KLASIFIKASI PASIEN HASIL PAP SMEAR TEST
|
|
- Suparman Gunardi
- 6 tahun lalu
- Tontonan:
Transkripsi
1 KLASIFIKASI PASIEN HASIL PAP SMEAR TEST SEBAGAI PENDETEKSI AWAL UPAYA PENANGANAN DINI PADA PENYAKIT KANKER SERVIKS DI RS. X SURABAYA DENGAN METODE BAGGING LOGISTIC REGRESSION Oleh : Ida Ayu Sevita Intansari ( ) Dosen Pembimbing : Santi Wulan Purnami, S.Si, M.Si, Ph.D Ir. Sri Pingit Wulandari, M.Si Seminar HasilTugas Akhir Jurusan Statistika FMIPA ITS Gedung H lantai 2 1
2 OUTLINE 2
3 Latar Belakang PENDAHULUAN Permasalahan Penelitian Batasan Masalah Tujuan Manfaat 3
4 LATAR BELAKANG Menurut WHO, Indonesia adalah negara penderita kanker serviks nomor 1 di Dunia Penyebab KEMATIAN no.2 bagi wanita Angka kejadian 74% dibanding kanker ginekologi lainnya KANKER SERVIKS wanita/tahun didiagnosa menderita Kanker Serviks, dan 60% diantaranya meninggal dunia Cenderung timbul pada usia tahun, dapat juga pada usia yang lebih muda Disebabkan oleh virus HPV (Human Papillomavirus) Pencegahan awal dengan melakukan skrining Pap Smear Test 4
5 Latar Belakang Penelitian mengenai klasifikasi pasien hasil Pap Smear Test pernah dilakukan oleh Yastuti (2011) dengan pendekatan Bagging MARS Hasilnya : kesalahan klasifikasi untuk pasien hasil Pap Test di RS X Surabaya tahun sebesar 20,33% dan sisanya 79,67% terklasifikasikan sesuai dengan data asli Penelitian menggunakan metode Bagging Logistic Regression pernah dilakukan oleh Ningrum, E.S. (2011) untuk mengklasifikasikan kesejahteraan rumah tangga di Kota Malang, hasil kesimpulan penelitian tersebut menunjukkan bahwa nilai ketepatan klasifikasinya sebesar 97,8% menjadi 98% setelah dilakukan bagging Penelitian kali ini dilakukan pada data RS X Surabaya menggunakan Bagging Logistic Regression. 5
6 Permasalahan Penelitian 1 2 Bagaimana karakteristik pasien berdasarkan faktor-faktor resiko penyebab kanker serviks? Bagaimana pengaruh serta pola hubungan antara faktorfaktor resiko hasil Pap Smear Test penyakit kanker serviks dengan pendekatan analisis Bagging Logistik Regression? 3 Bagaimana ketepatan klasifikasi hasil Pap Smear Test berdasarkan pendekatan Bagging Regresi Logistik? 6
7 Tujuan Penelitian 7
8 MANFAAT 1 Menambahkan wawasan keilmuan dalam pengembangan dan penerapan metode Bagging Logistic Regression khususnya dalam bidang kesehatan. 2 Memberikan informasi tentang faktor resiko yang berkontribusi terhadap klasifikasi pasien sehingga menjadi perhatian untuk mengurangi faktor resiko tersebut 3 Meminimumkan kesalahan klasifikasi pasien hasil Pap Smear Test penyakit kanker serviks dari model yang diperoleh 8
9 Batasan Penelitian Data yang digunakan data sekunder yang diperoleh dari RS. X Surabaya berupa data anamesa Bagian Riset dan Pengembangan RS. X tahun Data mengenai hasil Pap Smear Test pasien dan faktor-faktor yang diduga mempengaruhi penyakit kanker serviks. 9
10 Statistika Deskriptif Analisis Regresi Logistik Biner Interpretasi Model TINJAUAN PUSTAKA Prosedur Klasifikasi Bootstrap Aggregating (Bagging) Estimasi Bagging Class Probability Kanker Serviks Faktor Resiko Kanker Serviks Pemeriksaan Diagnostik 10
11 Statistika Deskriptif STATISTIKA DESKRIPTIF metode yang digunakan untuk mendeskripsikan data, meliputi pengumpulan, pengorganisasian, serta penyajian data dengan menggunakan ukuran pemusatan, ukuran keragaman, ukuran bentuk, dan ukuran relatif sehingga dapat memberikan informasi yang jelas, berguna, dan mudah dimengerti. Penyajian data secara deskriptif dapat dijelaskan dalam bentuk tabel, grafik, diagram, plot, serta besaran lainnya (Walpole, 1995). 11
12 Analisis Regresi Logistik Biner REGRESI LOGISTIK BINER Dalam model statistika dengan dua kategori, dengan variabel respon mengandung unsur sukses atau gagal. Data biner ini merupakan bentuk paling sederhana dari data kategori. Model yang paling sering digunakan untuk data dua kategori adalah regresi logistik biner (Agresti, 1990). π(x) e 1 β e 0 β β 0 1 x 1 β β 1 x 1 2 x β β x 2 i x i... β i x i Dengan menggunakan transformasi logit dari π(x) regresi fungsi logit dapat didefinisikan sebagai berikut, maka model 12
13 Penaksiran Parameter Definisi Menurut Hosmer dan Lemeshow (2000), metode estimasi yang digunakan dalam model regresi linear adalah maximum likelihood. Fungsi likelihood dalam metode ini merupakan fungsi peluang pengamatan untuk memperoleh taksiran parameter yang tidak diketahui. Parameter model regresi logistik dinotasikan yaitu : β β 0 β1... β p 13
14 Pengujian Parameter Model Regresi Logistik UJI SERENTAK untuk mengetahui signifikansi parameter terhadap variabel respon secara keseluruhan. Pengujian signifikansi parameter tersebut menggunakan statistik uji G, dimana statistik uji G mengikuti distribusi Chi-Square dengan derajat bebas satu (Hosmer dan Lemeshow, 2000). Hipotesis yang digunakan: H 0 : H 1 : paling sedikit ada satu β i 0, dengan i = 1, 2,, p Taraf Signifikan : 0,05 Statistik Uji : G 2ln n i1 n n πˆ 1 y i i n i n n 0 1y i 1 πˆ i n 0 Daerah penolakan : tolak Ho jika G χ 2 (v,α) dengan derajat bebas v. n n n 1 1 y i i1 n n 1 n 0 n 0 y i i1 14
15 Pengujian Parameter Model Regresi Logistik UJI INDIVIDU Untuk menguji pengaruh setiap secara individual. Hasil pengujian secara individual akan menunjukkan apakah suatu variabel prediktor layak untuk masuk dalam model atau tidak. Hipotesis yang digunakan adalah H 0 : β = 0 H 1 : β i 0, dengan i = 1, 2,, p i Taraf Signifikan : 0,05 Statistik Uji : Statistik Uji Wald W βˆ i SE(βˆ i ) Daerah penolakan : tolak Ho jika. W Z α/2 15
16 UJI KESESUAIAN MODEL Setelah estimasi model regresi logistik diperoleh, selanjutnya menguji seberapa besar keefektifan model dalam menjelaskan variabel respon. Menurut Hosmer and Lemeshow (2000) hal demikian disebut sebagai goodness-of-fit (kesesuaian model). Adapun hipotesis yang digunakan adalah : H 0 : model sesuai H 1 : model tidak sesuai Statistik uji yang digunakan untuk menguji kesesuaianmodel adalah Chi- Square dari Hosmer dan Lemeshow test. Ĉ g k1 o n' k k n' π k k 1 π 2 Daerah penolakan : tolak Ho jika χ 2 2 hitung > χ (db,α) π k k 16
17 Interpretasi Model Untuk regresi logistik dengan variabel prediktor bersifat dikotomus, nilai x dikategorikan 0 atau 1 Variabel respon y = 1 y = 0 π 1 1- π 1 Variabel Prediktor x = 1 x = 0 β exp 1 exp 0 β β 0 1 β 1 1 exp β 0 β 1 Sumber: Hosmer and Lemeshow, π 1- π 0 0 exp β 0 1 exp β 1 1 exp 0 β 0 17
18 Interpretasi Model Odds ratio, dinotasikan ψ, didefinisikan sebagai ratio odds untuk x = 1 terhadap odds untuk x = 0, yang dapat dituliskan ψ π(1)/1 π(0)/1 π(1) π(0) ψ exp(β 0 β1) 1 1 exp(β 0 β1) 1 exp(β exp(β 0 ) 1 1 exp(β 0 ) 1 exp(β 0 β 0 1 ) ) exp(β 0 β1) exp(β 1 ) exp(β ) 0 Dari persamaan di atas, odds rasio berarti rata-rata besarnya kecenderungan variabel respon bernilai tertentu jika x = 1 dibandingkan jika x = 0 (Hosmer dan Lemeshow, 2000). 18
19 Prosedur Klasifikasi Evaluasi prosedur klasifikasi adalah suatu evaluasi yang melihat peluang kesalahan klasifikasi yang dilakukan oleh suatu fungsi klasifikasi (Johnson dan Wichern, 1992). Hasil Observasi Taksiran y 1 y 2 y 1 n 11 n 12 y 2 n 21 n 22 Keterangan : n 11 = Jumlah subjek dari y 1 tepat diklasifikasikan sebagai y 1 n 12 = Jumlah subjek dari y 1 salah diklasifikasikan sebagai y 2 n 21 = Jumlah subjek dari y 2 salah diklasifikasikan sebagai y 1 n 22 = Jumlah subjek dari y 2 tepat diklasifikasikan sebagai y 2 APER (%) = n 11 n n n n n 22 19
20 Bootstrap Agregating (Bagging) Metode bagging pertama kali digunakan oleh Breiman (1994). Bagging digunakan sebagai alat untuk memperbaiki stabilitas dan kekuatan prediksi dengan cara mereduksi variansi dari suatu prediktor. Bagging prediktor adalah metode untuk membangkitkan multiple version dari prediktor dan menggunakannya untuk aggregate prediktor. Bagging bekerja dengan baik pada metode klasifikasi yang menghasilkan parameter yang tidak stabil, dimana perubahan kecil pada data set akan menghasilkan perubahan besar pada model yang diperoleh (Breiman, 1994). Aggregate classifier atau metode klasifikasi agregat µ A diberikan secara umum dalam : µ A (y) = E F [(y, k )] Untuk setiap resampel bootstrap dari dihitung : (*b) (y, k (*b) ), b = 1,..., B dan kemudian menaksir classifier sebagai berikut. A(y) = [(y, k* )] (Dias dan Vermunt, 2005). 20
