klasifikasi pasien hasil pap smear test sebagai

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 (1308 100 079)
Dosen Pembimbing :
Santi Wulan Purnami, S.Si, M.Si, Ph.D
Ir. Sri Pingit Wulandari, M.Si
Seminar HasilTugas Akhir Jurusan Statistika FMIPA ITS
Surabaya, 22 Juni 2012
Gedung H lantai 2
1
OUTLINE
Seminar Hasil Tugas Akhir Jurusan Statistika FMIPA ITS
Surabaya, 22 Juni 2012
2
Latar Belakang
PENDAHULUAN
Permasalahan Penelitian
Batasan Masalah
Tujuan
Manfaat
Seminar Hasil Tugas Akhir Jurusan Statistika FMIPA ITS
Surabaya, 22 Juni 2012
3
LATAR BELAKANG
Menurut WHO, Indonesia adalah negara
penderita kanker serviks nomor 1 di Dunia
Penyebab KEMATIAN
no.2 bagi wanita
KANKER SERVIKS
Angka kejadian 74%
dibanding kanker
ginekologi lainnya
500.000 wanita/tahun didiagnosa menderita
Kanker Serviks, dan 60% diantaranya meninggal
dunia
Cenderung timbul pada usia 33-55 tahun, dapat
juga pada usia yang lebih muda
Disebabkan oleh virus HPV
(Human Papillomavirus)
Pencegahan awal dengan melakukan
skrining  Pap Smear Test
Seminar Hasil Tugas Akhir Jurusan Statistika FMIPA ITS
Surabaya, 22 Juni 2012
4
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
2007-2010 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.
Seminar Hasil Tugas Akhir Jurusan Statistika FMIPA ITS
Surabaya, 22 Juni 2012
5
Permasalahan Penelitian
1
2
3
• 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?
• Bagaimana ketepatan klasifikasi hasil Pap Smear Test
berdasarkan pendekatan Bagging Regresi Logistik?
Seminar Hasil Tugas Akhir Jurusan Statistika FMIPA ITS
Surabaya, 22 Juni 2012
6
Tujuan Penelitian
Seminar Hasil Tugas Akhir Jurusan Statistika FMIPA ITS
Surabaya, 22 Juni 2012
7
MANFAAT
2
1
Menambahkan
wawasan
keilmuan dalam
pengembangan
dan penerapan
metode Bagging
Logistic
Regression
khususnya dalam
bidang kesehatan.
3
Memberikan
informasi tentang
faktor resiko yang
berkontribusi
terhadap
klasifikasi pasien
sehingga menjadi
perhatian untuk
mengurangi
faktor resiko
tersebut
Seminar Hasil Tugas Akhir Jurusan Statistika FMIPA ITS
Surabaya, 22 Juni 2012
Meminimumkan
kesalahan
klasifikasi pasien
hasil Pap Smear
Test penyakit
kanker serviks
dari model yang
diperoleh
8
Batasan Penelitian
Data yang digunakan  data sekunder yang diperoleh dari RS.
“X” Surabaya berupa data anamesa Bagian Riset dan
Pengembangan RS. “X” tahun 2010.
Data mengenai hasil Pap Smear Test pasien dan faktor-faktor
yang diduga mempengaruhi penyakit kanker serviks.
Seminar Hasil Tugas Akhir Jurusan Statistika FMIPA ITS
Surabaya, 22 Juni 2012
9
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
Seminar Hasil Tugas Akhir Jurusan Statistika FMIPA ITS
Surabaya, 22 Juni 2012
10
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).
Seminar Hasil Tugas Akhir Jurusan Statistika FMIPA ITS
Surabaya, 22 Juni 2012
11
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).
β 0  β1x1 β 2 x 2 ...β i x i 
e
π(x) 
β 0  β1x1 β 2 x 2 ...β i x i 
1 e
Dengan menggunakan transformasi logit dari π(x) , maka model
regresi fungsi logit dapat didefinisikan sebagai berikut
Seminar Hasil Tugas Akhir Jurusan Statistika FMIPA ITS
Surabaya, 22 Juni 2012
12
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 0 
β 
1
β 
 ... 
