PEMODELAN REGRESI LOGISTIK UNTUK MALNUTRISI RUMAH SAKIT PADA BALITA YANG DIRAWAT DI RUMAH SAKIT DR. SOETOMO SURABAYA. Dosen Statistika ITS Surabaya

Seminar Nasional Statistika 2013 Universitas Diponegoro Semarang, 14 September 2013

PEMODELAN REGRESI LOGISTIK UNTUK MALNUTRISI RUMAH SAKIT PADA BALITA YANG DIRAWAT DI RUMAH SAKIT DR. SOETOMO SURABAYA Ardi Kurniawan(1), Boerhan Hidajat(2) , I Nyoman Budiantara(3) (1) (2)

Mahasiswa S3 MIPA Universitas Airlangga Surabaya. Dosen Fakultas Kedokteran Universitas Airlangga Surabaya. (3) Dosen Statistika ITS Surabaya.

ABSTRAK Analisa regresi merupakan salah satu jenis cara analisis data yang berguna untuk menggambarkan pola hubungan antara variabel tergantung dan variabel bebas. Salah satu jenis regresi yang dapat digunakan dengan variabel tergantung bertype kategori adalah regresi logistik. Tujuan penelitian ini adalah untuk mendapatkan model hubungan antara kejadian malnutrisi rumah sakit pada Balita yang dirawat di RSUD Dr. Soetomo Surabaya dan faktor-faktor yang mempengaruhinya dengan menggunakan regresi logistik. Variabel bebas yang digunakan akan diukur dengan menggunakan metode Subjective Global Assessement (SGA). Pada akhirnya nanti akan dihitung besar ketepatan klasifikasi dari model yang diperoleh. Kata Kunci : Regresi Logistik, Malnutrisi Rumah Sakit, SGA, Ketepatan Klasifikasi.

1. Pendahuluan Malnutrisi adalah suatu kondisi ketidakcukupan atau ketidakseimbangan gizi pada tubuh. Malnutrisi mencakup kelainan yang disebabkan oleh defisiensi asupan nutrien, gangguan metabolisme nutrien, atau kelebihan nutrien (Wiryana, 2007). Malnutrisi dapat diakibatkan karena asupan (intake) yang tidak adequat (primary malnutrition), maupun akibat penyakit yang diderita (secondary malnutrition). Keduanya dapat saling mempengaruhi, sehingga memberikan kecenderungan yang saling memberatkan (Hidayat dkk, 2002). Seorang anak Balita yang berada dalam kondisi sakit akan rawan terkena malnutrisi. Terdapat dua kemungkinan kondisi ketika si anak balita dirawat di rumah sakit, yaitu mereka mengalami malnutrisi atau tidak. Hampir 69% pasien yang dirawat mengalami kurang nutrisi setelah perawatan selama 14 hari atau lebih. Kejadian malnutrisi di rumah sakit ini perlu segera memperoleh penanganan yang serius oleh karena dapat menghambat proses penyembuhan penyakit, pengobatan menjadi tidak efektif, resiko komplikasi menjadi lebih tinggi, kualitas hidup menurun, waktu perawatan lebih lama, biaya perawatan lebih besar, serta dapat menyebabkan kematian. Angka kejadian malnutrisi rumah sakit di negara berkembang cukuplah besar, yaitu antara 35 - 60% (Martino dkk, 2006). Namun ternyata tingginya angka malnutrisi rumah sakit tersebut tidak hanya terjadi di negara berkembang, namun di negara majupun masih cukup tinggi, bahkan pada pasien dewasa di Amerika sekitar 30 - 50% (Bouillanne dkk, 2005), di Australia 40% (Barker dkk, 2011), dan menurut Frew dkk. (2010) angka malnutrisi rumah sakit di negara maju mencapai 20 - 50%. Untuk di Indonesia, Daldiyono (Hidayat dkk, 2006) menyatakan, bahwa ratarata 48,1% penderita yang dirawat di Rumah Sakit mengalami malnutrisi rumah sakit. Sukmaniah (2009) mengemukakan, bahwa prevalensi malnutrisi rumah sakit di RS Sumber Waras (1995) mencapai 42,26%, RSPAD Gatot Subroto (2001) mencapai 41,42%, dan di RS Hasan Sadikin Bandung ada sekitar 71,8% kasus malnutrisi serta 28,9% masuk kategori malnutrisi berat.


