A. Definisi Analisis Regresi Logistik

Analisis Regresi dalam statistika adalah salah satu metode untuk menentukan hubungan

sebab-akibat antara satu variable dengan variabel-variabel yang lain. Variabel “penyebab”

disebut dengan bermacam-macam istilah, di antaranya seperti variable penjelas, variable

eksplanatorik, variable independen, atau secara bebas, variabel X (karena seringkali

digambarkan dalam grafik sebagai absis, atau sumbu X). Variabel “terkena akibat” dikenal

sebagai variabel yang dipengaruhi, variabel dependen, variable terikat, atau variabel Y.

Kedua variable ini dapat merupakan variable acak (random), namun variabel yang

dipengaruhi harus selalu variable acak. Analisis regresi adalah salah satu analisis yang paling

popular dan luas pemakaiannya. Hampir semua bidang ilmu yang memerlukan analisis sebab-

akibat boleh dipastikan mengenal analisis ini.

Analisis regresi logistik adalah suatu model matematik yang digunakan untuk

mempelajari hubungan satu atau beberapa variabel independen dengan satu variabel

dependen yang bersifat dikotomi (binary). Variabel binary adalah variabel yang hanya

memiliki dua nilai, misalnya sakit/sehat, merokok/tidak merokok, BBLR/normal, dll.

Adapun regresi logistik (kadang disebut model logistic atau model logit) merupakan

salah satu bagian dari analisis regresi, yang digunakan untuk memprediksi probabilitas

kejadian suatu peristiwa, dengan mencocokkan data pada fungsi logit kurva logistik. Metode

ini merupakan model linear umum yang digunakan untuk regresi binomial. Seperti analisis

regresi pada umumnya, metode ini menggunakan beberapa variable bebas, baik numeric

maupun kategori. Misalnya, probabilitas bahwa orang yang menderita serangan jantung pada

waktu tertentu dapat diprediksi dari informasi usia, jenis kelamin, dan indeks massa tubuh.

Regresi logistik juga digunakan secara luas pada bidang kedokteran, ilmu sosial, dan bahkan

pada bidang pemasaran, seperti prediksi kecenderungan pelanggan untuk membeli suatu

produk atau berhenti berlangganan.

Regresi logistik tidak memerlukan asumsi normalitas, heteroskedastisitas, dan

autokorelasi, dikarenakan variabel terikat yang terdapat pada regresi logistik merupakan

variabel dikotomi (0 dan 1), sehingga residualnya tidak memerlukan ketiga pengujian

tersebut. Untuk asumsi multikolinearitas, karena hanya melibatkan variabel-variabel bebas,

maka masih perlu untuk dilakukan pengujian. Untuk pengujian multikolinearitas ini dapat

digunakan uji kebaikan sesuai (goodness of fit test), yang kemudian dilanjutkan dengan

pengujian hipotesis (uji χ2), guna melihat variabel-variabel bebas mana saja yang signifikan,

sehingga dapat tetap digunakan dalam penelitian. Selanjutnya, di antara variabel-variabel

bebas yang signifikan, dapat dibentuk suatu matriks korelasi, dan apabila tidak terdapat

variabel-variabel bebas yang saling memiliki korelasi yang tinggi, maka dapat disimpulkan

bahwa tidak terdapat gangguan multikolinearitas pada model penelitian (David W. Hosmer,

2011).

Contoh 1. Gambaran Sebaran kemampuan Melakukan Treadmill dihubungkan dengan

Kejadian Serangan Jantung

B. Fungsi Logistik

Fungsi logistik merupakan fungsi matematik dengan rumus:

Pada variasi nilai z dari -4 sampai dengan + 4 dapat digambarkan:

Pada saat nilai z=-4 maka f(z)=0 dan pada saat nilai z=+4 maka f(z)=1. Jadi nilai f(z)

akan berkisar antara 0 dan 1. Sifat ini yang membuat fungsi logistik populer, model logistik

dapat digunakan untuk menggambarkan probabilitas yang selalu memliki nilai antara 0 dan 1.

