oleh : anindya frisanty ikaprillia 1309 100 014 dosen...
TRANSCRIPT
Oleh : Anindya Frisanty Ikaprillia
1309 100 014
Dosen Pembimbing : Dr. Purhadi, M.Sc
Pendahuluan
Tinjauan Pustaka
Metodologi Penelitian
Analisis dan Pembahasan
Kesimpulan dan Saran
Pendahuluan
Latar Belakang
Rumusan Masalah Tujuan
Manfaat
kasus kanker serviks di Jawa
Timur Regresi Poisson Overdispersi
Regresi Binomial Negatif
GWPR
AIC
Bagaimana model terbaik Regresi Binomial Negatif dan GWPR pada studi kasus jumlah kanker serviks di Jawa Timur tahun 2011 ?
Bagaimana variabel-variabel yang signifikan dan berpengaruh terhadap jumlah kasus 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 2011
Mengetahui variabel-variabel mana saja yang signifikan berpengaruh terhadap jumlah kasus kanker serviks di Jawa Timur tahun 2011
1
2
1
2
Bagi peneliti : Memberikan pemahaman tentang bagaimana menangani kasus berpengaruhnya variabel persentase sarana kesehatan signifikan disemua wilayah
Bagi Pemerintah : Memberikan informasi yang berpengaruh terhadap adanya sejumlah kasus kanker serviks
Bagi Masyarakat : Sebagai sarana untuk memperoleh informasi mengenai faktor-faktor yang berhubungan dengan kanker serviks
1
2
3
Regresi Poisson
Regresi Binomial Negatif
GWPR
TINJAUAN PUSTAKA
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.
211
jRVIF
−=
Regresi Poisson berdasarkan pada penggunaan Distribusi Poisson. Fungsi peluang dari Distribusi Poisson itu sendiri menurut (Myers,1990) dapat dinyatakan sebagai berikut.
( ; )!
yep yy
−µµµ =
( )exp Ti iXµ = β
Model Regresi
[ ][ ]
1 2
0 1 2
1
1,2, ,
Ti i i ki
Tk
x x x x
i nβ β β β
=
=
=
β
• Penaksiran Parameter Model Regresi Poisson
Penaksiran parameter dari model Regresi Poisson menggunakan metode Maximum Likelihood Estimation (MLE) :
( )
( )
1
1 1 1
exp( )ln ln!
= ln !
iyni i
i i
n n n
i ii i i
Ly
e y y
µ µ=
= = =
−=
− + −
∏
∑ ∑ ∑Tixβ T
i
β
xβ
( ) ( )1 1
lnexp
n n
ii i
Ly
= =
∂= − +
∂ ∑ ∑Ti i iT
βx xβ x
β
• 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 : Statistik Uji : Keputusan : Tolak Ho jika
0 1 2: 0kH β β β= =…= =
1 : paling sedikit ada satu 0 ; i=1,2, ,kiH β ≠
( ) ( )( ) ( )( ) ( )( )ˆˆ ˆ ˆ2 ln 2 ln ln
ˆL
D L LLω
ω
= − = Ω − Ω
β
2)1;()ˆ( −−> knD αχβ
Uji Parsial
Hipotesis : Statistik Uji : Keputusan : Tolak Ho jika
( )( )
0
1
: 0 pengaruh variabel ke-i tidak signifikan
: 0 pengaruh variabel ke-i signifikani
i
H
H
β
β
=
≠
( )ˆˆ
i
i
zseββ
=
2hitz zα>
• 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>
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 Binomial Negatif ( )exp T
i iXµ = β
• Penaksir Parameter Model Regresi Binomial Negatif
Metode Maximum Likelihood Estimation (MLE)
• Pengujian Parameter Model Regresi Binomial Negatif
Uji Serentak
Hipotesis : Statistik Uji : Keputusan : Tolak Ho jika
Hipotesis : Statistik Uji : Keputusan : Tolak Ho jika
Uji Parsial
0
1
: 0
: 0j
j
HH
β
β
=
≠
( )
2
jj
j
WSEββ
=
2;1jW αχ≥
0 1 2
1
: 0: paling sedikit ada satu 0, 1, 2, ,
k
j
HH j k
β β ββ
= = = =≠ =
( ) ( )( ) ( ) ( )( )ˆˆ ˆ ˆ2 ln 2ln 2 ln ln
ˆL
D L LLω
β ω = − Λ = − = Ω − Ω
( ) 2;
ˆkD αβ χ>
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.
