Anda di halaman 1dari 8

Jurnal EKSPONENSIAL Volume 4, Nomor 1, Mei 2013

ISSN 2085-7829

Model Proportional Hazard Cox Dengan Pendekatan Bayesian


(Studi Kasus : Pasien Rawat Inap Demam Berdarah Dengue di Rumah Sakit Umum Daerah
Abdul Wahab Sjahranie Samarinda)
Cox Proporsional Hazard Model with Approach of Bayesian
(Case Study: Patients of Dengue Hemorrhagic Fever at General Districts Hospital
Abdul Wahab Sjahranie Samarinda)
Nariza Wanti Wulan Sari1, Sri Wahyuningsih2, Rito Goejantoro3
1

Mahasiswa Program Studi Statistika FMIPA Universitas Mulawarman


2,3
Dosen Program Studi Statistika FMIPA Universitas Mulawarman
Email: naza_7227@yahoo.co.id1, swahyuningsih@gmail.com2, ritogoejantoro@yahoo.com3
Abstract
This study uses Cox proportional hazard model and to estimate the parameters in Cox proportional hazard
model used a Bayesian approach with numeric simulation Markov Chain Monte Carlo (MCMC), specifically
the Gibbs Sampler. In other to the purpose of this study is knowing Cox proportional hazard model of DHF
patients at General Districts Hospital A. W. Sjahranie Samarinda with approach of Bayesian. Data in this
research is 165 patients of DHF at General Districts Hospital A. W. Sjahranie Samarinda and used right
cencor, Gamma distribution data. The result show that there exist 2 variables that affect the recovery rate of
DHF patients the age and thrombocyte of the patients thus Cox proportional risk model obtained is
(, ) = (t)exp (0.01976 0.4541), where the older a patient to achieve recovery more slowly
and the recovery rate of DHF patients with under normal thrombocyte more longer than normal
thrombocyte.
Keywords: Survival analysis, Bayesian, Cox hazard proportional, dengue hemorrhagic fever (DHF).
Pendahuluan
Dalam era globalisasi, aplikasi statistika
berkembang dengan pesat sebagai suatu bidang
kajian terapan. Salah satu aplikasi statistika untuk
bidang kedokteran diterapkan untuk menganalisis
kelangsungan hidup (survival analysis) pasien.
Survival analysis atau analisis uji hidup salah satu
metode statistika yang bertujuan untuk
mempelajari dan memodelkan hubungan antara
faktor risiko dan waktu terjadinya kematian
seorang pasien (Abadi et al., 2011). Data uji
hidup (survival data) menggambarkan data
pengukuran waktu dari suatu kejadian ke kejadian
yang lain. Metode statistika untuk data seperti ini
menggunakan analisis uji hidup yang secara
ekstensif banyak digunakan dalam berbagai
bidang khususnya bidang medis. Dalam analisis
tersebut, waktu uji hidup dapat digunakan sebagai
variabel respon dan variabel penjelas digunakan
sebagai variabel bebas (kovariat). Fungsi yang
menggambarkan hubungan antara kovariat dan
waktu uji hidup disebut sebagai fungsi uji hidup.
Karakteristik dari data ini adalah adanya data
sensor. Data sensor adalah suatu observasi yang
waktu kejadiannya tidak teramati secara
sempurna. Pada umumnya, data uji hidup
menggunakan data sensor kanan dimana awal
penelitian dimulai dari waktu terkini hingga
berjalan secara teratur sampai berakhirnya
penelitian (Thamrin, 2008).
Salah satu model statistik yang paling penting
dalam penelitian medis
adalah model

proportional hazard (proportional hazard model)


