KLASIFIKASI PENDERITA

KANKER PAYUDARA
DENGAN PENDEKATAN
METODE
REGRESI LOGISTIK
7/11/2010 1
KLASIFIKASI PENDERITA
KANKER PAYUDARA
DENGAN PENDEKATAN
METODE
REGRESI LOGISTIK
Oleh:
RICKI INDRA P
1303 109 030
Latar Belakang
Kanker payudara (Carcinoma mammae) adalah suatu
penyakit neoplasma ganas yang merupakan suatu
pertumbuhan jaringan payudara abnormal yang berbeda
dengan jaringan disekitarnya (Pane, 2007).
Jenis kanker yang sering didapati di Indonesia dengan
urutan sebagai berikut: kanker leher rahim, hati,
payudara, paru-paru, kulit, nasofaring, limfoma, leukimia,
dan kolon/rektum.
Sesuai dengan urutan tersebut, kanker leher rahim
(serviks) merupakan kanker pembunuh wanita nomor satu
di Indonesia dan peringkat kedua di dunia setelah kanker
payudara (Messwati, 2005).
7/11/2010 2
Kanker payudara (Carcinoma mammae) adalah suatu
penyakit neoplasma ganas yang merupakan suatu
pertumbuhan jaringan payudara abnormal yang berbeda
dengan jaringan disekitarnya (Pane, 2007).
Jenis kanker yang sering didapati di Indonesia dengan
urutan sebagai berikut: kanker leher rahim, hati,
payudara, paru-paru, kulit, nasofaring, limfoma, leukimia,
dan kolon/rektum.
Sesuai dengan urutan tersebut, kanker leher rahim
(serviks) merupakan kanker pembunuh wanita nomor satu
di Indonesia dan peringkat kedua di dunia setelah kanker
payudara (Messwati, 2005).
Rumusan Masalah
permasalahan yang ada dalam penelitian ini
adalah sebagai berikut:
Bagaimana faktor-faktor yang mempengaruhi
resiko penyebab kanker payudara dari model
regresi logistik yang telah diperoleh ?
7/11/2010 3
permasalahan yang ada dalam penelitian ini
adalah sebagai berikut:
Bagaimana faktor-faktor yang mempengaruhi
resiko penyebab kanker payudara dari model
regresi logistik yang telah diperoleh ?
Tujuan Penelitian
Tujuan yang ingin dicapai oleh penelitian ini yaitu
:Mendapatkan faktor-faktor yang mempengaruhi
resiko penyebab kanker payudara dari model
regresi logistik yang telah diperoleh.
7/11/2010 4
Tujuan yang ingin dicapai oleh penelitian ini yaitu
:Mendapatkan faktor-faktor yang mempengaruhi
resiko penyebab kanker payudara dari model
regresi logistik yang telah diperoleh.
Manfaat Penelitian
Diharapkan penelitian ini dapat memberikan
manfaat sebagai berikut:
Mengaplikasikan ilmu statistika khususnya regresi
logistik di bidang kedokteran.
Memberikan acuan tambahan bagi tenaga medis
mengenai faktor-faktor yang berperan secara signifikan
terhadap resiko tinggi terserang penyakit kanker
payudara, sehingga dapat meningkatkan penanganan yang
tepat terhadap pasien.
7/11/2010 5
Diharapkan penelitian ini dapat memberikan
manfaat sebagai berikut:
Mengaplikasikan ilmu statistika khususnya regresi
logistik di bidang kedokteran.
Memberikan acuan tambahan bagi tenaga medis
mengenai faktor-faktor yang berperan secara signifikan
terhadap resiko tinggi terserang penyakit kanker
payudara, sehingga dapat meningkatkan penanganan yang
tepat terhadap pasien.
Batasan Masalah
Batasan masalah dalam penelitian ini adalah menentukan
pola hubungan antar faktor-faktor yang dapat memicu
seseorang untuk terserang penyakit kanker payudara.
Penelitian didasarkan pada studi kasus di RSUD Dr.
Soetomo Surabaya.
7/11/2010 6
Batasan masalah dalam penelitian ini adalah menentukan
pola hubungan antar faktor-faktor yang dapat memicu
seseorang untuk terserang penyakit kanker payudara.
Penelitian didasarkan pada studi kasus di RSUD Dr.
Soetomo Surabaya.
Tinjauan Pustaka
Regresi logistik dikotomus adalah suatu analisis regresi
yang digunakan untuk mengambarkan hubungan antara
variabel respon (outcome / dependent) dengan
sekumpulan variabel prediktor (eksplanatory /
independent) (Agresti, 1990), dimana variabel
responnya berskala biner atau dikotomus dengan
variabel prediktor berskala dikotomus maupun
polikotomus.
7/11/2010 7
Regresi logistik dikotomus adalah suatu analisis regresi
yang digunakan untuk mengambarkan hubungan antara
variabel respon (outcome / dependent) dengan
sekumpulan variabel prediktor (eksplanatory /
independent) (Agresti, 1990), dimana variabel
responnya berskala biner atau dikotomus dengan
variabel prediktor berskala dikotomus maupun
polikotomus.
model regresi logistik dengan k variabel prediktor
)

