi adalah teknik analisis yang menjelaskan bentuk hubungan antara dua atau lebih khususnya hubungan antara variabel-variabel yang mengandung sebab akibat (Nirwana, 2015).Analisis regresi merupakan suatu metode yang digunakan untuk menganalisis hubungan bermodal antar variabel.
Hubungan bermodel tersebut dapat diekspresikan dalam bentuk persamaan yang menghubungkan antara dependent variabel Y dengansatu independent variabel X.
Jika dalam model regresi terdapat satu variabel bebas yang dinamakan X dansatu variable tak bebas yang bergantung pada X dinamakan Y, maka hubungan diantara variabel ini dicirikan melalui model matematik disebut model regresi.
Jika hanya terdapat satu variabel respon Y dan satu variabel bebas X, maka model
yang diperoleh disebut model regresi sederhana dan apabila variabel bebasnya lebih dari satu maka model yang diperoleh disebut model regresi ganda. Variabel predictor dalam analisis regresi seringkali bersifat kuantitatif.
Regresi mempunyai banyak kegunaan, pertama-tama kita dapat menentukan ada atau tidaknya hubungan antara Y dan X, kemudian mempelajari bentuk hubungan tersebut. Memperkirakan nilai Y berdasarkan nilai X juga salah satu tujuan digunakannya analisis regresi (Akbar, 2011).
2.7.1 Analisis Regresi Linier Sederhana
Analisis Regresi Linier Sederhana adalah hubungan secara linier antara satu variabel independen (X) dengan variabel dependen (Y). Analisis ini untuk mengetahui arah hubungan antara variabel independen dengan variabel dependen apakah positif atau negatif dan untuk memprediksi nilai dari variabel dependen apabila nilai variabel independen mengelami kenaikan atau penurunan. Data yang digunakan biasanya berskala interval atau rasio. Rumus regresi linier sederhana sebagai berikut:
Y = a + bX+ e (2.2) dengan:
Y = Variabel dependen X = Variabel independen a = Konstanta
b = Koefisien regresi linier sederhana e = Error
2.7.2 Analisis Regresi Linier Berganda
Analisis regresi linier berganda adalah hubungan secara linier antara dua atau lebih variabel independen , ..., dengan variabel dependen (Y). Analisis ini untuk mengetahui arah hubungan anatara variabel independen dengan variabel dependen apakah masing-masing variabel independen berhubugan positif atau negatif dan untuk memprediksi nilai dari variabel dependen apabila nilai variabel
interval atau rasio. Rumus regresi linier berganda sebagai berikut:
+ e (2.3) dengan:
Y = Variabel dependen
, ..., = Variabel independen a = Konstanta
b = Koefisien regresi linier berganda
e = Error
2.7.3 Analisis Regresi Logistik
Analisis regresi logistik adalah analisis yang digunakan untuk melihat hubungan antara variabel respon yang berupa data kualitatif dengan variabel penjelas yaitu data kualitatif maupun data kuantitatif.
Model regresi logistik adalah pemodelan statisti yang diterapkan untuk memodelkan variabel respon yang bersifat kategori berdasarkan satu atau lebih variabel penjelas. Model regresi logistik sering digunakan dalam epiodomologi yaitu studi tentang pola terjadinya penyakit dan faktor-faktor yang mempengaruhinya (Akbar, 2011).
Pada dasarnya regresi logistik sama dengan analisis diskriminan, perbedaan ada pada jenis data dari variabel dependen. Jika pada analisis diskriminan variabel dependen adalah data rasio, maka pada regresi logistik variabel dependen adalah data nominal. Data nominal yang digunakan lebih khusus adalah data binary. Tujuan regresi logistik adalah pembuatan sebuah model regresi untuk memprediksi besar variabel dependen yang berupa variabel biner dengan menggunakan data variabel independen yang sudah diketahui besarnya.
Pada regresi logistik, jika variabel tak bebas memiliki dua kategori, maka disebut regresi logistik biner (binary regression logistic). Namun, jika variabel tak bebas memiliki lebih dari dua kategori, maka disebut regresi logistik multinomial (multinomial logistic regression).
