Library:
> install.packages("knitr")
> install.packages("rmarkdown")
Error in contrib.url(repos, "source"): trying to use CRAN without setting a mirror> install.packages("tinytex")
Error in contrib.url(repos, "source"): trying to use CRAN without setting a mirror> install.packages("prettydoc")
Error in contrib.url(repos, "source"): trying to use CRAN without setting a mirror> install.packages("equatiomatic")
Error in contrib.url(repos, "source"): trying to use CRAN without setting a mirror> install.packages("pscl")
Error in contrib.url(repos, "source"): trying to use CRAN without setting a mirror> install.packages("generalhoslem")
Error in contrib.url(repos, "source"): trying to use CRAN without setting a mirrorAnemia adalah keadaan dimana jumlah hemoglobin (Hb) atau hematokrit (HCT) dalam tubuh mengalami penurunan. Pada umumnya, penderita anemia akan mengalami gejala seperti badan terasa lesu, lemah, dan lelah. Namun, jika anemia yang dialami sudah termasuk kategori anemia berat penderita akan mengalami gejala sinkop, sesak napas, dan berkurangnya toleransi tubuh dalam melakukan aktivitas. Saat ini anemia merupakan masalah kesehatan terbesar dan paling banyak dialami di dunia terutama kelompok wanita usia produksi yaitu ibu hamil. Anemia pada ibu hamil di negara berkembang umumnya diduga terjadi karena kekurangan zat besi (van dek Broek & Letsky 2000). Anemia pada kehamilan adalah jika kadar hemoglobin (Hb)<11g/dl. Ibu hamil yang menderita anemia memiliki resiko cukup besar mengalami pendarahan pada saat melahirkan yang bisa mengakibatkan kematian. Tidak hanya berdampak pada ibu, bayi yang dilahirkan juga kan ikut terkena dampaknya. Kemungkinan besar bayi akan mempunyai cadangan zat besi yang sedikit atau bahkan tidak mempunyai persediaan sama sekali di dalam tubuhnya walaupun tidak menderita anemia. Status anemia pada ibu hamil dapat dianalisis menggunakan regresi logistik. Regresi logistik adalah bagian dari analisis regresi yang digunakan untuk menganalisis variabel dependen yang bersifat kategori dan variabel independen bersifat kategori, kontinu, atau gabungan dari keduanya. Model regresi logistik biner digunakan untuk menganalisis hubungan antara satu variabel respon (variabel tak bebas) dan beberapa variabel bebas, dengan variabel responnya berupa data kualitatif dikotomi yaitu bernilai 1 untuk menyatakan keberadaan sebuah karakteristik dan bernilai 0 untuk menyatakan ketidakberadaaan sebuah karakteristik (Agresti, 2007).
Regresi logistik adalah bagian dari analisis regresi yang digunakan untuk menganalisis variabel dependen yang bersifat kategori dan variabel independen bersifat kategori, kontinu, atau gabungan dari keduanya. Model regresi logistik biner digunakan untuk menganalisis hubungan antara satu variabel respon (variabel tak bebas) dan beberapa variabel bebas, dengan variabel responnya berupa data kualitatif dikotomi yaitu bernilai 1 untuk menyatakan keberadaan sebuah karakteristik dan bernilai 0 untuk menyatakan ketidakberadaaan sebuah karakteristik (Agresti, 2007).
Model uji signifikansi parameter secara individual menggunakan wald test dengan hipotesis sebagai berikut : \[ H_0 : \qquad \text{model berpengaruh secara signifikan} \\ H_1 : \qquad \text{model berpengaruh secara signifikan}} \]
Uji parsial parameter model digunakan untuk menguji peranan parameter di dalam model secara keseluruhan. Dengan hipotesis sebagai berikut: \[ H_0 : \qquad \text{ model berpengaruh signifikan } \\ H_1 : \qquad \text{ model tidak berpengaruh signifikan } \]
Multikolinearitas merupakan keadaan dimana terjadi hubungan linear yang sempurna atau mendekati antar variabel independen dalam model regresi. Gejala adanya multikoliniearitas antara lain dengan melihat nilai Variance Inflation Factor (VIF) dan Tolerance nya. Jika nilai VIF < 10 dan Tolerance > 0,1 maka dinyatakan tidak terjadi multikolinearitas.
