REGRESI LOGISTIK DAN PENERAPANNYA DALAM

REGRESI LOGISTIK DAN PENERAPANNYA DALAM BIDANG
KESEHATAN
(Studi Kasus Kelahiran Prematur di RSKIA PKU Muhammadiyah Kotagede
Yogyakarta)

Skripsi
Diajukan Kepada Fakultas Sains dan Teknologi
Universitas Islam Negeri Sunan Kalijaga Yogyakarta
Untuk memenuhi sebagai persyaratan memperoleh derajat Sarjana S-1

Disusun oleh :
Nur Asyiah
04610006

PROGRAM STUDI MATEMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UIN SUNAN KALIJAGA
YOGYAKARTA
2008

i

ii

iii

iv

MOTTO

!"#$
%
%

$

&

&
'

( )

$

*
&

'
$

v

&

HALAMAN PERSEMBAHAN

+

!

Almamaterku Fakultas Sains dan
Teknologi
UIN Sunan kalijaga Yogyakarta.

+

' ,

-

+

%
. %

%0
2
,

vi

1

.

/

.

vii

KATA PENGANTAR

Alhamdulillah, berkat rahmat Allah SWT penulis dapat menyelesaikan
penyusunan skripsi guna memperoleh gelar sarjana sains. Seluruh rangkaian kegiatan
ini tidak dapat berjalan lancar tanpa adanya dukungan dan bantuan dari berbagai
pihak. Untuk itu penulis mengucapkan terima kasih yang sebesar-besarnya kepada:
1. Ibu Dra. Maizer Said Nahdi, M.Si, selaku Dekan Fakultas Sains dan
Teknologi UIN Sunan Kalijaga Yogyakarta beserta staff.
2. Ibu Dra. Khurul Wardati, M.Si, selaku Ketua Prodi Matematika beserta staff

yang telah memberikan nasehat dan arahan dalam penulisan ini.
3. Ibu Kariyam, M.Si dan Ibu Epha Diana Supandi, M.Sc. selaku pembimbing
yang telah memberikan bimbingan dalam penulisan skripsi ini.
4. Bapak Ichwan Iwan Rais dan Ibu Erny Trimarwati selaku ketua farmasi dan
ketua perawat di RSKIA PKU Muhammadiyah Kotagede Yogyakarta yang
telah dengan sabar membantu penulis dalam memberikan informasi serta
literatur tentang kelahiran prematur dan data-datanya.
5. Bapak dan Ibu (Ali Suwarno dan Rukini) yang selalu memberikan cinta kasih,
doa yang tulus dan nasehat yang tidak pernah putus sehingga penulis dapat
menyelesaikan penulisan skripsi ini.
6. Kakak-kakakku (Mas Ipul, Mbak Pin, Mas So) + keponakanku (Alfaruki)
yang selalu sabar mendampingi penulis disaat susah dan senang serta selalu
memberikan dukungan, semangat dalam penulisan skripsi ini.

viii

7. Embah kakung dan embah putri (H. Basir Dasuki dan Hj. Mutiah) beserta 5
paklek, 4 bulek dan 9 sepupuku yang selalu memberikan nasehat dan
dukungan dalam penulisan skripsi ini.
8. Sahabat-sahabatku Ani, Rina, Pipit, Tri, Eka, Iin, Heri, Dian yang selalu

menemani penulis pada saat senang dan susah, memberikan semangat yang
tiada henti-hentinya.
9. Teman-teman Matematika angkatan 2004 (Sahroni, Rifai, Dian, Dewi A,
Rina, Affan, Iin, Nining, Ani, Tri, Wahidin, Haya, Fia, Eka, Pipit, Serli,
Pendi, Diyat, Heri, Dadit, Roni, Arif, Sulija, Fardan, Hida, Galuh, Adi,
Ambar, Isti, Dewi N, Edi, Ita, Cinung, Haris, Harung, Rara) terima kasih atas
dukungan, motivasi, kenangan, masukan dan saran yang sangat membantu
dalam penulisan skripsi ini.
10. Teman-teman kosku (Mulin, Tya, Risma, Rida, Zaki, Icank, Ahya, Okky)
yang selalu memberikan dukungan dalam menyelesaikan skripsi ini.
11. Yusuf Wibisana terima kasih atas cinta, kasih sayang serta kesabaranmu
menghadapi aku. Semoga komitmen yang kita buat dulu, suatu saat nanti
dapat terwujudkan Amin.
Semoga semua kebaikan yang telah diberikan menjadi amal yang senantiasa
mendapat ridho Allah SWT dan mendapat balasan yang lebih baik dari_Nya Amin.
Penulis menyadari bahwa dalam penulisan skripsi ini masih banyak terdapat
kesalahan dan kekurangan yang menyebabkan skripsi ini masih jauh dari
kesempurnaan. Oleh karena itu, penulis mengharap saran, kritik dan masukan yang

ix

membangun demi perbaikan dimasa mendatang. Akhirnya harapan penulis semoga
skripsi ini berguna bagi semua pihak.
Yogyakarta, 20 Januari 2009
Penulis

Nur Asyiah
04610006

x

DAFTAR ISI
JUDUL………………………………………………………………………………i
HALAMAN PERSETUJUAN……………………………………………………...ii
HALAMAN PENGESAHAN……………………………………………………...iv
HALAMAN MOTTO……………………………………………………...………..v
HALAMAN PERSEMBAHAN…………………………………………………….vi
PERNYATAAN KEASLIAN...................................................................................vii
KATA PENGANTAR……………………………………………………………...viii
DAFTAR ISI………………………………………………………………………..xi

DAFTAR TABEL………………………………………………………………….xiv
DAFTAR LAMPIRAN……………………………………………………………xv
ABSTRAKSI………………………………………………………………………xvi
BAB I. PENDAHULUAN
A. Latar Belakang………………………………………………………………1
B. Manfaat Penelitian…………………………………………………………..6
C. Batasan Masalah…………………………………………………………….6
D. Rumusan Masalah…………………………………………………………..7
E. Tujuan Penelitian……………………………………………………………8
BAB II. TINJAUAN PUSTAKA
A. Tinjauan Pustaka……………………………………………………………9
B. Landasan Teori……………………………………………………………..10

xi

1. Regresi Linier………………………………………………………10
2. Pengukuran Data…………………………………………………...12
3. Variabel Random…………………………………………………..13
4. Metode Maksimum Likelihood…………………………………….14
5. Model Regresi Logistik Ganda…………………………………….15

6. Odds Rasio………………………………………………………….25
7. Definisi Faktor-faktor Dalam Kelahiran Prematur…………………30
C. Hipotesis……………………………………………………………………32
BAB III. METODOLOGI PENELITIAN
A. Cara Penelitian……………………………………………………………...33
1. Jenis Penelitian……………………………………………………...33
2. Objek Penelitian…………………………………………………….33
3. Sumber Penelitian…………………………………………………..34
4. Metode Penentuan Subjek………………………………………….34
5. Metode Pengumpulan Data…………………………………………34
6. Pemilihan Variabel…………………………………………………34
7. Variabel Penelitian…………………………………………………39
B. Cara Pengolahan Data Menggunakan SPSS……………………………….40
BAB IV. HASIL DAN PEMBAHASAN
A. Karakteristik Sampel……………………………………………………….43
B. Analisis Regresi Logistik Ganda…………………………………………...45

xii

C. Peramalan Probabilitas Ibu Hamil dengan Kelahiran Prematur dalam

Persalinnnya………………………………………………………………..52
BAB V. PENUTUP
A. Kesimpulan………………………………………………………………...55
B. Saran-saran…………………………………………………………………56
DAFTAR PUSTAKA………………………………………………………………57
LAMPIRAN-LAMPIRAN

xiii

DAFTAR TABEL

1.