Regresi logistik biner adalah salah satu metode statistika yang sering digunakan untuk mengklasifikasikan sejumlah pengamatan dengan respon biner
ke dalam beberapa kelompok berdasarkan satu atau lebih variabel prediktor.
Melalui metode ini dihasilkan peluang dari masing-masing kategori respon yang akan dijadikan sebagai pedoman pengklasifikasian dan suatu pengamatan akan masuk kedalam respon kategori tertentu berdasarkan nilai peluang yang terbesar.
Secara umum, persamaan regresi logistik sederhana (melibatkan satu variabel bebas) memiliki bentuk:
* ( ) ( ) + (2.4) Persamaan regresi logistik biner berganda memiliki bentuk umum:
( ( ) ( ) ) (2.5) dan persamaan regresi logistik biner berganda untuk probabilitas terjadinya memiliki bentuk umum:
( )
(2.6) dengan:
( ) = Peluang kejadian sukses dengan nilai 0≤p≤1 e = Basis dari logaritma natural: 2,178282
i = 1,2, …, n
α = Nilai konstanta
= Koefisien regresi pada model logistik
, ..., = Variabel Independen
2.8 Menguji Kecocokkan Model Regresi Logistik terhadap Data dengan -2log-likelihood, Hosmer-Lemeshow, dan Pearson Chi-Square
Dalam regresi logisitik, hasil selisih statistik -2log-likelihood antara model regresi logistik yang menggunakan satu set variabel bebas dan model yang lebih sederhana (simpler model) dapat digunakan untuk mengetahui apakah model regresi logistik yang menggunakan satu set variabel bebas lebih baik dalam hal mencocokkan atau menyesuaikan data dibandingkan model regresi logistik yang sederhana. Jika statistik -2log-likelihood pada model regresi logistik yang menggunakan satu set variabel bebas lebih kecil dibandingkan model yang lebih sederhana, maka model regresi logistik yang menggunakan satu set variabel bebas
lebih baik dalam hal mencocokkan data dibandingkan model yang lebih sederhana tersebut (Hair dkk., 342:210; Agresti dan Finlay, 499:2009).
Kelayakan model regresi dinilai dengan menggunakan Hosmer and Lemeshow’s Goodness of Fit Test. Hosmer and Lemeshow’s Goodness of Fit Test menguji hipotesis nol bahwa data empiris cocok atau sesuai dengan model (tidak ada perbedaan antara model dengan data sehingga model dapat dikatakan fit). Jika nilai statistik Hosmer and Lemeshow’s Goodness of Fit Test sama dengan atau kurang dari 0,05, maka hipotesis nol ditolak yang berarti ada perbedaan signifikan antara model dengan nilai observasinya sehingga Goodness fit model tidak baik karena model tidak dapat memprediksi nilai observasinya. Jika nilai statistic Hosmer and Lemeshow’s Goodness of Fit Test lebih besar dari 0,05, maka hipotesis nol tidak dapat ditolak dan berarti model mampu memprediksi nilai observasinya atau dapat dikatakan model dapat diterima karena cocok dengan data observasinya.
Hipotesis:
: Model regresi logistik yang dihasilkan sesuai : Model regresi logistik yang dihasilkan tidak sesuai Kriteria:
: ditolak bila probabilitas ≤ 0,05
: diterima bila probabilitas > 0,05
Pada uji Pearson Chi-square menguji signifikansi mengenai kecocokan model regresi logistik terhadap data. Hipotesis nol menyatakan model regresi logistik yang dihasilkan mampu mencocokan data dengan baik (model fits the data well). Sedangkan hipotesis alternatif menyatakan model regresi logistik yang dihasilkan tidak mampu mencocokan data dengan baik(Agresti dan Finlay, 508- 509:2009).
