17

BAB III
LANDASAN TEORI

3.1

Data Analisis Survival (Survival Analysis)

Analisis survival (survival analysis) atau analisis kelangsungan hidup atau

analisis kesintasan bertujuan menaksir probabilitas kelangsungan hidup, kekambuhan,

kematian, dan peristiwa-peristiwa lainnya sampai pada periode waktu tertentu. Ada
sejumlah model telah dicoba untuk menghubungkan antara faktor risiko, kelangsungan
hidup dan jangka waktu penaksiran. Pemilihan model perlu memerhatikan hal-hal
berikut : (1) Bentuk distribusi probabilitas kelangsungan hidup, apakah bersifat
parametrik atau non-parametrik, sebab tiap penyakit dan keadaan-keadaan lainnya
memiliki bentuk distribusi masing-masing; (2) Apakah faktor risiko yang mendapat
perhatian hanya sebuah (univariat) ataukah majemuk (multivariat); (3) Ukuran sampel
penelitian; dan (4) Apakah data mencakup pengamatan tersensor atau tak tersensor.
(Murti, 1997)
Sebuah studi berkelanjutan (follow-up study) untuk kelompok individu kerapkali
tidak seluruh individu dapat diikuti sampai saat studi berakhir. Dengan kata lain,
beberapa individu gagal mengikuti studi sebelum studi selesai dengan berbagai alasan,
sehingga terjadilah observasi waktu yang terputus. Masalah tersebut juga dihadapi pada

18

data kelangsungan hidup (survival data). (Agung, 2001)

Menurut Collet (1997), data survival tidak memenuhi syarat prosedur standar
statistika yang digunakan pada analisis data. Alasan pertama karena data survival
biasanya berdistribusi tidak simetris. Model histogram waktu survival pada sekelompok
individu yang sama akan cenderung positive skewed, oleh karena itu histogram akan
semakin miring ke kanan sesuai dengan interval waktu dengan jumlah pengamatan
terbesar, sehingga tidak ada alasan untuk mengasumsikan bahwa data survival
berdistribusi normal.
3.2

Tipe-Tipe Penyensoran
Menurut Kontz dan Johnson (1982), sampel data dikatakan tersensor apabila nilai

dari variabel acak yang diteliti tidak dapat diamati secara penuh. Hal ini disebabkan oleh
batasan pengamatan yang dilakukan atau sesuatu hal di luar dugaan di mana individu
yang diamati keluar dari penelitian.
Dikatakan tersensor sebelah kanan (right censored) apabila subyek yang diteliti
keluar dari penelitian atau penelitian berhenti sebelum kegagalan terjadi. Dikatakan
tersensor sebelah kiri (left censored) apabila kegagalan berlangsung lebih cepat atau
tidak normal, sebagai contoh lepasnya atribut pekerja secara tidak wajar.
Jenis-jenis penyensoran terdiri dari :

19

1. Penyensoran Jenis I
Pada penyensoran sebelah kanan jenis I, penelitian diakhiri apabila waktu
pengamatan yang ditentukan tercapai. Jika waktu pengamatan sama untuk semua
unit maka dikatakan penyensoran tunggal. Jika waktu pengamatan untuk setiap
unit berbeda maka dikatakan penyensoran ganda. Pada penyensoran sebelah kiri
jenis I, pengamatan dlakukan jika telah melampaui awal waktu yang ditentukan.
Karakteristik penyensoran jenis I adalah bahwa kegagalan adalah acak.
2. Penyensoran Jenis II
Pada penyensoran jenis II, pengamatan diakhiri setelah sejumlah kegagalan
yang telah ditetapkan diperoleh, atau dapat dikatakan banyaknya kegagalan
adalah tetap dan waktu pengamatan adalah acak. Dengan penyensoran sebelah
kanan jenis II, penelitian diakhiri pada waktu kegagalan berturut ke-k dari n
sampel (k < n), dan untuk penyensoran sebelah kiri jenis II, titik awal penelitian
dilakukan saat waktu kegagalan terurut q (q < n).
3. Penyensoran Maju (Progressive Censoring)
Pada penyensoran maju, suatu jumlah yang ditentukan dari unit-unit bertahan
dikeluarkan dari penelitian berdasarkan kejadian dari tiap kegagalan terurut.
Secara konseptual, hal ini sama dengan suatu praktek yang dikenal sebagai