Pada epidemiologi, probabilitas ini dikenal sebagai risiko untuk terjadinya penyakit.

Jadi, dengan menggunakan fungsi logistik, kita pasti akan memperoleh perkiraan risiko

antara 0 dan 1. Kita tidak mungkin memperoleh perkiraan risiko lebih kecil dari 0 atau lebih

besar dari 1.

Alasan lain mengapa fungsi logistik ini populer untuk analisis data epidemiologi adalah

bentuk kurva logistik. Seperti terlihat pada gambar 6.1, nilai f(z) meningkat secara perlahan

pada saat z berubah dari -4 ke arah 0, kemudian f(z) meningkat secara cepatdan kemudian

peningkatannya kembali perlahan pada saat f(z) mendekati 1. Hasilnya adalah kurva yang

berbentuk S.

Kurva yang berbentuk S ini dianggap cocok untuk menggambarkan peningkatan risiko

terjadinya keluaran pada penelitian epidemiologi, jika z dianggap sebagai indeks yang

menggabungkan efek dari berbagai faktor risiko dan f(z) merupakan risiko pada nilai z

tertentu. Bentuk kurva S menunjukkan efek z pada risiko individu minimal pada nilai z kecil

sampai satu batas ambang tercapai. Kemudian risiko meningkat pada jangkauan z tertentu

dan tetap tinggi saat risiko mendekati 1 dan nilai z sudah cukup besar.

Menurut ahli epidemiologi, konsep batas ambang ini dapat digunakan pada berbagai

kadaan penyakit. Jadi bentuk kurva logistik dianggap dapat digunakan secara luas pada

analisis multivariabel pada penelitian epidemiologi.

C. Jenis dan Persamaan Regresi Logistik

Syarat penggunaan regresi logisti k

1. Variabel dependen : katagorik

2. Variabel independen : katagorik dan numerik (kategorik > numerik )

Jenis regresi logistik

1. Sederhana (simple) hanya satu variabel independen.

2. Ganda (multiple) lebih dari satu variabel independen.

Persamaan Regresi Logistik

Keterangan :

- P(Y) : Probabilitas seorang individu untuk mengalami Y=1

- OR (Odds Ratio) : Risiko kelompok X=1 untuk mengalami Y=1 dibandingkan dengan

kelompok X=0

D. Fungsi Regresi Logistik Ganda

1. Menetapkan model matematik yang paling baik untuk menggambarkan hubungan

variabel independen dan variabel dependen.

2. Menggambarkan hubungan kuantitatif antara variabel independen (xi) dengan

variabel dependen (y) setelah dikontrol oleh variabel lain.

3. Mengetahui variabel (xi) mana yang penting/dominan dalam memprediksi

variabel dependen (y).

4. Mengetahui adanya interaksi pada variabel independen (xi).

Logit (Y )=a+b1 x1+ .. ..+bk xk

P(Y )=1

1+Exp−(log itY )= 1

1+Exp−(a+b1x 1+ . . .. .+bk xk )

OR=Exp(b)=Exponensial(b)=e(b )

E. Aplikasi Regresi Logistik

1. Aplikasi pada desain studi Cohort

- Dapat menghitung Risiko Individu (probabilitas)

- Menghitung Risiko Relatif (RR)

- Contoh aplikasi penggunaan RR

2. Desain studi Case-control/Cross-Sectional

- Menghitung Odds Ratio (OR)

- Contoh aplikasi penggunaan OR

)....()( 1111

kk xbxbaY ExpP

RR=P1(Y )P0 (Y )

OR=Exp(b)

