Oleh : Anindya Frisanty Ikaprillia Dosen Pembimbing : Dr. Purhadi, M.Sc

Transkripsi

1 Oleh : Anindya Frisanty Ikaprillia Dosen Pembimbing : Dr. Purhadi, M.Sc

2 Pendahuluan Tinjauan Pustaka Metodologi Penelitian Analisis dan Pembahasan Kesimpulan dan Saran

3 Rumusan Masalah Tujuan Latar Belakang Pendahuluan Manfaat

4 kasus kanker serviks di Jawa Timur Regresi Poisson Overdispersi Regresi Binomial Negatif GWPR AIC

5 1 Bagaimana model terbaik Regresi Binomial Negatif dan GWPR pada studi kasus jumlah kanker serviks di Jawa Timur tahun 2011? Mendapatkan model terbaik dari Regresi Binomial Negatif dan GWPR pada studi kasus jumlah kanker serviks di Jawa Timur tahun Bagaimana variabel-variabel yang signifikan dan berpengaruh terhadap jumlah kasus kanker serviks di Jawa Timur tahun 2011? Mengetahui variabel-variabel mana saja yang signifikan berpengaruh terhadap jumlah kasus kanker serviks di Jawa Timur tahun

6 1 Bagi peneliti : Memberikan pemahaman tentang bagaimana menangani kasus berpengaruhnya variabel persentase sarana kesehatan signifikan disemua wilayah 2 Bagi Pemerintah : Memberikan informasi yang berpengaruh terhadap adanya sejumlah kasus kanker serviks 3 Bagi Masyarakat : Sebagai sarana untuk memperoleh informasi mengenai faktor-faktor yang berhubungan dengan kanker serviks

7 Regresi Poisson TINJAUAN PUSTAKA Regresi Binomial Negatif GWPR

8 Multikolinearitas adalah kondisi terdapatnya hubungan linier atau korelasi yang tinggi antara masing-masing variabel independen dalam model regresi. Pendeteksian adanya kasus multikolinieritas dapat dilihat melalui VIF > 10 dinyatakan sebagai berikut. 1 VIF = 1 2 R j

9 Regresi Poisson berdasarkan pada penggunaan Distribusi Poisson. Fungsi peluang dari Distribusi Poisson itu sendiri menurut (Myers,1990) dapat dinyatakan sebagai berikut. py ( ; µ ) = e µ y µ y! Model Regresi T [ ] [ β β β β ] x = x x x i i i ki β = i = 1, 2,, n k T T µ exp( ) i = X i β

10 Penaksiran Parameter Model Regresi Poisson Penaksiran parameter dari model Regresi Poisson menggunakan metode Maximum Likelihood Estimation (MLE) : ln L ( β) n y exp( µ ) i i µ i = ln i= 1 yi! n n n xβ T i T ixβ i i= 1 i= 1 i= 1 ( ) = e + y ln y! i ln L ( β) n n = x exp β ( x T ) x+ T β i i i i i= 1 i= 1 y

11 Pengujian Parameter Model Regresi Poisson Pengujian Parameter model Regresi Poisson dilakukan dengan menggunakan metode Maximum Likelihood Ratio Test (MLRT) dengan hipotesis sebagai berikut. Uji Serentak Hipotesis : H : β = 0 pengaruh variabel ke-i tidak signifikan H 0 1 Keputusan : Tolak Ho jika ( ) ( ) : β 0 pengaruh variabel ke-i signifikan i i Statistik Uji : z = zhit se > ˆ β i ( ˆ βi ) z α 2 Hipotesis : : = = = = 0 H0 β1 β2 β k H β 1 : paling sedikit ada satu i 0 ; i=1,2,,k Statistik Uji : L( ˆ ω) ( β) Keputusan : Tolak Ho jika ( ( )) ( ω) ( ) D ˆ = 2ln = 2 ln L Ωˆ ln L ˆ L( Ωˆ ) Uji Parsial D ˆ) 2 ( β > χ ( α ; n k 1)

12 Overdispersi Pada Regresi Poisson Overdispersi dapat diindikasikan dengan nilai dispersi Person Chi-square dan deviance yang dibagi dengan derajat bebasnya. Jika kedua nilai ini lebih besar dari 1 maka dikatakan terjadi overdispersi pada data. (Hardin dan Hilbe, 2007) Var Y > E Y ( ) ( )

