Tugas Pengantar Teori Reliabilitas

Disusun oleh:
Silvi Natalia P P

(24010212140045)

Rose Debora Julianisa

(24010212140047)

Nabila Ghaida Zia

(24010212140048)

Annisa Nur Fathia

(24010212110050)

UNIVERSITAS DIPONEGORO
2015

MODEL RELIABILITAS NON PARAMETRIK SATU SAMPEL

Dalam mengestimasi fungsi ketahanan dari data uji hidup dapat digunakan dua metode
yaitu metode nonparametrik dan metode parametrik. Metode parametrik adalah metode yang
masih bergantung pada fungsi distribusinya. Sedangkan metode nonparametrik tidak
tergantung pada fungsi distribusinya sehingga memudahkan untuk estimasinya. Fungsi
ketahanan dikenal dengan istilah reliabilitas yang sering dijumpai di bidang teknik atau
survival yang sering dijumpai di bidang kedokteran.
Ada 2 metode untuk mengestimasi fungsi ketahanan (survival) non parametrik yaitu
Kaplan Meier dan Life Table untuk satu sampel. Metode Kaplan Meier biasanya digunakan
untuk tahan hidup dengan jumlah pengamatan kecil dan waktu ketahanan untuk masingmasing individu sedangkan Life Table untuk jumlah pengamatan besar sehingga berbentuk
interval-interval.

METODE KAPLAN MEIER

Metode Kaplan Meier adalah suatu metode untuk menganalisa data ketahanan yang
berisi observasi tersensor dan observasi tidak tersensor. Metode ini menggunakan waktu
ketahanan di dalam perhitungan peluang dan memberikan suatu estimasi fungsi ketahanan
dari beberapa individu yang umurnya saat mati (gagal) akan melewati waktu t jika tidak ada
observasi yang tersensor. Estimator diperoleh dari perkalian beberapa probabilitas bersyarat
hasil dalam sebuah estimasi fungsi ketahanan dalam bentuk fungsi langkah. Estimator Kaplan
Meier digunakan untuk menghitung estimasi dari fungsi kumulatif ketahanan yang kemudian
dapat digunakan untuk menghitung nilai hazard kumulatif.
1

2
3
4

Hal-hal yang berhubungan dengan estimasi Kaplan Meier adalah sebagai berikut:
Estimasi Kaplan Meier terbatas untuk interval waktu pada observasi gagal. Jika observasi
terbesarnya adalah tidak tersensor maka estimasi K-M adalah nol. Jika observasi
terbesarnya tersensor, maka estimasi K-M bisa bernilai bukan nol
Dengan estimasi K-M bisa dihitung median waktu ketahanan hidupnya
Jika observasi tidak tersensornya kurang dari 50% dan observasi terbesarnya tersensor,
maka median waktu ketahanannya tidak dapat diestimasi
Asumsi waktu ketahanannya adalah independen
S (t (i )

ni
i
1
n
n

Misalnya t1,t2,....,tn adalah waktu tahan hidup n individu dari

sekelompok pasien sedemikian hingga t1 t2 .... tn.

Fungsi survival pada saat t(i) adalah

yang merupakan fungsi
langkah dari 1 sampai 0 dimana n-1 adalah jumlah individu yang tahan hidupnya lebih dari
t(i).
S (t ( 2) ) S (t( 3) ) S (t( 4) )

n4
n

Jika ada t(i)

yg sama maka diambil i yg terbesar

misalnya t(2) = t(3) = t(4), sehingga

S (t( n ) ) 0 S (t ( 0) ) 1
Diasumsikan setiap individu hidup pada permulaan studi dan tidak
ada yg tahan hidupnya lebih dari t(n) , sehingga
dan
Metode di atas digunakan jika semua individu yang diamati gagal/tidak ada individu
yang tersensor artinya semua individu memepunyai waktu tahan hidup secara pasti.
Jadi jika terdapat individu yang bertahan hidup sampai akhir studi, maka estimasi
yang tepat menggunakan Estimasi Kaplan Meier (Product Limit).
Secara umum, probabilitas ketahanan hidup k(>2) atau lebih bisa dirumuskan:
S(k)=p1 x p2 x x pk
dimana :
p1 = proporsi pasien bertahan hidup paling sedikit 1 tahun
p2 = proporsi pasien bertahan hidup pada tahun kedua, setelah dia bertahan hidup selama 1
tahun
p3 = proporsi pasien bertahan hidup pada tahun ketiga, setelah dia bertahan hidup selama 2
tahun
pk = proporsi pasien bertahan hidup pada tahun ke k, setelah dia bertahan hidup selama (k-1)
tahun
Ketahanan hidup sampai waktu t dapat dirumuskan :
S(t)=S(t-1)p(i)
Langkah-langkah estimasi ketahanan hidup dengan Kaplan Meier dapat dihitung
dengan tabel sebagai berikut:
Kolom 1: waktu tahan hidup baik tersensor maupun tidak tersensor secara urut dari terkecil
Kolom 2 : observasi berurut (i) dari 1 sampai n
Kolom 3 : nilainya sama dengan kolom 2 tetapi hanya untuk observasi tidak tidak tersensor
(r)

