MODEL MARGINAL LOGISTIK BINER UNTUK DATA LONGITUDINAL

Nursiah Manggasa1, Raupong2, Andi Kresna jaya 3

Program studi statistika FMIPA Universitas Hasanuddin
Dosen Program Studi Statistika FMIPA Universitas Hasanuddin
Email : [email protected]
ABSTRAK
Data longitudinal merupakan data yang pengumpulannya dilakukan berkali-kali dalam jangka
waktu tertentu. Analisis data longitudinal dengan variabel responnya biner perlu diperhatikan
dari sudut pandang inferensi likelihood, yang mengharuskan spesifikasi lengkap dari model
stokastik untuk individu. Pada penelitian ini digunakan rantai Markov biner yang merupakan
mekanisme stokastik dasar untuk menggambarkan model marginal logistik biner dalam data
longitudinal tanpa memperhatikan efek acak. Analisis model marginal logistik biner
menggunakan dependensi rantai markov orde pertama yang diaplikasikan pada data Diabetes
Melitus di wilayah Puskesmas Ampana Barat Kabupaten Tojo Uno-Uno. Hasil yang
diperoleh dari penerapan model ini pada data diabetes melitus adalah kadar glukosa darah
dipengaruhi oleh variabel kovariat waktu dan kelompok pasien.
Kata kunci : Data Longitudinal, Regresi Logistik, Model Marginal, Rantai Markov, Metode
Maksimum Likelihood, BFGS Quasi Newton.
ABSTRACK

Longitudinal data is data collection is done many times in a certain time. Analysis of
longitudinal data with binary response variables should be considered from the point of view
of likelihood inference, which requires the full specification of the stochastic model for
individuals. In this study used biner markov chains which are basic stochastic mechanisms to
illustrate binary logistic models in longitudinal data regardless of random effects. Analysis of
binary logistic marginal model using first-order markov chain dependence applied to
Diabetes Mellitus data in West Ampana Puskesmas of Tojo Uno-Uno Regency. The results
obtained from the application of this model in diabetes mellitus data are blood glucose levels
influenced by the time covariate variable and patient group.

Kata kunci : Longitudinal Data, Regression Logistic, Marginal Model, markov chain,
Maximum Likelihood Method, BFGS Quasi Newton.
1. Latar Belakang
Data longitudinal merupakan gabungan antara data runtun waktu (time series) dan data
silang (cross section). Data longitudinal selain untuk melihat perubahan, dapat juga melihat
variasi perubahan diantara individu. Studi kasus data longitudinal semakin popular dari
waktu ke waktu. Misalnya dilakukan di bidang kesehatan, sosial, dan beberapa bidang
lainnya dalam menganalisis berbagai macam jenis data.

Penelitian di bidang kesehatan biasanya menggunakan data longitudinal, pasien sebagai

