SKRIPSI. Disusun Oleh : RIAMA OKTAVIYANI SAMOSIR JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS DIPONEGORO SEMARANG

Please download to get full document.

View again

of 19
83 views
PDF
All materials on our website are shared by users. If you have any questions about copyright issues, please report us to resolve them. We are always happy to assist you.
Document Description
PERBANDINGAN METODE KLASIFIKASI REGRESI LOGISTIK BINER DAN RADIAL BASIS FUNCTION NETWORK PADA BERAT BAYI LAHIR RENDAH (Studi Kasus: Puskesmas Pamenang Kota Jambi) SKRIPSI Disusun Oleh : RIAMA OKTAVIYANI
Document Share
Document Transcript
PERBANDINGAN METODE KLASIFIKASI REGRESI LOGISTIK BINER DAN RADIAL BASIS FUNCTION NETWORK PADA BERAT BAYI LAHIR RENDAH (Studi Kasus: Puskesmas Pamenang Kota Jambi) SKRIPSI Disusun Oleh : RIAMA OKTAVIYANI SAMOSIR JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS DIPONEGORO SEMARANG 2015 PERBANDINGAN METODE KLASIFIKASI REGRESI LOGISTIK BINER DAN RADIAL BASIS FUNCTION NETWORK PADA BERAT BAYI LAHIR RENDAH (Studi Kasus: Puskesmas Pamenang Kota Jambi) Disusun Oleh : RIAMA OKTAVIYANI SAMOSIR Diajukan Sebagai Salah Satu Syarat Memperoleh Gelar Sarjana Sains pada Jurusan Statistika Fakultas Sains dan Matematika Universitas Diponegoro JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS DIPONEGORO SEMARANG 2015 i i i KATA PENGANTAR Puji syukur kepada Tuhan Yang Maha Esa atas berkat dan ramat-nya, penulis dapat menyelesaikan laporan tugas akhir yang berjudul Perbandingan Metode Klasifikasi Regresi Logistik Biner Dan Radial Basis Function Network Pada Berat Bayi Lahir Rendah (Studi Kasus: Puskesmas Pamenang Kota Jambi). Penulis menyadari dalam menyelesaikan penulisan tugas akhir ini bukan hanya oleh kemampuan penulis sendiri, melainkan berkat adanya dukungan, bimbingan dan doa dari berbagai pihak. Untuk itu, penulis mengucapkan terimakasih kepada: 1. Ibu Dra. Dwi Ispriyanti, M.Si selaku Ketua Jurusan Statistika Fakultas Sains dan Matematika Universitas Diponegoro 2. Ibu Yuciana Wilandari, S.Si., M.Si selaku dosen pembimbing I dan Bapak Hasbi Yasin, S.Si., M.Si selaku dosen pembimbing II tugas akhir yang telah membimbing pengerjaan tugas akhir ini. 3. Bapak/Ibu dosen Jurusan Statistika Fakultas Sains dan Matematika Universitas Diponegoro. 4. Semua pihak yang terkait dalam pembuatan tugas akhir ini. Penulis menyadari bahwa tugas akhir ini masih jauh dari sempurna. Untuk itu, penulis sangat mengharapkan kritik dan saran yang sifatnya membangun. Penulis berharap tugas akhir ini dapat bermanfaat bagi semua pihak. Semarang, Agustus 2015 Penulis ivi ABSTRAK Berat Bayi Lahir Rendah ( BBLR) merupakan salah satu penyebab utama kematian bayi. Perlu dilakukan identifikasi dan prediksi bayi sebelum lahir dengan memperhatikan data historis ibu hamil. Penelitian tugas akhir ini bertujuan untuk menganalisis klasifikasi status bayi baru lahir guna mengurangi risiko terjadinya BBLR. Metode statistik yang digunakan adalah Regresi Logistik Biner dan Radial Basis Function Network. Data yang digunakan dalam penelitian ini adalah data berat bayi lahir pada Puskesmas Pamenang Kota Jambi pada tahun Dalam penelitian ini, data yang digunakan dibagi menjadi data training dan data testing. Data training digunakan untuk pembentukan model dan pola, sedangkan data testing digunakan untuk menguji seberapa besar ketepatan model atau pola yang dibentuk dalam mengklasifikasikan data melalui tabel konfusi. Hasil analisis menunjukkan bahwa metode Regresi Logistik Biner menghasilkan ketepatan klasifikasi sebesar 81.7% untuk data training dan 77.4% untuk data testing, sedangkan metode Radial Basis Function Network menghasilkan ketepatan klasifikasi sebesar 92.96% pada data training dan 80.64% pada data testing. Metode Radial Basis Function Network memiliki ketepatan klasifikasi yang lebih baik dari pada Regresi Logistik Biner. Kata kunci: Berat Bayi Lahir Rendah (BBLR), Regresi