Perilaku Pengobatan Berdasarkan Pendidikan KRT

Dalam penelitian yang menjadi ukuran adalah pendidikan kepala rumah tangga seluruh penduduk miskin yang mempunyai gangguan kesehatan, tujuan penggunaan pendidikan kepala rumah tangga sebagai ukuran adalah karena kepala rumah tangga sebagai pemimpin dalam rumah tangga, sehingga dia mampu membuat keputusan akan pengobatan pada pelayanan kesehatan anggota rumah tangganya. Adapun tabulasi data antara penduduk miskin yang menakses layanan kesehatan berdasarkan tingkat pendidikan KRT adalah sebagai berikut

Jadi semakin tinggi tingkat pendidikan pemanfaatan fasilitas pengobatan semakin meningkat.

Perilaku Pengobatan Berdasarkan Lama Terganggu

Lamanya menderita sakit (disability day) berhubungan langsung terhadap perasaan akan seriusnya penyakit yang dirasakan. Dari pengolahan data didapatkan persentase penduduk miskin yang mempunyai gangguan kesehatan berdasarkan lama terganggu dan perilaku pengobatan, seperti pada tabel di bawah ini:

Pada tabel diatas memperlihatkan bahwa penduduk miskin yang mempunyai gangguan kesehatan baik yang kurang dari tiga hari maupun yang lebih dari tiga hari lebih sering menggunakan pelayanan kesehatan untuk melakukan pelayanan pengobatan.

Perilaku Pengobatan Berdasarkan Kepemilikan Kartu Sehat

Kartu sehat adalah bukti diri yang diberikan kepada rumah tangga miskin yang termasuk dalam sasaran program kartu indonesia sehat, untuk mendapatkan jaminan pelayanan kesehatan gratis. Kartu sehat hanya diberikan satu buah kepada setiap rumah tangga miskin untuk digunakan oleh seluruh anggota rumah tangganya, kartu sehat dikelompokkan menjadi ada dan tidaknya kartu sehat.

Penduduk miskin yang tersedia kartu sehat lebih kecil dibandingkan penduduk miskin yang tidak tersedia kartu sehat untuk berobat pada pelayanan kesehatan, kartu sehat yang merupakan bukti pembayaran gratis tidak membuat akses pemegangnya meningkat terhadap pelayanan kesehatan. Menurut WHO dalam Yulianingsih (2001), ini dikarenakan untuk mendapatkan pelayanan kesehatan diperlukan tidak hanya sekedar biaya untuk kesehatan sendiri, tetapi ada biaya lainnya. Biaya tersebut adalah biaya transportasi, biaya untuk obat, atau biaya untuk hilangnya waktu kerja.

Packages

library(readxl)
library(broom)
library(caret)
library(DataExplorer)
library(grid)
library(InformationValue)
library(ISLR)
library(pscl)
library(tidyverse)
library(dplyr)
library(knitr)
library(DT)
library(kableExtra)

data<-read.csv("D:\\01 KULIAH\\1 Semester\\5. Sains Data\\Praktikum\\Pertemuan 5\\ISMAIL\\DATA2019JABAR3.csv",sep = ",")
dataset<-data
datatable(head(dataset), class = 'cell-border stripe')

dataset$Perilaku_Pengobatan <- as.factor(dataset$Perilaku_Pengobatan)
dataset$Lama_Terganggu <- as.factor(dataset$Lama_Terganggu)
dataset$Tingkat_Pendidikan_KRT <- as.factor(dataset$Tingkat_Pendidikan_KRT)
dataset$Kartu_Sehat <- as.factor(dataset$Kartu_Sehat)

dim(dataset)

## [1] 968   4

glimpse(dataset)

## Rows: 968
## Columns: 4
## $ Perilaku_Pengobatan    <fct> 0, 1, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 0, 0, 0,...
## $ Lama_Terganggu         <fct> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,...
## $ Tingkat_Pendidikan_KRT <fct> 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 1,...
## $ Kartu_Sehat            <fct> 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 1, 0, 1, 0, 0,...

summary(dataset)

##  Perilaku_Pengobatan Lama_Terganggu Tingkat_Pendidikan_KRT Kartu_Sehat
##  0:445               0:946          0: 53                  0:549      
##  1:523               1: 22          1:915                  1:419

plot_bar(dataset)

Untuk kepentingan prediksi model, data akan dibagi dua menjadi data train dan data test. Karena pembagian data ini menggunakan sampling, maka perlu dilakukan pengaturan seed untuk randomisasi.

set.seed(202104)
sample <- sample(nrow(dataset),floor(nrow(dataset)*0.8))
train <- dataset[sample,]
test <- dataset[-sample,]

logit <- glm(Perilaku_Pengobatan ~ Lama_Terganggu + Tingkat_Pendidikan_KRT + Kartu_Sehat, data=train, family = "binomial")
summary(logit)

## 
## Call:
## glm(formula = Perilaku_Pengobatan ~ Lama_Terganggu + Tingkat_Pendidikan_KRT + 
##     Kartu_Sehat, family = "binomial", data = train)
## 
## Deviance Residuals: 
##    Min      1Q  Median      3Q     Max  
## -2.042  -1.163   0.954   1.192   1.556  
## 
## Coefficients:
##                         Estimate Std. Error z value Pr(>|z|)    
## (Intercept)              -0.8573     0.3326  -2.578  0.00995 ** 
## Lama_Terganggu1           1.4006     0.6429   2.179  0.02936 *  
## Tingkat_Pendidikan_KRT1   0.8230     0.3351   2.456  0.01405 *  
## Kartu_Sehat1              0.5857     0.1501   3.903 9.51e-05 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 1065.9  on 773  degrees of freedom
## Residual deviance: 1036.3  on 770  degrees of freedom
## AIC: 1044.3
## 
## Number of Fisher Scoring iterations: 4

Dari model tersebut terlihat bahwa peubah penjelas Lamanya terganggu, Tingkat Pendidikan KRT, dan Kartu Sehat memberikan respon yang signifikan terhadap perilaku pengobatan dalam mengakses pelayanan kesehatan atau tanpa mengakses pelayanan kesehatan.

