Library:
> # install.packages("knitr")
> # install.packages("rmarkdown")
> # install.packages("prettydoc")
> # install.packages("equatiomatic")1 PENDAHULUAN
1.1 Latar Belakang
Masa pertumbuhan yang pesat terjadi pada masa bayi dan balita. Oleh karena itu, pada masa ini diperlukan gizi yang baik dan mencukupi untuk bayi (Marmi & Raharjo, 2012). Air Susu Ibu (ASI) merupakan nutrisi terbaik bagi bayi dan memiliki banyak manfaat kesehatan bagi ibu dan bayi. Air Susu Ibu (ASI) adalah asupan utama dan wajib diberikan pada semua bayi yang baru dilahirkan (Adiguna and Dewi, 2016). Organisasi Kesehatan Dunia (WHO) merekomendasikan pemberian ASI eksklusif selama 6 bulan pertama kehidupan bayi, setelah itu dapat dilanjutkan dengan makanan pendamping ASI hingga bayi berusia 2 tahun. Namun, angka pemberian ASI eksklusif di banyak negara masih rendah dan belum mencapai target yang diharapkan.
Beberapa faktor yang mempengaruhi keberhasilan pemberian ASI eksklusif meliputi pengetahuan ibu tentang ASI, status pekerjaan ibu, dukungan keluarga, dan faktor sosial budaya. Pengetahuan ibu yang baik tentang manfaat ASI dan tata cara pemberian ASI yang benar dapat meningkatkan kesadaran dan motivasi ibu untuk memberikan ASI eksklusif. Sementara itu, status pekerjaan ibu juga dapat menjadi faktor penting yang mempengaruhi keberhasilan pemberian ASI eksklusif. Ibu yang bekerja seringkali menghadapi tantangan dalam menyusui karena terbatasnya waktu dan fasilitas untuk menyusui di tempat kerja. Data menunjukkan adanya kenaikan signifikan pada jumlah wanita yang terlibat dalam angkatan kerja. Angka Tingkat Partisipasi Angkatan Kerja (TPAK) untuk pekerja wanita meningkat dari 2,33% menjadi 55,04%. Peningkatan ini mengindikasikan bahwa semakin banyak perempuan yang berperan aktif dalam mendukung perekonomian keluarga mereka. Selain itu, hal ini juga mencerminkan bahwa perempuan kini memiliki peluang yang sama dengan laki-laki untuk bekerja di berbagai bidang pekerjaan yang tersedia (Asyari, 2017).
Rendahnya kesadaran dan minat ibu dalam memenuhi kebutuhan mendasar bayi seringkali disebabkan oleh kurangnya pengetahuan mereka, baik pada ibu yang bekerja maupun ibu rumah tangga (Martalia, 2012). Pemahaman yang baik tentang manfaat menyusui dan cara memberikan ASI selama bekerja dapat meningkatkan keberhasilan pemberian ASI eksklusif, sedangkan kurangnya pemahaman dapat menyebabkan pemberian makanan pendamping terlalu dini. Situasi ini mendasari penelitian ini, yang bertujuan untuk mengeksplorasi hubungan antara pengetahuan dan status pekerjaan ibu dengan praktik pemberian ASI eksklusif di wilayah Kelurahan Sidotopo.
Analisis regresi logistik adalah metode statistik yang digunakan untuk menggambarkan hubungan antara variabel dependen biner dengan satu atau lebih variabel independen. Regresi logistik sangat berguna untuk memprediksi probabilitas kejadian tertentu dengan menggunakan data variabel prediktor (Sibarov, 2019). Dengan menggunakan analisis regresi logistik, dapat diidentifikasi apakah status pekerjaaan dan pengetahuan ibu memberikan pengaruh yang signifikan terhadap pemberian ASI eksklusif pada bayi.
