BAB 7 ANALISIS DATA PROPORSI
7.5 Contoh Kasus Uji Hipotesis Beda Proporsi dalam
Dua jenis Daun (yang direbus lalu airnya didinginkan dan diberikan untuk cebok) untuk penyembuhan luka perineum sedang diuji untuk menentukan apakah ada perbedaan dalam proporsi reaksi ibu pasca melahirkan dengan luka perineum. Dua puluh dari sampel acak 200 ibu pasca melahirkan dengan luka perineum yang diberi air rebusan Daun A masih mengalami pedih pada luka perineum 30 menit setelah diberi rebusan Daun A yang sudah didinginkan. Dua belas dari sampel acak 200 orang dewasa yang diberi air rebusan Daun B yang sudah didinginkan masih mengalami pedih pada luka perineum menit setelah diberi air rebusan Daun. Uji pada tingkat signifikansi 1%.
Pratiwi Puji Lestari 94 Soal:
Perbedaan proporsi dan bagaimana menguji dua proporsi?
Misalkan A dan B masing-masing adalah subskrip untuk air rebusan Daun A dan daun B. Maka p A dan p B adalah proporsi populasi yang diinginkan.
Variabel Acak: P′ A – P′ B = perbedaan proporsi ibu pasca melahirkan yang tidak bereaksi setelah 30 menit terhadap A dan B.
H 0 : p A = p B p A – p B = 0 H a : p A p B _ p A – p B 0
Distribusi untuk pengujian
Kasus ini merupakan pengujian dua proporsi populasi binomial, distribusinya normal:
= 20+12 200+200
= 0.081 – p C
= 0.92
= [0, √(0.08)(0.92)(1/200 + 1/200)]
= P’A – P’ B Mengikuti Distribusi Normal
Hitung nilai- p menggunakan distribusi normal: nilai- p = 0,1404 Perkiraan proporsi untuk grup A = P’A = 𝒙A/nA = 20/200 = 0.1 Perkiraan proporsi untuk grup B = P’ B = 𝒙B/nB = 12/200 = 0.06 P’A – P’ B = 0,1 – 0,06 = 0,04
Setengah dari nilai p di bawah –0,04, dan setengahnya di atas 0,04.
Bandingkan dan nilai- p : = 0,01 dan nilai- p = 0,1404. < p -nilai.
Buat keputusan: Karena < p -value , jangan tolak H 0.
Pratiwi Puji Lestari 95 Kesimpulan: Pada taraf signifikansi 1%, dari data sampel, tidak cukup bukti untuk menyimpulkan bahwa terdapat perbedaan proporsi ibu pasca melahirkan yang tidak bereaksi setelah 30 menit terhadap Daun A dan Daun B untuk luka perineum.
Pratiwi Puji Lestari 96 DAFTAR PUSTAKA
Buis, M. L. 2020. Analysis of proportions. SAGE Publications Limited.
Chen, H., Stasny, E. A. and Wolfe, D. A. 2005. ‘Ranked set sampling for efficient estimation of a population proportion’, Statistics in medicine. Wiley Online Library, 24(21), pp. 3319–3329.
Derrick, B. et al. 2015. ‘Test statistics for comparing two proportions with partially overlapping samples.’, Journal of Applied Quantitative Methods, 10(3).
Hanlon, B. and Larget, B. 2011. ‘Analysis of variance’, Department of statistic university of Wisconsin-Madison.
Van Harrison, R. et al. 2003. ‘Personalized targeted mailing increases mammography among long-term noncompliant Medicare beneficiaries: a randomized trial’, Medical care. JSTOR, pp. 375–
385.
Palmore, J. A. and Gardner, R. W. 1983. Measuring mortality, fertility, and natural increase: a self-teaching guide to elementary measures.
Honolulu, HI: East-West Population Institute, East-West Center.
