Selasa, 02 Februari 2016

REGRESI LOGISTIK UNTUK DATA KESEHATAN : STATA

Contoh Kasus

Ingin diketahui faktor-faktor resiko mana saya yang berpengaruh signifikan terhadap kejadia diabetes. Diambil 60 sampel yang terdiri dari 30 sampel orang terkena diabetes dan 30 lainnya kondisinya sehat. Faktor resiko yang akan diuji pengaruhnya diantaranya gender, usia, hipertensi, indek massa tubuh, dan riwayat diabetes orang tua.  Gender, hipertensi, status gizi dan riwayat diabetes orang tua berbentuk variabel kategori sedangkan usia dan indek massa tubuh berbentuk variabel numerik.  



Sebelum dilakukan analisa untuk mengetahui faktor penyebab resiko Diabetes dengan analisa regresi logistik terlebih dahulu dilakukan explorasi terhadap kejadian diabetes dan faktor resikonya (analisa univariate), kemudian dilakukan analisa bivariate untuk mengetahui pengaruh langsung faktor resiko terhadap kejadian diabetes sekaligus sebagai selekasi variabel mencari kandidat variabel yang akan dianalisa dalam regresi logistik. Secara umum dalam dalam kontek analisa statistik untuk kesehatan, pemilihan variabel kandidat yang akan diikutsertakan dalam analisa multivariate (dalam hal ini regresi logistik) didasarkan pada hasil analisa bivariate yang memiliki nilai p-value < 0.25. 

Explorasi terhadap kejadian diabetes dan faktor resikonya (analisa univariate)

Untuk melakukan explorasi digunakan command/perintah  tab dan sum. Perintah tab digunakan pada variabel kategorik dan perintah sum digunakan pada variabel numerik. Format perintah untuk melakukan explorasi terhadap kejadian diabet dan faktor resikonya: command  variabel

Explorasi data kategorik
Explorasi data kategorik berupa explorasi terhadap frekuensi dan presentasi dari setiap kategori yang terdapat dalam setiap variabel



Explorasi data numerik

Explorasi data numerik merupakan explorasi terhadap nilai rata-rata, stadar deviasi dan nilai minimum dan maksimum dari  dan setiap variabel numerik



Explorasi pengaruh langsung faktor resiko terhadap kejadian diabetes  (analisa bivariate)
Uji pengaruh langsung faktor resiko variabel kategorik terhadap kejdian diabetes

Untuk melihat pengaruh langsung faktor resiko dari sebuah variabel kategorik terhadap kejadian diabets digunakan uji chi-square. Adapun format perintahnya : tab (variabel resiko) (variabel kejadi diabetes), chi row 


Hasil uji pengaruh gender terhadap kejadia diabetes diperoleh nilai p-value 0.2778 yang berarti gender tidak masuk sebagai kandidat variabel yang akan dianalisa dalam model regresi logistik.

Hasil uji pengaruh hipertensi  terhadap kejadia diabetes diperoleh nilai p-value 0.2667 yang berarti hipertensi tidak masuk sebagai kandidat variabel yang akan dianalisa dalam model regresi logistik.

Hasil uji pengaruh status gizi  terhadap kejadia diabetes diperoleh nilai p-value 0.009 yang berarti status gizi  masuk sebagai kandidat variabel yang akan dianalisa dalam model regresi logistik.

Hasil uji pengaruh riwayat diabetes orang tua  terhadap kejadia diabetes diperoleh nilai p-value 0.010 yang berarti riwayat diabetes orang tua  masuk sebagai kandidat variabel yang akan dianalisa dalam model regresi logistik.


Uji pengaruh langsung faktor resiko variabel numerik terhadap kejdian diabetes

Untuk melihat pengaruh langsung faktor resiko dari sebuah variabel numerik terhadap kejadian diabets digunakan uji t-test. Adapun format perintahnya : ttest (variabel resiko), by (variabel kejadi diabetes)

Analisa pengaruh  faktor resiko terhadap kejadian diabetes  dengan regresi logistik (Analisa Multivariate)


Dari hasil analisa bivariate (uji pengaruh langsung) variabel resiko terhadap kejadian diabetes diperoleh beberapa variabel kandidat yang akan dianalisa dengan regresi logistik, diantaranya variabel usia status gizi, indek massa tubuh dan riwayat diabetes orang tua.  Dalam stata ada dua jenis output yang ditampilkan ketika melakukan analisa regresi logistik, yaitu output regresi logistik yang menampilkan nilai koefisien regresinya dan output regresi logistik yang menampilkan nilai odd rasio.