Faktor yang diduga memberikan pengaruh pada pemberian ASI eksklusif adalah status pekerjaan ibu dan pengetahuan ibu. Variabel respon dalam penelitian ini hanya memiliki dua kategori yaitu, diberikan ASI eksklusif dan tidak diberikan ASI eksklusif, maka digunakan metode regresi logistik biner untuk analisis data.
1.2 Rumusan Masalah
Berdasarkan latar belakang, penulis merumuskan sebuah masalah dalam laporan praktikum ini yaitu:
Bagaimana model kasus pengaruh status pekerjaan dan pengetahuan ibu terhadap pemberian ASI eksklusif yang dapat dibentuk dengan pendekatan regresi logistik?
Apa faktor yang berpengaruh signifikan terhadap pemberian ASI eksklusif?
1.3 Tujuan Masalah
Berdasarkan rumusan masalah, penulis merumuskan sebuah masalah dalam laporan praktikum ini yaitu:
Mengembangkan model regresi logistik untuk menganalisis pengaruh status pekerjaan dan pengetahuan ibu terhadap pemberian ASI eksklusif.
Mengidentifikasi faktor-faktor yang berpengaruh signifikan terhadap pemberian ASI eksklusif, khususnya terkait status pekerjaan dan pengetahuan ibu.
1.4 Manfaat
Manfaat penelitian dan juga laporan praktikum ini yaitu:
1.Memberikan pemahaman yang lebih baik tentang faktor-faktor yang mempengaruhi keberhasilan pemberian ASI eksklusif, terutama terkait dengan status pekerjaan ibu dan pengetahuan ibu.
- Mahasiswa akan dapat menggunakan teknik analisis regresi logistik, terutama dalam konteks regresi logistik biner, untuk menganalisis data kasus nyata dan mengenali variabel-variabel yang mempengaruhi permasalahan yang dihadapi.
2 TINJAUAN PUSTAKA
2.1 Statistika Deskriptif
Statistika deskriptif merupakan cabang statistika yang berkaitan dengan pengumpulan, pengorganisasian, penyajian, dan peringkasan data dalam bentuk yang mudah dipahami (Walpole et al., 2012). Statistika deskriptif melibatkan penggunaan ukuran pemusatan data seperti mean, median, dan modus, serta ukuran penyebaran data seperti jangkauan, varians, dan simpangan baku (Sugiyono, 2017). Penyajian data dalam Statistika Deskriptif dapat dilakukan dalam bentuk tabel, grafik, atau diagram untuk memudahkan interpretasi dan visualisasi data. Hal ini membantu mengeksplorasi pola-pola yang ada dalam data dan memperoleh gambaran awal tentang karakteristik data tersebut.
2.2 Analisis Regresi Logistik
Analisis regresi logistik adalah metode statistik yang digunakan untuk menganalisis hubungan antara variabel dependen biner (dua kategori) dengan satu atau lebih variabel independen. Variabel dependen biner biasanya mewakili dua kemungkinan hasil seperti sukses/gagal, ya/tidak, atau hadir/tidak hadir. Regresi logistik menggunakan fungsi logistik untuk menghubungkan probabilitas kejadian dengan variabel prediktor (Hosmer & Lemeshow, 2000).
Regresi logistik sangat berguna dalam berbagai bidang penelitian untuk memprediksi probabilitas terjadinya suatu kejadian berdasarkan nilai variabel prediktor. Variabel prediktor dalam regresi logistik dapat berupa data kontinu atau kategori (Kleinbaum & Klein, 2010). Analisis ini memberikan model yang menggambarkan hubungan antara variabel dependen dengan variabel-variabel prediktor secara kuantitatif.
