Sistem Pakar Pendukung Keputusan Pembagian Harta Waris Menurut Syariat Islam Menggunakan Visual Basic 6.0

(1)

ANALISIS FAKTOR RESIKO PENYAKIT RADANG

PARU-PARU DENGAN METODE

REGRESI LOGISTIK

SKRIPSI

SEVENTINA SIAHAAN 110823042

DEPARTEMEN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS SUMATERA UTARA

MEDAN

(2)

ANALISIS FAKTOR RESIKO PENYAKIT RADANG

PARU-PARU DENGAN METODE

REGRESI LOGISTIK

SKRIPSI

Diajukan untuk memenuhi syarat mendapat gelar Sarjana Sains

SEVENTINA SIAHAAN 110823042

DEPARTEMEN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA

MEDAN 2014

(3)

PERSETUJUAN

Judul : ANALISIS FAKTOR RESIKO PENYAKIT

RADANG PARU-PARU DENGAN METODE REGRESI LOGISTIK

Kategori : SKRIPSI

Nama : SEVENTINA SIAHAAN

Nomor Induk Mahasiswa : 110823042

Program Studi : SARJANA (S1) MATEMATIKA

Fakultas : MATEMATIKA DAN ILMU PENGETAHUAN

ALAM (FMIPA) UNIVERSITAS SUMATERA UTARA

Diluluskan di

Medan, Februari 2014

Komisi Pembimbing:

Pembimbing 2 Pembimbing 1

Drs. Pengarapen Bangun Drs. Pasukat Sembiring, M.Si NIP. 19560815 198503 1 005 NIP. 19531113 198503 1 002

Diketahui / Disetujui Oleh

Departemen Matematika FMIPA USU

Prof. Dr. Tulus, M. Si

(4)

PERNYATAAN

ANALISIS FAKTOR RESIKO PENYAKIT RADANG PARU-PARU DENGAN METODE REGRESI LOGISTIK

SKRIPSI

Saya mengakui bahwa skripsi ini adalah hasil kerja saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya.

Medan, Februari 2014

Seventina Siahaan 110823042

(5)

PENGHARGAAN

Berlimpah puji dan syukur Penulis panjatkan kepada Tuhan Yang Maha Kuasa atas Kasih Karunia-Nya, sehingga skripsi dengan judul “Analisis Faktor Resiko Penyakit Radang Paru–paru dengan Metode Regresi Logistik” ini berhasil diselesaikan.

Ucapan terima kasih saya sampaikan kepada Bapak Drs. Pasukat Sembiring, M. Si, selaku Pembimbing I, Bapak Drs. Pengarapen Bangun, M. Si selaku Pembimbing II pada penyelesaian skripsi ini yang telah membimbing penulis dalam penyempurnaan kajian ini. Penulis juga mengucapkan terima kasih kepada Bapak Drs. Gim Tarigan, M. Si dan Bapak Drs. Partano Siagian, M. Sc sebagai dosen Penguji, atas setiap saran dan masukannya selama pengerjaan skripsi ini. Ucapan terima kasih juga saya ucapkan kepada Ketua dan Sekretaris Departemen Bapak Prof. Dr. Tulus, M. Si dan Ibu Dra. Mardiningsih, M. Si, dan kepada semua Bapak/Ibu Dosen beserta Pegawai pada Departemen Matematika FMIPA USU. Tidak lupa juga ucapan terima kasih saya kepada kedua orang tua saya, M. Siahaaan dan S. Br Nainggolan yang sangat saya cintai yang setia memberi dukungan moril. Serta yang saya sayangi Kakak dan Abang – abang saya sekalian. Terimakasih atas bantuan materi, dorongan dan doanya. Juga untuk sahabat seperjuangan di Ekstensi Matematika Statistika, serta para sahabat yang tidak dapat saya sebutkan satu-persatu, terima kasih atas bantuan dan dorongannya. Semoga Tuhan yang Maha Pengasih yang akan membalasnya.

Medan, Januari 2014 Penulis

(6)

ANALISIS FAKTOR RESIKO PENYAKIT RADANG

PARU-PARU DENGAN METODE

REGRESI LOGISTIK

ABSTRAK

Regresi logistik adalah bentuk khusus analisis regresi dengan variabel dependen bersifat kategori dan variabel independen bersifat kategori, kontinu, atau gabungan antara keduanya. Tulisan ini menganalisis faktor resiko penyakit radang paru–paru di mana variabel dependennya yang bersifat kategori yaitu terserang radang paru-paru atau tidak. Variabel independennya adalah Jenis kelamin, Usia dan Konsumsi rokok. Dari analisis data diperoleh bahwa variabel independen yang berpengaruh signifikan membentuk model regresi pada penelitian ini adalah variabel Usia dengan nilai signifikansi sebesar 0,032 dengan koefisien regresi sebesar 0,030 dan Konsumsi rokok dengan nilai signifikansi sebesar 0,000 dan koefisien regresi sebesar 1,881. Tingkat akurasi model sebesar 72,9% artinya model regresi yang terbentuk sudah dapat menggambarkan hubungan variabel independen terhadap variabel dependen.

(7)

ANALYSIS OF RISK FACTORS PNEUMONIA

WITH LOGISTIC REGRESSION

ABSTRACT

Logistic regression is a special form of regression analysis with the dependent variable and the independent variables are categories are categories, continuous, or a combination of both. This paper analyzed the risk factors for pneumococcal disease in which the dependent variable is the category that is stricken with pneumonia or not. The independent variables were gender, age and cigarette consumption. From the analysis of the data shows that the independent variables have a significant effect on the form of regression models of this study is the variable age with a significance value of 0.032 with a regression coefficient of 0.030 and cigarette consumption with a significance value of 0.000 and a regression coefficient of 1.881. The accuracy rate of 72.9% means that the model regression model that can describe the relationship already established the independent variable on the dependent variable.

(8)

DAFTAR ISI

Halaman

Persetujuan ii

Pernyataan iii

Penghargaan iv

Abstrak v

Abstract vi

Daftar Isi vii

Daftar Tabel ix

Daftar Gambar x

Bab 1 Pendahuluan

1.1 Latar Belakang 1

1.2 Perumusan Masalah 3

1.3 Batasan Masalah 3

1.4 Tujuan Penelitian 3

1.5 Kontribusi Penelitian 3

1.6 Tinjauan Pustaka 4

1.7 Metodologi Penelitian 6

Bab 2 Landasan Teori

2.1 Data 8

2.2 Skala Pengukuran Data 8

2.3 Metode Pengumpulan Data 9

2.3.1 Populasi 9

2.3.2 Sampel 10

2.3.3 Teknik Penarikan Sampel 10

2.4 Pengertian Variabel 13

2.5 Macam-macam Rancangan Penelitian dalam Bidang Kesehatan 14

2.6 Pengertian Radang Paru–paru 14

2.7 Pengertian Jenis Kelamin 15

2.8 Pengertian Usia 15

2.9 Konsumsi Rokok 15

2.10 Analisis Regresi 17

2.10.1 Analisis Regresi Logistik 18

2.10.2 Uji Model Persamaan Regresi Logistik 21

2.10.3 Negelkerke R2 21

Bab 3 Pembahasan

3.1 Pengumpulan Data 22

(9)

3.1.2 Populasi dan Sampel Penelitian 22

3.2 Pengolahan Data 26

3.2.1 Menguji atau Menilai Kelayakan Model Regresi 26

3.2.2 Menguji Keseluruhan Model 27

3.2.3 Menguji Koefisien Regresi 28

Bab 4 Kesimpulan dan Saran

4.1 Kesimpulan 34

4.2 Saran 35

Daftar pustaka Lampiran

(10)