Santner, T. J. et al. 2007. ‘Small-sample comparisons of confidence intervals for the difference of two independent binomial proportions’, Computational Statistics & Data Analysis. Elsevier, 51(12), pp. 5791–5799.
Simpson, J. A. 1989. Oxford english dictionary: Vol. 16.
Sistrom, C. L. and Garvan, C. W. 2004. ‘Proportions, odds, and risk’, Radiology. Radiological Society of North America, 230(1), pp.
12–19.
Stephenson, W. R., Froelich, A. G. and Duckworth, W. M. 2010. ‘Using resampling to compare two proportions’, Teaching Statistics.
Wiley Online Library, 32(3), pp. 66–71.
Tango, T. 1998. ‘Equivalence test and confidence interval for the difference in proportions for the paired‐sample design’, Statistics in medicine. Wiley Online Library, 17(8), pp. 891–908.
Rahmawati 97
BAB 8
REGRESI LOGISTIK
Oleh Rahmawati 8.1 Pendahuluan
Regresi logistik pada metode penelitian khususnya bidang kesehatan selalu dijadikan sebagai metode penelitian yang tepat untuk menelaah faktor-faktor yang berhubungan dengan masalah kesehatan.
Sebagai contoh pada penelitian tentang gizi, sebagian besar penelitian ini cenderung memperhatikan masalah ketidakseimbangan antara asupan makanan dan aktivitas fisik, sementara faktor-faktor lainnya yang berpengaruh seperti body image, gender, depresi dan lainnya yang terintegrasi satu sama lain kurang diperhatikan sehingga digunakan uji regresi logistik yang digunakan untuk mengetahui faktor yang paling memiliki pengaruh pada kondisi status gizinya (Ruslie and Darmadi, 2012). Regresi logistik pada bidang kesehatan juga biasanya dipadukan dengan uji Chi-square. Uji Chi-square adalah pengujian statistik yang biasanya digunakan untuk mengetahui bagaimana hubungan antar variabel dependen dan independen secara bivariat, sedangkan uji regresi logistik adalah pengujian statistik untuk menilai variabel independen apa saja yang paling mendominasi berpengaruh secara multivariat. Ketika hasil uji regresi logistik diperoleh, maka dapat disimpulkan bahwa variabel tersebut apakah memiliki risiko lebih besar atau lebih kecil terhadap status kesehatan (Devi, 2010; Ruslie and Darmadi, 2012).
Sehingga, Bab 8 ini mencoba membahas terkait regresi logistik sebagai salah satu metode penelitian di bidang kesehatan pada khususnya, dengan memberikan contoh hasil penelitian yang dirangkum dalam satu Bab pembahasan regresi logistik ini.
8.2 Analisis Regresi Logistik
Analisis regresi merupakan pengujian statistik yang menggunakan dua atau beberapa variabel data, sehingga variabel yang satu dapat diprediksi variabel lainnya. Hal ini dilakukan dengan tujuan
Rahmawati 98 mengetahui pengaruh suatu variabel terhadap variabel lainnya.
Terdapat dua bentuk variabel dalam analisis regresi, yaitu variabel bebas atau independen yang bersifat kategori, atau kontinyu, bahkan bisa gabungan dari keduanya, sedangkan variabel dependen atau terikat bersifat kategori. Variabel independen atau bebas adalah variabel yang dapat diamati nilainya tetapi tidak dapat dikendalikan, sementara variabel dependen adalah variabel yang memiliki nilai yang bergantung pada variabel independen. Hubungan antara satu atau lebih variabel dapat mudah dipahami dengan menggunakan model regresi (Asyiah, 2008; Haloho et al., 2013). Model regresi linier adalah model paling sederhana yang diperoleh dalam bentuk persamaan (Suyono, 2015):
dimana:
Y = variabel dependen (nilai yang diprediksi) X = variabel independen
𝛽0 = konstanta
𝛽1 = koefisien regresi yang memiliki nilai naik atau turun 𝜀 = galat acak
Model regresi ini adalah model yang menjelaskan hubungan antara variabel respon diskrit dan dua nilai atau lebih variabel biner. Dalam kasus variabel biner, metode regresi logistik sering digunakan. Perbedaan utama antara regresi logistik dan regresi linier adalah bahwa variabel terikatnya adalah biner. Model regresi logistik daam bentuk biner adalah model analisis yang biasanya digunakan dalam menentukan apakah ada hubungan antara variabel respon dan beberapa dari variabel prediktor. Variabel prediktor adalah nominal atau ordinal (kualitatif) dan rasio atau interval (kuantitatif), dan variabel respon adalah data dikotomi berbentuk kategorik. Skala dikotomi adalah skala yang menggunakan dua kategori yang berbentuk skala data nominal misalnya menggunakan kata ya dan tidak, baik dan kurang, atau panjang dan pendek (Hosmer and Lemeshow, 2000; Asyiah, 2008;
Tampil et al., 2017; Tulong et al., 2018).