 
β p 
Seminar Hasil Tugas Akhir Jurusan Statistika FMIPA ITS
Surabaya, 22 Juni 2012
13
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:
H0 :
H1: paling sedikit ada satuβ i ≠ 0, dengan i = 1, 2, …, p
Taraf Signifikan : 0,05
Statistik Uji :
n
n
n0
ni
 n1   n 0 
n1   y i
n 0   1  y i 
   
i 1
i 1
 n   n 
G  2ln n
n  n1  n 0
yi
1 y i 
 π̂ i 1  π̂ i 
i 1
Daerah penolakan : tolak Ho jika
G  χ 2 (v,α) dengan derajat bebas v.
Seminar Hasil Tugas Akhir Jurusan Statistika FMIPA ITS
Surabaya, 22 Juni 2012
14
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
H0 : β = 0
i
H1: β ≠ 0, dengan i = 1, 2, …, p
i
Taraf Signifikan : 0,05
Statistik Uji : Statistik Uji Wald
W
β̂ i
SE( β̂ i )
Daerah penolakan : tolak Ho jika. W  Z α/2
Seminar Hasil Tugas Akhir Jurusan Statistika FMIPA ITS
Surabaya, 22 Juni 2012
15
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 :
H0: model sesuai
H1: model tidak sesuai
Statistik uji yang digunakan untuk menguji kesesuaianmodel adalah ChiSquare dari Hosmer dan Lemeshow test.
o k  n' k π k 2
Ĉ  
k 1 n' k π k 1  π k 
g
Daerah penolakan : tolak Ho jika
χ2
hitung
>
χ2
(db,α)
Seminar Hasil Tugas Akhir Jurusan Statistika FMIPA ITS
Surabaya, 22 Juni 2012
16
Interpretasi Model
Untuk regresi logistik dengan variabel prediktor bersifat dikotomus, nilai
x dikategorikan 0 atau 1
Variabel Prediktor
Variabel
respon
x=1
exp β 0  β 1 
1  exp β 0  β 1 
y=1
π1 
y=0
1 - π1 
1
1  exp β 0  β 1 
x=0
π0 
exp β 0 
1  exp β 0 
1 - π0 
1
1  exp β 0 
Sumber: Hosmer and Lemeshow, 2000
Seminar Hasil Tugas Akhir Jurusan Statistika FMIPA ITS
Surabaya, 22 Juni 2012
17
Interpretasi Model
Odds ratio, dinotasikan ψ, didefinisikan sebagai ratio odds untuk x = 1
terhadap odds untuk x = 0, yang dapat dituliskan
ψ
 exp(β 0  β 1 ) 

1



 1  exp(β 0  β 1 )  1  exp(β 0 ) 
ψ
 exp(β 0 ) 

1



 1  exp(β 0 )  1  exp(β 0  β 1 ) 
π(1)/1  π(1)
π(0)/1  π(0)
exp(β 0  β1 )
 exp(β1 )

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).
Seminar Hasil Tugas Akhir Jurusan Statistika FMIPA ITS
Surabaya, 22 Juni 2012
18
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
y1
y2
Taksiran
y1
y2
n11
n12
n21
n22
APER (%) =
Keterangan :
n11 = Jumlah subjek dari y1 tepat diklasifikasikan sebagai y1
n12 = Jumlah subjek dari y1 salah diklasifikasikan sebagai y2
n21 = Jumlah subjek dari y2 salah diklasifikasikan sebagai y1
n22 = Jumlah subjek dari y2 tepat diklasifikasikan sebagai y2
n 12  n 21
n 11  n 12  n 21  n 22
Seminar Hasil Tugas Akhir Jurusan Statistika FMIPA ITS
Surabaya, 22 Juni 2012
19
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 µA diberikan secara umum dalam :
µA(y) = EF [(y, k)]
Untuk setiap resampel bootstrap dari dihitung :
(*b)(y, (*b)),
k
b = 1, ... , B
dan kemudian menaksir classifier sebagai berikut.
A(y)
= [(y, k*)]
(Dias dan Vermunt, 2005).
