ANALISIS

SURVIVAL

BESRAL
Departemen Biostatistik
FKM UI 2006

BESRAL: Analisis Survival, FKM UI, 2006

Hal 1 dari 20

1. Analisis Tabel Kehidupan (Life Table) pada SPSS Windows

Prosedur Life Tables menghasilkan tabel kehidupan non parametrik dengan uji statistik yang
berkaitan. Anda juga dapat meminta plot ketahanan hidup (survival) dan hazard dan membandingkan
ketahanan hidup antar 2 kelompok. Pada prosedur Life Tables, SPSS akan membagi waktu
ketahanan hidup menurut interval yang Anda minta. Untuk meminta SPSS menghitung ketahanan
hidup hanya pada saat satu kejadian (event) terjadi, gunakanlah prosedur Kaplan-Meier.
Untuk menjalankan prosedur Life Tables, syarat minimal adalah:

Satu variabel waktu ketahanan hidup

Satu variabel status subyek, yang menjelaskan apakah satu kejadian (event) telah terjadi atau
sensor telah terjadi
Kode terjadinya kejadian (event) dan sensor
Interval waktu untuk perhitungan tabel kehidupan

Untuk menjalankan prosedur Life Tables, dari menu pilihlah:

Statistics atau Analize
Survival <
Life Tables ...
Kotak dialog Life Tables akan tampak seperti gambar 1

Pada kotak dialog tersebut Anda harus mengisikan:

Time. Pilihlah variabel yang berisi data waktu ketahanan hidup (survival time). Data pada variabel
ini menggambarkan berapa lama subyek tetap bertahan hidup sampai kejadian (event) terjadi atau
terjadi sensor.
Display Time Intervals. SPSS menggunakan waktu ke 0 sebagai awal untuk interval pertama pada
tabel kehidupan. Anda harus mengisikan waktu terakhir yang ingin ditampilkan dan interval waktu
BESRAL: Analisis Survival, FKM UI, 2006

Hal 2 dari 20

yang digunakan sebagai pembagi. Misalnya jika waktu ketahanan hidup diukur dalam tahun, isilah
10 untuk periode waktu 0 sampai dengan 10 tahun. Anda juga harus mengisikan interval waktunya.
Misalkan jika waktu ketahanan hidup diukur dalam tahun, isilah 1 untuk interval satu tahun.
Status. Isilah variabel yang menggambarkan status subyek, keterangan apakah satu kejadian telah
terjadi atau tidak. Anda juga harus memberitahu SPSS kode yang digunakan untuk kasus yang tidak
tersensor, misalnya kode 1 = event dan kode 0 = sensor.
Factor. SPSS akan membuat satu tabel kehidupan untuk seluruh data Anda. Jika Anda
menginginkan SPSS untuk membuat 2 atau lebih tabel kehidupan berdasarkan kelompok tertentu,
Anda dapat mengisikan variabel yang berisi data tentang pengelompokkan tersebut pada isian ini.
Anda juga harus mengisi kode nilai minimum dan maksimum dari variabel factor ini.
By Factor. Sebagai tambahan Anda dapat memilih faktor kedua. SPSS akan menghasilkan tabel
kehidupan untuk setiap kombinasi faktor 1 dan faktor 2. Anda juga harus mengisi kode nilai
minimum dan maksimum dari variabel factor ini.

Definisi Kejadian (Event) untuk Variabel Status

Untuk memberi keterangan, kode apa yang melambangkan satu kejadian (event) telah terjadi,
letakkan kursor pada variabel status dan klik Define Event.... Kotak dialog Life Table Define Event
for Status Variable akan tampak seperti gambar 2.

Satu nilai atau interval dapat digunakan sebagai kode bahwa satu kejadian (event) telah terjadi.
Kasus dengan kode lain akan dianggap sebagai kasus tersensor. Isilah Single value atau Range of
value untuk kode terjadinya kejadian (event).

Definisi Jangkauan (Range) pada Variabel Faktor

Untuk tiap variabel faktor, Anda harus memberitahu level dari faktor yang ingin diikutsertakan
dalam analisis. Letakkan kursor pada faktor dan klik Define Range.... pada kotak dialog Life Tables.
Kotak dialog Life Tables Define Range for Factor Variable akan tampak seperti gambar 3.

BESRAL: Analisis Survival, FKM UI, 2006

Hal 3 dari 20

Isilah kode untuk level paling rendah dan paling tinggi yang ingin digunakan. Tiap kode yang ada di
antara interval minimum-maksimum akan digunakan sebagai level dari faktor.

Tambahan
Untuk memperoleh plot waktu ketahanan hidup, perbandingan antar kelompok, atau tidak
menampilkan tabel kehidupan, klik pada Options... pada kotak dialog Life Tables. Kotak dialog
Life Tables Options akan tampak seperti gambar 4.

Plot. Untuk plot SPSS akan menganggap kasus yang ada berasal dari satu kelompok, kecuali Anda
telah menentapkan variabel faktor. Jika Anda memiliki satu variabel faktor, SPSS akan
menggambarkan plot untuk tiap kelompok. Anda memilih satu atau lebih plot sebagai berikut:
Survival. Menampilkan fungsi ketahan hidup kumulatif pada skala linier.
Hazard. Menampilkan fungsi hazard.
Log Survival. Menampilkan fungsi ketahan hidup kumulatif pada skala logaritmik.
Density. Menampilkan density function.
Compare Levels of First Factor. Uji Wilcoxon (Gehan) digunakan untuk membandingkan
distribusi waktu ketahanan hidup pada variabel faktor yang pertama. Anda dapat memilih satu dari
alternatif berikut ini:
None. Tidak dilakukan uji statistik antar kelompok.
Overall. Membandingkan distribusi waktu ketahanan hidup pada variabel faktor yang
pertama.
Pairwise. Membandingkan distribusi waktu ketahanan hidup pada tiap pasang variabel faktor
kedua untuk tiap level dari variabel faktor yang pertama.

