17 0 948 KB
REGRESI LOGISTIK GANDA Dr. Mitra, S.K.M.,M.K.M. Prodi Magister Ilmu Kesehatan Masyarakat STIKes Hang Tuah Pekanbaru
Regresi logistik ganda adalah regresi yang bertujuan untuk mengetahui pengaruh beberapa variabel independen terhadap satu variabel kategorik dikotomi. variabel dikotomi adalah variabel yang terdiri dari dua keluaran, misalnya sehat dan sakit, hidup dan mati dan lain sebagainya. Variabel independen untuk regresi logistik ganda dapat merupakan variabel berjenis kategorik atau numerik. Misalnya, suatu penelitian ingin mengetahui faktor-faktor yang berhubungan dengan kejadian Demam Berdarah Dengue (DBD). Variabel dependen (DBD) merupakan variabel kategorik dikotomi, karena terdiri dari dua keluaran yaitu DBD dan tidak DBD. Apabila kita membuat diagram tebar dari variabel dikotomi, maka akan tampak tidak linear. Seperti dicontohkan pada gambar berikut ini :
Gambar 3. Diagram Tebar dari variable dikotomi
Regresi logistik ganda adalah model matematik yang digunakan untuk mempelajari hubungan beberapa variabel independen dengan variabel dependen berjenis dikotomi.
A. Fungsi Logistik Dari gambaran plot diatas, sebaran data ternyata tidak bertebar, tetapi terbagi ke dalam kelompok yang hipertensi dan tidak hipertensi. Oleh karena itu, tidak mungkin dapat membuat garis fungsinya, apakah linear atau tidak linear. Untuk itu dicari fungsi yang tepat mengikuti pola tebaran titik-titik diatas. Ada salah satu fungsi yang mendekati yaitu fungsi eksponensial yang garisnya berbentuk S (Sigmoid) dengan persamaan :
Bila dilihat fungsi ini agak rumit, namun dapat disederhanakan dengan cara berikut. Apabila variabel Y bernilai 1 untuk kejadian (misal : sakit) dan 0 untuk bukan kejadian (misal : sehat), maka pengartian kejadian di antara 0 dan 1 dapat dianalogikan sebagai probabilitas, yang nilainya berkisar antara 0 dan 1. Bila ingin dikatakan probabilitas sakit, maka hal ini sama dengan P (Y=1) disimbolkan dengan p. Mengikuti fungsi eksponensial diatas maka probabilitas sakit adalah :
Probabilitas sehat dapat dihitung sebagai komplement dari probablitas sakit yaitu
Didalam konsep epidemiologi, terdapat pengertian perbandingan antara probabilitas sakit dan sehat sebagai p/(1-p) untuk kondisi variabel X tertentu (misal kondisi terpajan) yang disebut sebagai Odd. Untuk hal diatas kita dapat menghitung Odd (dapat dicatat bahwa penulisan e (bilangan euler) berpangkat suatu bilangan bisa ditulis dengan exp bilangan itu)
Dari persamaan tersebut, maka dilakukan trasnformasi yang disebut sebagai trasformasi logit atau logistik, yaitu dengan transformasi logaritma nilai e, sehingga persamaannya disebut sebagai regresi logit atau regresi logistik. Log-e Odd = ln Odd = Logit (Y=y) = a+bX Bentuk persamaan ini lebih sederhana, dan dapat digunakan untuk membandingkan dua Odd, yang disebut dengan Odd Rasio atau disingkat OR. Pada kondisi X terpajan (misal X=1) maka : Ln Odd1= a+bX = a+(b*1) = a+b Odd1= exp(a+b) Pada kondisi X tidak terpajan (misal X=0), maka : Ln Odd0= a+bX = a+(b*0) = a Odd0= exp(a) Odds Ratio dihitung dengan membandingkan kedua Odd diatas :
Jelaslah bahwa dari persamaan regresi logistik : Logit (Y) = a+bX, hasil utama yang dapat dibaca adalah Odds Ratio (OR).