Rahmawati 99 Variabel terikat berskala biner pada regresi logistik meggunakan peubah 𝑦𝑖 dalam dua katagori yaitu bernilai 0 dan 1, sehingga peubah 𝑦𝑖 ini memiliki parameter π(x) yang mengikuti sebaran Bernoulli, sebagai berikut (Agresti, 2007):
dimana:
𝜋𝑖 = peluang mengalami ke-i
𝑦𝑖 = peubah yang diacak ke-i berupa nilai 0 dan 1
Model regresi logistik dapat dilihat pada bentuk uji statistik berikut (Agresti, 2007):
Persamaan 𝜋(x) ditransformasikan agar memudahkan estimasi parameter regresi, sehingga diperoleh suatu bentuk logit dari regresi logistik berikut (Tampil et al., 2017):
8.3 Estimasi Parameter Model Regresi Logistik
Estimasi paramater dalam regresi logistik perlu dicari untuk memperoleh hasil persamaan regresi logistik, karena hal tersebut digunakan agar dapat memprediksi nilai dari variabel dependen.
Ada beberapa metode yang digunakan dalam melakukan perkiraan parameter model regresi logistik. Yaitu, metode kemungkinan maksimum (maximum likelihood Estimation/MLE), kuadrat terkecil berbobot tidak berulang (noniterative weighted least sqyares method), dan analisis fungsi diskriminan (discriminant function analysis). Salah satu metode yang paling umum digunakan di sebagian besar dalam aplikasi program komputer misalnya SPPS untuk melakukan analisis regresi logistik adalah MLE. MLE ini digunakan untuk penyelesaian estimasi parameter yang belum diketahui. Metode MLE ini secara sistematis digunakan dalam
Rahmawati 100 penentuan parameter yang dapat memberi nilai pada estimasi dari nilai 𝛽 bertujuan untuk memperoleh hasil maksimum dari fungsi likelihood (Asyiah, 2008; Tampil et al., 2017).
Adapun fungsi likelihood pada model regresi logistik biner dapat dilihat seperti berikut (Hosmer and Lemeshow, 2000):
dimana:
𝑦𝑖 = observasi pada variabel ke-i
𝜋(𝑥𝑖) = peluang untuk variabel prediktor ke-i
Pendekatan pada log likelihood digunakan agar memudahkan dalam melakukan perhitungan yang dapat didefinisikan sebagai berikut (Hosmer and Lemeshow, 2000):
Pembuatan pada turunan pertama L (𝛽) terhadap nilai 𝛽
dan disamakan dengan angka 0 adalah cara yang dilakukan untuk memperoleh nilai penafsiran dari koefisien regresi logistik 𝛽.
8.4 Uji Model Regresi Logistik
Uji model regresi logistik biasanya digunakan untuk mendapatkan probabilitas terjadinya variabel respon atau terikat (dependen). Oleh karena itu, variabel bebas (independen) atau variabel prediktor digunakan untuk mengetahui pengaruhnya terhadap variabel dependen atau respon sehingga dilakukan uji signifikansi secara keseluruhan atau serentak dan secara individual (Suharjo, 2008; Haloho et al., 2013).