(Bender et al., 2004). Model uji hidup yang
bersesuaian dengan penelitian ini adalah model
proportional hazard Cox (Cox proportional
hazard model). Untuk menaksir parameterparameter dalam model proportional hazard Cox
digunakan pendekatan Bayesian dengan simulasi
numerik Markov Chain Monte Carlo (MCMC),
karena dengan pendekatan ini kompleksitas dalam
model lebih mudah untuk diatasi. Hal ini
dikarenakan pendekatan dengan Bayesian dapat
dilakukan berdasarkan pada data yang ada,
meskipun tidak ada asumsi distribusi pada data
tersebut (Thamrin, 2008).
Penelitian ini bertujuan untuk mengetahui
model proportional hazard Cox pada pasien
rawat inap demam berdarah dengue di Rumah
Sakit Umum Daerah A. W. Sjahranie Samarinda
dengan pendekatan Bayesian. Beberapa manfaat
yang dapat diperoleh dari dilakukannya penelitian
ini adalah memperkaya dan memperluas
pengetahuan tentang analisis uji hidup dengan
pendekatan Bayesian, dan sebagai bahan
pertimbangan dan masukan bagi Rumah Sakit
Umum Daerah A. W. Sjahranie Samarinda serta
dapat dijadikan sebagai salah satu sumber
informasi yang dapat mendukung tujuan bagi
Rumah Sakit Umum Daerah A. W. Sjahranie
Samarinda.
Analisis Uji Hidup (Survival Analysis)
Analisis uji hidup bertujuan memodelkan
distribusi yang mendasari variabel waktu

Program Studi Statistika FMIPA Universitas Mulawarman

Jurnal EKSPONENSIAL Volume 4, Nomor 1, Mei 2013

kegagalan (failure time) dan untuk menaksir


ketergantungan variabel waktu kegagalan dengan
variabel bebas (Thamrin, 2006). Secara umum,
analisis uji hidup adalah salah satu kumpulan dari
prosedur statistika untuk analisis data dimana
variabel hasil adalah waktu sampai terjadinya
kejadian. Dalam analisis uji hidup, biasanya
menunjuk variabel waktu sebagai waktu uji hidup
(survival time), karena menunjukkan waktu itu
seseorang telah bertahan (survived) selama
periode tertentu. Juga secara khusus menunjuk
kejadian sebagai suatu kegagalan, karena kejadian
yang menjadi perhatian biasanya adalah kematian,
timbulnya penyakit, atau beberapa kejadian
lainnya (Kleinbaum and Klein, 2005).
Menurut Lawless (2003), Lee and Wang
(2003) distribusi peluang dari T dapat dinyatakan
dalam tiga cara yaitu :
1. Fungsi Kepadatan peluang
Fungsi kepadatan peluang adalah peluang
suatu individu mati atau gagal dalam interval
waktu dari t sampai t + t, dengan waktu T
merupakan variabel random. Fungsi kepadatan
peluang dinotasikan ( )dan dirumuskan dengan
(())
( = )lim

(1)

2. Fungsi ketahanan (survivor function)


Fungsi ketahanan hidup adalah peluang suatu
individu yang masih dapat bertahan hidup sampai
dengan waktu t (t > 0). Jika T merupakan
variabel random dari waktu hidup suatu individu
dalam interval [0,), maka fungsi distribusi
kumulatif )(untuk distribusi kontinu dengan
fungsi kepadatan peluang
( )dinyatakan
sebagai berikut:

= ) ( = )( ()(), > 0
(2)
Oleh karena itu diperoleh fungsi ketahanan hidup
(survival) yang didefinisikan dengan
( = ) ( = )1 ( = )1 )(

3. Fungsi hazard (hazard function)


Fungsi hazard adalah peluang suatu individu
mati dalam interval waktu dari t sampai t+t, jika
diketahui individu tersebut masih dapat
berketahanan hidup sampai dengan waktu t.
Fungsi hazard secara matematika dinyatakan
sebagai:
P t T t t T t
h(t) lim

t 0
t

(3)

Sumber kesulitan data pada analisis survival


adalah adanya kemungkinan beberapa individu
tidak bisa diobservasi yang disebut dengan data
tersensor. Menurut Kleinbaum and Klein (2005)
dan Nisa dan Budiantara (2012) alasan yang
menyebabkan terjadinya sensor yaitu:
1. Lost of follow up bila pasien memutuskan
untuk pindah ke Rumah Sakit lain.
2. Drop Out bila pasien memilih untuk pulang
paksa dari Rumah Sakit.

