Analisis Regresi Logistik Untuk Menentukan Faktor Stillbirth Di Kabupaten Aceh Timur

Rachel Cyrilla Sahla

1 Juni 2024

Library:

> # install.packages("knitr")
> # install.packages("rmarkdown")
> # install.packages("prettydoc")
> # install.packages("equatiomatic")

1 PENDAHULUAN

1.1 Latar Belakang

Stillbirth adalah kelahiran bayi dalam kondisi tidak bernyawa setelah mencapai usia kehamilan 20 minggu atau sebelum proses persalinan. Pada 2016, Badan Pusat Statistik (BPS) melaporkan Angka Kematian Bayi (AKB) di Indonesia sebesar 25,5, yang berarti sekitar 25,5 kematian bayi per 1.000 kelahiran hidup dalam setahun. Penyebab stillbirth meliputi cacat lahir, masalah tali pusar, masalah plasenta, kondisi kesehatan ibu seperti diabetes atau tekanan darah tinggi, pembatasan pertumbuhan intrauterine (IUGR), kekurangan nutrisi, infeksi selama kehamilan, paparan agen lingkungan seperti pestisida atau karbon monoksida, serta riwayat kondisi pembekuan darah.

Di Kabupaten Aceh Timur, tiga daerah dengan kasus stillbirth terbanyak pada 2017 adalah Idi Rayeuk, Darul Aman, dan Peureulak Kota, dengan total 55 kejadian. Penyebab utama stillbirth di daerah ini menurut dinas kesehatan setempat adalah infeksi selama kehamilan, kelainan bawaan, kondisi kesehatan ibu, dan usia ibu.

Penelitian menunjukkan bahwa faktor risiko stillbirth meliputi usia 20-35 tahun, paritas multipara, dan komplikasi kehamilan seperti preeklampsia. Selain itu, riwayat penyakit, pemeriksaan antenatal care, dan ketuban pecah dini juga berhubungan dengan stillbirth. Penelitian ini menggunakan analisis deskriptif, sehingga analisis regresi logistik akan digunakan untuk mengkaji faktor-faktor yang berpengaruh secara signifikan terhadap stillbirth.

Penelitian ini bertujuan untuk menerapkan model regresi logistik biner guna mengidentifikasi faktor-faktor signifikan yang mempengaruhi stillbirth di Kabupaten Aceh Timur, menggunakan data ibu hamil dan stillbirth.

2 TINJAUAN PUSTAKA

2.1 Statistika Deskriptif

Statistika deskriptif adalah metode yang melibatkan pengumpulan, pengolahan, dan penyajian data sehingga menghasilkan informasi yang bermanfaat. Ini adalah cabang statistika yang fokus pada pengolahan dan penyajian data tanpa membuat kesimpulan tentang populasi secara keseluruhan. Statistika deskriptif memberikan gambaran umum dari data yang diperoleh (Walpole, 1997). Metode ini mencakup penggunaan ukuran penyebaran data, ukuran pemusatan data, serta berbagai bentuk visualisasi seperti grafik, diagram, dan histogram untuk menyampaikan informasi dengan cara yang mudah dipahami.

2.2 Analisis Regresi Logistik

Menurut Irwan Gani dan Siti Amalia (2015), regresi logistik adalah salah satu bentuk model regresi nonlinier yang menggunakan fungsi eksponensial dalam pendugaan parameternya. Variabel dependen menggunakan data kategorik dan variabel independen bisa benbentuk numerik dan/atau kategorik. Model parameter dapat diduga dengan menggunkan metode maksimum likelihood, yaitu suatu prosedur pencarian satu atau lebih parameter yang secara statistik memberikan distribusi atau kemungkinan terbesar dari suatu paramater θ. Agresti (2007) menyatakan bahwa variabel dalam regresi logistik dapat berupa kategori atau kualitatif. Menurut Hosmer dan Lemeshow (2000), tujuan melakukan analisis data menggunakan regresi logistik adalah untuk mendapatkan model terbaik dan sederhana, namun model tersebut sejalan dengan tinjauan dari ilmu biologi untuk menjelaskan hubungan di antara hasil variabel respon dengan variabel prediktor.