S (t (1) )
t r t

nr
n r 1
Kolom 4 : pi = (n-r) / (n-r+1)

Kolom 5 :
n adalah jumlah individu yang dihitung waktu hidup
S (t ( i ) ) S (t( i 1) ) *

ni
n i 1

Terdapat hubungan matematik sebagai berikut:

(t( i ) )dan(t( i 1) )
dimana

adalah observasi yang tidak tersensor.

Var [ S (t )] [ S (t )]2
r

1
( n r )( n r 1)

Untuk menentukan estimasi intervalnya lebih

dahulu dicari variansi dari fungsi survivalnya yaitu :
t( r ) t
S (t ) SE ( S (t ))
r adalah bilangan bulat positif sedemikian hingga
Diperoleh interval konfidensi 95% ketahanan hidupnya adalah
Selain median, dalam estimasi K-M juga bisa diketahui rata-rata waktu tahan hidup
(Mean Time To Failure = MTTF). MTTF didefinisikan sebagai harga harapan suatu individu
akan tetap hidup sampai waktu t atau ada yang berpendapat rata-rata hingga gagal.

E (T ) S (t )dt
0

Rata-rata waktu ketahanan dapat dicari dengan menggunakan

persamaan :

t (m ) t (1) t ( 2 ) ..... t ( m )

adalah sama dgn luas di bawah kurva fungsi ketahanan, sehingga

jika waktu kegagalan diurutkan yaitu
dan terdapat m observasi tidak
tersensor dengan
t (n ) t (m )

adalah observasi terbesar dari n observasi.

 1* t (1) S (t (1) ) * (t ( 2 ) t (1) ) S (t ( 2) ) * (t (3) t ( 2 ) ) ..... S (t ( m 1) )(t ( m ) t ( m 1) )

Jika
adalah observasi yang tidak tersensor, maka dapat diestimasi sebagai berikut:

(1)

3.0

Ar
Var ( )
r ( n r )( n r 1)
Variansi dari dapat diestimasi dengan :

S (t ( k ) )(t ( k 1) t ( k ) ) S (t ( k 1) )(t ( k 2 ) t ( k 1) ) ... S (t ( m1) )(t ( m ) t ( m 1) )

dimana r berjalan seiring
dengan tr yang menandakan kegagalan dan Ar adalah luas daerah di bawah kurva S(t). Ar
ke-k dalam bentuk observasi tidak tersensor m adalah :

Keuntungan dari metode Kaplan-Meier Product Limit Estimator dibandingkan dengan

metode Life Table adalah ketika menganalisa data survival dan failure adalah hasil
penghitungan tidak tergantung pada data yang dikelompokkan (pada sejumlah waktu
interval). Apabila observasi hanya satu, maka metode Kaplan-Meier Product Limit Estimator
dan Life Table akan sama.

METODE LIFE TABLE

Metode Life Table adalah salah satu metode untuk mengukur angka kematian dan
menggambarkan waktu ketahanan suatu populasi. Life Table banyak digunakan di bidang
aktuaria, demografi, pemerintahan, dan penelitian di bidang kesehatan untuk mengetahui
ketahanan hidup pasien. Di bidang demografi, life table ini disebut population life table
sedangkan di bidang medis disebut clinical life table.
Population Life Table
Sumber data untuk membentuk population life table adalah data sensus dimana jumlah
individu yang masih hidup di pertengahan tahun dan data kematian setiap tahun. Ada dua
macam population life table yaitu:
a. Cohort Life Table
Cohort life table adalah pengalaman nyata kelangsungan hidup suatu kelompok yang lahir
pada tahun yang sama. Cohort life table menggambarkan ketahanan atau tingkat kematian
individu yang diamati dalam waktu yang sama. Contohnya diamati individu yang lahir
pada tahun 1990, maka cohortnya berbentuk pengamatan dari tahun 1990 sampai semua
individu mati. Proporsi kegagalan nya digunakan membentuk life table.