DAFTAR TABEL

Halaman Tabel 3.1 Data Pasien Rawat Inap dan Rawat Jalan Penyakit

Radang Paru-paru di RSU Dr. Pirngadi Medan 23

Tabel 3.2 Uji Hosmer dan Lemeshow 26

Tabel 3.3 Nilai -2 Log Likehood Awal 27

Tabel 3.4 Nilai -2 Log Likehood Akhir 27

Tabel 3.5 Uji Omnibus dari Model Koefisien 28

Tabel 3.6 Variabel dalam Persamaan 28

Tabel 3.7 Uji Hosmer dan Lemeshow 28

Tabel 3.8 Ringkasan Pengolahan Kasus 29

Tabel 3.9 Pengkodean Variabel Dependen 29

Tabel 3.10 Tabel Klasifikasi 29

Tabel 3.11 Tahapan Iterasi 1 30

Tabel 3.12 Tahapan Iterasi 2 30

Tabel 3.13 Variabel dalam Persamaan 31

(11)

DAFTAR GAMBAR

Halaman Gambar 3.1 Grafik antara Variabel Y dengan Variabel X2 32

Gambar 3.2 Grafik antara Variabel Y dengan Variabel X3 32

(12)

ANALISIS FAKTOR RESIKO PENYAKIT RADANG

PARU-PARU DENGAN METODE

REGRESI LOGISTIK

ABSTRAK

(13)

ANALYSIS OF RISK FACTORS PNEUMONIA

WITH LOGISTIC REGRESSION

ABSTRACT

(14)

BAB 1

PENDAHULUAN

1.1Latar Belakang

Radang paru–paru adalah sebuah penyakit pada paru–paru dimana pulmonary alveolus yang bertanggung jawab menyerap oksigen dari atmosfer meradang dan terisi cairan. Berdasarkan data Dinas Kesehatan (Dinkes) Sumut, sepanjang tahun 2012 lalu terdapat 11.326 kasus radang paru–paru (pneumonia) di daerah Sumut. Angka itu tergolong masih cukup tinggi meski turun dibanding tahun sebelumnya yang mencapai 16.130 kasus.

Kepala Bagian Humas Rumah Sakit Umum (RSU) Dr. Pirngadi Medan, Edison Perangin-angin menilai radang paru-paru merupakan penyakit berbahaya dan berpotensi besar menyebabkan kematian. Dihimbau kepada warga Medan untuk mewaspadai penyakit tersebut, apalagi sangat berpotensi tinggi bagi kematian anak khususnya balita. Setiap bulannya paling tidak delapan pasien meninggal dunia akibat radang paru-paru di Medan. Menurut beliau, banyak faktor resiko yang menyebabkan seseorang menderita jenis penyakit ini salah satunya adalah paparan dari asap rokok. Rokok sangat berbahaya bagi kesehatan sang perokok maupun orang disekitarnya. Oleh karena itu penyakit radang paru–paru ini merupakan penyakit umum yang terjadi di seluruh kelompok umur, dan orang–orang yang sering terpapar asap rokok sangat rentan terkena penyakit ini.

(15)

Sebagian besar penyakit yang dipicu oleh rokok dapat dicegah, maka tindakan yang perlu dilakukan oleh pemerintah adalah dengan melindungi masyarakat dari paparan asap rokok melalui upaya pencegahan berbagai penyakit yang dipicu oleh rokok dengan promosi pentingnya lingkungan yang sehat untuk menciptakan keluarga yang bebas dari gangguan radang paru–paru serta menunjang terwujudnya masyarakat yang sehat dan sejahtera. Promosi kesehatan adalah ilmu dan seni membantu masyarakat menjadikan gaya hidup mereka sehat optimal. Kesehatan yang optimal didefinisikan sebagai keseimbangan kesehatan fisik, emosi, sosial, spiritual, dan intelektual. Ini bukan sekedar pengubahan gaya hidup saja, namun berkaitan dengan pengubahan lingkungan yang diharapkan dapat lebih mendukung dalam membuat keputusan yang sehat.

Hair et al (Santoso, 2012) membagi berbagai teknik multivariat dimulai dengan melihat hubungan antar variabel. Untuk mengetahui bagaimana hubungan diantara variabel tersebut dapat dibagi menjadi dua bagian besar yaitu interdependensi dan depedensi. Interdependensi adalah variabel-variabel yang tidak saling bergantung dengan yang lain. Ciri pentingnya adalah tidak adanya variabel dependen dan variabel independen, semua variabel bersifat independen. Alat analisis yang digunakan adalah analisis faktor, cluster, MDS, dan CA. Sedangkan dependensi adalah variabel-variabel yang saling ketergantungan. Ciri penting dependensi adalah adanya dua jenis variabel yaitu variabel dependen dan variabel independen. Alat analisis yang digunakan adalah regresi berganda, Regresi logistik, analisis diskriminan, SEM, Manova dan korelasi kanonikal.

Regresi Logistik adalah bentuk khusus analisis regresi dengan variabel dependen bersifat kategori dan variabel independen bersifat kategori, kontinu, atau gabungan antara keduanya. Berdasarkan penjelasan di atas maka penulis tertarik untuk mengambil judul “Analisis Faktor Resiko Penyakit Radang Paru–Paru dengan Metode Regresi Logistik”.

(16)

1.2Perumusan Masalah

Berdasarkan uraian pada latar belakang maka permasalahan yang dibahas penulis adalah seberapa besar faktor resiko berdasarkan jenis kelamin, usia dan konsumsi rokok atau kebiasaan merokok pasien yang terserang radang paru–paru atau tidak terserang.

1.3Batasan Masalah

Untuk mengarahkan pembahasan penulis fokuskan untuk meneliti faktor resiko berdasarkan Jenis Kelamin, Usia dan Konsumsi rokok dengan metode regresi logistik.

1.4Tujuan Penelitian

Tujuan dari penelitian ini adalah untuk menganalisis apakah model yang diteliti sudah baik (sesuai) agar dapat menggambarkan hubungan antara variabel independen; Jenis Kelamin, Usia dan kebiasaan merokok terhadap variabel dependen terserang atau tidaknya seorang pasien.

1.5Kontribusi Penelitian

Beberapa manfaat dari penelitian ini adalah sebagai berikut:

1. Meningkatkan pemahaman aplikasi ilmu statistik khususnya regresi logistik untuk menyusun kebijakan dalam sistem kesehatan.

2. Semakin berkembangnya kebijakan kesehatan yang memiliki kerangka berpikir logis yang tepat sehingga meningkatkan kinerja para penggagas kebijakan kesehatan.

(17)

3. Meningkatkan minat untuk pengembangan riset kebijakan dalam sistem kesehatan yang sangat berguna jadi himbauan untuk masyarakat lebih peduli akan kesehatan lingkungan sekitarnya.

4. Mendorong gerakan masyarakat demi terciptanya rumah bebas asap rokok untuk melindungi perokok pasif.

5. Untuk mendukung Pergub SUMUT No. 35 tahun 2013 tentang kawasan bebas asap rokok.

1.6Tinjauan Pustaka

Regresi logistik adalah suatu model matematik yang digunakan untuk mempelajari hubungan antara satu atau beberapa variabel independen dengan satu variabel dependen yang bersifat dikotomus (binary). Variabel yang bersifat dikotomus adalah variabel yang hanya memiliki dua nilai, misalnya hidup/mati, sakit/sehat, merokok/tidak merokok dan sebagainya. Menurut Hosmer dan Lemeshow (1989) metode regresi logistik adalah suatu metode analisis statistika yang mendiskripsikan hubungan antara variabel dependen yang memiliki dua kategori dengan variabel independen berskala kategori atau interval maupun numerik. Regresi logistik dapat digunakan untuk memprediksi variabel dependen oleh sebuah atau beberapa variabel independen; untuk menentukan persentase varians dalam variabel dependen yang dapat dijelaskan oleh variabel independen; serta untuk menentukan peringkat

kepentingan relatif variabel independen terhadap variabel dependen.

