Tugas Statistika Epidemiologi

Regresi Ordinal

Oleh :

RISMA DIAN ANGGARINI NIM : 101414553014

FIRMAN SURYADI RAHMAN NIM : 101414553028

ARINA MUFIDA ERSANTI NIM : 101414553029

FAKULTAS KESEHATAN MASYARAKAT

UNIVERSITAS AIRLANGGA

SURABAYA

2015

1

FAKTOR PENENTU TIPE KECACATAN PENYAKIT KUSTADI PUSKESMAS “A” KECAMATAN “B” TAHUN 2015

1. ILISTRASI KASUS

Suatu penelitian yang dilakukan pada penderita penyakit kusta untuk memprediksi tipe/tingkat

kecacatan berdasarkan faktor penentu yang ditetapkan oleh peneliti yaitu usia, tingkat pendidikan,

kepatuhan minum obat dan jenis kelamin di Puskesmas “A” Kecamatan “B” tahun 2015.

2. RUMUSAN MASALAH

a. Untuk mengetahui pengaruh umur, tingkat pendidikan, kepatuhan berobat dan jenis

kelamin terhadap tingkat kecacatan kusta di Puskesmas “A” Kecamatan “B” tahun

2015?

b. Merumuskan model terbaik pada tipe/tingkat kecacatan penyakit kusta di Puskesmas “A”

Kecamatan “B” tahun 2015?

c. Memprediksi tingkat kecatatan Kusta berdasarkan kondisi tertentu pada pasien penyakit

kusta di Puskesmas “A” Kecamatan “B” tahun 2015?

3. TUJUAN

d. Tujuan Umum

Menganalisis faktor yang mempengaruhi tipe kecacatan penyakit kusta di Puskesmas “A”

Kecamatan “B” tahun 2015

e. Tujuan Khusus

Mengetahui pengaruh umur, tingkat pendidikan, kepatuhan berobat dan jenis

kelamin terhadap tingkat kecacatan kusta di Puskesmas “A” Kecamatan “B” tahun

penyakit kusta di Puskesmas “A” Kecamatan “B” tahun 2015

Merumuskan model terbaik pada tipe/tingkat kecacatan penyakit kusta di Puskesmas

“A” Kecamatan “B” tahun 2015

Memprediksi tingkat kecatatan Kusta berdasarkan kondisi tertentu pada pasien penyakit

kusta di Puskesmas “A” Kecamatan “B” tahun 2015

2

4. KERANGKA KONSEPTUAL

Didalam kerangka konseptual diatas, akan dilihat pengaruh umur, tingkat pendidikan, kepatuhanminum obat dan jenis kelamin terhadap tipe/tingkat kecacatan penderita

5.Variabel Penelitian

a. Varibel Dependent : Kecacatan penyakit kusta

Skala Data Ordinal

Value > 2 yaitu Tidak cacat (jika responden tidak mengalami kelainan pada mata, tangan,

dan kaki atau skor dari chek list = 0), Cacat sedang jika skor yang dihasilkan dari chek list =

1) dan cacat berat (jika skor yang dihasilkan pada chek list =2).

b. Variabel Independent

Umur

Skala data yang digunakan Interval/rasio

Tingkat Pendidikan

Skala yang digunakan adalah skala ordinal

Value :

1. SD

2. SMP

3. SMA

4. Perguruan tinggi

Kepatuhan berobat

Skala data yang digunakan adalah nominal

Value :

1. Patuh (jika pengobatan tidak lebih dari 6 bulan)

2. Tidak patuh (jika pengobatan melebihi 6 bulan)

Jenis Kelamin

Skala yang digunakan adalah nominal

usia

Tingkat pendidikan

Kepatuhan MinumObat

Jenis Kelamin

Tipe KecacatanPenyakit Kusta

3

Value :

1. Laki-laki

2. Perempuan

Untuk kemudahan pembuatan model dan interpretasi data, untuk data yang memiliki value >2

maka koding harus diperhatikan. Untuk variable tingkat kecacatan, derajat kecacatan yang

paling dringan akan dikoding paling tinggi sehingga akan menjadi seperti ini :

Cacat 0 akan dikoding 3

Cacat 1 akan dikoding 2

Cacat 2 akan dikoding 1

untuk variable tingkat pendidikan, untuk tingkat pendidikan yang paling rendah akan dikoding

paling tinggi.

SD akan dikoding 4

SMP akan dikoding 3

SMA akan dikoding 2

Perguruan tinggi akan dikoding 1

6. Uji Statistika

Uji statistika yang digunakan adalah Regresi Ordinal, Dengan alasan sebagai berikut :

1. Variabel Dependent berskala Ordinal

2. Value pada variabel dependen ≥ 2

Sehingga untuk melihat variable independen yang mempengarui variable depenpenden ,

dan untuk membuat model prediksi maka digunakan Uji Statistika Regresi Ordinal

7. Data kasus

Data Kasus ada 80 kasus, detail data akan dipaparkan pada lampiran.