8.4.1 Uji Signifikansi Secara Keseluruhan
Uji keseluruhan menggunakan uji model Chi-square (Haloho et al., 2013). Uji signifikansi parameter dilakukan sebelum membentuk model regresi logistik. Uji signifikansi secara keseluruhan dilakukan sebagai pengujian pertama untuk melihat peran pada model secara keseluruhan. Adapun bentuk hipotesisnya seperti berikut:
Rahmawati 101 H0: bermakna β1 =β2 =···=β𝑖 =0 (model yang tidak berarti)
H1: bermakna paling sedikit koefisien dari 𝛽𝑖 = 0 (model yang berarti)
𝑖 = 1, 2 , ···, p.
Adapun uji statistiknya yaitu uji G atau Likelihood Ratio Test yang dijabarkan sebagai berikut:
Nilai G mengikuti distribusi Chi-square. Oleh karena itu, dihasilkan suatu keputusan dengan melakukan perbandingan dengan nilai𝜒2tabel yang memiliki derajat bebas (db) = k-1, k adalah berbagai variable independen atau prediktor yang dimiliki.
Kriteria penolakannya yaitu tolak 𝐻0, jika nilai 𝐺 ≥ 𝜒2(𝑑𝑏,𝛼) atau jika memiliki p-value ≤ (Tampil et al., 2017).
8.4.2 Uji Signifikansi Secara Individual
Uji signifikansi secara individual juga disebut sebagai pengujian parsial. Pengujian ini digunakan pada pengujian pengaruh setiap 𝛽𝑖 dalam model yang diperoleh. Hasil pengujian variabel secara parsial ini menggunakan Wald Test (W). Wald Test akan menunjukkan bahwa suatu variabel independen atau prediktor berhak untuk masuk dalam bentuk pemodelan atau tidak (Agresti, 2007). Adapun bentuk hipotesis untuk setiap variabelnya adalah sebagai berikut (Tampil et al., 2017):
H0 : βi = 0 (koefisien logit tidak bermakna terhadap model) H1 : βi = 0 (koefisien logit bermakna terhadap model)
Adapun statistik uji:
Rahmawati 102
Dimana: :
𝑆𝐸(𝛽 𝑖) = dugaan galat baku untuk koefisien 𝛽𝑖 𝛽 𝑖 = nilai dugaan untuk parameter (𝛽𝑖)
Nilai kuadrat dari W mengikuti distribusi Chi-square dengan derajat bebas (db) = 1. Jika W2 ≥χ2(1,α) atau p-value ≤α maka H0 ditolak, dan H1 diterima. βˆi merupakan nilai dari parameter regresi yang diestimasikan, dan SE (βˆi) merupakan standard error (Nachrowi and Usman, 2002; Tampil et al., 2017).
8.4.3 Uji Kesesuaian Model
Setelah memperoleh model regresi logistik yang diestimasikan, maka uji kesesuaian model dilakukan. Goodness of Fit adalag uji statistik yang digunakan dallam mengujia keesuaian model regresi logistik (Hosmer and Lemeshow, 2000). Statistik Goodness of Fit sebagai berikut:
Interpretasi model dalam model regresi logistik adalah nilai odds ratio. Odds ratio atau rasio peluang adalah kumpulan dari berbagai peluang yang dibagi dengan peluang lainnya (Mahmudin et al., 2014).
Statistik nilai odds ratio dapat dilihat sebagai berikut (Hosmer and Lemeshow, 2000).
Nilai ψ = 1 menunjukkan bahwa kedua variable tidak memiliki hubungan. Nilai ψ < 1, menunjukkan bahwa antara kedua variabel memilik hubungan namun negatif pada perubahan skala kategori dari hasil nilai x. Nilai 𝜓 >1 menunjukkan bahwa kedua variabel memiliki hubungan namun positif pada perubahan kategori dari nilai x (Tampil et al., 2017).