Tabel 2.1 Nilai-nilai model regresi logistik untuk variabel independent
dikotomi..............................................................................................................25

2.

Tabel 2.2 klasifikasi silang untuk variabel independent (umur) dikotomi pada
usia 55 tahun dan CHD untuk 100 subjek..........................................................29

3.

Tabel 2.3 Hasil kecocokan model regresi logistik dalam tabel 2.2....................30

4.

Tabel 4.1. Tabulasi silang antara kelahiran prematur dengan riwayat
prematur..............................................................................................................44

5.

Tabel 4.2. Tabulasi silang antara kelahiran prematur dengan pendarahan.........44

6.

Tabel 4.3. P-value dari masing-masing variabel prediktor................................45

7.

Tabel 4.4. Estimasi koefisien regresi logistik ganda dengan semua variabel
x1 , x 2 , x 3 , x 4 dan x 5 ........................................................................................46

8.

Tabel

4.5.

uji

rasio

likelihood

dalam

regresi

logistik

dengan

x1 , x 2 , x 3 , x 4 dan x 5 ........................................................................................46
9.

Tabel 4.6. Estimasi koefisien regresi logistik ganda tanpa variabel x1 ..............49

10.

Tabel 4.7. Estimasi koefisien regresi logistik ganda tanpa x1 dan x 4 ................ ...50

11.

Tabel 4.8. Hasil perhitungan kasus-kasus kelahiran prematur ....................... ..54

xiv

DAFTAR LAMPIRAN

Lampiran 1 Hasil Masukan Data Berupa pengkodean 1 dan 0 ……………………..58
Lampiran 2 Hasil Masukan Data Berupa pengkodean ya dan tidak………………...63
Lampiran 3 Hasil Output Tables…………………………………………………….69
Lampiran 4 Output regresi logistik dengan variabel x1, x2 , x3, x4 dan x5...................70
Lampira 5 Output regresi logistik dengan variabel x2 , x3, x4 dan x5 ..........................73
Lampira 6 Output regresi logistik dengan variabel x2 , x3 dan x5 ...............................76
Lampiran 7 Hasil perhitungan kasus-kasus kelahiran prematur…………………….79

xv

REGRESI LOGISTIK DAN PENERAPANNYA DALAM BIDANG
KESEHATAN
(Studi Kasus Kelahiran Prematur di RSKIA PKU Muhammadiyah Kotagede
Yogyakarta)
Oleh : Nur Asyiah

ABSTRAKSI
Regresi logistik adalah model matematika yang menggambarkan hubungan antara
satu atau lebih variabel independent dengan variabel dependent yang dikotomi yaitu
variabel yang diasumsikan mempunyai dua nilai yang mungkin 0 atu 1 dimana
kondisi ini dapat diartikan sukses atau gagal. Model regresi logistik yang digunakan
dalam penulisan skripsi ini adalah model regresi logistik ganda. Model regresi
logistik ganda adalah model regresi logistik dengan variabel independentnya lebih
dari 1, dengan persamaan:
e g ( x)
π ( x) =
dimana g ( x ) = β 0 + β 1 x1 + β 2 x 2 + ... + β p x p .
1 + e g ( x)
Metode yang digunakan untuk mengestimasi parameter model regresi logistik
pada penulisan ini adalah metode maksimum likelihood. Metode maksimum likelihood
pada dasarnya akan memiliki β yang memaksimumkan bentuk persamaan fungsi
likelihood seperti persamaan:

L(β ) = ln [l (β )] =

n

{

ln π ( xi ) i [π ( xi )]
y

1− y i

}

i =1

Analisis regresi logistik dapat diterapkan dalam berbagai bidang salah satunya
dibidang kesehatan tentang kelahiran prematur. Tujuan penulisan ini adalah untuk
memperoleh model regresi logistik untuk kelahiran prematur dan mengetahui
variabel-variabel apa saja yang mempengaruhi kelahiran prematur
Berdasarkan uji-uji statistik seperti uji rasio likelihood dan uji wald dengan bantuan
program SPSS dalam mengolah datanya diperoleh bahwa dari variabel-variabel
kelahiran prematur seperti riwayat sebelumnya ( x1 ) , hipertensi ( x 2 ) , anemia ( x3 ) ,
lahir bayi kembar ( x 4 ) dan pendarahan ( x5 ) ternyata hanya hipertensi ( x 2 ) ,
anemia ( x3 ) dan pendarahan ( x5 ) saja yang mempengaruhi kelahiran prematur.

xvi

1

BAB I
PENDAHULUAN

A. Latar Belakang
Perkembangan dunia yang semakin pesat diikuti pula dengan berbagai
permasalahan kompleks yang mulai bermunculan. Hal tersebut memberikan
motivasi yang berarti dalam mengembangkan ilmu pengetahuan guna memberi
solusi real terhadap masalah-masalah real yang ada dalam kehidupan sehari-hari.
Fenomena seperti ini memotivasi analisis statistik untuk berkembang dalam
menjawab

permasalahan-permasalahan

real

yang

ada.

Analisis

statistik

diharapkan menjadi salah satu alternatif dalam mengambil keputusan yang
rasional ilmiah berdasarkan data historis yang ada. Dengan analisis statistik,
kemungkinan untuk melakukan prediksi-prediksi dengan tingkat konfidensi
(kepercayaan) yang sangat tinggi. Selain itu, analisis statistik dapat mengolah data
yang ada untuk digunakan sebagai bahan pengambilan keputusan-keputusan yang
strategis. Oleh karena itu, analisis statistik merupakan metode yang patut
diperhitungkan untuk mengambil keputusan maupun kebijakan yang akurat.
Banyaknya ilmu-ilmu yang dikembangkan dalam ilmu-ilmu statistik
terapan dalam kehidupan sehari-hari menyebabkan penemuan-penemuan baru
untuk menganalisis suatu masalah, salah satunya adalah analisis regresi. Analisis
regresi merupakan alat yang memanfaatkan hubungan dua atau lebih variabel
sehingga salah satu variabel bisa diramalkan dari variabel lainnya. Pada analisis