21 Estimasi Bagging Class Probability Selama ini bukti-bukti mengindikasikan bahwa bagged menaksir lebih akurat daripada penaksir tunggal. Untuk menguji pernyataan ini dilakukan perbandingan estimasi *(jx) dari nilai sebenarnya. Perbandingan dilakukan dengan membandingkan prediksi error dari hasil model tunggal sebagai berikut. e S = (jx) p*(jx) dimana (jx) adalah penaksir peluang dari model tunggal dan p*(jx) adalah peluang sebenarnya. Sedangkan untuk model hasil bagging, pada setiap iterasi bootstrap dilakukan perhitungan prediksi error. e B = B (jx) p*(jx) dimana B (jx) penaksir dari peluang pada setiap replikasi, sehingga prediksi error dari model bagging merupakan hasil rata-rata prediksi error pada setiap pengambilan sampel pada setiap B replikasi bootstrap (Breiman, 1994). 21
22 Algoritma Bagging untuk Regresi Logistik Biner 1. Mengambil sampel bootstrap sebanyak n dari data set dengan pengulangan sebanyak n. Pengambilan sampel sedemikian hingga setiap variabel aggregate dalam setiap observasi. 2. Memodelkan regresi logistik biner data set hasil sampel bootstrap B. 3. Menghitung peluang respon untuk setiap observasi dan menghitung ketepatan klasifikasi. Kesalahan klasifikasi pada langkah ini disebut e B. 4. Mengulang langkah 1 sampai langkah 4 sebanyak B kali (replikasi bootstrap). 5. Memperoleh ketepatan klasifikasi bagging dari pengambilan sampel sampai B, sehingga kesalahan klasifikasi bagging untuk replikasi B kali adalah B. 6. Membentuk model bagging regresi logistik biner dari setiap parameter pada setiap pengambilan sampel sampai B. 7. Untuk memperoleh hasil yang lebih baik, maka replikasi bootstrap dilakukan sebanyak mungkin (Efron dan Tibshirani, 1993). Replikasi bootstrap yang biasa digunakan adalah 50 sampai
23 Kanker Serviks Kanker mulut rahim (serviks) atau karsinoma serviks uterus merupakan kanker pembunuh wanita nomor dua di dunia setelah kanker payudara. Di Indonesia, kanker mulut rahim bahkan menduduki peringkat pertama. (Wikipedia, 2012). Kanker Serviks berkembang secara bertahap, tetapi progresif Tingkat displasia dan KIS Karsinoma in-situ (1-7 tahun) Karsinoma invasif (3-20 tahun) Kanker ini 99,7% disebabkan oleh Human Papilloma Virus (HPV) onkogenik, yang menyerang mulut rahim (Wikipedia, 2012). 23
24 Kanker Serviks GEJALA KLINIS KANKER SERVIKS Pada fase pra kanker, sering tidak ada gejala atau tanda-tanda yang khas. Namun, kadang bisa ditemukan gejala-gejala sebagai berikut (Wijaya, 2010) : 1. Keputihan atau keluar cairan encer dari vagina. Getah yang keluar dari vagina ini makin lama akan berbau busuk akibat infeksi dan nekrosis jaringan 2. Perdarahan setelah sanggama ( post coital bleeding ) yang kemudian berlanjut menjadi perdarahan yang abnormal. 3. Timbulnya perdarahan setelah masa menopause. 4. Pada fase invasif dapat keluar cairan berwarna kekuning-kuningan, berbau dan dapat bercampur dengan darah 5. Timbul gejala-gejala anemia bila terjadi perdarahan kronis. 6. Timbul nyeri panggul (pelvis) atau di perut bagian bawah bila ada radang panggul. Bila nyeri terjadi di daerah pinggang ke bawah, kemungkinan terjadi hidronefrosis. Selain itu, bisa juga timbul nyeri di tempat-tempat lainnya. 7. Pada stadium lanjut, badan menjadi kurus kering karena kurang gizi, edema kaki, timbul iritasi kandung kencing dan poros usus besar bagian bawah rectum), terbentuknya fistel vesiko vaginal atau rekto vaginal, atau timbul gejala-gejala akibat metastasis jauh. 24
25 Faktor Resiko Kanker Serviks Faktor risiko adalah faktor yang memudahkan terjadinya infeksi virus HPV dan faktor lain yang memudahkan atau meningkatkan risiko menderita kanker serviks. Selain infeksi HPV ditemukan faktor risiko yang meningkatkan peluang timbulnya kanker serviks adalah sebagai berikut : USIA Penggunaan kontrasepsi Frekuensi melahirkan Siklus menstruasi Kanker seviks sering terjadi pada wanita usia 40 tahun keatas dan sangat jarang terjadi pada wanita dengan usia kurang dari 15 tahun. Kanker ini juga dapat menyerang manula (Nurwijaya, dkk., 2010). Penggunaan kontrasepsi hormonal dalam jangka panjang dapat meningkatkan risiko 4 kali lebih besar terkena kanker serviks (Melva, 2008). Melahirkan anak banyak dan sering hamil juga dapat meningkatkan risiko kanker serviks (Nurwijaya, dkk., 2010). Siklus menstruasi yang tidak teratur dimungkinkan karena adanya gangguan hormonal serta kemungkinan lain yang telah terjadi (Setiawan, 2010) Usia mens pertama Usia menikah pertama kali Riwayat keguguran 25
26 Pemeriksaan Diagnostik Pemeriksaan diagnostik dapat dilakukan dengan berbagai cara antara lain : Papanicolaouw Smear (Pap Smear Test) 1 Tes Schiller 2 Sitologi 3 Kolposkopi 4 Kolpomikroskopi 5 Biopsi 6 Konisasi 7 26
27 Pap Smear Test Ada dua pencegahan yang dapat dilakukan yaitu pencegahan primer dan sekunder : PRIMER pencegahan faktor penyebab kanker serviks yang dilakukan dengan cara menghindari faktor-faktor yang menyebabakan infeksi HPV dan melakukan vaksin HPV. SEKUNDER menemukan lesi pra-kanker dan mengobatinya agar tidak berkembang menjadi kanker serviks. Pencegahan sekunder dapat dilakukan melalui skrining (deteksi dini) lazim digunakan PAP SMEAR TEST Hasil Pap test sesuai klasifikasi Papanicolaou terdiri dari lima klas yaitu (Nurwijaya, 2010): 1. Normal, dimana tidak ditemukan sel abnormal 2. Tampak sel abnormal tetapi tidak ada bukti keganasan 3. Tampak sel-sel atypik yang meragukan untuk keganasan 4. Tampak sel-sel yang mencurigakan keganasan 5. Tampak adanya sel-sel ganas Tabel 2.2 Gambaran Sitologi Hasil Pap Test. Kelompok Jenis Normal Normal smear Abnormal Radang non spesifik TV AS (Atrophic Smear) HV ASC-US Candida ASC-H Coccen LSIL Early as HSIL Mild RNS Herpes Simplek Virus Metaplasia 27
28 METODOLOGI PENELITIAN Sumber Data Penelitian Variabel Penelitian Metode Analisis 28
29 Sumber Data Penelitian Data SEKUNDER RS. X Surabaya Data anamesa bagian Dept. Riset dan Pengembangan RS. X tahun
30 Variabel Penelitian Kode Variabel Definisi Operasional Skala Pengukuran Variabel respon : Y Hasil Pap Smear Test Variabel prediktor : 1. Normal (1) 2. Abnormal (2) Nominal X 1 Usia Usia pasien Rasio X 2 Usia melahirkan pertama kali X 3 Usia menstruasi pertama kali Usia pertama kali melahirkan Usia pertama kali mengalami menstruasi X 4 Siklus menstruasi 1. teratur (1) 2. tidak teratur (2) X 5 X 6 Frekuensi melahirkan Penggunaan kontrasepsi 1. pernah melahirkan 2 anak (1) 2. pernah melahirkan 2 anak (2) 1. tidak menggunakan kontrasepsi (1) 2. menggunakan kontrasepsi (2) X 7 Riwayat keguguran 1. tidak pernah keguguran (1) 2. pernah keguguran (2) Rasio Rasio Nominal Nominal Nominal Nominal 30
31 Struktur Data Penelitian Pasien hasil Pap Smear Test penyakit kanker serviks Y X 1 X 2... X 7 1 y 1 X 1,1 X 2,1... x 7,1 2 y 2 X 1,2 X 2,2... x 7,2 3 Y 3 x 1.,3 X 2,3... x 7, N y n x 1,n x 2,n... x 7,n 31
32 Mulai Analisis deskriptif Analisis dengan Regresi Logistik Biner dengan pengujian secara individu Menentukan model Regresi Logistik Biner Metode Analisis Mendapatkan variabel prediktor yang signifikan berpengaruh terhadap model regresi logistik biner Melakukan Bagging untuk prediktor dari model logistik biner, 50 sampai 100 replikasi bootstrap dari 2 kombinasi data Menentukan ketepatan klasifikasi pada setiap pengambilan sampel B replikasi bootstrap Menentukan kesalahan klasifikasi bagging B Membentuk model bagging regresi logistik biner dari ratarata setiap parameter pada setiap pengambilan sampel sampai B Gambar 3.1 Tahap-tahap Penelitian Selesai 32
33 Karakteristik Pasien Pap Smear Test Bedasarkan Faktor Resiko Usia Usia Pasien Hasil Pap Smear Test Normal Abnormal Total <= 35 tahun > 35 tahun Total Pasien berusia < 35 tahun Pasien berusia > 35 tahun abnormal 71% 29% normal abnormal 72% 28% normal abnormal 77% 23% <= 35 tahun > 35 tahun (a) (b) (c) 33
34 Karakteristik Pasien Pap Smear Test Bedasarkan Faktor Resiko Usia Melahirkan Pertama Kali Hasil Pap Smear Test Usia Pertama Melahirkan Normal Abnormal Total <= 20 tahun > 20 tahun Total Usia melahirkan < 20 tahun Usia melahirkan > 20 tahun abnormal 77% 23% normal abnormal 71% 29% normal abnormal 90% 10% <=20 tahun >20 tahun (a) (b) (c) 34
