Anda di halaman 1dari 17

BAB II

LANDASAN TEORI

2.1 Kanker Rongga Mulut


Rongga mulut adalah suatu rongga terbuka tempat masuknya makanan dan air pada
hewan [5]. Mulut terletak di kepala dan merupakan bagian awal dari sistem pencernan yang
berakhir di anus. Rongga mulut merupakan bagian dari sistem pencernaan yang sangat
penting, dalam rongga mulut makanan diproses untuk menghasilkan sumber energi yang
digunakan dalam aktifitas.

Gambar 2.1 Rongga Mulut [11]

Menjaga kesehatan rongga mulut perlu dilakukan agar proses pencernaan tidak terganggu.
Kesehatan rongga mulut erat kaitannya dengan kebersihan rongga mulut dan menjaga
kebersihan rongga mulut dapat mengurangi resiko terkena kanker rongga mulut. Menurut [6],
kanker rongga mulut adalah keganasan yang terjadi di dalam rongga mulut yang dibatasi oleh
bibir dibagian depan dan langit-langit mulut bagian belakang. Kanker rongga mulut dapat
5

meliputi kanker bibir, gusi, lidah, pipi, dasar mulut, dan langit mulut. Adapun ciri-ciri dari
kanker rongga mulut adalah sebagai berikut:
1. Adanya luka atau sakit pada wajah, leher, sariawan dalam mulut yag tidak hilang
dalam waktu 2 minggu.
2. Pembengkakan, perbesaran maupun benjolan pada gusi, bibir dan bagian lain di
3.
4.
5.
6.

2.1.1

dalam mulut.
Bercak putih, merah atau gelap di dalam mulut.
Peredaran yang berulang dari gusi atau luka dalam mulut
Rasa kebal di sekitar wajah, mulut, dan leher.
Gigi-gigi yang goyang tanpa penyebab yang jelas.

Karakteristik Pasien Kanker Rongga Mulut


Walaupun peneliti belum menemukan penyebab penyakit kanker rongga mulut, akan

tetapi ada beberapa karakteristik pasien yang diduga mempengaruhi waktu ketahanan
hidupnya. Adapun berdasarkan penelitian kedokteran, karakteristik-karakteristik pasien yang
diduga mempunyai hubungan terhadap waktu ketahanan hidup adalah umur pasien kanker
rongga mulut, jenis kelamin, lokasi tempat tumbuhnya kanker rongga mulut pada pasien,
kebiasaan merokok, kebiasaan mengkonsumsi alkohol, ukuran tumor primer pada awal
diagnose, pembesaran kelenjar getah bening yang telah terjangkit sel kanker, ada atau
tidaknya penyebaran sel kanker ke organ sekitar, tingkat stadium penderita kanker, molekul
Ki67 yang dapat dengan mudah terdeteksi dalam sel berkambang untuk memperoleh
pemahaman tentang tingkat dimana sel-sel di dalam tumor yang terus berkembag, gen
Genp53 adalah gen yang menyebabkan timbulnya kanker, derajat keganasan tumor
(Grading), dan terapi yang dijalankan oleh pasien penderita kaker rongga mulut.

2.2 Definisi Data Survival dan Jenis-jenis Penyensoran


6

Data survival adalah data tentang pengamatan jangka waktu dari awal pengamatan
sampai dengan terjadinya suatu event (peristiwa), peristiwa itu dapat berupa kematian,
respon, timbul gejala, dan lain-lain. Dalam hal ini terdapat dua titik yang penting untuk
diperhatikan, yaitu [3]:
1. Start point (waktu awal), yaitu pada saat terjadinya kanker awal, seperti waktu
seseorang divonis menderita kanker.
2. Failure time (waktu kegagalan), yaitu waktu pada saat terjadinya kejadian akhir,
seperti kematian.
Waktu awal dari setiap individu tidak harus sama, bisa saja suatu individu dimulai