Persamaan regresi Logistik dengan ‘k’ variabel bebas adalah:

� (�_�) = 1

1 + �−(�_�+�_��_�+ �_��_�+ … �_��_�)

Keterangan:

� (�_�) = probabilitas terjadinya peristiwa pada kelompok ke-i e = basis dari logaritma natural;≈ 2,71828

(18)

i = 1, 2, . . . ,n

b0, b1, . . . bk = koefisien regresi pada model logistik

X1, X2, . . .Xk = variabel independen

Model ini merupakan model peluang suatu kejadian � yang dipengaruhi oleh faktor–faktor �₁_,�₂_{, . . .}�_�. Persamaan ini bersifat nonlinier dalam parameter. Tidak seperti pada regresi linier dengan metode Ordinary Least Squares atau kuadrat terkecil, regresi logistik tidak mengasumsikan hubungan linier antara variabel dependen dengan variabel independen. Akan tetapi, variabel independen memiliki hubungan linear dengan logit variabel dependen. Selanjutnya, untuk menjadikan model tersebut linier proses yang dinamakan logit transformation perlu dilakukan seperti berikut ini:

�� ₁₋�(�_��₍)_�

�)�= �0+�1�1+�2�2 + … . . +��

Estimasi koefisien dalam model regresi logistik tidak dapat dilakukan dengan metode Ordinary Least Square atau metode kuadrat terkecil. Metode yang bisa digunakan adalah metode Maximum Likelihood.Regresi logistik membentuk variabel dependen [logit (p(�_�)/(1-p(�_�))] yang merupakan kombinasi linier dari variabel independen. Nilai variabel dependen ini kemudian ditransformasikan menjadi probabilitas dengan fungsi logit. Regresi logistik menghasilkan rasio peluang atau biasa disebut odds ratio, yang terkait dengan nilai setiap variabel independen. Ratio peluang (odds ratio) dari suatu kejadian diartikan sebagai peluang hasil yang muncul (p) dibagi dengan peluang suatu kejadian tidak muncul (1 - p). Interpretasi hasil regresi logistik dari variabel independen tidak secara langsung dilihat dari koefisien regresinya tetapi diamati dari bentuk odds ratio-nya atau likelihood ratio dengan kemungkinan terbesar nilai peluang adalah 1. Likelihood adalah pengukuran seberapa besar data yang ada mendukung nilai parameter menurut model probabilitas. Likelihood berarti juga peluang atau probabilitas untuk hipotesis tertentu. Seperti

(19)

yang diketahui pada kurva regresi linier dapat dilihat adanya hubungan linier, peningkatan pada sumbu Y akan diikuti dengan peningkatan pada sumbu X dan sebaliknya. Tetapi pada regresi logistik dengan nilai Y antara 0 dan 1, pendekatan linier tidak bisa digunakan.

Untuk menguji kelayakan model regresi dapat dilihat dari tabel Hosmer and Lemeshow dari hasil olah data. Dan uji hipotesisnya seperti berikut ini: H0: Model sesuai (Model mampu menjelaskan data empiris)

H1: Model tidak sesuai (Model tidak mampu menjelaskan data empiris)

Kriteria Pengujian adalah: H0: ditolak bila probabilitas ≤ 0,05

H0: diterima bila probabilitas > 0,05

1.7Metodologi Penelitian

Metodologi penelitian ini adalah sebagai berikut:

1. Data yang digunakan dalam penelitian ini merupakan data sekunder. Data– data tersebut yaitu data pasien yang terserang atau tidak terserang radang paru-paru, data jenis kelamin, usia dan komsumsi rokok para pasien. Dimana dalam menentukan sampel peneliti menggunakan rumus pendugaan proporsi sebagai berikut:

� = ��/2

2 _._�_._�

�2

Keterangan:

n : Jumlah sampel ��

(20)

P : Proporsi kasus terhadap populasi, populasi tidak diketahui. Q : 1-P

e : derajat penyimpangan terhadap populasi yang diinginkan.

2. Langkah–langkah pengolahan data adalah seperti berikut ini:

a. Memisahkan variabel ke dalam faktor dependen dan independen b. Menguji model apakah menunjukkan model regresi yang baik.

c. Menilai kelayakan model regresi atau menganalisis seberapa penting variabel independen di dalam model dengan Uji Hosmer and Lemeshow dengan melihat nilai goodness of fit yang diukur dengan nilai chi–square pada tingkat signifikansi 5%.

d. Memperlihatkan tingkat akurasi model dan menguraikan persentase variabel dependen dilihat dari tabel Overall Classification.

e. Membentuk persamaan regresi Logistik dengan bantuan SPSS. f. Menghitung faktor resiko masing–masing pasien secara manual.

g. Membuat kesimpulan apakah model yang diteliti sudah baik (sesuai) sehingga dapat diperlihatkan besar pengaruh masing–masing variabel independen.

(21)

BAB 2

LANDASAN TEORI

2.1 Data

Data merupakan sejumlah informasi yang dapat memberikan gambaran tentang sesuatu keadaan. Informasi yang diperoleh 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. (Sugiarto, dkk, 2001)

(22)

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.

(23)

2. 3 Metode Pengumpulan Data 2.3.1 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.

2.3.2 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.

2.3.3 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:

(24)

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 akan dihindarkan. Karena jika maka akan mengakibatkan terjadinya bias. 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:

a. 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.

b. 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.

(25)

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.

d. 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:

a. 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.

b. Sampling Kuota

Sampling kuota adalah teknik untuk menentukan sampel dari populasi yang mempunyai ciri–ciri tertentu sampai jumlah kuota yang diinginkan. Pada teknik

(26)

pemilihan sampel peneliti membagi populasi ke dalam kategori, lalu memberikan jatah jumlah subjek untuk masing-masing kategori tersebut.

c. 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.

d. Snowball Sampling

Snawball sampling atau sampling bola salju adalah teknik penentuan sampel yang mula-mula jumlahnya kecil, kemudian sampel ini disuruh memilih teman-temannya untuk dijadikan sampel sehingga jumlah sampel semakin banyak. Ibarat bola salju yang menggelinding, makin lama semakin besar.

Teknik pengambilan sampel yang dipakai adalah Purposive sampling. Penetapan sampel dengan cara memilih sampel di antara populasi sesuai dengan yang dikehendaki peneliti, sehingga sampel tersebut dapat mewakili karakteristik populasi yang telah dikenal sebelumnya.

Untuk mendapatkan sampel yang benar-benar mewakili seluruh populasi, maka dalam penelitian ini teknik penentuan jumlah sampel menggunakan rumus pendugaan proporsi sebagai berikut:

�

=

��/2

2 _._�_._�

�2 (1)

Keterangan:

n : Jumlah sampel ��

2 : Nilai Z pada derajat keyakinan

P : Proporsi kasus terhadap populasi, populasi tidak diketahui. Q : 1-P

(27)

2. 4 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.

2.5 Macam–Macam Rancangan Penelitian dalam Bidang Kesehatan

Secara garis besar, penelitian dalam bidang kesehatan dapat dibagi berdasarkan beberapa aspek sebagai berikut:

1. Berdasarkan tujuan, penelitian kesehatan dapat dibagi menjadi penelitian eksploratif, penelitian deskriptif, penelitian analitik (prospektif dan retrospektif) dan penelitian eksperimental.

2. Berdasarkan pendekatan yang digunakan maka penelitian dapat dibagi menjadi penelitian cross sectional dan longitudinal.

(28)

3. Berdasarkan keterlibatan peneliti dapat dikelompokkan menjadi penelitian observasional dan penelitian intervensional.

Konsep penelitian ini adalah penelitian Cross Sectional. Penelitian cross sectional mempelajari dinamika hubungan antara faktor resiko dengan efeknya. Faktor resiko dengan efeknya diobservasi pada saat yang sama. Artinya subjek penelitian diobservasi hanya satu kali saja dan faktor resiko dengan efeknya dicatat sesuai kondisi atau status pada saat observasi. Faktor resiko pada penelitian ini adalah Jenis Kelamin, Usia dan Konsumsi rokok, dan efeknya adalah penyakit radang paru-paru.

2. 6 Pengertian Radang Paru-paru

Radang paru-paru atau pneumonia adalah sebuah penyakit pada paru-paru di mana pulmonary alveolus yang berfungsi menyerap oksigen meradang dan terisi oleh cairan. Radang paru-paru dapat disebabkan oleh beberapa penyebab, termasuk infeksi oleh bakteria, virus, jamur, atau parasit. Radang paru-paru yang disebabkan oleh bakteri biasanya diakibatkan oleh bakteri streptococcus dan mycoplasma pneumonia. Radang paru-paru dapat juga disebabkan oleh kepedihan zat-zat kimia atau cedera jasmani pada paru atau sebagai akibat dari penyakit lainnya, seperti kanker paru-paru atau berlebihan minum alkohol.

