DETEKSI DINI PENYAKIT KANKER LEHER RAHIM (SERVIKS) DI...

DETEKSI DINI PENYAKIT KANKER LEHER RAHIM (SERVIKS) DI KOTA BOGOR

MENGUNAKAN SUPPORT VECTOR MACHINE (SVM) DAN REGRESI LOGISTIK BINER

JURUSAN STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT TEKNOLOGI SEPULUH NOPEMBER

SURABAYA 2014

Seminar Hasil Tugas Akhir Jurusan Statistika ITS

Disusun oleh: Agil Darmawan

Dosen Pembimbing: Dr. Santi Wulan Purnami, S.Si.,M.Si.

PEMBAHASAN

Pendahuluan

Tinjauan Pustaka

Metodologi Penelitian

Analisis dan Pembahasan

Kesimpulan dan Saran

PENDAHULUAN

Negara-negara berkembang menyumbang 370.000 dari total 466.000 kasus serviks kanker yang diperkirakan terjadi di dunia dalam tahun 2000 (WHO, 2001)

Latar Belakang

Di seluruh dunia, kanker serviks diklaim menjangkit 231.000 wanita per tahun, lebih dari 80% yang terjadi di negara berkembang (WHO, 2001)

Kanker serviks memiliki tahap pra-ganas yang berlangsung beberapa tahun. Oleh karena itu untuk mendeteksi dini adanya kanker serviks dianjurkan untuk melakukan pemeriksaan Pap Smear (susanti, 2012).

PENDAHULUAN

Penelitian Yayasan Kanker Indonesia yang memperkirakan, ada sekitar 52 juta perempuan Indonesia memiliki risiko terkena kanker serviks. (kotabogor.go.id)

Latar Belakang

Faktor resiko kanker serviks bukan secara pasti menjadi penyebab terjangkitnya kanker serviks faktor yang menjadikan resiko terkena penyakit kanker menjadi besar.

Salah satu faktor yang menjadikan resiko terjangkitnya kanker serviks menjadi besar adalah tidak rutinnya tes pap smear, penggunaan kontrasepsi hormonal, riwayat keluarga, merokok, dll (berbagai sumber))

PENDAHULUAN

RUMUSAN MASALAH

• Apa saja faktor-faktor yang mempengaruhi terjangkitnya penyakit kanker serviks di

kota bogor menggunakan regresi logistik biner?

• Bagaimana klasifikasi penyakit kanker serviks berdasarkan faktor-faktor yang

mempengaruhi menggunakan Regresi Logistik Biner dan Support Vector Machine (SVM).

• Bagaimana ketepatan klasifikasi menggunakan metode Regresi Logistik Biner dan

Support Vector Machine (SVM).

PENDAHULUAN

TUJUAN PENELITIAN

• Untuk mengetahui faktor-faktor yang mempengaruhi terjangkitnya penyakit kanker

serviks di kota bogor menggunakan regresi logistik biner.

• Untuk mengetahui klasifikasi penyakit kanker serviks berdasarkan faktor-faktor yang

mempengaruhi menggunakan Regresi Logistik Biner dan Support Vector Machine (SVM).

• Untuk mengetahui ketepatan klasifikasi menggunakan metode Regresi Logistik Biner dan

Support Vector Machine (SVM).

PENDAHULUAN

MANFAAT PENELITIAN

• Menambah khazanah penerapan ilmu statistika dalam bidang kesehatan.

• Dengan mengetahui faktor – faktor yang mempengaruhi penyakit kanker serviks bisa

memberikan masukan kepada instansi kesehatan untuk rutin memberikan penyuluhan

dan fasilitas kesehatan terkait kanker serviks kepada masyarakat.

• Dengan mengetahui model deteksi kanker serviks, bisa menjadi informasi penting bagi

para tenaga medis untuk memprediksi / mendeteksi terjangkitnya kanker serviks.

Penelitian Intansari (2012) tentang kanker serviks menggunakan Bagging Logistik,

menghasilkan akurasi klasifikasi sebesar 70,74%. Faktor yang berpengaruh

adalah Usia, Jumlah anak, Usia pertama melahirkan, dan Penggunaan kontrasepsi.