20

sudden-death testing, dimana tes secara serempak memuat beberapa pengetesan

dan apabila terjadi kegagalan pertama maka seluruh pengetesan dianggap gagal.
Jika penyensoran yang umum digunakan pada analisis survival adalah
penyensoran sebelah kanan baik penyensoran jenis I maupun penyensoran jenis II.
(Kontz dan Johnson, 1982)
3.3

Distribusi Analisis Data Survival

Distribusi (probabilitas) variabel waktu T dapat dinyatakan dengan banyak cara;

tiga diantaranya dipakai secara luas dalam aplikasi, yaitu dengan menerapkan fungsi
kelangsungan (survivor function), fungsi densitas (density function) dan fungsi hazard
(hazard function). (Agung, 2001)
Menurut Lee (1980), jika T adalah waktu survival, maka :
1. Fungsi Survival (Survivourship Function)
Adalah peluang suatu individu dapat bertahan hidup lebih dari waktu t, dan
biasanya dinotasikan dengan S(t). Fungsi survival dapat diestimasikan melalui
proporsi individu yang hidup dari t atau

2. Fungsi Densitas (Probability Density Function)

Adalah peluang suatu individu akan meninggal pada interval yang pendek

21

(t) dan dinotasikan dengan f(t). fungsi densitas dapat diestimasikan melalui :

3. Fungsi Hazard (Hazard Function)

Adalah probabilitas kematian selama interval waktu (t,t) dengan asumsi
individu tetap hidup pada interval waktu tersebut. Dan biasanya dinotasikan
dengan ln(t). Fungsi hazard dapat diestimasikan melalui :
ln
Untuk menghitung rata-rata hazard pada interval waktu tertentu digunakan
rumus jumlah individu yang hidup per unit waktu dalam interval difusi dengan
rata-rata jumlah individu yang hidup pada pertengahan interval waktu.
3.4

Metode Analisis Survival

Metode analisis survival yang banyak dijumpai adalah (1) Metode Aktuarial (life

table); (2) Metode Kaplan-Meier; (3) Model Risiko Proporsional Cox. (Murti, 1997)
Analisis data survival secara inferensial bisa menggunakan regresi. Apabila
variabel respon yang dipakai berupa waktu survival maka analisis regresinya dapat
menggunakan beberapa macam. Metode regresi untuk analisi survival antara lain untuk
model nonparametrik yaitu regresi Cox. (Lee, 1980)

22

3.4.1 Metode Kaplan Meier

Metode Kaplan Meier (1985) sangat popular untuk analisis kelangsungan hidup
yang paling cocok digunakan ketika ukuran sampel kecil. Analisis Kaplan Meier
menggunakan asumsi sebagai berikut : (1) Subyek yang menarik diri dari penelitian
secara rata-rata memiliki nasib kesudahan variabel hasil (peristiwa) yang sama dengan
subyek yang bertahan selama pengamatan; (2) Perbedaan waktu mulainya masuk dalam
pengamatan antar subyek tidak mempengaruhi risiko (probabilitas) terjadinya variabel
hasil (peristiwa). Probabilitas peristiwa untuk berbagai jangka waktu tersebut dapat
digambarkan sebagai kurva analisis survival. (Murti, 1997)
Menurut Murti (1997), dalam praktek, estimasi-estimasi produk limit dapat
dihitung dengan menyusun table 5 kolom sebagai berikut :
Tabel 3.4.1 Tabel Estimasi Produk Limit
Kolom 1

Metode Kaplan Meier dimulai dengan menata jangka waktu

kelangsungan hidup tiap-tiap individu secara urut dari yang
terpendek hingga yang terpanjang

Kolom 2

Urutan-urutan tersebut diberi peringkat ordinal mulai dari 1 hingga

n (ukuran sampel)

Kolom 3

Dari

peringkat

tersebut

selanjutnya

diidentifikasikan

23

pengamatan-pengamatan yang bersifat tak tersensor

Kolom 4

Peringkat pada pengamatan tersensor pada kolom 3, yang dibuat

berdasarkan jangka waktu kelangsungan hidup yang diketahui
dengan pasti, akan kita pakai untuk menghitung proporsi
kelangsungan hidup pasien pada masing-masing jangka waktu.
Proporsi