Rahmawati 103
8.5 Contoh Penelitan Regresi Logistik
Contoh penelitian yang menggunakan regresi logistik sudah sangat banyak, terutama pada penelitian di bidang Kesehatan.
Salah satu contoh penerapan regresi logistik yaitu penelitian yang menggunakan ibu hamil untuk menghasilkan pengukuran risiko anemia dengan status gizi ibu hamil dalam penelitian Suhardi and Fadila (2016), yang dapat dijabarkan secara ringkas langkah- langkah dalam penjabarannya agar mudah dipahami sebagai berikut:
Status anemia ibu hamil sebagai variabel dependen (respon), sedangkan status gizi sebagai variabel independen (prediktor). Semua variabel tersebut kemudian memiliki dua skala kategori yaitu kelompok ibu hamil yang kadar Hbnya normal dan kelompok ibu hamil yang kadar Hb anemia (abnormal). Metode Cyanmethemoglobin digunakan untuk menentukan status Hb ibu hamil. Adapun ambang batas Hb ibu hamil dikatakan normal jika hasil Hbnya 11,0 g/dl. Sementara dalam pengukuran status gizi digunakan standar LILA (Lingkar Lengan Atas) dimana status gizi dalam kondisi normal jika memiliki ukuran LILA= 23,5 cm dan tidak normal (KEK), jika memiliki ukuran LILA <23,5 cm).
Tabel 8.1 : Probabilitas logistik untuk nilai respon dan prediktor
Dalam penelitian ini, model regresi logistik dirancang untuk menentukan hubungan berupa risiko Kesehatan ibu hamil yaitu anemia dengan status gizi yang dimiliki. Sehingga, dalam memudahkan memperoleh data maka Tabel 8.1 diperlihatkan untuk menentukan probabilitas logistik untuk respon dan prediktor (Tabel 8.1).
Rahmawati 104 Tabel 8.1 dapat dijelaskan bahwa skala dependen atau respon (y) maupun skala independent atau prediktor (x) yaitu kode 0 dan 1. Kedua skala tersebut digunakan untuk menghasilkan odds ratio (OR) yang dapat lebih dipahami dalam Tabel 8.2.
Tabel 8.2 : Hasil observasi kondisi anemia dengan gizi ibu hamil dan perolehan hasil analisis Odds Ratio (OR)
Hasil interpretasi pada Tabel 8.2 diperoleh dari penyarian output SPSS. Pada dasarnya, regresi logistik selain digunakan untuk melihat risiko dengan menggunakan odds ratio, juga digunakan dalam memperoleh hasil prevalensi yang memudahkan dalam penelitian di bidang Kesehatan agar mendapatkan informasi berharga dalam penentuan kasus di suatu wilayah yang mengalami masalah Kesehatan.
Dari Tabel 8.2 tersaji bahwa sekitar 51,7% ibu hamil yang mengalami anemia memiliki status gizi baik, sedangkan 24,2%
diperoleh pada ibu hamil non anemia (normal). Sementara 20,8%
ibu hamil yang anemia mengalami status gizi kurang (KEK), dan hanya 3,3% diperoleh pada ibu hamil non anemia (normal).
Sehingga secara keseluruhan, prevalensi anemia mencapai 72,7%
yang berarti masih tergolong tinggi sesuai WHO (40% atau di atasnya).
Jika dilihat seksama, insiden terjadinya anemia pada ibu hamil terjadi dikedua kondisi yaitu pada gizi baik (51,7%) dan gizi kurang (20,8%), dan terlihat bahwa masalah anemia pada gizi baik cenderung lebih tinggi daripada yang memiliki kondisi gizi kurang.