Regresi logistik biner adalah suatu metode analisis data yang digunakan untuk mencari hubungan antara variabel respon (y) yang bersifat biner (dichotomus) dengan variabel prediktor (x) yang bersifat kategorik atau kontinu. Hasil respon variabel dichotomus memiliki dua kriteria, yaitu:

  • y = 1 mewakili kemungkinan sukses dengan probabilitas π(x)
  • y = 0 mewakili kemungkinan gagal dengan probabilitas 1−π(x)

dengan variabel respon (y) mengikuti distribusi Bernoulli untuk setiap observasi tunggal.

2.3 Uji Multikolinearitas

Uji multikolinearitas dalam analisis regresi berguna untuk mengidentifikasi dan mengatasi hubungan linear yang kuat antara variabel independen. Multikolinearitas yang tinggi dapat menyebabkan koefisien regresi tidak stabil dan sulit untuk diinterpretasikan. Untuk menguji keberadaan multikolinearitas, dapat digunakan metode nilai tolerance atau faktor inflasi varian(VIF) dengan rumus :

\(\text{FIV}_j = \frac{1}{1 - R_j^2}\)

\(\text{Toleransi}_j = \frac{1}{\text{FIV}_j}\)

dengan nilai VIF harus berada pada angka 10. Jika nilai VIF melebihi 10 dan nilai toleransi kurang dari 0,10, maka terdapat tingkat multikolinieritas yang tinggi antara variabel bebas dan variabel bebas lainnya begitu juga sebaliknya.

2.4 Uji Signifikansi Parameter

2.4.0.1 Uji Signifikansi Parameter Model Secara Bersama

Untuk mengetahui signifikan atau tidaknya parameter variabel bebas secara keseluruhan, berikut merupakan hipotesis yang digunakan :

\(H_0=β_1=β_2=…=β_p=0\) vs \(H_1\)= minimal ada satu \(β_k≠0,k=1,2,…,p\) dimana \(p\) merupakan jumlah variabel prediktor dalam model. Berikut merupakan statistik uji untuk likelihood-ratio test yang digunakan dalam pengujian ini :

\(G = 2 \sum_{i=1}^n O_i \log\left(\frac{O_i}{E_i}\right)\)

dimana \(O_i\) merupakan frekuensi observasi untuk kategori \(i\) dan \(E_i\) merupakan frekuensi harapan untuk kategori \(i\).

Keputusan akan tolak \(H_0\) apabila nilai statistik uji p-value statistik uji lebih besar dari taraf nyata.

2.4.0.2 Uji Parsial

Uji parsial sangat penting dalam analisis regresi untuk mengidentifikasi variabel-variabel independen yang signifikan. Dalam studinya, Handayani menemukan bahwa tidak semua variabel independen yang dimasukkan ke dalam model regresi memiliki pengaruh signifikan, sehingga uji parsial membantu dalam menyederhanakan model dengan hanya menyertakan variabel-variabel yang penting. Hal ini mendukung keputusan yang lebih tepat berdasarkan data empiris dan meningkatkan validitas model regresi yang digunakan.

2.4.0.3 Odds Ratio

Odds ratio (OR) adalah ukuran yang digunakan untuk menilai kekuatan asosiasi atau hubungan antara dua variabel, biasanya variabel independen dengan variabel dependen biner. OR menggambarkan rasio peluang (odds) terjadinya kejadian tertentu pada kelompok yang terpapar dibandingkan dengan kelompok yang tidak terpapar. Dalam konteks regresi logistik, OR diperoleh dari eksponen koefisien regresi dan memberikan interpretasi yang mudah dipahami mengenai efek variabel independen. Sebagai contoh, OR lebih besar dari 1 menunjukkan bahwa peningkatan nilai variabel independen meningkatkan peluang terjadinya kejadian begitu juga sebaliknya.

2.4.0.4 Ketepatan Hasil Klasifikasi

Tingkat ketepatan hasil klasifikasi dapat dievaluasi melalui nilai akurasi yang didapat dari matriks kebingungan. Untuk variabel respon yang memiliki dua kategori, ada empat kemungkinan hasil prediksi yang bisa terjadi, yaitu true positive (TP), true negative (TN), false positive (FP), dan false negative (FN).