10

ISSN 2085-7829

3. Study ends-no event bila masa penelitian


berakhir sementara pasien belum dinyatakan
sembuh.
4. Withdraws from the study because of death
bila pasien meninggal dunia.
Terdapat beberapa jenis sensor sebagai berikut :
1. Sensor Interval
Terjadi jika kejadian yang menjadi perhatian
diketahui telah terjadi antara waktu a dan b.
2. Sensor kanan
Jika data yang diamati Ti adalah data sesudah
waktu sensor. Ti berada pada interval [Ci,).
3. Sensor kiri
Jika data yang diamati Ti adalah data sebelum
waktu sensor. Ti berada pada interval (- , Ci]
(Lawless, 2003).
4. Sensor tipe I (Sensor waktu)
Bila uji dihentikan pada waktu tertentu, maka
disebut sensor tipe I.
5. Sensor tipe II (Sensor kegagalan)
Bila uji dihentikan setelah diperoleh sejumlah
kegagalan tertentu, maka disebut sensor tipe
II.
6. Sensor tipe III (Sensor acak)
Karena masuk yang tidak secara bersamasama, sehingga waktu disensor juga berbeda.
Ini merupakan tipe sensor III (Lee and Wang,
2003).
Salah satu distribusi dari waktu ketahanan
adalah distribusi Gamma. Fungsi kepadatan
peluang dari distribusi gamma adalah

(= )
() ; >0, > 0, > 0 (4)
()

dimana () didenifisikan sebagai

() = ( = 1)!
(5)

merupakan parameter bentuk dan sebagai


parameter skala (Lawless, 2003).
Fungsi distribusi kumulatif )(memiliki
bentuk yang lebih kompleks:

= )(
() ( = , )
(6)
()

dimana,
(, ) =


()

(7)

diketahui sebagai fungsi Gamma yang tidak


lengkap. Kemudian, untuk fungsi ketahanan
1 )(adalah


( = ) ( = )
()( 8)
()

Fungsi hazardnya adalah


(= )

()
()

()
()

()
()

(9)

(Lee and Wang, 2003)

Pendugaan distribusi dilakukan dengan


statistik uji Anderson-Darling untuk mengetahui
distribusi data uji hidup yang paling sesuai.
Persamaan statistik uji Anderson-Darling adalah
sebagai berikut:

= (2 1)() + 1 ()
(10)

Program Studi Statistika FMIPA Universitas Mulawarman

Jurnal EKSPONENSIAL Volume 4, Nomor 1, Mei 2013

dimana
= fungsi distribusi kumulatif dari distribusi
tertentu.
= data waktu uji hidup.

Model Proportional Hazard Cox (Cox


Propotional Hazard Model)
Menurut Nisa dan Budiantara (2012)
pemodelan data uji hidup dengan menggunakan
model proportional hazard Cox merupakan
pemodelan dengan metode parametrik yang
digunakan untuk mengestimasi efek kovariat pada
data uji hidup. Pemodelan regresi untuk
mengetahui faktor-faktor yang mempengaruhi
data uji hidup untuk data tidak tersensor yang
disebut dengan regresi Cox. Model proportional
hazard Cox biasanya ditulis dalam rumus model
hazard sebagai berikut.

(, ) = (t) exp
(11)
= (, , )
Gail et al. (2005) menyatakan ada tiga pendekatan
umum untuk menaksir asumsi proportional
hazard pada model Cox yaitu:
a. Graphical (Grafik).
b. Goodness-of-fit test (uji Goodness of fit).
c. Time-dependent variables.
Pendekatan
Bayesian
pada
Estimasi
Parameter
Dalam teori estimasi, dikenal dua pendekatan
yaitu pendekatan statistika klasik dan pendekatan
statistika Bayesian. Statistika klasik sepenuhnya
mengandalkan proses inferensi pada data sampel
yang diambil dari populasi. Sedangkan statistika
Bayesian, disamping memanfaatkan data sampel
yang
diperoleh
dari
populasi
juga
memperhitungkan suatu distribusi awal yang
disebut prior. Pendekatan Bayesian memandang
parameter sebagai variabel random yang
memiliki distribusi, disebut distribusi prior. Dari
distribusi prior selanjutnya dapat ditentukan
distribusi posterior sehingga diperoleh estimator
Bayesian yang merupakan mean dan modus dari
distribusi posterior.
Telah
diketahui
pemodelan
dengan
menggunakan metode Bayesian didasarkan pada
distribusi posterior yang mempunyai perpaduan
antara dua informasi, yaitu data masa lalu sebagai
informasi prior dan data pengamatan yang
digunakan sebagai penyusun fungsi likelihood.
Misal informasi sebelumnya terdapat dalam )(
yang berupa distribusi prior untuk dan
informasi sampel yang ditunjukkan oleh statistik
terdapat dalam fungsi likelihood )|(.
Dengan menggunakan Teorema Bayes diperoleh
distribusi posterior tentang parameter dibawah
ini.
(|)()
= )|(
(12)
dimana