Namun, hasil perbandingan ibu hamil yang mengalami anemia
Rahmawati 105 dengan ibu hamil yang normal pada kategori gizi baik adalah 2,14 yang diperoleh dari hasil 51,7% : 24,3%, sedangkan pada gizi kurang diperoleh hasil perbandingan 6,25 dari hasil 20,8% : 3,3%.
Hal ini dapat disimpulkan bahwa baik dalam keadaan gizi baik maupun kurang memiliki peluang terjadinya risiko anemia. Akan tetapi, risiko anemia cenderung lebih tinggi pada ibu hamil yang memiliki status gizi kurang. Hal tersebut dapat dilihat pada perbandingan risiko OR yang diperoleh yaitu 6,25:2,41 = 2,92 yang menunjukkan bahwa ibu hamil dengan kondisi status gizi yang kurang (KEK) 2,9 kali lebih tinggi memiliki risiko anemia dibanding statu gizi normal. Rasio risiko ini sangat besar, hampir tiga kali lipat, sehingga status gizi berperan penting dalam mempengaruhi kesehatan ibu hamil yang tidak berisiko anemia.
Hasil OR kemudian dilakukan uji signifikansi dengan menggunakan menggunakan Wald Test (W) terlihat bahwa hasil koefisien pada regresi yaitu β1 1,073 atau OR 2,92 dan mempunyai p-value 0,066. Hal tersebut menyimpulkan bahwa hasilnya signifikan dalam taraf α = 10% (Tabel 8.3). Artinya, kasus anemia ibu hamil berkaitan atau berpengaruh pada kondisi status gizinya.
Tabel 8.3 menunjukkan estimasi determinasi (R2), terlihat bahwa hasilnya adalah 3,3% atau 4,7% yang diperoleh dari dua versi hitungan R2. Sehingga disimpulkan bahwa kondisi anemia pada ibu hamil tergantung pada status gizinya. Meksipun kecil dilihat dari nilai sumbangannya, namun selama koefisien dari regresi β1 tidak memperoleh angka nol yang secara statistik tetap terbukti secara empiris.
Tabel 8.3 : Hasil analisis regresi logistik pada anemia ibu hamil
Analisis lanjut pada Tabel 8.4 menunjukkan bahwa status anemia pada ibu hamil berhubungan dengan status gizinya dilihat dari hasil Chi-square yaitu 3,60. Hasil uji independensi terlihat memilih hasil
Rahmawati 106 bermakna (signifikan) pada taraf α = 10% atau p-value dengan nilai yang diperoleh adalah 0,058. Hasil model analisis kontingensi memperoleh nilai adjusted residualnya -1,90 dan 1,90, atau kisaran - 1,96 sampai 1,96 pada taraf uji dengan α = 5%.
Tabel 8.4 : Hasil analisis status anemia dengan status gizi ibu hamil dari tabel kontingensi
Tabel 8.3 dan 8.4 menunjukkan bahwa kedua hasil analisis yaitu analisis regresi logistik dan tabel kontingensi, keduanya memperlihatkan adanya hubungan antara status anemia pada ibu hamil dengan status gizinya. Hasil uji signifikansi untuk koefisien pada regresi dan Chi-square untuk independensi terlihat hasil tingkat signifikansi yang sama. Oleh karena itu, model regresi logistik berupa statistic OR dalam penelitian dunia kesehatan, dalam hal ini peran status gizi pada ilustrasi di atas dapat menentukan kesehatan ibu hamil dan derajat risiko terjadinya anemia.
Rahmawati 107 DAFTAR PUSTAKA
Agresti, A., 2007. Introduction to Categorical Data Analysis. John Wiley & Sons, Inc, United States.
Asyiah, N., 2008. Regresi Logistik dan Penerapannya Dalam Bidang Kesehatan.
Devi, M., 2010. Analisis Faktor-Faktor Yang Berpengaruh Terhadap Status Gizi Balita Di Pedesaan. Teknologi dan Kejuruan.
33(2),183-192.