B. Tujuan Regresi Logistik Ganda Tujuan Regresi Logistik Ganda adalah sebagai berikut (Hastono, 2007): 1. Menetapkan model matematik yang paling baik untuk menggambarkan hubungan variabel independen dengan variabel dependen 2. Menggambarkan hubungan kuantitatif antara variabel independen (X) dengan variabel dependen (Y) setelah dikontrol variabel lain 3. Mengetahui variabel X mana yang dominan dalam memprediksi variabel dependen 4. Mengetahui adanya interaksi pada dua/lebih variabel independen terhadap variabel dependen C. Jenis Pemodelan Regresi Logistik Ganda 1. Regresi Logistik Ganda Model Prediksi
Model yang terdiri dari beberapa variabel independen yang terbaik/secara teori dapat memprediksi kejadian variabel dependen. Tidak ditentukan variabel independen utama. Contoh : Suatu penelitian bertujuan untuk mengetahui faktor-faktor yang berhubungan dengan Status Gizi Balita. Kerangka konsep penelitian digambarkan berikut ini :
Variabel Independent
1.Pengetahuan Ibu 2.Penyakit Infeksi 3.Tingkat Pengeluaran Keluarga 4.Pekerjaan Ibu 5.Tingkat Pendidikan Ibu 6.Umur Anak 7.Jenis Kelamin Anak
Variabel Dependent
Status Gizi Balita : Baik Kurang/Buruk
Langkah-langkah regresi logistik ganda model prediksi adalah sebagai berikut (Hastono, 2007) : 1. Seleksi bivariat. Seleksi bivariat dilakukan pada masing-masing variabel independen dengan variabel dependen. Seleksi bivariat bertujuan untuk mengetahui variabel independen mana yang dapat menjadi kandidat untuk pemodelan multivariat. Variabel independen yang dapat menjadi kandidat pemodelan multivariat adalah variabel yang mempunyai pvalue < 0,25. Apabila ada variable yang mempunyai pvalue > 0,25, dan secara substansi variabel tersebut merupakan variabel yang sangat penting (berhubungan secara substansi) dengan variabel dependen maka variable tersebut bisa diikutsertakan pada pemodelan multivariat.
2. Petahapan Model. Pemodelan Multivariat I adalah memasukkan secara bersamaan seluruh variabel kandidat ke pemodelan multivariat. Kemudian, memilih variabel yang dianggap penting pada model multivariat, dengan cara mempertahankan variabel yang mempunyai p value
0,05. Pengeluaran variabel tidak dilakukan secara serentak, namun dilakukan secara bertahap dimulai dari variabel yang mempunyai pvalue terbesar. sehingga hasil analisis menjadi pemodelan II, lalu dikeluarkan lagi p value terbesar kedua selanjutnya sehingga hasil analisis menjadi pemodelan III, IV.... dan seterusnya dengan melihat perubahan OR; apabila perubahan OR> 10% (koefisien dari variabel yang masih dalam model berubah besar) maka variabel tersebut merupakan variabel confounding dan tetap dimasukkan ke dalam pemodelan multivariat. Pemilihan variabel dengan metode ENTER.
