ANALISIS REGRESI LOGISTK BINER BAYESIAN BOOSTRAP DALAM MEMODELKAN TINGKAT KESEMBUHAN PASIEN COVID-19

Lili, Rahmita Sari (2022) ANALISIS REGRESI LOGISTK BINER BAYESIAN BOOSTRAP DALAM MEMODELKAN TINGKAT KESEMBUHAN PASIEN COVID-19. Masters thesis, UNIVERSITAS ANDALAS.

	Text (Abstrak) Cover + Abstrak up.pdf - Published Version Download (1MB)
	Text (Bab 1) BAB 1.pdf - Published Version Download (172kB)
	Text (Bab Akhir) Bab Akhir.pdf - Published Version Download (126kB)
	Text (DAPUS) DAPUS.pdf - Published Version Download (147kB)
	Text (Skripsi Full Text) Tesis L.pdf - Published Version Restricted to Repository staff only Download (7MB)

Abstract

Pada penelitian ini menggunakan metode regresi logistik biner Bayesian dan metode Boostrap yang diaplikasikan dalam memodelkan tingkat kesembuhan pasien COVID-19. Tujuannya adalah untuk memodelkan tingkat kesembuhan pasien COVID-19 agar dapat mengetahui gejala serta faktor yang mempengaruhi tingkat kesembuhan pasien terinfeksi COVID-19. Data kasus yang digunakan adalah data pasien COVID-19 di Sumatera Barat pada tahun 2020 yang diperoleh dari Rumah Sakit M. Djamil Kota Padang dan Rumah Sakit Universitas Andalas. Kemudian membagi data kasus pasien COVID-19 secara acak, yaitu 80% ke dalam data training dan 20% data testing. Lalu, membuat statistik deskriptif untuk peubah tingkat kesembuhan pasien COVID-19 dan peubah prediktor yang digunakan. Selanjutnya, menganalisis data training dengan regresi logistik biner Bayesian dan melakukan estimasi parameter untuk data testing dengan menggunakan metode Boostrap. Hasil signifikansi parameter menunjukkan bahwa terdapat satu peubah prediktor yang signifikan mempengaruhi tingkat kesembuhan pasien COVID-19, yaitu pasien memiliki umur 0 – 59 tahun. Metode regresi logistik biner Bayesian yang digunakan dalam pemodelan tersebut telah akurat berdasarkan uji performa dari algoritma yang telah digunakan dengan metode Boostrap. Kajian ini membuktikan bahwa nilai estimasi dengan regresi logistik biner Bayesian berada pada selang kepercayaan 95% Boostrap dan replikasi 25 menghasilkan nilai estimasi lebih baik dibandingkan dengan beberapa replikasi lainnya. Pada hasil pengklasifikasian model tingkat kesembuhan pasien COVID-19 memiliki performa yang baik dengan menghasilkan ketepatan nilai akurasi, sensitifitas, dan PPV yang tinggi dalam mengidentifikasi pasien. Kesimpulan yang dapat ditarik adalah regresi logistik biner Bayesian dan metode Boostrap dapat digunakan dalam memodelkan tingkat kesembuhan pasien COVID-19 dan menghasilkan ketepatan klasifikasi yang tinggi.

Actions (login required)

View Item