F. Metode Pemilihan Variabel Independen

Metode untuk melakukan pemilihan variabel independen dalam analisis multivariat

regresi linier ganda, yaitu:

a). ENTER, memasukkan semua variabel independen dengan serentak satu langkah,

tanpa melewati kriteria kemanaan statistik tertentu. Metode ini yang tepat/sering

digunakan, karena dalam pemodelan kita dapat melakukan pertimbangan aspek

substansi.

b). FORWARD, memasukkan satu persatu variabel dari hasil pengkorelasian variabel

dan memenuhi kriteria kemaknaan statistik untuk masuk ke dalam model, sampai

semua variabel yang memenuhi kriteria tersebut masuk ke dalam model. Variabel

yang masuk pertama kali adalah variabel yang mempunyai korelasi parsial terbesar

dengan variabel dependen dan yang memenuhi kriteria tertentu untuk dapat masuk

model. Korelasi parsial adalah adalah korelasi antara variabel independen dengan

dependen, kriteria variabel yang dapat masuk P-in (PIN) adalah 0,005 artinya variabel

yang dapat masuk model bila variabel tersebut mempunyai nilai P lebih kecil atau

sama dengan 0,05.

c). BACKWARD, memasukkan semua variabel ke dalam model, tetapi kemudian satu

persatu variabel independen dikeluarkan dari model berdasarkan kriteria kemaknaan

tertentu, variabel yang pertama kali dikeluarkan adalah variabel yang mempunyai

korelasi parsial terkecil dengan variabel dependen. Kriteria pengeluaran atau P-out

(POUT) adalah 0,10, artinya variabel yang mempunyai nilai P lebih besar atau sama

dengan 0,10 dikeluarkan dari model.

d). STEPWISE, model ini merupakan kombinasi antara metode backward dan Forward.

Seperti halnya forward, metode Stepwise dimulai dari tanpa variabel sama sekali di

dalam model. Lalu satu variabel hasil pengkorelasian variabel dimasukkan ke dalam

model. Lalu satu persatu variabel hasil pengkorelasian dimasukkan ke dalam model

dan dikeluartkan dari model dengan kriteria tertentu. Variabel yang pertama masuk

sama dengan metode forward yakni variabel yang mempunyai korelasi parsial

terbesar. Selanjutnya setelah masuk, variabel pertama ini diperiksa lagi apakah harus

dikeluarkan dari model menurut kriteria pengeluaran seperti metode backward.

e). REMOVE, mengeluarkan semua variabel independen dengan serentak satu langkah,

tanpa melewati kriteria kemaknaan statistik tertentu.

G. Jenis Pemodelan Multivariat Regresi Logistik

1. Regresi Logistik Model Prediksi

Model yang terdiri beberapa variabel independen yang dianggap terbaik untuk

memprediksi kejadian variable dependen.

Mengetahui Faktor-Faktor yang Berhubungan dengan Kejadian BBLR di Kabupaten

X tahun 2013

Langkah Pemodelan

a. Seleksi bivariat; menggunakan uji-statistik bivariat seperti biasa

1. Uji – t, untuk variabel age-low, lwt-low, ptl-low, ftv-low

Langkah-langkah dengan SPSS

- Analyze Compare Means Independent-Samples T Test

- Kotak dialog Independent-Samples T Test

Test variable(s): masukkan variabel independen jenis data kontinu

Grouping variable: masukkan variabel dependen

Low (0 (non-bblr), 1 (bblr))

Age (years)Lwt (pounds)Race (0 (non-white), 1 (white))Smoke (0 (non-smoking), 1 (smoking))Ptl (times)Ht (0 (no),1 (yes))Ui (0 (no),1 (yes))Ftv (times)

