π(x) 1 e JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 2012) ISSN: X D-277

Transkripsi

1 JURNAL SAINS DAN SENI ITS Vol., No., (Sept. 22) ISSN: X D-277 Klasfas Pase Hasl Pap Smear Test sebaga Pedetes Awal Upaya Peagaa D pada Peyat Kaer Servs d RS. X Surabaya dega Metode Baggg Logstc Regresso Ida Ayu Sevta Itasar, Sat Wula Puram, da Sr Pgt Wuladar Jurusa Satsta, Faultas Matemata da Ilmu Pegetahua Alam, Isttut Teolog Sepuluh Nopember (ITS) Jl. Aref Rahma Ham, Surabaya 6 E-mal: sat_wp@statsta.ts.ac.d, sr_pgt@statsta.ts.ac.d Abstra Kaer servs merupaa pertumbuha dar suatu elompo sel yag tda ormal pada servs (mulut rahm). Meurut WHO (23), Idoesa merupaa egara dega pederta aer mulut rahm omor satu d dua. Kaer servs adalah aer yag palg serg djumpa pada wata setelah aer payudara da dapat meyebaba emata. Oleh area tu, pase hasl pap smear test sebaga pedetes awal upaya peagaa d pada peyat aer servs d RS. X Surabaya gua melhat araterst da fator reso yag palg berpegaruh terhadap pedetes awal aer servs. Berdasara hasl peelta dperoleh aalss desrptf yag meujua bahwa lebh baya pase yag meml hasl test abormal dbadga dega yag ormal megguaa Pap Smear Test. Pada aalss regres logst dperoleh tga varabel predtor yag sgfa berpegaruh terhadap hasl test, yatu usa pase, jumlah aa (partas) da pegguaa otraseps, dega la etepata lasfas sebesar 66,7%. Nla etepata lasfas tersebut dapat dtgata dega pedeata baggg regres logst (baggg logstc regresso). Hasl aalss baggg regres logst pada 2 jes ombas data, meujua bahwa pada 8 al replas bootstrap dperoleh la etepata lasfas megat sebesar,%.. Kata Kuc baggg, aer servs, etepata lasfas, regres logst. I. PENDAHULUAN ANKER servs merupaa pertumbuha dar suatu Kelompo sel yag tda ormal pada servs (mulut rahm). Perubaha basaya memaa watu beberapa tahu sebelum berembag mejad aer. Meurut WHO (23) Idoesa merupaa egara dega pederta aer mulut rahm omor satu d dua. Peelta terhadap aer servs perah dlaua oleh Nurdm[], Melva[2] da Yastut[3] utu megetahu fatorfator yag mempegaruh ejada aer servs. Peelta megguaa metode Baggg Regres Logst perah dlaua oleh Ngrum[4] utu meglasfasa esejahteraa rumah tagga d Kota Malag, hasl esmpula peelta tersebut meujua bahwa la etepata lasfasya sebesar 97,8% mejad 98% setelah dlaua baggg. Oleh area tu peelta al dlaua pada data d RS. X Surabaya pada tahu 2 megguaa Baggg Regres Logst dega harapa hasl peelta medapata etepata lasfas yag lebh tgg dbadg metode pada peelta sebelumya. II. LANDASAN TEORI. Statsta Desrptf Statsta desrptf adalah metode yag dguaa utu medesrpsa data, melput pegumpula, pegorgasasa, serta peyaja data [5]. 2. Aalss Regres Logst Ber (Bary Logstc Regresso) Dalam model statsta dega dua ategor, dega varabel respo megadug usur suses atau gagal. Data ber merupaa betu palg sederhaa dar data ategor. Model yag palg serg dguaa utu data dua ategor adalah regres logst ber [6]. Model Regres Logst Ber (Dotomus) Regres logst merupaa suatu metode regres yag meggambara hubuga atara suatu varabel respo (depedet) da satu atau lebh varabel predtor (depedet). Betu model regres logst dega varabel predtor adalah sebaga berut β βx β 2x 2... βx e π(x) β βx β 2x 2... βx e () Dega megguaa trasformas logt dar π(x), maa model regres fugs logt dapat ddefsa sebaga berut g(x) β βx β 2x 2... β x (2) Betu logt g(x) merupaa model logt, fugs lear dalam parameter-parameterya, da berada dalam jara atara - sampa + tergatug dar varabel X [7]. Peasra Parameter Model Regres Logst Maxmum Lelhood (emuga masmum) merupaa salah satu metode yag dguaa utu meduga parameter-parameter yag terdapat dalam persamaa regres