Seminar Hasil Tugas Akhir Jurusan Statistika FMIPA ITS
Surabaya, 22 Juni 2012
20
Estimasi Bagging Class Probability
Selama ini bukti-bukti mengindikasikan bahwa bagged menaksir lebih akurat daripada
penaksir tunggal. Untuk menguji pernyataan ini dilakukan perbandingan estimasi
*(jx) dari nilai sebenarnya. Perbandingan dilakukan dengan membandingkan prediksi
error dari hasil model tunggal sebagai berikut.
eS = (jx) – p*(jx)
dimana (jx) adalah penaksir peluang dari model tunggal dan p*(jx) adalah peluang
sebenarnya.
Sedangkan untuk model hasil bagging, pada setiap iterasi bootstrap dilakukan
perhitungan prediksi error.
eB = B(jx) – p*(jx)
dimana B(jx) 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).
Seminar Hasil Tugas Akhir Jurusan Statistika FMIPA ITS
Surabaya, 22 Juni 2012
21
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 eB.
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 200.
Seminar Hasil Tugas Akhir Jurusan Statistika FMIPA ITS
Surabaya, 22 Juni 2012
22
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).
Seminar Hasil Tugas Akhir Jurusan Statistika FMIPA ITS
Surabaya, 22 Juni 2012
23
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.
Seminar Hasil Tugas Akhir Jurusan Statistika FMIPA ITS
Surabaya, 22 Juni 2012
24
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
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
Penggunaan kontrasepsi hormonal dalam jangka panjang dapat meningkatkan
risiko 4 kali lebih besar terkena kanker serviks (Melva, 2008).
Frekuensi
melahirkan
Melahirkan anak banyak dan sering hamil juga dapat meningkatkan risiko kanker
serviks (Nurwijaya, dkk., 2010).
Siklus
menstruasi
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
Seminar Hasil Tugas Akhir Jurusan Statistika FMIPA ITS
Surabaya, 22 Juni 2012
25
Pemeriksaan Diagnostik
Pemeriksaan diagnostik dapat dilakukan dengan berbagai cara antara lain :
1
• Papanicolaouw Smear (Pap Smear Test)
2
• Tes Schiller
3
• Sitologi
4
• Kolposkopi
5
• Kolpomikroskopi
6
• Biopsi
7
• Konisasi
Seminar Hasil Tugas Akhir Jurusan Statistika FMIPA ITS
Surabaya, 22 Juni 2012
26
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
Normal
Abnormal
Jenis
Normal smear
Radang non spesifik
AS (Atrophic Smear)
ASC-US
ASC-H
LSIL
HSIL
Herpes Simplek Virus
Seminar Hasil Tugas Akhir Jurusan Statistika FMIPA ITS
Surabaya, 22 Juni 2012
TV
HV
Candida
Coccen
Early as
Mild RNS
Metaplasia
27
Sumber Data Penelitian
METODOLOGI
PENELITIAN
Variabel Penelitian
Metode Analisis
Seminar Hasil Tugas Akhir Jurusan Statistika FMIPA ITS
Surabaya, 22 Juni 2012
28
Sumber Data Penelitian
Data SEKUNDER
RS. “X” Surabaya
Data anamesa bagian
Dept. Riset dan
Pengembangan RS. “X”
tahun 2010
Seminar Hasil Tugas Akhir Jurusan Statistika FMIPA ITS
Surabaya, 22 Juni 2012
29
Variabel Penelitian
Kode
Variabel
Variabel respon :
Y
Hasil Pap Smear
Test
Variabel prediktor :
X1
Usia
X2
Usia
melahirkan
pertama kali
Definisi Operasional
Skala Pengukuran
1.
2.
Nominal
Usia pasien
Usia pertama kali melahirkan
Rasio
Rasio
X3
Usia menstruasi
pertama kali
Usia pertama kali mengalami menstruasi
Rasio
X4
Siklus menstruasi
Nominal
X5
Frekuensi
melahirkan
Penggunaan
kontrasepsi
1.
2.
1.
2.
1.
2.
1.
2.