()

ISSN 2085-7829

()

()()|
= = )|((
()()|

( )adalah suatu konstanta yang disebut sebagai


normalized constant, selanjutnya persamaan (12)
dapat ditulis menjadi :
)()|( )|(
(13)
Persamaan (13) menunjukkan bahwa posterior
adalah proportional terhadap likelihood dikalikan
dengan prior dari parameter model (Congdon,
2003).
Markov Chain Monte Carlo (MCMC) adalah
sebuah metode untuk membangkitkan peubahpeubah acak yang didasarkan pada rantai markov.
Dengan MCMC akan diperoleh sebuah barisan
sampel acak yang berkorelasi, yakni nilai ke-
dari barisan {} disampling dari sebuah distribusi
peluang yang bergantung pada nilai sebelumnya
{}. Distribusi eksak dari {} umumnya tidak
diketahui, namun distribusi pada setiap iterasi
dalam barisan nilai sampel tersebut akan
konvergen pada distribusi yang sesungguhnya
untuk nilai yang cukup besar. Oleh karena itu,
jika ukuran sampel yang diperbaharui cukup besar
maka kelompok terakhir dari nilai yang
disampling dalam barisan tesebut, missal
{, , } akan mendekati sebuah sampel
yang berasal dari distribusi yang diinginkan.
Notasi biasanya disebut sebagai burn in period.
Terdapat dua algoritma utama dalam MCMC,
yaitu
algoritma
Metropolis-Hastings
dan
algoritma Gibbs Sampler. Dalam tulisan ini,
algoritma Gibbs Sampler digunakan untuk
membantu membangkitkan sampel-sampel acak
dari distribusi posterior yang diinginkan (Mukid
dan Sugito, 2011).
Gibbs sampler menguraikan ruang parameter
dengan sampling dari distribusi bersyarat pada
distribusi posterior untuk paremeter lain
dimana vektor ( = ) parameter-parameternya
tidak diketahui, sehingga mengurangi masalah
dimensi tinggi.
Metodologi Penelitian
Data berupa data sekunder dari pasien rawat
inap demam berdarah dengue (DBD) di Rumah
Sakit Umum Daerah A. W. Sjahranie Samarinda.
Dengan variabel randomnya T yaitu lama pasien
demam berdarah dengue rawat inap dalam hari.
Dengan populasi data seluruh pasien rawat inap
demam berdarah dengue, sedangkan sampelnya
pasien rawat inap demam berdarah dengue
periode bulan Juli 2011 Juni 2012 sebanyak 165
data dengan menggunakan teknik pengambilan
sampel purposive.
Variabel respon dalam penelitian ini adalah
waktu atau lama rawat inap yang disimbolkan
dengan t, yaitu lama rawat inap pasien demam
berdarah dengue sampai dengan dinyatakan
sembuh atau keluar dan berada dalam batas