Pada nilai intercept bernilai negatif, sedangkan untuk beberapa variabel penjelas yang mempengaruhinya bernilai positif.

logit$coefficient

##             (Intercept)         Lama_Terganggu1 Tingkat_Pendidikan_KRT1 
##              -0.8573235               1.4006275               0.8229689 
##            Kartu_Sehat1 
##               0.5856519

hasil β1=1.4006275 (positif) berarti semakin lama terganggu kesehatan pada penduduk miskin akan memiliki 1.4006275 kali lebih besar penduduk miskin dalam memilih pengobatan dengan mengakses pelayanan kesehatan. hasil β2=0.8229689 (positif) berarti semakin tinggi tingkat pendidikan Kepala rumah tangga paka akan memiliki peluang 0.8229689 kali lebih besar untuk memilih pengobatan dengan mengkases pelayanan kesehatan. hasil β3=0,5856519 (positif) berarti ketika penduduk miskin memiliki kartu sehat maka akan memiliki peluang 0.5856519 kali lebih besar untuk memilih pengobatan dengan mengakses pelayanan kesehatan.

exp(logit$coefficients)

##             (Intercept)         Lama_Terganggu1 Tingkat_Pendidikan_KRT1 
##               0.4242962               4.0577453               2.2772508 
##            Kartu_Sehat1 
##               1.7961615

Nilai odd ratio untuk lama terganggu adalah 4.0577453, ini berarti bahwa kecenderungan penduduk miskin dengan gangguan kesehatan lebih dari tiga hari untuk berobat pada pelayanan kesehatan 4.0577453 kali dibandingkan dengan penduduk miskin dengan gangguan kesehatan kurang dari atau sama dengan tiga hari. Nilai odd ratio untuk pendidikan kepala rumah tangga adalah 2.2772508, ini berarti bahwa kecenderungan penduduk miskin dengan gangguan kesehatan yang kepala rumah tangganya tamat SD keatas untuk berobat pada pelayanan kesehatan 2.2772508 kali dibandingkan penduduk miskin dengan gangguan kesehatan yang kepala rumah tangganya tidak tamat SD, termasuk yang tidak pernah bersekolah. Nilai odd ratio untuk Kepemilikan kartu sehat adalah 1.7961615, ini berarti bahwa kecenderungan penduduk miskin yang memiliki kartu sehat untuk berobat pada pelayanan kesehatan 1.7961615 kali dibandingkan penduduk miskin yang tidak memiliki kartu sehat.

Confusion Matrix

Dalam confusion matrix, sensitivitas (atau True Positive Rate) adalah persentase pengamatan (aktual) yang diprediksi dengan benar oleh model, sedangkan spesifisitas adalah persentase dari 0 (aktual) yang diprediksi dengan benar.

test$pred <- predict(logit, test, type="response")

test$Perilaku_Pengobatan_pred <- ifelse(test$pred > 0.5, "1", "0")

test$Perilaku_Pengobatan_pred <- as.factor(test$Perilaku_Pengobatan_pred)
test$Perilaku_Pengobatan <- as.factor(test$Perilaku_Pengobatan)

(conf.mat<-caret::confusionMatrix(test$Perilaku_Pengobatan_pred, test$Perilaku_Pengobatan, positive="1"))

## Confusion Matrix and Statistics
## 
##           Reference
## Prediction  0  1
##          0 54 51
##          1 41 48
##                                          
##                Accuracy : 0.5258         
##                  95% CI : (0.453, 0.5977)
##     No Information Rate : 0.5103         
##     P-Value [Acc > NIR] : 0.3600         
##                                          
##                   Kappa : 0.0532         
##                                          
##  Mcnemar's Test P-Value : 0.3481         
##                                          
##             Sensitivity : 0.4848         
##             Specificity : 0.5684         
##          Pos Pred Value : 0.5393         
##          Neg Pred Value : 0.5143         
##              Prevalence : 0.5103         
##          Detection Rate : 0.2474         
##    Detection Prevalence : 0.4588         
##       Balanced Accuracy : 0.5266         
##                                          
##        'Positive' Class : 1              
## 

Dari hasil perhitungan confusion matrix tersebut terlihat bahwa model tersebut mempunyai akurasi sebesar 52,58 persen.

Receiver Operating Characteristics (ROC) Curve

Receiver Operating Characteristics (ROC) curve melacak persentase true positive saat cut-off peluang prediksi diturunkan dari 1 menjadi 0. Model yang baik akan memperlihat kurva yang lebih curam, artinya True Positive Rate meningkat lebih cepat dibandingkan dengan False Positive Rate ketika cut-off menurun. Dengan kata lain, semakin besar luas area di bawah kurva ROC maka kemampuan prediksi yang dihasilkan oleh model semakin baik.

plotROC(test$Perilaku_Pengobatan=="1", test$pred)