Haloho, O., Sembiring, P., Manurung, A., 2013. Penerapan Analisis Regresi Logistik Pada Pemakaian Alat Kontrasepsi Wanita.
Saintia Matematika 1(1), 51–56.
Hosmer, D.W., Lemeshow, S., 2000. Applied Logistic Regression, Second Edition. John Wiley & Sons, Inc.
Mahmudin, M.Z., Rindengan, A., Weku, W., 2014. Penggunaan Association Rule Data Mining Untuk Menentukan Pola Lama Studi Mahasiswa F-MIPA UNSRAT. d'CARTESIAN. 3(1).
https://doi.org/10.35799/dc.3.1.2014.3777
Nachrowi, D.N., Usman, H., 2002. Penggunaan Teknik Ekonometri.
PT. Raja Grafindo Persada, Jakarta.
Ruslie, R.H., Darmadi, D., 2012. Analisis Regresi Logistik Untuk Faktor-Faktor Yang Mempengaruhi Status Gizi Remaja. MKA 1(36), 62-72. https://doi.org/10.22338/mka.v36.i1.p62- 72.2012
Suhardi, D.A., Fadila, I., 2016. Penerapan Regresi Logistik Biner Untuk Mengukur Resiko Anemia Dengan Status Gizi Ibu Hamil. Jurnal Matematika 17(1), 50-59.
Suharjo, B., 2008. Analisis Regresi Terapan. Graha Ilmu, Yogyakarta.
Suyono, 2015. Analisis Regresi untuk Penelitian. Deepublish, Yogyakarta.
Tampil, Y., Komaliq, H., Langi, Y., 2017. Analisis Regresi Logistik Untuk Menentukan Faktor-Faktor Yang Mempengaruhi Indeks Prestasi Kumulatif (IPK) Mahasiswa FMIPA Universitas Sam Ratulangi Manado. dC 6, 56.
https://doi.org/10.35799/dc.6.2.2017.17023
Rahmawati 108 Tulong, M., Mongi, C., Mananohas, M., 2018. Regresi Logistik Multinomial Untuk Menentukan Faktor-Faktor Yang Mempengaruhi Pilihan Perguruan Tinggi Pada Siswa SMA dan SMK di Pulau Karakelang Kabupaten Kepulauan Talaud.
dC 7, 90. https://doi.org/10.35799/dc.7.2.2018.21456
109 BIODATA PENULIS
Darwel, S.K.M, M.EPID
Dosen Jurusan Kesehatan Lingkungan Poltekkes Kemenkes Padang Penulis lahir di Manganti Lima Puluh Kota Sumatera Barat.
Penulis adalah dosen tetap sekaligus sebagai Ketua Program Studi Sarjana Terapan Sanitasi Lingkungan Poltekkes Kemenkes Padang.
Menyelesaikan pendidikan S2 Epidemiologi FKM UI tahun 2012 dan menekuni bidang Epidemiologi dan Kesehatan Lingkungan.
Pengalaman mengajar mata kuliah bidang epidemiologi, metodologi penelitian, statistik kesehatan, sanitasi rumah sakit, mikrobiologi lingkungan, manajemen data, penyakit berbasis lingkungan, dan lain-lain. Pengalaman menulis buku ajar Kesehatan Lingkungan Teori Dan Aplikasi, Manajemen Data Statistik Untuk Penelitian Kesehatan dan Epidemiologi Lingkungan.
Penulis merupakan Bendahara Organisasi Profesi HAKLI Sumbar, juga sebagai Wakil Ketua OP PAEI Sumbar. Penghargaan yang pernah diperoleh penulis adalah sebagai Dosen Berprestasi Poltekkes Kemenkes Tingkat Nasional tahun 2020 dan prestasi publikasi Jurnal Internasional Terindek Scopus tahun 2021.
110 BIODATA PENULIS
Dr. Musdalifah Syamsul, S.KM., M.Kes
Dosen pada Sekolah Tinggi Ilmu Kesehatan (STIKES) Salewangang Maros
Penulis lahir di Ujung Pandang tanggal 14 Januari 1981.