35 Karakteristik Pasien Pap Smear Test Bedasarkan Faktor Resiko Usia Menstruasi Pertama Kali Usia Pertama Menstruasi Hasil Pap Smear Test Normal Abnormal Total <= 13 tahun > 13 tahun Total Usia Mens Pertama < 13 tahun Usia Mens Pertama > 13 tahun Abnormal 71% 29% normal abnormal 73% 27% normal abnormal 35% 65% <=13 tahun >13 tahun (a) (b) (c) 35
36 Karakteristik Pasien Pap Smear Test Bedasarkan Faktor Resiko Siklus Menstruasi Siklus Menstruasi Hasil Pap Smear Test Normal Abnormal Total Teratur Tidak Teratur Total Teratur Tidak Teratur Abnormal 67% 33% normal abnormal 84% 16% 33% normal abnormal 67% teratur tidak teratur (a) (b) (c) 36
37 Karakteristik Pasien Pap Smear Test Bedasarkan Faktor Resiko Jumlah Anak (Paritas) Paritas Hasil Pap Smear Test Total Normal Abnormal Anak <= Anak > Total Paritas < 2 anak Paritas > 2 anak Abnormal 29% 27% 71% normal abnormal 73% normal abnormal 45% 55% jumlah anak < 2 jumlah anak > 2 (a) (b) (c) 37
38 Karakteristik Pasien Pap Smear Test Bedasarkan Faktor Resiko Penggunaan Kontrasepsi Penggunaan Kontrasepsi Tidak menggunakan Hasil Pap Smear Test Normal Abnormal Total Menggunakan Total % Tidak Menggunakan Kontrasepsi 34% normal abnormal Menggunakan Kontrasepsi 21% normal 79% abnormal 46% Abnormal 54% menggunakan tidak menggunakan (a) (b) (c) 38
39 Karakteristik Pasien Pap Smear Test Bedasarkan Faktor Resiko Riwayat Keguguran Riwayat Keguguran Hasil Pap Smear Test Normal Abnormal Total Tidak Pernah Pernah Total Tidak Pernah Keguguran Pernah Keguguran Abnormal 70% 30% normal abnormal 74% 26% normal 32% abnormal 68% tidak pernah pernah (a) (b) (c) 39
40 Uji Individu Analisis Regresi Logistik Hipotesis yang digunakan adalah sebagai berikut. H 0 : β i = 0 H 1 : β i 0, dengan i= 1,2,,p Tingkat signifikansi yang digunakan yaitu α = 5%. Statistik uji yang digunakan adalah statistik uji Wald. Keputusan penolakan H 0 jika p-value < α atau nilai W 2 lebih besar dari (1;0,05) = 3,841 Variabel Prediktor Deskripsi Wald p-value X 1 Usia 18,772 0,000* X 2 Usia melahirkan pertama 2,799 0,094 X 3 Usia menstruasi pertama 0,118 0,665 X 4 Siklus menstruasi 23,532 0,000* X 5 Paritas (Jumlah anak) 0,035 0,852 X 6 Penggunaan kontrasepsi 13,484 0,000* X 7 Riwayat keguguran 0,475 0,490 Keterangan : *parameter signifikan berpengaruh pada α = 5% 40
41 Analisis Regresi Logistik Uji Serentak Variabel prediktor yang digunakan untuk membentuk model regresi logistik biner ini adalah variabel prediktor yang secara individu signifikan berpengaruh terhadap variabel respon. Teknik yang digunakan dalam uji serentak adalah teknik backward wald dengan hipotesis sebagai berikut H 0 : β 1 = β 2 = = β p = 0 H 1 : paling sedikit ada satu β i 0, dengan i = 1,2,, p Tingkat signifikansi yang digunakan yaitu α = 5%. Statistik uji yang digunakan adalah statistik uji G yang mengikuti distribusi Chi-Square. Keputusan penolakan H 0 jika p- value < α atau nilai G lebih besar (3;0,05) = 7,815. Variabel Odds Deskripsi β p-value Prediktor Ratio X 1 Usia pasien 0,035 0,000* 1,036 X 4 (1) Siklus menstruasi -0,878 0,000* 0,415 X 6 (1) Penggunaan kontrasepsi -0,565 0,000* 0,568 Konstanta -0,470 0,260 1,599 Keterangan : *parameter signifikan berpengaruh pada α = 5% Nilai statistik uji G yang dihasilkan adalah sebesar 56,522 41
42 Analisis Regresi Logistik Jadi, model regresi logistik biner yang diperoleh adalah sebagai berikut. (x) exp(-0,470 0,035X1-0,878X 4(1) - 0,565X 6(1)) 1 exp(-0,470 0,035X - 0,878X (1) - 0,565X (1))
43 Analisis Regresi Logistik Uji Kesesuaian Model Hipotesis yang digunakan adalah sebagai berikut. H 0 : model sesuai (tidak ada perbedaan antara hasil observasi dengan kemungkinan hasil prediksi) H 1 : model tidak sesuai (ada perbedaan antara hasil observasi dengan kemungkinan hasil prediksi) Tingkat signifikasi yang digunakan adalah α = 5%. Pada Hosmer and Lemeshow test diperoleh nilai p-value sebesar 0,173 dimana nilai p-value > α sehingga keputusannya adalah Gagal tolak H 0 yang berarti model sesuai atau tidak ada perbedaan antara hasil observasi dengan hasil prediksi pada tingkat signifikansi α = 5%. Sehingga model yang digunakan adalah dengan model logit : exp(-0,470 0,035X1-0,878X 4(1) - 0,565X 6(1)) (x) 1 exp(-0,470 0,035X - 0,878X (1) - 0,565X (1)) g(x) -0,470 0,035X 1-0,878X 4 (1) - 0,565X 6 (1)
44 Analisis Regresi Logistik Interpretasi Model Regresi Logistik Variabel Prediktor Deskripsi β Odds Ratio X 1 Usia pasien 0,035 1,036 X 4 (1) Siklus menstruasi -0,878 0,415 X 6 (1) Penggunaan kontrasepsi -0,565 0,568 Konstanta -0,470 1,599 44
45 Analisis Regresi Logistik Uji Ketepatan Klasifikasi Observasi Prediksi Ketepatan Normal Abnormal Klasifikasi(%) Normal ,8 Abnormal ,2 Ketepatan Klasifikasi Total (%) 70,7 diketahui bahwa persentase seluruh observasi terklasifikasikan dengan benar adalah 70,7% sehingga besarnya misklasifikasi (APER) adalah 29,3%. Kombinasi data Ketepatan Klasifikasi Kombinasi 1 (80%-20%) Training 71,20% Testing 50,55% Kombinasi 2 (70%-30%) Training 71,00% Testing 70,75% 45
46 Bagging Regresi Logistik Hasil pada model regresi logistik biner menyimpulkan bahwa variabel yang signifikan berpengaruh terhadap hasil Pap Smear Test adalah jumlah usia pasien (X 1 ), siklus menstruasi (X 4 ) dan penggunaan kontrasepsi (X 6 ). Semua variabel kemudian akan diperlakukan resampling bagging. Data dibagi menjadi data training dan testing dengan 2 kombinasi yaitu training-testing 80%-20% dan training-testing 70%-30% kemudian masing-masing kombinasi data direplikasi bootstrap sebanyak 50, 60, 70, 80, 90 hingga 100 kali. 46
47 Estimasi Bagging Class Probability Estimasi Bagging Class Probability pada kombinasi data 1 Hasil Bagging Regresi Logistik Data Training pada Data Kombinasi 1 Replikasi Bootstrap Rata-rata Ketepatan Klasifikasi B e s 50 kali 71,56% 28,44% 28,8% 60 kali 71,29% 28,71% 28,8% 70 kali 71,43% 28,57% 28,8% 80 kali 71,04% 28,96% 28,8% 90 kali 71,66% 28,34% 28,8% 100 kali 71,19% 28,81% 28,8% Bagging Regresi Logistik Data Testing pada Data Kombinasi 1 Replikasi Bootstrap Rata-rata Ketepatan Klasifikasi B e s 50 kali 68,33% 31,67% 49,45% 60 kali 67,78% 32,22% 49,45% 70 kali 68,33% 31,67% 49,45% 80 kali 67,78% 32,22% 49,45% 90 kali 68,33% 31,67% 49,45% 100 kali 68,33% 31,67% 49,45% 47
48 Estimasi Bagging Class Probability Estimasi Bagging Class Probability pada kombinasi data 2 Hasil Bagging Regresi Logistik Data Training pada Data Kombinasi 2 Replikasi Bootstrap Rata-rata Ketepatan Klasifikasi B e s 50 kali 70,58% 29,42% 29,3% 60 kali 70,53% 29,47% 29,3% 70 kali 71,00% 29,00% 29,3% 80 kali 70,71% 29,29% 29,3% 90 kali 70,41% 29,59% 29,3% 100 kali 71,07% 28,93% 29,3% Bagging Regresi Logistik Data Testing pada Data Kombinasi 2 Replikasi Rata-rata Ketepatan Klasifikasi Bootstrap B e s 50 kali 70,37% 29,63% 29,25% 60 kali 70,37% 29,63% 29,25% 70 kali 70,37% 29,63% 29,25% 80 kali 70,37% 29,63% 29,25% 90 kali 70,37% 29,63% 29,25% 100 kali 70,37% 29,63% 29,25% 48
49 Ketepatan Klasifikasi Kombinasi 1 (80%-20%) Hasil Bagging Kombinasi 1 (80%-20%) Hasil data tunggal Ketepatan Klasifikasi Kombinasi 2 70%-30% Hasil Bagging Kombinasi 2 70%-30% Hasii data tunggal 50,55% 68,33% 70,75% 70,37% Dan jika dibandingkan dari tabel di atas hasil bootstrap data kombinasi kedua dengan data kombinasi pertama, data kombinasi pertama memiliki peningkatan ketepatan klasifikasi dan cukup tinggi. Perbandingan Hasil Ketepatan Klasifikasi Regresi Logistik Biner dengan Bagging Regresi Logistik Jenis Regresi Logistik Biner Bagging Regresi Logistik Kombinasi Data Katepatan Waktu (menit) Ketepatan Waktu (menit) (1) 80%-20% 50,55% 1 68,33% 3600 (2) 70%-30% 70,37% 1 70,75%
50 Model Bagging Regresi Logistik Model bagging regresi logistik yang diperoleh pada 90 kali replikasi bootstrap adalah : g( x) -1, ,03828X 1-0,82193X 4 (1) 0,58439X 6 (1) 50