Seiring waktu, kondisi ini tidak juga membaik, bahkan kasusnya masih cukup tinggi. Pada penelitian yang diadakan pada tahun 2007 di RS Cipto Mangunkusumo menunjukkan angka kejadian malnutrisi rumahsakit sebesar 52%. Sedangkan di RS Dr Soetomo pada tahun 2000 terdapat 58,5% penderita yang mengalami penurunan berat badan, tahun 2001 sebesar 53,4% dan 58,4% pada tahun 2002. Hubungan kejadian malnutrisi rumah sakit dan faktor-faktor yang mempengaruhinya akan lebih bermanfaat apabila dapat dirumuskan secara matematis, yaitu mempunyai nilai prediktif. Oleh karena itu dengan mengetahui model ini, diharapkan kejadian malnutrisi rumah sakit dapat diprediksi sejak awal dan dapat dilakukan langkah-langkah penanggulangan. Pada sisi lain, nantinya model yang diperoleh diharapkan selain berfungsi sebagai alat prediksi dapat juga berfungsi sebagai alat evaluasi pelayanan dari rumah sakit kepada pasien. Analisa regresi merupakan salah satu jenis cara analisis data yang berguna untuk menggambarkan pola hubungan antara variabel tergantung dan variabel bebas. Salah satu jenis regresi yang dapat digunakan dengan variabel tergantung bertype kategori adalah Regresi Logistik. Pada penelitian malnutrisi rumah sakit yang dilakukan, Variabel tergantung pada penelitian ini adalah terjadi atau tidaknya malnutrisi rumah sakit pada pasien balita yang dirawat di Rumah Sakit selama 14 hari. Pasien Balita dikatakan mengalami malnutrisi rumah sakit apabila berat badan pasien balita tersebut berkurang lebih dari 10% dibandingkan ketika masuk rumah sakit. Sedangkan variabel bebasnya adalah penyakit yang diderita pasien Balita dan faktorfaktor yang diamati melalui SGA ketika pasien masuk rumah sakit yang meliputi perubahan berat badan, perubahan intake makanan, gejala sistem pencernaan, perubahan kapasitas fungsi tubuh, muscle wasting, edema dan asites serta status gizi awal pasien. Berdasarkan uraian di atas, kami tertarik untuk meneliti lebih jauh bentuk model statistika hubungan antara kejadian malnutrisi rumah sakit dengan faktor-faktor yang diduga mempengaruhinya dengan memakai Regresi Logistik. Faktor-faktor yang diamati tersebut dan berkedudukan sebagai variabel bebas meliputi perubahan berat badan (X1), perubahan

asupan makanan (X2), muntah (X3), diare (X4), anoreksia (X5), perubahan kapasitas fungsional (X6), muscle wasting pada bahu (X7), edema (X8), asites (X9), status gizi awal (X10), serta penyakit yang diderita (X11) 2. Regresi Logistik Analisis Regresi Logistik adalah analisis yang digunakan untuk melihat hubungan antara variabel tergantung kategori dengan variabel-variabel bebas bertipe kategori maupun kontinu. Variabel tergantung dalam regresi logistik dapat berbentuk dikhotomus (biner) maupun polykhotomus dengan skala data ordinal atau nominal (Agresti, 1990). Regresi Logistik dengan variabel tergantung berskala ordinal disebut regresi logistik ordinal, sedangkan jika variabel tergantung berskala nominal dengan 2 kategori disebut regresi logistik dikhotomus, dan kategori lebih dari 2 disebut regresi logistik polykhotomus. Regresi logistik dapat digunakan untuk pengklasifikasian sejumlah obyek ke dalam beberapa kelompok. Pada regresi logistk dikhotomus, respon Y hanya terdiri dari 2 kategori (misalkan 0 dan 1). Kondisi tersebut mengakibatkan respon Y berdistribusi Bernoulli. Distribusi Bernoulli untuk variabel random biner berbentuk : P(Y = y) = π(x)y (1 - π(x))1 - y , y = 0, 1 Untuk y =1, akan didapatkan probabilitas sukses P(Y = 1) = π(x). Model Regresi Logistik Dikhotomus dapat terdiri dari banyak variabel prediktor yang dikenal sebagai model multivariabel. Model regresi logistik multivariabel dengan p variabel prediktor adalah :