Program Studi Statistika FMIPA Universitas Mulawarman

11

Jurnal EKSPONENSIAL Volume 4, Nomor 1, Mei 2013

periode penelitian, dalam satuan waktu tertentu


yaitu hari. Variabel respon dikategorikan menjadi:
,, merupakan data tidak tersensor jika pasien
rawat inap dinyatakan sembuh karena
keadaan membaik dan berada dalam batas
periode penelitian.
,merupakan
merupakan data tersensor jika pasien rawat
inap mengalami failure event seperti
meninggal, pindah rumah sakit, atau
melebihi batas akhir penelitian.
Variabel prediktor yang digunakan dalam
penelitian ini adalah:
a. Variabel Jenis Kelamin () (11= Laki-Laki,
0= Perempuan).
b. Variabel Usia (), merupakan usia/umur
(tahun) pasien saat memulai pengobatan.
c. Variabel Trombosit () (1=
1= dibawah normal
(< 150.000/mm3), 0= normal (150.000(150.000
400.000/mm3)).
Teknik analisis data yang digunakan dalam
penelitian ini adalah analisis uji hidup yaitu
menggunakan metode semiparametrik dimana
pola sebaran datanya berdistribusi Gamma.
Dalam penelitian ini, analisis data dilakukan
dengan langkah-langkah
langkah sebagai berikut:
1. Mendeskripsikan karakteristik pasien rawat
inap demam berdarah dengue (DBD) yang
diteliti.
2. Menduga distribusi data uji hidup dengan
berdasarkan nilai Anderson-Darling
Darling terkecil.
3. Memeriksa asumsi proportional hazard untuk
setiap variabel prediktor. Asumsi ini dapat
terpenuhi dengan melihat pola plot antara
log{-log } terhadap t untuk tiap variabel
penjelas. Jika garis antar kategori sejajar maka
asumsi dapat dikatakan terpenuhi. Dalam hal
ini digunakan software SPSS 16.0.
4. Menentukan distribusi variabel t dan
mengestimasi parameternya.
5. Mengestimasi fungsi ketahanan dan fungsi
hazard.
6. Mengestimasi parameter model dibantu
software WinBUGS 1.4.3.
7. Menginterpretasikan model yang diperoleh.
8. Menyimpulkan hasil analisis.
Hasil dan Pembahasan
Dalam penelitian ini jenis sensor yang
digunakan adalah sensor kanan dengan = 6 hari
karena demam berdarah dengue umumnya
lamanya sekitar enam atau tujuh hari dengan
puncak demam yang lebih kecil terjadi pada akhir
masa demam.
Waktu uji hidup dikategorikan sebagai data uji
hidup tidak tersensor = 1) jika seorang pasien
masuk rawat jalan hingga dinyatakan sembuh
karena keadaan membaik dan dalam batas periode
penelitian (T 6). Sedangkan jika seorang pasien
rawat inap sampai dengan batas periode penelitian
dihitung dari pasien masuk Rumah Sakit hingga

12

ISSN 2085-7829

pasien belum dinyatakan sembuh karena keadaan


membaik mengalami hal-hal
hal melebihi batas akhir
penelitian (T > 6), pasien meninggal, dan pasien
pindah Rumah Sakit maka data uji hidup
dikatakan data tersensor = 0).
Penelitian ini terdapat 165 data dengan 49
data yang tergolong dalam data tersensor.
Sehingga dapat disimpulkan bahwa data uji hidup
pada penelitian ini ada sebanyak 116 data.
Analisis statistika deskriptif untuk waktu uji
hidup, dan usia adalah rata
rata-rata, variansi,
minimum, median, dan maksimum. Berikut
adalah hasilnya setelah dilakukan sensor.
Tabel 1.. Analisis Deskriptif Waktu Uji Hidup dan Usia
Deskriptif
Waktu uji hidup
Usia
(hari)
(tahun)
Rata-rata
4,35
26,09
Standar deviasi
1,073
15,154
Minimum
1
0
Median
5
23
Maksimum
6
71

Tabel 1 memberikan informasi bahwa nilai


rata-rata
rata lama rawat inap (waktu uji hidup) pasien
adalah 5 hari dengan standar deviasinya sebesar 2
hari. Rawat inap minimum adalah satu hari dan
maksimum adalah 6 hari. Rata
Rata-rata usia pasien
adalah 27 tahun dengan
an standar deviasi 16 tahun
dan usia pasien paling muda adalah 0 tahun dan
yang paling tua adalah 79 tahun.
Jenis Kelamin
Berikut adalah persentase jenis kelamin pasien
penderita DBD yang di rawat di RSUD A.W.
Sjahranie Samarinda setelah sensor. Pada gamb
gambar,
terlihat bahwa sebanyak 45% laki
laki-laki dan 55%
perempuan. Maka dari 116 pasien penderita DBD,
laki-laki
laki sebanyak 64 pasien dan perempuan
sebanyak 52 pasien.
Jenis Kelamin

45%

55%
L
P

Gambar 1 Pie Chart jenis kelamin


Jumlah Trombosit
Trombosit dalam kondisi normal 150.000400.000/ml. Tanda-tanda
tanda ketika seseorang terkena
DBD adalah ketika jumlah trombosit dalam tubuh
kurang dari 150.000/ml. Berikut adalah analisis
untuk trombosit dari pasien penderita DBD
setelah sensor.