b. Current Life Table

Current life table adalah suatu alat untuk menganalisa kondisi mortalitas suatu penduduk
berdasarkan pengalaman mortalitas suatu penduduk pada periode waktu tertentu (seperti:
satu tahun, tiga tahun atau di antara dua periode). Current life table dibentuk dengan
mengaplikasikan tingkat kematian selama periode waktu tertentu untuk hipotesis sebanyak
100000 atau 1000000 individu. Titik awal kelahiran adalah tahun ke 0.
Format current life table:
Kolom 1: interval [x; x+t]
l x l x 1 1 t q x 1
Kolom 2: proporsi individu yang hidup pada awal interval dan mati
selama interval [x; x+t] atau
Kolom 3: Jumlah indvidu yang bertahan hidup pada awal interval (lx) atau
Kolom 4: jumlah individu yang mati selama interval I
Kolom 5: populasi stationary
Kolom 6: avarage remaining lifetime or avarage number of year of life remaining at
beginning of age interval
Clinical Life Table
Metode Life Table memerlukan sejumlah besar observasi sehingga waktu tahan
hidupnya dikelompokkan dalam interval-interval. Seperti dalam estimasi Kaplan Meier,
metode Life Table memasukkan semua informasi tahan hidup yang dikumpulkan pada akhir
pengamatan. Misalnya dalam menghitung tingkat ketahanan penderita kanker dalam 5 tahun,
yang dipelukan adalah hanya pasien yang masuk pengamatan untuk 5 tahun atau lebih. Pasien
yang diamati untuk 4, 3, 2 dan bahkan 1 tahun memberikan informasi untuk evaluasi
ketahanan 5 tahun. Dengan kata lain, teknik life table menggunakan data tidak lengkap losses
to follow-up dan individu withdrawn alive sama baiknya dengan data kematian lengkap.

t i ; t i 1
Format clinical life table :
t mi
Kolom 1: interval
yaitu interval waktu tahan hidup dan waktu losses to follow-up
dan individu withdrawn alive. Interval ini dari t i sampai dengan ti+1 dengan
i=1,2,3,....,s. Interval ini mempunyai panjang tidak terbatas.
bi ti 1 ti
Kolom 2 : titik tengah interval (

) dengan i = 1, 2, , s-1

li bi li
Kolom 3: lebar interval (

), dimana

, dengan i= 1, 2, , s-1

wi
Kolom 4 : Jumlah individu yang loss to Follow up (
Kolom 5 : Jumlah Withdrawn Alive up (

) dengan i= 1, 2, ...., s.

ni ' d i
Kolom 6 : Jumlah yang mati up (

) dalam interval ke i.

ni ' ni ' ni' 1 li 1 wi 1 d i 1

Kolom 7: Jumlah individu yang masuk interval i (
). Jumlah
individu yang masuk interval pertama merupakan ukuran sampel total ( ). Untuk
interval selanjutnya berlaku
1
'
ni ni ni 2 (li wi )
qi

di
ni qi
Kolom 8: Jumlah individu yang beresiko (

) dimana

qs 1
Kolom 9: Proporsi kegagalan bersyarat (

) dimana

untuk i=1, 2, , s-1

dan
pi pi 1 qi
S (ti ) pi 1S (ti 1 ) S (ti ) S (t1 ) 1

f (t mi )

Kolom 10: Proporsi ketahanan bersyarat (

) dan

S (ti )qi
f (t mi )
bi
Kolom 11: Proporsi ketahanan kumulatif (
)

dan (

Kolom 12: Estimasi fungsi densitas probabilitas (

h(t mi )

f (t mi )
S (t mi )
i=1, 2, ... , s-1

) dimana

) dimana
;

1
S (ti 1 ) S (ti )
2
f t mi
S ti qi / bi
h t mi

1
S t mi
S ti pi 1
h(t mi )
2
S (t mi )

Kolom 13: Fungsi Hazard (

) dimana

atau dari
diperoleh

S t q q
var f (t )
b
n p

i 1

j 1

[h(t mi )]2
var h(t mi )
ni qi

j
2 i 1 q
p i
var S (ti ) S (ti )
ni q
j
j 1 n j p

1 h(t mi )bi

Varian fungsi ketahanan

CONTOH SOAL
1. Diketahui data tentang waktu sampai berhentinya pemakaian IUD dari 14 wanita (dalam
minggu) adalah sebagai berikut:
N
o
t