( x ) 

exp(β0  β1x1  β2x 2  ...  βp xp) 1  exp(β0  β1x1  β2x 2  ...  βp xp)

Jika model persamaan di atas ditransformasikan dengan transformasi logit

 ( x )   f ( x )  ln  1  ( x )  maka diperoleh

exp(β 0  β1x1  β 2 x 2  ...  βp x p )      1  exp(β 0  β1x1  β 2 x 2  ...  βp x p )   ( x )   = ln ln   1  ( x)   1  exp(β 0  β1x 1  β 2 x 2  ...  β p x p )   1  exp(β 0  β1x 1  β 2 x 2  ...  β p x p )    = ln( exp(β 0  β1x 1  β 2 x 2  ...  β p x p )) = β0 + β1x1 + ... + βpxp. Koefisien β diduga menggunakan metode maximum likelihood. Secara sederhana dapat disebutkan bahwa metode ini berusaha mencari nilai koefisien yang memaksimumkan fungsi likelihood. Oleh karena nilai Y bersifat biner, maka distribusi variabel Y adalah Bernoulli dengan fungsi likelihood berbentuk : n

L   ( ( x i )) yi (1  ( x i ))1 yi i 1

dengan : ( x i ) 

exp(β 0  β1x1i  β 2 x 2i  ...  β p x pi ) 1  exp(β 0  β1x1i  β 2 x 2i  ...  β p x pi )

Apabila fungsi likelihood L ditransformasi dengan fungsi logaritma ln, maka diperoleh fungsi log-likelihood LL yang berbentuk : n



LL  Log(L )   log ( ( x i )) yi (1  ( x i ))1 yi



i 1

atau n

n

LL   y i log( ( x i ))   (1  y i ) log(1  ( x i )) i1

i 1

Fungsi logaritma bersifat monoton naik, sehingga jika log-likelihood mencapai maksimum maka fungsi likelihood juga demikian. Penduga bagi koefisien β diperoleh sebagai solusi bagi permasalahan memaksimumkan LL. 3. Analisis Data dan Pembahasan Pasien RSUD Dr Soetomo Surabaya yang diteliti adalah pasien balita IRNA Anak yang dirawat di ruang bagian penyakit Saluran Pernafasan, Jantung, Saluran Pencernaan dan Ginjal.


Pada penelitian selama 7 bulan, jumlah sampel pasien balita yang dapat diperoleh dari keempat ruangan tersebut sebesar 63 pasien. Pemodelan regresi logistik dilakukan dengan menggunakan bantuan software SPSS 17. Hasil pengolahan data awal diperoleh seperti pada Lampiran 2 tabel 1. Hasil pemodelan tersebut menunjukkan, bahwa variabel Penurunan BB X1(1) dan X1(2), variabel Status Gizi Awal X10(1) (Status Gizi Awal), dan variabel Penyakit Pasien X11(2) mempunyai P_value kurang dari 0,05, dengan demikian variabel-variabel itu diduga merupakan variabel berpengaruh pada pemodelan tersebut, sedangkan variabel X2, X3, X4, X5, X6, X7, X8, dan X9 bukan merupakan variabel yang berpengaruh dalam pemodelan. Oleh karena itu data penelitian perlu diuji lagi dengan menggunakan variabel bebas X1, X10, dan X11. Pengujian yang kedua ini memberikan hasil seperti pada lampiran 2 tabel 2. Pada Tabel 2 terlihat, bahwa P_value untuk variabel X11, X11(1), X11(2) dan X11(3) mempunyai nilai lebih dari 0,05 sedangkan variabel-variabel X1, X1(1), X1(2), X10(1) mempunyai P_value kurang dari 0,05. Oleh karena itu dapat disimpulkan, bahwa variabel X11, X11(1), X11(2) dan X11(3) bukan merupakan variabel-variabel yang berpengaruh dalam pembentukan model. Dengan demikian seperti halnya pada tabel 1, maka data penelitian perlu diuji lagi dengan menggunakan variabel X1 dan X10 yang diduga merupakan merupakan variabel-variabel yang berpengaruh pada pemodelan malnutrisi rumah sakit ini. Hasil pengujian data yang ke 3 memberian hasil seperti pada lampiran 2 tabel 3. Pada tabel 3 hasil pengujian tersebut nampak, bahwa kelima variabel X1, X1(1), X1(2), X10 dan X10(1) mepunyai P_value kurang dari 0,05. Dengan demikian dapat disimpulkan, bahwa variabel Penurunan BB (X1) dan variabel Status Gizi Awal (X10) merupakan variabelvariabel yang berpengaruh terhadap pemodelan regresi logistik malnutrisi rumah sakit pada balita yang dirawat di RSUD Dr. Soetomo Surabaya. Bentuk model regresi logistik berdasarkan Uji Regresi Logistik tersebut adalah : Y=