51 Kesimpulan Berdasarkan hasil analisis dan pembahasan, maka diperoleh kesimpulan sebagai berikut 1. Karakteristik pasien Pap Smear Test pendeteksi awal kanker serviks di rumah sakit X untuk hasil test abnormal : - Persentase terbesar berdasarkan variabel usia adalah pasien dengan usia diatas 35 tahun sebesar 77% sedangkan persentase pasien usia dibawah 35 tahun yaitu 23%. - Persentase terbesar berdasarkan variabel usia melahirkan pertama kali adalah pasien dengan usia diatas 20 tahun sebesar 90% sedangkan persentase pasien usia dibawah 20 tahun yaitu 10%. - Persentase terbesar berdasarkan variabel usia menstruasi pertama kali adalah pasien dengan usia di bawah 13 tahun sebesar 65% sedangkan persentase pasien usia di atas 13 tahun yaitu 35%. - Persentase terbesar berdasarkan variabel siklus menstruasi adalah pasien dengan siklus menstruasi yang teratur sebesar 67% sedangkan persentase pasien dengan siklus menstruasi yang tidak teratur yaitu 33%. - Persentase terbesar berdasarkan variabel jumlah anak (paritas) adalah pasien dengan jumlah anak kurang dari 2 anak sebesar 55% sedangkan persentase pasien dengan jumlah anak kurang dari 2 anak yaitu 45%. Keduanya memiliki selisih prsentase yang kecil. - Persentase terbesar berdasarkan variabel penggunan kontrasepsi adalah pasien yang menggunakan kontrasepsi yaitu sebesar 54% sedangkan persentase pasien yang tidak menggunakan kontrasepsi yaitu sebesar 46%. - Persentase terbesar berdasarkan variabel riwayat keguguran adalah pasien yang tidak pernah keguguran yaitu sebesar 68% sedangkan persentase pasien yang pernah keguguran sebesar yaitu 32%. 51
52 Kesimpulan 2. Variabel-variabel yang berpengaruh secara signifikan terhadap hasil Pap Smear Test adalah usia pasien (X 1 ), siklus menstruasi (X 4 ) dan penggunaan kontrasepsi (X 6 ). Interpretasi model regresi logistik biner dapat digunakan untuk mengetahui peluang seorang pasien yang positif memiliki hasil Pap Smear Test yang abnormal. Sebagai ilustrasi penggunaan model regresi logistik yang diperoleh jika ada seorang pasien berusia 40 tahun, siklus menstruasinya tidak teratur dan menggunakan kontrasepsi memiliki nilai peluang untuk hasil Pap Smear Test normal adalah sebesar 0,12. Sehingga dapat diketahui pasien berusia 40 tahun, siklus menstruasinya tidak teratur dan menggunakan kontrasepsi memiliki nilai peluang untuk hasil Pap Smear Test abnormal sebesar 0, Hasil analisis regresi logistik menunjukkan bahwa pola hubungan hasil Pap Smear Test sebagai test awal untuk kanker serviks dengan faktor-faktor yang mempengaruhinya digambarkan dalam model regresi logistik berikut. Pada model tersebut terdapat 3 (tiga) variabel prediktor yang signifikan berpengaruh terhadap variabel respon, yaitu u usia pasien (X 1 ), siklus menstruasi (X 4 ) dan penggunaan kontrasepsi (X 6 ), Model tersebut sudah sesuai untuk menjelaskan berapa besar peluang seorang pasien akan positif abnormal pada hasil Pap Smear Test, sehingga dapat langsung melakukan tindakan lanjut, dengan ketepatan klasifikasi sebesar 70,7%. 4. Hasil analisis bagging regresi logistik menunjukkan bahwa pada 90 kali pada data kombinasi 1 yaitu trainingtesting 80%-20% replikasi bagging diperoleh nilai ketepatan klasifikasi terbesar, yaitu sebesar 68,33% sehingga dapat disimpulkan bahwa hasil bagging memiliki ketepatan klasifikasi lebih tinggi yaitu 50,55% menjadi 68,33%. 52
53 Saran Berdasarkan hasil analisis dan pembahasan, didapatkan informasi bahwa hasil Pap Smear Test pendeteksi awal kanker serviks di rumah sakit X lebih banyak dipengaruhi oleh usia, siklus menstruasi dan penggunaan kontrasepsi sehingga diharapkan pasien dan calon pasien (wanita) di Indonesia lebih dini melakukan test Pap Smear Test, sebagai langkah awal pencegahan kanker serviks yang tidak dapat dirasakan gejala awalnya. Sebaiknya pada penelitian selanjutnya yang menggunakan metode bagging, dilakukan replikasi bootstrap yang lebih banyak dan kombinasi data lainnya untuk meningkatkan ketepatan klasifikasi. Dan menggunakan metode lainnya yang lebih efisien dan dapat meningkatkan ketepatan klasifikasi misalkan Kernelized Logistic Regression. 53
54 DAFTAR PUSTAKA Agresti, A Categorical Data Analysis. John Wiley and Sons. New York. Breiman, L Bagging Predictor. Technical report No Departement of statistics University of California. Dias, J.G dan Vermunt J.K A Bootstrap based Aggregate Classier for Model based Clustering. Journal of Annals Statistics. Efron, B., dan R. J. Tibshirani An Introduction to the Bootstrap. Chapman and Hall. New York. Hosmer, D.W., dan Lemenshow Applied Logistic Regression. USA : John Wiley and Sons. Johnson, R. A. dan Wichern, D. W., Applied Multivariate Statistical Analysis. Prentice Hall. New Jersey. Melva. (2008). Faktor-faktor yang Mempengaruhi Kejadian Kanker Leher Rahim Pada Penderita Yang Datang Berobat Di RSUP H. Adam Malik Medan. Tesis, Universitas Sumatera Utara, Medan. Ningrum, E.S. (2012). Klasifikasi Kesejahteraan Rumah Tangga Di Kota Malang Dengan Pendekatan Bagging Regresi Logistik. Tugas Akhir, Jurusan Statistika Institut Teknologi Sepuluh Nopember, Surabaya. Nurdim, F.I. (2006). Klasifikasi Pasien Hasil Pap Test Penyakit Kanker Leher Rahim dengan Metode Multivariate Adaptive Regression Splines (MARS). Tugas Akhir, Jurusan Statistika Institut Teknologi Sepuluh Nopember, Surabaya. Nurwijaya, H., Andrijono, Suheimi, H.K., (2010). Cegah dan Deteksi Kanker Serviks. Gramedia, Jakarta. Setiawan, A. (2010). Kanker Serviks Penyebab Utama Kematian, 54
55 DAFTAR PUSTAKA Walpole, R. E. (1995). Pengantar Statistika Edisi ke-3. Jakarta: PT Gramedia Pustaka Utama. Wijaya, D. (2010). Pembunuh Ganas Itu Bernama Kanker Serviks. Sinar Kejora, Yogyakarta. Wikipedia. (2012). Kanker Leher Rahim. Kanker_leher_rahim [diakses tanggal 9 Februari 2012]. Yastuti, H. (2011). Bagging Multivariate Adaptive Regression Splines (Mars) Untuk Klasifikasi Pasien Hasil Pap Test Penyakit Kanker Serviks (Studi Kasus Di RS X Surabaya). Tugas Akhir, Jurusan Statistika Institut Teknologi Sepuluh Nopember, Surabaya. 55
56 ..SEKIAN.. TERIMA KASIH -DANKE SCHŐN- q(^_^)p 56
BAGGING MULTIVARIATE ADAPTIVE REGRESSION SPLINES (MARS) UNTUK KLASIFIKASI PASIEN HASIL PAP TEST PENYAKIT KANKER SERVIKS (STUDI KASUS DI RS X SURABAYA)
BAGGING MULTIVARIATE ADAPTIVE REGRESSION SPLINES (MARS) UNTUK KLASIFIKASI PASIEN HASIL PAP TEST PENYAKIT KANKER SERVIKS (STUDI KASUS DI RS X SURABAYA) Hartini Yastuti 1 dan Bambang Widjanarko Otok 2 1
Lebih terperinciSEMINAR TUGAS AKHIR. Oleh : Arief Yudissanta ( ) Pembimbing : Dra. Madu Ratna, M.Si
Oleh : Arief Yudissanta (1310 105 018) Pembimbing : Dra. Madu Ratna, M.Si Analisis Pemakaian Kemoterapi Pada Kasus Kanker Payudara dengan Menggunakan Metode Regresi Logistik Multinomial (Studi Kasus Pasien
Lebih terperinciMETODE BOOTSTRAP AGGREGATING REGRESI LOGISTIK BINER UNTUK KETEPATAN KLASIFIKASI KESEJAHTERAAN RUMAH TANGGA DI KOTA PATI
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 6, Nomor 1, Tahun 2017, Halaman 121-130 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian METODE BOOTSTRAP AGGREGATING REGRESI LOGISTIK BINER UNTUK KETEPATAN
Lebih terperinciKETEPATAN KLASIFIKASI PEMILIHAN METODE KONTRASEPSI DI KOTA SEMARANG MENGGUNAKAN BOOSTSTRAP AGGREGATTING REGRESI LOGISTIK MULTINOMIAL
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 1, Tahun 2015, Halaman 11-20 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian KETEPATAN KLASIFIKASI PEMILIHAN METODE KONTRASEPSI DI KOTA SEMARANG
Lebih terperinciPemodelan Ketahanan Pangan Rumah Tangga Penderita Tuberkulosis Paru Menggunakan Regresi Logistik Biner
SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 017 Pemodelan Ketahanan Pangan Rumah Tangga Penderita Tuberkulosis Paru Menggunakan Regresi Logistik Biner S - 1 Ayu Febriana Dwi Rositawati 1, Sri Pingit
Lebih terperinciLOGO. Prof. Dra. Susanti Linuwih, M.Stat, PhD Wibawati, S.Si, M.Si
LOGO Prof. Dra. Susanti Linuwih, M.Stat, PhD Wibawati, S.Si, M.Si PENDAHULUAN 1 2 3 4 Latar Belakang Tujuan Manfaat Batasan Masalah Latar Belakang Kesempatan memperoleh pendidikan merupakan prioritas utama
Lebih terperinciEKO ERTANTO PEMBIMBING
UJIAN TUGAS AKHIR Faktor-faktor yang Mempengaruhi Kelengkapan Pemberian Imunisasi Untuk Bayi Dengan Metode Regresi Logistik (Kasus di Kelurahan Keputih Surabaya) YUDHA EKO ERTANTO 1307030054 PEMBIMBING
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Regresi Logistik Regresi adalah bagaimana satu variabel yaitu variabel dependen dipengaruhi oleh satu atau lebih variabel lain yaitu variabel independen dengan tujuan untuk
Lebih terperinciKarakteristik Pasien
Karakteristik Pasien Tabel 4.1 Karakteristik Penderita Kanker Payudara di Rumah Sakit X Berdasarkan Variabel Usia Letak Sel kanker Usia Pasien Payudara Total Kiri Kanan 35-41 tahun jumlah 3 7 10 (%) 13,6
Lebih terperinciHary Mega Gancar Prakosa Dosen Pembimbing Dr. Suhartono, S.Si, M.Sc Co Pembimbing Dr. Bambang Wijanarko Otok, S.Si, M.