2.3 Analisis Regresi Logistik Biner
Analisis regresi logistik biner merupakan jenis khusus dari regresi logistik yang digunakan ketika variabel dependen hanya memiliki dua kategori, seperti 0 dan 1, sukses dan gagal, atau ya dan tidak (Peng et al., 2002). Dalam regresi logistik biner, model yang dihasilkan menggambarkan hubungan antara variabel dependen biner dengan satu atau lebih variabel prediktor. Dalam analisis regresi logistik biner, model yang digunakan berasal dari distribusi Bernoulli sebagai berikut:
\[ f(y_i) = \pi_i^{y_i} (1 - \pi_i)^{1 - y_i}; \, y_i = 0, 1, \ldots \]
Model regresi logistik dinyatakan pada persamaan dibawah ini:
\[ \pi(x) = \frac{\exp(\beta_0 + \beta_1 X_1 + \beta_2 X_2 + \ldots + \beta_p X_p)}{1 + \exp(\beta_0 + \beta_1 X_1 + \beta_2 X_2 + \ldots + \beta_p X_p)} \]
Dimana: \(\pi (x)\) : peluang kejadian sukses dengan nilai probabilitas \(0 \leq \pi (x) \leq 1\) \(\beta_0\) : intercept (bilangan konstan) \(\beta_1, \ldots, \beta_p\) : parameter regresi logistik \(x_1, \ldots, x_p\) : nilai peubah bebas \(p\) : banyaknya variabel prediktor
Karena π(x) merupakan fungsi non linear, sehingga perlu dilakukan transformasi menjadi bentuk logit dari π(x), yang diperoleh persamaan dibawah ini:
\[ g(x) = \ln\left(\frac{\pi(x)}{1 - \pi(x)}\right) = \beta_0 + \beta_1 X_1 + \beta_2 X_2 + \ldots + \beta_p X_p \]
2.4 Asumsi Multikolinearitas
Asumsi multikolinearitas merupakan salah satu asumsi penting yang tidak boleh dilanggar dalam analisis regresi. Pelanggaran terhadap asumsi ini dapat menyebabkan konsekuensi yang serius, yaitu model menjadi tidak teridentifikasi. Kondisi ini berarti parameter dalam model tidak dapat diestimasi dengan akurat, dan output berupa diagram jalur tidak dapat ditampilkan. Meskipun parameter berhasil diestimasi dan diagram jalur berhasil ditampilkan, hasilnya akan menjadi bias dan tidak dapat diandalkan. Untuk mendeteksi adanya multikolinearitas, dapat dilakukan dengan memeriksa nilai tolerance value atau varians inflasi faktor (VIF). VIF dapat dihitung dengan menggunakan rumus:
\[ VIF = 1/Tolerance \] atau
\[ Tolerance = 1/(1-R^{2}) \]
Nilai toleransi memiliki batas ambang sebesar 0.10, atau nilai VIF yang diperbolehkan adalah 10. Apabila nilai VIF melebihi 10 dan nilai toleransi kurang dari 0,10, maka hal ini mengindikasikan adanya multikolinieritas yang tinggi antara variabel prediktor dengan variabel prediktor lainnya. Sebaliknya, jika nilai VIF kurang dari 10 dan nilai toleransi lebih dari 0.10, dapat disimpulkan bahwa tidak terjadi multikolinieritas.
2.5 Uji Signifikansi Parameter
2.5.1 Uji Simultan
Dalam analisis regresi logistik, uji simultan digunakan untuk menguji apakah semua variabel prediktor secara bersama-sama berpengaruh signifikan terhadap variabel respon (Hosmer & Lemeshow, 2000). Uji ini sering disebut dengan uji keseluruhan model (overall model fit). Salah satu metode yang umum digunakan adalah uji rasio kemungkinan (likelihood ratio test) atau uji G.
Hipotesis \[ H_0: \beta_1 = \beta_2 = \ldots = \beta_p = 0 \]
\[ H_1: \text{Minimal terdapat satu } \beta_j \ne 0. \text{ Dengan } j = 1, 2, \ldots, p \] Statistik uji G \[ G = -2 \log\left( \frac{L_0}{L_p} \right) \]
\(p\): banyaknya variabel prediktor dalam model \(L_0\): nilai likelihood tanpa variabel prediktor \(L_p\): nilai likelihood dengan variabel prediktor
Keputusan Tolak H0 apabila nilai statistik uji G > \(\chi^2_{(\alpha,\nu)}\) atau p-value statistik uji-G < \(\alpha (0,05)\).
