PEMODELAN FAKTOR-FAKTOR YANG MEMPENGARUHI RUMAH TANGGA

MEMBUANG LIMBAH DOMESTIK DI SURABAYA TIMUR DENGAN REGRESI LOGISTIK & ALGORITMA GENETIKA

Oleh :YURIKO KUSUMAWATI (1309 100 002)

Dosen Pembimbing : Dr. Irhamah, S.Si, M.Si.

Ir. Eddy Setiadi Soedjono, M.Sc, Ph.D

JURUSAN STATISTIKAFAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT TEKNOLOGI SEPULUH NOPEMBER

PENDAHULUAN

TINJAUAN PUSTAKA

METODOLOGI PENELITIAN

ANALISIS DAN PEMBAHASAN

KESIMPULAN DAN SARAN

2

PENDAHULUAN

Latar BelakangRumusan Masalah

Tujuan Manfaat

Pendahuluan

4

negara dengan sistem pengelolaan air limbah

domestik (rumahtangga) / sanitasi

terburuk ketiga di Asia Tenggara

Sanitasi merupakanbagian dari sistem

pembuangan air limbahkhususnya mengangkutpembuangan air kotor

dari rumah tangga

air limbah harus dikelolauntuk mengurangi

pencemaran dan tidakmembahayakan kesehatan

lingkungan

Faktor-faktor yang mempengaruhirumah tangga

membuang limbahdomestik di

Surabaya Timur

RegresiLogistik Biner

AlgoritmaGenetika

RMSE

Latar BelakangRumusan Masalah

Tujuan Manfaat

5

Pendahuluan

1• Bagaimana karateristik limbah domestik yang

dibuang masyarakat di Surabaya Timur?

2

• Faktor-faktor apa saja yang mempengaruhirumah tangga membuang limbah domestik di Surabaya Timur?

3• Bagaimana perbandingan pemodelan antara

Regresi Logistik dengan Algoritma Genetika?

Latar BelakangRumusan Masalah

Tujuan Manfaat

6

Pendahuluan

1 • Mengetahui karateristik pembuangan limbahdomestik pada rumah warga di Surabaya Timur

2• MenerapkanRegresi Logistik untuk mengetahui

faktor-faktor yang mempengaruhi rumah tanggamembuang limbah domestik di Surabaya Timur

3• Menerapkan Algoritma Genetika untuk mengestimasi

parameter dari faktor-faktor yang mempengaruhi rumahtangga membuang limbah domestik di Surabaya Timur

4• Membandingkan hasil pemodelan antara Regresi

Logistik dan Algoritma Genetika

Latar BelakangRumusan Masalah

Tujuan Manfaat

7

Pendahuluan

Dari penelitian ini diharapkan dapat memberikan informasi ilmiah mengenai hasil pemodelan

antara Regresi Logistik dan Algoritma Genetikadari rumah tangga yang membuang limbah

domestik di Surabaya Timur

8

Latar BelakangRumusan Masalah

Tujuan Manfaat P

Pendahuluan

• (Nur’arif, 2008) Pengolahan Air Limbah Domestik (Studi Kasus di Kota PrayaKabupaten Lombok Tengah)

• (Rika, 2012) Analisis Faktor-Faktor yang Mempengaruhi Rumah Tangga OD (Open Defecation) Menggunakan Regresi Logistik Biner Study Kasus KabupatenBojonegoro

Sanitasi

• (Agista, 2012) Faktor-faktor yang mempengaruhi rumah tangga nelayanberperilaku hidup bersih dan sehat dengan analisis regresi logistik

• (Ayu, 2010) Analisis Regresi Logistik untuk mengetahui faktor-faktor yang mempengaruhi ketahanan pangan rumah tangga nelayan

RegresiLogistikBiner

• (Odik, 2012) Pemodelan Biaya Tak Langsung Proyek Konstruksi di PT. WijayaKaya dengan Algoritma Genetika untuk Pemodelan Regresi Non Linier

• (Febriana, 2010) Algoritma Genetika untuk Penaksiran Parameter ARIMA Musiman

AlgoritmaGenetika

9

Bata Tujuan Manfaat Penelitian Sebelumnya

Pendahuluan

Masalah pembuangan limbah domestik di Surabaya Timur yang akan dikaji melalui

survey lapangan. Variabel yang digunakanmeliputi faktor lingkungan, ekonomi, perilaku

masyarakat, dan pendidikan yang memungkinkan saling berkaitan

TINJAUANPUSTAKA

Uji IndependensiPengujian Parameter

11

Regresi Logistik Biner

H0 : variabel respon (y) dan variabel prediktor (x) independen H1 : variabel respon (y) dan variabel prediktor (x) dependen

(Hosmer and Lemeshow, 2000)

)1)(1(2

2

1 1 ..