...

exp( 1
)

...

exp(
) (
1 1
1 1
k k o
k k o
x x
x x
x

+ + + +
+ + +
=
Bentuk logit
7/11/2010 8
Bentuk logit
g(x) =
k k o
x x

...

1 1
+ + +
Penaksiran parameter : dengan MLE
Uji signifikansi parameter
a. Uji parsial
Hipotesis :
H
0
: = 0
H
1
: 0
Statistik Uji : Wald (W)
Kriteria penolakan (tolak H
0
) jika nilai .
b. Uji Serentak
Hipotesis :
H
0
:
H
1
: paling sedikit ada satu (i = 1, 2,, k)
Statistik Uji (Agresti, 1990) :
dengan ; ;
Kriteria penolakan (tolak H
0
) jika nilai .
i

i
i
SE

=
2 /
Z W >
7/11/2010 9
Uji signifikansi parameter
a. Uji parsial
Hipotesis :
H
0
: = 0
H
1
: 0
Statistik Uji : Wald (W)
Kriteria penolakan (tolak H
0
) jika nilai .
b. Uji Serentak
Hipotesis :
H
0
:
H
1
: paling sedikit ada satu (i = 1, 2,, k)
Statistik Uji (Agresti, 1990) :
dengan ; ;
Kriteria penolakan (tolak H
0
) jika nilai .
0 ...
2 1
= = = =
k

0 =
i

, )
, )
1
1
1
1
1
]
1

|
.
|

|
.
|

=
[
=

n
i
y
i
y
i
n n
i i
n
n
n
n
Ln Test Ratio Likelihood G
1
1
0 1
2
1
2 ) (
0 1

=
i
i i
y n , )

=
i
i o
y n 1
1
n n n
o
+ =
2
) , (

db
G >
Prosedur klasifikasi
Menggunakan APER
Actual
membership
Predicted membership

n
11
n
12
n
1g
n
21
n
22
n
2g
.
.
.
.
.
.
.
.
.
.
.
.
n
g1
n
g2
n
gg
Keterangan :
n
11
= Jumlah y
i
dari tepat diklasifikasikan sebagai
n
12
= Jumlah y
i
dari salah diklasifikasikan sebagai
n
21
= Jumlah y
i
dari salah diklasifikasikan sebagai
n
ij
= Jumlah y
i
dari salah diklasifikasikan sebagai ; i j atau
n
ij
= Jumlah y
i
dari tepat diklasifikasikan sebagai ; i = j, dimana i, j = 1,
2,...,g.
APER (dalam % ) =
1

7/11/2010 10
Prosedur klasifikasi
Menggunakan APER
Actual
membership
Predicted membership

n
11
n
12
n
1g
n
21
n
22
n
2g
.
.
.
.
.
.
.
.
.
.
.
.
n
g1
n
g2
n
gg
Keterangan :
n
11
= Jumlah y
i
dari tepat diklasifikasikan sebagai
n
12
= Jumlah y
i
dari salah diklasifikasikan sebagai
n
21
= Jumlah y
i
dari salah diklasifikasikan sebagai
n
ij
= Jumlah y
i
dari salah diklasifikasikan sebagai ; i j atau
n
ij
= Jumlah y
i
dari tepat diklasifikasikan sebagai ; i = j, dimana i, j = 1,
2,...,g.
APER (dalam % ) =
g