2 JURNAL SAINS DAN SENI ITS Vol., No., (Sept. 22) ISSN: X D-278 logst [7]. Fugs lelhood-ya adalah sebaga berut. dega Persamaa (3) ddferesala terhadap β dega j=,2,...,p Utu mecar turua dar persamaa (4) yag dsamadegaa ol, sergal tda medapata hasl yag esplst sehgga dguaa metode teras Newto Raphso utu megatasya. Algortma metode teras Newto Raphso meurut Agrest [6] adalah sebaga berut.. Meetua la awal estmas parameter β () dega Ordary Least Square (OLS), yatu: 2. Membetu vetor grade g. 3. Membetu matrs Hessa H. 4. Memasua la e vetor g da matrs H sehgga dperoleh vetor da matrs. 5. Melaua teras pada persamaa dmula dar t =, dmaa β (t) adalah estmas parameter yag overge pada teras e-t. 6. Apabla belum dperoleh estmas parameter yag overge, lagah (5) dulag embal hgga teras e t = t + da teras aa berhet saat β (t+) β (t) ε, dmaa ε adalah blaga yag sagat ecl. Hasl estmas yag dperoleh adalah β (t+) pada teras terahr.. Peguja Parameter Model Regres Logst Uj Sereta Uj sereta dlaua yatu utu megetahu sgfas parameter β terhadap varabel respo secara eseluruha. Peguja sgfas parameter tersebut megguaa statst uj G, dmaa statst uj G megut dstrbus Ch-Square dega derajat bebas satu [7]. Hpotess yag dguaa: H : H : palg sedt ada satu β j, dega j=, 2,, p Taraf Sgfa :,5 Statst Uj : G 2l πˆ y y πˆ (3) (4) (5) y y da Daerah peolaa : tola Ho ja dega db adalah derajat bebas (I-)(J-). Uj Idvdu Utu meguj pegaruh setap β j secara dvdual. Hasl peguja secara dvdual aa meujua apaah suatu varabel predtor laya utu masu dalam model atau tda. Hpotess yag dguaa adalah H : = H : dega j =, 2, 3,, p Taraf Sgfa : α Statst Uj : Statst Uj Wald (6) Daerah peolaa : tola Ho ja atau dmaa db adalah derajat bebas dega la sama dega Uj Kesesuaa Model Adapu hpotess yag dguaa adalah : H : model sesua H : model tda sesua Statst uj yag dguaa utu meguj esesuaa model adalah Ch-Square dar Hosmer da Lemeshow test. g 2 o ' π Ĉ ' π π (7) dega o π = ' j C j y j m πˆ, jumlah varabel respo pada group e- j ' j =, rata-rata tasra probabltas g = Jumlah grup (ombas ategor model sereta) ' = bayaya observas pada group e- Daerah Peolaa : Tola H ja χ 2 htug > 2 χ (db,α) Iterpretas Model Utu regres logst dega varabel predtor bersfat dotomus, la x dategora atau. Tabel meyataa varabel predtor dotomus. Tabel. Nla-Nla π(x) da - π(x) Utu Varabel Predtor Ber (Dotomos) Varabel Predtor Varabel respo x = x = expβ β expβ y = π π exp β β exp β y = - π - π expβ β Total Sumber: Hosmer ad Lemeshow[5] exp β

3 JURNAL SAINS DAN SENI ITS Vol., No., (Sept. 22) ISSN: X D-279 Odds rato, dotasa ψ, ddefsa sebaga rato odds utu x = terhadap odds utu x =, yag dapat dtulsa dalam persamaa (8) berut [7]. π()/ π() ψ π()/ π() (8) Berdasara Tabel 2., la odds rato adalah exp(β β ) exp(β β ) exp(β ) ψ exp(β ) exp(β ) exp(β β ) exp(β β) exp(β ) exp( β ) (9) 3. Evaluas Ketepata Klasfas Evaluas etepata lasfas adalah suatu evaluas yag melhat peluag esalaha lasfas yag dlaua oleh suatu fugs lasfas [8]. Tabel 2. Tabel Klasfas Regres Logst Hasl Observas Tasra y