sedangkan individu lainnya dimulai pada waktu

t2

t1

dan seterusnya. Tidak semua individu

dapat diamati waktu kegagalannya secara penuh. Sering dijumpai suatu individu tidak
mengalami kegagalan (failure time) yang disebut sensoring (censoring).
Jenis-jenis sensoring:
Ada tiga jenis sensoring yaitu [3]:
1. Tipe 1, waktu penelitian dalam selang waktu tertentu, sehingga individu-individu
yang tidak mengalami kegagalan dalam selang waktu tersebut tidak dapat ditentukan
waktu hidupnya secara pasti.
2. Tipe 2, dalam suatu penelitian telah ditetapkan proporsi kegagalan yang diamati,
misal penelitian berjalan sampai 80% individu gagal.
3. Tipe 3, dalam percobaan klinis biasanya periode penelitian ditentukan sedangkan
pasien datang pada waktu yang berbeda-beda sehingga ada pasien yang tidak diamati
secara penuh.

Sensoring tipe 1 dan 2 sering disebut singly censored data sedangkan tipe 3 sering disebut
progressively censored data atau random censoring. Dalam penelitian ini, data yang
digunakan termasuk sensor tipe 3.

Gambar 2.2 Data Tersensor Tipe 3


Adapun sebab-sebab terjadinya data tersensor adalah sebagai berikut [3]:
1. Loss Follow Up
Pasien yang sedang diamati memutuskan untuk berpindah tempat dan tidak dapat lagi
untuk observasi.
2. Drop Out
Pasien yang sedang diamati tetap di tempat tetapi menolak untuk melanjutkan
observasi lagi.
3. Withdrawn
Pasien yang diamati meninggal bukan karena peristima yang akan diamati.

2.3 Analisis Survival


Secara umum, analisis survival adalah kumpulan dari prosedur statistika untuk
menganalisis data dimana variabel outcome yang diteliti adalah waktu sampai suatu kejadian
muncul [3]. Analisis survival sering digunakan dalam bidang kesehatan, asuransi maupun
demografi.
Analisis survival dapat dijelaskan dalam tiga fungsi dari waktu ketahanan. Misalkan T
adalah variabel acak non-negatif yang menggambarkan waktu sampai suatu kejadian terjadi
dari pasien. Distribusi probabilitas dari T dapat ditentukan sebagai berikut:
8

1. Fungsi Densitas
Misal variabel acak kontinu T didefinisikan sebagai waktu survival dan misalkan
f (t)

merupakan probability density function (PDF) yang didefinisikan sebagai

[2] :
f (t) adalah fungsi yang non-negatif
f (t) 0 untuk setiap t 0

1.

f ( t) dt=1

2.

P ( a<t< b )= f (t)dt

3.

Sehingga fungsi kumulatif dari T adalah :


F ( t )=P

yang bertahan hidup


(kurangpasien
dari atau samadengan waktu t )

F ( t )=P(T t ) ,

(2.1)

atau
t

F ( t )= f ( x)dx , untuk t> 0


0

2. Fungsi Survivor
Fungsi Survivor,

S (t)

adalah fungsi yang menyatakan probabilitas

seseorang bertahan hidup hingga atau lebih dari waktu t, yang didefinisikan sebagai
berikut [1]:
S ( t )=P pasien yang bertahan hidup
lebih lama dari waktu t

S ( t )=P (T >t )

1P(T t )
1F (t )

(2.2)

Teorema 1:
S ( t )=P (T >t ) , maka fungsi densitas dari T

Jika fungsi Survivor S dengan


adalah f dengan [1]:
dS ( t )
f ( t )=
dt

(2.3)

Bukti:

S ( t )= f ( x )dx
t

f ( x ) dx+ f ( x ) dx=1

Karena

[ ]

, maka

f ( x ) dx=1S ( t )

f ( x ) dx

dt
f ( t )=

d [1S (t)]
dt

dS(t )
dt

3. Fungsi Hazard
Fungsi Hazard adalah fungsi yang menyatakan peluang seseorang meninggal
pada interval waktu

sampai

bertahan hidup hingga waktu t


P
h ( t ) = lim

t 0

, dengan syarat bahwa seseorang itu telah

atau lebih, fungsinya diberikan sebagai berikut:

pasienmeninggal dalam interval ( t ,t + t )