X6
X7
Riwayat keguguran
Normal (1)
Abnormal (2)
teratur (1)
tidak teratur (2)
pernah melahirkan ≤2 anak (1)
pernah melahirkan ˃2 anak (2)
tidak menggunakan kontrasepsi (1)
menggunakan kontrasepsi (2)
tidak pernah keguguran (1)
pernah keguguran (2)
Nominal
Nominal
Nominal
Seminar Hasil Tugas Akhir Jurusan Statistika FMIPA ITS
Surabaya, 22 Juni 2012
30



Struktur Data Penelitian
Pasien hasil Pap Smear Test
penyakit kanker serviks
Y
X1
X2
...
X7
1
y1
X1,1
X2,1
...
x7,1
2
y2
X1,2
X2,2
...
x7,2
3
Y3
x1.,3
X2,3
...
x7,3
...
...
...
...
...
...
N
yn
x1,n
x2,n
...
x7,n
Seminar Hasil Tugas Akhir Jurusan Statistika FMIPA ITS
Surabaya, 22 Juni 2012
31
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
Seminar Hasil Tugas Akhir Jurusan Statistika FMIPA ITS
Surabaya, 22 Juni 2012
32
Karakteristik Pasien Pap Smear Test Bedasarkan
Faktor Resiko Usia
Usia Pasien
<= 35 tahun
Hasil Pap Smear Test
Abnormal
157
198
482
680
261
639
900
> 35
tahun
Total
Pasien berusia < 35 tahun
abnormal
28%
normal
normal
abnormal
abnormal
72%
(a)
220
Pasien berusia > 35 tahun
29%
71%
Total
Normal
63
23%
<= 35 tahun
77%
(b)
Seminar Hasil Tugas Akhir Jurusan Statistika FMIPA ITS
Surabaya, 22 Juni 2012
> 35 tahun
(c)
33
Karakteristik Pasien Pap Smear Test Bedasarkan
Faktor Resiko Usia Melahirkan Pertama Kali
Usia Pertama
Melahirkan
<= 20 tahun
> 20
tahun
Total
Usia melahirkan < 20 tahun
Hasil Pap Smear Test
Total
Normal
24
Abnormal
71
95
237
568
805
261
639
900
abnormal
Usia melahirkan > 20 tahun
23%
10%
29%
normal
abnormal
normal
71%
abnormal
<=20 tahun
90%
>20 tahun
77%
(a)
(b)
Seminar Hasil Tugas Akhir Jurusan Statistika FMIPA ITS
Surabaya, 22 Juni 2012
(c)
34
Karakteristik Pasien Pap Smear Test Bedasarkan
Faktor Resiko Usia Menstruasi Pertama Kali
Hasil Pap Smear Test
Usia Pertama
Menstruasi
Normal
Abnormal
<= 13 tahun
179
433
612
> 13 tahun
82
206
288
Total
261
639
900
Usia Mens Pertama < 13 tahun
Usia Mens Pertama > 13
tahun
29%
27%
normal
71%
Total
normal
abnormal
Abnormal
35%
abnormal
<=13 tahun
65%
>13 tahun
73%
(a)
(b)
Seminar Hasil Tugas Akhir Jurusan Statistika FMIPA ITS
Surabaya, 22 Juni 2012
(c)
35
Karakteristik Pasien Pap Smear Test Bedasarkan
Faktor Resiko Siklus Menstruasi
Siklus
Menstruasi
Normal
Abnormal
Teratur
221
438
659
Tidak Teratur
40
201
241
Total
261
639
900
Teratur
Hasil Pap Smear Test
Tidak Teratur
33%
67%
Total
Abnormal
16%
normal
normal
abnormal
abnormal
33%
teratur
67%
tidak teratur
84%
(a)
(b)
Seminar Hasil Tugas Akhir Jurusan Statistika FMIPA ITS
Surabaya, 22 Juni 2012
(c)
36
Karakteristik Pasien Pap Smear Test Bedasarkan
Faktor Resiko Jumlah Anak (Paritas)
Hasil Pap Smear Test
Paritas
Normal
Abnormal
Anak <= 2
148
358
506
Anak > 2
113
281
394
Total
261
639
900
Paritas < 2 anak
Paritas > 2 anak