10

11

1
0

13
+

18
+

1
9

2
3

3
0

3
6

38
+

54
+

56
+

5
9

Perhitungan dengan Kaplan-Meier:

(n-r)/(nt
i
r
r+1)
10 1 1
13/14
13
2 +
18
3 +
19 4 4
10/11
23 5 5
9/10
30 6 6
8/9
36 7 7
7/8

1
2
7
5

1
3
9
3

14
97

S(t)
13/14=0.92857
(13/14)(10/11)=0.84416
(13/14)(10/11)(9/10)=0.75974
(13/14)(10/11)(9/10)(8/9)=0.67533
(13/14)(10/11)(9/10)(8/9)(7/8)=0.59091

38
+
54
+
56
+
59
75
93
97

1
0

3/4

(13/14)(10/11)(9/10)(8/9)(7/8)(3/4)=0.44318

2/3

(13/14)(10/11)(9/10)(8/9)(7/8)(3/4)(2/3)=0.29546

1/2

(13/14)(10/11)(9/10)(8/9)(7/8)(3/4)(2/3)
(1/2)=0.14773

11
1
2
1
3
1
4

1
1
1
2
1
3
1
4

1
1
1
1
1
1
1
1

0.01762
13 * 14 10 * 11 9 * 10 8 * 9 7 * 8 3 * 4 2 * 3 1 * 2

Var [ S (13) 0.147732

0.01762 0.13275

Var [ S (t )] [ S (t )]2
r

1
(n r )( n r 1)

sehingga standart errornya (SE(S(t)) nya adalah

S (t ) SE ( S (t )) 0.14773 0.13275
Diperoleh interval konfidensi 95% ketahanan
hidupnya adalah :

Rata-rata waktu tahan hidupnya adalah :

1 * t (1) S (t (1) ) * (t ( 2) t (1) ) S (t ( 2 ) ) * (t (3) t ( 2 ) ) ..... S (t ( m 1) )(t ( m ) t ( m 1) )
1 * 10 0.92857 * (19 10) 0.84416 * (23 19) 0.75974 * (30 23) 0.67533 * (36 30)
0.59091 * (59 36) 0.44318 * (75 59) 0.29546 * (93 75) 0.14473 * (97 93)
57.68294

Ar S (t ( k ) )(t ( k 1) t ( k ) ) S (t ( k 1) )(t ( k 2 ) t ( k 1) ) ... S (t ( m 1) )(t ( m ) t ( m 1) )

menghitung variansi rata-ratanya adalah, hitung 8 Ar yang pertama
A1,A4,A5,A6,A7,A11,A12,A13

Untuk

A1 S (t (8) )(t ( 9) t (8) )

A1 0.59092
A1 S (t ( 3) )(t ( 4) t ( 3) ) S (t ( 4 ) )(t ( 5) t ( 4 ) ) S (t ( 5) )(t ( 6 ) t ( 5) ) S (t ( 6 ) )(t ( 7 ) t ( 6 ) )
S (t ( 7 ) )(t (8) t ( 7 ) ) S (t (8) )(t ( 9) t (8) )
A1 35.80117
A1 S (t (1) )(t ( 2 ) t (1) ) S (t ( 2 ) )(t ( 3) t ( 2 ) ) S (t ( 3) )(t ( 4 ) t ( 3) ) S (t ( 4) )(t (5) t ( 4 ) )
S (t ( 5) )(t ( 6 ) t ( 5) ) S (t ( 6 ) )(t ( 7 ) t ( 6 ) ) S (t ( 7 ) )(t (8) t ( 7 ) ) S (t (8) )(t ( 9 ) t (8) )
A1 47.53494
A1 S (t ( 7 ) )(t (8) t ( 7 ) ) S (t (8) )(t ( 9 ) t (8) )
A1 5.9092
A1 S (t ( 6 ) )(t ( 7 ) t ( 6) ) S (t ( 7 ) )(t (8) t ( 7 ) ) S (t (8) )(t ( 9) t (8) )
A1 12.84008
A1 S (t ( 4 ) )(t ( 5) t ( 4 ) ) S (t (5) )(t ( 6 ) t ( 5) ) S (t ( 6 ) )(t ( 7 ) t ( 6 ) ) S (t ( 7 ) )(t (8) t ( 7 ) )
S (t (8) )(t ( 9) t (8) )
A1 30.48299
A1 S (t ( 5) )(t ( 6) t ( 5) ) S (t ( 6 ) )(t ( 7 ) t ( 6 ) ) S (t ( 7 ) )(t (8) t ( 7 ) ) S (t (8) )(t ( 9 ) t (8) )
A1 26.43101
A1 S (t ( 2 ) )(t ( 3) t ( 2 ) ) S (t ( 3) )(t ( 4 ) t ( 3) ) S (t ( 4) )(t ( 5) t ( 4 ) ) S (t ( 5) )(t ( 6 ) t ( 5) )
S (t ( 6 ) )(t ( 7 ) t ( 6 ) ) S (t ( 7 ) )(t (8) t ( 7 ) ) S (t (8) )(t ( 9) t (8) )
A1 39.17781