Program Studi Statistika


ika FMIPA Universitas Mulawarman

Jurnal EKSPONENSIAL Volume 4, Nomor 1, Mei 2013

ISSN 2085-7829

Trombosit

79%

21%

di bawah
normal
normal

Gambar 3. Plot log{--log } untuk


variabel jenis kelamin

Gambar 2. Pie Chart jumlah trombosit


Dari Gambar 2 diketahui bahwa dari 116 pasien
penderita DBD sebanyak 92 pasien yang jumlah
trombositnya dibawah normal, dan sisanya
sebanyak 24 pasien dengan jumlah trombosit
normal.

2.

Pendugaan Distribusi
Pendugaan distribusi digunakan untuk
mengetahui distribusi data uji hidup yang
digunakan. Uji distribusi data pada variabel
dependent (t) atau waktu uji hidup dilakukan
dengan menggunakan statistik uji AndersonAnderson
Darling. Berikut adalah hasil analisisnya.
Tabel 2. Pengujian Distribusi Data terhadap Waktu
Uji Hidup
Distribusi
Nilai Anderson-Darling
Anderson
Eksponensial
30,491
Gamma
2,338
Log-Logistik
2,444
Log-Normal
2,501
Weibull
3,364

Tabel 2 menunjukkan bahwa nilai


Anderson-Darling
Darling yang paling kecil adalah pada
distribusi Gamma, yaitu sebesar 2,338. Sehingga
dapat dikatakan bahwa data waktu uji hidup
pasien rawat inap demam berdarah dengue
berdistribusi Gamma.
Uji Asumsi Proportional Hazard
azard
Pemeriksaan asumsi proportional hazard
dilakukan sebelum penentuan model. Asumsi ini
dapat terpenuhi dengan melihat pola plot antara
log{-log } terhadap waktu uji hidup (t) untuk
tiap variabel penjelas, yaitu variabel jenis kelamin
dan jumlah trombosit. Jika garis antar kategori
sejajar atau tidak bersilangan maka asumsi dapat
dikatakan terpenuhi dan variabel penjelas yang
bersifat kategori dapat dimasukkan dalam model.
1. Variabel jenis kelamin
Berdasarkan Gambar 3, diketahui plot log{log{
log } untuk variabel jenis kelamin
menunjukkan bahwa garis antar kategorinya
sejajar maka asumsi proportional hazard untuk
variabel jenis kelamin telah terpenuhi.

Variabel jumlah trombosit

Gambar 4. Plot log{-log


log } untuk
jumlah trombosit

Berdasarkan Gambar 44, diketahui plot log{log } untuk variabel jumlah trombosit
menunjukkan bahwa garis antar kategorinya
sejajar maka asumsi proportional hazard untuk
variabel jumlah trombosit telah terpenuhi.
Estimasi Fungsi Ketahanan dan Fungsi Hazard
Diperoleh
iperoleh estimasi parameter distribusi
Gamma dengan pendekatan Bayesian adalah
dan 72
72. Berdasarkan hasil
estimasi parameter untuk distribusi Gamma
Gamma,
kemudian digunakan persamaan ((4), (8) dan (9)
maka fungsi kepadatan peluang, ketahanan
ketahanan, dan
hazardnya
nya didapatkan sebagai berikut:
Tabel 3. Estimasi Fungsi Ketahanan dan
Fungsi Hazard
t
f(t)
S(t)
H(t)
1
0,02699
0,86645
0,03115
2
0,03346
0,83582
0,04003
3
0,03661
0,80060
0,04573
4
0,03808
0,76315
0,04990
5
0,03851
0,72478
0,05314
6
0,03827
0,68635
0,05576
7
0,03756
0,64840
0,05793