13 Regresi Binomial Negatif merupakan salah satu model regresi terapan dari Generalisasi Model Linier (GML). Regresi Binomial negatif merupakan suatu model yang sesuai untuk data count dimana terjadi pelanggaran asumsi equidispersi pada Regresi Poisson. Model Regresi µ ( T ) Binomial Negatif i = exp X i β Penaksir Parameter Model Regresi Binomial Negatif Metode Maximum Likelihood Estimation (MLE)

14 Pengujian Parameter Model Regresi Binomial Negatif Hipotesis : H0 : β1 = β2 = = βk = 0 H : paling sedikit ada satu β 0, j = 1,2,, k 1 Statistik Uji : ( ) ( ˆ L ˆ ω D β) = 2ln Λ= 2ln = 2 ln L Ωˆ ln L ˆ L( Ωˆ ) Keputusan : Tolak Ho jika D ( ˆ β) > χ 2; α k Uji Parsial j ( ( ) ( ω) ) Hipotesis : H : β = 0 H 0 1 : β 0 Statistik Uji : Keputusan : Tolak Ho jika j j Uji Serentak W j β SE j = Wj χ ( β j ) 2 α ;1 2

15 Model GWPR merupakan bentuk lokal dari Regresi Poisson yang menghasilkan penaksir parameter model yang bersifat lokal untuk setiap titik atau lokasi dimana data tersebut dikumpulkan dengan mengasumsikan data berdistribusi Poisson. y i ~poisson (µ i ) dengan µ i = exp Model GWPR

16 Penaksir Parameter Model GWPR Fungsi Likelihood Metode Newton-Raphson Iteratively Reweighted Least Square (IRLS)

17 Pengujian Parameter Model GWPR Penguji Pertama Hipotesis : Ho : ( β ( u, v )) = β i = 1,2, n j = 0,1,2, k H 1 : Statistik Uji : Keputusan : Tolak Ho jika F j ( β ( u j i i i, v F i hit j )) β = hit j Devians Model A df Devians Model B df > F ( α, df A, df B ) A B Hipotesis : Ho : β ( u1, v1 ) β 2 ( u 2, v2 ) = β 3 ( u3, v3 ) = = β ( u, v 1 = k i i = ) 0 H 1 : paling tidak ada salah satu β j ( ui, vi ) 0 ; j=1,2,,k Uji Serentak Keputusan : Tolak Ho jika D ( ˆ β ) > χ 2 ( α, k )

18 Hipotesis : Ho : Uji Parsial H 1 : Statistik Uji : Keputusan : Tolak Ho jika

19 Penentuan Bandwidth dan Pembobot Optimum Metode Generalized Cross Validation (GCV) untuk menentukan bandwith optimum, yang dirumuskan sebagai berikut : GCV ( b) = n n i= 1 ( y y ( b) ) i ( n v ) 2 1 i 2 Pemilihan Model Terbaik AIC = 2ln L + 2k ( θ ) Terdapat beberapa metode dalam menentukan model terbaik, salah satunya adalah Akaike Information Criterion (AIC). (Bozdogan, 2000) Dipilih AIC yang terkecil

20 Kanker Serviks (Cervical Cancer) atau kanker leher rahim adalah kanker yang terjadi pada serviks uterus, yaitu bagian organ reproduksi wanita yang merupakan pintu masuk ke dalam rahim yang letaknya antara rahim (uterus) dengan liang senggama (vagina). Usia yang sering terkenanya kanker serviks rata-rata berumur dibawah 50 tahun dan distribusi pencapaian puncak 2 kali pada usia tahun. Sedangkan faktor resiko yang mempengaruhi kanker serviks antara lain. 1. Ras 2. Faktor seksual dan reproduksi 3. Merokok 4. Kontrasepsi 5. Kondisi imunosupresi (penurunan kekebalan tubuh) 6. Infeksi HPV (Human Papilloma Virus).