Ar
Var ( )
r ( n r )( n r 1)
Variansinya

2
2
2
2
2

47.53494
39.17781
35.80117
30.48299
26.43101
Var ( )

13 *14
10 *11
2
2
2

12.84008
5.9092
0.59092

3* 4
2*3
1* 2
Var ( ) 74.49350

9 *10

8*9

2. Diketahui waktu tahan hidup pasien diabetes melitus sebagai berikut:

Interva
l
0-1
1-2
2-3

li

wi

di

111
110
107

1
3
1

156
126
115

7 *8

3-4
4-5
5-6
6-7
7-8
8-9
9-10

106
103
101
98
95
92
88

3
2
2
2
3
4
1

110
97
68
56
43
37
24

Perhitungan dengan Life Table

interval

midpoint

width

lost

withdrawn

dyin
g

entering

Jumlah
berisik
o

proporsi

proporsi

proporsi

gagal

bertahan

bertahan

Fungsi
densitas

fungsi
hazard

kumulatif
[ti;
ti+1)

tmi

bi

li

wi

di

ni'

ni

qi

pi

S(ti)

f(tmi)

h(tmi)

[0;1)

0.5

111

156

1865

1809

0.086235

0.913765

0.086235

0.086235

[1;2)

1.5

110

126

1597

1540.5

0.081792

0.918208

0.913765

0.074738

0.081792

[2;3)

2.5

107

115

1358

1304

0.08819

0.91181

0.839026

0.073994

0.08819

[3;4)

3.5

106

110

1135

1080.5

0.101805

0.898195

0.765032

0.077884

0.101805

[4;5)

4.5

103

97

916

863.5

0.112334

0.887666

0.687148

0.07719

0.112334

[5;6)

5.5

101

68

714

662.5

0.102642

0.897358

0.609959

0.062607

0.102642

[6;7)

6.5

98

56

543

493

0.11359

0.88641

0.547352

0.062174

0.11359

[7;8)

7.5

95

43

387

338

0.127219

0.872781

0.485178

0.061724

0.127219

[8;9)

8.5

92

37

246

198

0.186869

0.813131

0.423454

0.07913

0.186869

[9;10)

9.5

88

24

113

68.5

0.350365

0.649635

0.344324

0.120639

0.350365

MODEL RELIABILITAS NON PARAMETRIK DUA SAMPEL

Bilamana ada 2 kelompok fungsi ketahanan, bisa dilakukan perbandingan ketahanan

antara keduanya. Uji non parametric untuk membandingkan 2 distribusi ketahanan dari
observasi yang tersensor dan tidak tersensor dibagi menjadi lima cara yaitu Gehan sebagai
generalisasi Wilcoxon test,Cox_Mantel Test, Logrank Test serta Peto and Peto sebagai
generalisasi Wilcoxon Test dan Cox_F test.
Misalnya terdapat n1 individu yang diberikan perlakuan kesatu dan n2 individu yang
diberi perlakuan kedua. Jika terdapat r1 observasi yang gagal yaitu X1,X2,.,Xr1 dan (n1-r1)
observasi tersensor pada kelompok 1, r2 observasi gagal yaitu Y1,Y2,.,Yr2dan (n2-r2)
observasi tersensor pada kelompok 2 maka bisa dibandingkan ketahanan hidup dari dua
kelompok
H0:S1(t)=S2(t)
H1:S2(t)S2(t)
1. GEHANS SEBAGAI GENERALISASI UJI WILCOXON
Dalam uji Gehans sebagai generalisasi uji Wilcoxon, setiap observasi xi atau xi+
dalam kelompok 1 dibandingkan dengan setiap observasi yi atau yi+ dalam kelompok
2 dan diberi score Uij.
Uij=

