Abstrak—Kehamilan adalah fase penting dalam kehidupan perempuan yang memerlukan perhatian khusus terhadap kesehatan ibu hamil. Berdasarkan laporan WHO, sekitar 287.000 kematian ibu terjadi secara global pada tahun 2020.
Tingginya Angka Kematian Ibu (AKI) di Indonesia, yaitu 305 per 100.000 kelahiran hidup, mencerminkan perlunya deteksi dini risiko kehamilan untuk mengurangi komplikasi yang berbahaya. Faktor-faktor seperti usia ibu, kadar gula darah, suhu tubuh, dan detak jantung berperan signifikan dalam menentukan risiko kehamilan. Penelitian ini bertujuan untuk mendeskripsikan karakteristik faktor-faktor yang memengaruhi risiko kehamilan, mengevaluasi asumsi statistik yang diperlukan, serta mengidentifikasi variabel yang signifikan dalam membedakan tingkat risiko kehamilan. Hasil penelitian ini diharapkan dapat memberikan manfaat dalam meningkatkan deteksi dini risiko kehamilan, mendukung kesehatan ibu dan anak, serta mendapat wawasan penerapan metode statistik di bidang kesehatan. Metode penelitian menggunakan analisis diskriminan untuk mengklasifikasikan tingkat risiko kehamilan (rendah, sedang, tinggi) berdasarkan variabel prediktor, yaitu usia ibu, kadar gula darah, suhu tubuh, dan detak jantung. Data yang digunakan adalah data sekunder dari dataset "Maternal Health Risk Data" yang terdiri dari 1.014 observasi. Langkah analisis mencakup karakteristik data, pengujian asumsi statistik, analisis diskriminan, interpretasi hasil, serta penarikan kesimpulan dan saran. Hasil analisis diskriminan menunjukkan adanya perbedaan rata-rata yang signifikan pada usia ibu hamil, kadar gula darah, suhu tubuh, dan detak jantung terhadap tingkat risiko kehamilan.
Fungsi diskriminan 1 lebih baik, di mana kadar gula darah menjadi faktor utama pembeda, sementara suhu tubuh dominan pada fungsi diskriminan 2. Model memiliki ketepatan klasifikasi sebesar 58,19%, berhasil mengklasifikasikan 590 dari 1014 observasi tingkat risiko kehamilan dengan benar.
Kata Kunci— Analisis Diskriminan, Detak Jantung Istirahat Normal, Kadar Gula Darah, Suhu Tubuh, Tingkat Risiko Kehamilan, Usia Ibu Hamil
I. PENDAHULUAN
ehamilan merupakan salah satu fase penting dalam kehidupan seorang perempuan yang memerlukan perhatian khusus, terutama terkait kondisi kesehatan ibu hamil. Namun, berdasarkan laporan kesehatan oleh World Health Organization (WHO) menyebutkan bahwa hampir 800 wanita meninggal setiap hari akibat penyebab yang dapat dicegah terkait kehamilan dan persalinan. Pada tahun 2020, sekitar 287.000 kematian ibu tercatat, dengan hampir 95%
terjadi di negara-negara berpenghasilan rendah dan menengah [1]. Secara global, komplikasi kehamilan seperti gestasional, preeklamsia, dan infeksi telah menjadi penyebab utama morbiditas dan mortalitas ibu serta bayi baru lahir.
Sedangkan, faktor-faktor seperti usia ibu, kadar gula darah, dan suhu tubuh diketahui berkontribusi terhadap peningkatan risiko komplikasi [2]. Namun, identifikasi dini risiko pada kehamilan sering kali menjadi kendala di berbagai negara, terutama wilayah dengan keterbatasan fasilitas medis yang memadai. Masalah tersebut semakin kompleks di Indonesia yang memiliki Angka Kematian Ibu (AKI) yang tinggi.
Tercatat AKI di Indonesia kurang lebih 305 dari 100.000 kelahiran hidup. Angka tersebut merepresentasikan masalah serius dalam kesehatan maternal di negara Indonesia dan Indonesia sendiri menempati peringkat ketiga tertinggi dalam kasus AKI di ASEAN setelah Myanmar dan Laos [3].
Mempertimbangkan faktor-faktor menyebabkan peningkatan risiko komplikasi pada kehamilan, maka diperlukan analisis agar dapat mengatasi permasalahan tersebut.
Analisis diskriminan adalah teknik statistika multivariat terkait dengan pemisahan atau alokasi/klasifikasi (classification) sekelompok objek ke dalam kelompok yang telah terlebih dahulu didefinisikan [4]. Tujuan dari analisis diskriminan, antara lain mengetahui perbedaan yang jelas antar grup pada variabel dependen, menentukan variabel independen yang memberikan sumbangan terbesar terhadap terjadinya perbedaan antarkelompok, membuat fungsi atau model diskriminan yang dapat membedakan pengelompokkan variabel dependen, dan melakukan klasifikasi terhadap objek ke dalam kelompok [5]. Penelitian ini menggunakan tingkat risiko kehamilan sebagai variabel respon. Variabel prediktor, antara lain usia ibu hamil, kadar gula darah, suhu tubuh, dan detak jantung istirahat normal.
Penelitian ini menggunakan analisis diskriminan karena metode ini mampu memanfaatkan hubungan antara variabel prediktor, yaitu usia, kadar gula darah, dan suhu tubuh, untuk memisahkan kelompok berdasarkan level risiko kehamilan.