8. Simulasi dengan SPSS

Untuk melakukan uji Regresi Ordinal Melalui SPSS, maka setelah selesai menginput data ke

SPSS, klik Analyze, pilih Regression, pilih Ordinal

4

Masukkan Tipe Kecacatan pada variable dependen

Pendidikan, Kapatuhan minum obat dan jenis kelamin pada factor(s), variable usia Pada

covariate(s), kemudian klik Ok.

5

9. OutPut SPSS

Model Fitting meiliki nilai Signifikansi 0,007 sehingga signifikan dan minimal ada satu modelyang terbentuk.

Nilai Goodness of fit ≥ 0,05 sehingga bentuknya sudah fit/ bagus. Namun karena nilai sig.pearson hanya 0,356 maka perkiraan yang dihasilkan oleh model tersebut dapat sering meleset.

6

Nilai R square atau koefisien determinasi Nagelkerke adalah 0,223 atau 22,3%. Peramalan yangdapat dibuat oleh model tersebut kurang baik karena jauh dari 100%.

Dari hasil parameter estimate dapat disimpulkan bahwa yang variable independen yang

signifikan adalah pendidikan (1) atau Perguruan Tinggi dan Kepatuhan minum obat (1)

atau Patuh minum obat.

Model signifikan adalah model probabilitas cacat2/cacat 0

1. Probablitas Cacat 2/ Cacat 0

= ( , , ( ( ) , ( ( )11 + ( , , . , .

7

2. Probabilitas cacat tingkat 1/ cacat tingkat 0 11 + ( , ( ( ) , ( ( )11 + , . , .Peramalan

1. Pasien umur 45 tahun atas nama zaifuddin ,pendidikan SMA dan tidak patuh minum obat.

a. Probabilitas cacat 2/ cacat 0Dikarenakan yang signifikan adalah pendidikan Perguruan Tinggi dan Patuh minumobat maka probabilitasnya adalah :

Probablitas Cacat 2/ cacat 0 = , , ( ) , ( )= ,= 0,152

Dengan demikian probabilitas pasien tersebut untuk cacat tingkat 2 adalah 0,152

b. Probabilitas cacat 1 / cacat 0Dikarenakan yang signifikan adalah pendidikan Perguruan Tinggi dan Patuh minumobat maka probabilitasnya adalah :

= , . , .= , ( ) , . ( )=

= 0,5

Dengan demikian probabilitas pasien tersebut untuk cacat tingkat 1 adalah 0,5

8

2. Pasien umur 22 tahun atas nama Bonita, pendidikan Perguruan Tinggi dan patuh minumobat

a. Probabilitas cacat 2/ cacat 0Dikarenakan yang signifikan adalah pendidikan Perguruan Tinggi dan Patuh minumobat maka probabilitasnya adalah

Probablitas Cacat 2/ cacat 0 = , , ( ) , ( )= , , ,= ,=0,229

Dengan demikian probabilitas pasien tersebut untuk cacat tingkat 2 adalah 0,229

b. Probabilitas cacat 1/ cacat 0

= , . , .= , ( ) , .( )= .= 0, 623.

Dengan demikian probabilitas pasien tersebut untuk cacat tingkat 1 adalah 0,623

Data Pasien Kusta

NoPasien

Tipe kecacatan Pendidikan Umur kepatuhan minumobat jenis kelamin

1 Cacat tipe 2 SMP 19 Patuh Perempuan2 Cacat tipe 2 SMP 33 Patuh Perempuan3 Cacat tipe 2 SMP 23 Patuh Perempuan4 cacat tipe 1 SMP 35 Patuh Laki - laki5 Cacat tipe 2 SMP 64 Tidak Patuh Laki - laki6 Cacat tipe 0 SMP 18 Tidak Patuh Laki - laki7 Cacat tipe 0 SMP 17 Tidak Patuh Laki - laki8 Cacat tipe 0 SMP 20 Tidak Patuh Laki - laki9 Cacat tipe 0 SMP 21 Tidak Patuh Laki - laki

10 Cacat tipe 2 SMP 18 Patuh Laki - laki11 cacat tipe 1 SMP 30 Tidak Patuh Laki - laki12 cacat tipe 1 SD 44 Patuh Laki - laki13 Cacat tipe 2 SD 20 Patuh Laki - laki14 Cacat tipe 0 SD 22 Tidak Patuh Laki - laki15 Cacat tipe 0 SMA 15 Patuh Laki - laki16 Cacat tipe 2 SMA 14 Patuh Laki - laki17 Cacat tipe 2 SMA 27 Patuh Laki - laki18 Cacat tipe 2 SMA 65 Patuh Laki - laki19 cacat tipe 1 SMA 53 Tidak Patuh Perempuan20 cacat tipe 1 SMP 34 Tidak Patuh Laki - laki21 Cacat tipe 0 SMP 22 Tidak Patuh Perempuan22 cacat tipe 1 SMP 18 Patuh Laki - laki23 cacat tipe 1 SMP 19 Patuh Perempuan