Hasil Analisis Tabel Kehidupan dan Interpretasinya

Penelitian: Satu penelitian dilakukan di kalangan orang dewasa dengan kadar kolesterol tinggi. Pada
penelitian ini ingin dilihat faktor-faktor yang mempengaruhi terjadinya serangan penyakit jantung
koroner (PJK). Di antara faktor yang diteliti adalah berat badan, tekanan darah sistolik, kadar
BESRAL: Analisis Survival, FKM UI, 2006

Hal 4 dari 20

kolesterol darah, jumlah batang rokok yang dihisap per hari, dan tipe kepribadian (A atau B). Peneliti
melakukan follow-up subyek selama 10 tahun. Interval waktu sejak subyek ikut penelitian sampai
dengan terjadinya PJK atau sampai subyek keluar dari peneliti dicatat pada variabel TIME. Tipe
kepribadian dicatat pada variabel PERSON (0=tipe A, 1=tipe B). Analisis tabel kehidupan digunakan
untuk melihat perbedaan aktu ketahanan hidup antara subyek yang memiliki kepribadian tipe A
dengan subyek yang memiliki kepribadian tipe B. Hasil analisis dengan SPSS adalah sebagai berikut:
Interval upper limit
3300.00 changed to
3650.00
This subfile contains:
140 observations
Life Table
Survival Variable TIME for PERSON
=

Number

Number

Number

Number

Entrng

Wdrawn

Exposd

of

Propn

Propn

Propn

Proba-

Start

this

During

to

Termnl

Termi-

Sur-

Surv

bility

Hazard

Time

Intrvl

Intrvl

Risk

Events

nating

viving

at End

Densty

Rate

------

------

------

------

------

------

------

------

------

------

.0

68.0

.0

68.0

.0

.0000

1.0000

1.0000

.0000

.0000

365.0

68.0

.0

68.0

.0

.0000

1.0000

1.0000

.0000

.0000

Intrvl

Cumul

730.0

68.0

.0

68.0

4.0

.0588

.9412

.9412

.0002

.0002

1095.0

64.0

.0

64.0

.0

.0000

1.0000

.9412

.0000

.0000

1460.0

64.0

.0

64.0

.0

.0000

1.0000

.9412

.0000

.0000

1825.0

64.0

8.0

60.0

.0

.0000

1.0000

.9412

.0000

.0000

2190.0

56.0

.0

56.0

4.0

.0714

.9286

.8739

.0002

.0002

2555.0

52.0

20.0

42.0

.0

.0000

1.0000

.8739

.0000

.0000

2920.0

32.0

32.0

16.0

.0

.0000

1.0000

.8739

.0000

.0000

The median survival time for these data is 2920.0+

Intrvl
Start
Time
------.0
365.0
730.0
1095.0
1460.0
1825.0
2190.0
2555.0
2920.0

SE of
Cumul
Surviving
-----.0000
.0000
.0285
.0285
.0285
.0285
.0418
.0418
.0418

SE of
Probability
Densty
-----.0000
.0000
.0001
.0000
.0000
.0000
.0001
.0000
.0000

SE of
Hazard
Rate
-----.0000
.0000
.0001
.0000
.0000
.0000
.0001
.0000
.0000

Tabel di atas menunjukkan tabel kehidupan untuk kelompok subyek dengan kepribadian A (PERSON=0). Pada kolom
Intrvl Start Time Anda dapat melihat interval waktu yang digunakan untuk analisis tabel kehidupan. Pada baris pertama
interval waktu dimulai pada hari ke 0 dan berakhir pada hari ke 364, atau satu tahun. Pada kolom Number Entrng This
Intrvl, SPSS menampilkan jumlah subyek yang berhasil selamat sampai pada awal interval. Sebagai contoh pada baris
3, interval hari ke 730 sampai dengan 1094 (tahun ke 3), ada 68 subyek yang berhasil selamat sampai dengan awal
tahun ke 3. Pada kolom Number Withdrwn During This Intrvl ditampilkan jumlah subyek yang keluar dari penelitian
(withdrawn, loss of follow-up) pada interval ini. Pada tahun ke 3, tidak ada subyek yang keluar dari penelitian. Pada
kolom Number Exposd to Risk ditampilkan jumlah subyek yang berisiko. Jumlah subyek ini adalah jumlah subyek
yang berhasil selamat tiba pada awal interval dikurangi separuh dari subyek yang keluar dari penelitian pada interval
BESRAL: Analisis Survival, FKM UI, 2006
Hal 5 dari 20