individu yang diamati pada unit cross-sectional dan waktu sebagai bahan pertimbangan untuk
mendiagnosis evolusi penyakit digunakan sebagai unit time series. Data diabetes merupakan
data yang sering diukur berulang-ulang pada waktu yang bervariasi dengan tujuan untuk
melihat perubahan kadar glukosa darah pada pasien sehingga kesehatan pasien dapat
dikontrol dan mengurangi risiko komplikasi jangka panjang dari penyakit diabetes tersebut.
 Dalam hal pengamatan yang dilakukan secara berulang (longitudinal), atau data yang
mengandung klaster, biasanya berkorelasi serial dalam subjek. Jika y it merepresentasikan
observasi subjek ke-i pada waktu ke-t, maka subjek i memuat respon berulang y it , karena
observasinya diambil dari subjek yang sama akibatnya respon berulang ini akan berkorelasi.
Data longitudinal dengan variabel respon yang dikategorikan bernilai biner, metode
yang akan digunakan adalah regresi logistik. Akan tetapi, dalam analisis data longitudinal
dengan variabel respon biner dependensi variabel harus diperhatikan sehingga menghindari
kesalahan dalam pengambilan keputusan untuk menguji hubungan antara peluang
keberhasilan dan beberapa variabel kovariat. Dalam penelitian ini dependensi yang
digunakan adalah dependensi rantai markov orde pertama, dalam model ini diasumsikan
bahwa proses mengikuti sifat markov yaitu peluang keadaan proses pada saat ini hanya
bergantung kepada keadaan disatu kurun waktu sebelumya.
Dalam menganalisis data longitudinal dengan variabel responnya diskrit, estimasi yang
biasa digunakan adalah estimasi Generalized Estimating Equations (GEE). Tetapi dalam
estimasi ini memerlukan model stokastik yang lengkap untuk setiap individu (Rochayati,
2014).
Islam dan Rahman memberikan solusi estimasi parameter menggunakan metode
maksimum likelihood untuk model marginal logistik berdasarkan Azzalini (1994) dengan
menghadirkan dependensi serial. Probabilitas sukses dibentuk dari model regresi logistik,
akan tetapi pada penelitian ini struktur dependensinya diatur oleh dependensi serial dengan
mekanisme rantai markov yang sesuai dengan parameter observasi model marginal.
Penelitian tentang analisis model marginal dengan variabel respon biner menggunakan
rantai markov telah dilakukan oleh peneliti sebelumnya Rochayati (2014) dengan dependensi
rantai markov orde kedua dengan studi kasus pada data ISPA. Berdasarkan uraian tersebut,
maka dalam penelitian ini penulis akan membahas model marginal untuk data longitudinal
dependensi rantai markov orde pertama. Ditulis dalam tugas akhir ini dengan judul “Model
Marginal Logistik Biner untuk Data Longitudinal”.
Adapun tujuan dalam penelitian ini adalah untuk memperoleh model marginal logistik
biner pada data longitudinal untuk kasus data Diabetes Melitus di Wilayah Puskesmas
Ampana Barat Kabupaten Tojo Una-Una pada Tahun 2013.
2. Tinjauan Pustaka
2.1 data longitudinal
Noguchi et al, 2002 dalam tugas akhir Wijiasih Lina mengatakan bahwa data
longitudinal merupakan sekumpulan pengukuran dari unit percobaan yang sama, yang
biasanya menunjukkan subjek atau individu dari waktu ke waktu. Data longitudinal diamati
secara beraturan diamati dari waktu ke waktu yang dikumpulkan dari rancangan percobaan
atau studi observasi dimana variabel responnya berhubungan dengan urutan peristiwa yang
tercatat dititik waktu tertentu dalam masa studi.
2.2 Rantai Markov
Jika diberikan kejadian-kejadian yang telah berlalu X 0 , X 1 , X 2 , … , X t −1 dan kejadian
yang sedang berlangsung X t , maka kejadian yang akan datang X t +1 bersifat bebas dari
kejadian-kejadian yang telah berlalu X 0 , X 1 , X 2 , … , X t −1. Secara umum dapat ditulis :
pij =P { X t +1= j∨X 0 =i 0 , X t =i 1 , X t−1=i t−1 , … , X t =i } (1)
dimana i= State ke-i
j= State ke- j
t= Waktu
2.3 Generalized Linear Model
Generalized linear model secara spesifik terbagi atas 3 bagian penting :
a. Komponen sistematik dari sebuah GLM terdiri atas variabel respon Y 1 ,Y 2 , … , Y N yang
merupakan sampel acak Y i (μi , σ 2) dan termasuk dalam keluarga distribusi
eksponensial.
b. Komponen Sistematik merupakan fungsi dari variabel bebas yang membentuk η=X ' β
c. Fungsi Penghubung yaitu penghubung antara komponen acak dan komponen sistematik
2.4 Regresi Logistik
Regresi logistik biner adalah salah satu metode statistika yang sering digunakan untuk
mengklasifikasikan sejumlah pengamatan dengan variabel respon biner ke dalam beberapa
kelompok berdasarkan satu atau lebih variabel bebas. Model regresi logistik yang
dipengaruhi oleh k variabel bebas dapat dinyatakan sebagai nilai harapan dari Y dengan
diberikan nilai X .
k

E ( Y ∨ X=x )=
exp ( β 0 + β 1 x i 1+ β 2 xi 2 +… ,+ β k xik )
=
(
exp β 0+ ∑ β j xij
j =1
) (2)
1+ exp ( β 0+ β1 x i1 +… ,+ β k x ik ) k

(
1+exp β 0 + ∑ β j x ij
j=1
)
Transformasi logit diterapkan pada model regresi logistik,
k
π (x)
[
logit ( π ( x ) ) =g ( x ) =ln
1−π ( x )]=β 0 + ∑ β j x ij
j=1
(3)

dengan:
π (x ) = Peluang kejadian sukses
g(x) = Nilai estimasi dari logit
β 0 , β 1 , … , β k = Parameter regresi logistik biner.
2.5 Distribusi Marginal Biner
Persamaan distribusi marginal dari Y it biner

