Pemodelan Regresi Logistik Pada Kasus Berat Badan Lahir Rendah (Bblr) Dan Pengaruh Agregasi Data Terhadap Hasil Pendugaan

Abstract

Notodiputro Dan Indahwati. Berat Badan Lahir Rendah (BBLR) didefinisikan sebagai kelahiran hidup dengan berat badan di bawah 2500 gram tanpa memperhatkan usia kehamilan. Kejadian BBLR berkaitan erat dengan kematian bayi, kesakitan bayi, pertumbuhan fisik dan mental yang terhambat serta penyakit menahun ketika dewasa. Berdasarkan hanya pada Survei Demografi dan Kesehatan Indonesia (SDKI) yang dilaksanakan setiap lima tahun sekali, sulit untuk memonitor apakah suatu kebijakan untuk menekan angka BBLR dapat dikatakan efektif. Oleh karena itu, pemodelan statistik, pada kasus ini, Regresi Logistik, diperlukan untuk menduga prevalensi BBLR. Permasalahan dalam pemodelan timbul pada dua sisi, sisi peubah respon dan peubah penjelas. Pada sisi peubah respon, data berat badan lahir memiliki dua dasar respon: data tercatat dan ingatan ibu. Sedangkan pada peubah penjelas, ketersediaan data individu tidak selalu terpenuhi, tetapi yang tersedia adalah data agregat. Permasalahan tersebut berpengaruh dalam akurasi dan presisi model yang dibangun. Pada tesis ini permasalahan pada sisi peubah respon diatasi dengan menyertakan peubah boneka dan memboboti amatan berdasarkan ragam tiap kelompok ke dalam model. Berdasarkan hasil dari model individu, tidak terdapat perbedaan nyata pada kedua kelompok akan tetapi pembobotan berdasarkan ragam meningkatkan kebaikan model. Pada sisi peubah bebas, untuk membandingkan setiap level aggregat, data diagregasikan pada level ibu, rumah tangga, cluster (blok sensus), dan kabupaten/kota. Peubah respon diagregasikan dari sebaran Bernoulli ke sebaran Binomial. Hasil pemodelan pada level individu, ibu dan rumah tangga cenderung mirip, sedangkan model blok sensus dan kabupaten/kota memiliki lebih sedikit jumlah penduga parameter yang nyata. AIC dan Luas area di bawah kurva Receiver Operating Characteristics (ROC) menurun drastis pada model level blok sensus dan kabupaten/kota, mengindikasikan penurunan kebaikan model. Agregasi data pada level yang lebih tinggi secara konsisten meningkatkan ragam pendugaan dan memperlebar pendugaan. Akan tetapi dibandingkan dengan selang pendugaan langsung pada prevalensi provinsi, selang pendugaan yang dihasilkan model cenderung lebih sempit.