Gejala yang berhubungan dengan radang paru-paru adalah batuk berdahak, sakit dada, demam, dan kesulitan bernapas/sesak nafas, menggigil, mudah merasa lelah, sakit kepala, nafsu makan berkurang, mual dan muntah, merasa tidak enak badan.

(29)

2. 7 Pengertian Jenis Kelamin

Jenis kelamin sex) adalah kelas atau kelompok yang terbentuk dalam suatu merupakan suatu akibat dari seringkali dijadikan penciri bagi masing-masing jenis kelamin. Laki-laki yaitu seorang yang memiliki kemaluan dan identitasnya laki-laki. Perempuan yaitu seorang yang memiliki kemaluan dan identitasya perempuan.

2. 8 Pengertian Usia

Usia adalah rentang kehidupan yang diukur dengan tahun, dihitung mulai saat dilahirkan sampai saat berulang tahun. Istilah usia dapat diartikan juga dengan lamanya keberadaan seseorang diukur dalam satuan waktu di pandang dari segi kronologik, individu normal yang memperlihatkan derajat perkembangan anatomis dan fisiologik sama. Atau usia adalah lama waktu hidup atau ada (sejak dilahirkan atau diadakan).

2. 9 Konsumsi Rokok

Rokok adalah lintingan atau gulungan tembakau yang digulung/dibungkus dengan kertas, daun, atau kulit jagung, sebesar kelingking dengan panjang 8-10 cm, biasanya dihisap seseorang setelah dibakar ujungnya dan disebut dengan merokok. Rokok merupakan pabrik bahan kimia berbahaya. Hanya dengan membakar dan menghisap sebatang rokok saja, dapat diproduksi lebih dari 4000 jenis bahan kimia.

(30)

Jenis bahan kimia tersebut terdiri dari 400 bahan beracun dan 40 dari bahan tersebut yang bisa berakumulasi dalam tubuh dan dapat menyebabkan penyakit. Perokok dapat dikategorikan menjadi dua kategori yaitu:

1. Perokok aktif

Perokok Aktif adalah seseorang yang dengan sengaja menghisap lintingan atau gulungan tembakau yang dibungkus biasanya dengan kertas, daun, dan kulit jagung. Secara langsung mereka juga menghirup asap rokok yang mereka hembuskan dari mulut mereka. Tujuan mereka merokok pada umumnya adalah untuk menghangatkan badan mereka dari suhu yang dingin. Tapi seiring perjalanan waktu pemanfaatan rokok disalahartikan, sekarang rokok dianggap sebagai suatu sarana untuk pembuktian jati diri bahwa mereka yang merokok adalah ”keren”.

2. Perokok Pasif

Perokok Pasif adalah seseorang atau sekelompok orang yang menghirup asap rokok orang lain. Telah terbukti bahwa perokok pasif mengalami risiko gangguan kesehatan yang sama seperti perokok aktif, yaitu orang yang menghirup asap rokoknya sendiri.

Beberapa bahan–bahan rokok yang berbahaya bagi kesehatan yaitu:

antaranya bersifat

terbakar dan tidak berwarna.

metil alkohol.

(31)

8. dengan unsur-unsur tertentu.

mayat.

10.

semut. Zat ini juga digunakan sebagai zat pembuat plastik dan pestisida.

11.

12.

buangan mobil dan motor.

Berikut beberapa masalah lain yang dapat timbul akibat bahaya rokok terhadap paru-paru :

1. Perokok mempunyai fungsi paru-paru yang lebih rendah dibandingkan dengan mereka yang bukan perokok.

2. Merokok mengurangi pertumbuhan paru-paru.

3. Merokok sejak usia dini akan meningkatkan resiko untuk terkena kanker paru-paru. Untuk penyakit lain karena rokok maka resikonya juga akan semakin meningkat apabila terus merokok.

2. 10 Analisis Regresi

Analisis regresi adalah teknik statistika yang berguna untuk memeriksa dan memodelkan hubungan diantara variabel-variabel. Analisis regresi dapat digunakan untuk dua hal pokok, yaitu :

a. Untuk memperoleh suatu persamaan dari garis yang menunjukkan persamaan hubungan antara dua variabel. Persamaan dan garis yang dihasilkan bisa berupa persamaan garis bentuk linier maupun nonlinier.

(32)

b. Untuk menaksir suatu variabel yang disebut variabel tak bebas (terikat) dengan variabel lain yang disebut variabel bebas berdasarkan hubungan yang ditunjukkan persamaan regresi tersebut.

Berdasarkan amatan dan analisis data, penyelesaian regresi ini dapat berupa persamaan linier maupun nonlinier. Oleh karena itu analisis regresi ini terbagi atas regresi linier dan regresi nonlinier. Yang termasuk ke dalam regresi linier adalah regresi linier sederhana, regresi linier berganda, dan sebagainya. Ssedangkan yang termasuk regresi nonlinier adalah regresi model parabola kuadratik, model parabola kubik, model eksponen, model geometrik, regresi logistik, dan sebagainya.

2.10.1 Analisis Regresi Logistik

Model regresi merupakan komponen penting dalam beberapa analisis data dengan menggambarkan hubungan antara variabel respon dan satu atau beberapa variabel penjelas. Pada umumnya analisis regresi digunakan untuk menganalisis data dengan variabel respon berupa data kuantitatif. Akan tetapi sering juga ditemui kasus dengan variabel responnya bersifat kualitatif/kategori. Untuk mengatasi masalah tersebut maka dapat digunakan model regresi logistik.

Pendekatan model persamaan regresi logistik digunakan karena dapat menjelaskan hubungan antara variabel bebas dan peluangnya yang bersifat tidak linear, ketidaknormalan sebaran dari variabel terikat, serta keragaman respon yang tidak konstan dan tidak dapat dijelaskan oleh model regresi linear biasa (Agresti, 1990). Menurut Hosmer (1989), metode regresi logistik adalah suatu metode analisis statistika yang mendeskripsikan hubungan antara peubah respon yang memiliki dua kategori atau lebih dengan satu atau lebih peubah penjelas berskala kategori atau interval. Yang dimaksud dengan peubah kategorik yaitu peubah yang berupa data nominal dan ordinal.

(33)

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 di sini lebih khusus adalah data binary. Dengan demikian, tujuan regresi logistik adalah pembuatan sebuah model regresi untuk memprediksi besar variabel dependen yang berupa variabel binary dengan menggunakan data variabel independen yang sudah diketahaui besarnya.

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 akan 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.

Pada Regresi logistik biner (dikotomus), variabel responnya mempunyai dua kategori. Fenomena dimana variabel responnya dua (bivariat) dan masing-masing berkategorikan biner, dapat dianalisis mengunakan regresi logistik biner bivariat, dengan asumsi antar peubah respon biner terdapat dependensi. Regresi logistik cukup baik dan sering digunakan.

Regresi logistik memiliki beberapa keuntungan dibandingkan regresi lainnya, yaitu:

1. Regresi logistik tidak memiliki asumsi normalitas atas variabel bebas yang digunakan dalam model. Artinya variabel penjelas tidak harus memiliki distribusi normal, linier, maupun memiliki varian yang sama dalam setiap group.

2. Variabel dalam regresi logistik dapat berupa campuran dari variabel kontinu, diskrit, dan dikotomis.

(34)

3. Regresi logistik amat bermanfaat digunakan apabila distribusi respon atas variabel terikat diharapkan non linier dengan satu atau lebih variabel bebas.