2.4.0.5 Uji Kelayakan Model

Uji kelayakan model adalah langkah krusial dalam analisis regresi logistik untuk memastikan bahwa model yang dibangun sesuai dengan data yang dianalisis. Salah satu metode yang sering digunakan adalah uji goodness-of-fit (GOF), yang mengukur seberapa baik model yang diestimasi sesuai dengan data yang diamati. Uji ini membantu dalam mengidentifikasi apakah model memberikan prediksi yang konsisten dengan data yang diamati. Jika hasil uji menunjukkan kecocokan yang buruk, hal tersebut bisa menjadi indikasi bahwa model perlu diperbaiki . Penggunaan uji goodness-of-fit dalam regresi logistik memberikan gambaran tentang seberapa baik model menangkap struktur dasar data dan seberapa baik model tersebut dapat digunakan untuk tujuan prediksi. Uji ini juga membantu dalam memahami apakah ada kebutuhan untuk menambahkan variabel atau interaksi tambahan dalam model.

2.5 Data

Data yang dianalisis merupakan data sekunder yang diperoleh dari Dinas Kesehatan Kabupaten Aceh Timur. Data yang digunakan merupakan data ibu yang hamil diasumsikan mengikuti regresi logistik biner berserta faktor yang diduga berpengaruh terhadap stillbirth pada ibu hamil di Aceh Timur pada Tahun 2017. Responden pada penelitian ini berjumlah 55 ibu hamil.

Variabel-variabel yang menjadi objek penelitian adalah ibu hamil di Aceh Timur pada Tahun 2017 sebagai variabel dependen dan empat variabel yang mempengaruhinya (variabel Independen). Definisi variabel operasional tersebut adalah sebagai berikut:

  1. Variabel tak bebas adalah status kejadian stillbirth pada bayi, dengan kategori :

    • Bayi yang tidak mengalami stillbirth = 0
    • Bayi yang mengalami stillbirth = 1

  2. Variabel bebas

    1. Infeksi selama kehamilan (X1), dengan kategori
      • terjadinya infeksi kehamilan = 1
      • tidak terjadinya infeksi kehamilan = 0
    2. Kelainan atau cacat bawaan (X2), dengan kategori
      • mengalami kelainan atau cacat bawaan = 1
      • tidak mengalami kelainan atau cacat bawaan = 0
    3. Kondisi Ibu (X3), dengan kategori

      • diabetes = 1

      • preklamsia = 0

    4. Usia Ibu (X4), dengan kategori

      • 32-40 tahun = 1

      • 24-31 tahun = 0

    Menurut Nachrowi dan Usman (2002), bentuk model regresi logistik adalah:

    \[ f(X) = \frac{e^{\beta_0 + \beta_1 X_1 + \beta_2 X_2 + \cdots + \beta_p X_p}}{1 + e^{\beta_0 + \beta_1 X_1 + \beta_2 X_2 + \cdots + \beta_p X_p}} \]

Sumber : https://ojs3.unpatti.ac.id/index.php/barekeng/article/view/1580/2689

2.6 Tujuan

Penelitian ini bertujuan untuk mengkaji faktor-faktor yang secara signifikan mempengaruhi kejadian stillbirth. Stillbirth adalah kelahiran bayi dalam keadaan tidak bernyawa yang terjadi setelah mencapai usia kehamilan 20 minggu atau lebih sebelum proses persalinan. Beberapa penyebab stillbirth meliputi infeksi selama kehamilan, kelainan atau cacat bawaan, kondisi kesehatan ibu, usia ibu, dan lain sebagainya.

3 SOURCE CODE

3.1 Library

> library(knitr)
> library(rmarkdown)
> library(prettydoc)
> library(equatiomatic)
> library(plotrix)

Pustaka knitr digunakan untuk membuat dokumen dinamis dengan mengeksekusi kode R langsung dalam laporan, sehingga hasil analisis dapat ditampilkan secara langsung. rmarkdown memungkinkan pembuatan laporan dalam berbagai format seperti HTML, PDF, dan Word, dengan integrasi kode dan output R. prettydoc menyediakan tema-tema yang menarik untuk meningkatkan tampilan estetika dokumen R Markdown. Terakhir, equatiomatic mempermudah konversi model regresi dari R ke dalam format persamaan LaTeX, sehingga model statistik dapat disajikan dengan lebih formal dan mudah dipahami. Dengan pustaka-pustaka ini, pembuatan laporan menjadi lebih efisien, informatif, dan estetis. Serta plotrix sebagai package untuk membentuk piechart.