+1

; xi > yi atau xi+ yj

; xi = yj atau xi+ < yj atau yj+ < xi atau (xi+, yj+)

n1

n2

W U ij
i 1 j 1

-1

; xi < yj atau xi yj+

Dan hitung statistik ujinya

Sehingga jumlah yang dibandingkan lebih dari n1n2. Dalam perhitungan Gehans,
setiap observasi dalam sampel 1 dibandingkan dengan setiap observasi pada sampel 2.
Jika dua sampel digabung maka terdapat n1 + n2 observasi. Jika n1 + n2 adalah populasi
yang terbatas dengan mean nol maka berdasarkan sampel 1, didefinisikan W=
n1

U i
i=1

var(W )

, dan

n1n2

n1 n2

U
i 1

2
i

(n1 n2 )( n1 n2 1)

W
var(W )
sehingga diperoleh
berdistribusi

normal standart. Daerah penolakannya Z> Z/2 (uji 2 sisi)

Menurut Mantel (1967) mengemukakan bahwa alternative untuk menghitung Ui
dengan menandai score setiap observasi berdasarkan ranking. Ui dihitung dengan 2 tingkat
yaitu R1i dan R2i. Prosedur Mantel adalah sebagai berikut :
-

Menghitung R1i
1. Ranking semua observasi dari kiri ke kanan untuk observasi yang tidak tersensor
2. Untuk observasi yang tersensor tandai ranking dengan rank yang lebih besar dari
pada observasi sebelumnya pada observasi yang tidak tersensor
3. Untuk observasi yang sama tandai pilih rank yang paling kecil
4. Diperoleh R1i
Menghitung R2i
1. Ranking dari kanan ke kiri semua observasinya
2. Untuk observasi yang sama pilih rank yang paling kecil
3. Untuk observasi tersensor tandai dengan 1
4. Diperoleh R2i
5. Ui = R1i - R2i

Contoh Soal :
10 pasien diabetes mellitus dicatat waktu tahan hidupnya sebagai berikut :
Perlakuan 1
Perlakuan 2

16
18

18+
20

20+
21

23
29

24+
30+

Ujilah menggunakan uji gehan generalisasi uji Wilcoxon !

Jawab =
Observasi 2
sampel
Menghitung
R1i
1. Rank obs
tdk
tersensor
2. Rank obs
tersensor
3. Rank obs
sama
4. R1i
Menghitung
R2i
5. Rank obs
dari
kanan ke
kiri
6. Rank obs
sama
7. Rank obs

16

18

18+

20

20+

21

23

24+

29

30+

10

tersensor
8. R2i
Ui = R1i-R2i

10
-9

9
-7

1
2

7
-4

1
3

5
-1

4
1

1
5

2
4

1
6

Diperoleh :
W= -9 + 2+3+1+5 = 2
Var(W) = (5)(5)[(-9)2+(-7)2+22+(-4)2+32+(-1)2+12+52+42+62]/(10*9)
= 66.1
Statistik ujinya
Z

W
var(W )

2
66.1

= 0.245 dan diketahui Z0.05= 1,64

Karena Z< Z0.05=1,64 maka H0 diterima sehingga S1=S2

2. TEST COX MANTEL
k

i 1

i 1

m(i ) r1 r2 U r2 m(i ) A(i )

Misalkan t1 < t2 < . < tn adalah waktu kegagalan dalam 2
kelompok, m(i) adalah waktu kegagalan yang sama dengan ti sehingga
. Jika n 1i
dan n2i adalah jumlah pasien yang beresiko dalam R(t) dimana R(t) adalah himpunan individu
yang beresiko gagal pada waktu t, maka jumlah total observasi gagal atau tersensor dalam
R(t) adalah r(i)= n1i + n2i. Didefinisikan sebagai berikut :

m( i ) (r( i ) m( i ) )

i 1

r(i ) 1

A( i ) (1 A( i ) )

Dengan r(i) adalah jumlah observasi gagal atau tersensor dalam R(ti) dan A(i) adalah proporsi
dari r(i) untuk kelompok 2.
C

U
I
Statisik ujinya :

Contoh Soal :
10 pasien diabetes mellitus dicatat waktu tahan hidupnya sebagai berikut :
Perlakuan 1
Perlakuan 2