KLASIFIKASI KESEJAHTERAAN RUMAH TANGGA DI PROVINSI JAWA TIMUR DENGAN PENDEKATAN BOOTSTRAP AGGREGATTING CLASSIFICATION AND REGRESSION TREES Hary Mega Gancar Prakosa 1307 100 077 Dosen Pembimbing Dr. Suhartono,
Lebih terperinciANALISIS REGRESI LOGISTIK ORDINAL PADA FAKTOR-FAKTOR BERPENGARUH TERHADAP PENYAKIT MATA KATARAK BAGI PASIEN PENDERITA DI KLINIK MATA UTAMA GRESIK
LAPORAN TUGAS AKHIR ANALISIS REGRESI LOGISTIK ORDINAL PADA FAKTOR-FAKTOR BERPENGARUH TERHADAP PENYAKIT MATA KATARAK BAGI PASIEN PENDERITA DI KLINIK MATA UTAMA GRESIK Latar Belakang Katarak Indonesia Klinik
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Di negara-negara berkembang termasuk di Indonesia terdapat banyak kasus yang berkaitan dengan kesehatan, salah satunya adalah munculnya penyakit, baik menular
Lebih terperinciPEMODELAN DISPARITAS GENDER DI JAWA TIMUR DENGAN PENDEKATAN MODEL REGRESI PROBIT ORDINAL
1 PEMODELAN DISPARITAS GENDER DI JAWA TIMUR DENGAN PENDEKATAN MODEL REGRESI PROBIT ORDINAL Uaies Qurnie Hafizh, Vita Ratnasari Jurusan Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Regresi Logistik Menurut Hosmer dan Lemeshow (2000) tujuan melakukan analisis data kategori menggunakan regresi logistik adalah mendapatkan model terbaik dan sederhana untuk
Lebih terperinciMemodelkan regresi logistik biner data set hasil sampel bootstrap B.
B O O T S T R A P A G G R E G A T I N G 1 2 3 4 5 6 7 Tinjauan Pustaka Algoritma Bagging Regresi Logistik Biner Mengambil sampel bootstrap sebanyak n dari data set dengan pengulangan sebanyak n. Pengambilan
Lebih terperinciKlasifikasi Hasil Pap Smear Test Kanker Serviks Berdasarkan Faktor Resiko (Studi Kasus Di Rumah Sakit Swasta Surabaya
1 Klasifikasi Hasil Pap Smear Test Kanker Serviks Berdasarkan Faktor Resiko (Studi Kasus Di Rumah Sakit Swasta Surabaya Yuristian Ramdani dan Santi Wulan Purnami Jurusan Statistika, Fakultas Matematika
Lebih terperinciPENERAPAN ANALISIS REGRESI LOGISTIK PADA PEMAKAIAN ALAT KONTRASEPSI WANITA
Saintia Matematika Vol. 1, No. 1 (2013), pp. 51 61. PENERAPAN ANALISIS REGRESI LOGISTIK PADA PEMAKAIAN ALAT KONTRASEPSI WANITA (Studi kasus di desa Dolok Mariah Kabupaten Simalungun) Oktani Haloho, Pasukat
Lebih terperinciPenaksiran Parameter Regresi Linier Logistik dengan Metode Maksimum Likelihood Lokal pada Resiko Kanker Payudara di Makassar
Vol.14, No. 2, 159-165, Januari 2018 Penaksiran Parameter Regresi Linier Logistik dengan Metode Maksimum Likelihood Lokal pada Resiko Kanker Payudara di Makassar Sutrianah Burhan 1, Andi Kresna Jaya 1
Lebih terperinciKata Kunci Keparahan Korban Kecelakaan Lalu Lintas, Model Log Linier, Regresi Logistik Multinomial. H 1 Ada hubungan antara dua variabel yang diamati
Pemodelan Faktor Penyebab Keparahan Korban Kecelakaan Lalu Lintas Dengan Metode Regresi Logistik Multinomial (Studi Kasus Kecelakaan Lalu Lintas di Provinsi DKI Jakarta) Weny Rahmayanti, dan Vita Ratnasari
Lebih terperincipendekatan regresi logistik biner Oleh :Wida Suliasih ( )
Analisis kepuasan karyawan pt. x dengan pendekatan regresi logistik biner Oleh :Wida Suliasih (1308 030 059) Pembimbing : Wibawati, S.Si, M.Si 1 2 Latar belakang permasalahan Tujuan manfaat Batasan penelitian
Lebih terperinciFAKTOR-FAKTOR YANG MEMPENGARUHI INDEKS KESEHATAN KABUPATEN DAN KOTA DI PROVINSI JAWA TIMUR
FAKTOR-FAKTOR YANG MEMPENGARUHI INDEKS KESEHATAN KABUPATEN DAN KOTA DI PROVINSI JAWA TIMUR Oleh AUDDIE VIENEZA M. NRP 1310030043 DOSEN PEMBIMBING Dr. Vita Ratnasari,M.Si DOSEN PENGUJI Dr. Dra. Ismaini
Lebih terperinciBAB I PENDAHULUAN. Meningkatnya umur harapan hidup sebagai salah satu tujuan
BAB I PENDAHULUAN 1.1 Latar Belakang Meningkatnya umur harapan hidup sebagai salah satu tujuan pembangunan di Indonesia memberi dampak pada bergesernya pola penyakit. Selain penyakit infeksi, saat ini
Lebih terperinciFaktor-Faktor yang Mempengaruhi Keparahan Korban Kecelakaan Lalu Lintas di Kota Surabaya dengan Pendekatan Bagging Regresi Logistik Ordinal
JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 2012) ISSN: 2301-928X D-253 Faktor-Faktor yang Mempengaruhi Keparahan Korban Kecelakaan Lalu Lintas di Kota Surabaya dengan Pendekatan Bagging Regresi Logistik
Lebih terperinciBOOTSTRAP AGGREGATING (BAGGING) REGRESI LOGISTIK ORDINAL UNTUK MENGKLASIFIKASIKAN STATUS GIZI BALITA DI KABUPATEN KLUNGKUNG
E-Jurnal Matematika Vol. 5 (3), Agustus 2016, pp. 103-110 ISSN: 2303-1751 BOOTSTRAP AGGREGATING (BAGGING) REGRESI LOGISTIK ORDINAL UNTUK MENGKLASIFIKASIKAN STATUS GIZI BALITA DI KABUPATEN KLUNGKUNG Palupi
Lebih terperinciSeminar Hasil Tugas Akhir
Seminar Hasil Tugas Akhir Pendekatan Metode Classification and Regression Tree untuk Diagnosis Tingkat Keganasan Kanker pada pasien Kanker Tiroid Sri Hartati Selviani Handayani 1311106007 Pembimbing :
Lebih terperinciGENERALIZED POISSON REGRESSION (GPR)
PEMODELAN JUMLAH KASUS KANKER SERVIKS DI JAWA TIMUR MENGGUNAKAN ANALISIS GENERALIZED POISSON REGRESSION (GPR) 12/06/2012 Oleh: RIZA INAYAH / 1309.030.042 Dosen Pembimbing: DR. Purhadi, M.Sc Jurusan Statistika
Lebih terperinciKata Kunci: Model Regresi Logistik Biner, metode Maximum Likelihood, Demam Berdarah Dengue
Jurnal Matematika UNAND Vol. VI No. 1 Hal. 9 16 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PEMODELAN FAKTOR-FAKTOR YANG MEMPENGARUHI KEJADIAN DBD (DEMAM BERDARAH DENGUE) MENGGUNAKAN REGRESI LOGISTIK
Lebih terperinciFAKTOR-FAKTOR YANG MEMPENGARUHI RUMAH TANGGA NELAYAN BERPERILAKU HIDUP BERSIH DAN SEHAT DENGAN ANALISIS REGRESI LOGISTIK
FAKTOR-FAKTOR YANG MEMPENGARUHI RUMAH TANGGA NELAYAN BERPERILAKU HIDUP BERSIH DAN SEHAT DENGAN ANALISIS REGRESI LOGISTIK Oleh: Agista Dyah Prabawati (1308 100 026) Dosen Pembimbing: Dra. Destri Susilaningrum,
Lebih terperinciPemodelan Angka Putus Sekolah Tingkat SLTP dan sederajat di Jawa Timur Tahun 2012 dengan Menggunakan Analisis Regresi Logistik Ordinal
Pemodelan Angka Putus Sekolah Tingkat SLTP dan sederajat di Jawa Timur Tahun 2012 dengan Menggunakan Analisis Regresi Logistik Ordinal Oleh: DELTA ARLINTHA PURBASARI 1311030086 Dosen Pembimbing: Dr. Vita
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Kanker adalah pertumbuhan sel yang tidak normal atau terus menerus dan tak terkendali, dapat merusak jaringan sekitarnya serta dapat menjalar ke tempat yang jauh dari
Lebih terperinciBAB 4 HASIL. Korelasi stadium..., Nurul Nadia H.W.L., FK UI., Universitas Indonesia
BAB 4 HASIL 4.1 Pengambilan Data Data didapatkan dari rekam medik penderita kanker serviks Departemen Patologi Anatomi RSCM pada tahun 2007. Data yang didapatkan adalah sebanyak 675 kasus. Setelah disaring
Lebih terperinciMOCH. FAUZI PEMBIMBING : MUHAMMAD SJAHID AKBAR
Faktor-faktor yang Mempengaruhi Peranan Ibu Rumah Tangga Nelayan Terhadap Pemenuhan Kebutuhan Rumah Tangga di Kelurahan Tebul Bangkalan dengan Metode Regresi Logistik Biner MOCH. FAUZI 1307 030 056 PEMBIMBING
Lebih terperinciKanker Serviks. 2. Seberapa berbahaya penyakit kanker serviks ini?