Metode ini juga efektif untuk menentukan kontribusi masing- masing variabel dalam membedakan kelompok risiko rendah, sedang, dan tinggi. Dengan metode ini, diharapkan hasil penelitian dapat memberikan wawasan tambahan tentang pentingnya pemantauan kondisi ibu hamil melalui pendekatan statistik yang berbasis data. Analisis diskriminan juga dipilih karena fleksibilitasnya dalam menangani data dengan jumlah kelompok lebih dari dua, yang sesuai dengan kebutuhan penelitian ini untuk mengelompokkan risiko kehamilan ke dalam beberapa kategori.
Penelitian sebelumnya di bidang kesehatan menggunakan metode serupa dilakukan oleh [6]. Skripsi tersebut membahas faktor internal dan eksternal yang menentukan kategori berat lahir bayi di Kecamatan Tajinan pada Januari hingga Desember 2016. Berdasarkan hasil analisis yang dilakukannya, didapatkan hasil bahwa prediktor yang
Analisis Diskriminan untuk Mengidentifikasi Faktor-Faktor yang Memengaruhi Tingkat
Risiko Kehamilan
Nurfajriyani1), Dewi Putri Sekar Sari2), Talitha Fitri Rif’atila3), Albertus Eka Putra Haryanto4), Sri Pingit Wulandari5)
Departemen Statistika Bisnis, Institut Teknologi Sepuluh Nopember (ITS) e-mail: [email protected]
K
berpengaruh signifikan terhadap kategori berat lahir bayi yaitu usia ibu, usia ayah, berat ibu, jumlah anak, lama pendidikan ibu, dan jumlah konsultasi ke dokter/bidan selama masa kehamilan. Hasil analisis diskriminan yang didapatkan dapat melakukan klasifikasi cukup baik, yakni sebesar 65,1%, sedangkan 34,9% belum dapat dijelaskan oleh fungsi diskriminan.
Penelitian ini bertujuan untuk mendeskripsikan karakteristik data terkait faktor-faktor yang memengaruhi risiko kehamilan, mengevaluasi pemenuhan asumsi yang diperlukan dalam analisis diskriminan, serta mengidentifikasi variabel yang signifikan dalam membedakan kelompok risiko. Manfaat penelitian ini bagi penulis adalah dapat menerapkan metode statistik khususnya metode analisis diskiriminan dibidang kesehatan. Bagi pembaca, penelitian ini memberikan pemahaman tentang pentingnya deteksi dini risiko kehamilan. Sedangkan bagi kementerian kesehatan, hasil penelitian ini dapat digunakan sebagai dasar dalam menyusun kebijakan kesehatan ibu dan anak.
II. TINJAUANPUSTAKA A. Statistika Deskriptif
Statistika adalah suatu ilmu yang digunakan untuk mengumpulkan, menganalisis, menginterpretasi, dan menarik kesimpulan dari satu set data. Sedangkan, statistika deskriptif adalah suatu prosedur statistika yang berfungsi untuk mengatur, meringkas, dan menjadikan data mudah dipahami. Statistika deskriptif terdiri dari tiga jenis, yaitu ukuran frekuensi, ukuran pemusatan (mean, median, modus), dan ukuran penyebaran (variance, standart deviation, standart error, quartile, interquartile range, percentile, range, dan coeeficient of variation) [7].
B. Asumsi Analisis Diskriminan
Terdapat beberapa asumsi dalam analisis diskriminan yang harus dipenuhi meliputi uji independensi, uji distribusi normal multivariat, dan uji homogenitas varians kovarians [8].
1. Uji Independensi
Uji independensi digunakan untuk mengetahui ada tidaknya hubungan antar dua variabel yang telah ditetapkan [9]. Uji Bartlett adalah prosedur inferensial yang digunakan untuk menilai kesetaraan varians dalam populasi yang berbeda. Dalam beberapa kasus, pelanggaran asumsi ini mungkin tidak memengaruhi kesimpulan peneliti secara substantif, namun dalam kasus lain, pelanggaran asumsi ini dapat berdampak signifikan terhadap hasil penelitian() [10].
Pengujian asumsi independensi menggunakan uji Bartlett dijelaskan sebagai berikut.
Hipotesis :
H0 : 𝝆 = 𝑰 (Matriks korelasi identik dengan matriks identitas atau antar variabel independen
H1 : 𝝆 ≠ 𝑰 (Matriks korelasi tidak identik dengan matriks identitas atau antar variabel dependen
Taraf Signifikan : α
Daerah kritis : Tolak H0 jika χ2 > χ2(α;df) atau P-value < α Statistik uji :
𝜒2= (ln 𝑛)[𝐵 − ∑𝑝𝑘=1𝑑𝑘ln 𝑠𝑘2] (1) 𝐵 = ∑𝑝𝑘=1𝑑𝑘ln 𝑠𝑘2 (2)
𝑠2=∑ 𝑑𝑘𝑠𝑘
𝑝 2 𝑘=1
∑𝑝 𝑑𝑘 𝑘=1
(3) Keterangan :
n = jumlah data
𝑠k2 = varians data variabel ke-k
𝑑𝑘 = derajat kebebasan untuk variabel ke-k 2. Uji Distribusi Normal Multivariat
Uji normalitas dimaksudkan untuk mendeteksi data memenuhi asumsi normalitas atau tidak. Uji normalitas pada dasarnya melakukan perbandingan antara data yang dimiliki dengan data yang berdistribusi normal memiliki nilai rata-rata dan standar deviasi yang sama dengan data yang diujikan [11]. Untuk memeriksa data berdistribusi normal multivariat, dapat dilihat dari Q-Q plot antara square distance (dj2) dengan nilai quartile dari distribusi χ2 (r−0,5
n ). Jika hasil plot menggambarkan garis lurus maka data tersebut dapat dinyatakan sebagai normal multivariat [12]. Adapun hipotesis yang digunakan untuk uji asumsi distribusi normal multivariat adalah sebagai berikut.