0,734 - 4,547 X1(1) - 3,053 X1(2) – 1,159 X1(3) + 2,526 X10(1) + 0,648 X10(2)

atau dapat dinyatakan sebagai : Malnutrisi RS = 0,734 - 4,547 Penurunan BB(1) - 3,053 Penurunan BB(2) – 1,159 Penurunan BB(3) + 2,526 Status Gizi Awal (1) + 0,648 Status Gizi Awal(2)

Untuk mengetahui besar probabilitas sukses pada Regresi Logistik digunakan rumus : Exp( Y ) Prob(Y=1) = 1  Exp( Y ) Dengan demikian probabilitas seorang pasien Balita mengalami Malnutrisi Rumah Sakit dapat dinyatakan : Prob(Y=1) = Prob(Malnutrisi RS) =

Exp( Y ) , atau 1  Exp( Y )


Prob(Malnutrisi RS) =

Exp(0,734 - 4,547 X1(1) - 3,053 X1(2) - 1,159 X1(3) + 2,526 X10(1) + 0,648 X10(2)) 1  Exp(0,734 - 4,547 X1(1) - 3,053 X1(2) - 1,159 X1(3) + 2,526 X10(1) + 0,648 X10(2)) Seorang pasien Balita diprediksi terkena Malnutrisi Rumah Sakit apabila diperoleh perhitungan Prob(Y=1) lebih dari atau sama dengan 0.5, sedangkan apabila perhitungan probabilitas sukses kurang dari 0,5 maka pasien Balita tersebut diprediksi tidak mengalami malnutrisi rumah sakit. Hasil perhitungan probabilitas sukses untuk kasus malnutrisi ini membawa pada hasil ketepatan klasifikasi sebagai berikut : Ketepatan Klasifikasi Regresi Logistik

HASIL PREDIKSI 0 1 KONDISI SEBENARNYA TOTAL Keterangan :

TOTAL

0

36

6

42

1

7

14

21

43

20

63

“0” berarti pasien Balita tidak mengalami Malnutrisi RS ; “1” berarti pasien Balita mengalami Malnutrisi RS

Tabel ketepatan klasifikasi di atas menjelaskan ada sebanyak 21 pasien Balita yang mengalami Malnutrisi Rumah Sakit di antara 63 pasien yang diambil sebagai sampel atau sebesar 33,3%. Besar kesalahan klasifikasi adalah sebesar (6+7)/63 = 13/63 atau 20,6%, dengan demikian besar ketepatan klasifikasi model adalah sebesar 79,4%. 4. Kesimpulan Berdasarkan pembahasan di atas dapat disimpulkan a. Faktor yang berpengaruh terhadap kejadian malnutrisi rumah sakit pada pasien balita yang dirawat di RSUD Dr. Soetomo Surabaya adalah : Penurunan Berat Badan (X1) dan Status Gizi Awal penderita (X10). b. Bentuk model malnutrisi rumah sakit dengan menggunakan regresi logistik pada pasien Balita yang dirawat di RSUD Dr. Soetomo Surabaya adalah : Prob(Malnutrisi RS) = Exp (0,734 - 4,547 X1(1) - 3,053 X1(2) - 1,159 X1(3) + 2,526 X10(1) + 0,648 X10(2)) 1  Exp (0,734 - 4,547 X1(1) - 3,053 X1(2) - 1,159 X1(3) + 2,526 X10(1) + 0,648 X10(2))

c. Besar ketepatan klasifikasi model regresi logistik yang diperoleh untuk pemodelan malnutrisi rumah sakit pada pasien Balita yang dirawat di RSUD Dr. Soetomo Surabaya adalah 79,4%.