[
f ( Y it ∨X itj )=exp y it ∅t −log {1+exp ( ∅ t ) } ] (4)
dengan asumsi bahwa:
μt
∅ t =log
( (1−μt ) )
= X 'itj β

2.6 Marginal Logistik biner dependensi rantai markov

proses non stasioner y i 1 , y i 2 , … , y iT diasumsikan non homogen markov biner yaitu
nilai 0 dan 1 dengan peluang transisi ptl =P ⁡(Y t=1∨Y t−1=l) untuk l=0,1 dimana ptl dengan
waktu t yang berubah-ubah. misalkan diberikan keadaan non stasioner model marginal maka
distribusi marginal dari respon biner sehingga kovariat menghubungkan nilai rata-rata dari
proses, dimana untuk θt =E ( Y t ) berbeda-beda pada waktu t melalui suatu fungsi penghubung
 exp ⁡( X 'itj β)
θ 1+exp ⁡( X 'itj β)
logit ( θt )=log t =log =X 'itj β (5)
1−θ t 1
1+exp ⁡( X 'itj β)

dependensi diantara observasi yang berturut-turut merupakan model dari odd ratio
pada peluang transisi dari orde pertama rantai markov non homogen. Persamaan odd ratio
adalah :
Pt 1 P(Y t =1∨Y t −1=1)
1−Pt 1 P (Y t=0∨Y t −1=1) P( Y t−1=Y t =1) P(Y t −1=Y t =0)
ψt= = =
Pt0 P (Y t=1∨Y t −1=0) P(Y t −1 =0 ,Y t=1) P( Y t−1=1 , Y t=0)
1−Pt 0 P(Y t=0∨Y t −1=0)
(6)

Fitzmaurice and Laird (1993) menunjukkan bagaimana kaitan antara observasi dengan
model ψ t , estimasi nilai rata-rata relatif tidak sensitif terhadap perubahan parameter asosiasi
untuk keadaan non stasioner
θt =θt −1 pt 1 +(1−θt −1) p t 0 untuk t=2,3 , … , T (7)
dan untuk t=1 , E ( Y 1) =Pr ( Y 1=1 )=θ 1
untuk memberikan nilai dari β, barisan θ1 , θ2 , … , θT dapat ditentukan dari persamaan
(5) , dapat menyelesaikan persamaan (6) dan (7) dengan mengikuti pt 1 dan pt 0 sembarang
t >1. Setelah dimanipulasi menggunakan algebra maka diperoleh persamaan sebagai berikut:
θt untuk ψ t =1

{
ptl = δ−1+ ( ψ t−1 ) ( θt −θ t−1 ) 1−δ + ( ψ t−1 ) (θt +θ t−1−2 θt θt −1) untukψ t ≠ 1
2 ( ψ t−1 ) ( 1−θt−1 )
+l
2 ( ψ t −1 ) θt −1 ( 1−θ t−1 )
(8)

untuk t=2,3 , … , T ,denganl=0,1 dan

δ 2=1+ ( ψ t −1 ) {( θ t−θ t−1 )2 ψ t −( θt +θt −1 )2 +2(θ t +θt −1)}

hal ini menunjukkan bahwa ptl selalu pada (0,1).

2.7 Estimasi parameter Menggunakan Metode Maksimum Likelihood
Distribusi marginal logistik dari y t bernilai biner adalah sebagai berikut :
f ( y t∨ X t=x t )= p yy 1− y t
t

t−1
( 1− p y ) t−1
(9)
Dengan metode maksimum likelihood, fungsi likelihood L dan log-likelihoodnya pada
persamaan (9) dituliskan sebagai berikut :
T
yt 1− y t
Lt ( β , λ∨ y 1 , y 2 … , y T ) =∏ p y t −1
( 1− p y )
t−1
(10)
t =1
T
py
l t =log Lt=∑ y t log
t =1 ( ( 1−p y
t−1

t−1
) + log (1− p y ) t−1
) (11)

