209

PENERAPAN REGRESI COX RISIKO PROPORSIONAL PADA DATA

KEJADIAN BERULANG IDENTIK
Ranika Permata Adi, Maria Bernadetha Mitakda, Samingun Handoyo
Jurusan Matematika, F.MIPA, Universitas Brawijaya, Malang, Indonesia
Email: Azzahratuljannah.rani@gmail.com
Abstrak. Regresi Cox risiko proporsional yang diterapkan pada kejadian berulang (setiap individu memiliki lebih dari satu
waktu survival), mengakibatkan masalah dalam struktur data dan proses pendugaan parameter. Oleh karena itu, digunakan
pendekatan Conting Process untuk memodifikasi struktur data kejadian berulang. Tujuan penelitian ini adalah menerapkan
regresi Cox risiko proporsional pada data survival kejadian berulang identik pasien penyakit jantung koroner, untuk
mengetahui peubah penjelas yang berpengaruh terhadap kekambuhan. Digunakan data sekunder yang berasal dari arsip
rekam medis mengenai karakteristik pasien penyakit jantung koroner yang dirawat inap di Rumah Sakit Pertamina
Balikpapan antara Januari 2010 sampai Desember 2011. Pemilihan model terbaik dilakukan dengan metode eliminasi
langkah mundur, menghasilkan model regresi Cox risiko proporsional dengan tiga peubah penjelas (status diabetes melitus,
status hipertensi dan jenis kelamin). Pemeriksaan kesesuaian model dengan sisaan Cox-Snell menunjukkan model sesuai.
Kata Kunci: Kejadian Berulang Identik, Counting Process, Regresi Cox, Risiko Proporsional, Penyakit Jantung Koroner
1. PENDAHULUAN
Analisis survival adalah kumpulan prosedur statistika untuk menganalisis data berupa
waktu antar kejadian. Model regresi Cox digunakan untuk menggambarkan hubungan antara peubah
prediktor dengan peubah respon berupa waktu survival. Model regresi Cox dengan asumsi
proportional hazard (risiko proporsional) digunakan untuk data survival yang memenuhi asumsi risiko
proporsional.
Kejadian berulang dalam analisis survival mengasumsikan bahwa setiap individu mungkin saja
mengalami kejadian lebih dari satu kali selama penelitian berlangsung. Pada tahun 2004, Cai dan
Schaubel memaparkan teori mengenai regresi Cox untuk data kejadian berulang. Kleinbaum dan Klein
(2005) menjelaskan bahwa pendekatan Counting Process dapat digunakan untuk merubah struktur
data kejadian berulang dengan menganggap bahwa kejadian saling bebas. Kejadian berulang terdiri
atas kejadian berulang identik dan tidak identik. Pendekatan Counting Process digunakan pada data
kejadian berulang identik seperti kekambuhan penyakit jantung koroner. Oleh karena itu, peneliti
menerapkan regresi Cox risiko proporsional pada data kejadian berulang identik pasien penyakit
jantung koroner di Rumah Sakit Pertamina Balikpapan.
2. TINJAUAN PUSTAKA
2.1. Analisis Survival
Analisis survival merupakan metode statistika yang mempelajari waktu bertahan hidup
individu terhadap suatu kejadian. Data Survival adalah selang waktu antar dua kejadian. Kejadian
adalah kematian, kesembuhan, kekambuhan atau keadaan lain yang ditentukan oleh peneliti. Waktu
survival tidak mengikuti sebaran normal, tetapi sebaran eksponensial atau Weibull.
Analisis survival sangat mempertimbangkan penyensoran. Data dikatakan tersensor apabila nilai
peubah tidak dapat diamati secara lengkap. Hal ini disebabkan oleh protokol penelitian atau kejadian
tak terduga yang mengakibatkan objek keluar dari penelitian (Collet, 2003). Terdapat 3 jenis data
tersensor yaitu, tersensor kanan, tersensor kiri dan tersensor interval. Selain itu, terdapat tiga tipe
penyensoran yakni, penyensoran tipe I, penyensoran tipe II dan penyensoran acak.
2.2. Kejadian Berulang Identik
Waktu survival pada kejadian berulang dilambangkan dengan T
ij
, i= 1,2,, M dan j = 1,2, ,
N
i
. M menunjukkan banyaknya individu dan N
i
menunjukkan banyak-nya ulangan kejadian pada
individu ke-i. Kleinbaum dan Klein (2005) menyatakan bahwa terdapat dua macam kejadian berulang
dalam analisis survival, yaitu kejadian berulang identik dan kejadian berulang tidak identik. Dikatakan
kejadian berulang identik apabila urutan kejadian berulang tidak menunjukkan tingkat keparahan
penyakit. Sementara itu, jika urutan kejadian menunjukkan tingkat keparahan penyakit maka termasuk

210

kejadian berulang tidak identik.. Pendekatan Counting Process digunakan untuk memodifikasi struktur
data kejadian berulang agar metode regresi Cox risiko proporsional dapat diterapkan pada data
tersebut. Modifikai dilakukan dengan menentukan waktu awal (t
0
) dan waktu kejadian (t
f
) di mana
pada kejadian berulang, nilai
0 1 j f j
t t
+
= .
2.3. Model Regresi Cox
Model regresi Cox risiko proporsional adalah
0
1
( ) ( ) exp
P
ij p ijp
p
h t h t x |
=
| |
=
|
\ .