Uji Chi-Square memliki rumus:
∑( ) (2.7) dengan:
2.9 Koefisien Determinasi (Cox dan Snell’s R square)
Koefisien Determinasi (Cox dan Snell’s R square) Cox dan Snell’s R square merupakan ukuran yang mencoba meniru ukuran R2 pada multiple regression yang didasarkan pada teknik estimasi likelihood dengan nilai maksimum kurang dari 1 (satu) sehingga sulit diinterpretasikan. Nagelkerke’s R square merupakan modifikasi dari koefisien Cox dan Snell untuk memastikan bahwa nilainya bervariasi dari 0 (nol) sampai 1 (satu), hal ini dilakukan dengan cara membagi nilai Cox dan Snell’s R2 dengan nilai maksimumnya. Nilai Nagelkerke’s R2 dapat diinterpretasikan seperti nilai R2 pada multiple regression. Nilai yang kecil berarti kemampuan variabel-variabel independen dalam menjelaskan variasi variabel dependen amat terbatas. Nilai yang mendekati satu berarti variabel-variabel independen memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variasi variabel dependen.
2.10 Uji Signifikansi Model Secara Simultan (Uji Omnibus)
Untuk menguji apakah model regresi logistik yang melibatkan variabel bebas signifikan (secara simultan) lebih baik dibandingkan model sebelumnya (model sederhana) dalam hal mencocokkan data, maka bandingkan nilai Sig. untuk Step 1 (Step) pada Tabel Omnibus Tests of Model Coefficients, yakni 0,000 terhadap tingkat signifikansi 0,05. Nilai Sig. disebut juga dengan nilai probabilitas. Jika nilai probabilitas lebih kecil (Sig.) dari tingkat signifikansi, maka disimpulkan bahwa model yang melibatkan variabel bebas signifikan (secara simultan) lebih baik dalam hal mencocokkan data dibandingkan model sederhana. Jika nilai probabilitas (Sig.) lebih besar dari tingkat signifikansi, maka disimpulkan bahwa model yang melibatkan variabel bebas tidak signifikan (secara simultan) lebih baik dalam hal mencocokkan data dibandingkan model sederhana.
2.11 Uji Signifikansi Koefisien Regresi Logistik Secara Individu (Uji Wald) Dalam regresi linear, baik sederhana maupun berganda, uji digunakan untuk menguji signifikansi dari koefisien regresi populasi( ) secara individu. Pada
regresi logistik, uji signifikansi koefisien regresi populasi secara individu dapat diuji dengan uji Wald. Dalam uji Wald, statistik yang diuji adalah statistik Wald (Wald statistic). Nilai statistik dari uji Wald berdistribusi chi-kuadrat. Hipotesis nol dari uji Wald menyatakan koefisien regresi populasi signifikan secara statistika bernilai nol. Hal ini berarti pengaruh variabel bebas terhadap variabel tak bebas tidak signifikan secara statistika. Hipotesis alternatif menyatakan koefisien regresi populasi signifikan secara statistika berbeda dari nol. Dengan kata lain, pengaruh variabel bebas terhadap variabel tak bebas signifikan secara statistika (Field, 269-270:2009).
Berikut rumus untuk menghitung nilai statistik dari uji Wald.
̂
̂ (2.8) Perhatikan bahwa ̂ menyatakan standard error dari koefisien regresi ( ̂).Untuk pengambilan keputusan terhadap hipotesis, nilai statistik dari uji Wald dibandingkan dengan nilai kritis berdasarkan tabel distribusi chi-kuadrat. Berikut aturan pengambilan keputusan terhadap hipotesis berdasarkan uji Wald.
Pengambilan keputusan terhadap hipotesis juga dapat dilakukan dengan menggunakan pendekatan nilai probabilitas dari uji Wald. Berikut aturan pengambilan keputusan berdasarkan pendekatan nilai probabilitas.
BAB III
METODOLOGI PENELITIAN
3.1 Jenis Penelitian
Penelitian ini merupakan penelitian aplikasi/terapan yaitu dengan mengambil atau mengumpulkan data yang diperlukan dan menganalisisnya dengan menggunakan model regresi logistik biner untuk mengetahui faktor-faktor yang signikan yang mempengaruhi penyakit HIV/AIDS.
3.2 Lokasi Penelitian
Berdasarkan penelitian ini, data diambil Pusat Pelayanan Khusus HIV/AIDS dari RSUP H. Adam Malik Medan dan literatur-literatur yang tersedia di perpustakaan Universitas Sumatera Utara.