16
18

18+
20

20+
21

23
29

24+
30+

Berdasarkan contoh soal pada uji gehan di atas dapat dilakukan untuk menggunakan uji cox
mantel sebagai berikut dengan r1 = 2 dan r2= 4

ti
16
18
20
21
23
29

m(i)
1
1
1
1
1
1

n1i
5
4
3
2
2
0

n2i
5
5
4
3
2
2

ri
10
9
7
5
4
2

Ai(i)
0.5
0.56
0.57
0.6
0.5
1

U = 4 (0.5+0.56+0.57+0.6+0.5+1)
= 0.27
I = 1(9)/9*(0.5*0.5) + 1(8)/8*(0.56*0.44) + 1(6)/6*(0.57*0.43) + 1(4)/4*(0.6*0.4) +
1(3)/3*(0.5*0.5)
I = 1,2135
C

U
I
Disimpulkan

C = 0.27/

1.2135

= 0.245
Karena nilai C < Z0.05 = 1,64 maka dikatakan jika S1(t) = S2(t)

3. LOGRANK TEST

Logrank Test merupakan uji ketahanan dua sampel berdasar himpunan skor-skor wi. Skor tersebut
berupa fungsi logaritma dari fungsi survival.
Logrank juga merupakan metode yang paling popular untuk melihat survival di dalam suatu grup.
Caranya adalah dengan membandingkan estimasi Hazard Function dari grup yang diobservasi dalam
waktu tertentu.

e(t( i ) )

j t( i )

m( j )
r( j )
Estimasi fungsi log survival pada t(i) dapat dinotasikan sebagai berikut :

Dimana :

m(j) adalah jumlah kegagalan pada saat tj,

r(j) adalah jumlah observasi baik tidak tersensor atau tersensor dalam R(t(j)) dan
R(t(j)) adalah himpunan individu beresiko pada waktu t(j)

Skor wi didefinisikan sebagai berikut :

Wi = 1-e(t(i))
Digunakan untuk observation tidak tersensor t(i)
Wi = -e(T)
Digunakan untuk observation tersensor pada T
Wi = -e(t(i))
Digunakan untuk observation tersensor (ti+)
Dimana t(i) adalah observasi tidak tersensor terbesar sehingga observasi tidak tersensor terbesar
mempunyai skor terkecil dan observation tersensor mendapat skor negatif. Jumlah dari skor-skor W
dianggap sama dengan nol untuk kedua kelompok sekaligus.
ni

S wi
i 1

Logrank test berdasarkan jumlah skor w dalam salah satu dari dua kelompok tersebut (S)
adalah sbb :

Dan Varians-nya adalah sbb :

Var ( S )

n1n2

n1 n2

w
i 1

2
i

(n1 n2 )( n1 n2 1)

m( j ) (r( j ) m( j ) )

j 1

r( j )

n1n2
(n1 n2 )( n1 n2 1)

atau

S
Var (S )
Statistik Uji :

Jika diketahui data berdistribusi normal standart maka :

S diperoleh dari kelompok 1 sehingga daerah kritisnya adalah L < -Z

S diperoleh dari kelompok 2 sehingga daerah kritisnya adalah L > Z

Dengan Logrank Test akan diperoleh Hazard dan Ratio grup di dalam masing-masing covariate dan
akan diketahui grup mana yang mempunyai Hazard dan resiko yang terbesar atau terkecil.

Contoh : Lama Penyembuhan dari uji klinis bagi pasien leukemia akut
Ada dua kelompok: 6-mercaptopurine (6-MP) dan placebo dengan total 42 anak pengidap
leukemia akut. Pasen tsb diamati sampai leukemianya kambuh atau sampai berhentinya
penelitian (dalam minggu).

H 0 : S1 S 2
H1 : S1 S 2

Hipotesis :
Langkah-langkah :
-

Gabungkan data dari dua kelompok

Misal ada r buah waktu kematian yg berbeda dari gabungan dua kelompok tsb, yakni t(1) <
t(2) < t(r)

Utk setiap waktu kematian t(f), f = 1,2,,r, kita buat tabel berikut

Dimana

m1f = mati pd t(f) dlm group I

m2f = mati pd t(f) dlm group II
n1f = berisiko mati sesaat sebelum t(f) dlm group I
n2f = berisiko mati sesaat sebelum t(f) dlm group II

O E = -10.26
O2 E2 = 10.26

Log-rank Statististic

Var ( O 2E 2 )

= (O 2E 2)

(10.26)
6.2685

= 16.793

> Xtabel = 0.0001

Ho ditolak karena 16.793 > Xtabel = 0.0001 sehingga S1 >

4. PETO AND PETO

Peto and Peto merupakan generalisasi yang lain dari Wilcoxons test tentang penggolongan dua
sampel dijelaskan oleh Peto and Peto (1972).