Lulus S1 di Jurusan Epidemiologi dan Biostatistik, Program Studi Kesehatan Masyarakat. Sekolah Tinggi ilmu Kesehatan (STIK) Tamalatea tahun 2003, lulus S2 di Jurusan Epidemiologi Fakultas Kesehatan Masyarakat Universitas Hasanuddin (UNHAS) tahun 2011. Saat ini bekerja sebagai dosen pada Sekolah Tinggi Ilmu Kesehatan (STIKES) Salewangang Maros.
Penulis pernah mengikuti Peningkatan Kualitas Publikasi International (Sandwich-Like) di University of Queensland tahun 2016. Sebagai presenter pada International Conference di UNM.
Berbagai tulisannya sudah termuat di berbagai jurnal baik nasional maupun international. Salah satu tulisannya tentang The Roles of family in Preventing Dengue Fever in Regency of Maros, South Sulawesi, Indonesia telah dimuat pada IOP Conference Series, edisi Juni 2018.
111 BIODATA PENULIS
apt. Pratiwi Ramlan, S.Farm., M.AP
Dosen tetap pada Program Studi Administrasi Kesehatan Fakultas Ilmu Kesehatan, Universitas Muhammadiyah Sidenreng
Rappang
Penulis lahir di Parepare tanggal 29 April 1986. Penulis adalah dosen tetap pada Program Studi Administrasi Kesehatan Fakultas Ilmu Kesehatan, Universitas Muhammadiyah Sidenreng Rappang. Menyelesaikan pendidikan S1 pada Jurusan Farmasi Universitas Muslim Indonesia (2008), Program Apoteker di Universitas Islam Indonesia (2009) dan melanjutkan S2 pada Jurusan Administrasi Publik pada STISIP Muhammadiyah Sidrap (2017).
112 BIODATA PENULIS
Mohammad Ardani Samad
Dosen tetap di Institut Ilmu Kesehatan Pelamonia Makassar Program Studi Administrasi Rumah Sakit
Penulis lahir di Ujung Pandang pada tanggal 18 Juli 1989.
Penulis merupakan dosen tetap di Institut Ilmu Kesehatan Pelamonia Makassar Program Studi Administrasi Rumah Sakit.
Penulis telah menyelesaikan pendidikan S2 di Magister Pendidikan Matematika Universitas Negeri Makassar.
113 BIODATA PENULIS
Rizma Adlia Syakurah
Dosen tetap di Fakultas Kesehatan Masyarakat, Universitas Sriwijaya Penulis lahir di Palembang pada tanggaal 30 Januari 1986.
Penulis merupakan dosen tetap di Fakultas Kesehatan Masyarakat, Universitas Sriwijaya. Penulis telah menyelesaikan pendidikan S3 bidang Kesehatan di Universitas Gadjah Mada.
114 BIODATA PENULIS
Nurmulia Wunaini Ngkolu, SKM., M.Kes
Dosen di Program Studi Administrasi Rumah Sakit Institut Ilmu Kesehatan (IIK) Pelamonia
Nurmulia Wunaini Ngkolu, SKM., M.Kes lahir di Ujung Pandang, Sulawesi Selatan pada tanggal 10 Februari 1989. Bekerja sebagai dosen di Program Studi Administrasi Rumah Sakit Institut Ilmu Kesehatan (IIK) Pelamonia. Lulus pendidikan Strata Satu (S-1) pada tahun 2011 Konsentrasi Epidemiologi di Fakultas Kesehatan Masyarakat Universitas Hasanuddin, Makassar, Provinsi Sulawesi Selatan dan lulus pendidikan Strata Dua (S-2) pada tahun 2014 Konsentrasi Epidemiologi di Fakultas Kesehatan Masyarakat Universitas Hasanuddin, Makassar, Provinsi Sulawesi Selatan.