Nilai parameter β dan λ dapat diperoleh dengan memaksimumkan fungsi log-

likelihoodnya. Hal Tersebut dilakukan dengan metode turunan pertama dari fungsi
likelihoodnya terhadap parameter yang disamakan dengan nol.
2.8 Metode newton raphson
Langkah-langkah metode BFGS quasi Newton adalah rumus estimasi parameter θ^ pada
iterasi ke-(k + 1) dalam proses iterasi (k =0,1,2,3 , ...) adalah sebagai berikut:
θ^ k +1=θ^ k + a(k ) S(k) (12)
dengan
θ^ k +1 : estimator parameter θ pada iterasi ke- (k + 1)
k
θ^ : estimator parameter pada iterasi ke-k
a
(k)
: suatu nilai yang meminimumkan fungsi f ( θ(k) + a(k ) S(k) ) yaitu memenuhi
(k) (k ) (k) ( k) −6 (k ) ( k )' (k)
f ( θ + a S )−f ( θ ) ≤10 a g S
S (k)
: diperoleh dari S(k)=−H −1(k) g(k) dengan g(k) adalah vektor turunan pertama
∂l( θ(k ))
fungsi log-likelihood, sehingga entri dari g (k)
adalah .
∂(θ (k ))
matriks Hessian awal H 0=I n dan update matriksH diperoleh dengan metode BFGS yaitu :
T T
∆ g k ( ∆ gk ) gk ( gk )
H k +1=H k + T
+ T
( ∆ g k ) ∆ θk ( g k ) θk
iterasi berhenti sampai diperoleh hasil yang konvergen yaitu :
‖θ(k+1 )−θ(k)‖≤ e=1× 10−6

2.9 Uji Kesignifikan Parameter

2.9.1 Uji Signifikan Model
Untuk mengetahui pengaruh variabel bebas terhadap variabel respon secara bersama-
sama didalam model, dapat menggunakan uji likelihood rasio. Hipotesisnya adalah sebagai
berikut:
H 0 : β1 =β2 =…= βk =0 (tidak ada pengaruh variabel bebas secara simultan terhadap
variabel respon)
H 1 : Minimal ada satu β j ≠ 0 (ada pengaruh variabel bebas secara simultan terhadap variabel
respon untuk j=1,2 ,... , k )
Statistik uji yang digunakan adalah :
L
G2=−2 ln o (13)
Lk
dimana :
Lo= Maksimum Likelihood dari model reduksi atau model yang terdiri dari konstanta saja
Lk = Maksimum Likelihood dari model penuh atau dengan semua variabel bebas.
Statistik G 2 ini mengikuti distribusi Chi-squares dengan derajat bebas k sehingga
2 2
hipotesis ditolak jika G > χ (α , n), yang berarti variabel bebas X secara bersama-sama
mempengaruhi variabel respon Y .

2.9.2 Uji Parsial dan Pembentukan Model

Pengujian keberartian parameter (koefisien 𝜷) secara parsial dapat dilakukan melalui
uji Wald dengan hipotesisnya sebagai berikut:
H 0 : β j= 0 (variabel bebas ke j tidak mempunyai pengaruh secara signifikan terhadap variabel
respon)
H 1 : β j≠ 0 (variabel bebas ke j mempunyai pengaruh secara signifikan terhadap variabel
respon) untuk j=1,2 ,.... , k
dengan statistik uji sebagai berikut:
W =¿ ¿ (14)
2
Hipotesis akan ditolak jika W > χ (a ,1 ) ¿ atau p-value< α =0.05 yang berarti variabel
bebas X j secara partial (satu-satu) mempengaruhi variabel respon Y .
3. Hasil Dan Pembahasan
3.1 Distribusi Model Marginal Logistik Biner
Diasumsikan setiap individu diamati pada kejadian t. Oleh karena itu, barisan dari
data pengamatan didefinisikan ( y 1 , y 2 , … , y T ¿ sebagai variabel respon dan diasumsikan
bernilai biner, maka variabel acaknya sebagai berikut:
Y t = 1 jikaindividu sukses pada waktu t
{
0 jika individu gagal pada waktu t
Setiap individu memiliki vektor kovariat X t ukuran K ×1pada kejadian t, dan dimisalkan
X t =( X 1 j , X 2 j , … , X Tj )' merupakan matriks kovariat T × K untuk individu dari data sehingga
setiap individu berisi observasi ( Y t , X t ). Distribusi bersyarat marginal logistik biner
dependensi rantai markov pada waktu-t adalah sebagai berikut :
f ( y t∨ X t=x t )= p yy ( 1− p y )1− y
t