ui S (ti ) 1 ui S (ti ) S (ti 1 ) 1

Peto and Peto hampir serupa dengan Logrank test dimana test ini
menentukan skor/nilai setiap observasi. Untuk observasi tidak tersensor skornya adalah

S (ti ) S (ti 1 )
Nilai

n i
n i 1 S (ti ) S (ti )

Sedangkan utk observasi tersensor adalah

diperoleh dari estimasi KM

dan

ni

S ui
i 1

Diperoleh

untuk satu kelompok

L Z / 2 _ atau _ L Z / 2
L Z
L Z
Daerah Kritis dari Peto and Peto adalah :

Var ( S )

n1n2

n1 n2

u
i 1

2
i

(n1 n2 )( n1 n2 1)
Estimasi Peto and Peto diperoleh sebagai berikut :

S
var( S )

Variansi :

Statistik Uji :

Contoh soal:
Diketahui data kegagalan pasien malaria dengan dua macam perlakuan masing-masing 5
pasien adalah sebagai berikut:

perlakuan a
perlakuan b

24
16

2
5

6
9

17 34+
8
8

Diperoleh:
ti
2
5
6
8
8
9
16
17
24
34+

S(ti)
Ui
0,9
0,9
0,8
0,7
0,7
0,5
0,6
-0,5
0,5
0,1
0,4
-0,1
0,3
-0,3
0,2
-0,5
0,1
-0,7
-0,9

Dari perlakuan a
S = 0,9+0,5+(-0,5)+(-0,7)+(-0,9)
= 2,5

( 5 )( 5 ) [ ( 0,92 ) + ..+ ( 0,9 2) ]

= 0,961111
Var(s) =
(10)(9)
Z=

2,5
=
2,550078
0,961111

Z0,05= 1,64
Karena 2,550078 > 1,64 . H0 ditolak maka S1>S2

5. UJI COXS F
Uji coxs f bertujuan untuk menguji dua perbedaan distribusi ketahanan. Uji coxs f
mendasarkan pada score rata-rata sampel untuk masing-masing kelompok.Berikut langkahlangkahnya:

Susun Observasi dari dua kelompok dengan urutan naik

Hitung

1
1
t rn= + ..+
n
nr+ 1

dengan n adalah observasi total

dalam dua kelompok

Untuk data tanpa observasi tersensor, n observasi ditentukan oleh {trn} . Score
t
t2
rata-rata sampel untuk masing-masing kelompok dinotasikan 1 dan
t1
t2

Statistik ujinya

yang berdistribusi F dengan derajat bebas (2n1;2n2)

Untuk data dgn observasi tersensor, skor rata-rata kelompok 1 adalah

t1 =

r 1 t'1 +(n1r 1) t ( p +1) n

r1

dimana

t1

adalah skor rata-rata individu

yang mati pada kelompok 1. Dengan cara yang sama untuk kelompok 2,
r 2 t'2+(n2r 2) t ( p+1 )n
t2 =
r2

dimana

t2

mati pada kelompok 2. Statistik ujinya

adalah skor rata-rata individu yang

t1
t2

yang berdistribusi F

dengan derajat bebas ( 2r1;2r2 )

Contoh soal:
Diketahui data kegagalan pasien malaria dengan dua macam perlakuan masing-masing 5
pasien adalah sebagai berikut:
perlakuan a
perlakuan b

24
16

2
5

6
9

Hasil perhitungan:
ti

tr(n)

tr(n)A

tr(n)B

17 34+
8
8

34+

0,1
0,211
111
0,336
111
0,478
968
0,645
635
0,845
635
1,095
635
1,428
968
1,928
968
2,928
968

jumlah

10,0

5
6
8
8
9
16
17
24

0,1
0,3361
11
-

0,2111
1
0.5623
02
0,5623
02
0,8456
35
1,0956
35

1,4289
68
1,9289
68
2,9289
68
6,7230 3,2769
15
85

Dari tabel diatas diperoleh

6,723015
t1 =
= 1.680754
4
t 1 ' =

(0,1+0,336111+ 1,428698+1,928698)
= 0.948512
4

3,276985
t2 =
= 0.655397
5
t 2 ' =

(0,21111+0,562302+0,562302+0,845635+1,095635)
= 0.655397
5

Statistik uji:

t1 1.680754
=
= 2.564482
t2 0.655397
F(8;10;0,05)= 3,07