2.5.2 Uji Parsial
Setelah diketahui bahwa setidaknya terdapat satu variabel prediktor yang berpengaruh signifikan, langkah selanjutnya adalah melakukan uji parsial untuk mengetahui variabel prediktor mana yang berpengaruh signifikan secara individu (Hosmer & Lemeshow, 2000). Uji parsial dalam regresi logistik biasanya menggunakan uji Wald.
Hipotesis \[ H_0: \beta_j = 0 \]
\[ H_1: \beta_j \ne 0 \]
Statistik Uji Wald \[ W = \frac{\hat{\beta}_j}{SE(\hat{\beta}_j)} \]
Keputusan Tolak \(H_0\) apabila \(|W| > Z_{\alpha/2}\) atau p-value statistik uji wald < \(\alpha (0,05)\).
2.6 Odds Ratio
Odds ratio merupakan salah satu ukuran yang penting dalam analisis regresi logistik. Odds ratio menggambarkan perbandingan peluang (odds) terjadinya suatu kejadian antara dua kelompok yang berbeda. Dalam konteks regresi logistik, odds ratio digunakan untuk menginterpretasikan besarnya pengaruh variabel prediktor terhadap variabel respon.
Odds ratio didefinisikan sebagai rasio antara peluang terjadinya suatu kejadian pada suatu kelompok dengan peluang terjadinya kejadian pada kelompok lain.
Nilai odds ratio dapat ditentukan dengan persamaan berikut : \[ \psi = \frac{\pi(1) / [1 - \pi(1)]}{\pi(0) / [1 - \pi(0)]} \]
2.7 Uji Kelayakan Model
Pengujian kecocokan model dalam regresi logistik, atau Goodness of Fit, dapat dievaluasi melalui tabel Uji Hosmer dan Lemeshow. Uji Hosmer dan Lemeshow dilakukan dengan mengelompokkan nilai perkiraan probabilitas yang diamati dari setiap variabel independen. Hipotesis dan keputusan pada uji kelayakan model regresi logistik adalah sebagai berikut.
Hipotesis
\(H_0\) : Model layak
\(H_1\) : Model tidak layak
Keputusan
Tolak \(H_0\) ketika nilai \(Sig. < 0.05\)
2.8 Ketepatan Klasifikasi
Ketepatan klasifikasi adalah ukuran seberapa baik model regresi logistik memprediksi kategori hasil dengan benar. Akurasi mengukur seberapa sering model klasifikasi memprediksi kategori yang benar secara keseluruhan. Rumusnya adalah: \[ Akurasi = \frac{\text{Jumlah Prediksi Benar }}{\text{Total Pengamatan }} \]
3 SOURCE CODE
3.1 Library
3.2 Data
Pemberian Air Susu Ibu (ASI) eksklusif memiliki dampak yang signifikan pada kesehatan bayi dan ibu. Studi ini bertujuan untuk mengidentifikasi pengaruh status pekerjaan dan tingkat pengetahuan ibu terhadap pemberian ASI eksklusif. Studi ini menggunakan data primer yang dikumpulkan melalui survei. Sampel terdiri dari ibu-ibu yang memiliki bayi. Tiga variabel utama yang digunakan dalam analisis adalah sebagai berikut:
Variabel Dependensi (Y): Pemberian ASI Eksklusif: Variabel biner yang menunjukkan apakah ibu memberikan ASI eksklusif kepada bayinya. Jika ibu memberikan ASI eksklusif, nilai variabel ini adalah 1; jika tidak, nilai variabel ini adalah 0.