Hipotesis :
H0 : Data berdistribusi normal multivariat H1 : Data tidak berdistribusi normal multivariat Taraf Signifikan : α
Daerah kritis : Tolak H0 jika rq < r(n;α) atau P-value > α Statistik uji :
𝑟𝑞 = ∑ (𝑥𝑗−𝑥̅)(𝑞𝑗−𝑞̅)
𝑛𝑗=1
√∑𝑛𝑗=1(𝑥𝑗−𝑥̅)2√∑𝑛𝑗=1(𝑞𝑗−𝑞̅)2
(4) Keterangan :
rq = koefisien korelasi pearson antara mahalanobis dan quartile
xj = nilai mahalanobis data ke-j 𝑥̅ = rata-rata nilai mahalanobis qj = nilai quartile dari data ke-j 𝑞̅ = rata-rata nilai quartile
3. Uji Homogenitas Varians Kovarians (Box’s M)
Pemeriksaan kesamaan matriks varians kovarians antara dua populasi atau lebih dilakukan dengan Box’s M [12]. Uji homogenitas diperlukan untuk mengetahui data bersigat homogen atau tidak. Selain itu, untuk mengetahui sampel berasal dari populasi yang sama atau tidak pada matriks varians kovarians.
Hipotesis :
H0 :𝛴1= 𝛴2=. . . = 𝛴𝑖= 0 (Matriks varians kovarians homogen).
H1 :minimal satu 𝛴𝑖≠ 0 (Matriks varians kovarians heterogen)
Taraf Signifikan : α
Daerah kritis : Tolak H0 jika F > F(α; df1; df2) atau P-value < α Statistik Uji :
𝑀 = (𝑛 − 𝑘)|𝑠| − ∑𝑗𝑗=1(𝑛𝑗− 1)𝑙𝑛|𝑠𝑗| (5) Keterangan :
k = jumlah kelompok n = jumlah observasi
s = matriks kovarians gabungan 𝑠𝑗 = matriks kovarian kelompok ke-j C. Analisis Diskriminan
Analisis diskriminan adalah teknik statistik yang digunakan untuk memahami perbedaan kelompok berdasarkan kombinasi linier dari variabel prediktor. Dengan analisis memungkinkan untuk melakukan prediksi atau klasifikasi individu dalam kelompok berdasarkan seperangkat variabel pembeda, yaitu variabel independen [8].
1. Uji Kesamaan Vektor Rata-Rata
Pengujian terhadap perbedaan vektor rata-rata dapat dipandang sebagai pengujian terhadap signifikansi dari pemisahan yang akan dicapai [13].
Hipotesis :
H0 : 1 = 2 = . . . = k (pernyataan yang diteliti tidak memiliki perbedaan antar kelompok)
H1 : 1 ≠ 2 ≠ . . . ≠ k (pernyataan yang diteliti memiliki perbedaan antar kelompok)
Statistik uji :
A = |𝑊|
|𝑊+𝐵| (6) 𝑊 = ∑𝑘𝑖=1∑𝑛𝑗=1𝑖 (𝑥𝑖𝑗− 𝑥̅𝑖)(𝑥𝑖𝑗− 𝑥̅𝑖)′ (7)
𝐵 = ∑𝑘𝑖=1𝑛𝑖(𝑥̅𝑖− 𝑥̅)(𝑥̅𝑖− 𝑥̅)′ (8) Keterangan :
𝑥𝑖𝑗 = pengamatan ke-j kelompok ke-i 𝑥
̅𝑖 = vektor rata-rata kelompok ke-i
𝑛𝑖 = banyak pengamatan pada kelompok ke-i 𝑥
̅ = vector rata-rata total 2. Kebaikan Model
Kebaikan fungsi diskriminan ditunjukkan oleh eigenvalue. Semakin besar eigenvalue, maka semakin baik fungsi yang dihasilkan. Eigenvalue merupakan rasio antara jumlah kuadrat antarkelompok dengan jumlah kuadrat total.
Selain eigenvalue, kebaikan model juga dapat dilihat dengan menggunakan koefisien determinasi (R2) [14].
3. Fungsi Diskriminan
Fungsi diskriminan digunakan untuk memprediksi kelompok dari suatu objek baru yang diamati. Fungsi diskriminan didaptkan dari koefisien unstandardized. Hal ini menunjukkan kontribusi parsial masing-masing variabel terhadap fungsi diskriminan [8]. Berikut merupakan fungsi diskriminan.