Model GWPR yi~poisson (µi) dengan µi = exp
• Penaksir Parameter Model GWPR
Fungsi Likelihood
Metode Newton-Raphson Iteratively Reweighted Least Square (IRLS)
• Pengujian Parameter Model GWPR
Hipotesis : Ho : Statistik Uji : Keputusan : Tolak Ho jika
Hipotesis :
Ho :
Keputusan :
Tolak Ho jika
Penguji Pertama
Uji Serentak
0),(),(),(),( 333222111 ===== iik vuvuvuvu ββββ
:H1 paling tidak ada salah satu 0),( ≠iij vuβ; j=1,2,…,k
( ) ),(2ˆ kD αχβ >
:H1
jiij vu ββ =)),(( ni ,2,1 = kj ,2,1,0 =
jiij vu ββ ≠)),((
Ahit
B
Devians Model AdfF Devians Model Bdf
=
),,( BA dfdfhit FF α>
Uji Parsial
Hipotesis : Ho : Statistik Uji : Keputusan : Tolak Ho jika
:H1
• Penentuan Bandwidth dan Pembobot Optimum
Metode Generalized Cross Validation (GCV) untuk menentukan bandwith optimum, yang dirumuskan sebagai berikut :
( )( )
( )21
1
2)(
vn
byynbGCV
n
iii
−
−=∑=
• Pemilihan Model Terbaik Terdapat beberapa metode dalam menentukan model terbaik, salah satunya adalah Akaike Information Criterion (AIC). (Bozdogan, 2000)
( )2ln 2AIC L kθ= − +
Dipilih AIC yang terkecil
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 35-39 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).
Metodologi Penelitian
Sumber Data
Variabel Penelitian
Langkah Analisis
Diagram Alir
Variabel Respon
• Dinas Kesehatan Provinsi Jawa Timur tahun 2011
Variabel Prediktor
• Hasil Survey Sosial Ekonomi Nasional (SUSENAS) BPS Jawa Timur tahun 2011
Variabel Keterangan Skala Pengukuran
Y Jumlah kasus kanker serviks. Rasio X1 Persentase sarana kesehatan. Rasio X2 Persentase tenaga medis. Rasio
X3 Persentase penduduk perempuan yang umur kawin pertama ≤16 tahun.
Rasio
X4 Persentase penduduk dan Rumah Tangga (RT) perempuan. Rasio
X5 Persentase penduduk yang tinggal di daerah berstatus desa. Rasio
X6 Persentase penduduk perempuan yang tamat SMA. Rasio X7 Persentase penduduk miskin. Rasio
X8 Persentase penduduk perempuan yang menggunakan kondom. Rasio
X9 Persentase perempuan dengan jumlah anak yang dilahirkan lebih dari 4.
Rasio
X10 Persentase penduduk perempuan yang berstatus kawin. Rasio
X11 Persentase penduduk perempuan usia ≥35 Rasio
X12 Persentase rata-rata pengeluaran untuk konsumsi makanan per bulan Rasio
X13 Persentase penduduk yang merokok. Rasio
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
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
Data
Menganalisis statistika deskriptif
Mendeteksi adanya kasus multikolinieritas
Mendapatkan model terbaik untuk Regresi Poisson
Menentukan model terbaik dengan cara membandingkan nilai AIC dari GWPR dan Regresi Binomial Negatif yang dihasilkan
Model Terbaik
Mendapatkan model terbaik untuk GWPR
Mendapatkan model terbaik untuk Regresi Binomial Negatif
Ya
Mendeteksi overdispersi
Tidak Regresi Poisson
Analisis dan Pembahasan
Variabel Mean Varians Minimum Maximum Y 48,50 15257,40 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 59,23 1132,91 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
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.
Uji Serentak
H1 : paling sedikit ada satu
Hipotesis :
Statistik Uji : = 2324,3 = 18,307 )ˆ(βD
Nilai > sehingga keputusannya tolak H0 yang mempunyai arti bahwa terdapat satu parameter yang berpengaruh secara signifikan terhadap model.