Berdasarkan Tabel 3 dari fungsi ketahanannya


menunjukkan bahwa semakin lama pasien
menderita penyakit DBD, maka probabilitas
kesembuhan pasien semakin rendah dan dari
fungsi hazard menunjukkan bahwa semakin lama
pasien menderita penyakit DBD, maka semakin
tinggi pula probabilitas pasien untuk menderita
penyakit DBD. Hal ini berarti bahwa semakin
lama pasien menderita penyakit DBD maka

Program Studi Statistika FMIPA Universitas Mulawarman

13

Jurnal EKSPONENSIAL Volume 4, Nomor 1, Mei 2013

kemampuan bertahan pasien terhadap penyakit


tersebut semakin rendah dan begitu pula
sebaliknya, laju kesembuhan pasien semakin
tinggi. Dari Tabel 3 diperolehh grafik fungsi
ketahanan dan hazardnya,
nya, sebagai berikut.

ISSN 2085-7829

jenis kelamin. Nilai parameter dianggap


signifikan pada taraf 5% apabila nilai confidence
interval (interval
al kepercayaan) parameternya
tidak mengandung nilai nol. Sehingga dilakukan
estimasi kembali dengan mengeluarkan variabel
yang tidak signifikan yakni variabel jenis
kelamin, dan hasilnya seperti berikut:
Tabel 5. Estimasi Parameter Model 2
Para

Rata-

Deviasi

Rata

Standar

(Mean)

(SD)

-0,01976
-0,45410

meter

Gambar 5. Grafik fungsi ketahanan dan hazard


Berdasarkan Gambar 5 diketahui bahwa lama
pasien menderita penyakit DBD dari hari pertama
hingga hari ketujuh nilai ketahanannya
mengalami
penurunan
atau
probabilitas
kesembuhan
esembuhan pasien semakin rendah, dan lama
pasien menderita penyakit DBD dari hari pertama
hingga hari ketujuh nilai hazardnya
nya mengalami
peningkatan atau probabilitas pasien untuk
menderita penyakit DBD semakin tinggi.
Model proportional hazard Cox pada
penelitian ini adalah
() = (t)exp ( + + )

dimana,
= Variabel jenis kelamin, i={1,
{1, 2}
(= 1 jika jenis kelamin pasien laki-laki,
laki
= 0 jika perempuan).
= Variabel usia.
= Variabel jumlah trombosit, j={1,
{1, 2}
(= 1 jika jumlah trombosit pasien
dibawah normal, = 0 normal).
Berikut merupakan hasil estimasi parameter
model
dengan
menggunakan
pendekatan
Bayesian yang dihasilkan oleh paket program
WinBugs.
Tabel 4. Estimasi Parameter Model 1
Para
meter

RataRata
(Mean)
-0,1163
0,01974
-0,4433

Deviasi
Standar
(SD)
2,469
0,00792
0,219

Tingkat
Kesalahan

Interval Kepercayaan
2,5%

97,5%

0,07692

-0,4336
0,4336

0,3474

6,08E-04
0,01782

-0,0338
0,0338
-0,8839
0,8839

-0,0058
-0,0014

Dari Tabel 4 estimasi parameter model


menggunakan pendekatan Bayesian diperoleh
model sebagai berikut:
() = 
)
Model di atas belum dapat digunakan karena
dari hasil estimasi
stimasi parameter pada Tabel 4
diketahui bahwa dari tiga variabel jenis kelamin,
usia, dan jumlah trombosit terdapat nilai estimasi
parameter yang tidak signifikan, yakni variabel

14

Interval Kepercayaan
Tingkat
Kesalahan

2,5%

97,5%

0,007892

5,67E-04
04

-0,0334

-0,006557

0,220600

0,01764

-0,8757

-0,007437

Dari Tabel 5 estimasi parameter model yang


ke-2 menggunakan pendekatan Bayesian dengan
mengeluarkan variabel jenis kelamin diperoleh
nilai dari kedua parameter telah signifikan
sehingga modelnya sebagai berikut:
() = (t)exp (0,01976
01976 )