( jika diketahui
pasien sudah bertahanhidup sampai t )
t

t 0

h(t )= lim

+t

P ( t T <t+ t|T t )
t

(2.4)

Dari definisi di atas diperoleh hubungan antara fungsi Survivor dengan fungsi Hazard.
Dengan meggunakan definisi peluang bersyarat, diperoleh [1]:
P(t T < t+ t)
P (t T <t+ t|T t )=
P(T t)

10

F (t + t )F (t)
S(t )

(2.5)
Misal h ( t ) = tlim
0
Karena f ( t )=

f (t)
F ( t+ t )F (t) 1
h (t)=
,
maka
dapat
ditulis
s (t)
t
S (t)

dS ( t )
dt

d
maka h ( t ) = dt (logS(t))

Jika dan hanya jika log S (t)= h ( t ) dt=H (t )


Sehingga dapat ditulis S ( t )=exp ( H (t )) .

2.4 Distribusi Log-logistik


Variabel acak kontinu T berdistribusi Log-logistik dengan parameter

,k

jika

log (T ) berdistribusi logistic dengan fungsi densitas sebagai berikut [1]:

f ( t )=

k1

e kt
k 2
(1+e t )

(2.6)
Dan fungsi kumulatifnya adalah
t

k1
e ky
F ( t )=
dy
k 2
0 (1+e y )
k
Misal u=1+ e y

k1
maka du=k e y dy
t

Dengan demikian

F ( t )=
0

t
0

e k y k1 du
u2
k e y k1

1
du
=( 1+e y k ) t0
2
u

du
dan dy= ke y k1

e k y k1
dy
(1+e y k )2

(2.7)

1
k
1+ e t

e t k
1+ e t k
11

Jadi

F ( t )=

e t k
1+ e t k

(2.8)

Fungsi Survivor sebaran Log-logistik didefinisikan sebagai berikut [1]:


S ( t )=1F( t)
e tk
1
k
1+ e t

1+ e t k e t k
1+ e t k

1
k
1+ e t

(2.9)
Fungsi Hazard dari sebaran Log-logistik adalah [1]:
f (t) e k t k1 1+e t k
(
)
ht=
=
s (t) (1+e t k )2 1

k1

e kt
k
(1+e t )

(2.10)

2.5 Model Accelerated Failure Time (AFT) Log-logistik


Dalam analisis data survival, inti pembahasan adalah pengamatan terhadap individu atau
kelompok individu yang mengalami suatu kejadian tertentu yang terhenti secara tiba-tiba
karena ada faktor yang mempengaruhinya (seperti: sembuh dan meninggal dunia) yang
menyebabkan pengamatan terhadap kejadian tersebut disebut Failure Time (waktu
kegagalan). Jika kejadian terhenti lebih cepat dari dugaan waktu sebelumnya maka disebut
Accelerated Failure Time (AFT) / waktu kegagalan yang dipercepat.
Model AFT fungsi hazard secara umum adalah [1]:
hi ( t ) =ei h0 ( ei t ) ,

(2.11)

dimana :
h0 ( t )

menyatakan fungsi Hazard awal


12

hi ( t )

menyatakan fungsi Hazard ke-i

i menyatakan

1 x 1 i+ 2 x2 i ++ p x pi dengan i=1, 2, , n

n menyatakan jumlah sampel penderita kanker rongga mulut


x pi menyatakan variabel ke-p dengan karakteristik ke-i
p menyatakan nilai penduga untuk setiap karakteristik
Dan model Accelerated Failure Time fungsi Survivor secara umum adalah [1] :

S i ( t )=

f i (t)
hi (t ) ,

(2.12)
S i ( t ) menyatakan fungsi Survivor ke-i

dimana :

hi ( t )

menyatakan fungsi Hazard ke-i

Sehingga model AFT fungsi Hazard Log-logistik didefinisikan sebagai berikut [1]:
hi ( t ) =ei h0 ( ei t )

e k ( ei t )

k 1
k

1+ e ( ei t )

eki k t k1
ki k
1+ e
t

(2.13)
Dan model AFT fungsi Survivor Log-logistik adalah :
13

S i ( t )=

1
1+e

(2.14)

ki k

Dari persamaan di atas dapat diketahui bahwa waktu bertahan hidup individu menyebar
mengikuti distribusi Log-logistik dengan parameter (ki, k ) .

