Bilah Samping Artikel

Telah diserahkan
July 18, 2024
Diterima
July 30, 2024
Diterbitkan
July 31, 2024
Unduh
pdf (English)
Statistik
Baca Penghitung : 199 Unduh : 154

Isi Artikel Utama

Abstrak

Low Birth Weight (LBW) is a baby's weight at birth less than 2,500 grams. The birth of LBW babies is a major contributor to both short and long term neonatal morbidity and death. The number of LBW in Central Buton Regency reported in 2021 is getting worse than in 2020. Therefore, Logistic Regression Analysis in needed to identify and model the factors that influence LBW cases in Central Buton district. The data used in this study is secondary data on the population of birth weight in infants during the period January – June 2022. Data was obtained from the Medical Record of Puskesmas in Central Buton district, Mawasangka district area and Gu district area. The number of samples in the study was 327 infants. The model produced in this study is ĝ(x) = -37535 + 2,3562X1 + 1,2097X2 + 1,4590X4. From this model, it is known that the factors that significantly affect LBW in Buton Tengah Regency are gestational age (X1), Hb levels (X2) and pregnancy complications (X4) with an accuracy value of  90,51%.

Rincian Artikel

Lisensi

Hak Cipta (c) 2024 Rita Ayu Ningtyas, Baharuddin, A T Ampa, M Ihwal, Makkulau, A Salam, N Afiani

Creative Commons License

Artikel ini berlisensi Creative Commons Attribution 4.0 International License.

Cara Mengutip
Ayu Ningtyas, R., Baharuddin, A T Ampa, M Ihwal, Makkulau, A Salam, & N Afiani. (2024). A Low Birth Weight (LBW) In Kabupaten Buton Tengah Models Using Logistics Regrecion: PEMODELAN BERAT BADAN LAHIR RENDAH (BBLR) DI KABUPATEN BUTON TENGAH MENGGUNAKAN REGRESI LOGISTIK. Diophantine Journal of Mathematics and Its Applications, 3(1), 71–80. https://doi.org/10.33369/diophantine.v3i1.35873
Unduh Sitasi
Endnote/Zotero/Mendeley (RIS)
BibTeX

Referensi

  1. Alwi, W., Ermawati, dan Husain, S. (2018) Analisis Regresi Logistik Biner Untuk Meprediksi Kepuasan Pengunjung pada Rumah Sakit Umum Daerah Majene. Jurnal Msa, 6(1), 20-26.
  2. Badan Kependudukan dan Keluarga Berencana Nasional. 2018. Survei Demografi dan Kesehatan Indonesia 2017. Jakarta: BKKBN.
  3. Badan Pusat Statistika Propinsi Sulawesi Tenggara, (2020). Jumlah Bayi Lahir, Bayi Berat Badan Lahir Rendah (BBLR), dan Bergizi Kurang Menurut Kabupaten /Kota di Sulawesi Tenggara Tahun 2020. Kendari : Badan Pusat Statistik.
  4. Badan Pusat Statistika Propinsi Sulawesi Tenggara, (2021). Jumlah Bayi Lahir, Bayi Berat Badan Lahir Rendah (BBLR), dan Bergizi Kurang Menurut Kabupaten /Kota di Sulawesi Tenggara Tahun 2021. Kendari : Badan Pusat Statistik.
  5. Brahmantyo, Y., Riaman, R., dan Sukono, F. (2021). Willingness to Pay of Fishermen Insurance Using Logistic Regression with Parameter Estimated by Maximum Likelihood Estimation Based on Newton Raphson Iteration. Jurnal Matematika Integratif, 17(1), 15.
  6. Chhea C, Ir P, Sopheab H. 2018. Low birth weight of institutional births in Cambonia: Analysis of the demographic and health surveys 2010-2014. PloS One. 13(11):1–16.
  7. Hartiningrum, I., dan Fitriyah, N. (2018). Bayi Berat Lahir Rendah (BBLR) di Provinsi Jawa Timur Tahun 2012-2016. Jurnal Biometrika dan Kependudukan, 7(2) : 97–104
  8. Hapsari, A.N., Chamid, M.S., dan Azizah, N. (2022). Faktor-Faktor yang Mempengaruhi Berat Badan Lahir Rendah Menggunakan Regresi Logistik Biner. Jurnal Sains dan Seni, 11(1) 50-56.
  9. Jornayvaz FR, Vollenweider P, Bochud M, Mooser V, Waeber G, Marques- Vidal P. 2016. Low birth weight leads to obesity, diabetes and increased leptin levels in adults: the CoLaus study. Cardiovasc Diabetol. 2016.
  10. Kementerian Kesehatan Republik Indonesia. 2018. Situasi Balita Pendek (Stunting) di Indonesia. Jakarta: Kemenkes RI
  11. Misna, Rais, dan Utami, I.T. (2018). Analisis Regresi Logistik Biner Untuk Mengklasifikasi Penderita Hipertensi Berdasarkan Kebiasaan Merokok Di RSU Mokopido Toli-Toli. Natural Science: Journal of Science and Technology, 7(3), 341–348.
  12. Ratih, I.D., dan Dewinta, C.M. (2022). Analisis Faktor-Faktor Yang Berpengaruh Terhadap Stunting Menggunakan Regresi Data Logistik Biner (Studi Kasus: Desa Jomgbiru Kecamatan Gampengrejo Kabupaten Kediri). Jurnal Teknik ITS, 11(2), 251-257.
  13. Sebriana, E.I. (2017). Faktor yang mempengaruhi berat badan lahir renda (BBLR) di RSUD kabupaten jombang menggunakan regresi logistik biner. Skripsi. Surabaya : Institut Teknologi Sepuluh November.
  14. Suhendra, M.A., Ispriyanti, D., dan Sudarno (2020). Ketepatan Klasifikasi Pemberian Kartu Keluarga Sejahtera di Kota Semarang Menggunakan Metode Regresi Logistik Biner dan Metode Chaid. Jurnal Gaussian, 9(1) 64-74
  15. Utami, I.T. (2018). Perbandingan Kinerja Klasifikasi Support Vector Machine (SVM) dan Regresi Logistik Biner dalam Mengklasifikasikan Ketepatan Waktu Kelulusan Mahasiswa FMIPA UNTAD. Jaourmal Ilmiah Matematika dan Terapan, 15(2) 256-267.
  16. WHO. (2018). World Health Organization. Retrieved from www.who.int: https:// www.who.int/maternal_child_adolescent/ newborns/prematurity/en/.