2012-2-00989-STIF JuralIlmiah001
2012-2-00989-STIF JuralIlmiah001
1. PENDAHULUAN
Penyakit Tuberkulosis atau yg lebih dikenal dengan nama TB Paru merupakan penyakit menular yang disebabkan oleh bakteri Mycobacteryum tuberculosis. Penyakit ini merupakan salah satu infeksi pada paru-paru yang kronik. World Health Organization (WHO) mendata bahwa ada sekitar 8,7 juta kasus TB PARU baru (13% bersama HIV ) dan 1,4 juta orang meninggal karena TB PARU, termasuk 1 juta mati karena HIV negatif dan 430.000 karena HIV positif (WHO, 2011). Indonesia sendiri menempati peringkat kesembilan dunia dan diperkirakan mempunyai 242 juta kasus penyakit TB Paru (WHO, 2011). Dari data Badan Pusat Statistik (BPS) tahun 2010 diketahui bahwa daerah yang paling banyak terkena TB Paru ada di wilayah Jakarta Timur, yaitu 93885 penderita Selanjutnya tempat kedua di tempati wilayah Jakarta Utara yaitu 3133 penderita, tempat ketiga di tempati wilayah Jakarta Selatan yaitu 1368 penderita, tempat keempat di tempati di wilayah Jakarta Barat 1120 penderita, dan tempat yang mempunyai penderita TB Paru paling kecil berada di wilayah Jakarta Pusat yaitu 536 penderita (BPS, 2011). Salah satu metode yang digunakan untuk mengetahui faktor-faktor yang mempengaruhi kesembuhan penderita penyakit TB Paru adalah survival analysis. Survival analysis adalah teknik statistik yang digunakan untuk menganalisis data yang bertujuan untuk mengetahui hasil dari variabel yang mempengaruhi suatu awal kejadian sampai akhir kejadian, misal waktu yang dicatat dalam hari, minggu, bulan, atau tahun. Untuk kejadian awal misalkan awal pasien terjangkit penyakit dan untuk kejadian akhir misalkan kematian pasien dan kesembuhan pasien (Kleinbaum & Klein dan Klein, 2011). Penelitian yang telah menggunakan metode survival analysis diantaranya One (2012). Penelitian tersebut adalah tentang pengaruh TB Paru terhadap terjadinya kanker paruparu di Tuberculosis Endemic Country. Kelebihan dari metode dalam penelitian tersebut adalah peneliti dan para tenaga medis dapat memprediksikan waktu kesembuhan pasien penyakit TB Paru. Berdasarkan penjelasan diatas, maka dalam penelitian ini mengangkat permasalahan antara lain Bagaimana karakteristik penderita penyakit TB Paru di Jakarta? Faktor apa saja yang mempengaruhi waktu kesembuhan penyakit TB Paru di Jakarta? Dan bagaimana laju kesembuhan pasien TB Paru berdasarkan variabel yang mempengaruhi model?. Tujuan dari penelitian ini adalah Mengetahui karakteristik penderita TB Paru di Jakarta, Mengetahui faktor-faktor yang mempengaruhi laju kesembuhan penyakit TB PARU Paru di Jakarta, serta Mengetahui laju kesembuhan penderita penyakit TB Paru berdasarkan faktor-faktor mempengaruhi.
2. METODE PENELITIAN
Untuk mengetahui karakteristik penderita penyakit tuberkulosis yang dirawat di RSUP Persahabatan, maka langkah-langkah analisis yang digunakan sebagai berikut: a. Membuat pie chart setiap variabel independen. b. Membuat Kaplan-Meier. Untuk mengetahui faktor-faktor apa saja yang mempengaruhi waktu survival penderita penyakit tuberkulosis yang dirawat di RSUP Persahabatan, peneliti melakukan langkah-langkah analisisnya sebagai berikut : a. Menduga Distribusi data. b. Menyusun model regresi weibull. c. Estimasi parameter model. d. Melakukan uji signifikansi parameter model terbaik dengan hipotesis : H0 : Model dapat memberikan informasi terhadap semua faktor yang mempengaruhi kesembuhan pasien penderita TB Paru. H1 : Model dapat memberikan informasi paling tidak ada satu faktor yang mempengaruhi terhadap kesembuhan pasien penderita TB Paru. H0 : Faktor-faktor yang mempengaruhi kesembuhan penyakit TB Paru mempunyai pola waktu yang cepat. H1 : Faktor-faktor yang mempengaruhi kesembuhan penyakit TB Paru mempunyai pula waktu yang lama. Untuk mengetahui laju kesembuhan dan laju ketahanan hidup pasien penderita penyakit tuberkulosis, peneliti melakukan langkah-langkah analisis sebagai berikut : e. Menghitung nilai acceleration factor dan hazard ratio dari variabel yang berpengaruh terhadap model untuk mengetahui perbandingan laju kesembuhan setiap kategori.
f. Perancangan dan pembangunan aplikasi untuk mendukung perhitungan metode analsis survival.