..

~2−−

= =∑∑

−

= JI

I

i

J

j ji

jiij

nnn

nnn

nχχ

Statistik Uji

Tinjauan Pustaka

12

regresi logistik antara variabel respon dan variabel prediktor

0 dan 1

( ) yyyf −−= 1)1( ππfungsi probabilitas

(Agresti, 1990) y = 0 maka f(y) = 1-π y = 1 maka f(y) = π

Nilai fungsi logistiknya terletak antara 0 dan 1

( ) ( )( )pp

pp

xxxx

xβββ

βββπ

++++

+++=

...exp1...exp

110

110

(Hosmer dan Lemeshow, 2000)

ditransformasi

ppxxx

xxg βββπ

π+++=

−

= ...)(1

)(ln)( 110

Transformasi Logit

Uji IndependensiPengujian Parameter

Regresi Logistik Biner

Tinjauan Pustaka

13

Regresi Logistik Biner

Pengujian Parameter

Tinjauan Pustaka

variabel prediktor yang terdapat dalam model berpengaruh (koefisien bermakna) atau tidak terhadap variabel respon

1. Uji Serentak (Hosmer and Lemeshow, 2000)Hipotesis :H0 : H1 : paling tidak terdapat satu dengan k = 1, 2, …, p

021 ==== pβββ 0≠kβ

Statistik Uji :

∑=

=n

11 y

iin

( )∑=

−=n

10 y1

iin

10 nnn +=

dengan

tolak H0 jika : dengan p adalah derajat bebas banyaknya variabel prediktor atau nilai p-value <

),(2

pG αχ>

( )( )

0i

j

nn01

n 1 yy

1

nnn nG 2ln

ˆ ˆπ 1 π j

j jj

−

=

= −

−∑

α

14

Regresi Logistik Biner

Pengujian Parameter

Tinjauan Pustaka

variabel prediktor yang terdapat dalam model berpengaruh (koefisien bermakna) atau tidak terhadap variabel respon

2. Uji Parsial (Hosmer and Lemeshow, 2000)

Hipotesis :H0 : H1 : ,dengan k = 1, 2, …, p0≠kβ

0=kβ

Statistik Uji : atau( )k

k

seW

ββ

ˆˆ

= ( )22

2

ˆ

ˆ

k

k

seW

β

β=

2/αZW > )1,(22αχ>Wtolak H0 jika : atau

Regresi Logistik Biner

15

Pengujian Parameter

Uji Kesuaian Model

Tinjauan Pustaka

mengetahui apakah terdapat perbedaan yang nyata antara hasil observasi dengan prediksi model

Uji Hipotesis (Hosmer and Lemeshow, 2000)Hipotesis :H0 : model sesuai (tidak ada perbedaan yang nyata antara hasil observasi dengan hasil prediksi)H1 : model tidak sesuai (tidak ada perbedaan yang nyata antara hasil observasi dengan hasil prediksi)

Statistik Uji : dengan( )

( )∑= −

−=

g

k kkk

kkk

nnoC

1'

2'

1ˆ

πππ

∑∑ ===

'1

ˆ;

k

jjk

c

jjk n

myo

k ππ

tolak H0 jika : atau dengan g adalah jumlah variabel prediktor atau Tolak H0 jika P-value < α

( )2,2ˆ −> gC αχ

16

Tinjauan Pustaka

AlgoritmaGenetika

Algoritma Genetika digunakan untuk pembelajaran formal mengenaifenomena adaptasi yang terjadi di alam dan mengembangkan mekanismetentang adaptasi alami yang diterapkan dalam sistem komputer. AlgoritmaGenetika yang digagas oleh Holland adalah metode pemindahan kromosom

dari satu populasi ke populasi lain menggunakan seleksi alam denganoperator inspirasi genetik tentang cross over, mutasi dan inversi

(Mitchell, 1999)