21 Sumber Data Diagram Alir Metodologi Penelitian Variabel Penelitian Langkah Analisis

22 Variabel Respon Dinas Kesehatan Provinsi Jawa Timur tahun 2011 Variabel Prediktor Hasil Survey Sosial Ekonomi Nasional (SUSENAS) BPS Jawa Timur tahun 2011

23 Variabel Keterangan Skala Pengukuran Y Jumlah kasus kanker serviks. Rasio X 1 Persentase sarana kesehatan. Rasio X 2 Persentase tenaga medis. Rasio X 3 Persentase penduduk perempuan yang umur kawin pertama 16 tahun. Rasio X 4 Persentase penduduk dan Rumah Tangga (RT) perempuan. Rasio X 5 Persentase penduduk yang tinggal di daerah berstatus desa. Rasio X 6 Persentase penduduk perempuan yang tamat SMA. Rasio X 7 Persentase penduduk miskin. Rasio X 8 Persentase penduduk perempuan yang menggunakan kondom. Rasio X 9 Persentase perempuan dengan jumlah anak yang dilahirkan lebih dari 4. Rasio X 10 Persentase penduduk perempuan yang berstatus kawin. Rasio X 11 Persentase penduduk perempuan usia 35 Rasio X 12 Persentase rata-rata pengeluaran untuk konsumsi makanan per bulan Rasio X 13 Persentase penduduk yang merokok. Rasio

24 1. Menganalisis Statistika deskriptif untuk variabel respon (Y) dan variabel prediktor (X) 2. Mengidentifikasi dan menyelesaikan adanya kasus multikolinieritas antara variabel prediktor 3. Mendapatkan model terbaik dari Regresi Poisson pada pemodelan jumlah kasus kanker serviks yang terjadi di Kab/Kota Jawa Timur 4. Mendapatkan model terbaik dari GWPR pada pemodelan jumlah kasus kanker serviks yang terjadi di Kab/Kota Jawa Timur

25 5. Mendapatkan model terbaik dari Regresi Binomial Negatif pada pemodelan jumlah kasus kanker serviks yang terjadi di Kab/Kota Jawa Timur 6. Mendapatkan perbandingan antara model dari GWPR dan Regresi Binomial Negatif pada pemodelan kasus kanker serviks yang terjadi di Kab/Kota Jawa Timur dengan nilai AIC terkecil

26 Data Menganalisis statistika deskriptif Mendeteksi adanya kasus multikolinieritas Mendapatkan model terbaik untuk Regresi Poisson Mendeteksi overdispersi Ya Tidak Regresi Poisson Mendapatkan model terbaik untuk GWPR Mendapatkan model terbaik untuk Regresi Binomial Negatif Menentukan model terbaik dengan cara membandingkan nilai AIC dari GWPR dan Regresi Binomial Negatif yang dihasilkan Model Terbaik

27 Analisis dan Pembahasan

28 Variabel Mean Varians Minimum Maximum Y 48, ,40 0,00 747,00 X1 0,14 0,04 0,00 0,78 X2 1,45 1,31 0,00 7,64 X3 27,00 169,11 10,07 59,09 X4 50,79 1,22 48,10 53,66 X5 59, ,91 0,00 93,55 X6 11,68 36,79 1,74 24,21 X7 14,71 43,25 0,00 32,47 X8 0,82 1,58 0,00 5,32 X9 21,90 23,92 11,85 39,47 X10 61,63 15,71 52,13 67,12 X11 43,31 6,74 36,14 47,99 X12 52,05 35,88 40,49 62,89 X13 24,26 21,25 15,53 33,66

29 Variabel VIF X1 6,436 X2 6,819 X3 5,650 X4 3,476 X5 16,022 X6 15,104 X7 6,009 X8 4,711 X9 3,585 X10 6,927 X11 2,829 X12 11,706 X13 4,444 Terdapat 3 variabel prediktor yang mempunyai nilai VIF > 10. Sehingga pada tahap selanjutnya akan menghilangkan variabel prediktor tersebut.

30 Uji Serentak Hipotesis : H 1 : paling sedikit ada satu Statistik Uji : D(βˆ) = 2324,3 = 18,307 Nilai D(βˆ) > sehingga keputusannya tolak H 0 yang mempunyai arti bahwa terdapat satu parameter yang berpengaruh secara signifikan terhadap model.