normal
abnormal
(a)
Abnormal
27%
29%
71%
Total
normal
73%
45%
abnormal
(b)
Seminar Hasil Tugas Akhir Jurusan Statistika FMIPA ITS
Surabaya, 22 Juni 2012
55%
jumlah anak < 2
jumlah anak > 2
(c)
37
Karakteristik Pasien Pap Smear Test Bedasarkan
Faktor Resiko Penggunaan Kontrasepsi
Hasil Pap Smear Test
Penggunaan
Kontrasepsi
Total
Normal
Abnormal
Tidak
menggunakan
179
353
532
Menggunakan
82
286
368
Total
261
639
900
Tidak Menggunakan
Kontrasepsi
Menggunakan Kontrasepsi
21%
34%
normal
Abnormal
normal
79%
abnormal
menggunakan
46%
abnormal
54%
tidak
menggunakan
66%
(a)
(b)
Seminar Hasil Tugas Akhir Jurusan Statistika FMIPA ITS
Surabaya, 22 Juni 2012
(c)
38
Karakteristik Pasien Pap Smear Test Bedasarkan
Faktor Resiko Riwayat Keguguran
Hasil Pap Smear Test
Riwayat
Keguguran
Normal
Abnormal
Tidak Pernah
189
448
637
Pernah
72
191
263
Total
261
639
900
Tidak Pernah Keguguran
Abnormal
Pernah Keguguran
26%
30%
70%
Total
normal
normal
abnormal
abnormal
32%
tidak pernah
68%
pernah
74%
(a)
(b)
Seminar Hasil Tugas Akhir Jurusan Statistika FMIPA ITS
Surabaya, 22 Juni 2012
(c)
39
Analisis Regresi Logistik
Uji Individu
Hipotesis yang digunakan adalah sebagai berikut.
H0 : βi = 0
H1 : βi ≠ 0, dengan i= 1,2,…,p
Tingkat signifikansi yang digunakan yaitu α = 5%. Statistik uji yang digunakan adalah
statistik uji Wald. Keputusan penolakan H0 jika p-value < α atau nilai W2 lebih besar
dari (1;0,05)= 3,841
Variabel
Prediktor
X1
X2
X3
X4
X5
X6
X7
Deskripsi
Usia
Usia melahirkan pertama
Usia menstruasi pertama
Siklus menstruasi
Paritas (Jumlah anak)
Penggunaan kontrasepsi
Riwayat keguguran
Wald
18,772
2,799
0,118
23,532
0,035
13,484
0,475
p-value
0,000*
0,094
0,665
0,000*
0,852
0,000*
0,490
Keterangan :
*parameter signifikan berpengaruh pada α = 5%
Seminar Hasil Tugas Akhir Jurusan Statistika FMIPA ITS
Surabaya, 22 Juni 2012
40
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
H0 : β1 = β2 = … = βp = 0
H1 : paling sedikit ada satu βi≠ 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 H0 jika pvalue < α atau nilai G lebih besar (3;0,05)= 7,815.
Variabel
Prediktor
X1
X4(1)
X6(1)
Konstanta
Deskripsi
Usia pasien
Siklus menstruasi
Penggunaan kontrasepsi
p-value
β
0,035
-0,878
-0,565
-0,470
0,000*
0,000*
0,000*
0,260
Odds
Ratio
1,036
0,415
0,568
1,599
Keterangan :
*parameter signifikan berpengaruh pada α = 5%
Nilai statistik uji G yang dihasilkan adalah sebesar 56,522
Seminar Hasil Tugas Akhir Jurusan Statistika FMIPA ITS
Surabaya, 22 Juni 2012
41
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  0,035X1 - 0,878X 4 (1) - 0,565X 6 (1))
Seminar Hasil Tugas Akhir Jurusan Statistika FMIPA ITS
Surabaya, 22 Juni 2012
42
Analisis Regresi Logistik
Uji Kesesuaian Model
Hipotesis yang digunakan adalah sebagai berikut.