𝑃𝑒𝑟𝑢𝑏𝑎ℎ𝑎𝑛 𝑂𝑅
𝑂𝑅
𝑂𝑅 𝑂𝑅
∗
%
Ket : OR2 = nilai OR sesudah variabel tersebut dikeluarkan dari model multivariat OR1= nilai OR sebelum variabel tersebut dikeluarkan dari model multivariat
3. Identifikasi liniaritas untuk variabel independen yang berbentuk numerik; untuk memastikan apakah variabel tersebut tetap berbentuk numerik atau lebih baik dalam bentuk katagorik. Identifikasi linearitas variabel independen numerik, apakah tetap dipertahankan sebagai variabel numerik atau harus dirubah menjadi variabel kategorik, dapat dilakukan dengan cara berikut ini (Hosmes&Lameshow, 1989) : a. Bagilah variabel numerik menjadi empat kelompok, dengan titik potong adalah nilai kuartil. b. Jadikan variabel numerik tersebut menjadi tiga dummy variabel dengan kategori nilai terendah sebagai referensi c. Lakukan analisis regresi logistik dengan memasukkan dummy variabel tersebut ke dalam model d. Lihat hasil analisis tersebut, yaitu koefisien regresi logistik pada masing-masing dummy variabel tersebut. e. Buat plot antara koefisien regresi logistik dengan midpoint dari kelas interval dari kategori yang bersangkutan. Titik dengan proyeksi tersebut kemudian dihubungkan dengan garis
f. Lihat pola garis yang dihubungkan antara titik-titik tersebut, apakah linear atau tidak. Bila memang polanya linear, maka variabel independen tersebut dapat digunakan tetap dalam skala numerik. Namun bila polanya tidak linear, maka variabel independen tersebut dibagi kelompok, sesuai dengan patahan pola linear tersebut. 4. Setelah diperoleh pemodelan multivariat, dan tidak ada lagi variabel independen yang mempunyai pvalue > 0,05 (kecuali kalau variabel tersebut merupakan variabel confounding), maka langkah terakhir adalah memeriksa kemungkinan interaksi variabel ke dalam model. Penentuan variabel interaksi sebaiknya melalui pertimbangan logika substansi. Pengujian variabel interaksi dilihat dari kemaknaan uji statistik, bila variabel memiliki nilai bermakna maka variabel interaksi penting dimasukkan ke dalam model.
2. Regresi Logistik Ganda Model Faktor Risiko Model faktor resiko bertujuan untuk mengetahui hubungan variabel independen utama dengan variabel dependen, dengan mengontrol beberapa variabel confounding. Contoh : Hubungan Merokok dengan Kejadian Penyakit Jantung Koroner. Kerangka Konsep penelitian digambarkan sebagai berikut :
Variabel Independen Utama
Variabel Dependen Penyakit Jantung Koroner
Merokok
Jenis Kelain Umur Cholesterol Status Gizi Hipertensi Variabel yang diduga sebagai Confounder
Langkah-langkah Model Faktor Resiko Langkah Pemodelan dengan model faktor resiko adalah sebagai berikut (Hastono, 2007) :
a. Seleksi bivariat. Seleksi bivariat dilakukan dengan menganalisis variabel independen utama dan masingmasing variabel konfounding dengan variabel dependen, bila hasil analisis diperoleh p value < 0,25 maka variabel
tersebut dapat dijadikan kandidat untuk pemodelan
multivariat, atau walaupun p value > 0,25 boleh masuk pemodelan multivariat kalau secara substansi merupakan variabel yang sangat penting (langkah ini bisa diabaikan) b. Lakukan pemodelan lengkap, yaitu pemodelan yang mengikut sertakan semua variabel yang mencakup variabel utama, variabel confounding dan variabel interaksi. Model ini dinamakan sebagai Hierarchically Well Formulated Model (HWF Model) atau model yang paling lengkap. c. Langkah selanjutnya adalah melakukan penilaian interaksi dengan cara melihat pvalue pada variabel interaksi. Apabila diperoleh p value > 0,05 maka variabel interaksi dikeluarkan dari model secara bertahap dimulai dari p value yang terbesar. d. Lakukan penilaian confounding dengan cara mengeluarkan variabel confounding satu persatu dimulai dari p value terbesar. Bila setelah dikeluarkan diperoleh selisih OR variabel Utama lebih besar dari 10 %, maka varibel butterse dinyatakan sebagai confounding dan varianel tersebut harus tetap berada dalam pemodelan multivariat.