y 2 y 2 y Keteraga : = Jumlah subje dar y tepat dlasfasa sebaga y 2 = Jumlah subje dar y salah dlasfasa sebaga y 2 2 = Jumlah subje dar y 2 salah dlasfasa sebaga y 22 = Jumlah subje dar y 2 tepat dlasfasa sebaga y 2 4. Bootstrap Aggregatg (Baggg) Metode baggg pertama al dguaa oleh Brema[9]. Baggg predtor adalah metode utu membagta multple verso dar predtor da megguaaya utu aggregate predtor. Aggregate classfer atau metode lasfas agregat µ A dbera secara umum dalam : µ A (y) = E F [ (y, )] dmaa espetas sampel D berdasara dstrbus F (fugs dstrbus empr). Brema megeala prosedur baggg dmaa syarat µ A (y) dperoleh dega membagta B dar D dega metode bootstrap. Bootstrap sampel dtetua dar samplg dega pegembala data observas. Utu setap resampel bootstrap dar dhtug []: (*b) (y, (*b) ), b =,..., B da emuda measr classfer sebaga berut. A(y) = [ (y, * )] Estmas Baggg Class Probablty Perbadga dlaua dega membadga preds error dar hasl model tuggal sebaga berut. e S = (j x) p*(j x) () dmaa (j x) adalah peasr peluag dar model tuggal da p*(j x) adalah peluag sebearya. Sedaga utu model hasl baggg, pada setap teras bootstrap dlaua perhtuga preds error. e B = B (j x) p*(j x) () dmaa B(j x) peasr dar peluag pada setap replas, sehgga preds error dar model baggg merupaa hasl rata-rata preds error pada setap pegambla sampel pada setap B replas bootstrap [9]. Algortma baggg utu regres logst ber adalah sebaga berut :. Megambl sampel bootstrap sebaya dar data set dega pegulaga sebaya. 2. Meghtug peluag respo utu setap observas da meghtug etepata lasfas. Kesalaha lasfas pada lagah dsebut e B. 3. Megulag lagah sampa lagah 3 sebaya B al (replas bootstrap). 4. Memperoleh etepata lasfas baggg dar pegambla sampel sampa B, sehgga esalaha lasfas baggg utu replas B al adalah B. 5. Membetu model baggg regres logst ber dar setap parameter pada pegambla sampel sampa B. 6. Utu memperoleh hasl yag lebh ba, maa replas bootstrap dlaua sebaya mug []. Replas bootstrap yag basa dguaa adalah 5 sampa Kaer Servs Kaer mulut rahm (servs) atau arsoma servs uterus merupaa aer pembuuh wata omor dua d dua setelah aer payudara. Kaer 99,7% dsebaba oleh Huma Paplloma Vrus (HPV) [2]. Pap Smear Test Hasl Pap test sesua lasfas Papacolaou terdr dar lma las yatu [3]-[5].. Normal, dmaa tda dtemua sel abormal 2. Tampa sel abormal tetap tda ada but egaasa 3. Tampa sel-sel atyp yag meragua utu egaasa 4. Tampa sel-sel yag mecurgaa egaasa 5. Tampa adaya sel-sel gaas. Hasl Pap test pada RS X Surabaya dsaja dalam Tabel 3. Tabel 3. Gambara Stolog Hasl Pap Test. Kelompo Jes Normal Normal smear Abormal Radag o spesf TV AS (Atrophc Smear) HV ASC-US Cadda ASC-H Cocce Early as LSIL HSIL Mld RNS Herpes Smple Vrus Metaplasa III. METODOLOGI PENELITIAN. Sumber Data Peelta Data yag dguaa dalam peelta adalah data seuder yag dperoleh dar RS X Surabaya tahu Varabel Peelta Varabel peelta yag dguaa dalam peelta terdr atas varabel respo da varabel predtor. Varabel