Logistik Biner, Radial Basis Function Network, Klasifikasi, Konfusi v ABSTRACT Low Birth Weight (LBW) is one of the main causes of infant mortality. LBW must be identified and predicted before the baby birth by observing historical data of expectant. This research aims to analyze the classification of status newborn in order to reduce the risk of LBW. The statistical method used are the Binary Logistic Regression and Radial Basis Function Network. The data used in this final project is birth weight at Pamenang Jambi City health center in In this research, the data are divided into training data and testing data. Training data will be used to generate the model and pattern formation, while testing the data is used to measure how the accuracy of the representative model or pattern formed in classifying data through confusion tables. The results of analysis showed that the Binary Logistic Regression method gives 81.7% of classification accuracy for training data and 77.4% of classification accuracy for testing data, while Radial Basis Function Network method gives 92.96% of classification accuracy for training data and 80.64% of classification accuracy for testing data. Radial Basis Function Network method has better classification accuracy than the Binary Logistic Regression method. Keywords: Low Birth Weight (LBW), Binary Logistic Regression, Radial Basis Function Network, Classification, Confusion vi DAFTAR ISI Halaman HALAMAN JUDUL... HALAMAN PENGESAHAN I... HALAMAN PENGESAHAN II... KATA PENGANTAR... ABSTRAK... ABSTRACT... DAFTAR ISI... DAFTAR GAMBAR... DAFTAR TABEL... DAFTAR LAMPIRAN... i ii iii iv v vi vii x xi xii BAB I PENDAHULUAN Latar Belakang Rumusan Masalah Batasan Masalah Tujuan Penelitian... 5 BAB II TINJAUAN PUSTAKA Berat Bayi Lahir Rendah (BBLR) Klasifikasi Regresi Logistik Biner Model Regresi Logistik Biner vii Estimasi Parameter Pengujian Signifikansi Parameter Neural Network Radial Basis Function Network Arsitektur Radial Basis Function Network BAB III METODOLOGI PENELITIAN Jenis dan Sumber Data Variabel Penelitian Teknik Pengolahan Data BAB IV HASIL DAN PEMBAHASAN Deskripsi Data Analisis Regresi Logistik Biner Model Awal Uji Rasio Likelihood Uji Wald Uji Rasio Likelihood Kedua Uji Wald Kedua Uji Kesesuaian Model Model Akhir Interpretasi Model Regresi Logistik Biner Ketepatan Klasifikasi Regresi Logistik Biner Analisis Radial Basis Function Network Pembentukan Model Radial Basis Function Network viii Ketepatan Klasifikasi RBFN Perbandingan Metode Regresi Logistik Biner dengan Metode RBFN BAB V KESIMPULAN DAFTAR PUSTAKA LAMPIRAN ix DAFTAR GAMBAR Halaman Gambar 1. Mekanisme Terjadinya BBLR Pada Ibu Penderita KEP... 9 Gambar 2. Fungsi Aktivasi Undak Biner Gambar 3. Fungsi Aktivasi Linear (Identitas) Gambar 4. Fungsi Aktivasi Sigmoid Biner Gambar 5. Arsitektur Radial Basis Function Network Gambar 6. Diagram Alir Pengolahan Data Regresi Logistik Biner dan Radial Basis Function Network (RBFN) Gambar 7. Arsitektur Radial Basis Function Network pada Data Gambar 8. Grafik Hasil Prediksi Klasifikasi Data Training dengan Metode RBFN Gambar 9. Grafik Hasil Prediksi Klasifikasi Data Testing dengan Metode RBFN x DAFTAR TABEL Halaman Tabel 1. Matriks Konfusi Untuk Klasifikasi Dua Kelas Tabel 2. Variabel-Variabel Penelitian pada Puskesmas Pamenang Tabel 3. Deskripsi Variabel Respon (Y) Tabel 4. Nilai Statistik G Model Regresi Logistik Biner Tabel 5. Hasil Uji Wald Tabel 6. Nilai Statistik G Model Regresi Logistik Biner Kedua Tabel 7. Hasil Uji Wald Kedua Tabel 8. Nilai Statistik Uji Goodness of Fit Tabel 9. Nilai Odd Ratio Tabel 10. Matriks Konfusi Klasifikasi Metode Regresi Logistik Biner pada Data Training Tabel 11. Matriks Konfusi Klasifikasi Metode Regresi Logistik Biner pada Data Testing Tabel 12. Ketepatan Klasifikasi RBFN Tabel 13. Matriks Konfusi Klasifikasi Metode RBFN pada Data Training Tabel 14. Matriks Konfusi Klasifikasi Metode