)ˆ(βD
Uji Parsial
Parameter Estimasi Standart
Error Z P-Value
β0 6,1301 2,6946 2,27 0,0286
β1 -6,9495 0,4979 -13,96 <0,0001
β2 0,9554 0,0659 14,48 <0,0001
β3 0,0778 0,0046 16,93 <0,0001
β4 0,3307 0,0468 7,06 <0,0001
β7 -0,1578 0,0097 -16,25 <0,0001
β8 0,2866 0,0372 7,70 <0,0001
β9 0,0500 0,0100 4,97 <0,0001
β10 -0,0739 0,0152 -4,85 <0,0001
β11 -0,2669 0,0159 -16,78 <0,0001
β13 -0,2088 0,0093 -22,31 <0,0001
H0: βj = 0 H1:
;
= exp (6,1301 – 6,9495X1 + 0,9554X2 + 0,07789X3 + 0,3307X4 – 0,1578X7 + 0,2866X8 + 0,0500X9 – 0,07396X10 – 0,2669X11 – 0,2088 X13)
iµ
Kriteria Nilai db Nilai/db Devians 2189,32 27 81,085
Pearson Chi-Square 2725,51 27 100,944
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.
Kemungkinan Model (Y dengan Xi)
AIC Parameter yang
Signifikan X10 318,64 β0 X3 X10 318,85 β0 β10 X3 X10X13 319,65 β0 β3 β10 X3 X8 X10X13 320,65 β0 β3 β10 X1 X2 X8 X11X13 321,55 β0 β1 β2 β8 β11 β13 X2 X3 X8 X9 X10 X13 323,59 β2 β3 X1 X2 X3 X4 X8 X10X13 323,81 β1 β2 β3 β8 β10 β13 X1 X2 X3 X4 X8 X10 X11 X13 324,87 β1 β2 β3 β8 β13 X1 X2 X3 X4 X8 X9 X10 X11 X13 326,55 β1 β2 β3 β8 β13 X1 X2 X3 X4 X7 X8X9 X10 X11 X13 329,39 β1 β2 β3 β8 β13
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.
Uji Serentak
Hipotesis : H0: β1 = β2 = β8 = β11 = β13= 0 H1: paling sedikit ada satu βj≠ 0, j = 1,2,8,11,13 Statistik Uji : = 307,55 = 11,070 )ˆ(βD
)ˆ(βDNilai > sehingga keputusannya tolak H0 yang mempunyai arti bahwa terdapat satu parameter yang berpengaruh secara signifikan terhadap model.
Uji Parsial
Parameter Estimasi Standart
Error Z hitung P value
β0 18,15684 7,15572 2,537 0,01117
β1 -12,47533 4,08670 -3,053 0,00227
β2 1,97018 0,57099 3,450 0,00056
β8 0,66262 0,26889 2,464 0,01373
β11 -0,27642 0,13738 -2,012 0,04420
β13 -0,17814 0,08233 -2,164 0,03048
H0: βj = 0 (pengaruh variabel ke-j tidak signifikan) H1: βj≠ 0 (pengaruh variabel ke-j signifikan)
µ = exp(18,15684–12,47533X1 + 1,97018X2+ 0,66262X8–0,27642X11–0,17814X13)
Uji Kesesuaian
Model Devians df Devians/df F hitung
Global 3348,13 27 124,005 1,2497
GWPR 1547,11 15,59 99,223
Hipotesis : H0 : βj(ui, vi) = βj j = 0,1,2,3,4,7,8,9,10,11,13 Statistik Uji : F(0,05;27;15) = 2,25
:1H jiij vu ββ ≠)( ,
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.
Uji Serentak
Hipotesis : H0 : β1(u1,v1) = β2(u2,v2) = β3(u3,v3)= … = β13(u13,v13) = 0 paling tidak ada salah satu Statistik Uji : = 1547,11 = 18,307
:1H 0),( ≠jjj vuβ
)ˆ(βD
Berarti tolak H0 karena nilai > Kesimpulannya minimal ada satu parameter yang mempengaruhi terhadap model secara signifikan.