Regresi Logistik Dengan Nilai Koefisien Regresi
Untuk melakukan analisa regresi logistik yang menampilkan nilai koefisien digunakan perintah: Logit (dependent variabel) (independen variabel). Regresi logistik dengan nilai koefisien nantinya dapat digunakan untuk menghitung nilai probabilitas kejadian Y=1.

Dari hasil analisa terlihat bahwa yang signifikan berpengaruh terhadap kejadian diabetes (Y=1) adalah usia dengan p-value= 0.014, status gizi (stgizi) dengan p-value 0.028, dan riwayat diabetes orang tua (org_tua) dengan p-value 0.007. Dengan memperhasikan nilai varian dari sampel, maka faktor resiko yang paling besar pengaruhnya terhadap kejadian diabetes adalah riwayat diabetes orang tua (org_tua)karena memiliki statistik z terbesar yaitu 2.67.
Dengan nilai  Pseudo R2 diperolah 0.2927 yang berarti bahwa pengaruh 5 faktor tesiko yang masuk dalam persamaan regresi logistik terhadap kejadian diabetes sebesar 29.27%.
Dengan menggunakan persamaan

Jika ingin diprediksi nilai probabilitas setiap sampel yang terkumpul kemungkinan terkena diabetes sebagai berikut
Regresi Logistik Dengan Odd Rasio
Untuk melakukan analisa regresi logistik yang menampilkan nilai odd rasio dengan menambahkan option or di akhir perintah, dengan format perintah yang digunakan: Logit (dependent variabel) (independen variabel), or

Perhitungan nilai Odd rasio pada output analisa regresi logistik diperolah dari nilai koefisien dengan menggunakan formula:


Interpretasi dari nilai odd rasio variabel-variabel yang berpengaruh signifikan terhadap kejadian diabetes adalah sebagai berikut. Nilai Odd Rasio dari faktor resiko riwayat diabetes orang tua (org_tua) sebesaryang berarti bahwa yang sampel yang orang tua diabet akan memiliki resiko terkena diabet sebesar 8.39 kali dibandingkan yang orang tuanya tidak terkena diabetes. Untuk faktor resiko usia dengan nilai odd rasiomemiliki makna bahwa semakin bertambah usianya maka semakin besar resiko terkena diabet. Faktor resiko status gizi memiliki nilai odd rasiomemiliki makna bahwa yang status gizinya berlebih memiliki resiko terkena diabet sebesar 4.76 kali dibandingkan yang normal.


Download Data Latihan Klik Disini


KETERANGAN : jika gambar tulisan kurang jelas silahkan di klik saja gambarnya untuk memperbesar . . .!!!









Kamis, 07 Januari 2016

Pelatihan Analysis Hierarchy Process (AHP)

Analysis Hierarchy Process (AHP) merupakan teknik yang dikembangkan oleh Dr. Thomas Saaty pada tahun 1970-an, seorang profesor di Wharston School of Business untuk menyelesaikan permasalahan multi-criteria decision making (MCDM).  Pentingnnya teknik ini diaplikasikan karena mencakup penelitian secara sekaligus baik yang bersifat kuantitatif maupun kualitatif. Teknik ini juga menyediakan prosedur untuk memeriksa kekonsistenan dalam penilaian oleh tim sehingga mengurangi bias dalam pengambilan keputusan. Analysis Hierarchi Process (AHP) digunakan ketika kita dihadapkan pada kondisi pengambilan keputusan secara komplek yang melibatkan berbagai kriteria. Melalui pengumpulan pendapat berdasarkan sumber yang kompeten, melalui proses analisa AHP, akan diperoleh sebuah prioritas pengambilan keputusan yang objektif dan tepat (terbaik). Salah satu alat bantu yang dapat digunakan dalam melakukan AHP adalah perangkat lunak Expert Choice yang dikembangkan oleh Saaty dan Dr. Ernest Forman, profesor manajemen di George Washington University pada tahun 1983.


Tujuan Pelatihan :
  1. Peserta mengetahui dasar teori dalam pengambilan keputusan
  2. Peserta memahami proses AHP sebagai alat bantu pengambilan keputusan.
  3. Peserta dapat melakukan perhitungan AHP sebagai alat bantu pengambilan keputusan.
  4. Peserta dapat mengaplikasikan teori AHP dengan menggunakan sotware Experct Choice
Lama Pelatihan :
1 hari, @ 7 Jam 


Biaya Pelatihan:
Akademisi         : Rp 1.200.000,-
Profesional        : Rp 1.500.000,-


Sylabus :