4 JURNAL SAINS DAN SENI ITS Vol., No., (Sept. 22) ISSN: X D-28 peelta yag dguaa dalam peelta adalah :. Varabel respo yag dguaa dalam peelta adalah hasl stolog Pap Smear Test (Y) yag merupaa varabel dega ategor : = Normal 2 = Abormal Varabel peelta dsaja pada Tabel 4. Tabel 4. Varabel Peelta Kode Varabel Defs Operasoal Sala Peguura Varabel respo : Y Hasl Pap Smear Test. Normal () 2. Abormal (2) Nomal Varabel predtor : X Usa Usa pase Raso X 2 Usa Usa pertama al melahra Raso melahra pertama al X 3 Usa Usa pertama al megalam Raso mestruas pertama al mestruas X 4 Slus. teratur () Nomal mestruas 2. tda teratur (2) X 5 Freues melahra. perah melahra 2 aa () 2. perah melahra 2 aa (2) Nomal Pegguaa. tda megguaa otraseps () Nomal X 6 X 7 otraseps Rwayat egugura 2. megguaa otraseps (2). tda perah egugura () 2. perah egugura (2) Nomal IV. ANALISIS DAN PEMBAHASAN. Karaterst Pase Pap Smear Test Berdasara Fator Reso Tabel 4. Karaterst Pase Pap Smear Test Berdasara Varabel Usa Pase, Usa Melahra da Usa Mestruas Pertama Varable N N* Mea SE Mea StDev Mmum Maxmum X 9 42,28,38 9,244 23, 8, X2 9 25,867,37 4,3 6, 45, X3 9 2,936,45,354 8, 6, Tabel 4. meujua bahwa usa pase yag melaua tes terecl adalah usa 23 tahu sedaga yag terbesar adalah usa 8 tahu. Utu varabel usa melahra pertama al dtujua bahwa usa melahra pertama al termuda adalah usa 6 tahu da usa melahra tertua adalah 45 tahu. Varabel usa mestruas pertama termuda adalah usa 8 tahu da usa mestruas pertama tertua adalah usa 6 tahu. Karaterst Pase Pap Smear Test Berdasara Fator Reso Slus Mestruas Gambar.. Hasl Tes Abormal Fator Slus Mestruas. Gambar. mejelasa pase meml hasl test abormal palg baya adalah pase dega slus mestruas teratur yatu sebesar 67%, sedaga pase yag slus mestruasya tda teratur sebesar 33%. Karaterst Pase Pap Smear Test Berdasara Fator Reso Freues Melahra Gambar. 2. Hasl Tes Abormal Fator Freues Melahra. Gambar 2. mejelasa pase meml hasl test abormal palg baya adalah pase dega jumlah aa urag atau sama dega 2 yatu sebesar 55%, sedaga pase yag meml aa lebh dar 2 sebesar 45%. Karaterst Pase Pap Smear Test Berdasara Fator Reso Pegguaa Kotraseps Gambar. 3. Hasl Tes Abormal Fator Pegguaa Kotraseps. Gambar 3. mejelasa pase meml hasl test abormal palg baya adalah pase yag megguaa otraseps yatu sebesar 54%, sedaga pase yag tda megguaa otraseps sebesar 46%. Karaterst Pase Pap Smear Test Berdasara Fator Reso Rwayat Kegugura Gambar. 4. Hasl Tes Abormal Faotr Rwayat Kegugura. Gambar 4. mejelasa pase meml hasl test abormal palg baya adalah pase yag tda perah egugura yatu sebesar 68%, sedaga pase yag perah egugura sebesar 32%. 2. Regres Logst Ber Regres Logst Ber Secara Idvdu Peguja dguaa utu megetahu pegaruh masg-masg varabel predtor terhadap varabel respo secara dvdu. Hpotess yag dguaa adalah sebaga berut. H : β j = H : β j, dega =,2,,7 Tgat sgfas yag dguaa yatu α = %.

5 JURNAL SAINS DAN SENI ITS Vol., No., (Sept. 22) ISSN: X D-28 Statst uj yag dguaa adalah statst uj Wald. Keputusa peolaa H ja p-value < α atau la W 2 lebh besar dar (;,5)= 3,84. Tabel 5. Uj Sgfas Parameter Secara Idvdu Varabel Predtor Desrps Wald p-value X Usa 8,772,* X 2 Usa melahra pertama 2,799,94* X 3 Usa mestruas pertama,8,665 X 4 Slus mestruas 23,532,* X 5 Partas (Jumlah aa),35,852 X 6 Pegguaa otraseps 3,484,* X 7 Rwayat egugura,475,49 Keteraga : *parameter sgfa berpegaruh pada α = 5% Tabel 5. meujua bahwa varabel predtor sgfa berpegaruh pada taraf α =% adalah varabel X, X 2,X 4 da X 6. Regres Logst Ber Secara Sereta Te yag dguaa dalam uj sereta adalah te bacward wald dega hpotess sebaga berut. H : β = β 2 = = β 7 = H : palg sedt ada satu β, dega =,2,, 7 Tgat sgfas yag dguaa yatu