Identifikasi Faktor yang Memengaruhi Layanan Rujuk Lanjutan Menggunakan Regresi Logistik Group LASSO
Abstract
Kesehatan merupakan kebutuhan yang sangat penting dalam kehidupan dan merupakan hak asasi setiap manusia untuk dapat hidup layak dan produktif, serta sejahtera. Melihat begitu pentingnya kesehatan dalam kehidupan sehari-hari maka diperlukan penyelenggara kesehatan yang baik sebagaimana tercantum dalam Undang-Undang Dasar Republik Indonesia Tahun 1945 Pasal 28 H ayat 1 dan 3. Pemerintah membuat program yang dijalankan oleh BPJS Kesehatan yakni Jaminan Kesehatan Nasional yang bertujuan untuk meningkatkan akses dan mutu pelayanan kesehatan agar tercapai derajat kesejahteraan yang optimal secara efektif dan efisien. Dengan adanya Jaminan Kesehatan Nasional, pelayanan kesehatan diharapkan untuk tidak lagi terpusat di Rumah Sakit atau FKRTL tetapi dilakukan secara berjenjang sesuai kebutuhan medis. Tingginya rasio rujukan diakibatkan oleh pelaksanaan rujukan yang tidak sesuai dengan alur jenjangnya akan menyebabkan penumpukan pasien di salah satu rumah sakit yang pada akhirnya berdampak pada penurunan kualitas pelayanan. Tingginya rasio angka rujukan menjadi permasalahan dalam pelaksanaan sistem rujukan berjenjang sehingga diperlukan untuk mencari tahu faktor-faktor apa saja yang memengaruhi status rujukan pasien FKTP ke FKRTL. Peubah respon yang digunakan dalam penelitian ini adalah statusrujukan pasien Fasilitas Kesehatan Tingkat Pertama (FKTP)apakah termasuk rujuk lanjut atau tidak ke Fasilitas Kesehatan Rujukan Tingkat Lanjut (FKRTL). Bila peubah respon bukan lagi peubah kuantitatif, melainkan berupa peubah kategorik yang hanya terdiri dari beberapa nilai, maka regresi lineartidak dapat digunakan. Pada data berdimensi tinggi, peubah respon memilikiketerkaitan dengan sejumlah kecil peubah penjelas di antara sejumlah besar peubah yangg mungkin. Sehingga, seleksi peubah penting untuk dilakukan dalam mengidentifikasi peubah yang relevan pada data berdimensi tinggi. Salah satu metode alternatif cara untuk menangani kasus ini, dikembangkan metode regresi logistik terpenalti. Penduga koefisien dalam regresi logistik terpenalti dilakukan dengan memaksimumkan log fungsi kemungkinan dengan menambahkan penalti pada fungsi tersebut yang mengakibatkan penduga koefisien menjadi berbias, tetapi dengan mengurangi ragam penduga koefisien akan meningkatkan akurasi prediksi model. Oleh karena itu, regresi logistik terpenalti sering disebut sebagai metode penciutan atau regularisasi. Pada penelitian ini digunakan metode regularisasi Group LASSO karena peubah penjelas pada data penelitian ini berbentuk kelompok. Group LASSO merupakan pengembangan dari metode LASSO dengan menambahkan penalti kelompok ke dalam metode LASSO. dst .. Health is a very important need in life and is a human right to be able to live a decent,
productive, and prosper life. For its importance in everyday life, it is necessary to have
good health providers as stated in the 1945 Constitution of the Republic of Indonesia
Article 28 H paragraphs 1 and 3. The government has made a program run by BPJS
Kesehatan, namely the National Health Insurance which aims to improve access and
quality of health services in order to achieve optimal welfare degrees effectively and
efficiently. With the existence of the National Health Insurance, it is hoped that health
services will no longer be centered in hospitals or FKRTL but will be carried out in stages
according to medical needs. The high referral ratio is caused by the implementation of
referrals that are not in accordance with the level flow, which will cause an accumulation
of patients in one hospital, so that it has an impact on the decline in service quality. The
high ratio of referral rates is a problem in implementing a tiered referral system, so it is
necessary to find out what factors affecting the referral status of FKTP patients to FKRTL.
The response variable used in this study was the patient's referral status of First Level
Health Facilities (FKTP) whether or not including further referral to Advanced Referral
Health Facilities (FKRTL). If the response variable is no longer a quantitative variable, but
a categorical variable consisting of only a few values, then linear regression cannot be used.
In high-dimensional data, the response variable is related to a small number of explanatory
variables among a large number of possible variables. Thus, the selection of variables is
important to do in identifying the relevant variables in high-dimensional data. One
alternative method to deal with this case, the penalized logistic regression method was
developed. Coefficient estimators in penalized logistic regression are carried out by
maximizing the log of the probability function by adding a penalty to the function which
causes the coefficient estimator to be biased, but reducing the variance of the coefficient
estimator will increase the accuracy of the model prediction (Hastie et al. 2008). Therefore,
penalized logistic regression is often referred to as the shrinking or regularization method.
In this study, the LASSO Group regularization method was used because the explanatory
variables in the research data were in the form of groups. Group LASSO is an extension of
the LASSO method by adding group penalties to the LASSO method. dst ...