3.3 Populasi dan Sampel 1. Populasi
Populasi adalah wilayah generalisasi yang mempunyai kualitas dan karakteristik tertentu yang ditetapkan oleh peneliti untuk dipelajari dan kemudian ditarik kesimpulannya (Sugiyono, 2010:115). Populasi dalam penelitian ini adalah data pasien yang datang untuk di tes HIV/AIDS pada tahun 2018.
2. Sampel
Sampel adalah bagian dari jumlah dan karekteristik yang dimiliki oleh populasi tersebut (Sugiyono, 2010:116). Pengambilan sampel dalam penelitian ini menggunakan Simple Random Sampling yaitu teknik pengambilan sampel dari anggota populasi yang dilakukan secara acak tanpa memperhatikan strata yang ada dalam populasi itu sedangkan untuk menentukan jumlah sampel menggunakan rumus yang terdapat pada rumus (2.1):
1 2
n N
Ne
dengan :
n = Ukuran Sampel N = Ukuran Populasi
e = Tingkat Kesalahan 5% (persen kelonggaran ketidaktelitian karena kesalahan penarikan sampel)
3.4 Variabel Penelitian
Variabel penelitian adalah segala sesuatu yang berbentuk apa saja yang ditetapkan oleh peneliti untuk dipelajari sehingga diperoleh informasi tentang hal tersebut, kemudian ditarik kesimpulanya (Sugiyono, 2010: 2). Adapun variabel-variabel dalam penelitian ini adalah sebagai berikut:
1. Variabel Bebas (Variabel Independen)
Variabel bebas adalah variabel yang mempengaruhi atau yang menjadi sebab perubahanya atau timbulnya variabel dependen atau terikat (Sugiyono, 2010: 4).
Dalam penelitian ini yang menjadi variabel bebas yaitu Jenis Kelamin ( ), Sex ( ), Jarum Suntik( ), Transfusi Darah( ), dan Penularan Ibu ke Anak( ).
2. Variabel Terikat (Variabel Dependen)
Variabel terikat adalah variabel yang dipengaruhi atau yang menjadi akibat, karena adanya variabel bebas atau independen (Sugiyono, 2010:4). Variabel terikat dalam penelitian ini adalah HIV/AIDS (Y).
3.5 Prosedur Penelitian
1. Data yang digunakan dalam penelitian ini adalah data sekunder. Data tersebut didapat dari RSUP H. Adam Malik Medan pada tahun 2018.
2. Pengumpulan data merupakan kegiatan yang dilakukan untuk mendapat informasi yang diperlukan dalam rangka mencapai tujuan dari suatu penelitian.
3. Tabulasi data bertujuan untuk agar bisa data disusun,dijumlah, dan mempermudah penataan data.
4. Analisa merupakan proses yang salaing berkaitan unttuk memecahkan masalah atau memecahkan komponen menjadi lebih detail dan digabungkan kembali lalu ditarik kesimpulan. Bentuk dari kegiatan analisa yaitu merangkum data mentah menjadi informasi yang bias disampaikan.
5. Memisahkan variabel ke dalam faktor dependen dan independen.
6. Menguji model apakah menunjukkan model regresi yang baik.
7. Menilai kelayakan model regresi atau menganalisis seberapa penting variabel independen didalam model dengan uji Hosmer and Lemeshow dengan melihat nilai goodness of fit yang diukur dengan chi-square pada tingkat signifikansi 5%..
8. Membentuk persamaan regresi logistik dengan bantuan SPSS 23.
9. Menghitung faktor HIV/AIDS.
10. Membuat kesimpulan apakah model yang diteliti sudah baik (sesuai) sehingga dapat diperlihatkan besar pengaruh masing–masing variabel independen.
