Analisis Faktor-Faktor yang Menjelaskan Kesediaan Melakukan Vaksinasi COVID-19 pada Mahasiswa FMIPA UI

Authors

  • Melissa Melyana Prodi Statistika FMIPA Universitas Indonesia
  • Rianti Setiadi Prodi Statistika FMIPA Universitas Indonesia
  • Yekti Widyaningsih Prodi Statistika FMIPA Universitas Indonesia

DOI:

https://doi.org/10.1234/pns.v10i.69

Keywords:

classification tree, cost matrix, purposive sampling

Abstract

Coronavirus Disease 2019 (COVID-19) merupakan penyakit yang telah menyebar secara meluas di berbagai negara, termasuk Indonesia. Berdasarkan Peraturan Pemerintah Nomor 99 Tahun 2020, salah satu bentuk penanganan kasus COVID-19 di Indonesia adalah pelaksanaan vaksinasi COVID-19 yang bertujuan untuk membentuk kekebalan kelompok pada masyarakat Indonesia. Kesediaan seseorang dalam melakukan vaksinasi COVID-19 menjadi hal yang penting dalam menyukseskan program vaksinasi COVID-19. Penelitian ini bertujuan menganalisis faktor-faktor yang dapat menjelaskan kesediaan melakukan vaksinasi COVID-19 agar dapat dilakukan penggalakan program vaksinasi COVID-19 dengan tepat. Metode statistika yang digunakan dalam penelitian ini adalah Classification Tree. Data yang digunakan merupakan data primer yang diperoleh melalui kuesioner dengan sampel berukuran 278 mahasiswa FMIPA UI dan teknik sampling yang digunakan dalam pengambilan sampel adalah purposivesampling. Dari 278 mahasiswa yang menjadi sampel, 223 di antaranya bersedia melakukan vaksinasi, sedangkan 55 lainnya tidak bersedia divaksinasi. Terlihat bahwa data tidak seimbang sehingga perlu dilakukan strategi menyeimbangkan data dengan menggunakan Cost Matrix. Hasil analisis dari penelitian ini menunjukkan bahwa faktor-faktor yang dapat menjelaskan kesediaan melakukan vaksinasi COVID-19 adalah keraguan terhadap dampak vaksinasi COVID-19, persepsi terhadap kebergunaan vaksinasi COVID-19, pengetahuan terhadap vaksin COVID-19, adanya riwayat komorbid, pengetahuan terhadap COVID-19, dan provinsi tempat tinggal

Downloads

Download data is not yet available.

References

Centers for Disease Control and Prevention. (2021, 01 Maret). Frequently Asked Questions: “What is COVID-19?”. Diakses pada 08 Maret 2021, dari https://www.cdc.gov/coronavirus/2019-ncov/faq.html#Basics

World Health Organization. (2020, 29 Juni). Listings of WHO’s response to COVID-19. Diakses pada 08 Maret 2021, dari https://www.who.int/news/item/29-06-2020-covidtimeline

National Public Radio. (2021, 28 Februari). Coronavirus World Map: We've Now Passed The 100 Million Mark For Infections. Diakses pada 08 Maret 2021, dari https://www.npr.org/sections/goatsandsoda/2020/03/30/822491838/coronavirus-world-map-tracking-the-spread-of-the-outbreak

World Health Organization. (2021, 15 Oktober). WHO Coronavirus (COVID-19) Dashboard. Diakses pada 17 Oktober 2021, dari https://covid19.who.int/

Republik Indonesia. 2020. Peraturan Pemerintah Republik Indonesia No. 99 Tahun 2020 tentang Pengadaan Vaksin dan Pelaksanaan Vaksinasi dalam Rangka Penanggulangan Pandemi Corona Virus Disease 2019 (COVID-19). Lembaraan Negara RI Tahun 2020, No. 227. Sekretariat Negara. Jakarta.