)ˆ(βD
Uji Parsial
H0 :
H1:
Parameter Estimasi Standart
Error Z hitung
β0 -10,9852 4,46651 -2,45946 β1 -5,08458 0,56216 -9,04466 β2 0,81464 0,07228 11,2714 β3 0,06249 0,00592 10,5653 β4 0,55709 0,07472 7,45563 β7 -0,16365 0,01101 -14,8711 β8 0,38312 0,03999 9,5793 β9 0,04533 0,01204 3,7647 β10 0,09941 0,02403 4,1375 β11 -0,35675 0,02443 -14,6007 β13 -0,23218 0,01079 -21,5096
ln ( i ) = -10,9852 – 5,08458 X1 + 0,81464 X2 + 0,06249 X3 + 0,55709 X4 – 0,16365 X7 + 0,38312 X8 + 0,04533 X9 + 0,09941 X10 – 0,35675 X11 – 0,23218 X13
Variabel yang Signifikan No. Kabupaten/Kota Variabel yang Signifikan
1.
Pacitan, Banyuwangi, Bondowoso, Kab.Probolinggo, Ngawi, Gresik, Pamekasan, Kota Blitar, Kota Pasuruan, Kota Batu
X1, X2, X3, X4, X7, X8, X9, X10, X11, X13
2. Ponorogo dan Kab. Pasuruan X2, X3, X4, X7, X8, X9,
X10, X11, X13
3.
Trenggalek, Jember, Situbondo, Sidoarjo, Mojokerto, Nganjuk, Sumenep, Kota Kediri, Kota Malang, Kota Probolinggo, Kota Mojokerto, Kota Surabaya
X1, X2, X3, X7, X9, X10, X11, X13
4. Tulungagung, Jombang dan Lamongan X1, X2, X3, X4, X7, X8,
X10, X11, X13
5. Blitar, Bojonegoro dan Sampang X1, X2, X3, X4, X7, X8, X9,
X11, X13
6. Kediri X1, X2, X3, X4, X8, X10,
X11, X13
7. Malang, Tuban dan Kota Madiun X1, X2, X3, X7, X9, X10,
X11, X13
8. Lumajang dan Madiun X1, X2, X3, X7, X10, X11,
X13
9. Magetan X1, X2, X3, X4, X7, X9,
X10, X11, X13
10. Bangkalan X2, X3, X4, X7, X8, X9, X11,
X13
Model Variabel Signifikan Nilai AIC Regresi Binomial Negatif
X1 X2 X8 X11X13 321,55
GWPR X1 X2 X3 X4 X7 X8 X9 X10
X11X13 1586,35
Model Terbaik
KESIMPULAN DAN SARAN
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 (X1), persentase tenaga medis (X2), persentase penduduk perempuan yang menggunakan kondom (X8), persentase penduduk perempuan usia ≥ 35 tahun (X11), dan persentase penduduk yang merokok (X13).
4. Pemodelan GWPR dengan fungsi kernel fixed Gaussian menunjukkan bahwa variabel yang signifikan hampir di
setiap Kabupaten yaitu variabel X1 (Persentase sarana kesehatan), X2(Persentase tenaga medis), X3(Persentase penduduk perempuan yang umur kawin pertama ≤16 tahun), X7(Persentase penduduk miskin), X9(Persentase perempuan dengan jumlah anak yang dilahirkan lebih dari 4), X10(Persentase penduduk perempuan yang berstatus kawin), X11 (Persentase penduduk perempuan usia ≥35), X13(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.
A. Mansjoer, K. T. (2008). Kapita Selekta Kedokteran. Edisi ketiga. Media Aesculapis, Fakultas Kedokteran Universitas Indonesia.
Anneahira. (2012). Jenis Penyakit. http://www.anneahira.com/penyakit.htm. Anonim. (2013). Tanda-tanda dan penyebab Kanker Serviks.
http://chuzblog.blogspot.com/2013/20/Kanker-serviks-tanda-tanda-penyebab.html. 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. 209-220.
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. http://jong.blogspot.com/2013/13/vaksin-kanker-serviks/html.
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.
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: 2695-2717.
Prawirohardjo, S. (2008). Ilmu Kandungan. Edisi Kedua. Jakarta: PT. Bina Pustaka. Yasin, M. (2012). Penyakit Kanker Leher Rahim (Ca Cervix) di Indonesia.
http://blogdokter.blogdetik.com/2012/04/15/penyakit-kanker-leher-rahim-ca-cervix-di-indonesia/.