tersebut. Kolom Number of Termnl Events menyatakan jumlah subyek yang mengalami kejadian, pada contoh ini
kejadian PJK. Pada tahun ke 3, ada 4 subyek yang mengalami PJK. Kolom Propn Terminating menyatakan proporsi
subyek yang mengalami kejadian PJK. Angka ini menggambarkan risiko terjadinya PJK pada interval tertentu. Pada
tahun ke 3, risiko untuk terjadinya PJK pada orang dengan kepribadian tipe A adalah 0.058 atau 5.8% jika orang tersebut
telah selamat tiba pada tahun ke 3. Kolom Propn Surviving menyatakan probabilitas subyek untuk tidak mengalami
PJK pada interval tertentu. Pada tahun ke 3, probabilitas subyek dengan kepribadian A untuk tidak terserang PJK adalah
0.9412 (atau 1-0.0588). Kolom Cumul Propn Surv at End menjelaskan survival rate pada akhir interval. Jadi pada baris
ke 3, 3 year survival rate terjadinya PJK pada subyek dengan kepribadian A adalah 0.9412. Dan 5 year survival rate
adalah 0.9412 dan 7 year survival rate 0.8739. Berarti pada tahun ke 7, 87.39% dari pasien dengan kepribadian A masih
bebas dari PJK. Median Survival Time menggambarkan median waktu ketahanan hidup, pada contoh ini adalah > 2990
hari.
Life Table
Survival Variable

TIME

for

PERSON

Number

Number

Number

Number

Cumul

Intrvl

Entrng

Wdrawn

Exposd

of

Propn

Propn

Propn

Proba-

Start

this

During

to

Termnl

Termi-

Sur-

Surv

bility

Hazard

Time

Intrvl

Intrvl

Risk

Events

nating

viving

at End

Densty

Rate

------

------

------

------

------

------

------

------

------

------

.0

72.0

.0

72.0

.0

.0000

1.0000

1.0000

.0000

.0000

365.0

72.0

.0

72.0

.0

.0000

1.0000

1.0000

.0000

.0000

730.0

72.0

4.0

70.0

.0

.0000

1.0000

1.0000

.0000

.0000

1095.0

68.0

.0

68.0

4.0

.0588

.9412

.9412

.0002

.0002

1460.0

64.0

.0

64.0

.0

.0000

1.0000

.9412

.0000

.0000

1825.0

64.0

4.0

62.0

8.0

.1290

.8710

.8197

.0003

.0004

2190.0

52.0

4.0

50.0

4.0

.0800

.9200

.7542

.0002

.0002

2555.0

44.0

12.0

38.0

4.0

.1053

.8947

.6748

.0002

.0003

2920.0

28.0

24.0

16.0

4.0

.2500

.7500

.5061

.0005

.0008

The median survival time for these data is 2920.0+

Intrvl
Start
Time
------.0
365.0
730.0
1095.0
1460.0
1825.0
2190.0
2555.0
2920.0

SE of
Cumul
Surviving
-----.0000
.0000
.0000
.0285
.0285
.0472
.0536
.0609
.0861

SE of
Probability
Densty
-----.0000
.0000
.0000
.0001
.0000
.0001
.0001
.0001
.0002

SE of
Hazard
Rate
-----.0000
.0000
.0000
.0001
.0000
.0001
.0001
.0002
.0004

Tabel di atas menggambarkan distribusi ketahanan hidup untuk subyek dengan kepribadian B (PERSON=1). Interpretasi
tabel di atas mirip dengan interpretasi tabel kehidupan untuk subyek dengan kepribadian A.
Comparison of survival experience using the Wilcoxon (Gehan) statistic
BESRAL: Analisis Survival, FKM UI, 2006

Hal 6 dari 20

Survival Variable
Overall comparison
Group
0
1

TIME
grouped by
statistic

label

Total N
68
72

PERSON
5.520 D.F.
Uncen
8
24

Cen
60
48

Prob.

Pct Cen
88.24
66.67

.0188

Mean Score
10.5882
-10.0000

Tabel di atas menguji distribusi waktu ketahanan hidup antara subyek yang memiliki kepribadian A dengan subyek yang
memiliki kepribadian B. Pada uji statistik Wilcoxon (Gehan), diperoleh nilai p=0.0188. Pada =0.05, kita dapat
menyatakan ada perbedaan distribusi waktu ketahanan hidup antara orang yang memiliki kepribadian A dengan orang
yang memiliki kepribadian B.

Survival Function
1.00
.95

Cumulative Survival

.90
.85
.80
.75
.70
.65

Personality

.60

Type B

.55

Type A

.50
0

365

730

1095 1460 1825 2190 2555 2920

TIME (days)
Grafik di atas membandingkan fungsi ketahanan hidup (survival function) antara orang dengan kepribadian A dan orang
dengan kepribadian B. Pada grafik terlihat ada perbedaan fungsi ketahanan hidup mulai pada hari ke 2190 atau tahun ke
7.

BESRAL: Analisis Survival, FKM UI, 2006

Hal 7 dari 20

2. Analisis Kaplan-Meier pada SPSS Windows

Prosedur Kaplan-Meier pada SPSS menghitung kurva ketahanan hidup dengan metode product-limit
estimate. Sama seperti metode Life Tables, prosedur Kaplan Meier juga meghasilkan tabel
kehidupan non parametrik dan dapat melakukan uji beda distribusi ketahanan hidup antar 2
kelompok. Tetapi pada metode Life Tables, SPSS akan membagi waktu ketahanan hidup menurut
interval tertentu, sedangkan Kaplan-Meier menghasilkan estimasi ketahanan hidup pada waktu
kejadian (event) terjadi.
Untuk menjalankan prosedur Kaplan-Meier, syarat minimal adalah:

Satu variabel waktu ketahanan hidup

Satu variabel status subyek, yang menjelaskan apakah satu kejadian (event) telah terjadi atau
sensor telah terjadi
Kode terjadinya kejadian (event) dan sensor

Untuk menjalankan prosedur Kaplan-Meier, dari menu pilihlah:

Statistics atau Analize
Survival <
Kaplan Meier....
Kotak dialog Kaplan Meier akan tampak seperti gambar 1.