Output SPSS

2. Uji chi-square, untuk variabel smoke-low, ht-low, ui-low

Langkah-langkah dengan SPSS

- Analyze Regression Binary Logistic

- Kotak dialog Logistic Regression

Covariates : masukkan saru per satu variabel independen

Dependent : masukkan variabel dependen

Output SPSS

Variabel Race

Variabel Ht

Variabel Ui

Variabel Smoke

3. Uji regresi logistik sederhana, untuk variabel smoke-low, ht-low, ui-low, race-low

Langkah-langkah dengan SPSS

- Analyze Regression Binary Logistic

- Kotak dialog Logistic Regression

Covariates : masukkan semua variabel independen

Dependent : masukkan variabel dependen

Output SPSS

Variabel Race

Variabel Smoke

Variabel Ui

Variabel Ht

Untuk seleksi bivariat jenis data kategorik, disarankan menggunakan uji analisis regresi

logistik. Nilai p-value yang dihasilkan oleh regresi logistik lebih stabil untuk data dengan

sampel besar atau kecil, nilai p-value ini didapatkan dari nilai perhitungan chi square

goodness of fit. Jika menggunakan uji analisis proporsi chi square, maka nilai yang

digunakan adalah p-value likelihood ratio.

b. Pembuatan model Backward

Full model: Masukkan secara bersamaan seluruh variabel independen ke model

multivariat.

Model dan Block Chi-Square menilai apakah model secara keseluruhan cocok (fit) dengan

data yang ada. Pada model ini p = 0.0001, maka model tersebut cocok dengan data.

Hasil output pada cox-snell R2 memiliki analogi yang sama dengan nilai R2 pada

regresi linear, menyatakan bahwa 13,5% keragaman dapat dijelaskan oleh model, sedangkan

sisanya diluar model.

Pada tabel klasifikasi dapat dilihat kecocokan model dengan data yang ada. Dari 390

subjek yang berat bayi lahirnya > 2500 gram, sebanyak 352 (90,3%) dapat diprediksi oleh

model. Dari 177 subjek berat bayi lahirnya < 2500 gram, ada 48 (27,1%) yang dapat

diprediksi oleh model. Secara keseluruhan akurasi model adalah 70,5%.

Uji Konfounding

Konfounding adalah bias dalam estimasi efek pajanan terhadap kejadian penyakit yang

terjadi akibat perbandingan yang tidak seimbang antara kelompok terpajan dengan kelompok

tidak terpajan. Masalah ini terjadi karena pada dasarnya sudah ada perbedaan risiko

terjadinya penyakit pada kelompok terpajan dengan kelompok yang tidak terpajan, yang

berarti risiko terjadinya penyakit pada kedua kelompok itu berbeda meskipun pajanan

dihilangkan pada kedua kelompok tersebut.

Secara umum, satu variabel digolongkan sebagai konfounder jika variabel tersebut

merupakan faktor risiko terjadinya penyakit dan memiliki asosiasi dengan pajanan. Jadi

penilaian apakah satu variabel merupakan konfounder dilakukan dengan:

a. Pengetahuan yang sudah ada tentang hubungan variabel tersebut dengan

penyakit dan pajanan pada populasi asal (base population).

b. Pertimbangan statistik atas adanya hubungan variabel tersebut dengan

penyakit dan pajanan pada data penelitian.

Dalam uji konfounding, variabel yang nilai p-value > 0.05 dikeluarkan dari model

multivariat. Variable yang p-valuenya < 0,05 tetap dalam model. Variabel yang p valuenya >

0,05 dikeluarkan dari model satu persatu dimulai dari variabel dengan nilai terbesar. Bila

variabel yang dikeluarkan tersebut mengakibatkan perubahan OR variabel-variabel yang

masih ada (berubah > 10 %), maka variabel tersebut adalah konfounding dan harus

dimasukkan kembali ke dalam pemodelan multivariat.

Untuk contoh berikut, ternyata variabel age memiliki nilai p-value 0.053 sehingga akan

diuji konfounding. Ketika variabel age dikeluarkan dari pemodelan multivariat, hasilnya sbb.