g
g g g g
n n n
n n n n n
+ + +
+ + + + + + +

...
... ... ...
2 1
) 1 ( 1 1 13 12
Metodologi Penelitian
Data yang digunakan dalam penelitian ini adalah data
sekunder, Sumber data yaitu berasal dari data sebelumya
(Yuanita, 2008).
7/11/2010 11
Metode Penelitian
Metode penelitian yang digunakan dalam penelitian
ini melalui tahap-tahap sebagai berikut:
Menentukan model regresi logistik antara variabel respon
dengan masing-masing variabel independen secara
individu.
Melakukan uji signifikansi parameter untuk setiap model
regresi logistik individu untuk mengetahui variabel-
variabel independen mana yang berpengaruh secara
signifikan terhadap variabel respon.
7/11/2010 12
Metode penelitian yang digunakan dalam penelitian
ini melalui tahap-tahap sebagai berikut:
Menentukan model regresi logistik antara variabel respon
dengan masing-masing variabel independen secara
individu.
Melakukan uji signifikansi parameter untuk setiap model
regresi logistik individu untuk mengetahui variabel-
variabel independen mana yang berpengaruh secara
signifikan terhadap variabel respon.
Menentukan model regresi logistik antara variabel
respon dengan variabel-variabel independen yang
signifikan secara serentak.
Menghitung tingkat ketepatan pengklasifikasian
variabel respon dari model yang telah diperoleh.
Menginterpretasikan model regresi logistik.
7/11/2010 13
Menentukan model regresi logistik antara variabel
respon dengan variabel-variabel independen yang
signifikan secara serentak.
Menghitung tingkat ketepatan pengklasifikasian
variabel respon dari model yang telah diperoleh.
Menginterpretasikan model regresi logistik.
Deskriptif Variabel
BAB IV
HASIL DAN PEMBAHASAN
Tabel 4.1 Deskriptif Statistik
Variabel N Minimum Maximum Mean
Usia (X
1
) 100 21 77 49,28
Usia menstruasi pertama (X
2
) 100 9 17 13,38
Usia menikah (X
3
) 100 14 34 21,1
Tabel 4.1 Deskriptif Statistik
7/11/2010 14
Usia menikah (X
3
) 100 14 34 21,1
Variabel Frekuensi Persen
X
4
tidak mempunyai anak 11 11
mempunyai anak 89 89
X
5
tidak menyusui 18 18
menyusui 82 82
X
6
tidak pernah KB 41 41
pernah KB 59 59
X
7
tidak ada RPK 88 88
ada RPK 12 12
Regresi logistik dengan satu variabel prediktor
(Univariat)
Hipotesis :
H
0
: = 0, j = 1,2,...,7
H
1
: 0
= 0,05
Statistik Uji:
Daerah penolakan H
0
: |W| >
Pola Hubungan antara Faktor-Faktor Risiko Penderita
Kanker Payudara
j

7/11/2010 15
Regresi logistik dengan satu variabel prediktor
(Univariat)
Hipotesis :
H
0
: = 0, j = 1,2,...,7
H
1
: 0
= 0,05
Statistik Uji:
Daerah penolakan H
0
: |W| >
j

64 , 1
05 , 0 2 /
= = Z Z

)

(W) Wald
j
j
E S

=
Pengujian Signifikansi Parameter Model Regresi Logistik Univariat
Pola Hubungan antara Faktor-Faktor Risiko Penderita
Kanker Payudara

Variabel Wald Sig. Odds Ratio

Usia (X
1
) 0,020 1,636 0,201 1,020
Usia menstruasi pertama (X
2
) -0,281 4,425 0,035*
0,755

7/11/2010 16
Usia menikah (X
3
) 0,048 0,807 0,369 1,050
Mempunyai anak atau tidak
(X
4
)(1)
0,627 0,898 0,343 1,872
Pernah menyusui atau tidak
(X
5
)(1)
0,272 0,270 0,603 1,312
Penggunaan KB (X
6
)(1) 0,083 0,041 0,839 1,086
Riwayat Penderita Keluarga
(X
7
)(1)
-21,477 0,000 0,999 0,000
Pengujian Hipotesis :
H
0
:
H
1
:
= 0,05
Statistik Uji:
Daerah penolakan H
0
: G
2
> 3,84
Keputusan: Tolak H
0
Kesimpulan: Minimal ada satu variabel prediktor yang pengaruhnya
signifikan terhadap variabel respon.
Regresi logistik dengan lebih dari satu variabel
prediktor (multivariat)