Pada kotak dialog tersebut Anda harus mengisikan:

Time. Pilihlah variabel yang berisi data waktu ketahanan hidup (survival time). Data pada variabel
ini menggambarkan berapa lama subyek tetap bertahan hidup sampai kejadian (event) terjadi atau
terjadi sensor.
Status. Isilah variabel yang menggambarkan status subyek, keterangan apakah satu kejadian telah
BESRAL: Analisis Survival, FKM UI, 2006

Hal 8 dari 20

terjadi atau tidak. Anda juga harus memberitahu SPSS kode yang digunakan untuk kasus yang tidak
tersensor, misalnya kode 1 = event dan kode 0 = sensor.
Factor. SPSS akan membuat satu tabel kehidupan untuk seluruh data Anda. Jika Anda
menginginkan SPSS untuk membuat 2 atau lebih tabel kehidupan berdasarkan kelompok tertentu,
Anda dapat mengisikan variabel yang berisi data tentang pengelompokkan tersebut pada isian ini.
Anda juga harus mengisi kode nilai minimum dan maksimum dari variabel factor ini.
Strata. Variabel kategorikal untuk analisis stratifikasi. Analisis akan dilakukan pada tiap stratum
untuk tiap level dari variabel faktor.

Definisi Kejadian (Event) untuk Variabel Status

Untuk memberi keterangan, kode apa yang melambangkan satu kejadian (event) telah terjadi,
letakkan kursor pada variabel status dan klik Define Event.... Kotak dialog Kaplan-Meier Define
Event for Status Variable akan tampak seperti gambar 2.

Satu nilai atau interval dapat digunakan sebagai kode bahwa satu kejadian (event) telah terjadi.
Kasus dengan kode lain akan dianggap sebagai kasus tersensor. Isilah Single value atau Range of
value untuk kode terjadinya kejadian (event).
Membandingkan Antar Kelompok
Jika Anda memiliki variabel faktor, Anda dapat meminta SPSS untuk melakukan uji untuk
membandingkan distribusi ketahan hidup. Klik pada Compare Factor... pada kotak dialog KaplanMeier. Kotak dialog Kaplan-Meier Compare Factor Levels akan tampak seperti gambar 3.

BESRAL: Analisis Survival, FKM UI, 2006

Hal 9 dari 20

Test Statistics. Anda dapat memilih satu atau lebih uji statistik berikut untuk membandingkan
distribusi ketahanan hidup antar kelompok.
Log rank. Melakukan uji log rank (Mantel-Cox).
Breslow. Melakukan uji Breslow (generalized Wilcoxon).
Tarone-Ware. Melakukan uji Tarone-Ware.
Jika Anda ingin membadingkan semua level dari faktor, Anda dapat memilih:
Linear trend for factor levels. Menggunakan informasi tren untuk uji secara keseluruhan kesamaan
fungsi ketahanan hidup. Uji ini dapat dilakukan jika level dari faktor menunjukkan tingkatan yang
sebenarnya ada.
Untuk uji banding antar level faktor, Anda dapat memilih uji yang membandingkan semua level
faktor secara sekaligus atau uji antar pasangan pada level faktor. Anda dapat meminta penyatuan
hasil (pooling) antar strata atau uji terpisah untuk tiap stratum. Anda dapat memilih satu dari
alternatif berikut:
Pooled over strata. Membandingkan semua level faktor pada satu uji.
For each stratum. Melakukan uji terpisah untuk semua level faktor pada tiap stratum. Uji
hanya dapat dilakuka jika Anda memiliki variabel strata.
Pairwise over strata. Membandingkan tiap pasangan terpisah untuk level faktor.
Pairwise for each stratum. Membandingkan tiap pasangan terpisah dari level faktor untuk
tiap stratum.
Tambahan
Untuk memperoleh grafik plot waktu ketahanan hidup, perbandingan antar kelompok, atau tidak
menampilkan tabel kehidupan, klik pada Options... pada kotak dialog Kaplan-Meier. Kotak dialog
Kaplan-Meier Options akan tampak seperti gambar 4.

BESRAL: Analisis Survival, FKM UI, 2006

Hal 10 dari 20

Statistics. Statistik ditampilkan untuk tiap kombinasi dari level faktor dan stratum. Anda dapat
memilih satu atau lebih statistik berikut ini untuk ditampilkan:
Survival table(s). Menampilkan product-limit estimate dari ketahanan hidup, standar error,
frekuensi kumulatif kejadian, dan jumlah subyek berisiko.
Mean and median survival. Menampilkan mean dan median dari waktu ketahanan hidup
dengan standar error dan confidence interval.
Quartiles. Menampilkan persentil 25, 50 dan 75 beserta standar error untuk waktu ketahanan
hidup.
Plots. Jika Anda memiliki variabel stratifikasi, plot terpisah akan dibuat untuk tiap stratum. Anda
dapat memilih satu atau lebih plot berikut ini:
Survival. Menampilkan fungsi ketahan hidup kumulatif pada skala linier.
Hazard. Menampilkan fungsi hazard.
Log Survival. Menampilkan fungsi ketahan hidup kumulatif pada skala logaritmik.