Hasil output pada cox-snell R2 menyatakan bahwa nilainya tetap pada 13,5%, artinya tidak

ada perubahan berarti yang terjadi setelah variabel ftv dikeluarkan dari pemodelan.

Tabel 1.1. Perubahan Nilai OR

Variabel OR crude OR adjusted Perubahan ORAge .962 - -Lwt .987 .985 0.10Race2 .633 .613 3.11Smoke 1.963 1.997 -1.77Ptl 1.775 1.679 5.37Ht 6.308 6.552 -3.87Ui 2.071 2.140 -3.35

Karena tidak ada nilai OR yang berubah > 10 %, maka variabel age adalah bukan

konfounding dan dikeluarkan dari pemodelan multivariat. Hasil akhir persamaan

pemodelan multivariat ini adalah sbb.

Uji interaksi

Interaksi atau modifikasi efek (effect modifier) adalah heterogenitas efek dari satu

pajanan pada tingkat pajanan lain di populasi asal (base population). Jadi efek satu pajanan

pada kejadian penyakit berbeda pada kelompok pajanan lainnya. Tidak adanya modifikasi

efek berarti efek pajanan homogen. Modifikasi efek merupakan konsep yang penting dalam

analisis karena pada saat analisis kita harus menentukan apakah akan melaporkan efek

bersama (yang terkontrol konfounder) atau efek yang terpisah untuk masing-masing strata.

Untuk uji ini, tambahkan interaksi antar variabel independen. Interaksi exist jika nilai sig

< 0,05. Misalkan : interaksi antara smoke dengan race2

Nilai p-value interaksi antara smoke dan race menghasilkan nilai 0,107; artinya tidak ada

interaksi antara perilaku merokok dengan jenis ras ibu.

Oleh karena tidak ada interaksi, maka hasil akhir dari pemodelan multivariat ini adalah sbb.

Maka persamaan yang dihasilkan adalah sbb.

Logit (BBLR) = 0,582 – 0,015*lwt – 0,490*race2 + 0,692*smoke + 0,518*ptl + 1,880*ht + 0,761*ui

Interpretasi

Misal (penelitian kohort) :

- Besar risiko terjadinya BBLR pada ibu yang memiliki riwayat hipertensi.

P(BBLR|white) = 1

1+e−(0,582+0,692∗1 ) = 0,782

Jadi ibu yang memiliki riwayat hipertensi mempunyai risiko untuk terjadinya BBLR

sebesar 78,2% selama periode follow up.

- Besar risiko terjadinya BBLR pada ibu yang tidak memiliki riwayat hipertensi.

P(BBLR|non-white) = 1

1+e−(0,582+0,692∗0 ) = 0,642

Jadi ibu yang tidak memiliki riwayat hipertensi mempunyai risiko untuk terjadinya

BBLR sebesar 64,2% selama periode follow up.

- Besar risiko kedua kelompok tersebut (RR)

P1(X) = 0,782 = 1,22

P0(X) 0,642

Jadi, ibu yang memiliki riwayat hipertensi mempunyai risiko terjadi BBLR 1,2 kali

lebih tinggi dibandingkan ibu yang tidak memiliki riwayat hipertensi.

Model regresi logistik hanya dapat digunakan untuk penelitian yang bersifat Kohort.

Sedangkan untuk penelitian yang bersifat cross sectional atau case control, interpretasi yang

dapat dilakukan hanya menjelaskan nilai OR (Exp B) pada masing-masing variabel. Oleh

karena analisisnya multivariat/ganda maka nilai OR-nya sudah terkontrol (adjusted) oleh

variabel lain yang ada pada model.

Dari analisis multivariat ternyata variabel yang berhubungan bermakna dengan

kejadian BBLR adalah variabel lwt, race2, smoke, ptl, ht, dan ui. Hasil analisis didapatkan

Odds Ratio (OR) dari variabel hipertensi adalah 6,552; artinya Ibu yang menderita hipertensi

akan melahirkan bayi BBLR sebesar 6,5 kali lebih tinggi dibandingkan ibu yang tidak

menderita hipertensi setelah dikontrol variabel lwt, race2, smoke, ptl, dan ui. Secara sama

dapat diinterpretasikan untuk variabel yang lain.