Variabel Independen (X1): Status Pekerjaan Ibu: Variabel biner yang menggambarkan status pekerjaan ibu. Jika ibu bekerja, nilai variabel ini adalah 1; jika tidak, nilai variabel ini adalah 0.
Variabel Independen (X2): Pengetahuan Ibu tentang Pemberian ASI Eksklusif: Variabel kategorikal yang mengukur tingkat pengetahuan ibu tentang pemberian ASI eksklusif. Nilai-nilai variabel ini adalah:
1: Tidak memiliki pengetahuan.
2: Kurang memiliki pengetahuan.
3: Cukup memiliki pengetahuan.
4: Memiliki pengetahuan yang baik.
5: Memiliki pengetahuan yang sangat baik.
Data tentang variabel-variabel ini dikumpulkan melalui wawancara dengan ibu-ibu yang dipilih secara acak dari populasi target.
3.3 Input Data
> setwd("C:/Users/HP/OneDrive/Documents")
> data <- readxl::read_excel("DATA ASI EKSKLUSIF.xlsx")
> head(data)
# A tibble: 6 × 3
ASI_Eksklusif Status_Pekerjaan Pengetahuan
<dbl> <dbl> <dbl>
1 0 1 1
2 0 1 1
3 0 1 2
4 0 1 2
5 0 1 2
6 0 1 2
> data
# A tibble: 40 × 3
ASI_Eksklusif Status_Pekerjaan Pengetahuan
<dbl> <dbl> <dbl>
1 0 1 1
2 0 1 1
3 0 1 2
4 0 1 2
5 0 1 2
6 0 1 2
7 0 1 3
8 1 1 5
9 0 1 2
10 0 1 2
# ℹ 30 more rows3.4 Inisiasi Data
> str(data)
tibble [40 × 3] (S3: tbl_df/tbl/data.frame)
$ ASI_Eksklusif : num [1:40] 0 0 0 0 0 0 0 1 0 0 ...
$ Status_Pekerjaan: num [1:40] 1 1 1 1 1 1 1 1 1 1 ...
$ Pengetahuan : num [1:40] 1 1 2 2 2 2 3 5 2 2 ...
>
> Y <- data$ASI_Eksklusif
> X1 <- data$Status_Pekerjaan
> X2 <- data$Pengetahuan
>
> str(Y)
num [1:40] 0 0 0 0 0 0 0 1 0 0 ...4 HASIL DAN PEMBAHASAN
4.1 Statistika Deskriptif
> summary(data)
ASI_Eksklusif Status_Pekerjaan Pengetahuan
Min. :0.000 Min. :0.000 Min. :1.00
1st Qu.:0.000 1st Qu.:0.000 1st Qu.:2.00
Median :1.000 Median :0.000 Median :4.00
Mean :0.625 Mean :0.475 Mean :3.25
3rd Qu.:1.000 3rd Qu.:1.000 3rd Qu.:4.00
Max. :1.000 Max. :1.000 Max. :5.00 Syntax ini menghitung dan menampilkan terkait statistik deskriptif ukuran pemusatan dan penyebaran data pada seluruh variabel penelitian yaitu: Pemberian ASI eksklusif, status pekerjaan ibu, dan pengetahuan ibu mengenai pemberian ASI eksklusif. Ketiga variabel dalam penelitian ini ditampilkan hasil perhitungan nilai minimal, kuartil pertama, median, rata-rata, kuartil ketiga, dan nilai maksimal. Tujuan dari statistika deskriptif ini adalah untuk mengetahui karakteristik dari data penelitian.