Hasil Analisis Kaplan-Meier dan Interpretasinya

Penelitian: Satu penelitian dilakukan di kalangan orang dewasa dengan kadar kolesterol tinggi. Pada
penelitian ini ingin dilihat faktor-faktor yang mempengaruhi terjadinya serangan penyakit jantung
koroner (PJK). Di antara faktor yang diteliti adalah berat badan, tekanan darah sistolik, kadar
kolesterol darah, jumlah batang rokok yang dihisap per hari, dan tipe kepribadian (A atau B). Peneliti
melakukan follow-up subyek selama 10 tahun. Interval waktu sejak subyek ikut penelitian sampai
dengan terjadinya PJK atau sampai subyek keluar dari peneliti dicatat pada variabel TIME. Tipe
kepribadian dicatat pada variabel PERSON (0=tipe A, 1=tipe B). Analisis Kaplan-Meier digunakan
untuk melihat perbedaan waktu ketahanan hidup antara subyek yang memiliki kepribadian tipe A
dengan subyek yang memiliki kepribadian tipe B. Hasil analisis dengan SPSS adalah sebagai berikut:

BESRAL: Analisis Survival, FKM UI, 2006

Hal 11 dari 20

Survival Analysis for TIME

Factor PERSON = .00
Time

Status

1076.00
1076.00
1076.00
1076.00
1845.00
1845.00
1845.00
1845.00
1889.00
1889.00
1889.00
1889.00
2361.00
2361.00
2361.00
2361.00
2839.00
2839.00
2839.00
2839.00
2857.00
2857.00
2857.00
2857.00
2864.00
2864.00
2864.00
2864.00
2875.00
2875.00
2875.00
2875.00
2890.00
2890.00
2890.00
2890.00
2925.00
2925.00
2925.00
2925.00
2926.00
2926.00
2926.00
2926.00
2927.00
2927.00
2927.00
2927.00
2930.00
2930.00
2930.00
2930.00
2987.00
2987.00
2987.00
2987.00
3048.00
3048.00
3048.00
3048.00
3053.00
3053.00
3053.00
3053.00
3141.00
3141.00
3141.00
3141.00
Number of Cases:

1.00
1.00
1.00
1.00
.00
.00
.00
.00
.00
.00
.00
.00
1.00
1.00
1.00
1.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
68

Survival Time
Mean:
2967.09
(Limited to
3141.0 )
Median:
.

Cumulative
Survival

Standard
Error

.9412

.0285

.8739

.0418

Censored:

60

Standard Error

( 88.24%)

Number
Remaining

1
2
3
4
4
4
4
4
4
4
4
4
5
6
7
8
8
8
8
8
8
8
8
8
8
8
8
8
8
8
8
8
8
8
8
8
8
8
8
8
8
8
8
8
8
8
8
8
8
8
8
8
8
8
8
8
8
8
8
8
8
8
8
8
8
8
8
8
Events: 8

67
66
65
64
63
62
61
60
59
58
57
56
55
54
53
52
51
50
49
48
47
46
45
44
43
42
41
40
39
38
37
36
35
34
33
32
31
30
29
28
27
26
25
24
23
22
21
20
19
18
17
16
15
14
13
12
11
10
9
8
7
6
5
4
3
2
1
0

95% Confidence Interval

62.65

BESRAL: Analisis Survival, FKM UI, 2006

Cumulative
Events

2844.29,
.

3089.89 )
.

Hal 12 dari 20

Hasil analisis Kaplan-Meier berbeda dengan hasil analisis Life-Table. Pada tabel di atas, ketahanan
hidup kumulatif dihitung pada saat kejadian PJK terjadi. Jadi pada tabel di atas, untuk orang dengan
tipe kepribadian A (PERSON=0), ketahanan hidup kumulatif dihitung pada hari ke 1076, 2361, dan
seterusnya. Pada hari ke 1076, ketahanan hidup kumulatif adalah 0.9412, sedangkan pada hari ke
2361 adalah 0.8739. Waktu ketahanan rata-rata orang dengan kepribadian A adalah 2967.09 hari
dengan 95% confidence interval 2844.29 sampai dengan 3089.89 hari.
Survival Analysis for TIME
Factor PERSON = 1.00
Time

773.00
773.00
773.00
773.00
1257.00
1257.00
1257.00
1257.00
1825.00
1825.00
1825.00
1825.00
2042.00
2042.00
2042.00
2042.00
2059.00
2059.00
2059.00
2059.00
2296.00
2296.00
2296.00
2296.00
2424.00
2424.00
2424.00
2424.00
2613.00
2613.00
2613.00
2613.00
2840.00
2840.00
2840.00
2840.00
2862.00
2862.00
2862.00
2862.00
2881.00
2881.00
2881.00
2881.00
2940.00
2940.00
2940.00
2940.00
2943.00
2943.00
2943.00
2943.00
2959.00
2959.00
2959.00
2959.00
3000.00
3000.00
3000.00
3000.00
3009.00
3009.00
3009.00
3009.00
3044.00

Status

.00
.00
.00
.00
1.00
1.00
1.00
1.00
1.00
1.00
1.00
1.00
.00
.00
.00
.00
1.00
1.00
1.00
1.00
1.00
1.00
1.00
1.00
.00
.00
.00
.00
1.00
1.00
1.00
1.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00

Cumulative
Survival

Standard
Error

.9412

.0285

.8824

.0391

.8193

.0473

.7563

.0531

.6875

.0584

BESRAL: Analisis Survival, FKM UI, 2006

Cumulative
Events

Number
Remaining

0
0
0
0
1
2
3
4
5
6
7
8
8
8
8
8
9
10
11
12
13
14
15
16
16
16
16
16
17
18
19
20
20
20
20
20
20
20
20
20
20
20
20
20
20
20
20
20
20
20
20
20
20
20
20
20
20
20
20
20
20
20
20
20
20