Interpretasi berdasarkan model di atas adalah


variabel usia () memiliki nilai =0,01976
dan exp()=0,98043
0,98043 menunjukkan bahwa risiko
pasien untuk menderita penyakit DBD ketika usia
pasien satu tahun lebih tua adalah sebesar
1/0,98043 atau 1,01996 kali dari pasien yang
berusia satu tahun lebih muda. Sehingga, ddapat
dikatakan bahwa semakin tua usia seorang pasien,
maka untuk mencapai sembuh semakin lama.
Sedangkan untuk variabel jumlah trombosit (()
memiliki nilai =0,45410 dan exp(
exp()=0,63502
menunjukkan bahwa
risiko pasien untuk
menderita penyakit DBD ketika
ika jumlah trombosit
pasien dibawah normal adalah sebesar 1/0,63502
atau 1,57476 kali dari pasien yang memiliki
jumlah trombosit normal. Sehingga, laju
kesembuhan pasien DBD dengan jumlah
trombosit dibawah normal cenderung lebih lama
apabila dibandingkan dengan pasien yang
memiliki jumlah trombosit normal.
Kesimpulan
Berdasarkan hasil dan pembahasan, diperoleh
kesimpulan bahwa model proportional hazard
Cox pada pasien rawat inap demam berdarah
dengue di Rumah Sakit Umum Daerah A. W.
Sjahranie Samarinda
inda dengan pendekatan Bayesian
adalah:

() = (t)exp (0,01976
)

Faktor-faktor yang mempengaruhi laju


kesembuhan pasien demam berdarah dengue di
Rumah Sakit Umum Daerah A. W. Sjahranie
Samarinda adalah usia pasien dan jumlah
trombosit. Dimana,
mana, semakin tua usia seorang
pasien, maka untuk mencapai sembuh semakin
lama dan laju kesembuhan pasien DBD dengan
jumlah trombosit dibawah normal cenderung

Program Studi Statistika


ika FMIPA Universitas Mulawarman

Jurnal EKSPONENSIAL Volume 4, Nomor 1, Mei 2013

ISSN 2085-7829

lebih lama apabila dibandingkan dengan pasien


yang memiliki jumlah trombosit normal.
Daftar Pustaka
Abadi, A., Saadat, S., Yavari, P., Bajdik, C., and
Jalili, P. 2011. Comparison of Aalens
Additive and Cox Proportional Hazards
Models for Breast Cancer Survival: Analysis
of Population Based Data from British
Columbia, Canada. Asian Pacific Journal of
Cancer Prevention, Vol. 12.
Bender, R., Augustin, T., and Blettner, M. 2005.
Generating Survival Times to Simulate Cox
Proportional Hazard Models. Statistics in
Medicine 24:1713-1723.
Congdon, Peter. 2003. Applied Bayesian
Modelling. England: Wiley.
Gail, M., Krickeberg, K., Samet, J., Tsiatis, A.,
and Wong W. 2005. Statistics for Biology and
Health. United States of America (USA):
Springer.
Kleinbaum, David G., and Klein, Mitchel. 2005.
Survival Analysis A Self-Learning Text Second
Edition. New York: Springer.
Koch, Karl-Rudolf. 2007. Introduction to
Bayesian Statistics Second, updated, and
enlarged edition. Bonn: Springer.
Lawless, Jerald F. 2003. Statistical Models and
Methods for Lifetime Data Second Edition.
Canada: Wiley.
Lee, Elisa T. and Wang, John Wenyu. 2003.
Statistical Methods for Survival Data Analysis
Third Edition. Canada: Wiley.
Nisa, Shofa F. dan Budiantara, I Nyoman. 2012.
Analisis
Survival
dengan
Pendekatan
Multivariate Adaptive Regression Splines
pada Kasus Demam Berdarah Dengue (DBD).
Jurnal Sains dan Seni ITS, Volume 1, Nomor
1, D:318-323.
Thamrin, Sri Astusi. 2008. Penggunaan Model
Resiko Proportional Cox dengan Pendekatan
Bayesian Semiparametrik menggunakan Prior
Proses Gamma. Paradigma, Vol 12 No.1,
halm. 29-38.

Program Studi Statistika FMIPA Universitas Mulawarman

15

Jurnal EKSPONENSIAL Volume 4, Nomor 1, Mei 2013

16

ISSN 2085-7829

Program Studi Statistika FMIPA Universitas Mulawarman

Anda mungkin juga menyukai