Untuk melihat variabel mana yang paling besar pengaruhnya terhadap variabel

dependen, dilihat dari exp (B) untuk variabel yang signifikan, semakin besar nilai exp (B)

berarti semakin besar pengaruhnya terhadap variabel dependen yang dianalisis. Dalam data

ini berarti hipertensi yang paling besar pengaruhnya terhadap kejadian bayi BBLR.

2. Regresi Logistik Model Faktor Risiko

Model dengan tujuan mengetahui hubungan satu/beberapa variabel independen dengan

kejadian variabel dependen dengan mengontrol beberapa variabel konfounding.

Analisis Hubungan Berat Badan dengan Tekanan Darah di Kabupaten X tahun 2013

Langkah Pemodelan

1. Seleksi bivariat: bila sig < 0,25 maka variabel tersebut kandidat multivariat.

Walaupun sig > 0,25 boleh masuk multivariat kalau secara substansi merupakan

variabel penting.

2. Pembuatan model Backward

1. Full Model: masukkan semua variabel mencakup: variabel dependen, variabel

independen utama, variabel konfounding.

2. Uji Interaksi: tambahkan interaksi variabel utama dengan variabel lainnya

dan lakukan penilaian interaksi dengan cara melihat nilai sig. Bila sig > 0,05

variabel interaksi dikeluarkan dari model. (lakukan penilaian interaksi satu

per satu).

3. Uji konfounding: dengan cara melihat perubahan OR ketika dikeluarkan

variabel konfounding satu per satu dimulai dari p value terbesar. Bila setelah

dikeluarkan diperoleh selisih OR variabel utama lebih besar dari 10 %, maka

variabel tersebut adalah konfounding dan dimasukkan kembali ke dalam

model.

Age (years)Lwt (pounds)Race (0 (non-white), 1 (white))Ptl (times)Ht (0 (no),1 (yes))Ui (0 (no),1 (yes))Ftv (times)

BBLR (low)Smoke (0 (non-smoking)1 (smoking))

DAFTAR PUSTAKA

Ariawan, Iwan. Statistik Kategori. Self Writing. Jakarta. 2003.

Besral. Regresi Logistik Multivariat. Self Writing. Jakarta. 2006.

Budiarto, E. Biostatistika Untuk Kedokteran dan Kesehatan Masyarakat. EGC. Jakarta. 2001.

Dahlan, S. Seri 09 Analisis Multivariat Regresi Logistik. PT Epidemiologi Indonesia. Jakarta.

2012.

Firdaus, M, Farid. M.A. Aplikasi Metode Kuantitatif Terpilih untuk Manajemen dan Bisnis.

IPB Press. Bogor. 2008.

Hastono, SP dan Sabri, L. Statistik Kesehatan. Rajawali Pers. Jakarta. 2011.

Lampiran Dataset lbw.sav

id low age lwt race2smok

e ptl ht ui ftv1 1 28 120 0 1 1 0 1 02 1 29 130 1 0 0 0 1 23 1 34 187 0 1 0 1 0 04 1 25 105 0 0 1 1 0 05 1 25 85 0 0 0 0 1 06 1 27 150 0 0 0 0 0 07 1 23 97 0 0 0 0 1 18 1 24 128 0 0 1 0 0 19 1 24 132 0 0 0 1 0 0