31 ; Uji Parsial H 0 : β j = 0 H 1 : Parameter Estimasi Standart Error Z P-Value β 0 6,1301 2,6946 2,27 0,0286 β 1-6,9495 0, ,96 <0,0001 β 2 0,9554 0, ,48 <0,0001 β 3 0,0778 0, ,93 <0,0001 β 4 0,3307 0,0468 7,06 <0,0001 β 7-0,1578 0, ,25 <0,0001 β 8 0,2866 0,0372 7,70 <0,0001 β 9 0,0500 0,0100 4,97 <0,0001 β 10-0,0739 0,0152-4,85 <0,0001 β 11-0,2669 0, ,78 <0,0001 β 13-0,2088 0, ,31 <0,0001 µˆi = exp (6,1301 6,9495X 1 + 0,9554X 2 + 0,07789X 3 + 0,3307X 4 0,1578X 7 + 0,2866X 8 + 0,0500X 9 0,07396X 10 0,2669X 11 0,2088 X 13 )

32 Kriteria Nilai db Nilai/db Devians 2189, ,085 Pearson Chi-Square 2725, ,944 Diketahui bahwa nilai devians/db dan pearson chi-square/db lebih besar 1 sehingga disimpulkan bahwa model regresi poisson jumlah kanker serviks di Jawa Timur terdapat adanya overdispersi. Dengan terjadinya overdispersi ini maka akan menyebabkan model yang terbentuk menjadi estimasi parameter yang bias.

33 Kemungkinan Model (Y dengan Xi) AIC Parameter yang Signifikan X ,64 β 0 X 3 X ,85 β 0 β 10 X 3 X 10 X ,65 β 0 β 3 β 10 X 3 X 8 X 10 X ,65 β 0 β 3 β 10 X 1 X 2 X 8 X 11 X ,55 β 0 β 1 β 2 β 8 β 11 β 13 X 2 X 3 X 8 X 9 X 10 X ,59 β 2 β 3 X 1 X 2 X 3 X 4 X 8 X 10 X ,81 β 1 β 2 β 3 β 8 β 10 β 13 X 1 X 2 X 3 X 4 X 8 X 10 X 11 X ,87 β 1 β 2 β 3 β 8 β 13 X 1 X 2 X 3 X 4 X 8 X 9 X 10 X 11 X ,55 β 1 β 2 β 3 β 8 β 13 X 1 X 2 X 3 X 4 X 7 X 8 X 9 X 10 X 11 X ,39 β 1 β 2 β 3 β 8 β 13 Dari semua variabel prediktor hanya kombinasi ke lima yang memiliki parameter signifikan lebih banyak dengan nilai AIC terkecil dibandingkan dengan kombinasi ke tujuh yaitu sebesar 321,55. Sehingga pada kombinasi ke lima yang akan dibuat model regresi binomial negatif.

34 Uji Serentak Hipotesis : H 0 : β 1 = β 2 = β 8 = β 11 = β 13 = 0 H 1 : paling sedikit ada satu β j 0, j = 1,2,8,11,13 Statistik Uji : ˆ) D(β = 307,55 = 11,070 ˆ) D(β Nilai > sehingga keputusannya tolak H 0 yang mempunyai arti bahwa terdapat satu parameter yang berpengaruh secara signifikan terhadap model.

35 Uji Parsial H 0 : β j = 0 (pengaruh variabel ke-j tidak signifikan) H 1 : β j 0 (pengaruh variabel ke-j signifikan) Parameter Estimasi Standart Error Z hitung P value β 0 18, , ,537 0,01117 β 1-12, , ,053 0,00227 β 2 1, , ,450 0,00056 β 8 0, , ,464 0,01373 β 11-0, , ,012 0,04420 β 13-0, , ,164 0,03048 µˆ = exp(18, ,47533X1 + 1,97018X 2 + 0,66262X 8 0,27642X 11 0,17814X 13 )

36 Uji Kesesuaian Hipotesis : H 0 : β j (u i, v i ) = β j j = 0,1,2,3,4,7,8,9,10,11,13 : β u v ) β H 1 j( i, Statistik Uji : F (0,05;27;15) = 2,25 i j Model Devians df Devians/df F hitung Global 3348, ,005 1,2497 GWPR 1547,11 15,59 99,223 Bahwa gagal tolak Ho karena nilai F hitung < F (0,05;27;15), maka dapat dikatakan dengan taraf signifikansi 5% tidak terjadi adanya perbedaan antara model poisson dengan model GWPR.

37 Uji Serentak Hipotesis : H 0 : β 1 (u 1,v 1 ) = β 2 (u 2,v 2 ) = β 3 (u 3,v 3 )= = β 13 (u 13,v 13 ) = 0 H : paling tidak ada salah satu β ( u, v ) 0 1 Statistik Uji : D(βˆ) = 1547,11 = 18,307 j j j Berarti tolak H 0 karena nilai D(βˆ) > Kesimpulannya minimal ada satu parameter yang mempengaruhi terhadap model secara signifikan.