Penelitian Rachman (2012) tentang kanker payudara, didapatkan akurasi SVM

sebesar 98,11%, jauh lebih besar dari akurasi Logistik Ordinal 56,6%.

PENDAHULUAN

Penelitian Sebelumnya

TINJAUAN PUSTAKA

Regresi Logistik Biner

Regresi Logistik Biner adalah metode regresi yang mampu menyelesaikan kasus di mana variabel respon berupa dichotomous, ya-tidak, sukses-gagal, normal-cacat, hidup-mati, benar-salah, laki-laki-perempu-an, dan sebagainya. Varibel respon adalah data kategorik (Agresti, 2002). Fungsi Probabilitas untuk tiap observasi :

yyyf 1)1()( y = 0, 1

Model Regresi Logitik adalah : pp

pp

xx

xx

eex

...

...

110

110

1)( p = banyaknya prediktor (X)

pp xxx

xxg

...

)(1)(ln)( 110

Transformasi Logitnya adalah :

TINJAUAN PUSTAKA


Estimasi Parameter

Estimasi parameter pada regresi Logistik menggunakan Maximum Likelihood.

n

i

yi

yi

n

ii

ii xxxfl1

1

1

))(1()()()( L(β) = log l(β) =

p

jjxjn

ij

p

j

n

iiji exy 1

1log

0 11

Nilai β didapatkan melalui turunan L(β) terhadap β dan hasilnya = 0

p

jjxj

p

jjxj

n

iij

n

iiji

j

e

exxyL

1

1

11

1

)(

0)(11

iin

iij

n

iiji xxxy

j = 0, 1, …, p

TINJAUAN PUSTAKA


Uji Parameter (Serentak)

H0 : β1 = β2 = … = βp = 0 H1 : minimal ada satu βp ≠ 0; p = 1, 2, …, l

Statistik uji :

n

i

iyi

iyi

nn

nn

nn

G

1

1

00

11

)1(ln2

Daerah penolakan; Tolak H0 jika G > 2

(v,) atau P-value <

TINJAUAN PUSTAKA


Uji Parameter (Indivisu)

H0 : βi = 0 H1 : βi ≠ 0 i = 1, 2, …, p

)( i

i

SEW

Statistik uji :

Daerah penolakan; Tolak H0 jika |W| > Z/2 atau P-value <

TINJAUAN PUSTAKA


Uji Kebaikan Model

H0 : Model sesuai H1 : Model tidak sesuai

Statistik uji :

Daerah penolakan; Tolak H0 2 < 2

(db,) atau P-value <

g

k kkk

kkk

nno

1'

2'2

)1()(

TINJAUAN PUSTAKA


Klasifikasi

Observa

si Prediksi

Gagal Sukses Gagal n11 n12 Sukses n21 n22

n11: kategori gagal yang diprediksi gagal n12: kategori gagal yang diprediksi sukses n21: kategori gagal sukses diprediksi gagal n22: kategori gagal sukses diprediksi sukses

Akurasi : n11+n22

n11+n12+n21+n22 Specificity :

n22n21+n22

Sensitifity : n11

n11+n12

SVM adalah metode learning machine yang bekerja atas prinsip Structural Risk Minimization (SRM) dengan tujuan menemukan hyperplane terbaik yang memisahkan dua buah class pada input space (Nugroho dan Witarto, 2003).

TINJAUAN PUSTAKA

Regresi Logistik Biner Support Vector

Machine

Metode klasifikasi adalah usaha menemukan

garis (hyperplane) yang memisahkan antara

kedua kelompok / kelas/kategori.

TINJAUAN PUSTAKA

Support Vector Machine

Klasifikasi Linier

Himpunan data diberikan label (target) dan Jika +1 dan -1 terpisah secara linier didefinisikan :

liyi ,...,2,1,1,1 1iy 1iy

0. bxw 1. bxw

1. bxw (masuk class –1)

(masuk class +1)

Penyesaian dengan meminimalkan 2

21 wwφ

Pemisahan hyperplane memenuhi libxwyi ,...,1,0.