3.2 Impor Data

> setwd("C:/Users/Rachel Cyrilla Sahla/Downloads")
> data <- read.csv("Data Regresi Logistik.csv", header = TRUE, sep = "")
> head(data)
  Y X1 X2 X3 X4
1 1  1  0  0 33
2 1  1  0  0 38
3 0  1  0  1 31
4 0  0  1  0 32
5 0  1  0  0 24
6 0  0  1  0 24
> show(data)
   Y X1 X2 X3 X4
1  1  1  0  0 33
2  1  1  0  0 38
3  0  1  0  1 31
4  0  0  1  0 32
5  0  1  0  0 24
6  0  0  1  0 24
7  0  0  0  0 26
8  1  1  0  1 36
9  1  0  1  0 30
10 1  1  0  0 25
11 0  1  0  1 40
12 0  0  0  0 31
13 1  0  1  0 39
14 1  1  0  1 25
15 1  1  0  0 26
16 0  0  1  0 38
17 1  1  0  1 31
18 0  0  0  0 37
19 0  1  0  0 37
20 0  0  1  0 36
21 1  0  1  0 40
22 1  1  0  0 30
23 0  0  1  0 26
24 0  0  1  0 39
25 1  1  0  1 31
26 1  1  0  0 24
27 1  0  1  0 40
28 1  1  0  1 30
29 0  0  1  0 32
30 1  1  0  0 28
31 1  0  1  1 33
32 1  1  0  1 27
33 0  0  0  0  2
34 0  0  1  0 39
35 0  1  0  0 26
36 0  1  0  0 33
37 0  1  0  0 32
38 1  1  0  0 36
39 1  1  0  1 25
40 0  0  1  0 25
41 0  0  0  0 34
42 0  1  0  0 33
43 1  1  0  0 24
44 1  1  0  1 33
45 1  1  0  0 25
46 0  0  1  0  3
47 0  0  0  0 37
48 0  1  0  0 38
49 1  1  0  0 31
50 1  0  1  1 29
51 1  1  0  0 38
52 1  0  0  1 28
53 1  1  0  1 27
54 1  0  1  0 24
55 1  0  1  0 35
> 
> X1 <- as.factor(data$X1)
> X2 <- as.factor(data$X2)
> X4 <- data$X4
> X3 <- as.factor(data$X3)
> Y <- as.factor(data$Y)
> df <- data.frame(X1,X2,X3,X4,Y)
>  
> str(df)
'data.frame':   55 obs. of  5 variables:
 $ X1: Factor w/ 2 levels "0","1": 2 2 2 1 2 1 1 2 1 2 ...
 $ X2: Factor w/ 2 levels "0","1": 1 1 1 2 1 2 1 1 2 1 ...
 $ X3: Factor w/ 2 levels "0","1": 1 1 2 1 1 1 1 2 1 1 ...
 $ X4: int  33 38 31 32 24 24 26 36 30 25 ...
 $ Y : Factor w/ 2 levels "0","1": 2 2 1 1 1 1 1 2 2 2 ...

Data dipanggil dengan perintah read.csv() dengan ketentuan baris pertama sebagai identitas variabel yang ditandai dengan header = TRUE dan setiap kolom dipisahkan dengan tanda koma (,). Gambaran banyaknya observasi dan karakteristik variabel ditampilkan dengan perintah str().

3.3 Statistika Deskriptif

> Stillbirth <- table(df$Y)
> Stillbirth

 0  1 
25 30 
> kat = c("Tidak mengalami Stillbirth = ","Mengalami stillbirth = ")
> persentase = round(Stillbirth/sum(Stillbirth)*100)
> kat = paste(kat,persentase)
> kat = paste(kat,'%',sep ='')
> pie3D(Stillbirth,labels=kat,col=c('light blue','blue'), main="Persentase Kejadian Stillbirth")

3.4 Uji Multikoliniearitas

> reg <- glm(Y~X1+X2+X3+X4,family=binomial,data=data)
> vif_values <- vif(reg)
Error in vif(reg): could not find function "vif"
> vif_values
Error in eval(expr, envir, enclos): object 'vif_values' not found

Diperoleh nilai VIF seluruh variabel prediktor mendekati 1 atau lebih kecil dari 10. Oleh karena itu, diperoleh kesimpulan bahwa tidak terjadi multikolinieritas antar variabel prediktor yang satu dengan yang lainnya.