𝑌𝑘 = 𝑏𝑘1𝑋1+ 𝑏𝑘2𝑋2+ ⋯ + 𝑏𝑘𝑝𝑋𝑝 (9) 4. Ketepatan Klasifikasi
Ketepatan klasifikasi digunakan untuk mengevaluasi performa model dengan membandingkan hasil prediksi model terhadap data aktual. Hasil evaluasi ini biasanya disajikan dalam bentuk tabel klasifikasi yang dikenal sebagai matriks konfusi. Matriks konfusi mencatat distribusi hasil klasifikasi untuk setiap kategori target, yang memungkinkan analisis akurasi model secara menyeluruh. Akurasi model diukur dengan menghitung proporsi total prediksi yang benar berdasarkan data aktual [15]. Akurasi dapat dihitung dengan persamaan berikut.
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 =∑ 𝑛𝑖𝑖
𝑝 𝑖=1
𝑁 (10) Keterangan :
∑𝑝𝑖=1𝑛𝑖𝑖 = jumlah prediksi benar (diagonal utama) N = jumlah total observasi
D. Faktor-faktor yang Memengaruhi Risiko Kehamilan Kehamilan merupakan proses yang fisiologis, namun kehamilan yang normal dapat berubah menjadi patologis/abnormal. Risiko kehamilan bersifat dinamis, karena ibu hamil yang normal dapat menjadi berisiko pada kehamilannya [16]. Terdapat beberapa faktor yang mempengaruhinya yaitu faktor usia ibu hamil, kadar gula darah, suhu tubuh, dan detak jantung.
III. METODEPENELITIAN A. Sumber Data
Data yang digunakan dalam penelitian ini merupakan data
sekunder yang diunduh dari situs web Kaggle dengan judul dataset “Maternal Health Risk Data” . Dataset ini terdiri dari 1.014 observasi yang mencakup semua variabel penelitian.
B. Variabel Penelitian
Variabel yang digunakan dalam penelitian ini disajikan pada Tabel 1.
Tabel 1. Variabel Penelitian Variabel Keterangan Kategori Skala
Pengukuran Satuan Y
Tingkat Risiko Kehamilan
1:Rendah 2:Sedang 3:Tinggi
Ordinal -
X1 Usia Ibu
Hamil - Rasio Tahun
X2 Kadar Gula
Darah - Rasio Mmol/L
X3 Suhu
Tubuh - Rasio Fahrenheit
X4
Detak Jantung Istirahat Normal
- Rasio bpm
C. Struktur Data
Struktur data yang digunakan pada penelitian ini disajikan pada Tabel 2.
Tabel 2. Struktur Data
Observasi ke- Y X1 X2 X3 X4
1 Y1 X11 X21 X31 X41
2 Y2 X12 X22 X32 X42
3 Y3 Y13 X23 X33 X43
: : : : : :
1014 Y1014 Y1 1014 X2 1014 X3 1014 X4 1014
D. Langkah Analisis
Langkah analisis dalam penelitian ini adalah sebagai berikut.
1. Mendeskripsikan karakteristik data tingkat risiko kehamilan, usia ibu hamil, kadar gula darah, suhu tubuh, dan detak jantung.
2. Melakukan pengujian asumsi distribusi normal multivariat, asumsi independensi, dan homogenitas pada faktor risiko kehamilan
3. Melakukan analisis diskriminan pada faktor-faktor yang memengaruhi tingkat risiko kehamilan
4. Menginterpretasikan hasil analisis 5. Menarik kesimpulan dan saran
IV. HASILDANPEMBAHASAN A. Karakteristik Data
Karakteristik data faktor-faktor yang memengaruhi tingkat risiko kehamilan disajikan dalam tabel statistika deskriptif dan pie chart sebagai berikut.
Tabel 3. Statistika Deskriptif
Variabel Mean Standar Deviasi Minimum Maksimum
X1 29 13,48 10 70
X2 8,73 3,29 6 19
X3 98,67 1,37 98 103
X4 74 8,09 7 90
Berdasarkan tabel 3 menunjukkan data faktor-faktor yang memengaruhi tingkat risiko kehamilan. Dapat diketahui rata- rata usia ibu hamil adalah 29 tahun dengan penyebaran yang cukup besar yaitu 13,48, mencakup usia minimum 10 tahun
dan maksimum 70 tahun, yang kemungkinan menunjukkan adanya outlier. Rata-rata kadar gula darah ibu hamil adalah 8,726 mmol/L, dengan nilai minimum 6 mmol/L dan maksimum 19 mmol/L, yang menunjukkan potensi kasus hiperglikemia atau diabetes gestasional. Suhu tubuh rata-rata adalah 98,67°F dengan penyebaran kecil yaitu 1,37, mayoritas dalam rentang normal meskipun terdapat nilai maksimum 103°F yang mengindikasikan adanya beberapa kasus demam. Detak jantung rata-rata adalah 74 bpm, sebagian besar berada dalam rentang normal meskipun terdapat nilai minimum ekstrem 7 bpm. Pada data tingkat risiko kehamilan disajikan dalam bentuk pie chart sebagai berikut.
Gambar 1. Pie Chart Data Tingkat Risiko Kehamilan
Berdasarkan gambar 1 pada data tingkat risiko kehamilan menunjukkan bahwa porsi terbesar pada tingkat risiko rendah dengan persentase sebesar 40%, sedangkan pada tingkat risiko sedang memiliki persentase sebesar 33,1%, serta porsi terkecil pada tingkat risiko tinggi dengan persentase sebesar 26,6%.