2

regresi terdapat dua jenis variabel yaitu variabel bebas (variable independent) dan
variabel tak bebas (variable dependent). Variabel independent adalah variabel
yang nilainya dapat diamati namun tidak dapat dikendalikan, sedangkan varibel
dependent adalah variabel yang nilainya bergantung pada variabel independent.
Hubungan antara satu atau dua variabel dapat lebih mudah dipahami dengan satu
model yang disebut model regresi.
Analisis regresi dapat dikelompokkan menjadi analisis regresi linier dan
regresi nonlinier. Data hasil penelitian yang berupa data kualitatif dapat dianalisis
dengan regresi nonlinier. Salah satu model nonlinier yang dapat digunakan untuk
menganalisis data kualitatif adalah model regresi logistik. Model regresi logistik
adalah model matematika yang menggambarkan hubungan antara satu atau lebih
variabel independent dengan variabel dependent yang dikotomi yang variabelnya
dianggap hanya mepunyai dua nilai yang mungkin, yaitu 0 atau

1, dimana

kondisi ini dapat diartikan sebagai solusi atau gagal pada analisis regresi logistik
univariat tunggal dan model regresi logistik multivariat (ganda).
Untuk menentukan persamaan regresi logistik yang akan digunakan untuk
memprediksi nilai variabel dependent harus dicari estimasi parameter pada model
regresi logistik. Ada beberapa metode yang dapat digunakan untuk mengestimasi
parameter model regresi logistik, yaitu maximum likelihood methods, nonit-

3

erative weighted least squares methods dan discriminant function analysis.1 Salah
satu metode yang lebih umum dan digunakan pada sebagian besar paket program
komputer yang menganalisis regresi logistik adalah maximum likelihood. Metode
maximum likelihood merupakan metode untuk menentukan parameter yang
memberikan nilai maksimum pada fungsi likelihood.
Analisis regresi logistik banyak dimanfaatkan pada penelitian yang
mempunyai dua kemungkinan “sukses” atau “gagal” seperti pada penelitian di
bidang biologi, elektronik, dunia kesehatan dan masih banyak lagi penerapan
dibidang lain. Sebagai contoh pada bidang kesehatan adalah terjadinya kelahiran
prematur.

Kelahiran prematur didefinisikan untuk proses persalinan yang terjadi antara
minggu ke 22 sampai dengan minggu ke 37 usia kehamilan, dihitung sejak hari
pertama haid terakhir atau 3 minggu sebelum waktu perkiraan persalinan. Batas
minimal usia kehamilan ini berdasarkan keyakinan dan standar umum bahwa
janin akan mampu bertahan hidup didunia luar setelah berada dalam kandungan
minimal selama 21 minggu. Bila janin keluar sebelum minggu ke 21 didefinisikan
sebagai keguguran dan hampir dipastikan janin tidak bisa bertahan hidup.
Menurut statistik, kelahiran prematur terjadi pada 5% kehamilan, sedangkan
keguguran 10%.2 Penyebab kelahiran prematur bermacam-macam, diantaranya

1

Hosmer, David W. dan Stanley Lemeshow. Applied Logistic Regression, second Edition (New York:
John Wiley & Sons, 2000), p. 21.
2
www. bagibagi.com/dewasa/2-lahir/prematur di download tanggal 08 April 2008

4

adalah disebabkan oleh janin itu sendiri misalkan bayi kembar, bayi dalam posisi
sungsang, atau disebabkan oleh ibu yang mengandung mempunyai penyakit darah
tinggi (hipertensi), darah rendah (anemia), volume air ketuban yang terlalu
banyak yang mendorong terjadinya pecah ketuban sebelum waktunya, terjadinya
pendarahan yang disebabkan oleh kontraksi akibat benturan atau karena penyebab
lainnya sehingga terjadi pendarahan dan riwayat ibu pernah melahirkan prematur
(riwayat kelahiran prematur sebelumnya).3
Berdasarkan dari faktor-faktor penyebab dari kelahiran prematur, penulis akan
mengadakan penelitian tentang statistik terapan dari regresi logistik dengan
mengambil variabel dependent (Y) adalah kelahiran prematur yang merupakan
variabel kategorik bivariat yang bernilai ya atau tidak dan variabel independent
(X) adalah riwayat prematur sebelumnya ( x1 ), hipertensi ( x 2 ), anemia ( x3 ), lahir
bayi kembar ( x 4 ), dan pendarahan ( x5 ). Sedangkan data penelitian ini akan
didapatkan dari Rumah Sakit Khusus Ibu Dan Anak (RSKIA) PKU (Pembinaan
Kesejahteraan Umat) Muhammadiyah Kotagede Yogyakarta.
Rumah sakit ini adalah salah satu rumah sakit yang berada di D.I. Yogyakarta
dengan yang memiliki tujuan untuk menumbuhkan dan mengembangkan rumah
sakit yang mampu mendukung tersedianya sarana dan jasa pelayanan kesehatan
yang berkualitas tinggi bagi kebutuhan semua lapisan masyarakat4. Selain itu
3

Wiknjosastro, Hanafi. Ilmu Kebidanan (Jakarta: Yayasan Bina Pustaka Sarwono Prawirohardjo,
2002), p. 775.
4
Dokumentasi, Mengutip dari Buku Sejarah dan Struktur RSKIA PKU Muhammadiyah, Tahun 2008,
hal. 4

5

rumah sakit ini memiliki letak strategis yaitu berada dipinggiran kota sehingga
jauh dari kebisingan dan dapat dijangkau oleh semua orang dengan kendaraan
umum dan pribadi. Rumah sakit ini banyak diminati oleh pasien, fasilitas
pelayanannya memuaskan dengan terbukti pelayanannya sangat cepat dan
nyaman sesuai dengan visinya yaitu “Menjadikan RSKIA PKU Muhammadiyah
Kotagede sebagai rumah sakit yang terpercaya dan menjadi andalan masyarakat
dalam menciptakan masyarakat kotagede yang sehat dengan kualitas pelayanan
kesehatan yang cepat, nyaman dan islami”. Untuk mewujudkan visi tersebut
RSKIA ini mempunyai misi:
Memberikan pelayanan kesehatan kepada masyarakat dengan pelayanan yang
cepat, tepat, bermutu, ringan serta islami dari dakwah islami
Mewujudkan derajad kesehatan yang optimal bagi semua lapisan masyarakat
tanpa membedakan ras, suku, dan agama
Meningkatkan mutu pelayanan dan kesehatan karyawan
Meningkatkan kemampuan daya dan dana untuk mendukung kemandirian
RSKIA PKU Muhammadiyah Kotagede.
Penelitian ini membahas tentang kelahiran prematur sehingga pemilihan
tempat di RSKIA ini sudah tepat, mengingat RSKIA memiliki data tentang
kelahiran prematur.
Tujuan dari penelitian ini adalah untuk memperoleh model regresi logistik
untuk kelahiran prematur dan mengetahui variabel-variabel yang mempengaruhi
kelahiran prematur. Model tersebut diperoleh dengan mengolah data-data dari

6

RSKIA PKU Muhammadiyah Kotagede Yogyakarta menggunakan komputer dan
dianalisis dengan program SPSS, karena program ini sudah dilengkapi dengan
analisis regresi logistik.