D. Dummy Variable Dalam menentukan besarnya risiko,variabel independen bersifat dikotomus (dua kelompok). Seringkali pada penelitian kesehatan, dijumpai variabel independen yang memiliki lebih dari dua kelompok. Jika variabel independen mempunyai lebih dari 2 kelompok, maka variabel tersebut harus diubah menjadi dummy yang berjumlah k-1 (k=jumlah kelompok) (Ariawan, 2008). Misalnya variable yang mempunyai 3 kategori, maka akan ada dummy sebanyak 3-1=2 kategori Kategori
C1
C2
K1
0
0
K2
1
0
K3
0
1
Mengapa perlu dibuat menjadi 2 dummy variabel ? Karena dalam perhitungan dengan menggunakan perangkat lunak statistik, angka 0, 1 dan 2 hanya merupakan angka kode. Sedangkan perangkat lunak statistik mengartikan sebagai angka yang sebenarnya. Jadi diangkat 0 dan 1 terdapat perbedaan 1 unit, demikian juga untuk 1 dan 2. Padahal kenyataan tidak demikian, karena angka tersebut hanyalah berupa kode. Pembuatan dummy variabel dilakukan dengan cara mengambil satu kelompok sebagai pembanding. Misal, ingin mengkaji hubungan status gizi dengan kejadian hipertensi. Status gizi terdiri dari 3 kelompok yaitu gizi kurang, baik dan berlebih/obesitas. Maka variable status gizi dibuat dummy variable dengan kelompok pembanding yaitu status gizi kurang. Untuk Dummy variable dapat dilihat pada output SPSS berikut ini :
Categorical Variables Codings Frequency
Parameter coding (1)
Kurang status gizi
(2)
34
.000
.000
Baik
149
1.000
.000
berlebih dan obesitas
117
.000
1.000
Gizi kurang sebagai kelompok pembanding
Kode untuk dummy variabel
E. REGRESI LOGISTIK GANDA PADA SPSS 1. REGRESI LOGISTIK GANDA MODEL PREDIKSI Suatu penelitian dengan judul faktor-faktor yang berhubungan dengan kejadian hipertensi. Kerangka konsep penelitian digambarkan berikut ini : Variabel Independent 1.Olah raga 2.Status perkawinan 3.IMT 4.Umur 5.Kadar Gula darah 6. Jenis Kelamin
Variabel Dependent
Kejadian Hipertensi : Hipertensi Tidak Hipertensi
Definisi Operasional adalah sebagai berikut : Tabel 16. Definisi Operasional No
Variabel
Definisi Operasional
1
Hipertensi
2
Olah raga
3
Status perkawinan
tekanan darah persisten dimana tekanan sistoliknya > 140 mmHg dan atau tekanan diastolik > 90 mmHg Bentuk aktivitas jasmani Ordinal dilakukan untuk kebugaran tubuh ikatan lahir batin antara Ordinal
4
Status Gizi
5
Umur
6
Kadar darah
Skala Pengukuran Ordinal
seorang pria dan seorang wanita sebagai suami isteri dengan tujuan membentuk keluarga (rumah tangga)
Hasil ukur 0. Tidak Hipertensi 1. Hipertensi
0. Teratur 1. Tidak Teratur 0. Belum Kawin 1. Kawin
Berdasarkan Indeks Masa Ordinal Tubuh (IMT) adalah nilai yang dihitung berdasarkan BB dengan TB dengan rumus : IMT = BB/TB (m)2
1. IMT 23,0 = kelebihan berat badan / obesitas
Lama hidup seseorang sejak Ordinal dilahirkan Gula Kadar glukosa yang berada di Ordinal dalam darah yang kadarnya diukur dengan cara enymatic dengan satuan mg/dl
0. umur < 35 tahun 1. umur > 35 tahun 0. kadar gula < 100mg/dl 1. kadar gula > 100 mg/dl
Langkah-langkah analisis regresi logistik ganda dengan model prediksi adalah sebagai berikut : a. Seleksi Bivariat Seleksi bivariat digunakan untuk menentukan variabel independen mana yang akan dijadikan kandidat untuk pemodelan multivariat. Seleksi bivariat dilakukan dengan uji regresi logistik sederhana, yaitu satu variabel independen dihubungkan dengan satu variabel dependen. Langkah-langkah SPSS adalah sebagai berikut : a.
Buka data tek_drh.sav
b.
Klik „Analyze’
c.
Kemudian sorot „Regression‟ kemudian pilih „Binary Logistic”
d.
Masukkan variabel dependen, dalam hal ini variabel “hipertensi” kedalam kotak dependent.
e.
Masukkan satu variabel independen kandidat kedalam kotak „covariate‟. Misalnya variabel Olah raga
f.
Lakukan dummy variabel, bagi variabel independent yang mempunyai lebih dari 2 kategori.
g.