Ada 7 komponen dalam Algoritma Genetika:1.Skema Pengkodean2. Nilai Fitnes3. Seleksi Orang Tua4. Pindah Silang (Crossover)5. Mutasi6. Elitisme7. Penggantian Populasi (Generational Replacement)

(Suyanto, 2005)

SanitasiModel sanitasi

jamban

17

Tinjauan Pustaka

Sanitasi adalah perilaku disengaja dalam pembudayaan hidup bersih dengan maksud

mencegah manusia bersentuhan langsung dengan kotoran dan bahan buangan berbahaya lainnya dengan harapan usaha ini akan menjaga

dan meningkatkan kesehatan manusia

Upaya sanitasi dasar meliputi:1. penyediaan air bersih2. pembuangan kotoran

manusia (feses)3. pengelolaan sampah4. saluran pembuangan

air limbah.

(Azwar,1995)

18

Model sanitasijamban

Sanitasi

Tinjauan Pustaka

1. Jamban leher angsa : bukan tipe jamban tersendiri tetapi modifikasi bentuk tempatduduk/jongkok(bowl), yaitu bentuk leher angsa yang dapat menyimpan air sebagai penutuphubungan antar bagian luar dengan tempat penampungan feses yang dilengkapi dengan penyekatair dan mencegah masuknya lalat.

2. Jamban cubluk : jamban kurang sempurna karena tanpa tutup, sehingga perlu ditutup agarmencegah masuknya lalat

3. Jamban plengsengan : dibagian tempat jongkok dibuat seng atau kaleng yang dibentuk sepertipipa yang masuk ke dalam lubang, tujuannya agar kotoran tidak langsung terlihat

19

Model sanitasijamban

Sanitasi

Tinjauan Pustaka

Septictank : bangunan pengolahan dan pengurai kotoran feses cara setempat (onsite) denganbantuan bakteri. Tangki dibuat kedap air agar tidak meresap ke dalam tanah dan akan mengalir keluarmelalui saluran yang disediakan. Septictank merupakan salah satu bentuk pengolahan air limbahsetempat yang umum digunakan di Indonesia dan direkomendasikan sebagai pilihan teknologi yangrelatif aman apabila memenuhi persyaratan tertentu.

METODOLOGI PENELITIAN

Sumber Data Variabel Penelitian

Metode Penelitian

21

Data Primer

rumah tangga membuang limbahdomestik blackwater (feses) di

Surabaya Timur

Langkah Analisis

Sumber Data Variabel Penelitian

Metode Penelitian

22

Langkah Analisis

7 Kecamatan

2 Kecamatan Purposis

Random7

Kelurahan13

Kelurahan

RumahTangga

102 Responden Random

Sumber Data Variabel Penelitian

Metode Penelitian

23

Langkah Analisis

Melakukan survey pendahuluansebanyak 60 responden di Kecamatan Sukolilo dan

Mulyorejo di semua Kelurahan(13 kelurahan)

Untuk survey selanjutnyasampel diambil menggunakan

klaster dan simpel random sampling untuk menentukan

responden

Sumber Data Variabel Penelitian

Metode Penelitian

24

Langkah Analisis

(Cochran, 1991)

Dimana :n = Jumlah rumah tangga (responden)B= Besar toleransi sampel (7%)Z1-α/2 = Nilai Z pada tingkat kepercayaan

α/2 (misalkan ditentukan α = 0,15)N= Jumlah populasi (jumlah kepala

keluarga dari Kelurahan yang terpilihsebesar 31168)

P= Proporsi yang mempunyai septictank(0,4)

Q= Proporsi yang tidak mempunyaiseptictank (0,6)

Kecamatan Kelurahan Terpilih Proporsi KK Terpilih

SukoliloKeputih

Gebang KeputihNginden Jangkungan

Semolowaru

0,130,080,160,19

1381619

MulyorejoMulyorejoKalisari

Kalijudan

0,180,150,13

181513

Jumlah Responden 102

25

Sumber Data Variabel Penelitian Langkah Analisis

Metode Penelitian

Variabel Respon (Y)Y=Pembuangan Air Limbah

Domestik blackwater (feses) yang dibuang oleh setiap rumah tangga

0 : ke septictank

1 : tidak ke septictank

26

Sumber Data Variabel Penelitian Langkah Analisis

Metode Penelitian

Variabel Prediktor(X)Variabel Keterangan

X1 = jumlah Anggota Keluarga 0 : <41 : >4

X2 = Pendidikan Kepala Keluarga 0 : ≤SD1 : SMP/Sederajat2 : SMA/Sederajat3: Diploma/Sarjana