RBFN pada Data Testing Tabel 15. Perbandingan Ketepatan Klasifikasi xi DAFTAR LAMPIRAN Halaman Lampiran 1. Data Training Lampiran 2. Data Testing Lampiran 3. Estimasi Parameter (Uji Rasio Likelihood dan Uji Wald) Lampiran 4. Estimasi Parameter (Uji Rasio Likelihood dan Uji Wald) Kedua dan Kesesuaian Model Lampiran 5. Hasil Ketepatan Klasifikasi Data Training dengan Model Regresi Logistik Biner Lampiran 6. Hasil Ketepatan Klasifikasi Data Testing dengan Model Regresi Logistik Biner Lampiran 7. Tabel Distribusi Chi-Squared Lampiran 8. Jarak Data Training terhadap Data Training Lampiran 9. Nilai Aktivasi Data Training Lampiran 10. Bobot Lapisan dan Bobot Bias Lapisan Lampiran 11. Hasil Prediksi Klasifikasi Data Training dengan Metode RBFN Lampiran 12. Jarak Data Testing terhadap Data Training Lampiran 13. Nilai Aktivasi Data Testing xii Lampiran 14. Hasil Prediksi Klasifikasi Data Testing dengan Metode RBFN Lampiran 15. Grafik Hasil Prediksi Klasifikasi Data Training dengan Metode RBFN Lampiran 16. Grafik Hasil Prediksi Klasifikasi Data Testing dengan Metode RBFN Lampiran 17. Sintaks RBFN xiii BAB I PENDAHULUAN 1.1. Latar Belakang Dalam upaya peningkatan derajat kesehatan masyarakat Indonesia, masih ditemukan tantangan besar dalam pembangunan kesehatan, yaitu Angka Kematian Ibu (AKI) dan Angka Kematian Bayi (AKB). Mengutip data Survei Demografi da n Kesehatan Indonesia (SDKI) tahun 2012 menunjukka n bahwa AKI sebesar 359 per kelahiran hidup, sedangkan AKB sebesar 32 per 1000 kelahiran hidup. Di Indonesia ditemukan kurang lebih 44 orang ibu meninggal dan 440 bayi yang meninggal setiap harinya. Penyebab kematian bayi terbanyak adalah masalah neonatal seperti Berat Bayi Lahir Rendah (BBLR), Asfiksia, Diare, Pneumonia, dan beberapa penyakit lain (Depkes, 2014 a ). Bayi Berat Lahir Rendah (BBLR) adalah neonatus dengan berat badan kurang dari 2500 gram pada saat lahir (Miyata, 2010). Bayi Berat Lahir Rendah mempunyai risiko mortalitas dan morbiditas yang tinggi. Walaupun hasil Riskesdas 2013 menunjukkan prevalensi bayi dengan berat badan lahir rendah (BBLR) berkurang dari 11.1 persen tahun 2010 menjadi 10.2 persen tahun 2013, BBLR menjadi salah satu penyebab utama kematian bayi (Depkes, 2014 c ). Sebanyak 44.7% kematian bayi disebabkan karena berat bayi lahir rendah (BBLR), kegagalan pemberian ASI, anak Balita stunting (pendek), kurus, dan kekurangan vitam in A dan mineral Zink (Depkes, 2014 b ). 1 2 Bayi dengan Berat Badan Lahir Rendah memiliki risiko yang lebih tinggi terhadap kejadian gangguan pertumbuhan dan perkembangan pada masa-masa berikutnya (Sunarti, 2004). Menurut Mitayani (2009), bayi dengan berat bada n lahir rendah berisiko disertai dengan sindrom gangguan pernapasan idioptik, perdarahan interventrikuler, fibroplasia retinolental, pneummonia aspirasi, dan hiperbilirubinemia karena kematangan hepar. Menurut Biddulph dan Stace (19 99), masalah-masalah yang akan dialami oleh Bayi Berat Lahir Rendah adalah masalah pernapasan dan menelan, kesulitan untuk menjaga tubuh tetap hangat, mudah terkena infeksi, mudah menjadi ikterik, mudah mengalami perdarahan jika tidak diberikan vitamin K serta mengalami hipoglikemia. Selain faktor genetis, berat badan bayi baru lahir ditentukan oleh status gizi janin. Status gizi janin ditentukan antara lain oleh status gizi ibu waktu melahirkan dan keadaan ini dipengaruhi pula oleh status gizi ibu pada waktu konsepsi. Status gizi ibu sewaktu konsepsi dipengaruhi oleh (1) keadaan sosial dan ekonomi ibu sebelum hamil, (2) keadaan kesehatan dan gizi ibu, (3) jarak kelahiran jika yang dikandung bukan anak pertama, (4) paritas, dan (5) usia kehamilan pertama. Status gizi ibu pada waktu melahirkan ditentukan berdasarkan keadaan kesehatan dan status gizi waktu konsepsi, juga berdasarkan (a) keadaan sosial dan ekonomi, (b) derajat pekerjaan fisik, (c) asupan pangan, dan (d) pernah tidaknya terjangkit penyakit infeksi (Arisman, 