71
70
69
68
67
66
65
64
63
62
61
60
59
58
57
56
55
54
53
52
51
50
49
48
47
46
45
44
43
42
41
40
39
38
37
36
35
34
33
32
31
30
29
28
27
26
25
24
23
22
21
20
19
18
17
16
15
14
13
12
11
10
9
8
7

Hal 13 dari 20

3044.00
3044.00
3044.00
3122.00
3122.00
3122.00
3122.00

.00
.00
.00
1.00
1.00
1.00
1.00

Number of Cases:

.0000

72

Mean:
Median:

.0000

Censored:

Survival Time

48

Standard Error

2781.95
3122.00

20
20
20
21
22
23
24

71.06
.00

( 66.67%)

6
5
4
3
2
1
0

Events: 24

95% Confidence Interval

(
(

2642.68,
. ,

2921.22 )
.
)

Tabel di atas menampilkan perhitungan ketahanan hidup untuk orang dengan kepribadian B
(PERSON=1). Interpreasi mirip dengan tabel untuk orang dengan tipe kepribadian A.
Survival Analysis for TIME

PERSON
PERSON

Total

Number
Events

68
72

8
24

60
48

88.24
66.67

140

32

108

77.14

.00
1.00

Overall

Number
Censored

Percent
Censored

Test Statistics for Equality of Survival Distributions for PERSON

Statistic
Log Rank

9.42

df

Significance

.0021

Tabel di atas menampilkan uji statistik Log Rank yang bermanfaat untuk membandingkan distribusi
ketahanan hidup antara orang dengan kepribadian A dan orang dengan kepribadian B. Pada uji
statistik tersebut diperoleh nilai p=0.0021. Dengan menggunakan =0.05, kita dapat menyimpulkan
bahwa ada perbedaan fungsi ketahanan hidup antara orang dengan kepribadian A dan orang dengan
kepribadian B.

BESRAL: Analisis Survival, FKM UI, 2006

Hal 14 dari 20

3. Analisis Regresi-Cox pada SPSS Windows

Metode statistik khusus harus digunakan untuk menganalisis penelitian yang menyangkut
prognostik penyakit. Pada penelitian prognostik, pada umumnya peneliti tidak dapat menunggu
sampai semua pasien meninggal untuk mengetahui ketahanan hidupnya secara pasti. Dari segi
statistik, masalah yang ada adalah observasi tersensor, keadaan dimana subyek diamati pada interval
waktu yang berbeda dan tidak semua subyek meninggal. Pada analisis tabel kehidupan dan Kaplan
Meier, peneliti dapat membandingkan waktu ketahanan hidup (prognosis) dari dua atau lebih
kelompok pada satu variable (bi-variabel). Tetapi pada penelitian kohort, seringkali peneliti ingin
tahu efek dari banyak variabel secara simultan (multi-variable).
Sebagai contoh, Khaw dan Barret-Connor (1987) ingin mengetahui apakah diet kalium
berpengaruh pada kematian akibat stroke, independen terhadap faktor risiko kardiovaskuler yang
lain. Mereka melakukan penelitian kohort selama 12 tahun pada 859 orang pasien, tetapi hanya 24
pasien yang meninggal akibat stroke, sehingga banyak pasien yang mengalami sensor. Tabel 4
merupakan hasil dari analisis regresi Cox atau Cox proportional hazard model. Variabel dependen
adalah waktu ketahanan hidup pada pasien i dengan memperhatikan faktor sensor dan variabel
independen dapat berupa variabel numerik atau nominal/kategorik.
Tabel 4. Risiko relatif untuk kematian stroke pada pria dan wanita
Risiko Relatif dan 95% confidence interval
Faktor Risiko
Pria

Wanita

Kalium (per 10 mmol)

0,65 (0,41-1,00)

0,56 (0,38-0,82)

Umur (per 5 tahun)

1,88 (1,00-3,63)

1,59 (1,00-2,59)

Tek. darah sistolik (per 20 mmHg)

1,01 (0,49-2,05)

1,35 (0,89-2,04)

Kolesterol (per 40 mg/dL)

0,62 (0,29-1,31)

0,89 (0,54-1,47)

Glukosa darah puasa (per 20 mg/dL)

1,64 (1,13-2,30)

1,30 (0,90-1,88)

Body-mass index (BMI) (per 0,5 kg/m2)

1,18 (0,56-2,50)

1,08 (0,68-2,91)

Merokok (Ya atau Tidak)

3,44 (0,61-19,5)

1,66 (0,89-5,70)

Penggunaan estrogen (Ya atau Tidak)

0,79 (0,21-3,00)

Tabel diambil dari dari Khaw K. Barret-Connor E: Dietary potassium and stroke-associated mortality. N. Engl J Med
1987;316:235-240.