B. Manfaat Penelitian
Adapun manfaat dari penelitian ini diantaranya adalah
a. Diharapkan dengan hasil penelitian ini dapat memperkaya khasanah ilmu
pengetahuan tentang regresi logistik dan penerapannya dalam bidang
kesehatan (studi kasus kelahiran prematur di RSKIA PKU Muhammadiyah
Kotagede Yogyakarta).
b. Dapat dipakai sebagai informasi sekaligus acuan bagi mahasiswa untuk
mengembangkan ilmu-ilmu statistik dalam bidang yang lain.
c. Hasil penelitian ini dapat dipakai sebagai informasi tambahan dibidang
kesehatan mengenai kasus kehamilan yang beresiko tinggi mengenai
kelahiran prematur karena hasil penelitian ini, berdasarkan uji-uji statistik
yang secara ilmiah dapat dipertanggung jawabkan kebenarannya.

C. Batasan Masalah
Permasalahan pada penelitian ini adalah penerapan statistik pada bidang
kesehatan (Studi Kasus Kelahiran Prematur di RSKIA PKU Muhammadiyah
Kotagede Yogyakarta). Untuk menghindari pembahasan yang terlalu melebar dan
mengingat keterbatasan peneliti pada pengetahuan tentang statistik terapan ini,

7

maka masalah dalam penelitian akan dibatasi. Statistik yang dibahas dalam
penelitian ini difokuskan pada regresi logistik yang akan diterapkan dalam
kesehatan yaitu khususnya tentang ibu yang melahirkan di RSKIA PKU
Muhammadiyah Kotagede Yogyakarta. Adapun masalah yang akan diangkat oleh
penulis adalah mengenai faktor-faktor penyebab kelahiran prematur diantaranya
adalah riwayat prematur, hipertensi, anemia, lahir bayi kembar dan pendarahan
yang merupakan variabel independent (X) dan terjadinya kelahiran prematur atau
tidak pada ibu hamil yang merupakan variabel dependent (Y).

D. Rumusan Masalah
Berdasarkan latar belakang diatas maka penulis tertarik untuk mengangkat
permasalahan tentang terapan statistik, terutama lebih terfokus pada

regresi

logistik dan penerapannya dalam bidang kesehatan, maka dalam penelitian ini
dirumuskan permasalahannya sebagai berikut:
1. Bagaimana pendekatan analisis regresi logistik pada kasus kelahiran
prematur?
2. Berdasarkan model regresi logistik, variabel-variabel apa saja yang
berpengaruh terhadap kelahiran prematur?
3. Bagaimana peramalan untuk kelahiran prematur?

8

E. Tujuan Penulisan
Adapun tujuan dari penelitian ini adalah sebagai berikut:
1. Memperoleh model regresi logistik untuk kelahiran prematur.
2. Mengetahui variabel-variabel yang mempengaruhi kelahiran prematur.
3. Mengetahui peluang terjadinya kelahiran prematur.

55

BAB V
PENUTUP

A. KESIMPULAN
Setelah data berhasil dianalisis, maka hasil penelitian dalam skripsi ini dapat
penulis simpulkan sebagai berikut:
1. Model regresi logistik ganda adalah

e −0, 996+0,935 x2 +0,838 x3 +1,013 x5
πˆ ( xi ) =
1 + e −0,996+0,935 x2 +0,838 x3 +1,013 x5
2. Berdasarkan uji statistik yang telah dilakukan terlihat bahwa kelahiran
prematur hanya dipengaruhi oleh tiga faktor saja yaitu hipertensi(x2),
anemia(x3)

dan

pendarahan(x5).

Untuk

variabel

riwayat

prematur

sebelumnya(x1) dan lahir bayi kembar(x4) tidak mempengaruhi kelahiran
prematur karena kedua variabel ini tidak signifikan.
3. Berdasarkan model regresi ganda yang terbentuk, kita dapat mengetahui
peluang ibu hamil dalam kelahirannya apakah dia nantinya akan melahirkan
prematur atau tidak dalam persalinannya jika dia memiliki faktor-faktor
kelahiran prematur diantaranya riwayat prematur, hipertensi, anemia, lahir
bayi kembar dan pendarahan.

56

B. SARAN-SARAN
1. Untuk rumah sakit diharapkan dapat memperhatikan pasien-pasien yang
mempunyai faktor-faktor penyebab kelahiran prematur yaitu khususnya
hipertensi, anemia dan pendarahan selama kehamilan karena dapat
menyebabkan kelahiran prematur setelah diuji dengan statistik regresi
logistik.
2. Dengan model yang didapat ini diharapkan rumah sakit dapat meningkatkan
mutu pelayanannya dalam mengambil tindakan lebih cepat jika terdapat
pasien yang mempunyai gejala seperti dalam model.
3. Dengan model yang didapat ini, pihak rumah sakit juga dapat memprediksi
apabila ada pasien yang mempunyai faktor-faktor hipertensi, anemia dan
pendarahan dapat menyebabkan kelahiran prematur.
4. Untuk pengetahuan diharapkan peneliti-peneliti lain dapat mengembangkan
aplikasi regresi logistik dibidang lainnya, selain dalam bidang kesehatan.

57

DAFTAR PUSTAKA

Dokumentasi,

Mengutip

dari

Buku

Sejarah

dan

Struktur

RSKIA

PKU

Muhammadiyah, Tahun 2008.
Fahmeini, Analisis Regresi Logistik: Faktor-Faktor Resiko Penyakit Diare Pada Bayi
Di RS. PKU Muhammadiyah Yogyakarta. Yogyakarta: Program Statistika
FMIPA UGM. 2006.
Gunardi, Metode statistik. Yogyakarta: Universitas Gajah Mada,2004.
Hosmer, David W. dan Stanley Lemeshow, Applied Logistic Regressio. New York:
John Wiley $ Sons. 2000.
Pujiasih, Wiwit, Regresi Logistik Kondisional Untuk Desain Matched Control.
Yogyakarta: Program Statistika FMIPA UGM. 2007.
Shao, Jun, Mathematical Statistics. New York: John Wiley $ sons. 1935.
Uyanto, Stanislaus S. Pedoman Analisis Data Dengan SPSS. Yogyakarta: Graha
Ilmu, 2006.
Wiknjosastro, Hanifa, Ilmu Kebidanan. Jakarta: Yayasan Bina Pustaka Sarwono
Prawirohardjo, 2002.
www. bagibagi.com/dewasa/2-lahir/prematur di download tanggal 08 April 2008.
Walpole, Ronald E, Pengantar Statistik, Edisi 3. Jakarta: Gramedia Utama, 1995.