Karakteristik pasien berdasarkan variabel waktu yang di pengaruhi oleh variabel perlakuan merokok disajikan dalam Tabel 3.2. Dari tabel tersebut dapat diketahui bahwa sebagian besar penderita TB Paru yang berada pada perlakuan merokok berada pada rata-rata waktu 72,467 hari. Rata-rata waktu penderita TB Paru yang memiliki memiliki perlakuan tidak merokok adalah 57,773. Waktu maksimal pada perlakuan merokok yaitu 140 hari dan untuk waktu minimal adalah 29 hari. Waktu maksimal pada perlakuan tidak merokok yaitu 139 hari dan untuk waktu minimal adalah 8 hari. Karakteristik pasien berdasarkan variabel waktu yang di pengaruhi oleh variabel berat badan disajikan dalam tabel 3.2. Dari tabel tersebut dapat diketahui bahwa sebagian besar penderita TB Paru yang memiliki rata-rata waktu pengobatan terlama berada pada berat badan > 75 kg yaitu dengan waktu 84,333 hari. Waktu maksimal pada pasien melakukan pengobatan berada pada pasien yang memiliki berat badan 56 65 kg yaitu 140 hari dan untuk waktu minimal pasien melakukan pengobatan berada pada pasien yang memiliki berat badan 41 55 kg yaitu dengan waktu 8 hari. 3.2 Kaplan-Meier Kaplan-Meier berfungsi untuk mengetahui peluang survive pasien berdasarkan waktu dari pasien melakukan pengobatan sampai pasien sembuh.
Gambar 3.1. Plot Kaplan-Meier Dari Gambar 3.1. dapat disimpulkan bahwa semakin lama pasien melakukan pengobatan maka peluang pasien sembuh semakin kecil. Misalkan pada t = 20 mempunyai peluang survive 0.98 yang menunjukkan bahwa peluang pasien untuk survive pada waktu lebih dari 20 hari sebesar 98%. Sedangkan untuk t = 140 mempunyai peluang survive sebesar 0 yang menunjukkan bahwa peluang pasien untuk survive pada waktu lebih dari 140 hari sebesar 0%. 3.3 Uji Penduga Distribusi Data Uji pendugaan distribusi data berfungsi untuk menduga sebaran data yang diperoleh dan untuk megetahui pemodelan yang tepat untuk data yang ada. Tabel 3.3 Pengujian Distribusi Data Distribusi Anderson Darling Weibull 2.9897
Tabel 3.3 menunjukkan bahwa nilai statistik Anderson Darling yang mempunyai nilai terendah ada pada distribusi weibull yang bernilai 2,9897. Maka dapat diketahui bahwa data yang diperoleh mengikuti distribusi weibull. Pemodelan hazard proportional dan Accelerated Failure Time mengikuti distribusi weibull.
3.4 Model Weibull Model weibull berfungsi untuk mendapatkan model PH dan AFT serta faktor-faktor yang mempengaruhi. Model weibull terbentuk berdasarkan data pasien penderita penyakit TB PARU Paru dari variabel usia, jenis kelamin, merokok, dan berat badan adalah sebagai berikut : Tabel 3.4 Nilai Taksiran Parameter pada Model Parameter Taksiran Z hitung Sig. Intercept 4.62961 10.325 5.42 x 10-25 Usia 0.00411 0.544 5.87 x 10-01 Jenis Kelamin 0.40142 1.723 8.49 x 10-02 Merokok 0.36500 1.943 5.20 x 10-02 Berat Badan -0.00834 -0.885 3.76 x 10-01 Log (scale) -0.89064 -5.538 3.05 x 10-08 Tabel 3.4 menunjukkan bahwa variabel yang signifikan pada taraf 10% adalah jenis kelamin dan merokok. Hal tersebut ditunjukkan oleh nilai Z hitung > Z tabel = 1,645. Maka model hazard proportional dan AFT pada distribusi weibull dapat dibentuk sebagai berikut : S(t) = exp[-(exp[-(4.62961 + 0.00411 Usia + 0.40142 Jenis Kelamin + 0.36500 Merokok + 0.00834 Berat Badan) t ) 2.436689t ] h(t) = [exp(-11.28092 + -0.01001479 Usia + -0.9781357 Jenis Kelamin + -0.8893915 Perilaku Merokok + 2.170213 Berat Badan)] 2.436689t 1.436689 3.5 Perhitungan Nilai Acceleration Factor dan Hazard Ratio Perhitungan nilai acceleration factor ini berfungsi mengetahui nilai taksiran untuk laju kesembuhan pasien berdasarkan faktor-faktor yang mempengaruhi model.