3.5 Analisis

> reglog <- glm(Y~X1+X2+X3+X4, family = binomial, data = data)
> summary(reglog)

Call:
glm(formula = Y ~ X1 + X2 + X3 + X4, family = binomial, data = data)

Coefficients:
             Estimate Std. Error z value Pr(>|z|)  
(Intercept) -2.280340   1.680598  -1.357   0.1748  
X1           2.561336   1.229394   2.083   0.0372 *
X2           1.815215   1.270444   1.429   0.1531  
X3           1.913408   0.900208   2.126   0.0335 *
X4           0.001613   0.042766   0.038   0.9699  
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

(Dispersion parameter for binomial family taken to be 1)

    Null deviance: 75.791  on 54  degrees of freedom
Residual deviance: 61.360  on 50  degrees of freedom
AIC: 71.36

Number of Fisher Scoring iterations: 4

Pembentukan model regresi logistik dilakukan dengan menggunakan perintah glm() yang nantinya disimpan dengan nama model, kemudidan untuk memunculkan ringkasan dari model yang telah dibentuk, digunakan perintah summary().

> #Hasil R-Squared
> Rsq <- 1-(61.360/75.791)
> Rsq
[1] 0.1904052
> #Pembentukan tabel berisi penduga parameter
> beta <- coef(reglog)
> OR_beta <- exp(beta)
> sk_OR <- exp(confint(reglog))
> cbind(beta,OR_beta,sk_OR)
                    beta    OR_beta       2.5 %     97.5 %
(Intercept) -2.280339862  0.1022495 0.002087498   1.909019
X1           2.561336039 12.9531116 1.606006716 296.404960
X2           1.815215386  6.1423990 0.695077071 148.759380
X3           1.913407866  6.7761417 1.386450287  55.815711
X4           0.001612997  1.0016143 0.922129607   1.098100
> # Melakukan uji likelihood-ratio test
> lr_test <- anova(reglog, test = "LRT")
> 
> # Mendapatkan statistik uji dan nilai p-value
> statistic <- lr_test$Chisq
> p_value <- lr_test$"Pr(>Chi)"
> 
> 
> # Menampilkan hasil uji
> cat("Statistik Uji:", statistic, "\n")
Statistik Uji: 
> cat("Nilai p:", p_value, "\n")
Nilai p: NA 0.01098187 0.1381304 0.01637088 0.9698801 
> #Klasifikasi Model
> yp_hat <- fitted(reglog)
> Y <- data$Y
> class <- table(Y,yp_hat > 0.5)
> class
   
Y   FALSE TRUE
  0    16    9
  1     7   23
> logitgof(df$Y,fitted(reglog))
Error in logitgof(df$Y, fitted(reglog)): could not find function "logitgof"

4 HASIL DAN PEMBAHASAN

4.1 Statistika Deskriptif

Berdasarkan Data yang digunakan, diperoleh pie chart bagi Status Kejadian Stillbirth sebagai berikut

> pie3D(Stillbirth,labels=kat,col=c('light blue','blue'), main="Persentase Kejadian Stillbirth")

Hasil analisis secara deskriptif menunjukkan bahwa dari 55 sampel ibu hamil terdapat 55% atau 30 ibu yang mengalami stillbirth dan 45% atau 25 ibu yang tidak mengalami stillbirth.

4.2 Uji Multikoliniearitas

> reg <- glm(Y~X1+X2+X3+X4,family=binomial,data=data) vif_values <- vif(reg) 
+ vif_values
Error: <text>:1:53: unexpected symbol
1: reg <- glm(Y~X1+X2+X3+X4,family=binomial,data=data) vif_values
                                                        ^

Diperoleh nilai VIF seluruh variabel prediktor mendekati 1 atau lebih kecil dari 10. Oleh karena itu, diperoleh kesimpulan bahwa tidak terjadi multikolinieritas antar variabel prediktor yang satu dengan yang lainnya.