58

Lampiran 1 (Hasil Masukan Data Berupa pengkodean 1 dan 0)
No
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45

No. Id
3921
6256
8396
8712
8927
11193
11216
11410
11412
11454
11714
11741
12228
12555
12579
12632
13950
14030
14134
14406
14633
15001
15225
15584
15609
15647
15717
15820
15845
15846
15900
16017
16069
16172
16202
16219
16248
16283
16354
16408
16425
16459
16521
16530
16602

y
1
1
0
1
0
0
1
0
0
0
0
1
1
1
1
1
0
1
1
1
0
1
1
1
0
1
0
0
0
0
0
1
0
0
0
0
0
0
1
0
1
1
0
0
0

X1
1
1
1
1
1
0
1
0
0
1
0
0
0
0
0
1
0
1
0
0
1
1
1
1
1
1
1
1
0
0
0
0
1
1
0
1
0
0
0
1
0
0
0
1
1

X2
0
0
0
0
0
0
0
0
1
0
0
1
0
0
1
1
0
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
1
0
0
0

X3
1
0
0
1
0
0
0
0
1
1
0
0
0
0
0
0
0
0
1
0
1
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
1
0
0
0
0

X4
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0

X5
0
0
0
1
0
0
0
0
0
0
0
1
0
0
0
1
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
1
0
0

59

46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94

16612
16625
16682
16684
16750
16767
16768
16791
16823
16824
16830
16846
16871
16890
16918
16932
16960
16969
17032
17040
17061
17062
17066
17088
17129
17170
17180
17181
17211
17213
17263
17289
17290
17309
17355
17361
17385
17417
17439
17498
17499
17531
17549
17586
17601
17603
17631
17641
17645

1
1
0
0
0
0
0
1
0
0
1
0
0
0
0
0
1
0
1
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
1
0
0
1
1
1
0
0
1
1

1
1
0
0
0
0
0
0
1
0
0
0
0
1
0
0
0
1
0
1
0
0
1
0
0
0
0
0
1
1
0
1
0
1
0
1
0
0
1
1
1
0
0
0
1
0
0
1
0

0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
1
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1

0
1
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
1
0
1
0
0
0
0
0
1
1
0
1
0
1
0
0
1
1

0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
0
0
0
0
0
0
0
0

0
0
0
0
0
0
0
0
0
0
1
1
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
1

60

95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143

17673
17675
17691
17718
17741
17749
17750
17761
17789
17886
17900
17907
17929
17948
17983
18060
18086
18094
18180
18253
18254
18277
18310
18313
18316
18363
18380
18469
18510
18515
18548
18556
18572
18624
18636
18657
18658
18685
18711
18753
18776
18781
18811
18885
18888
18904
18944
18945
18961

0
0
0
0
0
0
0
1
1
0
0
0
0
1
0
0
0
0
0
0
1
0
0
0
0
0
1
0
1
0
0
0
0
0
0
0
1
0
0
1
0
1
1
1
1
0
1
0
0

0
1
1
1
1
1
0
0
1
0
0
0
0
0
1
0
0
0
0
0
1
1
1
0
1
1
0
0
0
1
0
1
1
0
0
0
1
0
1
0
0
1
0
0
0
0
0
0
1

0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
1
0
1
0
1
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
1
0
0

0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
1
0
1
0
0
0
0
0
1
1
0
0
1
0
0
1
0
0
0
0
1
0
0

0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0

0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
0
1
0
0
1
0
0
0
0
0
0
0

61

144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192

18982
18998
19014
19022
19031
19049
19129
19134
19152
19172
19173
19190
19210
19288
19289
19303
19326
19357
19376
19380
19460
19476
19501
19505
19549
19555
19578
19659
19677
19680
19711
19721
19770
19789
19801
19813
19839
19842
19847
19854
19897
19929
20054
20060
20064
20066
20103
20126
20130

1
0
1
0
0
0
0
0
0
1
1
0
0
1
1
0
0
0
0
1
1
1
0
0
1
1
0
0
0
0
0
0
0
0
0
1
0
0
1
0
0
1
0
1
1
0
0
0
1

1
0
0
0
0
0
0
0
1
0
0
0
0
1
1
1
1
0
0
1
0
0
0
0
0
0
0
1
1
1
0
1
0
1
0
0
0
0
1
0
0
0
0
1
1
0
0
0
1

0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
1
0
0
0
1
0
0
0
0
0
0
0
0
1
0
0
1
1
0
0
0
0

0
0
0
0
0
0
0
0
1
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
0
0
0
1
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0

0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1

0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
1
1
0
0
0

62

193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228

20211
20213
20228
20236
20238
20252
20305
20321
20335
20354
20390
20403
20486
20506
20507
20508
20509
20563
20682
20760
20762
20893
21104
21391
21411
21435
21485
21549
21780
21840
22136
22137
22205
81275
81290
81693

0
1
0
0
1
0
0
0
0
1
0
0
0
1
1
1
1
1
1
1
1
0
0
1
1
0
0
0
1
0
1
1
1
1
0
0

0
1
1
0
1
0
0
0
1
0
0
0
0
0
0
1
0
1
0
1
1
0
1
1
0
0
1
0
0
0
0
0
0
1
1
1

0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
1
0
1
1
0
0
0
0
0
0
0
0
0
0
0
0
1
1
0

0
0
0
0
1
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
1
1
0
0

0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
1
0
0
0
0
0
0
0
0
0
0
0
0

0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0

63

Lampiran 2 (Hasil Masukan Data Berupa pengkodean ya dan tidak)
No
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41

No. Id
3921
6256
8396
8712
8927
11193
11216
11410
11412
11454
11714
11741
12228
12555
12579
12632
13950
14030
14134
14406
14633
15001
15225
15584
15609
15647
15717
15820
15845
15846
15900
16017
16069
16172
16202
16219
16248
16283
16354
16408
16425

y
ya
ya
tidak
ya
tidak
tidak
ya
tidak
tidak
tidak
tidak
ya
ya
ya
ya
ya
tidak
ya
ya
ya
tidak
ya
ya
ya
tidak
ya
tidak
tidak
tidak
tidak
tidak
ya
tidak
tidak
tidak
tidak
tidak
tidak
ya
tidak
ya

X1
ya
ya
ya
ya
ya
tidak
ya
tidak
tidak
ya
tidak
tidak
tidak
tidak
tidak
ya
tidak
ya
tidak
tidak
ya
ya
ya
ya
ya
ya
ya
ya
tidak
tidak
tidak
tidak
ya
ya
tidak
ya
tidak
tidak
tidak
ya
tidak

X2
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
ya
tidak
tidak
ya
tidak
tidak
ya
ya
tidak
ya
ya
ya
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
ya
tidak
tidak
tidak

X3
ya
tidak
tidak
ya
tidak
tidak
tidak
tidak
ya
ya
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
ya
tidak
ya
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
ya
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
ya

X4
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak

X5
tidak
tidak
tidak
ya
tidak
tidak
tidak
tidak
tidak
tidak
tidak
ya
tidak
tidak
tidak
ya
tidak
ya
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
ya