t−1 t−1
(15)
t

dengan :
δ−1+ ( ψ t −1 )( θt −θt−1 ) 1−δ + ( ψ t −1 ) ( θt + θt−1−2θt θ t−1 )
py = + y t−1
t−1
2(ψ t−1)(1−θ t−1) 2(ψ t −1)θt −1 (1−θt −1)
δ 2=1+ ( ψ t −1 ) {( θ t−θ t−1 )2 ψ t −( θt +θt −1 )2 +2(θ t +θt −1)}
untuk t >1 , dan untuk t=1 p y =θ 1. Persamaan 15 kemudian di estimasi menggunakan
0

metode maksimum likelihood

3.2 Estimasi Parameter

Setelah fungsi kepadatan peluang distribusi marginal logistik biner diketahui, maka
selanjutnya akan dibentuk fungsi likelihood dari fungsi distribusi tersebut. fungsi likelihood
untuk persamaan (15) adalah sebagai berikut:
T
L (θ )=∏ f ( y t ; θ)
t =1
T
Lt ( β , λ∨ y 1 , y 2 , … , y T ) =∏ p yy ( 1− p yt 1− y t
t−1 t−1
)
t=1
T T
∑ yt ∑ ( 1− y t )
¿ py (16)
t=1

t−1
( 1− p y ) t−1
t =1

Selanjutnya dari fungsi likelihood pada persamaan (16), dapat diperoleh fungsi log-
likelihoodnya sebagai berikut :
 T T

l t =log Lt ( β , λ ) =¿ log p y ( ∑ yt
t=1

t−1
( 1− p y ) t−1
∑ (1− y t)
t=1
)¿
T
¿ ∑ { yt logit ( p y )+ log(1− p y ) } t−1 t−1
(17)
t=1

Turunan pertama log-likelihood untuk individu ke-i pada waktu-t didefinisikan sebagai
berikut :
N N T
∂l ∂l ∂l
=∑ it =∑ ∑ t (18)
∂ β i=1 ∂ β i=1 t=1 ∂ β
N
∂l ∂ lit N T ∂l t
=∑ =∑ ∑ (19)
∂ λ i=1 ∂ λ i=1 t=1 ∂ λ

Untuk mendapatkan taksiran parameter β dan λ, maka fungsi log-likelihood pada

persamaan (17) diturunkan terhadap kedua parameter tersebut, kemudian disamakan dengan
nol. Turunan pertama fungsi log-likelihood untuk parameter β sebagai berikut :
∂l t ∂l t ∂ p y ∂ θt ∂ p y ∂θt −1
=
∂ β ∂ py
+ (
∂ θt ∂ β ∂θ t−1 ∂ β
t−1
=0 t=1,2 , … , T
t−1 t−1
(20)
)
N T
yt 1 1 ∂δ
( ) )( ( ) )
¿∑∑ − (− 2 y t −1−1 ) +ψ t −1 θt X 't ( 1−θ t )
i=1 t =1 py t −1
( 1− p y ) ( p y t−1 t−1
A ∂ θt

+
( {[
1
A 2 (
2 y t −1−1 )
−∂ δ
∂ θt −1
+ ( ψ t −1
{ ) }] [ ( })
A− 2 ψ t −1 )( 2 y t −1−1 ) ] B θ t−1 X 't−1 ( 1−θt −1 )=0

Turunan pertama fungsi log-likelihood untuk parameter λsebagai berikut :

∂ lt ∂l t ∂ p y ∂ψ t
= =0 t=2,3 ,… , T t−1
(21)
∂ λ ∂ p y ∂ψ t ∂ λ t −1

−∂ δ

¿∑∑
N T

( yt
−
1
×
[ t
{ } ]
( 2 y t −1−1 ) ∂ ψ +θ t−1 +θ t A−[ 2 {1− y t −1 + ( 2 y t −1 −1 ) θ t−1 } B ]
× ψt )
i=1 t=2 py t −1
( 1− p y ) ( p yt−1 t−1
) A2

Persamaan iteratif yang biasa digunakan untuk memperoleh penaksir perameter

θ=( β , λ ) adalah sebagai berikut :
θ^ k +1=θ^ k + a(k ) S( k )
Dengan demikian bentuk lengkap persamaan iteratif dari algoritma BFGS Quasi Newton
adalah sebagai berikut:
 −∂l t
∂ βo