0 =
0 =
, )
, )
944 , 133
1
2 ) (
1
1
0 1
2
0 1
=
1
1
1
1
]
1

|
.
|

|
.
|

=
[
=

n
i
y
i
y
i
n n
i i
n
n
n
n
Ln Test Ratio Likelihood G

7/11/2010 17
Pengujian Hipotesis :
H
0
:
H
1
:
= 0,05
Statistik Uji:
Daerah penolakan H
0
: G
2
> 3,84
Keputusan: Tolak H
0
Kesimpulan: Minimal ada satu variabel prediktor yang pengaruhnya
signifikan terhadap variabel respon.
, )
, )
944 , 133
1
2 ) (
1
1
0 1
2
0 1
=
1
1
1
1
]
1

|
.
|

|
.
|

=
[
=

n
i
y
i
y
i
n n
i i
n
n
n
n
Ln Test Ratio Likelihood G

Untuk mengetahui variabel prediktor mana yang berpengaruh, maka dilakukan
pengujian signifikansi parameter secara parsial sebagai berikut.
H
0
: = 0, j = 0,1
H
1
: 0
= 0,05
Statistik Uji:
Daerah penolakan H
0
: |W| >
Regresi logistik dengan lebih dari satu variabel
prediktor (multivariat)

) (
(W) Wald
j
j

7/11/2010 18
Untuk mengetahui variabel prediktor mana yang berpengaruh, maka dilakukan
pengujian signifikansi parameter secara parsial sebagai berikut.
H
0
: = 0, j = 0,1
H
1
: 0
= 0,05
Statistik Uji:
Daerah penolakan H
0
: |W| >
) (
(W) Wald
j
j

=
64 , 1
05 , 0 2 /
= = Z Z

Pola Hubungan antara Faktor-Faktor Risiko Penderita

Kanker Payudara

Variabel Wald Sig. Keputusan

Usia (X
1
) 0,038 3,403 0,065* Tolak H
0
Usia menstruasi pertama (X
2
) -0,265 2,779 0,095* Tolak H
0