Koefisien pada regresi Cox dapat digunakan untuk menghitung risiko relatif antara variabel
independen dengan variabel dependen, dengan dikontrol oleh variabel lain yang ada pada model
regresi. Jadi, regresi Cox menghitung adjusted relative risks.
Pada tabel di atas, regresi Cox menggambarkan hubungan antara diet kalium dengan
mortalitas akibat stroke dengan dikontrol terhadap variabel umur, tekanan darah sistolik, kadar
kolesterol, kadar glukosa darah, BMI, merokok dan pemakaian estrogen. Dari koefien regresi yang
diperoleh, peneliti menghitung risiko relatif dari masing-masing variabel terkontrol terhadap variabel
lainnya. Sebagai contoh, risiko relatif untuk mortalitas stroke pada wanita yang memperoleh diet
kalium 10 mmol/hari adalah 0,56, berarti diet kalium memiliki efek pencegahan terjadinya
mortalitas stroke independen terhadap umur, tekanan darah sistolik, kadar kolesterol, kadar glukosa
darah, BMI, rokok dan pemakaian estrogen. Batas atas 95% confidence interval untuk risiko relatif
yang berkaitan dengan diet kalsium pada wanita kurang dari 1, menggambarkan adanya hubungan
terbalik antara diet kalium dengan mortalitas stroke pada wanita, setelah pengontrolan terhadap
variabel umur, tekanan darah sistolik, kadar kolesterol, kadar glukosa darah, BMI, rokok dan
BESRAL: Analisis Survival, FKM UI, 2006

Hal 15 dari 20

pemakaian estrogen. Batas atas 95% confidence interval pada pria sama dengan 1, menggambarkan
kemungkinan adanya hubungan terbalik antara diet kalium dengan mortalitas stroke pada pria,
setelah pengontrolan terhadap variabel umur, tekanan darah sistolik, kadar kolesterol, kadar glukosa
darah, BMI, dan rokok. Hasil lain yang menarik adalah adanya peningkatan risiko mortalitas jika
umur pasien meningkat dan adanya peningkatan risiko mortalitas pada pasien pria dengan kadar
glukosa darah yang tinggi.
Untuk menjalankan prosedur Regresi-Cox, syarat minimal adalah:

Satu variabel waktu ketahanan hidup

Satu variabel status subyek, yang menjelaskan apakah satu kejadian (event) telah terjadi atau
sensor telah terjadi
Kode terjadinya kejadian (event) dan sensor

Untuk menjalankan prosedur Regresi-Cox, dari menu pilihlah:

Statistics atau Analize
Survival <
Cox Regression....
Kotak dialog Regresi-Cox akan tampak seperti gambar 1.

Pada kotak dialog tersebut Anda harus mengisikan:

Time. Pilihlah variabel yang berisi data waktu ketahanan hidup (survival time). Data pada variabel
ini menggambarkan berapa lama subyek tetap bertahan hidup sampai kejadian (event) terjadi atau
terjadi sensor.
Status. Isilah variabel yang menggambarkan status subyek, keterangan apakah satu kejadian telah
terjadi atau tidak. Anda juga harus memberitahu SPSS kode yang digunakan untuk kasus yang tidak
tersensor, misalnya kode 1 = event dan kode 0 = sensor.
Covariate. SPSS akan menghitung ketahanan hidup untuk seluruh data Anda. Jika Anda
menginginkan SPSS untuk melakukan pertimbangan terhadap variabel tertentu, Anda dapat
mengisikan variabel yang bersifat numerik atau kategorik pada isian ini.
Strata. Variabel kategorikal untuk analisis stratifikasi. Analisis akan dilakukan pada tiap stratum
untuk tiap level dari variabel faktor.
BESRAL: Analisis Survival, FKM UI, 2006

Hal 16 dari 20

Definisi Kejadian (Event) untuk Variabel Status

Untuk memberi keterangan, kode apa yang melambangkan satu kejadian (event) telah terjadi,
letakkan kursor pada variabel status dan klik Define Event.... Kotak dialog Cox-Regression Define
Event for Status Variable akan tampak seperti gambar 2.

Satu nilai atau interval dapat digunakan sebagai kode bahwa satu kejadian (event) telah terjadi.
Kasus dengan kode lain akan dianggap sebagai kasus tersensor. Isilah Single value atau Range of
value untuk kode terjadinya kejadian (event).
Categorical. Jika Anda memiliki covariate yang lebih dari 2 kategori, SPSS akan membuat dummy
variabel dengan memberitahu bahwa variabel tersebut harus dibuat sebagai categorical, bukan
sebagai numerik. SPSS juga akan menanyakan mana yang dijadikan sebagai kelompok pembanding
(reference category) apakah kelompok dengan kode terendah atau kode tertinggi.
Plots. Plot untuk menggambarkan fungsi hazard akan dibuat oleh SPSS jika anda minta. Anda dapat
memilih satu atau lebih plot berikut ini:
Survival. Menampilkan fungsi ketahan hidup kumulatif pada skala linier.
Hazard. Menampilkan fungsi hazard.
Log Minus Log. Menampilkan fungsi ketahan hidup kumulatif pada skala logaritmik.
One Minus Survival. Menampilkan fungsi ketahan hidup kumulatif pada skala linier yang
merupakan kebalikan dari Survival.

BESRAL: Analisis Survival, FKM UI, 2006

Hal 17 dari 20

Hasil Analisis Regresi-Cox dan Interpretasinya

Data waktu survival (dalam minggu) dari 42 penderita leukemia pada sebuah klinik, yang bertujuan
untuk melihat efek dari pengobatan (6-mercaptopurine) terhadap kelangsungan hidup penderita.
Survival time
Status
Sex
RX
L_WBC

: minggu
: (0=cencored, 1=event)
: (0=female, 1=male)
: Treatmen (0=treatment, 1=placebo)
: Kadar White Blood Cell

Langkah pada SPSS:

Statistics atau Analize

Survival <
Cox Regression....