B. Pengujian Asumsi Diskriminan pada Faktor Risiko Kehamilan
Dalam analisis diskriminan terdapat asumsi yang harus dipenuhi yaitu uji distribusi normal multivariat, uji independensi, dan uji homogenitas varians. Hasil asumsi diskriminan dijelaskan sebagai berikut.
Asumsi-asumsi yang.
1. Pengujian Asumsi Distribusi Normal Multivariat Uji distribusi normal multivariat pada faktor-faktor yang memengaruhi tingkat risiko kehamilan menggunakan uji mahalanobis distance dijelaskan sebagai berikut.
H0 : Data faktor-faktor yang memengaruhi tingkat risiko kehamilan berdistribusi normal multivariat
H1 : Data faktor-faktor yang memengaruhi tingkat risiko kehamilan tidak berdistribusi normal multivariat Menggunakan taraf signifikan sebesar (α) sebesar 0,05 dengan daerah penolakan yaitu tolak H0 jika nilai rQ < r(α;n) atau P-value > 0,05. Didapatkan hasil uji statistik sebagai berikut.
Tabel 4. Uji Korelasi Independensi rQ r(α;1014) P-value 0,866 0,115 0,000
Tabel 4 menunjukkan bahwa nilai rQ lebih besar dibandingkan nilai r(0,05;1014) maka diputuskan gagal tolak H0
yang artinya data faktor-faktor yang memengaruhi tingkat risiko kehamilan berdistribusi normal multivariat.
2. Pengujian Asumsi Korelasi Independensi
Uji indepedensi faktor-faktor yang memengaruhi tingkat risiko kehamilan menggunakan uji Barlett adalah sebagai berikut.
H0 : 𝜌 = 𝐼 (Matriks korelasi identik dengan matriks identitas atau variabel faktor-faktor yang
memengaruhi tingkat risiko kehamilan independen)
H1 : 𝜌 ≠ 𝐼 (Matriks korelasi tidak identik dengan matriks identitas atau variabel faktor-faktor yang memengaruhi tingkat risiko kehamilan dependen)
Menggunakan taraf signifikan sebesar (α) sebesar 0,05 dengan daerah penolakan yaitu tolak H0 jika nilai 𝜒ℎ𝑖𝑡𝑢𝑛𝑔2 > 𝜒(0,05;6)2 atau P-value > 0,05. Didapatkan hasil uji statistik sebagai berikut.
Tabel 5. Uji Korelasi Independensi 𝜒ℎ𝑖𝑡𝑢𝑛𝑔2 𝜒(0,05;6)2 P-value 361,133 12,592 0,000
Berdasarkan Tabel 5 didapatkan bahwa nilai 𝜒ℎ𝑖𝑡𝑢𝑛𝑔2 sebesar 361,133 yang mana lebih besar dibandingkan nilai 𝜒(0,05;6)2 sebesar 12,592 serta nilai P-value sebesar 0,000 yang lebih kecil dibandingkan 0,05 maka diputuskan tolak H0 yang artinya matriks korelasi tidak identik dengan matriks identitas atau variabel faktor-faktor yang memengaruhi tingkat risiko kehamilan dependen.
3. Pengujian Homogenitas Varians Kovarians
Uji homogenitas varians faktor-faktor yang memengaruhi tingkat risiko kehamilan menggunakan uji Box’s M adalah sebagai berikut.
H0 : ∑ 1 = ∑ 2 = ∑ 3 = ∑ 4 = 0 (Matriks varians kovarians homogen) H1 : minimal ada ∑ 𝑖 ≠ 0, 𝑖 = 1, … ,4 (Matriks varians
kovarians heterogen)
Menggunakan taraf signifikan sebesar (
) sebesar 0,05 dengan daerah penolakan yaitu tolak H0 jika nilai 𝐹ℎ𝑖𝑡𝑢𝑛𝑔>𝐹(0,05;20;3009699,605) atau P-Value < 0,05. Didapatkan hasil uji statistik sebagai berikut.
Tabel 6. Uji Homogenitas Varians 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 𝐹(0,05;20;3009699,605) P-value
1,067 1,571 0,502
Berdasarkan Tabel 6 didapatkan bahwa nilai 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 sebesar 1,067 yang mana lebih kecil dibandingkan nilai 𝐹(0,05;20;3009699,605) sebesar 1,571 serta nilai P-value sebesar 0,502 yang lebih besar dibandingkan 0,05 maka diputuskan tolak H0 yang artinya matriks varians kovarians homogen.
C. Analisis Diskriminan pada Faktor Risiko Kehamilan Analisis diskriminan digunakan untuk menganalisis perbedaan antara kelompok variabel respon, identifikasi variabel-variabel yang memengaruhi perbedaan tersebut secara signifikan, dan melanjutkan dengan membuat model diskriminan. Hasil analisis diskriminan pada faktor-faktor yang memengaruhi tingkat risiko kehamilan adalah sebagai berikut.
1. Perbedaan Rata-Rata
Perbedaan rata-rata jenis pada faktor-faktor yang memengaruhi tingkat risiko kehamilan menunjukkan apabila rata-rata antarjenis tidak berbeda signifikan maka dikatakan variabel tersebut tidak dapat perbedaan dan begitu pula sebaliknya. Perbedaan rata rata jenis (Y) pada faktor-faktor yang memengaruhi tingkat risiko kehamilan dijabarkan sebagai berikut.