X3 = Pekerjaan Kepala Keluarga 0 : PNS/BUMN1 : Karyawan Swasta2 : Wirausaha3 : Pertukangan

X4 = Pendapatan Kepala Keluarga 0 : < Rp 1.749.9991 : > Rp 1.750.000

X5 = Pengeluaran Rumah Tangga 0 : < Rp 1.749.9991 : > Rp 1.750.000

X6 = Status Kepemilikan Rumah 0 : Status Hak Milik(SHM)

1 : Kontrak/Kos2 : Milik Orangtua3 : Rumah Dinas

X7 = Lama Waktu Pengurasan 0 : <41 : >4

X8 = Jenis Kloset 0 : Kloset Duduk1 : Kloset Jongkok

X9 = Penyakit 0 : Diare (Sakit Perut)1 : Tipus2 : Demam Berdarah3 : Lainnya

X10 = Air Mandi dan Cuci 0 : Air Tanah/Sumur1 : PDAM

X11 = Perilaku Sanitasi 0 : Baik1 : Kurang Baik

27

Sumber Data Variabel Penelitian Langkah Analisis

Metode Penelitian

1. Membuat kuisoner untuk survey lapangan danmelakukan survey pendahuluan

2. Menghitung dengan menggunakan klaster dan simpelrandom sampling untuk mengetahui berapa kelurahanyang akan dipilih dan berapa banyak responden yangakan disurvey.

3. Mengentry data yang sudah didapatkan dari hasilsurvey.

4. Melakukan pengolahan data untuk melihat karateristikapa saja yang mempengaruhi rumah tanggamembuang limbah domestik di Surabaya Timur.

28

Sumber Data Variabel Penelitian Langkah Analisis

Metode Penelitian

Regresi Logistik1. Melakukan permodelan dengan Regresi Logistik

dengan menggunakan seluruh variabel prediktor.2. Melakukan pengujian parameter model Regresi

Logistik secara serentak maupun individu.3. Melakukan pengujian hipotesis untuk menentukan

apakah model Regresi Logistik telah sesuai atautidak.

4. Mencari model regresi terbaik dari faktor-faktorapa saja yang mempengaruhi rumah tanggamembuang limbah domestik di Surabaya Timur.

29

Sumber Data Variabel Penelitian Langkah Analisis

Metode Penelitian

tidak

Pindah silang

Mutasi

Selesai

Seleksi Individu baru dari induk dan anak yang terpilih dan Elitise

Seleksi denganRoulette Wheel

Mempresentasikan model kedalam kromosom dan insialisasi

Evaluasi kromosomberdasarkan fitness

Mulai

Apakah sudah memenuhi kriteria?