38 H 0 : H 1 : Uji Parsial Parameter Estimasi Standart Error Z hitung β 0-10,9852 4, ,45946 β 1-5, , ,04466 β 2 0, , ,2714 β 3 0, , ,5653 β 4 0, , ,45563 β 7-0, , ,8711 β 8 0, , ,5793 β 9 0, , ,7647 β 10 0, , ,1375 β 11-0, , ,6007 β 13-0, , ,5096 ln ( i ) = -10,9852 5,08458 X 1 + 0,81464 X 2 + 0,06249 X 3 + 0,55709 X 4 0,16365 X 7 + 0,38312 X 8 + 0,04533 X 9 + 0,09941 X 10 0,35675 X 11 0,23218 X 13

39 Variabel yang Signifikan No. Kabupaten/Kota Variabel yang Signifikan 1. Pacitan, Banyuwangi, Bondowoso, Kab.Probolinggo, Ngawi, Gresik, Pamekasan, Kota Blitar, Kota Pasuruan, Kota Batu 2. Ponorogo dan Kab. Pasuruan 3. Trenggalek, Jember, Situbondo, Sidoarjo, Mojokerto, Nganjuk, Sumenep, Kota Kediri, Kota Malang, Kota Probolinggo, Kota Mojokerto, Kota Surabaya 4. Tulungagung, Jombang dan Lamongan 5. Blitar, Bojonegoro dan Sampang 6. Kediri 7. Malang, Tuban dan Kota Madiun 8. Lumajang dan Madiun 9. Magetan 10. Bangkalan X 1, X 2, X 3, X 4, X 7, X 8, X 9, X 10, X 11, X 13 X 2, X 3, X 4, X 7, X 8, X 9, X 10, X 11, X 13 X 1, X 2, X 3, X 7, X 9, X 10, X 11, X 13 X 1, X 2, X 3, X 4, X 7, X 8, X 10, X 11, X 13 X 1, X 2, X 3, X 4, X 7, X 8, X 9, X 11, X 13 X 1, X 2, X 3, X 4, X 8, X 10, X 11, X 13 X 1, X 2, X 3, X 7, X 9, X 10, X 11, X 13 X 1, X 2, X 3, X 7, X 10, X 11, X 13 X 1, X 2, X 3, X 4, X 7, X 9, X 10, X 11, X 13 X 2, X 3, X 4, X 7, X 8, X 9, X 11, X 13

40

41 Model Variabel Signifikan Nilai AIC Regresi Binomial Negatif X 1 X 2 X 8 X 11 X ,55 GWPR X 1 X 2 X 3 X 4 X 7 X 8 X 9 X 10 X 11 X ,35 Model Terbaik

42 KESIMPULAN DAN SARAN

43 1. Angka kasus kanker serviks di Jawa Timur pada tahun 2011 menunjukkan peningkatan dan dari 38 Kabupaten/Kota ada 26 kasus di setiap Kabupaten/Kota. Di kota Malang sebesar 747 merupakan kota yang mempunyai kasus kanker seriks paling banyak di Jawa Timur, sedangkan ada Kabupaten/Kota yang tidak ditemukan terjadinya kasus kanker serviks yaitu, Kabupaten Lumajang, Jember, Situbondo, Pasuruan, Mojokerto, Jombang, Bangkalan, Pamekasan dan Kota Kediri, Kota Probolinggo, Kota Surabaya, Kota Batu. 2. Model Regresi Poisson yaitu persentase sarana kesehatan (X1), persentase tenaga medis (X2), persentase penduduk perempuan yang umur kawin pertama 16 tahun (X3), persentase penduduk dan Rumah Tangga (RT) perempuan (X4), persentase penduduk miskin (X7), persentase penduduk perempuan yang menggunakan kondom (X8), persentase perempuan dengan jumlah anak yang dilahirkan lebih dari 4 (X9), persentase penduduk perempuan yang berstatus kawin (X10), persentase penduduk perempuan usia 35 tahun (X11), dan persentase penduduk yang merokok (X13). 3. Pemodelan dengan Regresi Binomial Negatif variabel prediktor yang mempengaruhi terhadap jumlah kasus kanker serviks di Jawa Timur yaitu, persentase sarana kesehatan (X 1 ), persentase tenaga medis (X 2 ), persentase penduduk perempuan yang menggunakan kondom (X 8 ), persentase penduduk perempuan usia 35 tahun (X 11 ), dan persentase penduduk yang merokok (X 13 ).