Klik „option‟, kemudian pilih CI for exp (B) 95%
h.
Klik „OK‟
Untuk menentukan nilai p value pada seleksi bivariat, dapat dilihat pada Block 1 pada tabel Omnibus Test of Model Coefficient. Pada contoh ini, pvalue untuk variabel olah raga adalah 0,002, sehingga olah raga dijadikan kandidat untuk pemodelan multivariat (p10%, maka variabel gula bukan merupakan variabel confounding sehingga variable gula dikeluarkan dari pemodelan multivariate. Selanjutnya mengeluarkan variable jenis kelamin (p=0,078)
Pemodelan Multivariat V Pemodelan multivariat V adalah dengan mengeluarkan p value terbesar berikutnya yaitu variabel jenis kelamin (p=0,078). Hasilnya analisisnya adalah sebagai berikut :
Langkah selanjutnya adalah melihat perubahan OR variabel jenis kelamin sebelum dan setelah dikeluarkan dari pemodelan. Hasilnya adalah sebagai berikut :
Tabel 21 Perubahan OR Variabel
OR ada jen_kel
OR Tdk ada jen_kel
olah_raga
1.422
2.060
Stat_gzi
-
-
Stat_gzi (1)
.569
.526
Stat_gzi (2)
1.789
1.740
Umur
4.129
4.024
gula darah
-
-
jenis kelamin
1.422
-
Perubahan OR -44.86 7.46 2.75 2.55 -
Pada Tabel 21, terdapat perubahan OR lebih dari 10% pada variable olahraga, maka jenis kelamin merupakan variable confounding terhadap olahraga. Untuk itu variable jenis kelamin dimasukkan kembali ke pemodelan multivariate. Setelah variabel jenis kelamin dimasukkan kembali ke pemodelan multivariat, tidak ada lagi variabel yang mempunyai pvalue>0,05. Tahapan berikutnya adalah memeriksa kemungkinan adanya variabel interaksi antar variabel independen.
Catatan : Untuk variabel yang dilakukan dummy, apabila salah satu kategorinya mempunyai p0,05), sehingga pemodelan terakhir tanpa variable interaksi. Pemodelan Akhir Multivariat
Omnibus Tests of Model Coefficients Chi-square
Step 1
Df
Sig.
Step
53.720
7
.000
Block
53.720
7
.000
Model
53.720
7
.000
Model Summary Step
1
-2 Log likelihood
344.718
a
Cox & Snell R
Nagelkerke R
Square
Square .164
.223
a. Estimation terminated at iteration number 20 because maximum iterations has been reached. Final solution cannot be found.
Omnibus Test Omnibus test merupakan kemaknaan model. Model dikatakan signifikan apabila diperoleh nilai p value pada Omnibus test < 0,05. Pada analisis multivariate di atas diperoleh pvalue=0,000, artinya model multivariate yang terbentuk sudah fit/layak digunakan.
Nagerkerke R Square Nagerkerke R Square mempunyai analogi yang sama seperti R Square pada regresi linear ganda. Pada kasus di atas diperoleh nilai Nagerkerke R square = 0.223 artinya variable independen (olah raga, status gizi, umur dan jenis kelamin) dapat menjelaskan variable dependen (hipertensi) sebesar 22,3%, sisanya dijelaskan oleh variable lain yang tidak diteliti.
Interpretasi Analisis Multivariat 1.
Variabel yang paling dominan berhubungan dengan kejadian hipertensi adalah umur. Mereka yang berumur > 35 tahun, beresiko 4 kali mengalami kejadian hipertensi dibandingkan dengan mereka yang berumur < 35 tahun setelah dikontrol oleh variabel olah raga, status gizi dan jenis kelamin.
2.
Variabel status gizi berhubungan dengan kejadian hipertensi. Mereka yang berstatus gizi baik beresiko 0,5 kali mengalami kejadian hipertensi dibandingkan dengan mereka yang berstatus gizi kurang. Sedangkan pada mereka yang berstatus gizi lebih/obesitas lebih beresiko 4 kali mengalami kejadian hipertensi dibandingkan dengan mereka yang berstatus gizi kurang, setelah dikontrol oleh variabel olah raga, status gizi dan jenis kelamin. .