Problem ini dapat diselesaikan dengan teknik metode Lagrange Multiplier :

l

iiii bxwywbwL

1

2 1.21,,

Maximize :

l

jijijiji

l

ii xxyy

1,1 21

01

l

iii y

i ≥ 0

TINJAUAN PUSTAKA


Non Linier

Umumnya dua buah class pada input space tidak dapat terpisah secara sempurna. dimodifikasi dengan memasukkan slack variabel , dengan > 0. Sehingga : Pemisah hyperplane menjadi :

l

iiw

Cww1

2

21,min

iii bxwy 1.

Paramater C dipilih untuk memberikan penalti yang lebih besar terhadap error klasifikasi SVM.

TINJAUAN PUSTAKA

Support Vector Machine Non Linier

separable

dq

qd

:

Prinsip dasar SVM adalah linear classifier, dan selanjutnya dikembangkan agar dapat digunakan untuk kasus non-linear dengan memasukkan konsep Kernel. (Lin, 2003).

),(: ji xxKKernel

Jenis Kernel Fungsi

Polynomial dimana p=1,…

Gaussian Radial Basis Function (RBF)

Sigmoid

pjiji xxxxK 1,),(

2

2

2exp),(

jiji

xxxxK

).tanh(),( jiji xxxxK

TINJAUAN PUSTAKA

Kanker Serviks

Kanker ini merupakan kanker ganas yang terbentuk dalam jaringan ser-viks (organ yang menghubungkan uterus dengan vagina). Salah satu faktor utama tumbuhnya kanker jenis ini Infeksi Human Papilloma Virus (HPV). (www.parkwaycancercentre.com)

Faktor resiko bukanlah penyebab mutlak akan terjangkitnya kanker rahim, namun faktor – faktor tersebut mampu meningkatkan resiko ter-kena penyakit kanker serviks menjadi lebih besar. (dr Junita Indarti, SpOG)

TINJAUAN PUSTAKA

Faktor Resiko

Kanker Serviks

METODOLOGI PENELITIAN

Sumber Data

Sumber Data Data yang digunakan merupakan data sekunder mengenai Kanker Leher Rahim yang didapatkan dari Studi Kohort Faktor Risiko Penyakit Tidak Menular (PTM) di Kota Bogor 2011 oleh Kemenkes RI, dengan banyak data 1032 observasi.


Variabel Penelitian

Kode Variabel Definisi Skala data Kode Variabel Definisi Skala

data

Y Diagnosa kanker serviks 1: Terjangkit

Nominal X8 Jenis kontrasepsi 1: Hormonal

Nominal 2: Tidak terjangkit 2: Tidak hormonal

X1 Usia Usia pasien saat survey Rasio X9 Waktu kontrasepsi Lama penggunaan

kontrasepsi Rasio

X2 Status perkawinan 1: Iya

Nominal X10 Riwayat kangker pada

keluarga

1: Ada Nominal

2: Tidak 2: Tidak

X3 Jumlah pasangan seksual 1: 1 pasangan

Ordinal X11 Vaksinasi HPV 1: Pernah

Nominal 2: > 1 pasangan 2: Tidak pernah

X4 Pendarahan di luar menstruasi 1: Iya

Nominal X12 Usia menikah Usia menikah Rasio

2: Tidak

X13 Uji Pap Smear

1: 1-2 tahun sekali

Ordinal X5 Usia pertama melahirkan Usia saat melahirkan anak

pertama Rasio 2: 3 tahun sekali

X6 Jumlah anak Jumlah anak yang dilahirkan Rasio 3: > 3 tahun sekali

X7 Penggunaan kontrasepsi 1: Iya

Nominal X14 Merokok 1: Iya

Nominal

2: Tidak 2: Tidak


Langkah Analisis

1. Melakukan pengumpulan data sekunder dari penelitian Kohort Litbangkes 2011.

2. Melakukan statistika deskriptif untuk melihat karakteristi data. 3. Mendapatkan faktor-faktor yang mempengaruhi terjangkitnya penyakit

kanker serviks di Kota Bogor menggunakan Regresi Logistik Biner, dengan langkah analisis: a. Estimasi Parameter β menggunakan Maximum Likelihood b. Melakukan Uji Estimasi Parameter c. Uji Kesesuaian Model