()
β0 −∂l t

()β1 N
^θk +1= ⋮ + ∑
β k i=1
λ
∂ β1
⋮
−∂l t
∂ βk
−∂l t
(22)

λ
Persamaan (22) inilah yang akan digunakan untuk menyelesaikan proses iterasi
estimasi parameter distribusi marginal logistik yang tidak dapat diselesaikan secara analitik
menggunakan Maksimum likelihood. Proses iterasi Algoritma BFGS Quasi Newton akan
berhenti apabila parameter taksiran sudah konvergen ke suatu nilai atau ‖θ(k+1 )−θ(k)‖≤ e,
dengan e adalah suatu bilangan positif yang biasanya ditetapkan sebagai 1.0 ×10−6. Untuk
mendapatkan hasil taksiran parameter dalam penelitian ini menggunakan bantuan perangkat
lunak Rstudio 0.99.491
3.3 Penerapan Model Marginal Logistik Pada Data Diabetes Melitus
3.3.1 Uji Signifikan Model
nilai uji log-likelihood sebesar −28. 4989 , sehingga nilai uji log-likelihood rasio G2
yaitu G 2=−2 (−28.4989 ) =58.9978. Kemudian dibandingkan dengan nilai tabel Chi-Square
χ 2(a=0.05,120)=9.4877 maka dapat disimpulkan tolak H0 karena nilai
G 2=58.9978> χ (a2 ,n )=9.4877 artinya, kadar glukosa darah pasien dipengaruhi oleh variabel
kovariat yang diujikan yaitu jenis kelamin, pekerjaan, waktu, dan kelompok

3.3.2 Uji Parsial dan Pembentukan Model

berdasarkan hasil output yang diperoleh sebagai berikut:
Tabel 1 Tabel Pengujian Signifikansi Parameter Secara Parsial
  Koefisien Std.Error Uji Wald p-value χ 2(0.05,1)

Konstanta 5.40118 1.91982 7.9151 0.0049¿

X1 -0.7913 1.16423 0.46193 0.49672
3.841
X2 0.29484 0.82901 0.12649 0.72209
X3 -1.6974 0.42917 15.6419 0.00007¿
X4 3.51121 1.05512 11.0741 0.00087¿
λ 2.4266 1.231576 3.88216 0.04203
Sumber: data di olah 2016
Pada tabel 1 variabel kovariat X 3 (waktu) mempunyai nilai uji wald sebesar 15.6419,
nilai p-value sebesar 0.00007 dan Variabel kovariat X 4 (Kelompok) mempunyai nilai uji
wald sebesar 11.0741 , nilai p-value sebesar 0.00087 dibandingkan dengan nilai tabel Chi-
2
Square χ (a=0.05,1)=3.8441. karena nilai uji statistik wald sebesar 15.6419dan
 2
11.0741> χ (a=0,05,1) =3.8441 maka tolak H 0 sehingga dapat disimpulkan variabel kovariat
waktu dan kelompok mempengaruhi kadar glukosa darah pasien diabetes melitus.
Maka persamaan model marginal logistik biner menggunakan dependensi rantai
markov orde pertama sebagai berikut :
θit
logit (θ¿¿ it)=log =X itj β=5.40118−1.6974 x it 3 +3.51121 x it 4 ¿
1−θit
3.3.4 Peluang Transisi Data Diabetes Melitus
peluang transisi dari kasus data diabetes melitus di wilayah Puskesmas Ampana Barat
Kabupaten Tojo Una-Una pada pengukuran kadar glukosa darah pasien tahun 2013.
0.975962 0.024038
P❑= [ 0.004491 0.995509 ]
peluang transisi pada waktu yang akan datang adalah sebagai berikut :
0.975261 0.04739
2
P= [ 0.008854 0.991146 ]
4. Penutup
4.1 kesimpulan
model untuk data longitudinal pada data kadar glukosa darah pasien diabetes melitus di
wilayah Puskesmas Ampana Barat Kabupaten Tojo Una-Una pada Tahun 2013 dengan
pengukuran sebanyak 4 kali sebagai berikut :
θit
logit (θ¿¿ it)=log =X itj β=5.40118−1.6974 x it 3 +3.51121 x it 4 ¿
1−θit
variabel kovariat yang signifikan mempengaruhi pengukuran kadar glukosa darah pasien
yaitu waktu dan kelompok. Kelanjutan waktu pengukuran maka akan mempengaruhi
penurunan kadar glukosa darah dan perbedaan kelompok perlakuan pasien dapat berpengaruh
positif terhadap kadar glukosa darah