3.6 Kerangka Penelitian
Mulai
Studi Literatur Objek Penelitian
Identifikasi dan Perumusan Masalah
Batasan masalah
Penetapan Tujuan
Pengambilan Data Sekunder
Pengumpulan Data:
Memisahkan variabel ke dalam faktor
dependen : HIV/AIDS dan independen yaitu:
Jenis Kelamin Sex
Jarum Suntik Transfusi Ibu ke Anak
Pengolahan Data:
1. Omnibus, Hesmer and
Lemeshow, Nagelkerke R Square 2. Model Regresi Logistik
Kesimpulan dan Saran
Selesai
BAB IV
HASIL DAN PEMBAHASAN
4.1 Pengumpulan Data
Data yang digunakan dalam penelitian ini adalah data sekunder yang diperoleh dari Pusat Pelayanan Khusus HIV/AIDS RSUP H. Adam Malik Medan. Data yang digunakan merupakan data pasien penyakit HIV/AIDS yang diasumsikan mengikuti regresi logistik beserta faktor-faktor yang mempengaruhi penyakit HIV/AIDS di RSUP H. Adam Malik tahun 2018. Data yang akan digunakan dalam penelitian ini dapat dilihat pada tabel 4.1.
Tabel 4.1 Data Pasien Pusyansus HIV/AIDS RSUP H. Adam Malik
NO BULAN
JUMLAH VCT TIPK
DI TEST LAKI PEREMPUAN TOTAL LAKI PEREMPUAN TOTAL
HIV
1 JANUARI 62 19 8 27 18 17 35
2 FEBRUARI 107 27 10 37 39 31 70
3 MARET 90 13 13 26 38 26 64
4 APRIL 67 22 19 41 13 13 26
5 MEI 70 15 18 33 21 16 37
6 JUNI 45 12 10 22 12 11 23
7 JULI 62 15 19 34 18 10 28
8 AGUSTUS 53 15 13 28 15 10 25
9 SEPTEMBER 59 20 16 36 16 7 23
10 OKTOBER 77 20 10 30 24 23 47
11 NOPEMBER 78 27 11 38 28 12 40
12 DESEMBER 74 28 12 40 20 14 34
TOTAL 844 233 159 392 262 190 452
% 100.00% 46.45% 53.55%
Dengan menggunakan keterangan di atas dan setelah dilakukan survei ke lokasi penelitian di RSUP Adam Malik Medan, diperoleh hasil sebagai berikut:
Jumlah seluruh pasien yang datang ke RSUP Adam Malik untuk memeriksakan dirinya apakah terkena HIV atau tidak sebanyak 844 orang. Sehingga dengan menggunakan rumus pada persamaan (2.1) dan batas kesalahan yag digunakan
5%
e , diperoleh jumlah sampel:
1 2
n N
Ne
844 2
1 844(0, 05)
844
1 844(0, 0025)
844 1 2,11
844
3,11 n = 271,38
Dengan menggunakan aturan pembulatan, maka diperoleh jumlah sampel sebanyak 271 pasien.
4.2 Pengolahan Data
4.2.1 Uji Omnibus dari Model Koefisien
Tabel 4.2 Hasil Omnibus Tests
Dari Tabel 4.2 di atas, diketahui untuk menguji apakah model regresi logistik
yang melibatkan variabel bebas Jenis Kelamin, Sex, Jarum Suntik, Transfusi, dan Ibu ke anak dan HIV signifikan secara statistika baik/akurat dalam hal mencocokkan data, maka digunakan nilai Sig. pada Tabel Omnibus Tests of Model Coefficients untuk Step 1 (Step), yakni 0,000 terhadap tingkat signifikansi 0,05.
Dalam kasus ini, tingkat signifikansi yang digunakan adalah 0,05. Nilai Sig.
disebut juga dengan nilai probabilitas (p-value). Perhatikan bahwa karena nilai probabilitas lebih kecil dari tingkat signifikansi (0,000 < 0,05), maka disimpulkan bahwa model yang melibatkan variabel bebas Jenis Kelamin, Sex, Jarum Suntik, Transfusi, dan Ibu ke anak dan HIV signifikan secara statistika baik/akurat dalam hal mencocokkan data.
4.2.2 Uji Hesmer dan Lemeshow
Tabel 4.3 Nilai Hosmer and Lemeshow Test
Sementara pada uji Hosmer-Lemeshow menguji signifikansi kecocokkan antara predicted probabilities (nilai probabilitas berdasarkan hasil prediksi) dan observed probabilities (nilai probabilitas pengamatan). Hipotesis nol menyatakan tidak terdapat perbedaan yang signifikan secara statistika antara predicted probabilities dan observed probabilities. Sementara hipotesis alternatif menyatakan terdapat perbedaan yang signifikan secara statistika antara predicted probabilities dan observed probabilities.