4. Membuat model klasifikasi penyakit kanker serviks menggunakan Regresi Logistik Biner. Dengan pembagian data : a. Training-testing 90:10 b. Training-testing 70:30 c. Training-testing 50:50


Langkah Analisis

5. Menghitung klasifikasi penyakit kanker serviks menggunakan Support Vector Machine (SVM). Dengan langkah analisis : a. Menentukan skala data training-testing dengan 3 kombinasi;

I. Training-testing 90:10 II. Training-testing 70:30 III. Training-testing 50:50

b. Menentukan Fungsi Kernel yang dipakai, dalam penelitian kali ini menggunakan Polinomial.

c. Menentukan parameter C dan p. d. Menghitung klasifikasi beserta ketepatan akurasinya.

6. Membandingkan performansi antara ketepatan klasifikasi Regresi Logistik Biner dengan Support Vector Machine (SVM).

ANALISA DAN PEMBAHASAN

Statistika Deskriptif

Variabel berskala

rasio Variabel (satuan)

Mean Min Max

Terjangkit Tidak terjangkit

Usia (tahun) [X1] 43,17 42,6345 22 65

Usia pertama melahirkan (tahun) [X5] 22,2 22,50276 13 41

Banyak anak (jumlah) [X6] 3,2 3,219405 1 10

Lama penggunaan kontrasepsi (hari) [X9]

30,33333 98,39869 1 968

Usia saat menikah (tahun) [X12] 21,6 21,36762 14 88

Variabel berskala

nominal

5

903

1

123

0

200

400

600

800

1000


Nikah Tidak

5

910

1

116

0

200

400

600

800

1000


1 pasang > 1 pasang

0 54

6

972

0

200

400

600

800

1000

1200


Pendarahan Tidak

4

769

2

257

0

100

200

300

400

500

600

700

800

900


Memakai Konrasepsi Tidak



3

634

3

392

0

100

200

300

400

500

600

700


Hormonal Non hormonal

1 40 5

986

0

200

400

600

800

1000

1200


Riwayat keluarga Tidak ada

0 5 6

1021

0

200

400

600

800

1000

1200


Vaksinasi HPV Tidak

1 59

5

967

0

200

400

600

800

1000

1200


Tes Pap Smear Tidak

3

269

3

757

0

100

200

300

400

500

600

700

800


Merokok Tidak



Variabel

Diagnosa

Total Terjangkit Tidak

terjangkit

Status pernikahan Nikah 5 903 908

Tidak 1 123 124

Jumlah pasangan 1 pasang 5 910 915

> 1 pasang 1 116 117

Pendarahan saat

mens

Iya 0 54 54

Tidak 6 972 978

Kontrsepsi Iya 4 769 773

Tidak 2 257 259

Jenis Kontrasepsi

Hormonal 3 634 637

Non

hormonal 3 392 395

Riwayat Keluarga Ada 1 40 41

Tidak 5 986 991

Vaksinasi HPV Pernah 0 5 5

Tidak 6 1021 1027

Tes Pap Smear Pernah 1 59 60

Tidak 5 967 972

Merokok Iya 3 269 272

Tidak 3 757 760

Tabulasi Silang

(crosstab)