H0 : model sesuai (tidak ada perbedaan antara hasil observasi dengan kemungkinan hasil
prediksi)
H1 : 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 H0 yang berarti model sesuai atau tidak ada perbedaan
antara hasil observasi dengan hasil prediksi pada tingkat signifikansi α = 5%. Sehingga model yang
digunakan adalah
exp(-0,470  0,035X1 - 0,878X 4 (1) - 0,565X 6 (1))
 (x) 
1  exp (-0,470  0,035X1 - 0,878X 4 (1) - 0,565X6 (1))
dengan model logit :
g(x)  -0,470  0,035X1 - 0,878X 4 (1) - 0,565X 6 (1)
Seminar Hasil Tugas Akhir Jurusan Statistika FMIPA ITS
Surabaya, 22 Juni 2012
43
Analisis Regresi Logistik
Interpretasi Model Regresi Logistik
Variabel
Prediktor
X1
X4(1)
X6(1)
Konstanta
Deskripsi
Usia pasien
Siklus menstruasi
Penggunaan kontrasepsi
Odds
β
Ratio
0,035 1,036
-0,878 0,415
-0,565 0,568
-0,470 1,599
Seminar Hasil Tugas Akhir Jurusan Statistika FMIPA ITS
Surabaya, 22 Juni 2012
44
Analisis Regresi Logistik
Uji Ketepatan Klasifikasi
Observasi
Prediksi
Normal
Abnormal
Normal
2
259
Abnormal
5
634
Ketepatan Klasifikasi Total (%)
Ketepatan
Klasifikasi(%)
0,8
99,2
70,7
diketahui bahwa persentase seluruh observasi terklasifikasikan dengan
benar adalah 70,7% sehingga besarnya misklasifikasi (APER) adalah
29,3%.
Kombinasi data
Kombinasi 1 (80%-20%)
Training
Testing
Kombinasi 2 (70%-30%)
Training
Testing
Ketepatan
Klasifikasi
71,20%
50,55%
71,00%
70,75%
Seminar Hasil Tugas Akhir Jurusan Statistika FMIPA ITS
Surabaya, 22 Juni 2012
45
Bagging Regresi Logistik
Hasil pada model regresi logistik biner menyimpulkan bahwa variabel yang
signifikan berpengaruh terhadap hasil Pap Smear Test adalah jumlah usia
pasien (X1), siklus menstruasi (X4) dan penggunaan kontrasepsi (X6).
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.
Seminar Hasil Tugas Akhir Jurusan Statistika FMIPA ITS
Surabaya, 22 Juni 2012
46
Estimasi Bagging Class Probability
Estimasi Bagging Class Probability pada kombinasi data 1
Hasil Bagging Regresi Logistik Data Training pada Data Kombinasi 1
Replikasi
Bootstrap
50 kali
60 kali
70 kali
80 kali
90 kali
100 kali
Rata-rata Ketepatan Klasifikasi
71,56%
71,29%
71,43%
71,04%
71,66%
71,19%
B
28,44%
28,71%
28,57%
28,96%
28,34%
28,81%
es
28,8%
28,8%
28,8%
28,8%
28,8%
28,8%
Bagging Regresi Logistik Data Testing pada Data Kombinasi 1
Replikasi
Bootstrap
50 kali
60 kali
70 kali
80 kali
90 kali
100 kali
Rata-rata Ketepatan Klasifikasi
68,33%
67,78%
68,33%
67,78%
68,33%
68,33%
B
31,67%
32,22%
31,67%
32,22%
31,67%
31,67%
es
49,45%
49,45%
49,45%
49,45%
49,45%
49,45%
Seminar Hasil Tugas Akhir Jurusan Statistika FMIPA ITS
Surabaya, 22 Juni 2012
47
Estimasi Bagging Class Probability
Estimasi Bagging Class Probability pada kombinasi data 2
Hasil Bagging Regresi Logistik Data Training pada Data Kombinasi 2
Replikasi
Bootstrap
50 kali
60 kali
70 kali
80 kali
90 kali
100 kali
Rata-rata Ketepatan Klasifikasi
70,58%
70,53%
71,00%
70,71%
70,41%
71,07%
es
B
29,42%
29,47%
29,00%
29,29%
29,59%
28,93%
29,3%
29,3%
29,3%
29,3%
29,3%
29,3%
Bagging Regresi Logistik Data Testing pada Data Kombinasi 2