ANALISISDAN

PEMBAHASAN

Analisis dan Pembahasan

Karateristik Regresi LogistikAlgoritmaGenetika

66%

34%

Jumlah Anggota Keluarga

≤4 >4

Pembuangan Limbah

Totalke septictanktidak ke

septictankJumlah Anggota Keluarga

<4 Count 23 44 67% of Total 22,5% 43,1% 65,7%

>4 Count 9 26 35% of Total 8,8% 25,5% 34,3%

Total Count 32 70 102

% of Total 31,4% 68,6% 100,0%

26%

26%

39%

9%

Pendidikan Kepala Keluarga

tidak sekolah dan SD SMP SMA Diploma dan S1PembuanganLimbah

Totalke

septictank

tidak ke septictan

kPendidik

anCount 6 21 27

% of Total 5,9% 20,6% 26,5%

SMP Count 8 18 26% of Total 7,8% 17,6% 25,5%

SMA Count% of Total

1211,8%

2827,5%

4039,2%

>Diploma Count% of Total

65,9%

32,9%

98,8%

Total Count 32 70 102% of Total 31,4% 68,6% 100,0%

32

Analisis dan Pembahasan

Karateristik Regresi LogistikAlgoritmaGenetika

7%

26%

31%

36%

Pekerjaan Kepala Keluarga

PNS Karyawan Swasta Wiraswasta Pertukangan

Pembuangan Limbah

Totalke

septictanktidak ke

septictankPekerjaan PNS Count 6 1 7

% of Total 5,9% 1,0% 6,9%Karyawan

swastaCount 10 16 26

% of Total 9,8% 15,7% 25,5%Wiraswasta Count

% of Total8

7,8%24

23,5%32

31,4%Pertukangan Count

% of Total8

7,8%29

28,4%37

36,3%Total Count 32 70 102

% of Total 31,4% 68,6% 100,0%

40%

60%

Pendapatan Kepala Keluarga

<1.750.000 ≥1.750.000

PembuanganLimbah

Totalke

septictank

tidak ke septicta

nkPendapata

n<UMR Count 7 34 41

% of Total 6,9% 33,3% 40,2%

>UMR

Count 25 36 61

% of Total 24,5% 35,3% 59,8%

Total Count 32 70 102

% of Total 31,4% 68,6% 100,0% 33

Analisis dan Pembahasan

Karateristik Regresi LogistikAlgoritmaGenrtika

77%

23%

Pengeluaran Rumah Tangga

<1.750.000 ≥1.750.000

Pembuangan Limbah

Totalke septictanktidak ke

septictankPengeluaran < UMR Count 19 60 79

% of Total 18,6% 58,8% 77,5%

≥UMR Count 13 10 23

% of Total 12,7% 9,8% 22,5%

Total Count 32 70 102

% of Total 31,4% 68,6% 100,0%

53%27%

18%

2%

Status Kepemilikan Rumah

SHM Kontrak/Kos Milik Orangtua Rumah Dinas

‘Pembuangan Limbah

Totalke

septictanktidak ke

septictankStatus

Kepemilikan Rumah

SHM Count 17 37 54

% of Total 16,7% 36,3% 52,9%

Kontrak/Kos

Count 7 21 28

% of Total 6,9% 20,6% 27,5%

Milik orangtua

Count% of Total

65,9%

1211,8%

1817,6%

Rumah dinas

Count% of Total

22,0%

00,0%

22,0%

Total Count 32 70 102

% of Total 31,4% 68,6% 100,0% 34

Analisis dan Pembahasan

Karateristik Regresi LogistikAlgoritmaGenetika

19%

76%

5%

Lama Waktu Pengurasan

≤4 >4 belum pernah

Pembuangan Limbah

Totalke

septictanktidak ke

septictankLamaWaktu

pengurasan

Belum pernah

Count 0 5 5% of Total 0,0% 4,9% 4,9%

≤4tahun Count 8 11 19

% of Total 7,8% 10,8% 18,6%

>4tahun Count% of Total

2423,5%

5452,9%

7876,5%

Total Count 32 70 102

% of Total 31,4% 68,6% 100,0%

10%

90%

Jenis Kloset

kloset duduk kloset jongkok

Pembuangan Limbah

Totalke

septictanktidak ke

septictankJeniskloset

Klosetduduk

Count 4 6 10

% of Total 3,9% 5,9% 9,8%

Klosetjongkok

Count 28 64 92

% of Total 27,5% 62,7% 90,2%

Total Count 32 70 102

% of Total 31,4% 68,6% 100,0% 35

Analisis dan Pembahasan

Karateristik Regresi LogistikAlgoritmaGenetika

30%

16%8%

46%

Penyakit yang Pernah dialami Anggota Keluarga

Diare Tipus Demam berdarah Lainnya

Pembuangan Limbah

Totalke septictanktidak ke

septictankPenyakit Diare Count 10 21 31

% of Total 9,8% 31,4% 30,4%

Tipus Count 1 15 16

% of Total 1,0% 14,7% 15,7%Demam Berdarah

Count% of Total

11,0%

76,9%

87,8%

Lain-lain Count% of Total

2019,6%

2726,5%

4726,1%

Total Count 32 70 102% of Total 31,4% 68,6% 100,0%

24%

76%

Air Mencuci dan Mandi

Air Tanah/Sumur PDAM