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.
> data_analisis <- read_excel("data_ibuhamil.xlsx")
Error in read_excel("data_ibuhamil.xlsx"): could not find function "read_excel"> Y <- as.factor(data_analisis$status_anemia)
Error in eval(expr, envir, enclos): object 'data_analisis' not found> X1 <- data_analisis$jarak_kehamilan
Error in eval(expr, envir, enclos): object 'data_analisis' not found> X3 <- data_analisis$usia_kehamilan
Error in eval(expr, envir, enclos): object 'data_analisis' not found> X4 <- as.factor(data_analisis$pendidikan)
Error in eval(expr, envir, enclos): object 'data_analisis' not found> X5 <- as.factor(data_analisis$pekerjaan)
Error in eval(expr, envir, enclos): object 'data_analisis' not found> reglog1 <- lm(X1~X2+X3+X4+X5, data=data_anreglog)
Error in eval(mf, parent.frame()): object 'data_anreglog' not found>
> reglog2 <- lm(X2~X1+X3+X4+X5, data=data_anreglog)
Error in eval(mf, parent.frame()): object 'data_anreglog' not found>
> reglog3 <- lm(X3~X1+X2+X4+X5, data=data_anreglog)
Error in eval(mf, parent.frame()): object 'data_anreglog' not found>
> reglog4 <- glm(X4~X1+X2+X3+X5, family = binomial, data =data_anreglog)
Error in eval(mf, parent.frame()): object 'data_anreglog' not foundDari perhitungan VIF 5 variabel prediktor didapatkan hasil semua nilai VIF mendekati 1 yang artinya pada semua variabel prediktor tidak terjadi multikolinieritas.
Dari pengujian signifikansi keseluruhan model didapatkan nilai G2 sebesar 4,71789405 yang lebih kecil jika dibandingkan dengan nilai chi-square sebesar 9,487729. Sehingga dapat disimpulkan bahwa minimal terdapat satu variabel prediktor yang berpengaruh terhadap status anemia ibu hamil.
Dari pengujian parsial didapatkan bahwa variabel X1(jarak kehamilan), X2(usia ibu), X3(usia kehamilan), X4(pendidikan), X5(pekerjaan) memiliki p-value lebih besar dari alpha 0,05 sehingga dapat disimpulkan bahwa variabel-variabel prediktor tersebut berpengaruh signifikan terhadap status anemia. ## 4.4 ANALISIS REGRESI LOGISTIK Didapatkan model regresi logistik sebagai berikut : \[ g(x)=-2.30560 + 0.23741X_1 + 0.01211X_2 + 0.04176X_3 + 1.53928X_4 + 16.16366X_5 \] ## 4.5 KLASIFIKASI Dari 9 amatan dengan Y=0 terdapat 8 yang diklasifikasikan benar, sedangkan dari 37 amatan dengan Y=1 semuanya benar.
Dari pengujian kelayakan model diperoleh p-value sebesar 0.06126 yang lebih besar dari alpha (0,05) sehingga dapat disimpulkan bahwa model yang terbentuk layak untuk digunakan.
Didapatkan nilai R-Square sebesar 0,1037448, hal itu menunjukkan bahwa variabel prediktor dapat menjelaskan 10,37448% potensi status anemia sedangkan 89,62552% dijelaskan oleh model yang lain.
Dari pengujian yang telah dilakukan dapat disimpulkan bahwa dari lima variabel yang dianalisis menghasilkan variabel yang paling berpengaruh terhadap status anemia pada ibu hamil adalah variabel usia kehamilan ibu hamil. Ibu hamil yang usia kehamilannya di atas 21 minggu 7 kali lebih berpengaruh jika dibandingkan dengan ibu hamil yang usia kehamilannya di bawah 21 minggu.
Tanziha, I., Damanik, M. R. M., Utama, L. J., & Rosmiati, R. (2016). Faktor risiko anemia ibu hamil di indonesia. Jurnal Gizi dan Pangan, 11(2), 143-152. Turner, J., Parsi, M., & Badireddy, M. (2023). Anemia. In StatPearls [Internet]. StatPearls Publishing.