α = 5%. Keputusa peolaa H ja p-value < α atau la G lebh besar (4;,5)= 9,488. Tabel 6. Uj Sgfas Parameter Secara Sereta Ch-square df Sg. Step Step , Bloc , Model , Keteraga : *parameter sgfa berpegaruh pada α = 5% Nla statst uj G yag dhasla adalah sebesar 57,57 dmaa la lebh besar dar la (4;,5) sehgga eputusa yag dambl adalah tola H, atau dega ata la palg sedt ada satu β j. Jad, model regres logst ber yag dperoleh adalah sebaga berut. Uj Kesesuaa Model Uj esesuaa model dguaa utu megetahu apaah terdapat perbedaa atara hasl observas dega emuga hasl preds. Hpotess yag dguaa adalah sebaga berut. H : model sesua H : model tda sesua Tgat sgfas yag dguaa adalah α = 5%. Pada Hosmer ad Lemeshow test dperoleh la p-value sebesar,75 dmaa la p-value > α sehgga eputusaya adalah Gagal tola H yag berart model sesua, sehgga model yag dguaa adalah dega model logt : Evaluas Ketepata Klasfas Tabel 7. Tabel Klasfas Model Regres Logst Observas Preds Ketepata Normal Abormal Klasfas(%) Normal ,4 Abormal , Ketepata Klasfas Total (%) 66,7 Tabel 7. detahu bahwa persetase seluruh observas terlasfasa dega bear adalah 66,7%. 3. Baggg Regres Logst Data dbag mejad data trag da testg dega 2 ombas yatu trag-testg 8%-2% da trag-testg 7%-3% emuda masg-masg ombas data dreplas bootstrap sebaya 5 hgga al. Estmas Baggg Class Probablty Kombas Data I Tabel 8. Ketepata Klasfas dega Regres Logst Ber pada data testg pada data ombas Regres Logst Ketepata Klasfas Ber 67,78% 32,22% Tabel 9. Hasl Baggg Regres Logst Data Trag data ombas Replas Bootstrap Ketepata Klasfas B 5 al 7,29% 28,7% 6 al 7,7% 28,93% 7 al 7,5% 28,85% 8 al 7,67% 28,33% 9 al 7,48% 28,52% al 7,6% 28,39% Tabel. Hasl Baggg Regres Logst Data Testg data ombas Replas Bootstrap Ketepata Klasfas B 5 al 68,89% 3,% 6 al 68,89% 3,% 7 al 68,89% 3,% 8 al 68,89% 3,% 9 al 68,89% 3,% al 68,33% 3,67% Tabel 8., Tabel 9. da Tabel. membera formas bahwa dega 8 al replas bootstrap yag dlaua pada data trag ombas, dperoleh rata-rata etepata lasfas terbesar, maa estmas parameter pada baggg dega 8 replas dguaa pada data testg da meghasla etepata lasfas sebesar 68,89%. Dapat dsmpula bahwa dperoleh baggg predtor terba adalah pada replas bootstrap sebaya 8 al. Preds errorya yag megalam peurua sebesar,%, yatu sebesar 32,22% mejad 3,% da megalam pegata lasfas dar 67,78% mejad 68,89%.

6 JURNAL SAINS DAN SENI ITS Vol., No., (Sept. 22) ISSN: X D-282 Estmas Baggg Class Probablty Kombas Data 2.Tabel. Ketepata Klasfas dega Regres Logst Ber pada data testg data ombas 2 Regres Logst Ketepata Klasfas Ber 69,63% 3,37% Tabel 2. Hasl Baggg Regres Logst Data Trag pada data ombas 2 Replas Bootstrap Ketepata Klasfas B 5 al 7,88% 29,2% 6 al 7,6% 28,84% 7 al 7,45% 29,55% 8 al 7,49% 28,5% 9 al 7,97% 29,3% al 7,67% 28,33% Tabel 3. Hasl Baggg Regres Logst Data Testg pada data ombas 2 Replas Bootstrap Ketepata Klasfas B 5 al 7,74% 29,26% 6 al 7,% 3,% 7 al 7,74% 29,26% 8 al 7,74% 29,26% 9 al 7,37% 29,63% al 7,37% 29,63% Tabel. Tabel 2. da Tabel 3. membera formas bahwa dega 8 al replas bootstrap yag dlaua pada data ombas 2, dperoleh rata-rata etepata lasfas terbesar, yatu sebesar 7,49%. Dapat dsmpula bahwa dperoleh baggg predtor terba adalah pada replas bootstrap sebaya 8 al. Preds errorya yag megalam peurua sebesar,%, yatu sebesar 3,37% mejad 29,63% da megalam