Pembuangan Limbah

Totalke

septictanktidak ke

septictankAir mandi cuci Air

tanah/sumur

Count 9 15 24

% of Total 8,8% 14,7% 23,5%

PDAM Count 23 55 78

% of Total 22,5% 53,9% 76,5%

Total Count 32 70 102

% of Total 31,4% 68,6% 100,0%

36

Analisis dan Pembahasan

Karateristik Regresi LogistikAlgoritmaGenetika

41%

59%

Perilaku Sanitasi

baik kurang baik

Pembuangan Limbah

Totalke

septictanktidak ke

septictankPerilakusanitasi

Baik Count 20 22 42

% of Total 19,6% 21,6% 41,2%

Kurangbaik

Count 12 48 60

% of Total 11,8% 47,1% 58,8%

Total Count 32 70 102

% of Total 31,4% 68,6% 100,0%

37

Analisis dan Pembahasan

Statistika Deskriptif

Regresi Logistik Neural Network

Variabel Pearson Chi-Square

Df P-Value Keputusan

Jumlah keluarga 0,792 1 0,373 Gagal Tolak H0 Pendidikan 6,297 3 0,098 Gagal Tolak H0 Pekerjaan 12,445 3 0,006* Tolak H0

Pendapatan 6,511 1 0,011* Tolak H0 Pengeluaran 8,724 1 0,003* Tolak H0 Status rumah 4,936 3 0,177 Gagal Tolak H0

Waktu pengurasan 3,315 2 0,191 Gagal Tolak H0 Jenis kloset 0,383 1 0,536 Gagal Tolak H0

Penyakit 8,754 3 0,033* Tolak H0 Air mandi cuci 0,547 1 0,459 Gagal Tolak H0

Perilaku sanitasi 8,753 1 0,003* Tolak H0

Uji Independensi

*) Signifikan pada α 5 %38

HipotesisH0 : Variabel Xi dan Y saling bebas (tidak ada hubungan antara Xi dan Y)H1 : Variabel Xi dan Y tidak saling bebas (ada hubungan antara Xi dan Y)dimana i = 1,2,3,…,11

Analisis dan Pembahasan

Statistika Deskriptif

Regresi Logistik Neural Network

Uji Serentak

HipotesisH0 : β1 = β2 = ........ = βi =0 H1 : paling sedikit ada satu βi≠0

Chi-square df Sig.Step 1 Step 36,641 9 0,000

Blok 36,641 9 0,000Model 36,641 9 0,000

Keputusan : tolak Ho, karena p-value < 0,05.Artinya terdapat satu atau lebih parameter-parameter variabel prediktor yang signifikan

39

40

Analisis dan Pembahasan

Statistika Deskriptif

Regresi Logistik Neural Network

Uji ParsialHipotesisH0 : βj = 0H1 : βj ≠ 0 dengan j = 1,2,…,5

*) Signifikan pada α 5 %

Variabel β Wald P-Value Exp(β)

pekerjaanpekerjaan(1)*pekerjaan(2)pekerjaan(3)Constant

-3,080-0,8180,1891,288

8,4377,1522,0770,11010,400

0,0380,007*0,1490,7400,001

0,0460,4410,8283,625

Pendapatan(1)*Constant

1,2160,365

6,1581,962

0,013*0,161

3,3731,440

pengeluaran(1)*Constant

1,412-0,262

8,1000,421

0,004*0,533

4,1050,769

Penyakitpenyakit(1)penyakit(2)*penyakit(3)Constant

0,4222,4081,6460,300

6,8990,8325,0262,2021,035

0,0750,3620,025*0,1380,309

1,55611,1115,1851,350

perilaku_sanitasi(1)*Constant

-1,2911,386

8,34918,449

0,004*0,000

0,2754,000

41

Analisis dan Pembahasan

Statistika Deskriptif

Regresi LogistikAlgoritmaGenetika

Variabel β Wald P-Value Exp(β)

Pengeluaran(>1.750.000) 1,625 5,679 0,017* 5,078

Penyakit 11,440 0,010

Penyakit(paratipus) 1,612 5,385 0,020* 5,014

Penyakit(demam berdarah) 3,467 8,322 0,004* 32,029

Penyakit(lainnya) 2,021 2,510 0,113 7,545

Perilaku_sanitasi(kurang baik) -1,444 6,740 0,009* 0,236

Constant -0,682 0,822 0,365 0,506

odds ratio :• PengeluaranPengeluaran rumah tangga diatas Rp 1.750.000 cenderung tidak menggunakan tangkiseptik untuk membuang limbah blackwater (feses) 5,078 kali dibandingkan yang pengeluar-annya dibawah Rp 1.750.000.• PenyakitPenyakit paratipus cenderung menyerang keluarga yang tidak menggunakan tangkiseptik untuk membuang limbah black-water (feses) 5,014 kali begitu juga dengan demamberdarah 32,029 kali dibandingkan penyakit diare.• Perilaku SanitasiRumah tangga yang mempunyai perilaku sanitasi yang tidak baik cenderung tidakmempunyai tangki septik untuk mem-buang limbah domestik blackwater (feses) 0,236 kali di-bandingkan yang mempunyai perilaku sanitasi baik.