Replikasi
Bootstrap
50 kali
60 kali
70 kali
80 kali
90 kali
100 kali
Rata-rata Ketepatan Klasifikasi
70,37%
70,37%
70,37%
70,37%
70,37%
70,37%
es
B
29,63%
29,63%
29,63%
29,63%
29,63%
29,63%
29,25%
29,25%
29,25%
29,25%
29,25%
29,25%
Seminar Hasil Tugas Akhir Jurusan Statistika FMIPA ITS
Surabaya, 22 Juni 2012
48
Ketepatan Klasifikasi
Ketepatan Klasifikasi
Kombinasi 1
(80%-20%)
Hasil Bagging
Kombinasi 1
(80%-20%)
Hasil data tunggal
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
Kombinasi
Katepatan
Waktu (menit)
Data
(1) 80%-20%
50,55%
1
(2) 70%-30%
70,37%
1
Bagging Regresi Logistik
Ketepatan
68,33%
70,75%
Seminar Hasil Tugas Akhir Jurusan Statistika FMIPA ITS
Surabaya, 22 Juni 2012
Waktu (menit)
3600
3600
49
Model Bagging Regresi Logistik
Model bagging regresi logistik yang diperoleh pada 90 kali replikasi bootstrap adalah :
g ( x)  -1,06909  0,03828X1 - 0,82193X 4 (1)  0,58439X 6 (1)
Seminar Hasil Tugas Akhir Jurusan Statistika FMIPA ITS
Surabaya, 22 Juni 2012
50
Kesimpulan
1.
-
-
-
-
Berdasarkan hasil analisis dan pembahasan, maka diperoleh kesimpulan sebagai berikut
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%.
Seminar Hasil Tugas Akhir Jurusan Statistika FMIPA ITS
Surabaya, 22 Juni 2012
51
Kesimpulan
2. Variabel-variabel yang berpengaruh secara signifikan terhadap hasil Pap Smear Test adalah usia pasien (X1),
siklus menstruasi (X4) dan penggunaan kontrasepsi (X6). 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 0,88.
3. 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 (X1), siklus menstruasi (X4) dan penggunaan kontrasepsi (X6), 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%.
Seminar Hasil Tugas Akhir Jurusan Statistika FMIPA ITS
Surabaya, 22 Juni 2012
52
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.
Seminar Hasil Tugas Akhir Jurusan Statistika FMIPA ITS
Surabaya, 22 Juni 2012
53
DAFTAR PUSTAKA
Agresti, A. 1990. Categorical Data Analysis. John Wiley and Sons. New York.
Breiman, L. 1994. Bagging Predictor. Technical report No. 421. Departement of statistics University of California.
Dias, J.G dan Vermunt J.K. 2005. A Bootstrap based Aggregate Classier for Model based Clustering. Journal of
Annals Statistics.
Efron, B., dan R. J. Tibshirani. 1993. An Introduction to the Bootstrap. Chapman and Hall. New York.
Hosmer, D.W., dan Lemenshow. 2000. Applied Logistic Regression. USA : John Wiley and Sons.
Johnson, R. A. dan Wichern, D. W., 1992. 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,
http://kesehatan.kompas.com/read/2010/05/07/08042334/Kanker.Serviks.Penyebab.Utama.Kematian.htm,
Seminar Hasil Tugas Akhir Jurusan Statistika FMIPA ITS
Surabaya, 22 Juni 2012
54
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. http://id.wikipedia.org/wiki/ 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.
Seminar Hasil Tugas Akhir Jurusan Statistika FMIPA ITS
Surabaya, 22 Juni 2012
55
..SEKIAN..
TERIMA KASIH
-DANKE SCHŐNq(^_^)p
Seminar Hasil Tugas Akhir Jurusan Statistika FMIPA ITS
56