H0 : Tidak ada perbedaan rata-rata yang signifikan pada usia ibu hamil terhadap tingkat risiko kehamilan.
H1 : Ada perbedaan rata-rata yang signifikan pada usia ibu hamil terhadap tingkat risiko kehamilan.
H0 : Tidak ada perbedaan rata-rata yang signifikan pada kadar gula darah terhadap tingkat risiko kehamilan.
H1 : Ada perbedaan rata-rata yang signifikan pada kadar gula darah terhadap tingkat risiko kehamilan.
H0 : Tidak ada perbedaan rata-rata yang signifikan pada suhu tubuh terhadap tingkat risiko kehamilan.
H1 : Ada perbedaan rata-rata yang signifikan pada suhu tubuh terhadap tingkat risiko kehamilan.
H0 : Tidak ada perbedaan rata-rata yang signifikan pada detak jantung istirahat normal terhadap tingkat risiko kehamilan.
H1 : Ada perbedaan rata-rata yang signifikan pada detak jantung istirahat normal terhadap tingkat risiko kehamilan.
Menggunakan taraf signifikan sebesar (α) sebesar 0,05 dengan daerah penolakan yaitu tolak H0 jika nilai 𝐹ℎ𝑖𝑡𝑢𝑛𝑔2 > 𝐹(0,05;1;1011)2 atau P-Value < 0,05. Didapatkan hasil uji statistik sebagai berikut .
Tabel 7. Perbedaan Rata-Rata
Variabel 𝐹ℎ𝑖𝑡𝑢𝑛𝑔2 𝐹(0,05;1;1011)2 P-Value X1 46,114
3,004 0,000 X2 331,158
X3 16,446 X4 20,453
Tabel 7 menunjukkan, pada variabel X1 (usia ibu hamil) memiliki nilai 𝐹ℎ𝑖𝑡𝑢𝑛𝑔2 sebesar 46,114; X2 (kadar gula darah) memiliki nilai 𝐹ℎ𝑖𝑡𝑢𝑛𝑔2 sebesar 331,158, X3 (suhu tubuh) memiliki nilai 𝐹ℎ𝑖𝑡𝑢𝑛𝑔2 sebesar 16,446; X4 (detak jantung istirahat normal) memiliki nilai 𝐹ℎ𝑖𝑡𝑢𝑛𝑔2 sebesar 20,453 yang mana lebih kecil dibandingkan nilai 𝐹(0,05;1;1011)2 sebesar 3,004 serta P-value sebesar 0,000 yang mana lebih kecil dibandingkan nilai α sebesar 0,05 maka diputuskan tolak H0
yang artinya ada perbedaan rata-rata yang signifikan pada usia ibu hamil, kadar gula darah, suhu tubuh, dan detak jantung istirahat normal terhadap tingkat risiko kehamilan.
2. Kebaikan Model Fungsi Diskriminan
Kebaikan model ditunjukkan pada nilai eigen. Nilai eigen dari faktor-faktor yang memengaruhi tingkat risiko kehamilan ditunjukkan pada Tabel 8.
Tabel 8. Nilai Eigen Fungsi Nilai
Eigen
% of
Variance Correlation R2
1 0,785 97,6 0,663 43,957%
2 0,019 2,4 0,137 1,877%
Tabel 8 menunjukkan bahwa baik pada fungsi diskriminan 1 didapatkan korelasi sebesar 0,663 dan fungsi diskriminan 2 didapatkan korelasi sebesar 0,137. Maka fungsi diskriminan 1 lebih baik karena memiliki kebaikan model lebih besar dibandingkan fungsi diskriminan 2. Kemudian, pada fungsi diskriminan 1 dapat menjelaskan sebesar 43,957% dari model faktor-faktor yang memengaruhi tingkat risiko kehamilan.
3. Uji Signifikansi
Uji signifikansi pada setiap fungsi diskriminan dalam mengelompokkan tingkat risiko kehamilan dijelaskan sebagai berikut.
H0 : Fungsi diskriminan 1 tidak signifikan dalam mengelompokkkan kategori tingkat risiko kehamilan H1 : Fungsi diskriminan 1 signifikan dalam
mengelompokkkan kategori tingkat risiko kehamilan H0 : Fungsi diskriminan 2 tidak signifikan dalam
mengelompokkkan kategori tingkat risiko kehamilan
H1 : Fungsi diskriminan 2 signifikan dalam mengelompokkkan kategori tingkat risiko kehamilan Dengan taraf signifikansi (α) sebesar 0,05 diperoleh daerah penolakan atau tolak H0 jika 20 05 df2, ; atau P-Value
< 0,05. Hasil statistik uji ditunjukkan sebagai berikut.
Tabel 9. Nilai Eigen Fungsi Nilai
Eigen
% of
Variance Correlation R2
1 0,785 97,6 0,663 43,957%
2 0,019 2,4 0,137 1,877%
4. Tingkat Kepentingan Variabel Dalam Menentukan Tingkat Risiko Kehamilan
Tingkat kepentingan variabel usia ibu hamil, kadar gula darah, suhu tubuh, dan detak jantung saat istirahat normal terhadap pengelompokkan tingkat risiko kehamilan dijelaskan sebagai berikut.