4.3 Model Logit

Berdasarkan hasil output di atas model logit yang terbentuk sebagai berikut:

\[ Logit[\hatπ(X)]=−2.28034+2.56134X_1+1.81522X_2+1.91341X_3+0.00161X_4 \]

Interpretasi:

  • Jika \(X_1\)(Infeksi selama kehamilan), \(X_2\)(Kehamilan atau cacat bawaan), \(X_3\)(Kondisi Ibu), \(X_4\)(Usia Ibu) bernilai = 0, maka nilai stillbirth adalah sebesar -2.28034 jiwa

  • Setiap kejadian infeksi kehamilan pada Ibu akan meningkatkan kejadian stillbirth sebesar 2.56134 jiwa

  • Setiap kejadian kelainan atau cacat bawaan pada Ibu akan meningkatkan kejadian stillbirth sebesar 1.81522 jiwa

  • Setiap status diabetes pada ibu akan meningkatkan kejadian stillbirth sebesar 1.91341 jiwa

  • Setiap status usia Ibu 32 - 40 tahun akan meningkatkan kejadian stillbirth sebesar 0.00161 jiwa

4.4 Uji Signifikansi Parameter Model Secara Bersama

> # Melakukan uji likelihood-ratio test 
> lr_test <- anova(reglog, test = "LRT")  
> 
> # Mendapatkan statistik uji dan nilai p-value 
> statistic <- lr_test$Chisq 
> p_value <- lr_test$"Pr(>Chi)"
> 
> # Menampilkan hasil uji 
> cat("Statistik Uji:", statistic, "\n") 
Statistik Uji: 
> cat("Nilai p:", p_value, "\n")
Nilai p: NA 0.01098187 0.1381304 0.01637088 0.9698801

Tahapan berikutnya yaitu uji kecocokan model dari dua variable prediktor dengan melihat P value, apabila P value > 0,05 maka model yang dibentuk sesuai atau cocok dengan nilai observasinya, seperti pada output yang dihasilkan keempat variabel prediktor tersebut, maka dapat disimpulkan bahwa model signifikan atau minimal terdapat satu variabel yang berpengaruh terhadap terjadinya stillbirth.

4.5 Uji Parsial

> summary(reglog)

Call:
glm(formula = Y ~ X1 + X2 + X3 + X4, family = binomial, data = data)

Coefficients:
             Estimate Std. Error z value Pr(>|z|)  
(Intercept) -2.280340   1.680598  -1.357   0.1748  
X1           2.561336   1.229394   2.083   0.0372 *
X2           1.815215   1.270444   1.429   0.1531  
X3           1.913408   0.900208   2.126   0.0335 *
X4           0.001613   0.042766   0.038   0.9699  
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

(Dispersion parameter for binomial family taken to be 1)

    Null deviance: 75.791  on 54  degrees of freedom
Residual deviance: 61.360  on 50  degrees of freedom
AIC: 71.36

Number of Fisher Scoring iterations: 4

4.5.1 Nilai p untuk variabel prediktor \(X_1\) yang diperoleh pada hasil output tersebut:

> 0.0372
[1] 0.0372

Interpretasi:

Dengan taraf nyata sebesar 5% dapat dibuktikan bahwa infeksi kehamilan memberikan pengaruh signifikan terhadap kejadian stillbirth.

4.5.2 Nilai p untuk variabel prediktor \(X_2\) yang diperoleh pada hasil output tersebut:

> 0.1531
[1] 0.1531

Interpretasi:

Dengan taraf nyata sebesar 5% dapat dibuktikan bahwa kelainan atau cacat bawaan tidak memberikan pengaruh signifikan terhadap kejadian stillbirth.

4.5.3 Nilai p untuk variabel prediktor \(X_3\) yang diperoleh pada hasil output tersebut:

> 0.0335
[1] 0.0335

Interpretasi:

Dengan taraf nyata sebesar 5% dapat dibuktikan bahwa status diabetes pada ibu memberikan pengaruh signifikan terhadap kejadian stillbirth.

4.5.4 Nilai p untuk variabel prediktor \(X_4\) yang diperoleh pada hasil output tersebut:

> 0.9699
[1] 0.9699

Interpretasi:

Dengan taraf nyata sebesar 5% dapat dibuktikan bahwa status usia ibu 32 - 40 tahun tidak memberikan pengaruh signifikan terhadap kejadian stillbirth.

