Pemodelan Klasifikasi Penyakit Akibat Infeksi Virus Dengue Berdasarkan Pendekatan Regresi Logistik Robust
Demam Dengue (DD) dan Demam Berdarah Dengue (DBD) adalah penyakit yang disebabkan oleh virus Dengue yang tergolong Arthropod-Borne Virus. Penyakit ini ditularkan melalui gigitan nyamuk genus Aedes, terutama Aedes aegypti. Angka kesakitan DBD di Indonesia terus mengalami peningkatan sepanjang tahun 2...
محفوظ في:
| المؤلف الرئيسي: | |
|---|---|
| التنسيق: | Theses and Dissertations NonPeerReviewed |
| اللغة: | Indonesian Indonesian |
| منشور في: |
2017
|
| الموضوعات: | |
| الوصول للمادة أونلاين: | http://repository.unair.ac.id/66290/1/ST.S.38-17%20Har%20p%20-%20Abstrak.pdf http://repository.unair.ac.id/66290/2/ST.S.38-17%20Har%20p%20-%20Fulltext.pdf http://repository.unair.ac.id/66290/ http://lib.unair.ac.id |
| الوسوم: |
إضافة وسم
لا توجد وسوم, كن أول من يضع وسما على هذه التسجيلة!
|
| المؤسسة: | Universitas Airlangga |
| اللغة: | Indonesian Indonesian |
| الملخص: | Demam Dengue (DD) dan Demam Berdarah Dengue (DBD) adalah penyakit yang disebabkan oleh virus Dengue yang tergolong Arthropod-Borne Virus. Penyakit ini ditularkan melalui gigitan nyamuk genus Aedes, terutama Aedes aegypti. Angka kesakitan DBD di Indonesia terus mengalami peningkatan sepanjang tahun 2011 hingga tahun 2015 meskipun sempat mengalami penurunan angka kesakitan DBD pada tahun 2014 (Dinkes, 2015). Penyakit akibat infeksi virus Dengue sendiri diklasifikasikan dalam tiga jenis yaitu DD (Demam Dengue), DBD (Demam Berdarah Dengue) dan SSD (Sindrom Syok Dengue). Namun, di beberapa rumah sakit seringkali klasifikasi penyakit tersebut tidak tercatat di dalam data rekam medis pasien. Oleh karena itu, peneliti tertarik untuk mencari model klasifikasi DD, DBD dan SSD pasien berdasarkan pemerikasaan darah lengkap dengan menggunakan pendekatan statistika. Dalam penelitian ini, penulis menggunakan pendekatan analisis regresi logistik nominal untuk mencari model klasifikasi pasien DD, DBD dan SSD. Akan tetapi, metode LS maupun MLE masih dipengaruhi oleh adanya outlier sehingga digunakan estimator pada regresi logistik robust yaitu Bianco Yohai. Selain itu, digunakan pula metode Bootstrap yang berfungsi meningkatkan ketepatan klasifikasi. Hasil penelitian yang diperoleh adalah penggunaan estimator Bianco Yohai mampu menurunkan jumlah outlier pada metode DFFITS sebesar 1,32%. Selain itu, hasil perhitungan APPER estimator Bianco Yohai setelah dilakukan metode Bootstrap dengan banyaknya resampling 100 data adalah sebesar 92,1% sedangkan estimator MLE hanya 90,8%. |
|---|