Kanker Serviks Di negara-negara berkembang seperti Indonesia, penyakit kanker serviks merupakan penyebab utama kematian akibat kanker. Di dunia, setiap dua menit seorang wanita meninggal dunia akibat kanker
Lebih terperinciBAB II TINJAUAN PUSTAKA. ke arah rahim, letaknya antara rahim (uterus) dan liang senggama atau vagina.
BAB II TINJAUAN PUSTAKA 2.1. Patogenesis 2.1.1. Diagnosis Kanker serviks adalah tumor ganas primer yang berasal dari sel epitel skuamosa. Kanker serviks merupakan kanker yang terjadi pada serviks atau
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar belakang
BAB 1 PENDAHULUAN 1.1 Latar belakang Metode klasifikasi merupakan salah satu metode statistika untuk mengelompok atau mengklasifikasi suatu data yang disusun secara sistematis ke dalam suatu kelompok sehingga
Lebih terperinciAnalisis dan Pembahsan. Statistika Deskriptif. Regresi Logistik Biner. Uji Independensi
Analisis dan Pembahsan Statistika Deskriptif Regresi Logistik Biner Uji Independensi H 0 : Tidak ada hubungan antara variabel prediktor dengan variabel respon H 1 : Ada hubungan antara variabel prediktor
Lebih terperinciFaktor Risiko Penyakit Anemia Gizi Besi pada Ibu Hamil di Jawa Timur Menggunakan Analisis Regresi Logistik
JURNAL SAINS DAN SENI ITS Vol. 4, No.2, (2015) 2337-3520 (2301-928X Print) D-305 Faktor Risiko Penyakit Anemia Gizi Besi pada Ibu Hamil di Jawa Timur Menggunakan Analisis Regresi Logistik Fatkhiyatur Rizki,
Lebih terperinciBAB I PENDAHULUAN. 1 Universitas Kristen Maranatha
BAB I PENDAHULUAN 1.1 Latar Belakang Di seluruh dunia kanker serviks atau kanker leher rahim menempati urutan ketujuh dari seluruh kejadian keganasan pada manusia (Cancer Research United Kingdom, 2010).
Lebih terperinciBAB I PENDAHULUAN. Kanker serviks (leher rahim) adalah salah satu kanker ganas yang
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Kanker serviks (leher rahim) adalah salah satu kanker ganas yang menyerang wanita. Kanker ini adalah kanker ketiga yang umum diderita oleh wanita secara global
Lebih terperinciANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI KEPUTUSAN KONSUMEN MEMBELI SUATU PRODUK DENGAN METODE ANALISIS REGRESI LOGISTIK ORDINAL
J u r n a l E K B I S / V o l. V I / N o. / e d i s i M a r e t 2 0 2 379 ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI KEPUTUSAN KONSUMEN MEMBELI SUATU PRODUK DENGAN METODE ANALISIS REGRESI LOGISTIK ORDINAL
Lebih terperinciBAB I PENDAHULUAN. Menurut data dari Organisasi Kesehatan Dunia (World Health Organization
BAB I PENDAHULUAN A. Latar Belakang Menurut data dari Organisasi Kesehatan Dunia (World Health Organization atau WHO), kanker serviks merupakan penyebab kematian nomor dua di dunia pada kaum hawa dari
Lebih terperinciPERBANDINGAN METODE KLASIFIKASI REGRESI LOGISTIK BINER DAN NAIVE BAYES PADA STATUS PENGGUNA KB DI KOTA TEGAL TAHUN 2014
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 2, Tahun 2015, Halaman 365-374 Online di: http://eournal-s1.undip.ac.id/index.php/gaussian PERBANDINGAN METODE KLASIFIKASI REGRESI LOGISTIK BINER DAN NAIVE
Lebih terperinciPEMODELAN DENGAN REGRESI LOGISTIK. Secara umum, kedua hasil dilambangkan dengan (sukses) dan (gagal)
PEMODELAN DENGAN REGRESI LOGISTIK 1. Data Biner Data biner merupakan data yang hanya memiliki dua kemungkinan hasil. Secara umum, kedua hasil dilambangkan dengan (sukses) dan (gagal) dengan peluang masing-masing
Lebih terperinciBeberapa Penyakit Organ Kewanitaan Dan Cara Mengatasinya
Beberapa Penyakit Organ Kewanitaan Dan Cara Mengatasinya Organ seksual pada wanita, seperti rahim, vagina, dan payudara, masing-masing mempunyai fungsi tersendiri. Kadangkala fungsi organ-organ tersebut
Lebih terperinciBAB I PENDAHULUAN. Kanker leher rahim adalah tumor ganas pada daerah servik (leher rahim)
1 BAB I PENDAHULUAN 1.1. Latar Belakang Kanker leher rahim adalah tumor ganas pada daerah servik (leher rahim) sebagai akibat adanya pertumbuhan jaringan yang tidak terkontrol dan merusak jaringan normal
Lebih terperinciBINARY LOGISTIC REGRESSION (BLR) TERHADAP STATUS BEKERJA DI KOTA SURABAYA
BINARY LOGISTIC REGRESSION (BLR) TERHADAP STATUS BEKERJA DI KOTA SURABAYA Moh. Yamin Darsyah 1 Arianto Wijaya 2 1,2 Program Studi S1 Statistika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas
Lebih terperinciBAB I PENDAHULUAN menyepakati perubahan paradigma dalam pengelolaan masalah
BAB I PENDAHULUAN A. Latar Belakang Konferensi International tentang Kependudukan dan Pembangunan/ICPD (International Confererence on Population and Development) di Kairo tahun 1994 menyepakati perubahan
Lebih terperinciBAB I PENDAHULUAN. mematikan bagi wanita baik di negara maju maupun negara berkembang. Pada
BAB I PENDAHULUAN A. Latar Belakang Kanker serviks atau kanker leher rahim merupakan salah satu penyakit yang mematikan bagi wanita baik di negara maju maupun negara berkembang. Pada tahun 2016, American
Lebih terperinciNo. Responden: B. Data Khusus Responden
KUESIONER PENELITIAN HUBUNGAN TINGKAT PENGETAHUAN DENGAN SIKAP DETEKSI DINI KANKER LEHER RAHIM DENGAN TEST IVA PADA WANITA USIA SUBUR (WUS) DI WILAYAH KERJA PUSKESMAS HELVETIA KOTA MEDAN TAHUN 2016 A.
Lebih terperinciBAB 1 PENDAHULUAN. kanker yang paling tinggi di kalangan perempuan adalah kanker serviks. yang paling beresiko menyebabkan kematian.