Tabel 10. Tingkat Kepentingan Variabel Variabel Fungsi
1 2
X1 0,077 0,358 X2 0,966 -0,335 X3 0,385 0,914 X4 0,164 0,220
Tabel 9 menunjukkan bahwa pada fungsi diskriminan 1, variabel X2 yaitu kadar gula darah memiliki bobot tertinggi sebesar 0,966, sehingga menjadi faktor utama dalam membedakan tingkat risiko kehamilan. Sementara itu, pada fungsi diskriminan 2, variabel X3 yaitu suhu tubuh memiliki bobot tertinggi sebesar 0,914, sehingga menjadi variabel paling dominan dalam membedakan tingkat risiko kehamilan.
5. Analisis Fungsi Diskriminan Faktor-Faktor yang Memengaruhi Tingkat Risiko Kehamilan
Fungsi diskriminan yang terbentuk dari faktor-faktor yang memengaruhi tingkat risiko kehamilan, didapatkan dua fungsi diskriminan yaitu sebagai berikut.
𝑌1= −33,153 + 0,006𝑋1+ 0,377𝑋2+ 0,285𝑋3+ 0,021𝑋4
𝑌2= −68,526 + 0,028𝑋1− 1,131𝑋2+ 0,677𝑋3+ 0,028𝑋4
Setelah didapatkan model, maka hasil model akan dibandingkan dengan nilai centroid untuk proses klasifikasi, didapatkan nilai centroid sebagai berikut.
Tabel 103. Funct at Group Centroids Tingkat Risiko
Kehamilan
Fungsi
1 2
Risiko Rendah -0,702 -0,129 Risiko Sedang -0,314 0,190 Risiko Tinggi 1,436 -0,043
Tabel 10 menunjukkan bahwa rata-rata klasifikasi tingkat risiko kehamilan pada fungsi diskriman pertama lebih dapat memisahkan tingkat risiko tinggi dengan nilai centroid yang jauh lebih besar yaitu sebesar 1,436 dibandingkan kelompok lain. Sementara pada fungsi kedua menunjukkan perbedaan yang lebih kecil antar kelompok. Dengan model ini, setiap observasi dapat diklasifikasikan ke dalam tingkat risiko kehamilan tertentu berdasarkan nilai Y1 dan Y2.
6. Contoh Kasus
Jika seseorang wanita hamil berusia 18 tahun, memiliki kadar gula darah 6,9 Mmo/L, dengan suhu tubuh 102oF, dan detak jantung istirahat normal sebesar 76 detak per menit, maka wanita hamil tersebut termasuk risiko kehamilan, sebagai berikut.
𝑌1= −33,153 + 0,006 (18) + 0,377(6,9) + 0,285(102) + 0,021(76)
= 0,222
𝑌2= −68,526 + 0,028(18) − 1,131(6,9) + 0,677(102) + 0,028(76)
7. Ketepatan Klasifikasi
Hasil ketepatan klasifikasi dari fungsi diskriminan pada faktor-faktor yang memengaruhi tingkat risiko kehamilan ditunjukkan pada Tabel ...
Tabel 11. Ketepatan Klasifikasi Tingkat Risiko
Kehamilan
Prediksi Total
Rendah Sedang Tinggi Observasi
Rendah 325 77 4 406
Sedang 200 89 47 336
Tinggi 45 51 176 272
Ketepatan Klasifikasi 58,19%
Tabel 11 menunjukkan bahwa model fungsi diskriminan pada faktor-faktor yang memengaruhi tingkat risiko kehamilan memiliki ketepatan klasifikasi sebesar 58,19%, yang artinya dari total 1014 observasi, model berhasil mengklasifikasikan tingkat risiko kehamilan dengan benar sebanyak 590 observasi.
V. KESIMPULANDANSARAN A. Kesimpulan
Berdasarkan hasil yang dijelaskan pada analisis dan pembahasan didapatkan kesimpulan dari penelitian sebagai berikut.
1. Karakteristik data menunjukkan usia ibu hamil rata-rata 29 tahun, kadar gula darah 8,726 mmol/L, dan suhu tubuh serta detak jantung mayoritas normal dengan beberapa anomali. Tingkat risiko kehamilan didominasi kategori tingkat risiko rendah (40%), diikuti tingkat risiko sedang (33,1%) dan tingkat risiko tinggi (26,6%).
2. Hasil asumsi diskriminan menunjukkan pada uji distribusi normal multivariat, uji independensi, dan uji homogenitas varians kovarians pada data faktor yang mempengaruhi ibu hamil terpenuhi.
3. Hasil analisis diskriminan menunjukkan adanya perbedaan rata-rata yang signifikan pada usia ibu hamil, kadar gula darah, suhu tubuh, dan detak jantung terhadap tingkat risiko kehamilan. Fungsi diskriminan 1 lebih baik dengan korelasi 0,663 dan menjelaskan 43,96%
variabilitas, di mana kadar gula darah menjadi faktor utama pembeda, sementara suhu tubuh dominan pada fungsi diskriminan 2. Model memiliki ketepatan klasifikasi sebesar 58,19%, berhasil mengklasifikasikan 590 dari 1014 observasi tingkat risiko kehamilan dengan benar.