Pembentukan Model Regresi Logistik Biner

*) Signifikan pada α 5 %

Analisis dan Pembahasan

Statistika Deskriptif

Regresi LogistikAlgoritmaGenetika

Uji Kesesuaian ModelHipotesisH0 : model sesuai (tidak terdapat perbedaan yang nyata antara observasi dengan prediksi model)H1 : model tidak sesuai (terdapat perbedaan yang nyata antara observasi dengan prediksi model)

Kesimpulan : gagal tolak Ho, dimana p-value > 0,05 dan (11,070)Artinya model sesuai atau tidak terdapat perbedaan yang nyata antara obeservasi dan prediksi model

Chi-Square df Pvalue

8,521 8 0,384

Observed

PredictedPembuangan blacwater

(feses)Percentage

Correcttidak ke septictank

Ke septictank

Pembuanganblackwater(feses)

ke septictanktidak ke septictank

20

11

12

59

62,5

84,3

Overall Percentage 77,5

Ketepatan Klasifikasi Model

43

25;05,0

ˆ χC <

44

Analisis dan Pembahasan

Statistika Deskriptif

Regresi LogistikAlgoritmaGenetika

Representasi dan Insialisasi

Fungsi Objektif dan Nilai Fitness

β0 β1 β2 β3 β4

Kromosom -0,682 1,625 1,612 3,467 -1,444

Individu Kromosom Nilai Fitness

1

2

100

-0,7636 -0,6531 -0,5866 0,4156 0,1462

-0,7637 -1,0925 -0,5808 0,4157 0,1463

-0,2848 -1,1328 -0,4695 0,7826 -1,2779

0,4319 0,4375 1,3946

Analisis dan Pembahasan

Statistika Deskriptif

Regresi LogistikAlgoritmaGenetika

Seleksi Roullete Wheel

Kromosom Fitness Relatif (rk) Fitness Kumulatif (kk)1 0,00445 0,004452 0,00451 0,00896

100 0,0143 1

r1 = Fitness1/Total Fitness = 0,00445r2 = Fitness2/Total Fitness = 0,00451

k1 = r1 = 0,00445k2 = r1 = 0,00896

No BilanganRandom

1 0,00332

2 0,00899

100 0,01952

Bilangan acak pertama : 0,00332 < k1 sehingga kromosom1 terpilih sebagai kromosom baru

45

46

Analisis dan Pembahasan

Statistika Deskriptif

Regresi LogistikAlgoritmaGenetika

Individu Kromosom

Induk 1 -0,7636 -0,6531 -0,5866 0,4156 0,1462

Induk 2 -0,7637 -1,0925 -0,5808 0,4157 0,1463

Pindah Silang

Individu Kromosom

Anak 1 -0,7636 -0,6531 -0,5808 0,4157 0,1463

Anak 2 -0,7637 -1,0925 -0,5866 0,4156 0,1462

Single-Point Cross

Analisis dan Pembahasan

Statistika Deskriptif

Regresi LogistikAlgoritmaGenetika

Hasil Estimasi TerbaikParameter RMSE

β0 = -0,7636β1 = -0,6531β2 = -0,5866β3 = 0,4156β4 = 0,1462

0,4319

Hasil Estimasi Parameter

Perbandingan Metode

Metode RMSERegresi

Logistik Biner0,4749

AlgoritmaGenetika

0,4319

47

KESIMPULANDAN SARAN

Kesimpulandan Saran

Kesimpulan Saran

1. Karateristik rumah tangga di tujuh Kelurahan yaitu KelurahanKeputih, Kelurahan Gebang Putih, Kelurahan NgindenJangkungan, Kelurahan Semolowaru, KelurahanMulyorejo, Kelurahan Kalisari, dan Kelurahan Kalijudan rata-ratabelum menggunakan tangki septik untuk membuang limbahdomestik blackwater (feses) dengan prosentase 69% dan yangsudah menggunaka tangki septik mempunyai prosentase 31%.