BAB 1 PENDAHULUAN A. Latar belakang Kanker merupakan salah satu jenis penyakit yang sudah tak asing lagi ditelinga. Berbagai jenis kasus baru ditemukan, namun jenis kasus kanker yang paling tinggi di kalangan
Lebih terperinciESTIMASI EROR STANDAR PARAMETER REGRESI LOGISTIK MENGGUNAKAN METODE BOOTSTRAP
ESTIMASI EROR STANDAR PARAMETER REGRESI LOGISTIK MENGGUNAKAN METODE BOOTSTRAP PADA DATA PASIEN HIPERKOLESTEROLEMIA DI BALAI LABORATORIUM KESEHATAN YOGYAKARTA Fransiska Grase S.W, Sri Sulistijowati H.,
Lebih terperinciBAB I PENDAHULUAN. Kesehatan reproduksi menurut World Health Organization (WHO) adalah
1 BAB I PENDAHULUAN 1.1 Latar Belakang Kesehatan reproduksi menurut World Health Organization (WHO) adalah suatu keadaan fisik, mental, dan sosial yang utuh, bukan hanya bebas dari penyakit atau kecacatan
Lebih terperinci6. Pasien yang Batuk Darah
6. Pasien yang Batuk Darah 7. Pasien yang Nyeri dada FAKTOR-FAKTOR YANG MEMPENGARUHI PENDERITA PENYAKIT TB PARU DI RSU HAJI SURABAYA 1. Uji Independensi hipotesis yang digunakan adalah sebagai berikut
Lebih terperinciBAB I PENDAHULUAN. yang disebut sebagai masa pubertas. Pubertas berasal dari kata pubercere yang
BAB I PENDAHULUAN 1.1 LATAR BELAKANG Masa remaja merupakan masa yang begitu penting dalam hidup manusia, karena pada masa tersebut terjadi proses awal kematangan organ reproduksi manusia yang disebut sebagai
Lebih terperinciMODEL REGRESI LOGISTIK BINER DENGAN METODE PENALIZED MAXIMUM LIKELIHOOD. Edi Susilo, Anna Islamiyati, Muh. Saleh AF. ABSTRAK
MODEL REGRESI LOGISTIK BINER DENGAN METODE PENALIZED MAXIMUM LIKELIHOOD Edi Susilo, Anna Islamiyati, Muh. Saleh AF. ABSTRAK Analisis regresi logistik biner dengan metode penalized maximum likelihood digunakan
Lebih terperinciANALISIS STATISTIK KEPUASAN PENGGUNA WAHANA PERMAINAN BOOM BOOM CAR DI TAMAN REMAJA SURABAYA
TUGAS AKHIR ANALISIS STATISTIK KEPUASAN PENGGUNA WAHANA PERMAINAN BOOM BOOM CAR DI TAMAN REMAJA SURABAYA Any Masruroh 1308 030 065 Dosen Pembimbing Ir. Arie Kismanto, M.Sc PENDAHULUAN Latar Belakang Permasalahan
Lebih terperinciBAB II TINJAUAN PUSTAKA
6 BAB II TINJAUAN PUSTAKA 2.1 Lesi Prakanker 2.1.1 Pengertian Lesi prakanker serviks atau disebut juga lesi intraepitel serviks (cervical intraepithelial neoplasia) merupakan awal dari perubahan menuju
Lebih terperinciKETEPATAN KLASIFIKASI PEMILIHAN METODE KONTRASEPSI REGRESI LOGISTIK MULTINOMIAL
KETEPATAN KLASIFIKASI PEMILIHAN METODE KONTRASEPSI DI KOTA SEMARANG MENGGUNAKAN BOOSTSTRAP AGGREGATTING REGRESI LOGISTIK MULTINOMIAL SKRIPSI Oleh : Ahmad Reza Aditya 24010210130055 JURUSAN STASTISTIKA
Lebih terperinciBAB III METODE PENELITIAN
17 BAB III METODE PENELITIAN 3.1.Waktu dan Tempat Penelitian ini dilaksanakan pada bulan februari 2009-Juni 2009 di beberapa wilayah terutama Jakarta, Depok dan Bogor untuk pengambilan sampel responden
Lebih terperinciBAB I PENDAHULUAN. uteri. Hal ini masih merupakan masalah yang cukup besar dikalangan masyarakat Di
BAB I PENDAHULUAN A. Latar Belakang Kanker serviks merupakan suatu pertumbuhan abnormal dari sel sel serviks uteri. Hal ini masih merupakan masalah yang cukup besar dikalangan masyarakat Di RSDK tahun
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 3, Nomor 4, Tahun 2014, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 4, Tahun 2014, Halaman 615-624 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian KETEPATAN KLASIFIKASI KEIKUTSERTAAN KELUARGA BERENCANA (KB)
Lebih terperinciAnalisis Kepuasan Pasien Terhadap Kualitas Pelayanan Puskesmas Keputih
Analisis Kepuasan Pasien Terhadap Kualitas Pelayanan Puskesmas Keputih Ferdi Budi Utama 1308.030.040 Dosen Pembimbing Ir. Sri Pingit Wulandari, MS Pendahuluan Latar Belakang Kesehatan Puskesmas Rumusan
Lebih terperinciBAB I PENDAHULUAN. rahim yaitu adanya displasia/neoplasia intraepitel serviks (NIS). Penyakit kanker
BAB I PENDAHULUAN 1.1 Latar Belakang Kanker leher rahim merupakan penyakit keganasan yang terjadi pada leher rahim. Perjalanan penyakit ini didahului dengan kondisi lesi pra-kanker leher rahim yaitu adanya
Lebih terperinciBAB I PENDAHULUAN. Berdasarkan data International Agency for Research on Cancer (IARC) diketahui
BAB I PENDAHULUAN A. Latar Belakang Penyakit kanker merupakan salah satu penyebab kematian utama di seluruh dunia. Pada tahun 2012, kanker menjadi penyebab kematian sekitar 8,2 juta orang. Berdasarkan
Lebih terperinciFaktor yang Mempengaruhi Terjangkitnya Penyakit Diare pada Balita di Propinsi Nanggroe Aceh Darussalam
Faktor yang Mempengaruhi Terjangkitnya Penyakit Diare pada Balita di Propinsi Nanggroe Aceh Darussalam Oleh: Urifah Hidayanti (1310 030 028) Dosen Pembimbing: Ir. Mutiah Salamah, M.Kes Ujian Tugas Akhir
Lebih terperinciANALISIS REGRESI LOGISTIK DENGAN METODE PENDUGA BAYES UNTUK MENENTUKAN FAKTOR-FAKTOR YANG MEMPENGARUHI KEJADIAN BAYI BERAT BADAN LAHIR RENDAH
Jurnal Matematika UNAND Vol. 4 No. 1 Hal. 53 60 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND ANALISIS REGRESI LOGISTIK DENGAN METODE PENDUGA BAYES UNTUK MENENTUKAN FAKTOR-FAKTOR YANG MEMPENGARUHI
Lebih terperinciBAB 1 PENDAHULUAN. serviks uteri. Kanker ini menempati urutan keempat dari seluruh keganasan pada
BAB 1 PENDAHULUAN 1.1 LATAR BELAKANG Kanker serviks merupakan suatu penyakit keganasan pada leher rahim atau serviks uteri. Kanker ini menempati urutan keempat dari seluruh keganasan pada wanita di dunia
Lebih terperinciIr. Sri Pingit Wulandari, M.Si
Pemodelan Angka Kejadian Penyakit Kaki Gajah (Filariasis) di Kabupaten Aceh Timur Menggunakan Multivariate Adaptive Regression Splines (MARS) Oleh: Yustiva Drisma Kurniasari 1307100034 Dosen Pembimbing
Lebih terperinciINSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA Seminar Hasil Tugas Akhir
INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2014 Seminar Hasil Tugas Akhir 1 PEMODELAN DAN PEMETAAN RATA-RATA USIA KAWIN PERTAMA WANITA DENGAN PENDEKATAN REGRESI LOGISTIK ORDINAL DI PROVINSI JAWA TIMUR
Lebih terperinciBAB I PENDAHULUAN BAB II ISI
BAB I PENDAHULUAN A. Latar Belakang Secara umum kanker serviks diartikan sebagai suatu kondisi patologis, dimana terjadi pertumbuhan jaringan yang tidak terkontrol pada leher rahim yang dapat menyebabkan
Lebih terperinciKanker Servix. Tentu anda sudah tak asing lagi dengan istilah kanker servik (Cervical Cancer), atau kanker pada leher rahim.
Kanker Servix Tentu anda sudah tak asing lagi dengan istilah kanker servik (Cervical Cancer), atau kanker pada leher rahim. Benar, sesuai dengan namanya, kanker leher rahim adalah kanker yang terjadi pada
Lebih terperinciBAB I PENDAHULUAN. Kanker merupakan suatu penyakit yang dianggap sebagai masalah besar
BAB I PENDAHULUAN A. Latar Belakang Kanker merupakan suatu penyakit yang dianggap sebagai masalah besar di dunia. Setiap tahun dijumpai hampir 6 juta penderita baru yang diketahui mengidap kanker dan lebih
Lebih terperinciBAB I PENDAHULUAN. A. Latar Belakang Masalah. Menurut Foundation for Woman s Cancer (2013) kanker serviks adalah
1 BAB I PENDAHULUAN A. Latar Belakang Masalah Menurut Foundation for Woman s Cancer (2013) kanker serviks adalah kanker yang dimulai di leher rahim, bagian dari rahim atau rahim yang membuka ke dalam vagina.
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar belakang
BAB I PENDAHULUAN 1.1 Latar belakang Kanker leher rahim menduduki urutan pertama kejadian kanker ginekologis pada wanita secara keseluruhan di dunia. Di seluruh dunia kanker leher rahim menempati urutan
Lebih terperinciKUESIONER FAKTOR-FAKTOR YANG MEMPENGARUHI PERILAKU IBU DALAM PEMERIKSAAN PAP SMEAR DI POLI GINEKOLOGI RSUD DR PIRNGADI MEDAN TAHUN
KUESIONER FAKTOR-FAKTOR YANG MEMPENGARUHI PERILAKU IBU DALAM PEMERIKSAAN PAP SMEAR DI POLI GINEKOLOGI RSUD DR PIRNGADI MEDAN TAHUN 2012 I. INFORMASI WAWANCARA Tanggal Wawancara.../.../... No. Urut Responden...
