PEMODELAN KEJADIAN MALNUTRISI PADA PASIEN ANAK PENDERITA INFEKSI SALURAN PERNAPASAN AKUT DENGAN PENDEKATAN REGRESI LOGISTIK NONPARAMETRIK ADITIF BERDASARKAN ESTIMATOR KERNEL (Studi Kasus di RSU Haji Surabaya)
Malnutrisi Rumah Sakit (MRS) merupakan kondisi yang sering mengakibatkan gangguan daya tahan tubuh yang mencakup respon hormonal dan selular melambat terhadap infeksi.Tujuan dari skripsi ini adalah untuk mengetahui model kejadian MRS pada anak penderita Infeksi Saluran Pernapasan. Salah satu cara un...
Saved in:
| Main Author: | |
|---|---|
| Format: | Theses and Dissertations NonPeerReviewed |
| Language: | Indonesian Indonesian |
| Published: |
2016
|
| Subjects: | |
| Online Access: | http://repository.unair.ac.id/55904/1/KKC%20KK%20ST.S%2051%20-16%20Ilm%20p-Abstrak.pdf http://repository.unair.ac.id/55904/2/KKC%20KK%20ST.S%2051%20-16%20Ilm%20p.pdf http://repository.unair.ac.id/55904/ http://lib.unair.ac.id |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Institution: | Universitas Airlangga |
| Language: | Indonesian Indonesian |
| Summary: | Malnutrisi Rumah Sakit (MRS) merupakan kondisi yang sering mengakibatkan gangguan daya tahan tubuh yang mencakup respon hormonal dan selular melambat terhadap infeksi.Tujuan dari skripsi ini adalah untuk mengetahui model kejadian MRS pada anak penderita Infeksi Saluran Pernapasan. Salah satu cara untuk mengetahui model kejadian MRS adalah regresi logistic nonparametric aditif dengan estimator kernel. Data yang digunakan adalah 57 data pasien anak penderita ISPA, dengan 21 anak terkena MRS dan 36 lainnya tidak terkena MRS. Prediktor yang digunakan meliputi usia, lama rawat, dan Indeks Massa Tubuh (IMT). Kesimpulan yang diperoleh adalah berdasarkan usia peluang MRS bersifat fluktuatif, sedangkan berdasarkan lama rawat, semakin lama dirawat maka peluang mengalami MRS semakin kecil dan berdasarkan IMT, pasien dengan IMT normal memiliki peluang mengalami MRS relative lebih kecil. Ketepatan klasifikasi etimasi model untuk data in sample dengan pendekatan regresi logistik nonparametrik berdasarkan estimator Kernel adalah 85% sedangkan berdasarkan regresi logistik biner adalah 62,5%, sehingga dapat disimpulkan bahwa regresi logistik nonparametrik berdasarkan estimator Kernel lebih baik dibandingkan regresi logistik biner. Ketepatan klasifikasi etimasi model untuk data out sample adalah 65%. |
|---|