4.2 Uji Multikolinieritas
> logistik_X1 <- lm(X1~X2, data=regresi_logistik)
> vif_X1 <- 1 / (1 - summary(logistik_X1)$r.squared)
>
> logistik_X2 <- lm(X2~X1, data=regresi_logistik)
> vif_X2 <- 1 / (1 - summary(logistik_X2)$r.squared)
>
> VIF <- data.frame(vif_X1,vif_X2)
> VIF
vif_X1 vif_X2
1 1.523175 1.523175Syntax tersebut digunakan untuk menghitung nilai VIF atau Variation Inflation Factor sebagai uji asumsi multikolinieritas. Dara kedua variabel prediktor, didapatkan nilai yang kurang dari 10. Sehingga dapat disimpulkan bahwa tidak terdapat multikolinieritas atau korelasi yang signifikan diantara variabel prediktor pada penelitian ini. Sehingga, data penelitian ini bisa digunakan untuk uji dan pemodelan yang lebih lanjut.
4.3 Model Regresi Logistik Biner
> model_reglogistik <- glm(Y~X1+X2,family = "binomial", data=regresi_logistik)
> summary(model_reglogistik)
Call:
glm(formula = Y ~ X1 + X2, family = "binomial", data = regresi_logistik)
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -1.0769 1.6931 -0.636 0.5247
X1 -2.0904 0.9887 -2.114 0.0345 *
X2 0.8934 0.4307 2.074 0.0380 *
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 52.925 on 39 degrees of freedom
Residual deviance: 31.772 on 37 degrees of freedom
AIC: 37.772
Number of Fisher Scoring iterations: 5Dari hasil perhitungan syntax tersebut, didapatkan model regesi logistik sebagai berikut: \[ \pi(x) = \frac{\exp(-1.0769 -2.0904 X_1 + 0.8934 X_2 )}{1 + \exp(-1.0769 -2.0904 X_1 ++ 0.8934 X_2)} \] \[ g(x) = \ln\left(\frac{\pi(x)}{1 - \pi(x)}\right) = -1.0769 -2.0904 X_1 + 0.8934 X_2 \] Interpretasi dari masing-masing parameter adalah:
-1.0769 artinya bahwa ketika semua variabel prediktor (status pekerjaan dan pengetahuan ibu) bernilai konstan atau 0, maka terdapat bayi yang diberi ASI eksklusif berkurang sebesar 1.0769 atau 1 bayi.
-2.0904 artinya bahwa ketika nilai dari variabel X1 (Status pekerjaan ibu) meningkat 1 kejadian dan nilai dari variabel prediktor lain konstan atau 0. Maka, terdapat bayi yang diberi ASI eksklusif berkurang sebesar 2.0904 atau 2 bayi.
0.8934 artinya bahwa ketika nilai variabel X2 (Pengetahuan ibu mengenai pemberian ASI eksklusif) meningkat 1 kejadian dan nilai dari variabel prediktor lain konstan atau 0. Maka, terdapat bayi yang diberi ASI eksklusif bertambah sebesar 0.8934 atau 1 bayi.
4.4 Uji Signifikansi
4.4.1 Uji Signifikansi Simultan
> pR2(model_reglogistik)
fitting null model for pseudo-r2
llh llhNull G2 McFadden r2ML r2CU
-15.8858260 -26.4625295 21.1534071 0.3996860 0.4107090 0.5597789
>
> qchisq(0.95,1)
[1] 3.841459Berdasarkan hasil uji simultan, didapat rasio Likelihood sebesar 21.1534071 dan nilai Chi-Square tabel adalah 3.841459. Karena, Likelihood > Chi-Square tabel, maka Tolak H0. Sehingga, dapat disimpulkan bahwa variabel prediktor secara simultan berpengaruh signifikan terhadap variabel respon atau setidaknya terdapat satu variabel prediktor (status pekerjaan dan pengetahuan ibu) yang berpengaruh signifikan terhadap variabel respon (pemberian ASI eksklusif).