Tabel 3.5. Nilai Acceleration Factor dan Hazard Ratio Acceleration Factor Hazard Ratio Taksiran 0.40142 0.6693689 2.659494
0.36500
0.6941967
2.433648
Dari Tabel 3.5 didapatkan nilai acceleration factor variabel jenis kelamin dari kategori lakilaki terhadap kategori perempuan yaitu 0,66937. Nilai tersebut menunjukkan bahwa peluang survive pasien yang berjenis kelamin laki-laki lebih kecil dibandingkan dengan yang berjenis kelamin perempuan, maka waktu kesembuhan yang berjenis kelamin laki-laki lebih cepat dari yang berjenis kelamin perempuan. Berarti peluang waktu sembuh pasien dengan jenis kelamin laki-laki 0,66937 kali dari jenis kelamin perempuan. Nilai acceleration factor variabel perilaku merokok dari kategori tidak merokok terhadap kategori merokok yaitu 0,6942. Nilai tersebut menunjukkan bahwa peluang survive pasien yang tidak merokok lebih kecil dibanding dengan yang merokok, maka waktu waktu kesembuhan pasien yang tidak merokok lebih cepat dari yang merokok. Berarti peluang waktu sembuh pasien dengan perilaku tidak merokok 2,433648 kali dari perilaku merokok. Nilai hazard ratio dari variabel jenis kelamin dari kategori laki-laki terhadap kategori perempuan yaitu 2,659494. Nilai tersebut menunjukkan bahwa peluang kesembuhan pasien yang berjenis kelamin laki-laki lebih besar dibandingkan dengan yang berjenis kelamin perempuan. Berarti peluang sembuh pasien dengan jenis kelamin laki-laki 2,659494 kali dari jenis kelamin perempuan.
Nilai hazard ratio dari variabel jenis kelamin dari kategori laki-laki terhadap kategori perempuan yaitu 2,433648. Nilai tersebut menunjukkan bahwa peluang kesembuhan pasien yang tidak merokok lebih besar dibandingkan dengan yang merokok. Berarti peluang sembuh pasien dengan perilaku tidak merokok 2,433648 kali dari perilaku merokok. Nilai acceleration factor dan hazard ratio dari variabel jenis kelamin berdasarkan kategori laki-laki terhadap kategori perempuan dapat diketahui bahwa kategori laki-laki memiliki peluang sembuh lebih besar dan waktu pengobatan lebih cepat dibandingkan kategori perempuan. Sementara itu yang tidak merokok memiliki peluang sembuh lebih besar dan waktu pengobatan lebih cepat dibandingkan dengan yang merokok. 3.6 Program Aplikasi Hasil perancangan layar disajikan dalam Gambar 3.2 . Gambar adalah gambar awal program dijalankan. Fungsi tombol browse adalah untuk memilih file yang akan digunakan untuk proses perhitungan. Setelah memilih file, maka tombol View Data akan menjadi aktif. Gambar 3.3 adalah gambar dimana tombol View Data setelah diklik. Fungsi tombol View Data adalah melihat isi dari file yang telah dipilih pada tampilan awal. Check box Test Distribution of data, chexk box Kaplan-Meier test, Semi Parametric test dan Parametric test menjadi aktif.
4.2 Saran
Saran yang direkomendasikan untuk penelitian selanjutnya adalah : 1. Mengambil jumlah sampel dalam ukuran lebih besar dan dari luar kategori penyakit baru untuk dapat benar-benar mewakili populasi yang ada. 2. Dapat menggunakan distribusi dan metode yang lain untuk mendapatkan faktor yang mempengaruhi serta laju kesembuhan dari penderita TB Paru.
5. REFERENSI
Badan Pusat Statistik. (2011). Jakarta Dalam Angka. Jakarta : Badan Pusat Statistik. Kleinbaum, G. D., & Klein, M.(2011). Survival Analysis.(3rd edition). New York : Springer Science + Business Media. Stevenson, M.(2009). An Introduction to Survival Analysis. New Zeanland : Massey University. WHO. 2013. Global Tuberculosis Report 2012. Diperoleh 15 february 2013 dari http://www.who.int/tb/publication/global_report. WHO. 2013. Tuberculosis profile. Diperoleh 15 february 2013 dari http://www.who.int/tb/data/profiles.