10 1 21 165 1 1 0 1 0 111 1 32 105 1 1 0 0 0 012 1 19 91 1 1 2 0 1 013 1 25 115 0 0 0 0 0 014 1 16 130 0 0 0 0 0 115 1 25 92 1 1 0 0 0 016 1 20 150 1 1 0 0 0 217 1 21 200 0 0 0 0 1 218 1 24 155 1 1 1 0 0 019 1 21 103 0 0 0 0 0 020 1 20 125 0 0 0 0 1 021 1 25 89 0 0 2 0 0 122 1 19 102 1 0 0 0 0 223 1 19 112 1 1 0 0 1 024 1 26 117 1 1 1 0 0 025 1 24 138 1 0 0 0 0 026 1 17 130 0 1 1 0 1 027 1 20 120 0 1 0 0 0 328 1 22 130 1 1 1 0 1 129 1 27 130 0 0 0 0 1 030 1 20 80 0 1 0 0 1 031 1 17 110 1 1 0 0 0 032 1 25 105 0 0 1 0 0 133 1 20 109 0 0 0 0 0 034 1 18 148 0 0 0 0 0 035 1 18 110 0 1 1 0 0 036 1 20 121 1 1 1 0 1 037 1 21 100 0 0 1 0 0 438 1 26 96 0 0 0 0 0 039 1 31 102 1 1 1 0 0 140 1 15 110 1 0 0 0 0 041 1 23 187 0 1 0 0 0 142 1 20 122 0 1 0 0 0 043 1 24 105 0 1 0 0 0 044 1 15 115 0 0 0 0 1 045 1 23 120 0 0 0 0 0 0

46 1 30 142 1 1 1 0 0 047 1 22 130 1 1 0 0 0 148 1 17 120 1 1 0 0 0 349 1 23 110 1 1 1 0 0 050 1 17 120 0 0 0 0 0 251 1 26 154 0 0 1 1 0 152 1 20 105 0 0 0 0 0 353 1 26 190 1 1 0 0 0 054 1 14 101 0 1 1 0 0 055 1 28 95 1 1 0 0 0 256 1 14 100 0 0 0 0 0 257 1 23 94 0 1 0 0 0 058 1 17 142 0 0 0 1 0 059 1 21 130 1 1 0 1 0 360 0 19 182 0 0 0 0 1 061 0 33 155 0 0 0 0 0 362 0 20 105 1 1 0 0 0 163 0 21 108 1 1 0 0 1 264 0 18 107 1 1 0 0 1 065 0 21 124 0 0 0 0 0 066 0 22 118 1 0 0 0 0 167 0 17 103 0 0 0 0 0 168 0 29 123 1 1 0 0 0 169 0 26 113 1 1 0 0 0 070 0 19 95 0 0 0 0 0 071 0 19 150 0 0 0 0 0 172 0 22 95 0 0 0 1 0 073 0 30 107 0 0 1 0 1 274 0 18 100 1 1 0 0 0 075 0 18 100 1 1 0 0 0 076 0 15 98 0 0 0 0 0 077 0 25 118 1 1 0 0 0 378 0 20 120 0 0 0 0 1 079 0 28 120 1 1 0 0 0 180 0 32 121 0 0 0 0 0 281 0 31 100 1 0 0 0 1 382 0 36 202 1 0 0 0 0 183 0 28 120 0 0 0 0 0 084 0 25 120 0 0 0 0 1 285 0 28 167 1 0 0 0 0 086 0 17 122 1 1 0 0 0 087 0 29 150 1 0 0 0 0 288 0 26 168 0 1 0 0 0 089 0 17 113 0 0 0 0 0 190 0 17 113 0 0 0 0 0 191 0 24 90 1 1 1 0 0 192 0 35 121 0 1 1 0 0 193 0 25 155 1 0 0 0 0 1

94 0 25 125 0 0 0 0 0 095 0 29 140 1 1 0 0 0 296 0 19 138 1 1 0 0 0 297 0 27 124 1 1 0 0 0 098 0 31 215 1 1 0 0 0 299 0 33 109 1 1 0 0 0 1