Bentuk umum regresi logistik tersebut adalah:

p(x

) =

1+e−(��+��+ ��+ … ��)=

e(��+��+ ��+ … ��)

1+e(��+��+ ��+ … ��)

(2)

Misalkan: π(x) =p(x_i) g(x) = ln � p(xi)

1−p(x_i)�

π

(x) =

1+e−(��+��+ ��+ … ��) =

e(��+��+ ��+ … ��)

1+e(��+��+ ��+ … ��)

Sehingga:

g(x) = ln π (x)

1− π (x)

= lnπ (x)−ln�1− π (x)� =ln e

(_��+_{��+} _{��+} … _��)

1+e(��+��+ ��+ … ��)− ln�1−

e(_��+_{��+} _{��+} … _��)

1+e(��+��+ ��+ … ��)�

= ln e(��+��+ �_��_�+ … �_��_�)₋_{ln(1 + e}(�_�+�_��_�+ �_��_�+ … �_��_�)₎₋

ln�1+e(��+��+ ��+ … ��)�−1+e(��+��+ ��+ … ��)

1+e(��+��+ ��+ … ��)

= ln e(��+��+ �_��_�+ … �_��_�)₋_{ln(1 + e}(�_�+�_��_�+ �_��_�+ … �_��_�) ₋

ln 1

1+e(_��+_{��+} _{��+} … _��)

= ln e(��+��+ �_��_�+ … �_��_�)₋_{ln(1 + e}(�_�+�_��_�+ �_��_�+ … �_��_�)₎₋

�ln 1−1 + e(��+��+ �_��_�+ … �_��_�)_�

= ln e(��+��+ �_��_�+ … �_��_�)₋_{ln(1 + e}(�_�+�_��_�+ �_��_�+ … �_��_�)₋

ln 1 + ln �1 + e(��+��+ �_��_�+ … �_��_�)_�

= ln e(�_�+�_��_�+ �_��_�+ … �_��_�)₋_{ln 1}

= (b₀+ b₁X₁+ b₂X₂+ … b_kX_k) ln e−0 = (b₀+ b₁X₁+ b₂X₂+ … b_kX_k) ln e = (b₀+ b₁X₁+ b₂X₂+ … b_kX_k) (1)

g(x) = (b₀+ b₁X₁ + b₂X₂+ … b_kX_k)

(35)

ln� π (x)

1− π (x)� = (b0+ b1X1+ b2X2+ … bkXk)

ln �_1−pp(xi)

(x_i)�= (b0+ b1X1 + b2X2+ … bkXk) (3)

Dengan, � (�_�) = Probabilitas terjadinya peristiwa pada kelompok ke-i e = Basis dari logaritma natural;≈ 2,71828

i = 1, 2, . . . ,n

b0, b1, . . . bk = Koefisien regresi pada model logistik

X1, X2, . . .Xk = Variabel independen

2.10.2 Uji Model Persamaan Regresi Logistik

Uji ini sering disebut juga sebagai uji ketepatan model. Uji ini digunakan untuk mengatahui apakah model regresi logistik sudah sesuai dengan data observasi yang diperoleh. Untuk menilai ketepatan model regresi logistik dalam penelitian ini diukur dengan nilai chi square dengan uji Hosmer dan Lemeshow. Pengujian ini akan melihat nilai goodness of fit test yang diukur dengan nilai chi square pada tingkat signifikansi, dimana tingkat signifikansi pada penelitian ini adalah 5%.

Uji Hosmer dan Lemeshow ini disebut juga uji t yaitu uji signifikansi konstanta dan setiap variabel independen. Kriteria Statistiknya dapat dilihat dari tabel Hosmer and Lemeshow dari hasil olah data.

Uji hipotesis: H0: Model sesuai (Model mampu menjelaskan data empiris)

H1: Model tidak sesuai (Model tidak mampu menjelaskan data empiris)

Kriteria Pengujian: H0: ditolak bila probabilitas ≤ 0,05

(36)

2.10.3 Negelkerke atau Korelasi Determinasi (R2)

Nilai Negelkerke atau Korelasi Determinasi (R2) ini akan menunjukkan seberapa besar variabel-variabel bebas penelitian ini menjelaskan variabel terikatnya. Nilai Negelkerke R2 biasanya dibentuk dalam persen agar dapat mengetahui dengan pasti seberapa jauh penjelasan variabel-variabel bebas terhadap variabel terikatnya.

(37)

BAB 3

PEMBAHASAN

3.1Pengumpulan Data 3.1.1 Sumber Data

Data yang digunakan dalam penelitian ini adalah data sekunder yaitu data yang sudah tersedia dari data rekam medis RSU. Dr. Pringadi Medan sehingga peneliti tinggal mengumpulkan dan mengolah data tersebut.

3.1.2 Populasi dan Sampel Penelitian

Populasi adalah keseluruhan objek penelitian. Dalam penelitian ini, populasinya adalah seluruh pasien yang berobat selama bulan Desember 2013 di Rawat Inap Ruang Flamboyan dan Poly Paru RSU Dr. Pirngadi Medan. Jumlah sampel minimum yang diambil ditentukan dengan menggunakan rumus:

�

=

��/2

2 _._�_._�

�2

Keterangan:

n : Jumlah sampel

��/2 : Nilai Z pada interval keyakinan (95% atau 1,96)

P : ditetapkan 50% karena populasi tidak diketahui Q : P adalah 0,5 sehingga Q = 1 – 0,5

e : 10% atau 0,1 Sehingga

�

=

1,962.0,5 .0,5

(38)

Jadi dari hasil perhitungan di atas, diperoleh sampel yang diteliti sebanyak 96 orang yaitu data berikut ini:

Tabel 3.1. Data pasien Rawat inap dan rawat jalan Penyakit Radang Paru-paru di RSU Dr. Pirngadi Medan

No Nama

Umur (Tahun) Jenis Kelamin Konsumsi Rokok Terserang Radang Paru - paru

Ya Tidak + -

1 2 3 4 5 6 7 8

1 Tiaruli Manulang 75 P √ √

2 M. Husni Saragih 22 L √ √

3 Pangomoan Sinaga 51 L √ √

4 Asep Endang 35 L √ √

5 Joni Sanggam 30 L √ √

6 Selamat 41 L √ √

7 Hidayat 38 L √ √

8 M. Rusdi Lubis 42 L √ √

9 Saadah 41 P √ √

10 Anna Hasibuan 48 P √ √

11 Ngatiman 76 L √ √

12 Yatimia 34 P √ √

13 Robby Cahyadi 33 L √ √

14 Andri Irawan 45 L √ √

15 Paiman 75 L √ √

16 Rodiah 62 P √ √

17 M. Amir 33 L √ √

18 Agustini 48 P √ √

19 Zunizar 49 P √ √

20 Sardi Sitorus 58 L √ √

21 Bungalan L.Toruan 75 L √ √

22 Norma Dewa 85 P √ √

23 Rosintan Silaen 53 P √ √

24 Kaliamat Sitanggang 69 L √ √

25 Muat Tarigan 70 L √ √

26 Rahmat Ispandi 24 L √ √

27 Berman Marbun 71 L √ √

(39)

29 Maimunah 50 P √ √

30 Ricky H. Sihombing 26 L √ √

31 J. S. Sinaga 68 L √ √

32 Rusli Tanjung 70 L √ √

1 2 3 4 5 6 7 8

33 Patar Gultom 46 L √ √

34 Paidi 69 L √ √

35 Wilson Simorangkir 66 L √ √

36 E. Simanjuntak 75 P √ √

37 Marolop Pangaribuan 46 L √ √

38 Rosnauli Sinaga 45 P √ √

39 Budiman 46 L √ √

40 Rosma Sibuea 67 P √ √

41 Pandapotan Harianja 73 L √ √

42 Lasmaria Sitanggang 61 P √ √

43 Parluhutan S. 66 L √ √

44 Wahyudin 36 L √ √

45 Masniari 44 P √ √

46 Binarudi 48 L √ √

47 Nurmaya 57 P √ √

48 Demak Sianturi 56 L √ √

49 Tukinem 60 P √ √

50 Syahrani 45 P √ √

51 Bernadetta LMS 27 P √ √

52 Antoni L.Toruan 47 L √ √

53 Maruhum Silalahi 61 L √ √

54 Tiur Dameria 49 P √ √

55 Maropul Simatupang 60 L √ √

56 Jahotler Manalu 48 L √ √

57 Sumpenno 55 L √ √

58 Roslinda Nababan 33 P √ √

59 M. Riduan 21 L √ √

60 Yunita 28 P √ √

61 Kasmah 76 P √ √

62 Donald Sihombing 58 L √ √

63 Rio Napitupulu 28 L √ √

64 Rusman Lubis 55 L √ √

65 Antonius L S. 26 L √ √

(40)