Diterimanya hipotesis nol dapat diartikan bahwa variabel-variabel bebas yang digunakan dalam model mampu memprediksi dengan baik observed probabilities. Berdasarkan Tabel 4.3, diketahui nilai Sig. atau probabilitas 0,058.
Perhatikan bahwa karena nilai probabilitas, yakni 0,058 lebih besar dibandingkan tingkat signifikansi, yakni 0,05, maka hipotesis nol diterima, dan hipotesis alternatif ditolak. Hal ini berarti variabel-variabel bebas Jenis Kelamin, Sex,
Jarum Suntik, Transfusi, dan Ibu ke anak mampu memprediksi dengan baik observed probabilities dari HIV.
Dari tabel di atas juga diketahui nilai Chi-square sebesar 12,172. Jika nilai Chi-square Chi-square tabel, maka disimpulkan bahwa model yang melibatkan variabel bebas Jenis Kelamin, Sex, Jarum Suntik, Transfusi, dan Ibu ke anak dan HIV signifikan secara statistika tidak lebih baik dalam hal mencocokkan data. Jika nilai Chi-square>Chi-square tabel, maka disimpulkan bahwa model yang melibatkan variabel bebas Jenis Kelamin, Sex, Jarum Suntik, Transfusi, dan Ibu ke anak dan HIV signifikan secara statistika lebih baik dalam hal mencocokkan data terhadap model. Perhatikan bahwa karena nilai Chi-square Chi-square tabel yakni 12,172 > 11,07 (dengan derajat kebebasan 5) maka disimpulkan bahwa model yang melibatkan variabel bebas Jenis Kelamin, Sex, Jarum Suntik, Transfusi, dan Ibu ke anak dan HIV signifikan secara statistika lebih baik dalam hal mencocokkan data terhadap model.
4.2.3 Nagelkerke R Square
Tabel 4.4 Tabel Model Summary
Nilai statistik Nagelkerke’s berfungsi untuk mengukur kemampuan model regresi logistik dalam mencocokkan atau menyesuaikan (fits) data. Dengan kata lain, statistik Nagelkerke’s dapat diinterpretasikan sebagai kemampuan variabel-variabel bebas dalam menjelaskan atau menerangkanvariabel tak bebas.
Berikut disajikan output SPSS yang menunjukkan nilai statistik Nagelkerke’s (Tabel 4.4). Berdasarkan Tabel 4.4, nilai statistik Nagelkerke R Square 0,779.
Nilai tersebut diinterpretasikan sebagai kemampuan variabel bebas Jenis Kelamin, Sex, Jarum Suntik, Transfusi, dan Ibu ke anak untuk menjelaskan variabel tak
bebas, yakni HIV sebesar 77,9%, sisanya 22,1% dijelaskan oleh variabel- variabel/faktor-faktor lain. (Misal: Pembuatan tato, pengguaan narkoba, dll).
4.2.4 Uji Signifikansi Model(Uji Wald)
Tabel 4.5 Nilai Koefisien Model
Berdasarkan Tabel 4.5 di atas dapat diperiksa koefisien-koefisien regresi ( ) manakah yang signifikan secara statistika. Untuk menentukan koefisien-koefisien regresi manakah yang signifikan secara statistika, dapat dilakukan dengan
membandingkan nilai Sig. untuk masing-masing koefisien regresi dengan 0,05.
Jika nilai Sig. lebih kecil dari 0,05, maka koefisien regresi ( ) signifikan secara statistika. Perhatikan bahwa nilai Sig. untuk variabel sex sebesar 0,000, nilai Sig.
untuk variabel transfusi sebesar 0,000, dan nilai Sig. untuk variabel ibu ke anak sebesar 0,003, yang mana keseluruhan semua nilai signifikan untuk ketiga
variabel tersebut lebih kecil dari 0,05, maka dapat disimpulkan koefisien-koefisien regresi dari sex, transfusi darah,dan penularan ibu ke anak signifikan secara statistika. Sementara untuk variabel jenis kelamin dengan nilai Sig. sebesar 0,546 dan variabel jarum suntik dengan nilai Sig. sebesar 0,903 diketahui memiliki nilai
yang lebih besar dari 0,05. Sehingga kedua variabel tersebut dapat disimpulkan tidak signifikan secara statistika.