4.4.2 Uji Signifikansi Parsial
> summary(model_reglogistik)
Call:
glm(formula = Y ~ X1 + X2, family = "binomial", data = regresi_logistik)
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -1.0769 1.6931 -0.636 0.5247
X1 -2.0904 0.9887 -2.114 0.0345 *
X2 0.8934 0.4307 2.074 0.0380 *
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 52.925 on 39 degrees of freedom
Residual deviance: 31.772 on 37 degrees of freedom
AIC: 37.772
Number of Fisher Scoring iterations: 5Pada hasil uji parsial tersebut, dapat diamati bahwa variabel X1 (status pekerjaan ibu) dan variabel X2 (pengetahuan ibu mengenai pemberian ASI eksklusif) memiliki p-value yang kurang dari alpha yaitu 0.05, sehingga keputusan hipotesis adalah tolak H0. Dapat disimpulkan, bahwa status pekerjaan ibu dan pengetahuan ibu mengenai pemberian ASI eksklusif memiliki pengaruh signifikan terhadap pemberian ASI eksklusif bayi.
4.5 Odds Ratio
>
> beta <- coef(model_reglogistik)
> OddsR_beta <- exp(beta)
> Odds_ratio <- cbind(beta,OddsR_beta)
> Odds_ratio
beta OddsR_beta
(Intercept) -1.0769190 0.3406434
X1 -2.0903986 0.1236378
X2 0.8933595 2.4433242Dari hasil tersebut, menghasilkan interpretasi sebagai berikut:
Peluang ibu yang tidak bekerja memiliki kecenderungan memberikan ASI eksklusif pada bayi sebesar 0.3406434 kali lipat dibandingkan ibu yang bekerja.
Peluang ibu dengan pengetahuan mengenai pemberian ASI yang lebih tinggi memiliki kecenderungan memberikan ASI eksklusif pada bayi 0.1236378 kali lipat dibandingan ibu dengan pengetahuan yang rendah mengenai pemberian ASI eksklusif.
4.6 Uji Kelayakan Model
> library(ResourceSelection)
> hoslem.test(regresi_logistik$Y,fitted(model_reglogistik))
Hosmer and Lemeshow goodness of fit (GOF) test
data: regresi_logistik$Y, fitted(model_reglogistik)
X-squared = 3.8264, df = 5, p-value = 0.5747Berdasarkan syntax diatas didapatkan hasil pengujian Hosmer and Lemeshow Goodness of Fit test dengan p-value sebesar 0.5747.Maka, dapat diambil kesimpulan P-value (0.5747) > (0.05) alpha sehingga HO diterima. Sehingga, dapat disimpulkan model yang terbentuk layak digunakan.
4.7 Uji Ketepatan Klasifikasi
> y_duga <- fitted(model_reglogistik)
> regresi_logistik$y_duga <- y_duga
> regresi_logistik
Y X1 X2 y_duga
1 0 1 1 0.09330282
2 0 1 1 0.09330282
3 0 1 2 0.20091286
4 0 1 2 0.20091286
5 0 1 2 0.20091286
6 0 1 2 0.20091286
7 0 1 3 0.38054415
8 1 1 5 0.78574740
9 0 1 2 0.20091286
10 0 1 2 0.20091286
11 0 1 1 0.09330282
12 1 1 4 0.60015722
13 1 1 1 0.09330282
14 0 1 3 0.38054415
15 1 1 4 0.60015722
16 1 0 5 0.96738671
17 1 0 3 0.83245949
18 1 0 4 0.92389742
19 1 0 5 0.96738671
20 1 0 4 0.92389742
21 1 0 4 0.92389742
22 1 0 4 0.92389742
23 1 0 3 0.83245949
24 1 0 4 0.92389742
25 1 0 5 0.96738671
26 1 0 3 0.83245949
27 1 0 4 0.92389742
28 0 0 2 0.67035694
29 1 0 4 0.92389742
30 1 0 4 0.92389742
31 0 1 4 0.60015722
32 1 1 1 0.09330282
33 0 1 3 0.38054415
34 1 1 4 0.60015722
35 1 0 5 0.96738671
36 1 0 3 0.83245949
37 1 0 4 0.92389742