pegata lasfas dar 69,63% mejad 7,74%. Tabel 4. Hasl Baggg Regres Logst Replas Bootstrap Ketepata Klasfas Kombas 8%-2% Kombas 2 7%-3% 5 al 68,89% 7,74% 6 al 68,89% 7,% 7 al 68,89% 7,74% 8 al 68,89% 7,74% 9 al 68,89% 7,37% al 68,33% 7,37% Hasl perbadga pada Tabel 4. ddapata hasl bootstrap data ombas edua dega data ombas pertama, data ombas pertama da edua meml pegata etepata lasfas yag sama. Model Baggg Regres Logst Estmas parameter model baggg merupaa la ratarata estmas parameter B al replas bootstrap. Ja dlaua replas 8 al, maa estmas parameter model baggg adalah hasl rata-rata estmas parameter e-8 model multple regres logst Model baggg regres logst yag dperoleh pada 8 al replas bootstrap pada data ombas adalah : Model baggg regres logst yag dperoleh pada 8 al replas bootstrap pada data ombas 2 adalah : V. KESIMPULAN Hasl aalss regres logst meujua bahwa pola hubuga hasl Pap Smear Test sebaga test awal utu aer servs dega fator-fator yag mem-pegaruhya dgambara dalam model regres logst berut. Pada model tersebut terdapat 4 (empat) varabel predtor yag sgfa berpegaruh terhadap varabel respo, yatu usa pase (X ), usa melahra pertama (X 2 ), slus mestruas (X 4 ) da pegguaa otraseps (X 6 ), Model tersebut sudah sesua utu mejelasa berapa besar peluag seorag pase aa postf abormal pada hasl Pap Smear Test, sehgga dapat lagsug melaua tdaa lajut, dega etepata lasfas sebesar 66,7%. Hasl aalss baggg regres logst meujua bahwa pada 8 al pada data ombas da 2, replas bootstrap dperoleh pegata etepata lasfas sebesar,% UCAPAN TERIMA KASIH Peuls I.A.S.I. megucapa terma ash epada Jurusa Statsta ITS da Rumah Sat X Surabaya. DAFTAR PUSTAKA [] F. I. Nurdm, Klasfas Pase Hasl Pap Test Peyat Kaer Leher Rahm dega Metode Multvarate Adaptve Regresso Sples (MARS). Tugas Ahr, Jurusa Statsta Isttut Teolog Sepuluh Nopember, Surabaya. (26). [2] Melva, Fator-fator yag Mempegaruh Kejada Kaer Leher Rahm Pada Pederta Yag Datag Berobat D RSUP H. Adam Mal Meda. Tess, Uverstas Sumatera Utara, Meda. (28). [3] H. Yastut, Baggg Multvarate Adaptve Regresso Sples (Mars) Utu Klasfas Pase Hasl Pap Test Peyat Kaer Servs (Stud Kasus D RS X Surabaya). Tugas Ahr, Jurusa Statsta Isttut Teolog Sepuluh Nopember, Surabaya. (2). [4] E. S. Ngrum, Klasfas Kesejahteraa Rumah Tagga D Kota Malag Dega Pedeata Baggg Regres Logst. Tugas Ahr, Jurusa Statsta Isttut Teolog Sepuluh Nopember, Surabaya. (22). [5] R. E. Walpole, Pegatar Statsta Eds e-3. Jaarta: PT Grameda Pustaa Utama. (995). [6] A. Agrest, Categorcal Data Aalyss. Joh Wley ad Sos. New Yor. (99). [7] D.W. Hosmer da Lemeshow, Appled Logstc Regresso. USA : Joh Wley ad Sos. (2). [8] R. A. Johso da D. W. Wcher, Appled Multvarate Statstcal Aalyss. Pretce Hall. New Jersey. (992). [9] L. Brema, Baggg Predctor. Techcal report No. 42. Departemet of statstcs Uversty of Calfora. (994). [] J. G. Das da J. K Vermut, A Bootstrap based Aggregate Classer for Model based Clusterg. Joural of Aals Statstcs. (25). [] B. Efro da R.J. Tbshra, A Itroducto to the Bootstrap. Chapma ad Hall. New Yor. (993). [2] Wpeda. (22, Februar 9). Kaer Leher Rahm. [3] H. Nurwjaya, Adrjoo, Suhem, H.K., Cegah da Detes Kaer Servs. Grameda, Jaarta. (2). [4] A. Setawa, (2). Kaer Servs Peyebab Utama Kemata, [5] D. Wjaya, Pembuuh Gaas Itu Berama Kaer Servs. Sar Kejora, Yogyaarta. (2).