5. Daftar Pustaka Agresti A. 1990. Categorical data Análisis. Jhon Wiley & Sons, New York. Barker LA., Gout BS., dan Crowe TC. 2011. Hospital Malnutrition: Prevalence, Identification and Impact on Patients and the Healthcare System. Int. J. Environ. Res. Public Health, 8: 514527. Bouillanne O., Morineau G., Dupont C., Coulombel C., Vincent J., Nicolis I. 2005. Geriatric Nutritional Risk Index: a new index for evaluating at-risk elderly medical patients. American Journal Clinical Nutrition, 82: 777-83. Budiantara, I.N, Suryadi, F., Otok, B.W, Guritno, S. 2006. Pemodelan B-Spline dan MARS Pada Nilai Ujian Masuk terhadap IPK Mahasiswa Jurusan Disain Komunikasi Visual UK. Petra Surabaya. Jurnal Teknik Industri, 8, 1. Hidayat B, Irawan R, Nurul H. 2006. Makalah : Nutrisi pada kasus bedah anak, disajikan pada Continuing Education Ilmu Kesehatan Anak XXXVI Kapita Seekta Ilmu Kesehatan Anak VI, FK Unair, Surabaya. Martino LV, Goddard E, Workman L. 2006. Determining the prevalence of malnutrition in hospitalized paediatric patients. SAMJ, 96, 9: 993-995. Sukmaniah S. 2009. Pendahuluan Ilmu Gizi Klinik. Departemen Ilmu Gizi, FK UI, Jakarta. Wiryana, M. 2007. Nutrisi pada penderita sakit kritis. Jurnal Penyakit Dalam, 8: 176 - 186.


Lampiran 1 : Penjelasan Variabel Bebas X1 = Perubahan berat badan dalam waktu dua minggu (X1 = 1, berarti berat badan pasien balita tetap; X1 = 2, berarti berat pasien balita menurun kecil; X1 = 3, berarti berat badan pasien balita menurun sedang X1 = 4, berarti berat badan pasien balita menurun besar). X2 = Perubahan asupan makanan (relatif terhadap normal) (X2 = 1, berarti pasien balita tidak mengalami perubahan asupan makanan, X2 = 2, berarti ketika sakit pasien balita lebih banyak mengkonsumsi bubur; X2 = 3, berarti ketika sakit pasien balita lebih banyak mengkonsumsi susu; X2 = 4, berarti ketika sakit pasien balita lebih banyak mengkonsumsi bubur dan susu; X2 = 5, berarti ketika sakit pasien balita lebih banyak mengkonsumsi yang lain.) X3 = Pasien balita muntah (X3 = 1, berarti pasien balita tidak mengalami muntah; X3 = 2, berarti pasien balita mengalami muntah). X4 = Pasien balita diare (X4 = 1, berarti pasien balita tidak mengalami diare; X4 = 2, berarti pasien balita menderita diare akut; X4 = 3, berarti pasien balita menderita diare persisten; X4 = 4, berarti pasien balita menderita diare kronis.) X5 = Pasien balita anoreksia (X5 = 1, berarti pasien balita mengalami penurunan nafsu makan; X5 = 2, berarti nafsu makan pasien balita tetap; X5 = 3, berarti nafsu makan pasien balita meningkat.) X6 = Perubahan kapasitas fungsional (X6 = 1, berarti pasien balita tidak mengalami penurunan fungsi; X6 = 2, berarti pasien balita banyak aktivitas di tempat tidur; X6 = 3, berarti pasien balita banyak aktivitas di di dalam rumah (selain tempat tidur; X6 = 4, berarti pasien balita tidak banyak aktifitas di luar rumah.) X7 = Muscle wasting pada bahu (X7 = 1, berarti pasien balita tidak mengalami muscle wasting pada bahu; X7 = 2, berarti pasien balita mengalami muscle wasting pada bahu; X8 = Edema pada tungkai (X8 = 1, berarti pasien balita tidak mengalami edema; X8 = 2, berarti pasien balita mengalami edema.