Pada pengujian Regresi Logistik Biner ini menggunakan = 0,2

Uji Univariabel

Variabel B df P-

value

Y dengan X1 Usia -,013 1 ,781

Constant 5,440 1 ,014

Y dengan X2 Status pernikahan ,728 1 ,531

Constant 4,263 1 ,000

Y dengan X3 Jumlah.pasangan.seks

,940 1 ,419

Constant 4,078 1 ,000 Y dengan X4 Pendarahan mens 16,399 1 ,998

Constant 4,804 1 ,000

Y dengan X5 Usia melahirkan -,019 1 ,771

Constant 5,243 1 ,000

Y dengan X6 Banyak anak ,137 1 ,632

Constant 4,509 1 ,000

Y dengan X7 Kontrasepsi -,051 1 ,965

Constant 4,890 1 ,000

Variabel B df P-

value

Y dengan X8 Jenis.kontrasepsi

,331

1

,742

Constant 4,673 1 ,000

Y dengan X9 Lama kontrasepsi

,014 1 ,292

Constant 4,292 1 ,000

Y dengan X10 Riwayat keluarga

-1,871 1 ,111

Constant 5,090 1 ,000

Y dengan X11 Vaksinasi HPV 16,355 1 1,000

Constant 4,848 1 ,000

Y dengan X12 Usia menikah ,004 1 ,939

Constant 4,766 1 ,000

Y dengan X13 Tes Pap Smear -1,545 1 ,186

Constant 5,071 1 ,000

Y dengan X14 Merokok -2,136 1 ,065

Constant 5,935 1 ,000

Variabel yang signifikan pada adalah Riwayat Keluarga (X10), Tes Pap Smear (X13), dan Merokok (X14).



Uji Parameter (serentak)

H0 : β10=β13=β14=0 (Variabel independen tidak mempengaruhi variabel dependen)

H1 : Minimal satu βi≠0 (Minimal satu variabel independen yang berpengaruh)

Chi-

square df

P-

value

Step 6,576 3 ,087

Block 6,576 3 ,087

Mode

l 6,576 3 ,087

Tolak H0 jika P-value <

Terlihat dari tabel bahwa nilai P-value 0,087 yang berarti kurang dari (0,2). Maka keputusannya adalah tolak H0. Jadi ketiga prediktor secara bersama-sama berpengaruh terhadap terjangkitnya penyakit kanker serviks. Juga bisa disimpulkan minimal ada satu dari tiga variabel independen yang mempengaruhi variabel dependen.


Regresi Logistik Biner Estimasi dan Uji Parameter

(individu)

H0 : βi = 0 H1 : βi ≠ 0 i = 10, 13, 14

β Wald

P-

value

Exp

(B)

Riwayat

keluarga

-

1,805

2,149 ,143 ,164

Tes PapSmear -

1,478

1,455 ,228 ,228

Merokok -

1,929

2,722 ,099 ,145

Constant 6,285 34,06

6

,000 536,5

74


Terlihat variabel dengan P-value < 0,2 adalah Riwayat Keluarga dan Merokok. Maka keputusannya adalah tolak H0. Jadi Riwayat keluarga dan Merokok berpengaruh signifikan terhadap kanker serviks.

Terlihat dari tabel nilai koefisien parameter (βi) adalah : 𝛽𝑖

T : [β0, β10, β13, β14] : [6.286, -1.805, -1.478, -1.929]


Regresi Logistik Biner Estimasi dan Uji Parameter

(individu)

Seorang wanita yang tidak memiliki riwayat keluarga kemungkinan terserang kanker serviks adalah 0,164 kali (lebih rendah) dari pada yang memiliki riwayat keluarga. Seorang wanita yang tidak rutin tes Pap Smear kemungkinan terserang kanker serviks adalah 0,228 kali (lebih rendah) dari pada yang pernah tes Pap Smear. Seorang wanita yang tidak punya kebiasaan merokok kemungkinan terserang kanker serviks adalah 0,145 kali (lebih rendah) dari pada yang terbiasa merokok.

β

Exp

(B)

Riwayat

keluarga

-

1,805 ,164

Tes PapSmear -

1,478 ,228

Merokok -

1,929 ,145

Constant 6,285 536,5

74


Regresi Logistik Biner Model Regresi Logistik

Biner

Model Logit : g 1 x =6,285−1,805X1(1)−1,929X3(1)

Model regresi logistiknya adalah sebagai berikut :

)(ˆ1 x =e6,285−1,805X1(1)−1,929X3(1)

1+e6,285−1,805X1(1)−1,929X3(1)

)(ˆ1)(ˆ 10 xx



Uji Kebaikan Model

H0: Model telah sesuai

H1: Model tidak sesuai

Chi-

square df

P-

value

,716 2 ,699


Tabel Hosmer and Lemeshow Test

Terlihat bahwa nilai P-value lebih dari 0,2, maka keputusannya adalah gagal tolak H0. Jadi pada keyakinan 80% model yang terbentuk telah sesuai, atau model tersebut mampu menjelaskan data. Jadi tidak ada perbedaan signifikan antara hasil pengamatan dengan kemungkinan nilai prediksi.