Sehingga, hasil keseluruhan dari di atas, dapat dibuat dalam tabel berikut:
Tabel 4.6 Hasil Pengujian Hipotesis dengan Regresi Logistik
Variabel Hasil
Jenis Kelamin ( ) HIV (Y) Negatif Tidak Signifikan
Sex ( ) HIV (Y) Positif Signifikan
Jarum Suntik ( ) HIV (Y) Positif Tidak Signifikan
Transfusi ( ) HIV (Y) Positif Signifikan
Ibu ke anak ( ) HIV (Y) Positif Signifikan
4.2.5 Model Umum Regresi Logistik
Pada regresi logistik, jika variabel tak bebas memiliki dua kategori, maka disebut regresi logistik biner (binary regression logistic). Namun, jika variabel tak bebas memiliki lebih dari dua kategori, maka disebut regresi logistik multinomial (multinomial/polychotomous logistic regression).
Karena pada kasus ini terdapat 5 variabel bebas, maka bentuk model persamaan regresi logistik biner berganda dengan menggunakan rumus yang terdapat pada persamaan (2.6), menjadi:
( )
( )
Kemudian untuk menghitung peluang atau probabilitas terkena HIV dengan kata lain persamaan regresi logistik untuk menentukan estimasi probabilitas/kemungkinan pasien terkena HIV dengan menggunakan rumus (2.6):
( )
( )
Maka probabilitas pasien untuk terkena penyakit HIV/AIDS di RSUP H.Adam Malik pada tahun 2018 sebesar .
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
1. Analisis regresi logistik dilakukan untuk menemukan, menganalisis, dan mencari tahu faktor-faktor yang paling dominan atas lima faktor yang berpengaruh signifikan dan positif terhadap pasien yang terkena HIV.Dengan demikian, berdasarkan hasil penelitian yang telah dilakukan diketahui:
a. Faktor jenis kelamin memiliki nilai Sig. 0.546 > 0.05, sehingga faktor jenis kelamin tidak berpengaruh signifikan dan tidak positif terhadap pasien yang terkena HIV di RSUP Adam Malik .
b. Faktor sex memiliki nilai Sig. 0.000 < 0.05, sehingga faktor sex berpengaruh signifikan dan positif terhadap terhadap pasien yang terkena HIV di RSUP Adam Malik.
c. Faktor jarum suntik memliki nilai Sig. 0.903 > 0.05, sehingga faktor jarum suntik tidak berpengaruh signifikan, tetapi berpengaruh positif terhadap pasien yang terkena HIV di RSUP Adam Malik. Dengan kata lain, faktor jarum suntik memiliki pengaruh yang tidak cukup besar untuk pasien yang terkena HIV.
d. Faktor tranfusi darah memiliki nilai Sig. 0.000 < 0.05, sehingga faktor transfusi darah berpengaruh signifikan dan positif terhadap terhadap pasien yang terkena HIV di RSUP Adam Malik.
e. Faktor penularan ibu ke anak memiliki nilai Sig. 0.003 < 0.000, sehingga faktor penularan ibu ke anak berpengaruh signifikan dan positif terhadap terhadap pasien yang terkena HIV di RSUP Adam Malik.
2. Probabilitas pasien untuk terkena penyakit HIV/AIDS di RSUP H.Adam Malik Medan pada tahun 2018 sebesar .
5.2 Saran
Perilaku Anak Muda zaman sekarang sangat bebas, semakin bebasnya perilaku banyak anak zaman sekarang yang tertular HIV/AIDS. Ada yang melalui sex bebas, ada juga melalui jarum suntik. Terutama hindari sex bebas karena penularan melalui sex bebas penyebab utama tertularnya HIV/AIDS.