X9 = Pasien mengalami asites (X9 = 1, berarti pasien balita tidak mengalami asites; X9 = 2, berarti pasien balita mengalami asites) X10 = Status gizi awal pasien (X10 = 0, berarti pasien balita dengan status gizi SGA A, X10 = 1, berarti pasien balita dengan status gizi SGA B, X10 = 2, berarti pasien balita dengan status gizi SGA C). X11 = Penyakit pasien (X11 = 1, berarti pasien menderita penyakit ginjal, X11 = 2, berarti pasien menderita penyakit kardio vaskuler, X11 = 2, berarti pasien balita menderita penyakit Gastro Intestinal; X11 = 3, berarti pasien balita menderita penyakit Saluran Nafas)


Lampiran 2 : Hasil Uji Regresi Logistik Tabel 1 : Uji Regresi Logistik yang ke-1 Variables in the Equation B Step 1(a)

X1 X1(1) X1(2) X1(3) X2 X2(1) X2(2) X2(3) X2(4) X3(1) X4 X4(1) X4(2) X5 X5(1) X5(2)

S.E.

Wald 7.074 5.879 4.695 2.633 1.033 .088 .030 .020 .714 .960 3.233 2.814 .200 .734

df 3 1 1 1 4 1 1 1 1 1 2 1 1 2

Sig. .070 .015 .030 .105 .905 .766 .862 .887 .398 .327 .199 .093 .654 .693

-9.397 -5.733 -4.298

3.876 2.646 2.649

.482 .347 -.293 1.481 -1.141

1.622 2.002 2.068 1.752 1.164

2.846 .705

1.697 1.575

18.505

40192.958

.000

1

1.000

17.355

40192.958

.000

1

1.000

X6 1.208 3 X6(1) 4.187 4.802 .760 1 X6(2) 2.635 4.719 .312 1 X6(3) 3.622 4.644 .608 1 X7(1) -2.195 1.420 2.389 1 X8(1) 1.343 2.080 .417 1 X9(1) -1.687 2.410 .490 1 X10 5.495 2 X10(1) 3.249 1.554 4.373 1 X10(2) 2.754 1.515 3.305 1 X11 4.172 3 X11(1) .199 1.966 .010 1 X11(2) -3.447 1.741 3.919 1 X11(3) -.663 1.650 .162 1 Constant -17.409 40192.958 .000 1 a Variable(s) entered on step 1: X1, X2, X3, X4, X5, X6, X7, X8, X9, X10, X11.

.751 .383 .577 .435 .122 .518 .484 .064 .037 .069 .243 .919 .048 .688 1.000

Exp(B) .000 .003 .014 1.619 1.415 .746 4.398 .320 17.217 2.024 108796332. 081 34462210.7 87 65.797 13.939 37.400 .111 3.832 .185 25.763 15.708 1.220 .032 .515 .000


Lanjutan Lampiran 2 : Hasil Uji Regresi Logistik Tabel 2 : Uji Regresi Logistik yang ke-2 Variables in the Equation B Step 1(a)

X1 X1(1)

S.E.

-4.549

1.673

Wald 11.428 7.390

X1(2)

-3.048

1.286

X1(3)

3 1

Sig. .010 .007

5.616

1

.018

.047

-1.019

1.397

.532

1

.466

.361

2.443

1.061

5.637 5.298

2 1

.060 .021

11.505

.843

1.093

2.324

X10 X10(1) X10(2) X11

df

.595

1

.440

1.102

3

.777

Exp(B) .011

X11(1)

.026

1.266

.000

1

.984

1.026

X11(2)

-.825

.863

.915

1

.339

.438

X11(3)

-.514

1.332

.149

1

.699

.598

.994 1.404 a Variable(s) entered on step 1: X1, X10, X11.

.501

1

.479

2.702

Constant

Tabel 3 : Uji Regresi Logistik yang ke- 3 Variables in the Equation B Step 1(a)

X1 X1(1) X1(2)

S.E.

-4.547

1.623

Wald 11.784 7.855

-3.053

1.260

X1(3)

-1.159

1.322

X10(1)

2.526

1.021

X10(2)

.648

.930

X10

Constant

.734 1.309 a Variable(s) entered on step 1: X1, X10.

df 3 1

Sig. .008 .005

Exp(B)

5.872

1

.015

.047

.768

1

.381

.314

7.530

2

.023

6.114

1

.013

12.502

.486

1

.486

1.912

.315

1

.575

2.084

.011

PEMODELAN REGRESI LOGISTIK UNTUK MALNUTRISI RUMAH SAKIT PADA BALITA YANG DIRAWAT DI RUMAH SAKIT DR. SOETOMO SURABAYA. Dosen Statistika ITS Surabaya

Recommend Documents