67 Rajali 52 L √ √

68 Zulbahran Siregar 45 L √ √

69 Rahmat Aksosro 27 L √ √

70 Mahdani Muliawan 32 L √ √

71 Nopita Situmorang 19 P √ √

72 Samsinar 65 P √ √

73 Irchan Azhari 29 L √ √

74 Basri Ismail 69 L √ √

75 Nurhayati Saragi 55 P √ √

1 2 3 4 5 6 7 8

76 Aslijah 64 P √ √

77 M. Restu Septian 19 L √ √

78 Jariman Pardede 53 L √ √

79 Ramadhan Saputra 18 L √ √

80 Merani Astevani S 11 P √ √

81 Rita Hasmi 37 P √ √

82 Hendri Bangun 30 L √ √

83 Juriani 32 P √ √

84 Vanni Vitaloka 24 P √ √

85 M. Nurtahir 67 L √ √

86 Damiardi 46 L √ √

87 Ali Asa Lubis 42 L √ √

88 Sakdiah 51 P √ √

89 Selamat Paidi 43 L √ √

90 Cermy Sitorus 69 P √ √

91 Rudi Anton Sihotang 52 L √ √

92 Nirwana Tarigan 30 P √ √

93 Haposan Situmorang 55 L √ √

94 Sahman Rizki 20 L √ √

95 Ermina Tiryanta M. 28 P √ √

96 Nurhaila Lubis 58 P √ √

(41)

3.2 Pengolahan Data

3.2.1 Menguji atau menilai Kelayakan Model regresi

Tabel 3.2 Uji Hosmer dan Lemeshow

Langkah Kai Kuadrat

Derajat

Kebebasan Signifikansi

1 _6,066 ₇ _0,532

Hipotesis : H0: Model sesuai (Model mampu menjelaskan data empiris)

H1: Model tidak sesuai (Model tidak mampu menjelaskan data empiris)

Kriteria Pengujian: H0: ditolak bila probabilitas ≤ 0,05

H0: diterima bila probabilitas > 0,05

Untuk menguji apakah koefisien regresi layak atau tidak digunakan berdasarkan Tabel 3.2 Uji Hosmer dan Lemeshow atau goodnees and fit test statistik dan dapat diuraikan seperti berikut ini:

a. Berdasarkan pengujian nilai statistik uji Hosmer dan Lemeshow atau goodnees and fit test statistiksebesar 6,066 dengan probabilitas 0,532 nilai ini jauh di atas 0,05. Dengan demikian dapat disimpulkan bahwa model tersebut sesuai dan dapat diterima. Model mampu menjelaskan data empiris yang artinya tidak terdapat perbedaan antara model dengan data sehingga model dapat memprediksi nilai observasinya.

b. Jika nilai Hosmer and Lemeshow ≤ 0,05 artinya ada perbedaan signifikan antara model dengan observasinya sehingga goodnees and fit test statistik tidak baik, yang artinya model tidak dapat memprediksi nilai observasinya.

c. Oleh karena nilai Hosmer and Lemeshow > 0,05 artinya model mampu memprediksi nilai observasinya maka model regresi binary layak dipakai untuk analisis selanjutnya.

(42)

3.2.2 Menguji Keseluruhan Model

Tabel 3.3 Nilai -2 Log Likehood Awal

Iterasi -2 Log likelihood

Koefisien Konstanta

Langkah 1 1 132,417 0,167

2 132,417 0,167

a. Konstanta termasuk dalam model. b. Nilai -2 Log Likelihood Awal: 132,417

c. Estimasi dihentikan pada iterasi nomor 2 karena nilai parameter lebih kecil dari 0,001.

Tabel 3.4 Nilai -2 Log Likehood Akhir

Iterasi

-2 Log likelihood

Koefisien

Konstanta Jenis_Kelamin Usia Konsumsi_rokok Langkah 1 109,981 -1,270 -0,308 0,024 1,425

2 109,537 -1,513 -0,371 0,030 1,603 3 109,535 -1,530 -0,376 0,031 1,615 4 109,535 -1,530 -0,376 0,031 1,615

a. Metode: Masukkan

b. Konstan termasuk dalam model. c. Awal -2 Log Likelihood: 132,417

d. Estimasi dihentikan pada iterasi nomor 4 karena perkiraan parameter diubah oleh kurang dari 001.

Perhatikan angka -2 Log likelihood, di mana pada table 3.3nNilai Log likelihood awal adalah 132,417 sedangkan pada table 3.4, nilai -2 Log likelihood akhir turun menjadi 109,535. Adanya pengurangan nilai antara -2 Log likelihood awal dengan nilai -2 Log likelihood akhir menunjukkan bahwa model yang dihipotesiskan sesuai dengan data. Penurunan ini menunjukkan regresi yang lebih baik.

(43)

Statistik -2 Log Likehood dapat juga digunakan untuk menentukan jika variabel bebas ditambahkan ke dalam model apakah secara signifikan memperbaiki model yang sesuai. Selisih antara -2LogLikehood sebelum dan sesudah ditambah variabel bebas adalah sebesar 22,882 dengan derajat kebebasan 3, dan angka ini signifikan secara statistik dapat dibuktikan berdasarkan dari Tabel 3.5.

Table 3.5 Uji Omnibus dari Model Koefisien

Kai Kuadrat

Derajat

Kebebasan Signifikansi

Langkah 1 Langkah 1 _22,882 ₃ _0,000

Blok 22,882 3 0,000

Model 22,882 3 0,000

3.2.3 Menguji Koefisien Regresi Tabel 3.6 Variabel dalam Persamaan

b S.E. Wald

Derajat

kebebasan Signifikansi Exp(b) Langkah 1 Jenis_Kelamin -0,376 0,683 0,303 1 0,582 0,687

Usia 0,031 0,014 4,805 1 0,028 1,031 Konsumsi_rokok 1,615 0,671 5,788 1 0,016 5,029 Konstanta -1,530 1,310 1,365 1 0,243 0,216

a. Variabel: Jenis_Kelamin, Usia, Konsumsi_rokok.

Dari Tabel 3.6 di atas diperoleh bahwa variabel Usia (X2) dan variabel

konsumsi rokok (X3) yang signifikan secara statistik, terlihat dari angka Signifikansi

(X2) 0,028 < 0,05 dan angka signifikansi (X3) 0,016 < 0,05. Sedangkan variabel Jenis

kelamin (X1) mempunyai angka signifikansi di atas 0,05 yaitu sebesar 0,582. Maka

model regresi akan diulang kembali, dan variabel-variabel independen yang akan dimasukkan kembali adalah variabel Usia (X2) dan variabel Konsumsi rokok

(44)

(X3). Langkah-langkah yang dilakukan sama dengan proses pembentukan model

regresi binary yang pertama dan hasil yang diperoleh adalah sebagai berikut:

Tabel 3.7 Uji Hosmer dan Lemeshow

Langkah Kai Kuadrat Derajat Kebebasan Signifikansi

1 _8,067 ₇ _0,327

Perhatikan nilai signifikansi dari Tabel 3.7, terlihat angka probabilitas adalah 0,327 > 0,05. Hal ini berarti model regresi binary kedua layak juga dipakai untuk analisis selanjutnya, karena tidak ada perbedaan yang nyata antara klasifikasi yang diprediksi dengan klasifikasi yang diamati.

Tabel 3.8 Ringkasan Pengolahan Kasus

Kasus yang tertimbang N Persentase Kasus yang dipilih Masuk dalam Analisis

96 100,0

Kasus yang tinggal 0 0,0

Total 96 100,0

Kasus yang tidak dipilih 0 0,0

Total 96 100,0

a. Lihat tabel klasifikasi untuk jumlah total kasus.