DAFTAR PUSTAKA
Akbar. M.A. 2011. Analisis Regresi Logistik Multinominal untuk Mengetahui Faktor-Faktor Utama yang Mempengaruhi Keputusan Mahasiswa matematika UNM Setelah Selesai S1. Skripsi.
Universitas Negeri Makassar. Makassar.
Agresti, A. dan B. Finlay. 2009. Statistical Methods for the Social Sciences, 4thEdition. United States of America: Prentice Hall.
Damodar N. Gujarati and Dawn C. Porter. 2012. Dasar–dasar Ekonometrika. Jakarta: Salemba Empat.
David W. Hosmer and Stanley Lemeshow. 2000. Applied Logistic Regression. United States of America: Jhon Wiley & Sons, Inc.
Eko Budiarto. 2003. Metodologi Penelitian Kedokteran.
Jakarta: Penerbit Buku Kedokteran EGC.
Field, A. 2009. Discovering Statistics Using SPSS, 3rd Edition.
London: Sage.
Jonathan Sarwono. 2013. Statistik Multivariat, Aplikasi untuk Riset Skripsi. Yogyakarta: CV Andi.
Nirwana. S.R.A. 2015. Regresi Logistik Multinomial dan Penerapannya dalam Menentukan Faktor yang Berpengaruh pada Pemilihan Program Studi di Jurusan Matematika UNM. Skripsi. Universitas Negeri Makassar. Makassar.
Singgih Santoso. 2012. Aplikasi SPSS pada Statistik Multivariat. Jakarta: PT. Elexmedia Komputindo.
Sofyan Yamin, Lien A. Rachmach dan Heri Kurniawaan.
2011. Regresi dan Korelasi dalam Genggaman Anda.
Jakarta: Salemba Empat.
Sudjana. 1992. Metode Statistika. Bandung: Tarsito.
Sugiarto dkk. 2001. Teknik Sampling. Jakarta: PT.
Yasril dan Heru Subaris Kasjono. 2009. Analisis Multivariat untuk Penelitian Kesehatan.
Yogjakarta: Mitra Cendekia.
Output Lampiran
TABEL NILAI CHI KUADRAT
dk Taraf Signifikansi
50% 30% 20% 10% 5% 1%
1 0.455 1.074 1.642 2.706 3.481 6.635 2 0.139 2.408 3.219 3.605 5.591 9.210 3 2.366 3.665 4.642 6.251 7.815 11.341 4 3.357 4.878 5.989 7.779 9.488 13.277 5 4.351 6.064 7.289 9.236 11.070 15.086
6 5.348 7.231 8.558 10.645 12.592 16.812 7 6.346 8.383 9.803 12.017 14.017 18.475 8 7.344 9.524 11.030 13.362 15.507 20.090 9 8.343 10.656 12.242 14.684 16.919 21.666 10 9.342 11.781 13.442 15.987 18.307 23.209
11 10.341 12.899 14.631 17.275 19.675 24.725 12 11.340 14.011 15.812 18.549 21.026 26.217 13 12.340 15.19 16.985 19.812 22.368 27.688 14 13.332 16.222 18.151 21.064 23.685 29.141 15 14.339 17.322 19.311 22.307 24.996 30.578
16 15.338 18.418 20.465 23.542 26.296 32.000 17 16.337 19.511 21.615 24.785 27.587 33.409 18 17.338 20.601 22.760 26.028 28.869 34.805 19 18.338 21.689 23.900 27.271 30.144 36.191 20 19.337 22.775 25.038 28.514 31.410 37.566
21 20.337 23.858 26.171 29.615 32.671 38.932 22 21.337 24.939 27.301 30.813 33.924 40.289 23 22.337 26.018 28.429 32.007 35.172 41.638 24 23.337 27.096 29.553 33.194 35.415 42.980 25 24.337 28.172 30.675 34.382 37.652 44.314
26 25.336 29.246 31.795 35.563 38.885 45.642 27 26.336 30.319 32.912 36.741 40.113 46.963 28 27.336 31.391 34.027 37.916 41.337 48.278 29 28.336 32.461 35.139 39.087 42.557 49.588 30 29.336 33.530 36.250 40.256 43.775 50.892