4.6 R-Squared

Hasil R-Squared yang didapat:

> Rsq
[1] 0.1904052

Interpretasi:

Variabel infeksi selama kehamilan, kelainan atau cacat bawaan, kondisi kesehatan ibu dan usia ibu hanya menjelaskan pengaruh terhadap stillbirth sebesar 19%. Sedangkan 81% dipengaruhi oleh variabel lain di luar model.

4.7 Odds Ratio

Odds Ratio yang dihasilkan oleh output sebagai berikut:

> OR_beta
(Intercept)          X1          X2          X3          X4 
  0.1022495  12.9531116   6.1423990   6.7761417   1.0016143

Interpretasi:

  • Jika terjadi infeksi kehamilan pada Ibu, maka kecenderungan kejadian stillbirth meningkat sebesar 12.9531 jiwa. Dengan kata lain, semakin seorang Ibu menderita infeksi kehamilan maka potensi kejadian stillbirth juga akan meningkat.

  • Jika terjadi kelainan atau cacat bawaan pada Ibu, maka kecenderungan kejadian stillbirth meningkat sebesar 6.1424 jiwa. Dengan kata lain, semakin seorang Ibu memiliki kelainan atau cacat bawaan maka potensi kejadian stillbirth juga akan meningkat.

  • Jika status Ibu menderita diabetes, maka kecenderungan kejadian stillbirth meningkat sebesar 6.7761 jiwa. Dengan kata lain, semakin seorang Ibu menderita diabetes maka potensi kejadian stillbirth juga akan meningkat.

  • Jika status usia Ibu berada diantara 32 - 40 tahun, maka kecenderungan kejadian stillbirth meningkat sebesar 1.0016 jiwa. Dengan kata lain, semakin seorang Ibu berusia 32 - 40 tahun maka potensi kejadian stillbirth juga akan meningkat.

4.8 Klasifikasi Model

> class
   
Y   FALSE TRUE
  0    16    9
  1     7   23

Klasifikasi model yang dihasilkan oleh output sebagai berikut:

Interpretasi:

  • Dari 25 amatan 𝑌= 0 yang dihasilkan, hanya 9 amatan yang terklasifikasi sebagai benar

  • Dari 30 amatan 𝑌= 1 yang dihasilkan, 23 amatan yang terklasifikasi sebagai benar

4.9 Uji Kelayakan Model

> logitgof(df$Y,fitted(reglog))
Error in logitgof(df$Y, fitted(reglog)): could not find function "logitgof"

Melakukan uji goodness-of-fit (kecocokan model) pada model regresi logistik yang telah ditentukan reglog dengan menggunakan variabel target (df$Y) dan nilai prediksi fitted(reglog) dengan function logitgof.

Berdasarkan output di atas diperoleh nilai p-value (0,2375) lebih besar dari 0,05, maka H0 diterima. Sehingga dapat disimpulkan bahwa model yang terbentuk layak digunakan.

5 KESIMPULAN

Hasil analisis regresi logistik menunjukkan bahwa variabel infeksi selama kehamilan dan status diabetes pada ibu memiliki pengaruh yang signifikan terhadap kejadian stillbirth. Artinya, ibu yang mengalami infeksi kehamilan dan menderita diabetes memiliki risiko lebih tinggi mengalami stillbirth. Oleh karena itu, sangat penting bagi ibu hamil untuk menjaga kesehatan mereka guna mengurangi atau menghindari risiko stillbirth.

6 DAFTAR PUSTAKA

F. Muliani, Amelia, U. Nabilla, Azizah. “ANALISIS REGRESI LOGISTIK BINER UNTUK MENENTUKAN FAKTOR STILLBIRTH DI KABUPATEN ACEH TIMUR”, BAREKENG: J. Il Mat. & Ter., vol.15, no. 1, pp. 001-008, Mar.2021.

Achmad Effendi, Ni Wayan Surya Wardhani, Rahma Fitriani, Eni Sumarminingsih. (2020). Analisis Regresi: Teori dan Aplikasi dalam R. Malang: Universitas Brawijaya Press.