Senin, 21 Desember 2015

Jadwal Pelatihan Statistik

Jadwal Pelatihan Statistik Terapan 2016


BULAN   FEBRUARI 2016
NO
PELATIHAN
TANGGAL
LOKASI
SYLABUS
1.
Pengantar Statistik
16
KAMPUS DEPOK
2.
Analisa Statistik I
17 - 18
KAMPUS DEPOK
3.
Analisa Statistik II
23 - 24
KAMPUS DEPOK
4.
Pelatihan STATA
10 - 11
KAMPUS DEPOK
5.
Ekonometrika dgn STATA
KAMPUS DEPOK
6.
Ekonometrika dgn Eviews


7.
Forecasting

KAMPUS DEPOK
8.
SEM with Lisrel
25 -26
KAMPUS DEPOK
9.
SEM With Amos
25 -26
KAMPUS DEPOK
10.
SEM Tingkat Lanjutan



11.
Pelatihan PLS

KAMPUS DEPOK
12.
Survival Analysis

KAMPUS DEPOK
13.
Perhitungan Jumlah Sampel dan Power


14.
Analisa Data Kesehatan dan Model Skoring


15.
Statistics Process Control


16.
Riset Pemasaran
   
KAMPUS DEPOK
17.
Riset Kepuasan Pelanggan
   
KAMPUS DEPOK
18.
Perhitungan Jumlah Sampel dan Power


19.
Program Inhouse Training




JADWAL INHOUSE TRAINING
  • Pelatihan AHP dengan Expert Choice, Badan Standarisasi Nasional (BSN), Tgl 4 Desember 2015 
  • Pelatihan Analisa Data Statistik, Pusat Informasi Obat dan Makanan - BPOM, Tgl 17-18 Desember 2015 






Keterangan : Untuk tema pelatihan yang tidak terjadwal di atas, dapat kami adakan jika ada permintaan dengan minimal jumlah peserta 5 orang. Tempat pelaksanaan dapat disesuaikan dengan kesepakatan peserta, di kampus UI Depok atau kampus UI Salemba. Untuk peserta dari luar kota kami menyediakan penginapan (Hotel & Guest House), untuk waktu pemesanan diharapkan dua minggu sebelum pelaksanaan.

Hitung Sampel Uji Klinis Beda Proporsi Dua Kelompok Sampel

Perhitungan jumlah sampel ini digunakan untuk melihat apakah ada perbedaan persentasi/proporsi sukses antar dua kelompok sampel dimana data-data awal yang diperlukan diantaranya:


  1. Data historis yang  menyatakan bahwa persentasi sukses pada salah satu kelompok diketahui, umumnya kelompok kontrol
  2. Tingkat signifikan uji=Z-alpha dan power pengujian = Z-betha


untuk menguji jika kedua kelompok sampel dikatakan menghasilkan proporsi sukses yang berbeda jika selisihnya proporsi antar kedua kelompok minimal sebesar P1-P2., berapa jumlah sampel minimal yang diperlukan untuk masing-masing kelompok?. Perhitungan besar sampel ini biasanya diaplikasikan pada uji klinis yang bersifat Case-Control

CONTOH UJI KLINIS
Seorang peneliti ingin mengetahui apakah terdapat perbedaan kesembuhan antara obat A (standar) dengan obat B. untuk menentukan besar sampel, peneliti menetapkan bahwa proporsi kesembuhan obat A dengan obat B dianggap bermakna jika selisihnya 20%. Diketahui bahwa kesembuhan pada obat A adalah 70%. Bila ditetapkan kesalahan tipe I sebesar 5%, kesalahan tipe II sebesar 20%, dengan hipotesis satu arah, berapakah besar sampel yang diperlukan?

Formula Yang Digunakan (Silakan Klik)





















Adapun parameter yang tersedia dari contoh kasus diatas sbb:


  • P2=angka kesembuahan pada obat standar = 0.7
  • Q2= 1-P1 = 1- 0.7 = 0.3
  • Selisih proporsi dikatakan ada perbedaan signifikan proporsi sukses dua kelompok sampel P1-P2=0.2

Dengan demikian,


  • P1 = P2 + 0,2 = 0,7 + 0,2 = 0,9
  • Q1 = 1 – P1 = 1 – 0,9 = 0,1
  • P = (P1+P2)/2 = (0,7+0,9)/2 = 0,8
  • Q = 1 – P = 1 – 0,8 = 0,2
  • Kesalahan tipe I ditetapkan sebesar 5%, sehingga Za = 1,96. (dari tabel)
  • Kesalahan tipe II ditetapkan sebesar 20%, makan Zβ = 0,84. (dari tabel)

Dengan memasukkan nilai nilai diatas pada rumus, diperoleh:
Jadi jumlah sampel minimal untuk masing-masing kelompok yg diberi obat A =62 orang dan kelompok yg diberi obat B= 62 orang