Tabel 3.9 Pengkodean Variabel Dependen

Nilai Yang Sebenarnya Nilai Internal

Tidak terserang ₀

Terserang ₁

Berdasarkan Tabel 3.8 dan Tabel 3.9 dapat dilihat bahwa:

a. Jumlah seluruh kasus yang diolah dalam penelitian ini adalah sebanyak 96 kasus. b. Nilai yang diberikan untuk variabel dependen adalah dummy yaitu 0 dan 1.

(45)

Tabel 3.10 Tabel Klasifikasi

Pengamatan

Prediksi Terserang_atau_tidak

Persentase Benar Tidak

terserang Terserang

Langkah 1 Terserang_atau_tidak Tidak terserang 31 13 70,5

Terserang 13 39 75,0

Persentase Keseluruhan 72,9

Dari Tabel 3.10 diperoleh tingkat akurasi model adalah 72,9%. Tabel klasifikasi ini digunakan untuk menunjukkan seberapa baik hasil prediksi dan ukuran akurasi model. Model yang baik mempunyai tingkat akurasi yang tinggi. Angka 72,9% merupakan angka yang cukup baik. Dari tabel di atas, dari 52 (13+39) pasien yang terserang radang paru–paru, baris pengamatan diprediksi oleh model 13 pasien tidak terserang radang paru–paru dan 39 pasien yang terserang radang paru-paru. Dari 44 (31+13) pasien yang tidak terserang radang paru baris pengamatandiprediksi oleh model 13 pasien terserang radang paru–paru dan 31 pasien yang tidak terserang radang paru-paru.

Tabel 3.11 Tahapan Iterasi

Iterasi -2 Log likelihood Koefisien Konstanta

Langkah 0 1 132,417 0,167

2 132,417 0,167

a. Metode: Masukkan

b. Konstan termasuk dalam model. c. Awal -2 Log Likelihood: 132417

d. Estimasi dihentikan pada iterasi nomor 2 karena nilai parameter lebih kecil dari, 001.

(46)

Tabel 3.12 Tahapan Iterasi

Iterasi -2 Log likelihood

Koefisien

Konstanta Usia Konsumsi_rokok

Langkah 1 1 110,262 -1,765 0,024 1,648

2 109,836 -2,104 0,029 1,867

3 109,834 -2,127 0,030 1,881

4 109,834 -2,127 0,030 1,881

a. Metode: Masukkan

b. Konstan termasuk dalam model. c. Awal -2 Log Likelihood: 132417

d. Estimasi dihentikan pada iterasi nomor 4 karena nilai parameter lebih kecil dari, 001.

Nilai -2 Log Likehood yang diperoleh setelah proses regresi binary kedua yang mana hanya memasukkan variabel bebas Usia (X2) dan Konsumsi rokok (X3)

dapat terlihat dari Tabel 3.11 dan Tabel 3.12 dengan nilai -2Log likehood 132,417 dan 109,834. Angka -2Log Likehood masih tetap turun. Penurunan ini menunjukkan model regresi tetap baik. Dan setelah dilakukan analisis data dengan model regresi yang telah diulang diperoleh koefisien regresi dari Tabel 3.13.

Tabel 3.13 Variabel dalam Persamaan

b S.E. Wald Df Signifikansi Exp(b) Step 1a Usia 0,030 0,014 4,593 1 0,032 1,030

Konsumsi_rokok 1,881 0,475 15,721 1 0,000 6,563 Constant -2,127 0,766 7,714 1 0,005 0,119 a. Variabel: Usia, Konsumsi_rokok, masukkan langkah satu 1

Dari koefisien yang diperoleh dari Table 3.13 maka diperoleh model persamaan regresi sebagai berikut ini:

� (�_�) = 1

(47)

Dari hasil olah data dan dari persamaan regresi logistik yang terbentuk, maka dapat diperoleh prediksi probabilitas setiap responden. Penulis mengambil responden pertama sebagai salah satu contoh seperti berikut ini:

� (�₁) = 1

1 + 2,7183−[−�,��+�,��(��)+�,��(�)]

� (�₁) = 1

1 + 2,7183−[−�,��+�,��(��)+�,��(�)]

� (�₁) = 1

1 + 2,7183−[−�,��+��,�]

� (�₁) = 1

1 + 2,7183−[��,��]

� (�₁) = 1

1 + 1,419251536.10(−�)

� (�₁) = 1

1 + 0,000000001419251536

p (x₁) = 1

1,000000001

p (x₁) = 0,999999999

Nilai �(�₁) = 0,999999999 menunjukkan bahwa probabilitas model seorang pasien pertama yang terserang radang paru–paru sebesar 0,999999999. Demikian selanjutnya perhitungan manual probabilitas setiap responden dari pasein pertama sampai pasien ke 96. Model regresi logistik akan memprediksi probabilitas dalam bentuk peluang (0–1) yang digambarkan dalam grafik berikut:

(48)

Gambar 3.1 Grafik antara Variabel Y dengan Variabel X2

Dari Gambar 3.1 Grafik antara variabel Y dengan variabel Usia (X2) dapat

dilihat bahwa semakin tua seorang pasien akan semakin besar atau meningkat resiko untuk terserang radang paru-paru.

(49)

Dari Gambar 3.2 Grafik antara variabel Y dengan variabel Komsumsi rokok (X3)

dapat dilihat bahwa baik perokok aktif maupun perokok pasif akan semakin besar atau meningkat resiko untuk terserang radang paru-paru jika semakin sering terpapar asap rokok.

Tabel 3.14 Ringkasan Model

Langkah -2 Log likelihood Cox & Snell R Kuadrat Nagelkerke R Kuadrat

1 109,834 0,210 0,280

Estimasi dihentikan pada iterasi nomor 4 karena nilai parameter lebih kecil dari 0,001.

Tabel 3.14 di atas menunjukkan angka cox dan Snell R Kuadrat merupakan ukuran seperti halnya Korelasi Determinasi (R2) pada Regresi Linier. Nilai ini didasarkan pada teknik estimasi likelihood dengan nilai maksimum ≤ 1. Nagelkerke R Kuadrat merupakan modifikasi dari koefisien Cox dan Snell untuk memastikan bahwa nilainya bervariasi dari nol sampai dengan satu. Nilai cox dan Snell R Kuadrat sebesar 0,210 dan nilai Nagelkerke R Kuadrat sebesar 0,280 artinya variabilitas variabel independen yang dapat dijelaskan oleh variabel independen adalah sebesar 28%.

(50)

BAB 4

KESIMPULAN DAN SARAN

4.1 Kesimpulan

Berdasarkan hasil penelitian penulis di RSUD Dr. Pirngadi Medan, maka dapat disimpulkan:

1. Berdasarkan hasil olah data, persamaan regresi logistik yang diperoleh adalah:

� (�_�) = 1

1 + �−[−�,��+( �,��_�+�,��_�]

2. Variabel Usia (X2) dan Konsumsi rokok (X3) berpengaruh secara signifikan

membentuk model regresi logistik pada penelitian ini sedangkan variabel Jenis Kelamin (X1) tidak berpengaruh secara signifikan artinya faktor resiko penyakit

radang paru-paru berdasarkan jenis kelamin tidak mempengaruhi model regresi logistik yang terbentuk.

3. Faktor resiko terbesar yang mempengaruhi penyakit radang paru-paru adalah variabel Konsumsi rokok (X3) terlihat dari angka koefisien regresi sebesar 1,881

artinya baik perokok aktif maupun perokok pasif tetapi yang semakin sering terpapar asap rokok sangat beresiko tinggi terserang penyakit radang paru-paru. 4. Angka koefisien regresi variabel Usia (X2) sebesar 0,030 artinya tua maupun

muda mempunyai resiko terkena dampak dari paparan asap rokok yang merupakan faktor resiko terbesar penyakit radang paru-paru.

5. Tingkat akurasi model sebesar 72,9% artinya model regresi yang terbentuk sudah dapat menggambarkan hubungan variabel independen terhadap variabel dependen.