Pengujian Signifikansi Parameter Model Regresi Logistik Univariat

7/11/2010 19
Usia menstruasi pertama (X
2
) -0,265 2,779 0,095* Tolak H
0
Usia menikah (X
3
) 0,1 2,544 0,111 Terima H
0
Mempunyai anak atau tidak
(X
4
)(1) 0,653 0,309 0,578 Terima H
0
Pernah menyusui atau tidak
(X
5
)(1) 0,258 0,07 0,791 Terima H
0
Penggunaan KB (X
6
)(1) -0,322 0,355 0,551 Terima H
0
Riwayat Penderita Keluarga
(X
7
)(1) -21,438 0 0,998 Terima H
0
Ketepatan pengklasifikasian responden
Interpretasi model regresi logistik
Observasi
Taksiran Ketepatan
klasifikasi
Non penderita
Penderita
7/11/2010 20
Non penderita
Non penderita 33 17 66%
Penderita 20 30 60%
Persentase keseluruhan 63%
BAB V
KESIMPULAN DAN SARAN
Kesimpulan :
Variabel-variabel prediktor yang berpengaruh secara signifi-kan terhadap
variabel respon pada pemodelan regresi logistik univariat adalah X
2
(Usia
menstruasi pertama) yaitu dengan model terbaik
Sedangkan untuk regresi multivariat adalah X
1
(Usia) dan X
2
(Usia
menstruasi pertama)
Dengan mengeksponensialkan untuk Nilai odds ratio pada variabel usia(X
1
)
dan usia menstruasi pertama(X
2
) memiliki nilai yang jauh berbeda yaitu
sebesar 1,031 untuk X
1
dan 0,711 untuk X
2
. Karena odds ratio variabel X
1
tersebut bernilai diatas 1, maka variabel tersebut memberikan pengaruh
positif terhadap faktor resiko penyebab penderita kanker payudara.
7/11/2010 21
Kesimpulan :
Variabel-variabel prediktor yang berpengaruh secara signifi-kan terhadap
variabel respon pada pemodelan regresi logistik univariat adalah X
2
(Usia
menstruasi pertama) yaitu dengan model terbaik
Sedangkan untuk regresi multivariat adalah X
1
(Usia) dan X
2
(Usia
menstruasi pertama)
Dengan mengeksponensialkan untuk Nilai odds ratio pada variabel usia(X
1
)
dan usia menstruasi pertama(X
2
) memiliki nilai yang jauh berbeda yaitu
sebesar 1,031 untuk X
1
dan 0,711 untuk X
2
. Karena odds ratio variabel X
1
tersebut bernilai diatas 1, maka variabel tersebut memberikan pengaruh
positif terhadap faktor resiko penyebab penderita kanker payudara.
Daftar Pustaka
Agresti, Alan, (1990), Categorical Data Analysis, John Wiley and
Sons, Inc, New York.
Anita, (2007), Kanker Payudara,
(http://bima.ipb.ac.id/~anita/kanker_payudara.htm),download tanggal
12 September 2007.
Icha, (2003), Deteksi Dini Kanker Payudara, (http://www.pikiran-
rakyat.com/cetak/0203/22/hikmah/lainnya02.htm), down load tanggal
9 Oktober 2007.
Johnson, R. A. Dan Wichern, D. W. (1992), Applied Multivariate
Statistical Analysis, Prentice Hall, New Jersey.
Messwati, E.D., (2005), Kanker Payudara, Paling Ditakuti Kaum
Perempuan,
(http://kompas.com/kesehatan/news/0511/18/120708.htm),download
tanggal 9 Oktober 2007.
7/11/2010 22
Agresti, Alan, (1990), Categorical Data Analysis, John Wiley and
Sons, Inc, New York.
Anita, (2007), Kanker Payudara,
(http://bima.ipb.ac.id/~anita/kanker_payudara.htm),download tanggal
12 September 2007.
Icha, (2003), Deteksi Dini Kanker Payudara, (http://www.pikiran-
rakyat.com/cetak/0203/22/hikmah/lainnya02.htm), down load tanggal
9 Oktober 2007.
Johnson, R. A. Dan Wichern, D. W. (1992), Applied Multivariate
Statistical Analysis, Prentice Hall, New Jersey.
Messwati, E.D., (2005), Kanker Payudara, Paling Ditakuti Kaum
Perempuan,
(http://kompas.com/kesehatan/news/0511/18/120708.htm),download
tanggal 9 Oktober 2007.
Pane, M., (2007), Aspek Klinis dan Epidemiologis Penyakit
KankerPayudara, (http://www.tempo.co.id/medika/arsip/082002/pus-
3.htm) , download tanggal 9 Oktober 2007.
Priambodo,D.A.,(2006), Klasifikasi Penderita Kanker Payudara
Dengan Pendekatan Regresi
Ririn, R., (2007), Deteksi Sangat Dini Kanker Payudara, Jawaban
untuk Menghindar, (http://change.blogsome.com/2007/09/21/deteksi-
sangat-dini-kanker-payudara-jawaban-untuk-menghindar/),down load
tanggal 9 Oktober 2007.
Sutjipto, (2006), Permasalahan Deteksi Dini dan Pengobatan Kanker
Payudara,
(http://www.dharmais.co.id/new/content.php?page=article&lang=en
&id=17),download tanggal 12 September 2007.
Yuanita. (2008), Klasifikasi Penderita Kanker Payudara dengan
Pendekatan Metode Multivariate Adaptive Regression Splines
(MARS), Mahasiswa Jurusan Statistika FMIPA ITS, Surabaya.
7/11/2010 23
Pane, M., (2007), Aspek Klinis dan Epidemiologis Penyakit
KankerPayudara, (http://www.tempo.co.id/medika/arsip/082002/pus-
3.htm) , download tanggal 9 Oktober 2007.
Priambodo,D.A.,(2006), Klasifikasi Penderita Kanker Payudara
Dengan Pendekatan Regresi
Ririn, R., (2007), Deteksi Sangat Dini Kanker Payudara, Jawaban
untuk Menghindar, (http://change.blogsome.com/2007/09/21/deteksi-
sangat-dini-kanker-payudara-jawaban-untuk-menghindar/),down load
tanggal 9 Oktober 2007.
Sutjipto, (2006), Permasalahan Deteksi Dini dan Pengobatan Kanker
Payudara,
(http://www.dharmais.co.id/new/content.php?page=article&lang=en
&id=17),download tanggal 12 September 2007.
Yuanita. (2008), Klasifikasi Penderita Kanker Payudara dengan
Pendekatan Metode Multivariate Adaptive Regression Splines
(MARS), Mahasiswa Jurusan Statistika FMIPA ITS, Surabaya.
TERIMA KASIH
7/11/2010 24
Oleh:
RICKI INDRA P
1303 109 030