3.
Variabel confounding adalah olah raga dan jenis kelamin.
4.
Variabel yang tidak berhubungan dengan kejadian hipertensi adalah status perkawinan dan kadar gula darah.
5.
Model multivariate yang terbentuk sudah fit/layak digunakan, kemaknaan model signifikan (pvalue Omnibus test 10 kali dalam 24 jam) 1. Jarang (< 10 kali dalam 24 jam)
4
Kesehatan Bayi
Keadaan kesehatan bayi dilihat Ordinal dari ada atau tidaknya penyakit diare, demam atau batuk dalam dua minggu terakhir
0. Tidak sakit
5
Pekerjaan Ibu
Kegiatan yang ibu lakukan Ordinal dengan tujuan mencari nafkah
0. Tidak bekerja 1. Bekerja
6
Kehamilan yang diinginkan
0. Ya 1. Tidak
7
Paritas
Pada saat mengandung, ibu Ordinal (waktu itu atau kemudian) menginginkan kehamilan tersebut Jumlah anak yang telah Ordinal dilahirkan ibu.
8
Berat Lahir
Berat badan dilahirkan
0. BBLN 1. BBLR
bayi
ketika Ordinal
0. ASI eksklusif 1. Tidak
1. Sakit
0. > 2 anak 1. < 2 anak
Seleksi Bivariat Sebelum masuk kedalam permodelan multivariat terlebih dahulu dilakukan seleksi bivariat terlebih dahulu. Tujuan seleksi bivariat adalah untuk mengetahui variabel mana yang menjadi kandidat masuk kedalam permodelan multivariat. Seleksi bivariat dilakukan dengan uji regresi logistik sederhana, yaitu satu variabel independen dihubungkan dengan satu variabel dependen. Langkah-langkah SPSS adalah sebagai berikut :
a. Buka data IMD.sav b. Klik „Analyze’ c. Kemudian sorot „Regression‟ kemudian pilih „Binary Logistic” d. Masukkan variabel dependen, dalam hal ini variabel “ASI eksklusif” kedalam kotak dependent. e. Masukkan satu variabel independen kandidat kedalam kotak „covariate‟. Misalnya variabel IMD f. Klik „option‟, kemudian pilih CI for exp (B) 95% g. Klik „OK‟ h. Lakukan hal yang serupa untuk variable kandidat lainnya. Hasil output SPSS seleksi bivariate adalah sebagai berikut :
IMD Omnibus Tests of Model Coefficients Chi-square
Step 1
df
Sig.
Step
447.930
1
.000
Block
447.930
1
.000
Model
447.930
1
.000
Frekuensi menyusu Omnibus Tests of Model Coefficients Chi-square df Sig. Step 1
Step Block Model
6.129 6.129 6.129
1 1 1
.013 .013 .013
Kesehatan anak Omnibus Tests of Model Coefficients Chi-square
Step 1
df
Sig.
Step
1.824
1
.177
Block
1.824
1
.177
Model
1.824
1
.177
Pekerjaan ibu Omnibus Tests of Model Coefficients
Chi-square
Step 1
df
Sig.
Step
.424
1
.515
Block
.424
1
.515
Model
.424
1
.515
Kehamilan yang diinginkan Omnibus Tests of Model Coefficients Chi-square
Step 1
df
Sig.
Step
.009
1
.926
Block
.009
1
.926
Model
.009
1
.926
Paritas Omnibus Tests of Model Coefficients Chi-square
Step 1
df
Sig.
Step
5.886
1
.015
Block
5.886
1
.015
Model
5.886
1
.015
Berat badan lahir Omnibus Tests of Model Coefficients Chi-square
Step 1
df
Sig.
Step
8.737
1
.003
Block
8.737
1
.003
Model
8.737
1
.003
Tabel 23 Rangkuman Seleksi Bivariat No 1. 2. 3. 4. 5. 6. 7.