Penanganan COVID-19 dan Pemulihan Ekonomi Nasional. (2021, 20 Januari). Inilah Tahapan Vaksinasi COVID-19. Diakses pada 08 Maret 2021, dari https://covid19.go.id/masyarakat-umum/inilah-tahapan-vaksinasi-covid-19-2

Penanganan COVID-19 dan Pemulihan Ekonomi Nasional. (2020, 17 November). Survei Tunjukkan Mayoritas Masyarakat Indonesia Bersedia Menerima Vaksin COVID-19. Diakses pada 05 Maret 2021, dari https://covid19.go.id/berita/survei-tunjukkan-mayoritas-masyarakat-indonesia-bersedia-menerima-vaksin-covid-19

Delalieux, S., Van Aardt, J. A. N., Keulemans, W., Schrevens, E., & Coppin, P. (2007). Detection of biotic stress (Venturia inaequalis) in apple trees using hyperspectral data: Non-parametric statistical approaches and physiological implications. European Journal of Agronomy, 27(1), 130-143.

Linden, A., & Yarnold, P. R. (2017). Using classification tree analysis to generate propensity score weights. Journal of Evaluation in Clinical Practice, 23(4), 703-712.

Linden, A., & Yarnold, P. R. (2018). Identifying causal mechanisms in health care interventions using classification tree analysis. Journal of evaluation in clinical practice, 24(2), 353-361.

Weiss, G. M., & Provost, F. (2003). Learning when training data are costly: The effect of class distribution on tree induction. Journal of artificial intelligence research, 19, 315-354.

Fernández, A., García, S., Galar, M., Prati, R. C., Krawczyk, B., & Herrera, F. (2018). Learning from Imbalanced Data Sets. New York: Springer International Publishing

Landreneau, K. J., & Creek, W. (2009). Sampling strategies. Available on: http://www. natco1. org.

Mathieson, K. (2014). Making sense of biostatistics: types of nonprobability sampling. J Clin Res Best Pract, 10(10), 1-2.

Etikan, I., Musa, S. A., & Alkassim, R. S. (2016). Comparison of convenience sampling and purposive sampling. American journal of theoretical and applied statistics, 5(1), 1-4.

Rai, N., & Thapa, B. (2015). A study on purposive sampling method in research. Kathmandu: Kathmandu School of Law.

Song, Y. Y., & Ying, L. U. (2015). Decision tree methods: applications for classification and prediction. Shanghai archives of psychiatry, 27(2), 130.

Strobl, C., Boulesteix, A. L., & Augustin, T. (2007). Unbiased split selection for classification trees based on the Gini index. Computational Statistics & Data Analysis, 52(1), 483-501.

Rokach, L., & Maimon, O. (2013). Data Mining with Decision Tree: Series in Machine Perception and Artificial Intelligence. Singapore: World Scientific

Ling, C. X., & Sheng, V. S. (2008). Cost-sensitive learning and the class imbalance problem. Encyclopedia of machine learning, 2011, 231-235.

Turney, P. D. (2002). Types of cost in inductive concept learning. arXiv preprint cs/0212034.

Ting, K. M. (1998, September). Inducing cost-sensitive trees via instance weighting. In European symposium on principles of data mining and knowledge discovery (pp. 139-147). Springer, Berlin, Heidelberg.

Hermawanti, L. (2012). Penerapan Algoritma Naive Bayes Untuk Deteksi Bakteri E-Coli. Tatal, 8(1), 17-23.

Ruuska, S., Hämäläinen, W., Kajava, S., Mughal, M., Matilainen, P., & Mononen, J. (2018). Evaluation of the confusion matrix method in the validation of an automated system for measuring feeding behaviour of cattle. Behavioural processes, 148, 56-62.

Downloads

Published

2021-12-30

How to Cite

Melyana, M. ., Setiadi, R. ., & Widyaningsih, Y. . (2021). Analisis Faktor-Faktor yang Menjelaskan Kesediaan Melakukan Vaksinasi COVID-19 pada Mahasiswa FMIPA UI. Prosiding Seminar Nasional Statistika, 10, 8–18. https://doi.org/10.1234/pns.v10i.69