44 4. Pemodelan GWPR dengan fungsi kernel fixed Gaussian menunjukkan bahwa variabel yang signifikan hampir di setiap Kabupaten yaitu variabel X 1 (Persentase sarana kesehatan), X 2 (Persentase tenaga medis), X 3 (Persentase penduduk perempuan yang umur kawin pertama 16 tahun), X 7 (Persentase penduduk miskin), X 9 (Persentase perempuan dengan jumlah anak yang dilahirkan lebih dari 4), X 10 (Persentase penduduk perempuan yang berstatus kawin), X 11 (Persentase penduduk perempuan usia 35), X 13 (Persentase penduduk yang merokok). 5. Model terbaik yang digunakan dalam analisis jumlah kasus kanker serviks di Jawa timur yaitu dengan menggunakan model Regresi Binomial Negatif, karena diketahui bahwa nilai AIC paling kecil dari model GWPR. Pada proses analisis, masih terdapat permasalahan yang perlu diulas lebih dalam lagi. Oleh karena itu terdapat beberapa saran yang direkomendasikan untuk penelitian selanjutnya, yaitu dalam analisis, masih diperlukan variabel penduga yang digunakan lebih berhubungan dengan kanker serviks, sehingga nantinya didapatkan hasil yang lebih tepat.

45 A. Mansjoer, K. T. (2008). Kapita Selekta Kedokteran. Edisi ketiga. Media Aesculapis, Fakultas Kedokteran Universitas Indonesia. Anneahira. (2012). Jenis Penyakit. Anonim. (2013). Tanda-tanda dan penyebab Kanker Serviks. Aulele, S. (2010). Model Geographically Weighted Poisso Regression (Studi Kasus Jumlah Kematian Bayi di Provinsi Jawa Timur dan Jawa Tengah 2007). Surabaya: Program Sarjana, Institut Teknologi Sepuluh Nopember. Baharuddin. (2005). Ukuran R2 dalam Model Regresi Poisson. Integral, vol. 10, no. 3. Bozdogan, H. (2000). Akaike's Information Criterion and Recent Developments in Information Complexity. Dalam Mathematical Psychology (hal. 44, 62-91). Cameron, A. d. (1998). Regression Analysis of Count Data. Cambridge: Cambridge University Press. Cameron, F. W. (1995). "R2 Measures for Count Data Regression Models with Applications to Healthcare Utilization", Journal Business Economic Statistic. 14, pp

46 Erdkhadifa, R. (2012). Perbandingan Geographically Weighted Poisson Regression, Geographically Weighted Poisson Regression Semiparametric (Studi Kasus: Kematian Demam Berdarah Dengue di Jawa Timur). Surabaya: Program Sarjana, Institut Teknologi Sepuluh Nopember. Hardin, J. d. (2007). Generalized Linier Models and Extensions. Texas: A Strata Perss Publication. Irawati, B. (2012). Pemodelan GPR dan Regresi Binomial Negatif Untuk Mengatasi Overdispersi Pada Jumlah Kasus Kanker Serviks di Jawa Timur. Surabaya: Program Sarjana, Institut Teknologi Sepuluh Nopember. Jong, D. (2013). Vaksin Kanker Serviks. Khasbiyah. (2004). Beberapa Faktor Risiko Kanker Serviks Uteri (Studi Pada Penderita Kanker Serviks Uteri Di Rumah Sakit Dokter Kariadi Semarang Pada Bulan Agustus- September 2004). Program sarjana, Universitas Diponegoro. McCullagh, P. (1983). Generalized Linier Models. London: Chapmann and Hall. Myers, R. (1990). Classicaland Modern Regression with Applications, second edition. Boston: PWS-KENT Publishing Company.

47 Nadia, N. (2009). Korelasi antara Usia Penderita dengan Stadium Kanker Serviks. Jakarta: Program Kedokteran, Universitas Indonesia. Nakaya, T.,. (2005). Geographically Weighted Poisson Regression for disease association mapping statistics in medicine. 24: Prawirohardjo, S. (2008). Ilmu Kandungan. Edisi Kedua. Jakarta: PT. Bina Pustaka. Yasin, M. (2012). Penyakit Kanker Leher Rahim (Ca Cervix) di Indonesia.

48