Klasifikasi

Kombinasi Akurasi Specivicity Sensitivity 50-50 99,4% 0% 100%

70-30 99,3% 0% 100%

90-10 99,02% 0% 100%

Dari tabel di atas terlihat bahwa tingkat akurasi klasifikasi paling tinggi dihasilkan kombinasi traning:testing 50:50 yaitu sebesar 99,4%. Kombinasi 70:30 menghasilkan akurasi 99,3%. Sedangkan untuk kombinasi 90:10 menghasilkan akurasi 99,02%. Nilai sensitifity sama dengan nilai akurasi. Sedangkan nilai specificity bernilai 0%, karena semua prediksi mengarah ke kategori “tidak terjangkit” atau kelas y=0.



Analisis SVM pada penelitian ini menggunakan fungsi kernel Polinomial dengan parameter p=2. Parameter SVM sebagai titik penalt dengan C=10. Kombinasi Akurasi Specivicity Sensitivity Support Vector

50-50 99,6% 0% 100% 512

70-30 100% 0% 100% 716

90-10 100% 0% 100% 923

Dari tabel tersebut terlihat bahwa tingkat akurasi klasifikasi paling tinggi dihasilkan kombinasi training-testing 90-10 dan 70-30 yaitu sebesar 100%. Kombinasi 50-50 memiliki akurasi 99,6%. Ada indikasi bahwa akurasi klasifikasi akan semakin tinggi jika memperbanyak data training.

Kombinasi Regresi Logistik Biner Support Vector Machine

Akurasi Specivicity Sensitivity Akurasi Specivicity Sensitivity

50-50 99,4% 0% 100% 99,6% 0% 100%

70-30 99,3% 0% 100% 100% 0% 100%

90-10 99,02% 0% 100% 100% 0% 100%


Perbandingan Performansi Logistik Biner dan SVM

Dari tabel di atas terlihat bahwa pada penelitian kali ini tingkat akurasi Support Vector Machine dan Regresi Logistik Biner mempunyai nilai akurasi yang sangat tinggi. Hal ini terjadi overfitting karena proporsi kategori respon yang tidak seimbang. Dari total 1032 responden, hanya 6 orang yang terjangkit. Selebihnya 1026 responden tidak terjangkit kanker serviks.

Data dengan proporsi respon yang tidak seimbang ini menyebabkan prediksi secara keseluruhan mengarah kepada prediksi y = 0, atau prediksi bahwa responden tidak terjangkit kanker serviks. Karena tidak ada prediksi ke arah terjangkit (y = 1) maka nilai Specivicity adalah 0%, sedangkan nilai Sensitivity sebesar 100%. Hal ini berlaku baik untuk SVM maupun Regresi Logistik Biner.

KESIMPULAN DAN SARAN

Kesimpulan

Faktor resiko yang berpengaruh signifikan pada taraf signifikasi 80% (=0,2) terhadap Kanker Serviks pada Analisis Regresi Logistik Biner adalah Riwayat Keluarga (X10) dan Merokok (X14).

Model Logit yang terbentuk dengan memodelkan respon dengan prediktor yang signifikan dalam uji univariabel (Riwayat Keluarga, Tes Pap Smear, dan Merokok) adalah g 1 x =6,285−1,805X10(1)−1,929X14(1). Dari Model Logit tersebut didapatkan model Logistik yang menggambarkan proba-bilitas atau resiko dari suatu objek. Model regresi logis-tiknya adalah berikut :

)(ˆ1 x =e6,285−1,805X10(1)−1,929X14(1)

1+e6,285−1,805X10(1)−1,929X14(1)

(x)π̂1(x)π̂ 10

Performansi klasifikasi menggunakan SVM pada kombinasi 90:10 dan 70:30 adalah sebesar 100%, sedangkan kombinasi 50:50 sebesar 99,6%. Akurasi klasifikasi menggunakan Logistik Biner pada kombinasi 90:10 dan 70:30 adalah sebesar 100%, sedangkan kombinasi 50:50 sebesar 99,6%. Jadi dalam kasus ini akurasi antara SVM dengan Logistik Biner adalah sama. Nilai specificity sebesar 0%, sedangkan nilai sensitifity sebesar 100%. Hal ini menunjukkan bahwa arah prediksi menuju kepada prediksi kategori y=0 (tak terjangkit). Terjadi demikian karena proporsi kategori yang tidak seimbang antara y=1 dengan y=0.