64

42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85

16459
16521
16530
16602
16612
16625
16682
16684
16750
16767
16768
16791
16823
16824
16830
16846
16871
16890
16918
16932
16960
16969
17032
17040
17061
17062
17066
17088
17129
17170
17180
17181
17211
17213
17263
17289
17290
17309
17355
17361
17385
17417
17439
17498

ya
tidak
tidak
tidak
ya
ya
tidak
tidak
tidak
tidak
tidak
ya
tidak
tidak
ya
tidak
tidak
tidak
tidak
tidak
ya
tidak
ya
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
ya
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
ya

tidak
tidak
ya
ya
ya
ya
tidak
tidak
tidak
tidak
tidak
tidak
ya
tidak
tidak
tidak
tidak
ya
tidak
tidak
tidak
ya
tidak
ya
tidak
tidak
ya
tidak
tidak
tidak
tidak
tidak
ya
ya
tidak
ya
tidak
ya
tidak
ya
tidak
tidak
ya
ya

ya
tidak
tidak
tidak
tidak
ya
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
ya
tidak
tidak
ya
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
ya
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak

tidak
tidak
tidak
tidak
tidak
ya
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
ya
tidak
tidak
tidak
tidak
tidak
tidak
ya
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
ya
tidak
ya
tidak
tidak
tidak
tidak
tidak
ya

tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
ya

tidak
ya
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
ya
ya
tidak
tidak
tidak
tidak
ya
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak

65

86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129

17499
17531
17549
17586
17601
17603
17631
17641
17645
17673
17675
17691
17718
17741
17749
17750
17761
17789
17886
17900
17907
17929
17948
17983
18060
18086
18094
18180
18253
18254
18277
18310
18313
18316
18363
18380
18469
18510
18515
18548
18556
18572
18624
18636

tidak
tidak
ya
ya
ya
tidak
tidak
ya
ya
tidak
tidak
tidak
tidak
tidak
tidak
tidak
ya
ya
tidak
tidak
tidak
tidak
ya
tidak
tidak
tidak
tidak
tidak
tidak
ya
tidak
tidak
tidak
tidak
tidak
ya
tidak
ya
tidak
tidak
tidak
tidak
tidak
tidak

ya
tidak
tidak
tidak
ya
tidak
tidak
ya
tidak
tidak
ya
ya
ya
ya
ya
tidak
tidak
ya
tidak
tidak
tidak
tidak
tidak
ya
tidak
tidak
tidak
tidak
tidak
ya
ya
ya
tidak
ya
ya
tidak
tidak
tidak
ya
tidak
ya
ya
tidak
tidak

tidak
tidak
tidak
tidak
tidak
tidak
tidak
ya
ya
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
ya
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
ya
tidak
ya
tidak
ya
tidak
tidak
tidak
tidak
tidak

ya
tidak
ya
tidak
ya
tidak
tidak
ya
ya
tidak
tidak
tidak
tidak
ya
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
ya
tidak
tidak
tidak
tidak
tidak
ya
tidak
ya
tidak
tidak
tidak
tidak
tidak
ya

ya
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak

tidak
tidak
tidak
tidak
ya
tidak
tidak
tidak
ya
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak

66

130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173

18657
18658
18685
18711
18753
18776
18781
18811
18885
18888
18904
18944
18945
18961
18982
18998
19014
19022
19031
19049
19129
19134
19152
19172
19173
19190
19210
19288
19289
19303
19326
19357
19376
19380
19460
19476
19501
19505
19549
19555
19578
19659
19677
19680

tidak
ya
tidak
tidak
ya
tidak
ya
ya
ya
ya
tidak
ya
tidak
tidak
ya
tidak
ya
tidak
tidak
tidak
tidak
tidak
tidak
ya
ya
tidak
tidak
ya
ya
tidak
tidak
tidak
tidak
ya
ya
ya
tidak
tidak
ya
ya
tidak
tidak
tidak
tidak

tidak
ya
tidak
ya
tidak
tidak
ya
tidak
tidak
tidak
tidak
tidak
tidak
ya
ya
tidak
tidak
tidak
tidak
tidak
tidak
tidak
ya
tidak
tidak
tidak
tidak
ya
ya
ya
ya
tidak
tidak
ya
tidak
tidak
tidak
tidak
tidak
tidak
tidak
ya
ya
ya

tidak
ya
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
ya
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
ya
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
ya
tidak
tidak

ya
tidak
tidak
ya
tidak
tidak
ya
tidak
tidak
tidak
tidak
ya
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
ya
tidak
ya
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
ya
ya
tidak
tidak

tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak

ya
ya
tidak
ya
tidak
tidak
ya
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
ya
tidak
tidak
tidak
tidak
tidak
ya
tidak
tidak
tidak
tidak
tidak
tidak
tidak

67

174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217

19711
19721
19770
19789
19801
19813
19839
19842
19847
19854
19897
19929
20054
20060
20064
20066
20103
20126
20130
20211
20213
20228
20236
20238
20252
20305
20321
20335
20354
20390
20403
20486
20506
20507
20508
20509
20563
20682
20760
20762
20893
21104
21391
21411

tidak
tidak
tidak
tidak
tidak
ya
tidak
tidak
ya
tidak
tidak
ya
tidak
ya
ya
tidak
tidak
tidak
ya
tidak
ya
tidak
tidak
ya
tidak
tidak
tidak
tidak
ya
tidak
tidak
tidak
ya
ya
ya
ya
ya
ya
ya
ya
tidak
tidak
ya
ya

tidak
ya
tidak
ya
tidak
tidak
tidak
tidak
ya
tidak
tidak
tidak
tidak
ya
ya
tidak
tidak
tidak
ya
tidak
ya
ya
tidak
ya
tidak
tidak
tidak
ya
tidak
tidak
tidak
tidak
tidak
tidak
ya
tidak
ya
tidak
ya
ya
tidak
ya
ya
tidak

tidak
ya
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
ya
tidak
tidak
ya
ya
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
ya
tidak
tidak
tidak
tidak
ya
tidak
ya
ya
tidak
tidak
tidak
tidak

tidak
ya
tidak
tidak
tidak
tidak
tidak
ya
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
ya
tidak
tidak
tidak
tidak
ya
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak

tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
ya
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
ya
tidak
ya
tidak

tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
ya
tidak
tidak
ya
ya
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak

68

218
219
220
221
222
223
224
225
226
227
228

21435
21485
21549
21780
21840
22136
22137
22205
81275
81290
81693

tidak
tidak
tidak
ya
tidak
ya
ya
ya
ya
tidak
tidak

tidak
ya
tidak
tidak
tidak
tidak
tidak
tidak
ya
ya
ya

tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
ya
ya
tidak

tidak
tidak
tidak
tidak
tidak
ya
tidak
ya
ya
tidak
tidak

tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak

tidak
tidak
tidak
tidak
tidak
tidak
tidak
tidak
ya
tidak
tidak

69

Lampiran 3 Hasil Output Tables
Tables

tidak
ya

riwayat prematur sebelumnya
tidak
ya
kelahiran prematur
kelahiran prematur
Count
%
Count
%
94
67.6%
53
59.6%
45
32.4%
36
40.4%