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA A. Keberhasilan Belajar 1. Pengertian Keberhasilan Belajar Dalam kamus besar bahasa Indonesia, keberhasilan itu sendiri adalah hasil yang telah dicapai (dilakukan, dikerjakan dan
Lebih terperinciKata Kunci: Penciri Tingkat Kesejahteraan, Kemiskinan, bagging MARS
Jurnal Matematika UNAND Vol. 2 No. 4 Hal. 34 42 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND IDENTIFIKASI FAKTOR-FAKTOR PENCIRI TINGKAT KESEJAHTERAAN RUMAH TANGGA MENGGUNAKAN BOOTSTRAP AGREGATING
Lebih terperinciANALISIS STATISTIK FAKTOR-FAKTOR YANG MEMPENGARUHI INDEKS PRESTASI (IP) MAHASISWA DIPLOMA PENERIMA BEASISWA BIDIK MISI DI SURABAYA TAHUN 2010
ANALISIS STATISTIK FAKTOR-FAKTOR YANG MEMPENGARUHI INDEKS PRESTASI (IP) MAHASISWA DIPLOMA PENERIMA BEASISWA BIDIK MISI DI SURABAYA TAHUN 2010 Disusun Oleh: Hanna Silia Karti (1308030043) Dosen Pembimbing:
Lebih terperinciBAB I PENDAHULUAN A. Latar Belakang
BAB I PENDAHULUAN A. Latar Belakang Kanker serviks merupakan merupakan salah satu kanker yang paling sering menyerang wanita di seluruh dunia. Bahkan menurut Badan Kesehatan Dunia, WHO, kanker jenis ini
Lebih terperinciIDENTIFIKASI FAKTOR-FAKTOR YANG MEMPENGARUHI MAHASISWA PASCASARJANA IPB BERHENTI STUDI MENGGUNAKAN ANALISIS CHAID DAN REGRESI LOGISTIK
IDENTIFIKASI FAKTOR-FAKTOR YANG MEMPENGARUHI MAHASISWA PASCASARJANA IPB BERHENTI STUDI MENGGUNAKAN ANALISIS CHAID DAN REGRESI LOGISTIK Mohamad Jajuli Teknik Informatika, Fakultas Ilmu Komputer, Universitas
Lebih terperinciBAB I PENDAHULUAN. awal (Nadia, 2009). Keterlambatan diagnosa ini akan memperburuk status
BAB I PENDAHULUAN A. Latar Belakang Kanker merupakan masalah kesehatan utama bagi masyarakat di seluruh dunia. Kanker yang khusus menyerang kaum wanita salah satunya ialah kanker serviks atau kanker leher
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Kanker serviks adalah penyakit keganasan serviks akibat dari adanya pertumbuhan jaringan yang tidak terkontrol dan merusak jaringan normal di sekitarnya. Kanker serviks
Lebih terperinciAnalisis Faktor-Faktor yang Mempengaruhi Anggaran Pembelian Barang Tahan Lama Rumah Tangga di Jawa Timur dengan Menggunakan Regresi Tobit
Analisis Faktor-Faktor yang Mempengaruhi Anggaran Pembelian Barang Tahan Lama Rumah Tangga di Jawa Timur dengan Menggunakan Regresi Tobit Nama : Margareth G. Shari NRP : 1307 100 026 JURUSAN STATISTIKA
Lebih terperinciBAB 1 PENDAHULUAN. payudara. Di Indonesia, kanker serviks berada diperingkat kedua. trakea, bronkus, dan paru-paru (8.5%), kanker kolorektal (8.
BAB 1 PENDAHULUAN 1.1 Latar Belakang Kanker serviks adalah salah satu penyakit kanker yang berbahaya bagi kaum wanita diseluruh dunia terutama di negara berkembang. Kanker serviks sampai saat ini, masih
Lebih terperinciBAB I PENDAHULUAN. (Emilia, 2010). Pada tahun 2003, WHO menyatakan bahwa kanker merupakan
BAB I PENDAHULUAN 1.1 Latar Belakang Kanker serviks adalah kanker yang terdapat pada serviks atau leher rahim, yaitu area bagian bawah rahim yang menghubungkan rahim dengan vagina. (Emilia, 2010). Pada
Lebih terperinciANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI PENERIMAAN PESERTA DIDIK SMA NEGERI 2 SEMARANG MENGGUNAKAN METODE REGRESI LOGISTIK ORDINAL
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 3, Tahun 2016, Halaman 405-416 Online di: http://ejournal-s1undipacid/indexphp/gaussian ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI PENERIMAAN PESERTA DIDIK
Lebih terperinciBAB I PENDAHULUAN. penyakit yang paling umum yang diakibatkan oleh HPV. Hampir semua
BAB I PENDAHULUAN A. Latar Belakang Human Papilomavirus (HPV) merupakan virus yang paling umum menginfesi saluran reproduksi. Wanita maupun pria akan terkena infeksi virus ini ketika mereka telah aktif
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 6, Nomor 1, Tahun 2017, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 6, Nomor 1, Tahun 2017, Halaman 111-120 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI INDEKS PEMBANGUNAN
Lebih terperinciponsel, purposive sampling, regresi logistik politomus
JURNAL GAUSSIAN, Volume 2, Nomor 1, Tahun 2013, Halaman 49-58 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian ANALISIS PEMILIHAN MEREK TELEPON SELULER PADA MAHASISWA UNIVERSITAS DIPONEGORO
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Kanker masih menjadi penyakit pembunuh nomor dua di dunia saat ini setelah penyakit jantung dan pembuluh darah. Dalam aspek ini, kanker menjadi masalah kesehatan penting
Lebih terperinciANALISIS PENDUDUK BEKERJA BERDASARKAN SEKTOR PEKERJAAN DAN JAM KERJA MENGGUNAKAN REGRESI PROBIT BIVARIAT DI PROVINSI ACEH
ANALISIS PENDUDUK BEKERJA BERDASARKAN SEKTOR PEKERJAAN DAN JAM KERJA MENGGUNAKAN REGRESI PROBIT BIVARIAT DI PROVINSI ACEH Rizal Rahmad 1, Toni Toharudin 2, Anna Chadijah 3 Prodi Master Statistika Terapan,
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Radang paru paru adalah sebuah penyakit pada paru paru dimana pulmonary alveolus yang bertanggung jawab menyerap oksigen dari atmosfer meradang dan terisi cairan. Berdasarkan
Lebih terperinciKata kunci---beras Keluarga Miskin, regresi logistik biner. I. PENDAHULUAN
1 Analisis Regresi Logistik Biner Untuk Mengidentifikasi Faktor-Faktor Yang Mempengaruhi Status Penerimaan Beras Keluarga Miskin (Raskin) Di Kecamatan Gunung Anyar Faiz Ramadhani Rahman, Ismaini Zain Jurusan
Lebih terperinciFaktor-Faktor yang Membedakan Jenis Pelanggaran lalu lintas di Polres Sidoarjo dengan Menggunakan Metode Regresi Logistik Biner
Faktor-Faktor yang Membedakan Jenis Pelanggaran lalu lintas di Polres Sidoarjo dengan Menggunakan Metode Regresi Logistik Biner Oleh : Febrian Hadi Santoso 1308 030 016 Pembimbing : Wibawati, S.Si, M.Si
Lebih terperinciBAB III REGRESI LOGISTIK BINER DAN CLASSIFICATION AND REGRESSION TREES (CART) Odds Ratio
21 BAB III REGRESI LOGISTIK BINER DAN CLASSIFICATION AND REGRESSION TREES (CART) 3.1 Regresi Logistik Biner Regresi logistik berguna untuk meramalkan ada atau tidaknya karakteristik berdasarkan prediksi
Lebih terperinciEARLY WARNING SYSTEM (EWS) UNTUK PREDIKSI KESEHATAN BANK PERKREDITAN RAKYAT (BPR) DI INDONESIA: PENDEKATAN MODEL REGRESI LOGISTIK
EARLY WARNING SYSTEM (EWS) UNTUK PREDIKSI KESEHATAN BANK PERKREDITAN RAKYAT (BPR) DI INDONESIA: PENDEKATAN MODEL REGRESI LOGISTIK Diah Arianti, 1) dan Nur Iriawan 2) 1) Information Management Technology,
Lebih terperinciA. Pengetahuan Kanker Serviks NO. PERTANYAAN JAWABAN 1. Kanker leher rahim ( serviks ) merupakan penyakit?
Lampiran 1 Kuesioner A. Pengetahuan Kanker Serviks NO. PERTANYAAN JAWABAN 1. Kanker leher rahim ( serviks ) merupakan penyakit? a. Penyakit ganas yang disebabkan oleh bakteri dan menyerang rahim (0) b.
Lebih terperinciANALISIS PELUANG STATUS GIZI ANAK DENGAN MENGGUNAKAN METODE REGRESI LOGISTIK MULTINOMIAL BERBASIS KOMPUTER
ANALISIS PELUANG STATUS GIZI ANAK DENGAN MENGGUNAKAN METODE REGRESI LOGISTIK MULTINOMIAL BERBASIS KOMPUTER Kimmy Octavian Yongharto Binus University, DKI Jakarta, Jakarta, Indonesia Abstrak Salah satu
Lebih terperinci(R.2) KAJIAN PREDIKSI KLASIFIKASI OBYEK PADA VARIABEL RESPON BINER
(R.2) KAJIAN PREDIKSI KLASIFIKASI OBYEK PADA VARIABEL RESPON BINER Drs. Soekardi Hadi P. Prodi Matematika Fakultas Sains dan Teknologi Universitas Islam As-Syafi iyah Email : s.hadip@yahoo.co.id Abstrak
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang. Gambaran masyarakat Indonesia dimasa depan yang ingin dicapai melalui
BAB I PENDAHULUAN 1.1 Latar Belakang Gambaran masyarakat Indonesia dimasa depan yang ingin dicapai melalui pembangunan kesehatan adalah masyarakat, bangsa, dan negara yang ditandai oleh penduduk yang hidup
Lebih terperinci