Kesimpulan


Saran

1. Jika terdapat kasus dengan kategori respon yang tidak seimbang, maka untuk mendapatkan hasil yang lebih baik dan tidak terjadi over fitting perlu digunakan metode pengembangan SVM untuk inballanced data.

2. Perlu dilakukan adanya komunikasi lebih baik antara peneliti dengan pihak yang memberikan data agar lebih memahami kasus, tertama metode sampling yang dipakai oleh Lembaga terkait hingga munculnya data.

Daftar Pustaka

Agresti, Alan. (2002), Categorical Data Analysis Second Edition. New York: John Wiley & Son’s, Inc. Bogor, Kota. (2011). Seminar Kesehatan "Peduli Perempuan: Cintai Diri, Cegah, Dan Deteksi Kanker

Serviks Sejak Dini". Retrieved March, 2014, from Web Site: http://www.kotabogor.go.id Canhope. (2014). Apa itu Kanker Serviks?. Retrieved March, 2014, from Web Site:

http://www.parkwaycancercentre .com Evennet, Karen. (2003). Pap Smear, Apa yang Perlu Anda Ke-tahui. Jakarta : Arcan Publisher Gunn, Steve. (1998). Support Vector Machine for Classification and Regression. Taiwan : National

Taiwan University Hosmer, D.,W., Lemeshow, S. (2000). Applied Regression Logis-tic, Second Edition. Canada: John

Wiley & Son’s, Inc. Hsu, C.W., Chang, C.C., Lin, C.J. (2003). A Practical Guide to Support Vector Classification. England :

University of Southampton Intansari, I.A.S. (2012). Klasifikasi Pasien Hasil pap Smear Test sebagai Pendeteksi Awal Upaya

Penanganan Dini pada Penyakit Kanker Serviks di RS “X” Surabaya dengan metode Bagging Logistc Regression. Surabaya: Institut Teknologi Sepuluh Nopember.

Junita. (2014). Faktor Resiko Kanker Rahim. Retrieved March, 2014, from Web Site: www.health.detik.com

Mc Cormick, C.,C., Giuntoli, R., L. (2011). Patient’s Guide to Cervical Cancer. Baltimore : The John Hopkins Health Corporation

Modern Cancer Hospital Guangzhou. (2014). Faktor Resiko Kanker Rahim. Retrieved March, 2014, from Web Site: www.asiancancer.com

Nugroho, A.S., Handoko, D., Witarto, A.B. (2003). Support Vector Machine – Teori dan Aplikasinya dalam Bioinformatika. BPPT

Rouzeau, Vanessa. (2012). Cervical Cancer : A Review. Florida : Herzing University Rahman, Farizi. (2012). Klasifikasi Tingkat Keganasan Breast Cancer Dengan Menggunakan Regresi

Logistik Ordinal Dan Support Vector Machine. Surabaya: Institut Teknologi Sepuluh Nopember. Susanti, Desi. (2012). Pemeriksaan Pap Smear. Riau : STIKES Tuanku Tambusai Bakinang Walpole, R. E. (1995). Pengantar Statistika Edisi ke-3. Jakarta: PT Gramedia Pustaka Utama World Health Organization. (2001). Effective screening programmes for cervical cancer in low- and middle-income developing countries. India : Bulletin of WHO

Daftar Pustaka

http://www.health.detik.com/







http://www.asiancancer.com/





TERIMA KASIH

DETEKSI DINI PENYAKIT KANKER LEHER RAHIM (SERVIKS) DI...

Documents

Transcript of DETEKSI DINI PENYAKIT KANKER LEHER RAHIM (SERVIKS) DI...