4.2 Saran
Dari hasil pembahasan dalam penelitian ini, ada beberapa hal yang dapat disarankan
oleh penulis diantaranya :
1. Dalam penelitian ini hanya menggunakan data lengkap dengan kategori biner, sehingga
diharapkan dalam penelitian selanjutnya dapat menggunakan kategori data bernilai
ordinal.
2. Dalam penelitian ini hanya menggunakan model marginal tanpa memperhatikan efek
acak, sehingga diharapkan dalam penelitian selanjutnya dapat menggunakan model
dengan memperhatikan efek acak dari model.
3. Selain menggunakan rantai markov orde pertama, terdapat pula model rantai markov
orde kedua atau orde ke-m. Pembahasan mengenai model ini dapat digunakan untuk
penelitian selanjutnya.
 DAFTAR PUSTAKA

Agustin W, Purwanto IN. 2013. Metode Quasi Newton Menggunakan Formula Powell-
Symmetric-Broydee dan Symmetric-Rank-One. Jurnal Mahasiswa Matematika. 1(4):
300-303.
Azzalini, A. 1994. Logistic Regression for Autocorrelated Data with Aplication To Repeated
Measures, Biometrika, vol 81, halaman 767-775.
Bilous. (2002). Seri Kesehatan Bimbingan Dokter pada Diabetes. Jakarta: Dian Rakyat.
Darmawati. 2013. Pengaruh Senam Diabetes Terhadap Penurunan Kadar Glukosa Darah
Pada Orang Dewasa Sehat Diwilayah Puskesmas Ampana Barat Kab. Tojo Una-Una.
Jurusan Keperawatan Fakultas Kedokteran. Universitas Hasanuddin.
Dorland, W. A. N. 2010. Dorland’s Illustrated Medical Dictionary (29th ed.). Hartanto, H. et
al. (Ahli Bahasa), Jakarta: EGC
G.M. Fitzmaurice, N.M. Laird, A Likelihood Based Method For Analyzing Longitudinal
Binary, Biometrika 80 (1993) 141–151.
Greene, W. H. (2002). Econometric Analysis. New York: Mcmillan Publishing Company.
Hosmer DW, and Lemeshow S. 1989. "Applied Logistic Regression". New York: John Wiley
and Sons.
Islam, M. Ataharul dan Rahman M. Shafiqur, 2007. Markov Structure Based Logistic
Regression For Repeated Measures: An Application To Diabetes Mellitus Data.
Universitas Of Dhaka. Bangladesh.
Klein Mitchel dan Kleinbaum G. David. 2010. Logistic Regression A Self-Learning Text
Third Edition. Departement Of statistics North Carolina State University Raleigh. USA.
PERKENI, 2011. Konsensus Pengelolaan dan Pencegahan Diabetes Melitus Tipe 2 di
Indonesia. www.perkeni.org, 18 Oktober 2016.
Rochayati,2014. Model Marginal Data Longitudinal Biner menggunakan Rantai Markov.
Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam. Universitas
Gajah Mada.
Ross, M. Sheldon, 2010. Introduction To Probability Models 10th Edition. University Of
Southern California Los Angeles. California.
Sherwood, L. 2011. Organ Endokrin Perifer dalam Fisiologi Manusia dari Sel ke Sistem.
Jakarta: EGC.
Soegondo, S. 2008. Hidup Secara Mandiri Dengan Diabetes Melitus, Kencing Manis, Sakit
Gula. Jakarta: FKUI
Wijiasih, Lina. 2015. Penerapan Generalized Estimating Equation (GEE) Berbasis Web
Interaktif Dengan R-Shiny Untuk Tidak Bebas Multinomial Berskala Ordinal. Jurusan
Matematika Fakultas Matematika Dan Ilmu Pengetahuan Alam. Universitas Jember
Wilson, R. Jeffrey dan Lorenz A. Kent. 2015. Modeling Binary Correlated Using SAS, SPSS
and R. Springer International. Switzerland