2. Peluang rumah tangga tidak mempunyai tangki septik untukmembuang blackwater (feses) sebesar 0,989 dan tergolongrumah tangga yang mempunyai tangki septik sebesar 0,011.Misalkan ada 1000 rumah tangga, sebanyak 989 rumah tanggatidak mempunyai tangki septik dan 11 rumah tangga mempunyaitangki septik.

3. Dari hasil perbandingan model dengan melihat nilai RMSE (RootMean Square Error) dari regresi logistik biner dan algoritmagenetika, diketahui bahwa hasil RMSE (Root Mean Square Error)dari algoritma genetika lebih kecil yaitu 0,4319 daripada regresilogistik biner sebesar 0,4749. Sehingga metode yang lebih baikadalah algoritma genetika.

49

Kesimpulandan Saran

Kesimpulan Saran

Untuk penelitian selanjutnya sebaiknyamenambahkan variabel-variabel yang

berhubungan dengan sanitasi dan metode yang digunakan lebih sesuai untuk mengetahui

pemodelan yang tepat untuk mencari klasifikasidan mengestimasi parameter

50

51

Daftar Pustaka

Daftar Pustaka

Agresti, A. 1990. Categorical Data Analysis. New York: John Wiley and son.Azwar, A. 1995. Pengantar Ilmu Kesehatan Lingkungan. Jakarta ; PT. Mutiara

Sumber Widya.Cochran, G. W. 1991. Teknik Pengambilan Sampel (Terjemahan) Jilid III.

Jakarta: UI-Press Depkes, RI. 2008. Retrieved Agustus 29, 2012, from

http://www.depkes.go.id/downloads/pedoman_stbm.pdfDesiani, A., dan Arhami, M., 2006. Konsep Kecerdasan Buatan. Yogyakarta:

Andi Offset Febriana, P. D. 2010. Identifikasi Model Arima Box-Jenkis Campuran dengan

Metode Algoritma Genetika. Surabaya: ITSHosmer, D., & Lemeshow. 2000. Applied Logistic Reggreaion. USA: John

Wiley and Sons.Haupt, S. E. dan Haupt, R. L. 2004. Practical Genetic Algorithms. New

Jersey: A John Wiley & Sons Inc.Mitchell, M. 1999. An Introduction to Genetic Algoritms. London: Cambridge.Mubarok. 2009. Ilmu Kesehatan Masyarakat. Jakarta: Salemba Medika.Notoatmodjo. 2003. Metedologi Penelitian Kesehatan. Jakarta: PT Rineka

Cipta.

52

Daftar Pustaka

Daftar Pustaka

Nur'arif, M. 2008. Pengolahan Air Limbah Domestik (Studi Kasus di Kota Praya Kabupaten Lombok Tengah). Semarang: UniversitasDiponegoro

Odik, F. J. 2012. Pemodelan Biaya Tak Langsung Proyek Konstruksi di PT Wijaya Karya (Studi Kasus: Proyek Konstruksi di ProvinsiKalimantan Timur). Surabaya: ITS

PDII-LIPI. 1991. Panduan Air dan Sanitasi. Jakarta: Swiss Development Cooperation.

Rika, S. A. 2012. Faktor-Faktor yang Mempengaruhi Rumah Tangga OD (Open Defecation Menggunakan Regresi Logistik Biner StudiKasus Kabupaten Bojonegoro. Surabaya: ITS

Singarimbun. 1989. Metode Penelitian Survey. Surabaya: LP3ES.Sivanandam, S.N., dan Deepa, S.N. 2008. Introduction to Genetic Algorithms.

Berlin Heidelberg New York: Springer.Sugiharto. 1987. Dasar - Dasar Pengolahan Air Limbah. Jakarta : Penerbit

Universitas Indonesia.Suyanto. 2005. Algoritma Genetika Dalam Matlab. Yogyakarta: Andi offset.

“Sesungguhnya sesudah kesulitan itu ada kemudahan, maka apabila kamu telah selesai (dari suatu urusan) kerjakanlahdengan sesungguhnya (urusan) yang lain dan hanya kepada Tuhanmulah hendaknya kamu berharap.” (Al-insyiroh: 6-8)

TERIMA KASIH