B. Saran
Berdasarkan hasil kesimpulan terdapat saran bagi pembaca diharapkan memahami pentingnya faktor-faktor risiko kehamilan, khususnya kadar gula darah, untuk mendukung pola hidup sehat dan pemantauan kesehatan ibu hamil. Adapun saran bagi penulis untuk melakukan penelitian lanjutan dengan menambah variabel atau metode untuk meningkatkan akurasi model. Serta saran bagi pihak terkait, terutama tenaga dan institusi kesehatan, dapat menggunakan kadar gula darah sebagai indikator utama skrining risiko dan menyusun program edukasi serta pencegahan untuk kelompok risiko hamil sedang dan tinggi.
DAFTARPUSTAKA
[1] World Health Organization, “Maternal Mortality,”
World Helath Organization, 2024.
[2] K. N. Fadhila dan N. Puspitasari, “Faktor-Faktor yang Mempengaruhi Komplikasi Kehamilan: Literature Review,” PREPOTIF: Jurnal Kesehatan Masyarakat, vol. 8, no. 2, pp. 3494-3500, 8 2024.
[3] CNN Indonesia, “Angka Kematian Ibu Masih Tinggi, Apa Saja Sebabnya,” CNN Indonesia, 2024.
[4] N. S. Afriyanthi, M. A. Tiro dan A. S. Ahmar, “Metode Analisis Diskriminan dalam Pengelompokkan Kabupaten/Kota di provinsi SUlawesi Selatan Berdasarkan Indikator Indeks Pembangunan Manusia,”
VARIANSI: Journal of Statistics and Its Application on Teaching and Research, vol. 2, no. 1, pp. 40-45, 2020.
[5] N. Fauziyah, Analisis data Menggunakan Diskriminan Test di Bidang kesehatan Masyarakat dan Klinis, Bandung: Politeknik Kesehatan Kemenkes Bandung, 2019.
[6] Herlina, Analisis Diskriminan Dalam Menentukan Kategori Berat Lahir Bayi Berdasarkan Faktor Internal dan Eksternal, Malang: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Brawijaya, 2017.
[7] M. Tarigan dan D. F. Silaban, “Pendahuluan Statistika Deskriptif Ukuran Frekuensi Ukuran Pemusatan,” vol.
4, no. 2, pp. 187-195, 2024.
[8] O. Sabrina dan Sihombing, Pengantar Metode Analisis Multivariat, Pekalongan: PT. Nasya Expanding Management, 2022.
[9] S. P. Rahmana, A. Firda dan Rahayu, “Analisis Pola Hubungan Kerugian Negara Akibat Korupsi dengan Demografi Koruptor di Jawa Timur,” Jurnal Sains dan Seni POMITS, vol. II, no. 1, pp. 305-306, 2013.
[10] M. H. Arsham dan Lovric, “Bartletts's Test,” Stat Manag. Sci, pp. 1-2, 2011.
[11] D. A. Setyawan, N. Fahradina, R. Faelasofi, T.
Widyasari dan R. Mawardati, Statistika Terapan, Surakarta: Tahta Media, 2022.
[12] Rusli, S. B. Gaffar, Jasaruddin dan M. A. Ahmad,
“Pengujian Normal Multivariat dan Homokedastisitas Matriks Varians Kovarians pada Prestasi Belajar dan Kredit Lulus Mahasiswa UNM Angkatan 2014,”
Universitas Negeri Makassar, Makassar, 2018.
[13] N. Dewiantari, “Pendekatan Klasifikasi Diskriminan Linier Fisher Untuk Kabupaten/Kota Tertinggal Di Pulau Sumatera Utara Dengan K-Fold Cross Validation,” Universitas Lampung, Bandar Lampung, 2023.
[14] B. Simamora, Analisis Multivariat Pemasaran, Jakarta:
Gramedia Pustaka Utama, 2005.
[15] P. Juwita, “Ketepatan Klasifikasi Metode Regresi Logistik dan CHAID dengan Pembobotan Sampel,”
PRISMA : Prosiding Seminar Nasional Matematika, vol. 1, no. 3, pp. 684-695, 2017.
[16] N. Riyanti, R. Devita dan D. Wahyuni, “Analisis Faktor Yang Berhubungan Dengan Risiko Kehamilan Pada Ibu Hamil,” Jurnal Aisyiyah Medika, vol. VI, no. 2, pp.
174-182, 2021.
LAMPIRAN Lampiran 1. Data
No. Y X1 X2 X3 X4
1 3 25 15 98 86
2 3 35 13 98 70
3 3 29 8 100 80
4 3 30 7 98 70
5 1 35 6,1 98 76
6 3 23 7,01 98 70
7 2 23 7,01 98 78
8 3 35 11 102 86
9 2 32 6,9 98 70
10 3 42 18 98 70
11 1 23 7,01 98 76
12 2 19 7 98 70
13 1 25 7,01 98 77
14 2 20 7,01 100 70
15 2 48 11 98 88
16 1 15 7,01 98 70
17 3 50 15 98 90
18 3 25 7,01 98 80
19 2 30 6,9 101 76
20 1 10 6,9 98 70
21 3 40 18 98 90
22 2 50 6,7 98 70
23 1 21 7,5 98 76
24 1 18 7,5 98 70
25 1 21 7,5 98 76
26 1 16 7,2 98 80
27 1 19 7,2 98 66
⋮ ⋮ ⋮ ⋮ ⋮ ⋮
1014 2 32 6 101 76
Lampiran 2. Output SPSS Asumsi Normal Multiariat
Asumsi Korelasi Independen
Uji Perbedaan Rata-Rata
Kebaikan Model Diskriminan
Fungsi Diskriminan