Tables

tidak
ya

hipertensi
tidak
ya
kelahiran prematur
kelahiran prematur
Count
%
Count
%
134
68.7%
13
39.4%
61
31.3%
20
60.6%

Tables

tidak
ya

anemia
tidak
ya
kelahiran prematur
kelahiran prematur
Count
%
Count
%
130
68.8%
17
43.6%
59
31.2%
22
56.4%

Tables

tidak
ya

lahir bayi kembar
tidak
ya
kelahiran prematur
kelahiran prematur
Count
%
Count
%
145
65.0%
2
40.0%
78
35.0%
3
60.0%

Tables

tidak
ya

pendarahan
tidak
ya
kelahiran prematur
kelahiran prematur
Count
%
Count
%
140
67.6%
7
33.3%
67
32.4%
14
66.7%

70

Lampiran 4 Output regresi logistik dengan variabel x1, x2 , x3, x4 dan x5
Logistic Regression
Case Processing Summary
Unweighted Cases
Selected Cases

a

N
Included in Analysis
Missing Cases
Total

Unselected Cases
Total

228
0
228
0
228

Percent
100.0
.0
100.0
.0
100.0

a. If weight is in effect, see classification table for the total
number of cases.
Dependent Variable Encoding
Original Value
tidak
ya

Internal Value
0
1

Block 0: Beginning Block
a,b,c

Iteration History

Iteration
Step
0

1
2
3

-2 Log
likelihood
296.709
296.694
296.694

Coefficients
Constant
-.579
-.596
-.596

a. Constant is included in the model.
b. Initial -2 Log Likelihood: 296.694
c. Estimation terminated at iteration number 3 because
parameter estimates changed by less than .001.
Classification Table

a,b

Predicted

Step 0

Observed
kelahiran prematur

tidak
ya

Overall Percentage
a. Constant is included in the model.
b. The cut value is .500

kelahiran prematur
tidak
ya
147
81

0
0

Percentage
Correct
100.0
.0
64.5

71

Variables in the Equation

Step 0

B
-.596

Constant

S.E.
.138

Wald
18.550

df

Sig.
.000

1

Exp(B)
.551

Variables not in the Equation
Step
0

Variables

Score
1.545
10.596
8.958
1.337
9.793
22.723

x1
x2
x3
x4
x5

Overall Statistics

df
1
1
1
1
1
5

Sig.
.214
.001
.003
.248
.002
.000

Block 1: Method = Enter
a,b,c,d
Iteration History

-2 Log
likelihood
274.717
274.471
274.471
274.471

Iteration
Step 1
1
2
3
4

Constant
-.967
-1.052
-1.054
-1.054

Coefficients
x2
x3
.871
.710
.947
.779
.948
.781
.948
.781

x1
.079
.092
.093
.093

x4
1.020
1.089
1.091
1.091

x5
.953
1.043
1.044
1.044

a. Method: Enter
b. Constant is included in the model.
c. Initial -2 Log Likelihood: 296.694
d. Estimation terminated at iteration number 4 because parameter estimates changed by less than .001.
Omnibus Tests of Model Coefficients
Step 1

Step
Block
Model

Chi-square
22.223
22.223
22.223

df
5
5
5

Sig.
.000
.000
.000

Model Summary
Step
1

-2 Log
Cox & Snell
likelihood
R Square
274.471a
.093

Nagelkerke
R Square
.128

a. Estimation terminated at iteration number 4 because
parameter estimates changed by less than .001.

72

Hosmer and Lemeshow Test
Step
1

Chi-square
.898

df

Sig.
.826

3

Contingency Table for Hosmer and Lemeshow Test

Step
1

1
2
3
4
5

kelahiran prematur =
tidak
Observed
Expected
78
77.113
38
38.336
10
11.719
13
11.740
8
8.092

kelahiran prematur =
ya
Observed
Expected
26
26.887
15
14.664
11
9.281
10
11.260
19
18.908

Total
104
53
21
23
27

Classification Tablea
Predicted

Step 1

kelahiran prematur
tidak
ya
138
9
62
19

Observed
kelahiran prematur tidak
ya
Overall Percentage

Percentage
Correct
93.9
23.5
68.9

a. The cut value is .500
Variables in the Equation

B
Step
x1
.093
a
1
x2
.948
x3
.781
x4
1.091
x5
1.044
Constant -1.054

S.E.
.306
.415
.380
.955
.514
.203

Wald
.092
5.228
4.210
1.304
4.123
26.916

df
1
1
1
1
1
1

a. Variable(s) entered on step 1: x1, x2, x3, x4, x5.

Sig.
.762
.022
.040
.254
.042
.000

95.0% C.I.for EXP(B)
Exp(B) Lower
Upper
1.097
.603
1.997
2.582
1.145
5.820
2.183
1.036
4.601
2.976
.458 19.350
2.842
1.037
7.788
.349

73

Lampira 5 Output regresi logistik dengan variabel x2 , x3, x4 dan x5
Logistic Regression
Case Processing Summary
Unweighted Cases
Selected Cases

a

N
Included in Analysis
Missing Cases
Total

Unselected Cases
Total

Percent
100.0
.0
100.0
.0
100.0

228
0
228
0
228

a. If weight is in effect, see classification table for the total
number of cases.

Dependent Variable Encoding
Original Value
tidak
ya

Internal Value
0
1

Block 0: Beginning Block
Iteration Historya,b,c

Iteration
Step
1
0
2
3

-2 Log
likelihood
296.709
296.694
296.694

Coefficients
Constant
-.579
-.596
-.596

a. Constant is included in the model.
b. Initial -2 Log Likelihood: 296.694
c. Estimation terminated at iteration number 3 because
parameter estimates changed by less than .001.
Classification Tablea,b
Predicted

Step 0

Observed
kelahiran prematur

tidak
ya

Overall Percentage
a. Constant is included in the model.
b. The cut value is .500

kelahiran prematur
tidak
ya
147
0
81
0

Percentage
Correct
100.0
.0
64.5

74

Variables in the Equation

Step 0

B
-.596

Constant

S.E.
.138

Wald
18.550

df

Sig.
.000

1

Exp(B)
.551

Variables not in the Equation
Step
0

Variables

Score
10.596
8.958
1.337
9.793
22.636

x2
x3
x4
x5

Overall Statistics

df
1
1
1
1
4

Sig.
.001
.003
.248
.002
.000

Block 1: Method = Enter
Iteration Historya,b,c,d

-2 Log
likelihood
274.805
274.562
274.562
274.562

Iteration
Step
1
1
2
3
4

Constant
-.942
-1.022
-1.023
-1.023

x2
.887
.966
.967
.967

Coefficients
x3
.721
.792
.793
.793

x4
1.053
1.127
1.128
1.128

a. Method: Enter
b. Constant is included in the model.
c. Initial -2 Log Likelihood: 296.694
d. Estimation terminated at iteration number 4 because parameter estimates changed by
less than .001.
Omnibus Tests of Model Coefficients
Step 1