Hasil output SPSS regresi-cox:

Omnibus Tests of Model Coefficients
-2 Log
Likelihood
187.970
Omnibus Tests of Model Coefficientsa,b

-2 Log
Likelihood
144.218

Overall (score)
Chi-square
df
44.571
3

Sig.
.000

Change From Previous Step

Chi-square
df
Sig.
43.752
3
.000

Change From Previous Block

Chi-square
df
Sig.
43.752
3
.000

a. Beginning Block Number 0, initial Log Likelihood function: -2 Log likelihood: -187.970
b. Beginning Block Number 1. Method: Enter

TESTING OVERAL MODEL

Langkah pertama adalah menguji apakah model sudah signifikan atau belum. Model dikatakan
signifikan, dengan melakukan uji Likelihood Ratio (LR) Test yakni: 2 log likelihood, dalam hal ini
ditampilkan pada kolom Change form previeus step yang nilai chi-squarenya = 43.752, yang berasal
BESRAL: Analisis Survival, FKM UI, 2006

Hal 18 dari 20

dari 187.970 144.214. Nilai ini sangat bermakna dengan nilai-p=0.000. Artinya paling tidak ada
satu variabel dependen yang bermakna (nilai B tidak sama dengan nol).

TESTING SIGNIFIKAN VARIABEL

Variables in the Equation

RX
SEX
L_WBC

B
1.391
.263
1.594

SE
.457
.449
.330

Wald
9.277
.343
23.321

df
1
1
1

Sig.
.002
.558
.000

Exp(B)
4.018
1.301
4.922

95% CI for Exp(B)

Lower
Upper
1.642
9.834
.539
3.139
2.578
9.397

Kemaknaan setiap variabel dapat dilihat pada output Variabel in the equation. Jika overal test
menunjukkan paling tidak ada satu B yang tidak sama dengan nol, maka dapat dipastikan bahwa
minimal ada satu variabel yang bermakna. Artinya, bisa hanya satu variabel yang bermakna, atau
bisa juga lebih dari satu variabel yang bermakna. Dalam hal ini ada dua variabel yang bermakna
yaitu RX (Treatment) dan L_WBC (kadar white blood cell).
INTERPRETASI REGRESSI COX
Interpretasi Regressi-cox (Cox-proportional hazard model) hampir sama dengan interpretasi regresi
logistik, yakni dengan melihat Exp (B) yang merupakan risiko relatif (RR) dari munculnya hazard.
Kelompok yang tidak mendapatkan treatmen atau hanya mendapat placebo (RX=1), mempunyai
risiko 4 kali lebih tinggi untuk meninggal dibandingkan dengan kelompok yang mendapatkan
treatment, setelah mempertimbangkan pengaruh dari jenis kelamin dan kadar darah putih.
Kelompok pria (SEX=1) lebih rendah setengah kali risiko kematiannya (0.558 kali jika
dibandingkan dengan jenis kelamin wanita, setelah mempertimbangkan pengaruh dari treatmen dan
kadar darah putih.

ASUMSI REGRESI-COX
Interpretasi analysis regresi cox hanya valid apabila asumsinya terpenuhi. Asumsi dari regresi cox
adalah bahwa berdasarkan persamaan proporsional hazard model sbb:

h(t ) = [ho (t )]e

( BX )

h(t )
= e ( BX )
ho (t )

e = exponen (Exp)
Hazard Ratio atau Relatif Hazard h(t ) / ho (t ) merupakan indikasi dari peningkatan (atau penurunan)
risiko timbulnya sakit (atau mati) pada kelompok yang tidak mendapat treatment (atau placebo)
dibandingkan kelompok yang dapat treatment.
Asumsi yang harus dipenuhi adalah fungsi hazard h(t) adalah proporsional terhadap baseline hazard.
Artinya h(t ) / ho (t ) adalah tetap (constat) terhadap satu satuan waktu (tidak bergantung pada waktu),
garis fungsi hazardnya paralel. Jika semakin lama waktu, semakin berbeda jauh fungsi hazardnya,
maka asumsi itu tidak terpenuhi. Jika dalam fungsi hazard terjadi cross (garisnya saling
bersilangan), berarti tidak paralel, maka aasumsi itu juga tidak terpenuhi.
BESRAL: Analisis Survival, FKM UI, 2006

Hal 19 dari 20

Ada beberapa cara yang dilakukan untuk mendeteksi asumsi:

1. Grafik fungsi Hazard
2. Time-independent regresi-cox (T-COV)
Asumsi regresi-cox terpenuhi:
(Proporsioanl hazard)

Asumsi regresi-cox tidak terpenuhi:

(Non-Proporsioanl hazard)

Survival Functions

Survival Functions

1.2

1.2

1.0

1.0

.8

.8

.6

.6

Treatmen

.2

placebo-censored
0.0

treatment
treatment-censored

-.2
0

10

20

30

Sex

.4

placebo

Cum Survival

Cum Survival

.4

40

male

.2

male-censored
0.0

female
female-censored

-.2
0

Survival

10

20

30

40

Survival

T_COV tidak bermakna, artinya asumsi time independent (Proporsioanl hazard) terpenuhi:
Variables in the Equation

RX
T_COV_

B
1.596
-.008

SE
.776
.061

Wald
4.227
.018

df
1
1

Sig.
.040
.894

Exp(B)
4.934
.992

T_COV bermakna, artinya asumsi time independent (Proporsioanl hazard) tidak terpenuhi, sehingga
analysis yang dipakai adalah Regresi Cox dengan time-dependent:
Variables in the Equation

SEX
T_COV_

B
2.008
-.268

SE
.817
.085

Wald
6.044
9.881

BESRAL: Analisis Survival, FKM UI, 2006

df
1
1

Sig.
.014
.002

Exp(B)
7.448
.765

Hal 20 dari 20