24 cacat tipe 1 PerguruanTinggi 19 Patuh Laki - laki

25 Cacat tipe 2 PerguruanTinggi 17 Patuh Perempuan

26 Cacat tipe 2 SMP 18 Tidak Patuh Laki - laki27 Cacat tipe 2 SD 20 Tidak Patuh Perempuan

28 Cacat tipe 0 PerguruanTinggi 47 Tidak Patuh Perempuan

29 Cacat tipe 0 PerguruanTinggi 39 Tidak Patuh Perempuan

30 Cacat tipe 0 PerguruanTinggi 24 Patuh Perempuan

31 cacat tipe 1 SMA 15 Tidak Patuh Perempuan32 cacat tipe 1 SMA 16 Patuh Laki - laki33 cacat tipe 1 SMA 23 Tidak Patuh Laki - laki34 cacat tipe 1 SMA 33 Patuh Laki - laki

35 cacat tipe 1 SMP 45 Patuh Laki - laki36 Cacat tipe 0 SMP 39 Tidak Patuh Perempuan37 Cacat tipe 0 SMP 19 Tidak Patuh Laki - laki38 Cacat tipe 0 SMP 18 Tidak Patuh Laki - laki39 cacat tipe 1 SD 23 Patuh Laki - laki40 cacat tipe 1 SD 25 Tidak Patuh Perempuan41 cacat tipe 1 SMA 17 Tidak Patuh Laki - laki42 cacat tipe 1 SMA 15 Patuh Laki - laki43 cacat tipe 1 SMP 19 Patuh Perempuan44 cacat tipe 1 SMP 55 Patuh Perempuan45 cacat tipe 1 SMP 31 Patuh Laki - laki46 cacat tipe 1 SMA 16 Tidak Patuh Perempuan47 cacat tipe 1 SMP 66 Tidak Patuh Perempuan48 cacat tipe 1 SMP 55 Patuh Perempuan49 cacat tipe 1 SMP 46 Tidak Patuh Laki - laki50 cacat tipe 1 SMA 38 Tidak Patuh Laki - laki51 Cacat tipe 2 SD 22 Patuh Laki - laki52 Cacat tipe 2 SD 22 Patuh Laki - laki53 Cacat tipe 2 SD 24 Patuh Perempuan54 Cacat tipe 0 SD 26 Patuh Laki - laki55 Cacat tipe 0 SD 30 Tidak Patuh Laki - laki56 Cacat tipe 0 SMA 44 Patuh Laki - laki

57 Cacat tipe 0 PerguruanTinggi 14 Tidak Patuh Perempuan

58 Cacat tipe 0 PerguruanTinggi 13 Patuh Perempuan

59 Cacat tipe 0 SMA 17 Tidak Patuh Perempuan60 Cacat tipe 2 SMP 62 Patuh Laki - laki61 cacat tipe 1 SMP 59 Tidak Patuh Perempuan62 Cacat tipe 2 SMP 35 Patuh Laki - laki63 cacat tipe 1 SMA 28 Tidak Patuh Laki - laki64 Cacat tipe 2 SMA 31 Tidak Patuh Laki - laki65 Cacat tipe 2 SD 26 Tidak Patuh Laki - laki66 Cacat tipe 2 SD 35 Tidak Patuh Laki - laki67 cacat tipe 1 SD 76 Tidak Patuh Laki - laki

68 cacat tipe 1 PerguruanTinggi 12 Tidak Patuh Laki - laki

69 cacat tipe 1 PerguruanTinggi 41 Tidak Patuh Perempuan

70 cacat tipe 1 PerguruanTinggi 67 Patuh Perempuan

71 Cacat tipe 0 PerguruanTinggi 32 Patuh Perempuan

72 Cacat tipe 2 SMP 34 Patuh Laki - laki73 cacat tipe 1 SMP 55 Patuh Laki - laki74 Cacat tipe 2 SMA 70 Patuh Laki - laki75 Cacat tipe 0 SMA 33 Patuh Perempuan76 Cacat tipe 0 SMA 28 Tidak Patuh Perempuan77 cacat tipe 1 SMA 21 Patuh Perempuan

78 cacat tipe 1 PerguruanTinggi 30 Patuh Perempuan

79 cacat tipe 1 PerguruanTinggi 12 Patuh Laki - laki

80 Cacat tipe 2 SMP 22 Patuh Perempuan