(probabilitas)

masing-masing

jangka

kelangsungan
waktu

hidup

dihitung

pasien

dengan

pada

rumus

(n-1)/(n-r+1)
Kolom 5

Akhirnya proporsi kelangsungan hidup pada masing-masing

jangka

waktu

diakumulasi,

untuk

mendapatkan

proporsi

(probabilitas) kelangsungan hidup pasien sampai jangka waktu

tertentu, ditulis sebagai S(t). Untuk menhitung S(t), caranya adalah
mengalikan semua nilai Kolom 4 dari semua jangka waktu
kelangsungan hidup sebelumnya, termasuk t.
3.4.2 Metode Regresi Cox
Model regesi ini dikenal juga dengan istilah Proportional Hazard Model karena
asumsi proposional pada fungsi hazardnya. Secara umum, model regresi Cox
dihadapkan pada situasi dimana kemungkinan kegagalan individu pada suatu waktu

24

yang dipengaruhi oleh satu atau lebih variabel penjelas. (Collet, 1994)
Model regresi Cox mengasumsikan bahwa fungsi hazard adalah sebagai berikut :
,
dimana

----------------------------- (1)

merupakan fungsi hazard dengan peubah

= 0,

merupakan

fungsi dari vektor variabel penjelas untuk individu i.

Persamaan dapat ditulis dalam bentuk :
,

------------------------------------ (2)

dapat diartikan sebagai fungsi hazard pada waktu t untuk individu dengan
variabel penjelas xi, relatif terhadap fungsi hazard pada waktu t untuk individu dengan
variabel penjelas x = 0.
Bentuk log linier dari

merupakan bentuk yang paling umum digunakan.

Dirumuskan sebagai berikut :

exp
dimana

----------------------------------- (3)

merupakan kombinasi linear dari variabel penjelas,

didefinisikan sebagai

berikut :

----------------------- (4)

disebut sebagai komponen linier model atau disebut juga risk score atau prognostic
index.

25

Model regresi Cox menjadi

----------------------- (5)

Kita dapat membagi kedua bagian dari persamaan diatas dengan (ho(t)). Kemudian
kedua begian dari persamaan tersebut dikalikan dengan log-linier. Maka
ln

--------------------- (6)

Sekarang, kita memiliki sebuah persamaan yang simpel dan siap untuk diestimasi.
Pada dasarnya, model regresi eksponensial mengasumsikan bahwa distribusi data
adalah eksponensial. Tingkat parameter dari distribusi eksponensial dapat dijelaskan
seperti dibawah ini:
exp

------------------ (7)

= waktu survival

dimana
a

= konstanta (mean dari waktu survival)

= parameter regresi

Langkah-langkah dalam proses pemilihan model adalah untuk mengidentifikasi

variabel yang berpotensi masuk ke dalam komponen linier model regresi Cox. Beberapa
prosedur yang digunakan dalam pemilihan model terbaik adalah seleksi maju (forward
selection procedure), prosedur eliminasi langkah mundur (backward elimination
procedure) dan prosedur bertatar (stepwise procedure).

26

Menurut Collet (1994), apabila suatu penelitian yang lebih dipentingkan seperti
pengaruh perlakuan maka prosedur pemilihan model adalah sebagai berikut :
1. Semua variabel dipilih dengan mengabaikan pengaruh perlakuan. Pemilihan
variabel yang masuk atau keluar dari model dapat dilakukan dengan prosedur
seleksi maju, prosedur eliminasi mundur atau prosedur bertatar.
2. Setelah didapatkan model dengan mengabaikan variabel, perlakuan langkah
selanjutnya adalah pemilihan model dimana variabel perlakuan masuk dalam
model.
3. Pemeriksaan apakah ada interaksi antara variabel perlakuan dengan variabel
lainnya.
Seberapa besar kemaknaannya dapat diketahui dari nilai goodness-of-fit
menggunakan Chi-square diperhitungkan sebagai fungsi dari log-likelihood untuk model
dengan semua parameter estimasi (L1) dan log-likelihood dari model yang dimana
semua kovariat dianggap mendekati 0 (nol, L0). Jika nilai dari Chi-square ini signifikan,
maka kita menolak hipotesis awal dan mengasumsikan bahwa variabel penjelas ada
hubungan yang signifikan dengan waktu survival. (Collet, 1994)