100 0 21 185 0 1 0 0 0 2101 0 19 189 1 0 0 0 0 2102 0 23 130 0 0 0 0 0 1103 0 21 160 1 0 0 0 0 0104 0 18 90 1 1 0 0 1 0105 0 18 90 1 1 0 0 1 0106 0 32 132 1 0 0 0 0 4107 0 19 132 0 0 0 0 0 0108 0 24 115 1 0 0 0 0 2109 0 22 85 0 1 0 0 0 0110 0 22 120 1 0 0 1 0 1111 0 23 128 0 0 0 0 0 0112 0 22 130 1 1 0 0 0 0113 0 30 95 1 1 0 0 0 2114 0 19 115 0 0 0 0 0 0115 0 16 110 0 0 0 0 0 0116 0 21 110 0 1 0 0 1 0117 0 30 153 0 0 0 0 0 0118 0 20 103 0 0 0 0 0 0119 0 17 119 0 0 0 0 0 0120 0 17 119 0 0 0 0 0 0121 0 23 119 0 0 0 0 0 2122 0 24 110 0 0 0 0 0 0123 0 28 140 1 0 0 0 0 0124 0 26 133 0 1 2 0 0 0125 0 20 169 0 0 1 0 1 1126 0 24 115 0 0 0 0 0 2127 0 28 250 0 1 0 0 0 6128 0 20 141 1 0 2 0 1 1129 0 22 158 0 0 1 0 0 2130 0 22 112 1 1 2 0 0 0131 0 31 150 0 1 0 0 0 2132 0 23 115 0 1 0 0 0 1133 0 16 112 0 0 0 0 0 0134 0 16 135 1 1 0 0 0 0135 0 18 229 0 0 0 0 0 0136 0 25 140 1 0 0 0 0 1137 0 32 134 1 1 1 0 0 4138 0 20 121 0 1 0 0 0 0139 0 23 190 1 0 0 0 0 0140 0 22 131 1 0 0 0 0 1141 0 32 170 1 0 0 0 0 0

142 0 30 110 0 0 0 0 0 0143 0 20 127 0 0 0 0 0 0144 0 23 123 0 0 0 0 0 0145 0 17 120 0 1 0 0 0 0146 0 19 105 0 0 0 0 0 0147 0 23 130 1 0 0 0 0 0148 0 36 175 1 0 0 0 0 0149 0 22 125 1 0 0 0 0 1150 0 24 133 1 0 0 0 0 0151 0 21 134 0 0 0 0 0 2152 0 19 235 1 1 0 1 0 0153 0 25 95 1 1 3 0 1 0154 0 16 135 1 1 0 0 0 0155 0 29 135 1 0 0 0 0 1156 0 29 154 1 0 0 0 0 1157 0 19 147 1 1 0 0 0 0158 0 19 147 1 1 0 0 0 0159 0 30 137 1 0 0 0 0 1160 0 24 110 1 0 0 0 0 1161 0 19 184 1 1 0 1 0 0162 0 24 110 0 0 1 0 0 0163 0 23 110 1 0 0 0 0 1164 0 20 120 0 0 0 0 0 0165 0 25 241 0 0 0 1 0 0166 0 30 112 1 0 0 0 0 1167 0 22 169 1 0 0 0 0 0168 0 18 120 1 1 0 0 0 2169 0 16 170 0 0 0 0 0 4170 0 32 186 1 0 0 0 0 2171 0 18 120 0 0 0 0 0 1172 0 29 130 1 1 0 0 0 2173 0 33 117 1 0 0 0 1 1174 0 20 170 1 1 0 0 0 0175 0 28 134 0 0 0 0 0 1176 0 14 135 1 0 0 0 0 0177 0 28 130 0 0 0 0 0 0178 0 25 120 1 0 0 0 0 2179 0 16 95 0 0 0 0 0 1180 0 20 158 1 0 0 0 0 1181 0 26 160 0 0 0 0 0 0182 0 21 115 1 0 0 0 0 1