(1)
Pendugaan parameter model regresi Cox untuk kejadian berulang dilakukan dengan metode
kemungkinan parsial maksimum. Prinsip dasar metode kemungkinan parsial maksimum adalah
memaksimumkan log natural fungsi likelihood pada persamaan (2).
1
1
( )= ln(exp( )) ln( exp( ))
( )= ln( exp( ))
f
f
F
f l
f l R
F
f l
f l R
L
L
= e
= e
(
(
(

(
(
(



'x 'x
'x 'x
(2)
Kemudian penduga diperoleh dari iterasi Newton-Raphson. Cook dan Lawless (2007) menyatakan
bahwa ragam bagi penduga diperoleh dengan metode penduga Robust
( )
1 1
2 2
1 1
2 2
( ) ( )
adj var( ) var( ( )) ( )
' '
L L
m m B m


| |
| | ( c c
| = =
| (
| c c
\ .
\ .




2.4. Asumsi Risiko Proporsional
Asumsi terpenuhi apabila rasio antara fungsi risiko suatu kategori dengan kategori lain dari
faktor penyebab kegagalan bersifat konstan setiap waktu. Pemeriksaan asumsi dapat dilakukan secara
grafis (plot antara ln{-ln[S(t,x)]} terhadap waktu survival) dan secara numerik (statistik uji Global).
Jika grafik ln minus ln fungsi survival terhadap waktu survival untuk beberapa kategori pada satu
peubah penjelas terlihat sejajar (tidak saling berpotongan) maka asumsi risiko proporsional terpenuhi
dan peubah penjelas dapat dimasukkan dalam model. Pengujian asumsi risiko proporsional secara
numerik dilakukan dengan statistik uji Global berdasarkan sisaan Schoenfeld model regresi Cox
(Grambsch dan Therneau, 1994).
2.5. Interpretasi Rasio Risiko
Ketika model regresi Cox untuk data survival telah terbentuk, maka peneliti akan melakukan
interpretasi koefisien regresi. Pandang persamaan (1) di mana bentuk model regresi Cox tidak
memungkinkan untuk dilakukan interpretasi koefisien seperti pada regresi linier klasik. Oleh karena
itu, diperlukan rasio risiko agar koefisien regresi dapat diinterpretasi. Rasio risiko diperoleh dengan
membandingkan fungsi risiko antar dua kategori pada satu peubah.
Anggap status diabetes melitus sebagai peubah penjelas bersifat kategorik (pasien menderita
diabetes (1) dan tidak (0)) dan peubah lain bersifat tetap, maka rasio risiko status diabetes melitus
adalah
( 1)
( 0)
1
0 ( 1)
'
1
0 ( 0)
'
( 1)
( 0)
( )
( )
( ) exp( )
( ) exp( )
exp( )
exp( )
exp( )
ij dm
ij dm
P
dm dm ijp ijp
p
P
dm dm ijp ijp
p
dm dm
dm dm
dm
h t
h t
h t X X
h t X X
X
X

| |
| |
|
|
|
=
=

=
=
=
=
+
=
+
=
=

211

3. METODE PENELITIAN
3.1. Sumber Data
Digunakan data sekunder yang berasal dari arsip rekam medis mengenai karakteristik pasien
penyakit jantung koroner yang dirawat inap di Rumah Sakit Pertamina Balikpapan antara Januari 2010
sampai Desember 2011. Peubah respon adalah waktu survival dan peubah prediktor bersifat kategorik
yang terdiri atas metode pengobatan yang diterima pasien (menggunakan terapi ACE (1) dan tidak
(0)), status hipertensi (menderita hipertensi (1) dan tidak (0)), jenis kelamin (laki-laki (1) dan
perempuan (0)), usia (< 50 tahun (0) dan 50 tahun (1)) serta status diabetes melitus (menderita
diabetes mellitus (1) dan tidak (0)).
3.2. Metode Analisis
Prosedur analisis regresi Cox risiko proporsional pada data kejadian berulang identik adalah (1)
melakukan pendugaan parameter menggunakan metode maksimum parsial likelihood; (2) memilih
model terbaik dengan prosedur langkah mundur; (3) pemeriksaan kesesuaian model dilakukan dengan
uji sisaan Cox-Snell; (4) memeriksaan asumsi risiko proporsional; (5) interpretasi model regresi Cox
risiko proporsional berdasarkan rasio risiko setiap peubah.
4. HASIL DAN PEMBAHASAN
4.1. Pembentukan Model Regresi Cox
Pendugaan parameter dengan metode penduga kemungkinan maksimum menmberikan hasil
sebagai berikut:
Tabel 1. Pendugaan dan Pengujian Parameter
Peubah Penjelas
p
|
Salah baku
p
|
(dengan Robust) Statistik Wald Nilai-p
Usia 0.1131 0.0776 1.46 0.145
Jenis Kelamin 0.1795 0.0755 2.38 0.017
HT 0.4086 0.0853 4.79 0.000
DM -0.3149 0.0791 -3.98 0.000
Terapi Ace 0.0479 0.1150 0.42 0.677
Hasil analisis yang tercantum pada Tabel 1, menunjukkan bahwa status hipertensi dan status
diabetes melitus berpengaruh terhadap kekambuhan pasien penyakit jantung koroner. Sedangkan
kekambuhan pasien penyakit jantung koroner tidak disebabkan oleh usia dan pemberian terapi.
Model terbaik diperoleh dengan metode eliminasi langkah mundur dengan mempertimbangkan
nilai AIC setiap model yang terbentuk. Model terbaik untuk data kejadian berulang identik pasien
penyakit jantung koroner yang dirawat di Rumah Sakit Pertamina Balikpapan adalah