Variabel IMD Frekuensi menyusu Kesehatan anak Pekerjaan ibu Kehamilan yang diinginkan Paritas Berat Badan Lahir
Pvalue 0,05. Apabila terdapat lebih dari satu variable interaksi maka pengeliminasian variable dimulai dari pvalue>0,05 terbesar dan dilakukan secara bertahap. Pada hasil analisis pada HWF model, diperoleh pvalue untuk variable interaksi >0,05,
sehingga variable Brt_Lhr by IMD dikeluarkan dari pemodelan. Sehingga pemodelan selanjutnya adalah pemodelan tanpa interaksi. Pemodelan III Pemodelan III adalah pemeriksaan variable potensial confounder.
Model ini merupakan
model baku emas (gold standard), karena hubungan antara IMD dengan ASI eksklusif sudah terkontrol oleh variable counfounder dan juga variable interaksi (pada analisis tidak diperoleh variable interaksi. Untuk itu besar kecilnya pengaruh confounder dihitung berdasarkan perubahan OR variable yang dikeluarkan terhadap OR baku emas. OR baku emas untuk IMD terhadap ASI eksklusif adalah 9,960. Pengurangan confounder dimulai dari confounder yang memiliki pvalue terbesar (P>0,05) dan dikeluarkan secara bertahap dimulai dari pvalue yang paling besar.
OR Baku emas
B
Step 1
a
IMD fr_susuOK kesh_grp prtas Brt_Lhr Constant
2.299 .204 .129 .155 -.159 -1.275
S.E.
Variables in the Equation Wald df
.119 .120 .125 .117 .064 .137
372.958 2.879 1.061 1.739 6.068 86.314
Sig.
1 1 1 1 1 1
.000 .090 .303 .187 .014 .000
Exp(B) 9.960 1.227 1.138 1.168 .853 .280
95% C.I.for EXP(B) Lower Upper 7.888 12.577 .969 1.553 .890 1.454 .927 1.470 .752 .968
a. Variable(s) entered on step 1: IMD, fr_susuOK, kesh_grp, prtas, Brt_Lhr.
Pemodelan IV Pemodelan IV adalah mengeluarkan variable potensial confounder yang mempunyai pvalue terbesar yaitu variable kesehatan bayi (p=0,303). Hasil analisis adalah sebagai berikut : B
Step 1
a
IMD fr_susuOK prtas Brt_Lhr Constant
2.300 .206 .155 -.156 -1.240
S.E.
Variables in the Equation Wald df
.119 .120 .117 .064 .133
373.644 2.915 1.752 5.895 87.353
a. Variable(s) entered on step 1: IMD, fr_susuOK, prtas, Brt_Lhr.
1 1 1 1 1
Sig. .000 .088 .186 .015 .000
Exp(B) 9.974 1.228 1.168 .855 .289
95% C.I.for EXP(B) Lower Upper 7.899 12.593 .970 1.555 .928 1.470 .754 .970
Setelah variable kesehatan bayi dikeluarkan, maka dilihat perubahan OR untuk variabel independen utama (IMD) dengan rumus : (OR setelah dikeluarkan – OR baku emas)/OR baku emas*100. Apabila diperoleh perubahan OR>10%, maka variable tersebut merupakan variable confounding terhadap IMD, dan dimasukkan kembali ke dalam pemodelan. Perubahan OR untuk variable kesehatan bayi adalah : (7,899 - 9,960)/ 9,960*100 = 20,69% Diperoleh perubahan OR >10%, sehingga variabel kesehatan bayi dimasukan kembali ke pemodelan. Pemodelan V Pemodelan V adalah pengeluarkan variabel yang mempunyai pvalue terbesar berikutnya yaitu variabel paritas (p=0,187). Hasil analisis adalah sebagai berikut : B
Step 1
a
IMD fr_susuOK Brt_Lhr kesh_grp Constant
2.302 .203 -.173 .130 -1.175
S.E.