(51)

4.2Saran

1. Semua pihak sangat diharapkan lebih memperhatikan PERGU SUMUT No. 35 tentang kawasan bebas asap rokok agar benar–benar tercipta kawasan yang sehat bagi setiap masyarakat sehingga masyarakat semakin sehat dan sejahtera. 2. Semua pihak diharapkan dapat saling mendukung dalam membuat keputusan

yang sehat dalam kehidupan sehari–hari sehingga menjadi gaya hidup dalam bermasyarakat.

3. Diharapkan pada peneliti selanjutnya untuk dapat mencari faktor-faktor lain yang mempengaruhi faktor resiko penyakit radang paru–paru sehingga meningkatkan kinerja para penggagas kebijakan kesehatan.

(52)

DAFTAR PUSTAKA

Damodar N. Gujarati and Dawn C. Porter. 2012. Dasar–dasar Ekonometrika. Jakarta: Salemba Empat.

David W. Hosmer and Stanley Lemeshow. 1989. Applied Logistic Regression. United States of America : Jhon Wiley & Sons, Inc.

Eko Budiarto. 2003. Metodologi Penelitian Kedokteran. Jakarta : Penerbit Buku Kedokteran EGC.

Jonathan Sarwono. 2013. Statistik Multivariat, Aplikasi untuk Riset Skripsi. Yogyakarta : CV Andi.

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. Gramedia Pustaka Utama

Sugiyono. 2006. Statistika untuk Penelitian. Bandung: CV Alfabeta.

Yasril dan Heru Subaris Kasjono. 2009. Analisis Multivariat untuk Penelitian Kesehatan. Yogjakarta : Mitra Cendekia.

Zulfikri Mukhtar. 2011. Desain Penelitian Klinis dan Statistika Kedokteran. Medan : USU Press.

Desember, 2013.

(1)

� (�₁) = 1

1 + 2,7183−[−�,��+�,��(��)+�,��(�)]

� (�₁) = 1

1 + 2,7183−[−�,��+�,��(��)+�,��(�)]

� (�₁) = 1

1 + 2,7183−[−�,��+��,�]

� (�1) = 1

1 + 2,7183−[��,��]

� (�₁) = 1

1 + 1,419251536.10(−�)

� (�1) = 1

1 + 0,000000001419251536 p (x₁) = 1

1,000000001 p (x₁) = 0,999999999

(2)

Gambar 3.1 Grafik antara Variabel Y dengan Variabel X2

Dari Gambar 3.1 Grafik antara variabel Y dengan variabel Usia (X2) dapat dilihat bahwa semakin tua seorang pasien akan semakin besar atau meningkat resiko untuk terserang radang paru-paru.

(3)

Dari Gambar 3.2 Grafik antara variabel Y dengan variabel Komsumsi rokok (X3) dapat dilihat bahwa baik perokok aktif maupun perokok pasif akan semakin besar atau meningkat resiko untuk terserang radang paru-paru jika semakin sering terpapar asap rokok.

Tabel 3.14 Ringkasan Model

Langkah -2 Log likelihood Cox & Snell R Kuadrat Nagelkerke R Kuadrat

1 109,834 0,210 0,280

Estimasi dihentikan pada iterasi nomor 4 karena nilai parameter lebih kecil dari 0,001.

(4)

BAB 4

KESIMPULAN DAN SARAN

4.1 Kesimpulan

Berdasarkan hasil penelitian penulis di RSUD Dr. Pirngadi Medan, maka dapat disimpulkan:

1. Berdasarkan hasil olah data, persamaan regresi logistik yang diperoleh adalah: � (�_�) = 1

1 + �−[−�,��+( �,��_�+�,��_�]

2. Variabel Usia (X2) dan Konsumsi rokok (X3) berpengaruh secara signifikan

membentuk model regresi logistik pada penelitian ini sedangkan variabel Jenis Kelamin (X1) tidak berpengaruh secara signifikan artinya faktor resiko penyakit

radang paru-paru berdasarkan jenis kelamin tidak mempengaruhi model regresi logistik yang terbentuk.

3. Faktor resiko terbesar yang mempengaruhi penyakit radang paru-paru adalah variabel Konsumsi rokok (X3) terlihat dari angka koefisien regresi sebesar 1,881

muda mempunyai resiko terkena dampak dari paparan asap rokok yang merupakan faktor resiko terbesar penyakit radang paru-paru.

5. Tingkat akurasi model sebesar 72,9% artinya model regresi yang terbentuk sudah dapat menggambarkan hubungan variabel independen terhadap variabel dependen.

(5)

4.2Saran

yang sehat dalam kehidupan sehari–hari sehingga menjadi gaya hidup dalam bermasyarakat.

(6)

DAFTAR PUSTAKA

Damodar N. Gujarati and Dawn C. Porter. 2012. Dasar–dasar Ekonometrika. Jakarta: Salemba Empat.

David W. Hosmer and Stanley Lemeshow. 1989. Applied Logistic Regression. United States of America : Jhon Wiley & Sons, Inc.

Eko Budiarto. 2003. Metodologi Penelitian Kedokteran. Jakarta : Penerbit Buku Kedokteran EGC.

Jonathan Sarwono. 2013. Statistik Multivariat, Aplikasi untuk Riset Skripsi. Yogyakarta : CV Andi.

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. Gramedia Pustaka Utama Sugiyono. 2006. Statistika untuk Penelitian. Bandung: CV Alfabeta.

Yasril dan Heru Subaris Kasjono. 2009. Analisis Multivariat untuk Penelitian Kesehatan. Yogjakarta : Mitra Cendekia.

Zulfikri Mukhtar. 2011. Desain Penelitian Klinis dan Statistika Kedokteran. Medan : USU Press. Desember, 2013.

Sistem Pakar Pendukung Keputusan Pembagian Harta Waris Menurut Syariat Islam Menggunakan Visual Basic 6.0

ANALISIS FAKTOR RESIKO PENYAKIT RADANG

PARU-PARU DENGAN METODE

REGRESI LOGISTIK

DEPARTEMEN MATEMATIKA

UNIVERSITAS SUMATERA UTARA

MEDAN

ANALISIS FAKTOR RESIKO PENYAKIT RADANG

PARU-PARU DENGAN METODE

REGRESI LOGISTIK

ANALISIS FAKTOR RESIKO PENYAKIT RADANG

PARU-PARU DENGAN METODE

REGRESI LOGISTIK

ANALYSIS OF RISK FACTORS PNEUMONIA

WITH LOGISTIC REGRESSION

ANALISIS FAKTOR RESIKO PENYAKIT RADANG

PARU-PARU DENGAN METODE

REGRESI LOGISTIK

ANALYSIS OF RISK FACTORS PNEUMONIA

WITH LOGISTIC REGRESSION

�

=

p(x

) =

π

(x) =

�

=

�

=

BAB 4

KESIMPULAN DAN SARAN

BAB 4

KESIMPULAN DAN SARAN

Parts

Dokumen yang terkait

Aplikasi Sistem Pakar Penentuan Hukum Fiqih Menggunakan Visual Basic 6.0

Sistem Pakar Tanaman Menurut Jenis Tanah Menggunakan Visual Basic 6.0

Pelaksanaan Pembagian Harta Bersama Setelah Terjadinya Perceraian Menurut Kompilasi Hukum Islam

Pelaksanaan Pembagian Harta Bersama Setelah Terjadinya Perceraian Menurut...

Sistem Informasi Pembagian Harta Waris Menurut Islam Berbasis Android

Sistem Pakar Pembagian Harta Waris Menur

PERANCANGAN APLIKASI SISTEM PAKAR PEMBAGIAN HARTA WARIS MENURUT ISLAM MENGGUNAKAN METODE BACKWARD CHAINING

SISTEM PAKAR PENGAMBILAN KEPUTUSAN DALAM PEMBAGIAN HARTA WARIS MENURUT HUKUM KEWARISAN ISLAM

Perancangan Program Aplikasi Faraidh sebagai Sistem Pendukung Keputusan Pembagian Harta Waris Berorientasi Solver

Sistem Pakar Berbasis Web Untuk Menentukan Pembagian Harta Waris Menurut Hukum Islam Menggunakan Metode Forward Chaining dan Dempster-Shafer

Dokumen yang Anda mencari sudah siap untuk unduhkan