Step
Block
Model

Chi-square
22.131
22.131
22.131

df
4
4
4

Sig.
.000
.000
.000

Model Summary
Step
1

-2 Log
Cox & Snell
likelihood
R Square
a
274.562
.093

Nagelkerke
R Square
.127

a. Estimation terminated at iteration number 4 because
parameter estimates changed by less than .001.

x5
.953
1.042
1.044
1.044

75

Hosmer and Lemeshow Test
Step
1

Chi-square
.710

df

Sig.
.701

2

Contingency Table for Hosmer and Lemeshow Test

Step
1

1
2
3
4

kelahiran prematur =
tidak
Observed
Expected
116
115.486
10
11.702
12
11.193
9
8.619

kelahiran prematur =
ya
Observed
Expected
41
41.514
11
9.298
10
10.807
19
19.381

Total
157
21
22
28

Classification Tablea
Predicted

Step 1

kelahiran prematur
tidak
ya
134
13
60
21

Observed
kelahiran prematur tidak
ya
Overall Percentage

Percentage
Correct
91.2
25.9
68.0

a. The cut value is .500
Variables in the Equation

B
Step
x2
.967
a
1
x3
.793
x4
1.128
x5
1.044
Constant -1.023

S.E.
.410
.378
.946
.513
.176

Wald
5.564
4.404
1.421
4.131
33.968

df

a.Variable(s) entered on step 1: x2, x3, x4, x5.

1
1
1
1
1

Sig.
.018
.036
.233
.042
.000

95.0% C.I.for EXP(B)
Exp(B) Lower Upper
2.631
1.178
5.877
2.211
1.054
4.637
3.090
.484 19.749
2.839
1.038
7.767
.359

76

Lampira 6 Output regresi logistik dengan variabel x2 , x3 dan x5
Logistic Regression
Case Processing Summary
Unweighted Cases
Selected Cases

a

N
Included in Analysis
Missing Cases
Total

Unselected Cases
Total

228
0
228
0
228

Percent
100.0
.0
100.0
.0
100.0

a. If weight is in effect, see classification table for the total
number of cases.
Dependent Variable Encoding
Original Value
tidak
ya

Internal Value
0
1

Block 0: Beginning Block
Iteration History

Iteration
Step
0

1
2
3

a,b,c

Coefficients
Constant
-.579
-.596
-.596

-2 Log
likelihood
296.709
296.694
296.694

a. Constant is included in the model.
b. Initial -2 Log Likelihood: 296.694
c. Estimation terminated at iteration number 3 because
parameter estimates changed by less than .001.

Classification Tablea,b
Predicted

Step 0

Observed
kelahiran prematur

tidak
ya

Overall Percentage
a. Constant is included in the model.
b. The cut value is .500

kelahiran prematur
tidak
ya
147
0
81
0

Percentage
Correct
100.0
.0
64.5

77

Variables in the Equation

Step 0

B
-.596

Constant

S.E.
.138

Wald
18.550

df

Sig.
.000

1

Exp(B)
.551

Variables not in the Equation
Step
0

Variables

Score
10.596
8.958
9.793
21.180

x2
x3
x5

Overall Statistics

df
1
1
1
3

Sig.
.001
.003
.002
.000

Coefficients
x2
x3
.859
.766
.933
.837
.935
.838
.935
.838

x5
.926
1.011
1.013
1.013

Block 1: Method = Enter
Iteration History a,b,c,d

-2 Log
likelihood
276.230
276.011
276.011
276.011

Iteration
Step
1
1
2
3
4

Constant
-.920
-.994
-.996
-.996

a. Method: Enter
b. Constant is included in the model.
c. Initial -2 Log Likelihood: 296.694
d. Estimation terminated at iteration number 4 because parameter estimates
changed by less than .001.

Omnibus Tests of Model Coefficients
Step 1

Step
Block
Model

Chi-square
20.683
20.683
20.683

df
3
3
3

Sig.
.000
.000
.000

Model Summary
Step
1

-2 Log
Cox & Snell
likelihood
R Square
276.011a
.087

Nagelkerke
R Square
.119

a. Estimation terminated at iteration number 4 because
parameter estimates changed by less than .001.

78

Hosmer and Lemeshow Test
Step
1

Chi-square
.501

df

Sig.
.778

2

Contingency Table for Hosmer and Lemeshow Test

Step
1

1
2
3
4

kelahiran prematur =
tidak
Observed
Expected
117
116.832
11
12.404
12
11.218
7
6.546

kelahiran prematur =
ya
Observed
Expected
43
43.168
12
10.596
10
10.782
16
16.454

Total
160
23
22
23

Classification Tablea
Predicted

Step 1

Observed
kelahiran prematur

kelahiran prematur
tidak
ya
136
11
63
18

tidak
ya

Overall Percentage

Percentage
Correct
92.5
22.2
67.5

a. The cut value is .500

Variables in the Equation

B
Step
x2
.935
a
1
x3
.838
x5
1.013
Constant -.996

S.E.
.409
.375
.513
.173

Wald
5.213
4.996
3.900
33.024

a.Variable(s) entered on step 1: x2, x3, x5.

df
1
1
1
1

Sig.
.022
.025
.048
.000

95.0% C.I.for EXP(B)
Exp(B) Lower
Upper
2.546
1.141
5.679
2.312
1.109
4.821
2.753
1.008
7.524
.369

79

Lampiran 7 (Hasil perhitungan kasus-kasus kelahiran prematur)
1. Misalkan ibu hamil dengan ciri-ciri sebagai berikut:
Hipertensi = ya (0) Lampira 6 Output regresi logistik dengan

variabel x2 , x3 dan x5
Pendarahan = tidak (0)
Dari persamaan regresi diatas, probabilitas ibu hamil akan melahirkan
dengan prematur dapat dihitung sebagai berikut:

πˆ ( xi ) =

e −0,996+0,935( 0)+0,838( 0)+1,013( 0 )
1 + e −0,996+0,935( 0)+0,838( 0)+1, 013( 0 )

=

e −0,996
1 + e −0, 996

=

0,363
1 + 0,369

=

0,369
= 0,269
1,369

Probabilitas ibu hamil akan melahirkan prematur apabila tidak memiliki
hipertensi, tidak anemia dan tidak pendarahan adalah 0,269.
2. Misalkan ibu hamil dengan ciri-ciri sebagai berikut:
Hipertensi = tidak (0)
Anemia = ya (1)
Pendarahan = tidak (0)

80

Dari persamaan regresi diatas, probabilitas ibu hamil akan melahirkan
dengan prematur dapat dihitung sebagai berikut:

e −0,996+0,935( 0)+0,838(1)+1, 013( 0 )
πˆ ( x) =
1 + e −0,996+0,935( 0)+0,838(0 )+1,013( 0 )
=

e −0,158
1 + e −0,158

=

0,854
1 + 0,854

=

0,854
= 0,461
1,854

Probabilitas ibu hamil akan melahirkan prematur apabila tidak memiliki
hipertensi, anemia dan tidak pendarahan adalah 0,461.
3. Misalkan ibu hamil dengan ci