38 1 0 5 0.96738671
39 0 0 4 0.92389742
40 1 0 4 0.92389742
>
> klasifikasi <- table(regresi_logistik$Y, regresi_logistik$y_duga>0.5)
> klasifikasi
FALSE TRUE
0 12 3
1 2 23Tingkat akurasi model adalah \[ Akurasi = \frac{23+3}{12+2+3+23} =0.65 * 100 = 65\% \] Sehingga dapat disimpulkan tingkat akurasi dari model adalah 65%
4.8 Uji Determinasi
> summary(model_reglogistik)
Call:
glm(formula = Y ~ X1 + X2, family = "binomial", data = regresi_logistik)
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -1.0769 1.6931 -0.636 0.5247
X1 -2.0904 0.9887 -2.114 0.0345 *
X2 0.8934 0.4307 2.074 0.0380 *
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 52.925 on 39 degrees of freedom
Residual deviance: 31.772 on 37 degrees of freedom
AIC: 37.772
Number of Fisher Scoring iterations: 5
> R_kuadrat <- 1-(31.772 /52.925)
> R_kuadrat
[1] 0.3996788Diperoleh koefisien determinasi (R-squared) sebesar 0.3996788, sehingga dapat disimpulkan bahwa variabel independen Status Pekerjaan Ibu (X1), Pengetahuan Ibu Mengenai Pemberian ASI Eksklusif (X2) mampu menjelaskan sebesar 0.3996788 dari pemberian ASI Eksklusif Bayi. Sedangkan, sisanya sebesar 0.6003212 dijelaskan oleh variabel lain diluar model.
5 KESIMPULAN
Berdasarkan hasil penelitian dan pengujian terkait Pengaruh Status Pekerjaan dan Pengetahuan Ibu terhadap pemberian ASI Eksklusif didapatkan kesimpulan sebagai berikut:
Model logistik biner pemberian ASI ekslusif bayi (Y) yang dipengaruhi oleh X1 (status pekerjaan ibu) dan X2 (pengetahuan ibu) adalah \[ g(x) = \ln\left(\frac{\pi(x)}{1 - \pi(x)}\right) = -1.0769 -2.0904 X_1 + 0.8934 X_2 \]
Variabel prediktor yaitu X1 (status pekerjaan ibu) dan X2 (pengetahuan ibu) memiliki pengaruh signifikan secara parsial maupun simultan terhadap pemberian ASI eksklusif pada bayi.
6 DAFTAR PUSTAKA
Adiguna, I. M. A., & Dewi, W. C. W. S. (2016). Pengetahuan ayah sebagai breastfeeding father tentang pemberian ASI eksklusif di wilayah kerja Puskesmas Tampaksiring I Gianyar Bali 2014. E-Jurnal Medika Udayana, 5(6).
Asyari, Y. (2017, November 30). Kesetaraan gender di dunia industri, jumlah pekerja perempuan naik. Jawa Pos.
Hosmer, D. W., & Lemeshow, S. (2000). Applied logistic regression (2nd ed.). John Wiley & Sons.
Kleinbaum, D. G., & Klein, M. (2010). Logistic regression: A self-learning text (3rd ed.). Springer.
Marmi, & Raharjo, B. B. (2012). Menyusui cara mudah, praktis, dan nyaman. Arcan. Jurnal Ekologi Kesehatan, 2(2), 249-254.
Martalia, D. (2012). Asuhan kebidanan. Pustaka Belajar.
Peng, C. Y. J., Lee, K. L., & Ingersoll, G. M. (2002). An introduction to logistic regression analysis and reporting. The Journal of Educational Research, 96(1), 3-14.
Sibarov, D. (2019). Logistic regression: Concept and application. Journal of Statistika, 5(1), 1-16.
Sugiyono. (2017). Statistika untuk penelitian. Alfabeta.
Walpole, R. E., Myers, R. H., Myers, S. L., & Ye, K. (2012). Probability & statistics for engineers & scientists (9th ed.). Pearson.