2.6 Bentuk Log-linier dari Model Accelerated Failure Time (AFT) Log-logistik
Untuk memudahkan dalam menganalisis data survival dalam menafsirkan pendugaan
parameter maka diperlukan representasi model Accelerated Failure Time Log-logistik dalam
bentuk log-linier. Tafsiran log-linier adalah kumpulan dari peubah acak dengan waktu
bertahan hidup T i

didefinisikan sebagai berikut [1]:

T i = + 1 x 1i + 2 x 2 i ++ p x pi + i
,
log

dengan :

Ti

(2.15)

menyatakan waktu survival penderita kanker rongga mulut

menyatakan parameter intersep (perpotongan)

menyatakan standar deviasi dari waktu survival (scale)

p menyatakan penduga untuk karakteristik ke-i dalam bentuk log-linier


i

menyatakan nilai residual ke-i dengan distribusi probabilitasnya

bergantung
pada distribusi yang digunakan pada T i

14

Menggunakan definisi fungsi survivor, maka


S i ( t )=P( T i t )

P(log T i log t )

P i

log t 1 x 1i 2 x 2i p x pi

(2.16)

Persamaan di atas adalah bentuk umum dari tafsiran log-linier.


Jika

S i ( )

adalah fungsi survivor untuk variabel acak

pada model persamaan log-

linier (2.15), maka fungsi survivor S i (t) pada persamaan (2.16) dapat dinyatakan dengan:

S i ( t )=S i

( logt x x x )
1

1i

2i

pi

(2.17)
Karena pada distribusi Log-logistik mengasumsikan

log t

berdistribusi logistik, maka

diasumsikan berdistribusi logistik juga. Maka fungsi densitas peluang dari fungsi

survivor

f ( )=

adalah :

e
1
dan S ( )=
2

(1+e )
1+e

Dengan menggunakan persamaan (2.17), maka diperoleh fungsi survivor dari T i

(2.18)

adalah
15

logt 1 x 1i 2 x 2i p x pi
S i ( t )= 1+exp

))

(2.19)
Persamaan di atas adalah tafsiran log-linier dari sebaran logistik. Fungsi survivor untuk i
individu

yang

menyebar

Log-logistik

dengan

(k i , k)

parameter

dengan

i= 1 x1 i + 2 x 2 i+ + p x pi .
Fungsi survivor dari T adalah :
S i ( t )=

1
1+e

(2.20)

k i k

Dengan membandingkan fungsi survivor T dan persamaan (2.19), dapat dilihat bahwa
1
k i k

1+ e

1+exp

log t 1 x 1 i 2 x 2 i p x pi

))

Maka dapat ditulis

e k t k =exp
i

( logt x x x )
1

1i

2i

pi

dengan i= 1 x1 i + 2 x 2 i+ + p x pi , maka :

exp ( k ( 1 x 1 i + 2 x 2 i++ p x pi ) ) t k =exp

( log t x x x )
1

[ (

log [ exp ( k ( 1 x1 i + 2 x 2 i ++ p x pi ) ) t k ]=log exp

1i

2i

pi

log t 1 x 1 i 2 x 2 i p x pi

)]
16

1 x 1 i+ 2 x2 i ++ p x pi +k log t=

log t i x pi
+

Dengan demikian diperoleh :

x
x

log t
1
1
, k log t=
k = ,k ( i x pi )= i pi ( i x pi ) = i pi

i= i

(2.21)

2.7 Model Propotional Odds (PO) Log-logistik


Untuk menentukan seberapa besar rasio atau resiko ketahanan hidup penderita kanker
rongga mulut, maka digunakan model propotional odds, secara umum Odds didefinisikan
sebagai berikut :
Odds=

