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 MEI 2016
NO
PELATIHAN
TANGGAL
LOKASI
SYLABUS
1.
Pengantar Statistik
17
Depok
2.
Analisa Statistik I
18 – 19
Depok
3.
Analisa Satatistik II


4.
Pelatihan STATA
12  – 13
Depok
5.
Ekonometrika dengan STATA
6.
Analisa Statistik Untuk Data Pemasaran
7.
Ekonometrika dengan Eviews
8.
Survival Analysis

9.
Perhitungan Jumlah Sampel & Power
10.
Analisa Data Kesehatan & Model Skoring
11.
Forecasting
 Depok
12.
SEM with Lisrel
24 – 25
Depok
13.
SEM With Amos


14.
SEM Tingkat Lanjutan
15.
Pelatihan PLS
 Depok
16.
Statistical Process Control (SPC)
17.
Riset Pemasaran
18.
Riset Kepuasan Pelanggan


19.
Pelatihan Statistik dgn Minitab
2 – 3 Depok Klik
20.
Pelatihan AHP
Klik
21.
Program Inhouse Training


JADWAL INHOUSE
  • Tgl 28 - 29 April 2016 , Pelatihan SEM with Lisrel, PT TASPEN





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.

Minggu, 20 Desember 2015

Pelatihan Statistik Dengan Minitab

Minitab adalah salah satu program komputer  yang dirancang untuk melakukan pengolahan analisa Statistik. Minitab dikembangkan di Pennsylvania State University  oleh periset Barbara F. Ryan, Thomas A. Ryan, Jr., dan Brian L. Joiner pada tahun 1972. Minitab menjadi software analisa Statistik yang didisain khusus untuk para profesional yang berkecimpung di dunia industri dan bidang Ke-teknik-an. Minitab seringkali digunakan dalam implementasi Six Sigma, CMMI (Capability Maturity Model Integration ) serta metode perbaikan proses yang berbasis pada analisa statistik.
Pelatihan ini didisain agar peserta dapat memahami berbagai konsep dasar  analisa statistik yang nantinya dapat diterapkan untuk mengukur produktivitas di dunia industri. Disampaikan semudah mungkin untuk dipahami oleh peserta yang berlatar belakang statistik maupun non statistik, dengan disertai contoh kasus pengukuran di dunia industri yang kemudian diaplikasikan kedalam penggunaan program Minitab. Dalam pelatihan akan dijelaskan bagaimana cara pengoperasikan program minitab mulai dari cara input data, melakukan menejemen data, menganalisa data dan bagaimana menginterpretasikan output hasil analisa.   

Tujuan Pelatihan:
  1. Peserta memahami berbagai metode dalam statistik. 
  2. Peserta memahami langkah-langkah pengujian statistik.
  3. Peserta memahami prosedur pengujian statistik serta memilih prosedur uji statistik yang tepat yang didasarkan pada sifat data yang dimiliki.
  4. Memahami proses perhitungan prosedur pengujian parametrik dan non parametrik.
  5. Memahami asumsi-asumsi dalam pengujian statistik.
  6. Peserta mampu mengaplikasikan berbagai uji statistik dalam  Program Statistik Minitab .


Lama Pelatihan :
 2 hari, @ 390 menit

Referensi :
  • Walpole, R .E.  and R. H. Myer. 1989. Probability and statistics for engineers and scientists. Fourth edition. Macmillan Publising Co, Inc
  • Thomas P. Ryan. 1997. Modern Regression Methodes. John Wiley & Sons, Inc
  • Levin, R. I. and D. S. Rubin. 1994. Statistics For Management.  Prentice-Hall, Inc
  • A. Mattjik & I. M. Sumertajaya. 2006. PERANCANGAN PERCOBAAN DENGAN APLIKASI SAS & MINIITAB, IPB PRESS



Biaya Pelatihan:
Dosen & Mahasiwa            : Rp     2.000.000,-
Profesional                          : Rp    3.000.000,-


Silabus :


NO
MATERI PELATIHAN
A.
Konsep Statistik
01.
Konsep Kejadian
02.
Pengertian Dasar Statistik
03.
Metode Dalam Analisa Statistik
04.
Jenis Data
05.
Pengujian Statistik
06.
Prosedur Pengujian Statistik
B.
Operasi Dasar Minitab
01.
Data Entry
02.
Membuat dan Menyimpan Worksheet
03.
Memasukan Data dengan Autofill
04.
Memasukan Data Berpola melalui Menu Calc
05.
Tipe Data
06.
Menyalin Data
07.
Coding Data
08.
Subsetting Data
09.
Menggabungkan Worksheet
C.
Uji Rata-rata (Parametrik & Non Parametrik)
01.
Uji 1 kelompok sample
02.
Uji 2 kelompok sample bebas
03.
Uji 2 kelompok sample terkait
04.
Uji Anova
05.
Normalitas Data
06.
Homogenitas Varian
07.
Uji Lanjutan
D.
Uji Proporsi
01.
Uji Chi-square
02.
Nilai Odd Rasio (OR)
E.
Analisa Korelasi Dan Regresi
01.
Analisa Korelasi Parametrik
02.
Analisa Korelasi Non Parametrik
03.
Analisa Regresi
04.
Asumsi Analisa Regresi
05.
Metode Seleksi Variable
F.
Analisa Regresi Dummy
01.
Konsep Variabel Dummy
02.
Reference Category
03.
Pembentukan Variable Dummy
04.
Analisa Regresi Dummy