Variables in the Equation Wald df
.119 .120 .064 .125 .114
374.431 2.853 7.396 1.073 106.590
1 1 1 1 1
Sig. .000 .091 .007 .300 .000
Exp(B) 9.993 1.225 .841 1.138 .309
95% C.I.for EXP(B) Lower Upper 7.915 12.618 .968 1.552 .743 .953 .891 1.455
a. Variable(s) entered on step 1: IMD, fr_susuOK, Brt_Lhr, kesh_grp.
Kemudian dilihat perubahan OR. Perubahan OR variabel paritas adalah : {(9.993 - 9,960)/ 9,960}*100 = 0.33% . Perubahan OR 10%, maka disimpulkan frekuensi menyusu merupakan variabel confounding terhadap hubungan IMD dengan ASI eksklusif sehingga variabel frekuensi menyusu dimasukkan kembali ke pemodelan. Pemodelan VII Pemodelan VII adalah mengeluarkan variabel berat badan bayi (p=0,070), untuk memastikan apakah secara statistic variabel berat badan bayi merupakan variabel confounding atau tidak. Hasil analisis adalah sebagai berikut :
B
Step 1
a
IMD kesh_grp frek_susu Constant
2.307 .122 -.013 -1.064
S.E.
Variables in the Equation Wald df Sig.
.119 .125 .014 .184
378.581 .957 .852 33.309
1 1 1 1
.000 .328 .356 .000
Exp(B) 10.043 1.130 .987 .345
95% C.I.for EXP(B) Lower Upper 7.961 12.670 .885 1.443 .961 1.014
a. Variable(s) entered on step 1: IMD, kesh_grp, frek_susu.
Kemudian dilihat perubahan OR berat badan bayi terhadap variabel IMD. Perubahan OR variabel paritas terhadap IMD adalah :
{(10.043 - 9,960)/ 9,960}*100 = 100,83% . Perubahan OR > 10%, maka disimpulkan berat badan lahir merupakan variabel confounding terhadap hubungan IMD dengan ASI eksklusif sehingga variabel berat badan lahir dimasukkan kembali ke pemodelan. Pemodelan Akhir Pemodelan akhir adalah pemodelan yang paling baik yaitu model berikut ini :
Omnibus Tests of Model Coefficients Chi-square
Step 1
df
Sig.
Step
456.883
4
.000
Block
456.883
4
.000
Model
456.883
4
.000
Diperoleh pvalue Omnibus test=0,000 artinya model yang dihasilkan fit/layak untuk dipergunakan.
Model Summary Step
-2 Log likelihood
1
1875.931
a
Cox & Snell R
Nagelkerke R
Square
Square .235
.315
a. Estimation terminated at iteration number 4 because parameter estimates changed by less than .001.
Diperoleh Nagerkerke R Square = 0,315, artinya variabel independen utama (IMD) dan variabel confounding (frekuensi menyusu, kesehatan bayi dan berat badan lahir) dapat menjelaskan variabel ASI eksklusif sebesar 31,5% sisanya dijelaskan oleh variabel lain yang tidak diteliti.
Model akhir yang terbentuk adalah sebagai berikut : B
Step 1
a
IMD kesh_grp frek_susu Brt_Lhr Constant
2.308 .136 -.014 -.170 -.953
S.E.
Variables in the Equation Wald Df Sig.
.119 .125 .014 .064 .189
376.645 1.174 1.057 7.197 25.468
1 1 1 1 1
.000 .279 .304 .007 .000
Exp(B) 10.050 1.145 .986 .843 .385
95% C.I.for EXP(B) Lower Upper 7.961 12.688 .896 1.463 .960 1.013 .745 .955
a. Variable(s) entered on step 1: IMD, kesh_grp, frek_susu, Brt_Lhr.
Kesimpulan Analisis Regresi Logistik model Faktor Risiko adalah Inisiasi menyusu dini (IMD) berhubungan dengan pemberian ASI eksklusif. Bayi yang melakukan IMD kurang dari 1 jam lebih berpeluang 10 kali untuk memberikan ASI eksklusif dibandingkan IMD lebih dari 1 jam setelah kelahiran setelah dikontrol oleh variabel confounding yaitu kesehatan bayi, frekuensi menyusui dan berat badan lahir. Model yang dihasilkan sudah fit/layak digunakan (pvalue Omnibus test