S (t)
1S(t )

(2.22)
Dengan menggunakan persamaan (2.9) maka Odds dari distribusi Log-logistik adalah:
k 1

S(t )
(1+e t )
=
1S (t) 1(1+ e t k )1

1 1+e t k
1+ e t k e t k

e t k

(2.23)

17

Log Odds untuk individu yang bertahan hidup lebih dari t diperoleh dengan
memberikan logaritma pada persamaan (2.23) :

log

S (t )
( 1S(t)
)=log (e t )
k

k log t

(2.24)

Secara umum model Propotional Odds untuk individu yang bertahan hidup lebih dari
t didefinisikan sebagai berikut [1] :
Si (t )
S 0 (t)

=e
1S i (t)
1S0 (t )
i

(2.25)
dengan

i= 1 x1 i + 2 x 2 i+ + p x pi , adalah kombinasi linier variabel penjelas.

S 0 (t)

adalah fungsi Survivor awal, jika nilai variabel penjelas sama dengan nol. Untuk
mendapatkan model Propotional Odds Log-logistik, dapat digunakan Odds. Dari persamaan
(2.23) diperoleh:
S(t )
=e t k
1S (t)

(2.26)

Substitusikan persamaan (2.23) ke persamaan (2.25) maka diperoleh:


Si (t )
k
=e t
1S i (t)
i

(2.27)

18

Berdasarkan persamaan di atas diketahui bahwa waktu bertahan hidup merupakan

distribusi log-logistik dengan parameter ( i , k ) .

Log Odds untuk individu yang bertahan hidup lebih dari t adalah:

log

S i (t)
=log ( e t k )
1Si (t)

ik logt

(2.28)

Karakteristik hazard rasio dari model propotional odds Log-logistik adalah:


e
( i1 ) S 0 (t )
1+

hi (t)
=
h0 (t )

(2.29)

Jika diasumsikan S 0 ( t )=1 , maka Hazard rasionya adalah e


.
i

Persamaan di atas menunjukkan bahwa parameter

digunakan pada kedua model yaitu

model Propotional Odds dan model Accelerated Failure Time.

2.8 Uji Signifikansi Data


1. Uji Kecocokan Distribusi

19

Pendugaan distribusi data dalam hal ini adalah waktu survival. Pengujian
tersebut dapat menggunakan uji Anderson-Darling untuk mengetahui distribusi yang
paling sesuai dari data [4], statistik ujinya adalah sebagai berikut:
n
1
2
A =n ( 2i1) [ ln F ( X i ) + ln(1F ( X n+1i)) ]
n i=1

(2.30)

Data dapat dikatakan mengikuti distribusi tertentu apabila nilai statistik AndersonDarling pada distribusi tersebut paling kecil daripada nilai statistik Anderson-Darling pada
distribusi lainnya.
2. Uji Simultan (Uji G)
Uji-G digunakan untuk menguji peranan variabel bebas di dalam model secara
bersama-sama, yaitu dengan hipotesis:
H 0 : 1= 2== k
H 1 :minimal ada satu j 0, j=1,2, , k

Statistik Uji:

G=2 ln

dengan

[ ]

L0

L0
Lk

(2.31)

merupakan fungsi kemungkinan tanpa variabel penjelas dan

merupakan fungsi kemungkinan dengan k variabel bebas. Apabila nilai

G> df ,

Lk

atau

pvalue< (0.05) , maka mengindikasi bahwa setidaknya ada satu variabel penjelas yang
berpengaruh nyata terhadap variabel terikat [1].
3. Uji Parsial (Uji Wald)
20

Uji wald digunakan untuk menguji peranan variabel penjelas secara parsial,
yaitu dengan hipotesis:
H 0 : j=0, j=1, 2, , k
H 1 :minimal ada satu j 0, j=1,2, , k
Statistik uji:
^
j
W j=
SE ( ^
j)

[ ]

(2.32)
Secara teori, nilai

Wj

akan mengikuti sebaran

pvalue< (0.05) , maka

2 . Jika

W j> 1,

atau

H 0 ditolak [1].

21