( )
0 2 3 4
( ) ( ) exp 0.1706 0.4204 0.3006
ij ij ij ij
h t h t X X X = +
(3)
Kemudian dilakukan pemeriksaan sisaan untuk mengetahui kesesuaian model. Pemeriksaan
sisaan dilakukan dengan membentuk plot antaralog natural fungsi kumulatif risiko (ln H
ij
(t)) dan log
natural sisaan Cox-Snell (ln r`
cij
).

Gambar 1. Scatter Plot Log Natural sisaan Cox-Snell
212

Gambar 1, menunjukkan pola garis lurus yang terbentuk pada plot antara ln H
ij
(t) dan ln r`
cij
. Hal ini
dijadikan dasar untuk menyatakan bahwa model yang terbentuk telah sesuai.
4.2. Pengujian Asumsi Risiko Proporsional
Pemeriksaan asumsi risiko proporsional dilakukan secara grafis (plot ln minus ln fungsi survival
terhadap waktu) dan secara numerik dengan Global Test. Berdasarkan pemeriksaan secara grafis
diperoleh hasil bahwa peubah jenis kelamin dan peubah status diabetes melitus tidak memenuhi
asumsi. Akan tetapi, secara numerik dihasilkan kesimpulan bahwa ketiga peubah memenuhi asumsi
risiko proporsional. Perbedaaan terjadi antara hasil pengujian asumsi risiko proporsional secara grafis
dan numerik. Akan tetapi, peneliti memilih menggunakan statistik uji G karena hasil pengujian lebih
sahih.
4.3. Interpretasi Rasio Risiko
Berdasarkan koefisien-koefisien model pada persamaan (3) akan dihasilkan rasio risiko relatif
setiap peubah prediktor terhadap individu sebagai-mana ditampilkan pada Tabel 2.
Tabel 4.5. Rasio Risiko Peubah Prediktor
Peubah Prediktor Rasio Risiko
Jenis Kelamin 1.186
Status Hipertensi 1.522
Status Diabetes Melitus 0.740
Rasio risiko dapat digunakan untuk membandingkan peluang kegagalan individu pada kategori
setiap peubah. Peluang kekambuhan pasien laki-laki 1.186 kali dibandingkan pasien perempuan,
dengan menganggap status hipertensi dan diabetes melitus kedua pasien adalah sama. Peluang
kekambuhan seorang pasien penyakit jantung koroner yang menderita hipertensi adalah 1.522 kali
dibandingkan pasien penyakit jantung koroner yang tidak menderita hipertensi dengan
mengasumsikan bahwa jenis kelamin dan status diabetes melitus pasien yang dibandingkan adalah
sama. Peluang kekambuhan seorang pasien penyakit jantung koroner yang menderita diabetes melitus
adalah 0.74 kali dibandingkan pasien penyakit jantung koroner yang tidak menderita diabetes melitus
dengan mengasumsikan bahwa jenis kelamin dan status hipertensi pasien yang dibandingkan adalah
sama.
5. KESIMPULAN
Model regresi Cox risiko proporsional dengan pendekatan Counting Process dapat digunakan
sebagai alternatif untuk mengatasi masalah kejadian berulang pada analisis survival. Model terbaik
untuk data pasien penyakit jantung koroner menunjukkan bahwa status diabetes melitus, status
hipertensi dan jenis kelamin merupakan faktor penentu kekambuhan penyakit jantung koroner.
DAFTAR PUSTAKA
Cai, J. dan Schaul, D.E., (2004), Analysis of Recurrent Event Data. Handbook of Statistics, Advance in
Survival Analysis, hal. 603-623.
Collett, D., (2003), Modelling Survival Data In Medical Research, Chapman & Hall. London.
Cook, R.J. dan Lawless, J.F., (2007), The Statistical Analysis of Recurrent Event. Springer, New York.
Grambsch, P.M. dan Therneau, T.M., (1994), Proportional Hazard Test and Diagnostic Based on
Weighted Residual, Springer, New York.
Kleinbaum, D.G. dan Klein, J.W., (2005), Statistics For Biology And Health, Springer, New York