2009). Melihat masih tingginya kejadian BBLR, maka perlu dilakukan identifikasi dan prediksi bayi sebelum lahir dengan cara memperhatikan data historis ibu hamil. Dalam statistika, metode yang dapat digunakan untuk memetakan status berat bayi 3 lahir adalah dengan menggunakan metode klasifikasi. Terdapat beberapa metode klasifikasi, baik dari yang klasik maupun yang modern. Pada metode klasik, yang sering digunakan untuk klasifikasi adalah metode regresi logistik dan analisis diskriminan, sedangkan untuk metode modern, yang beberapa telah dikembangkan saat ini antara lain Neural Network, Support Vector Machine, Learning Vector Quantization, Naive Bayes, Decision Tree, Fuzzy Sets, Genethic Algorithm, dan Rough Sets. Di dalam metode Neural Network terdapat beberapa metode, salah satunya adalah Radial Basis Function Network. Penelitian mengenai ketepatan klasifikasi antara metode regresi logistik biner dan Radial Basis Function Network sebelumnya pernah dilakukan oleh Arif, dkk (2014). Penelitian ini menunjukkan bahwa metode Radial Basis Function Network memiliki kemampuan pengklasifikasian lebih tepat/ lebih baik dari pada metode regresi logistik biner. Selain itu, Diaprina dan Suhartono (2014) juga telah melakukan penelitian yang menganalisis ketepatan klasifikasi antara metode regresi logistik biner dan Radial Basis Function Network. Pada penelitian Diaprina dan Suhartono (2014), diperoleh kesimpulan bahwa regresi logistik biner memiliki nilai ketepatan klasifikasi yang lebih besar dibandingkan menggunakan metode Radial Basis Function Network. Oleh karena itu, peneliti ingin meneliti faktor-faktor yang mempengaruhi status berat bayi baru lahir serta melakukan analisis klasifikasi bayi baru lahir guna mengurangi risiko Berat Bayi Lahir Rendah (BBLR) menggunakan metode Regresi Logistik Biner dan Radial Basis Function Network untuk klasifikasi status berat bayi baru lahir pada Puskesmas Pamenang Kota Jambi. Rumusan Masalah Berdasarkan latar belakang diatas, masalah yang akan dibahas dalam penelitian ini adalah sebagai berikut : 1. Bagaimana model dan ketepatan klasifikasi bayi baru lahir pada Puskesmas Pamenang Kota Jambi menggunakan regresi logistik biner? 2. Bagaimana ketepatan klasifikasi bayi baru lahir pada Puskesmas Pamenang Kota Jambi menggunakan Radial Basis Function Network? 3. Bagaimana perbandingan ketepatan/akurasi klasifikasi metode regresi logistik biner dan Radial Basis Function Network pada klasifikasi bayi baru lahir pada Puskesmas Pamenang Kota Jambi? 1.3. Batasan Masalah Berdasarkan latar belakang diatas, maka lingkup permasalahan yang akan dibahas adalah sebagai berikut : 1. Data yang digunakan adalah data bayi dan data ibu hamil di Puskesmas Pamenang Kota Jambi pada tahun Berat badan bayi yang dimaksudkan berupa massa bayi dalam satuan gram. 3. Metode klasifikasi yang digunakan adalah metode Regresi Logistik Biner dan Radial Basis Function Network (RBFN) dengan kelas klasifikasi pada kedua metode adalah biner. Tujuan Penelitian Adapun tujuan dilakukannya penelitian dari tugas akhir ini adalah 1. Memperoleh model dan ketepatan klasifikasi berat badan bayi yang baru lahir pada Puskesmas Pamenang Kota Jambi menggunakan metode Regresi Logistik Biner. 2. Memperoleh ketepatan klasifikasi berat badan bayi yang baru lahir pada Puskesmas Pamenang Kota Jambi menggunakan metode Radial Basis Function Network (RBFN). 3. Memperoleh perbandingan ketepatan klasifikasi Regresi Logistik Biner dan Radial Basis Function Network (RBFN) pada data berat badan bayi yang baru lahir pada Puskesmas Pamenang Kota Jambi.
Similar documents
View more...
Search Related
We Need Your Support
Thank you for visiting our website and your interest in our free products and services. We are nonprofit website to share and download documents. To the running of this website, we need your help to support us.

Thanks to everyone for your continued support.

No, Thanks