ANALISIS DATA KLINIK

1. Bab 1 Pendahuan
1.1 Pengertian
1.2 Data yang disensor
2. Bab 2 Fungsi dari Waktu Survival
2.1 Definisi
2.2 Hubungan dari Fungsi Survival
3.

ANALISIS DATA KLINIK

BAB 1 PENDAHULUAN
1.1 Pengetian
Dalam buku ini menulis untuk penelitian biomedikal, epidemiologi dengan
membicarakan tentang statistika, yang pertama mahasiswa menghubungkan dengan analisis
data survival, dan kepentingan lainnya dalam mempelajari waktu survival. Idealnya dengan
metode statistika untuk menganalisis data survival yang diperoleh dari penelitian
laboratorium tentang binatang atau dari ilmu pengobatan dan penelitian epidemiologik
manusia yang akut atau penyakit kronik.
Waktu survival dapat didefinisikan secara luas sebagai waktu untuk peristiwa dari suatu
kejadian yang diberikan. Peristiwa ini dapat dibangun dari suatu penyakit, respon untuk suatu
perlakuan, sakit lagi (kambuh), atau kematian. Oleh karena itu, waktu survival dapat menjadi
waktu bebas tumor, waktu dari memulai perlakuan (perawatan) untuk bereaksi, panjang
remisi, dan waktu untuk kematian. Data survival dapat berupa waktu survival, reaksi dari
perawatan yang diberikan, dan sifat pasien yang dihubungkan dengan reaksi, survival dan
perkembangan penyakit. Pada masa lalu, penelitian data survival telah difokuskan pada
prediksi probabilitas untuk reaksi, survival, atau rata-rata selama hidup, dan membandingkan
distribusi surviaval dengan binatang-binatang percobaan atau dengan pasien-pasien manusia.
Dalam tahun ini, mengidentifikasi dari resiko, dan/atau faktor-faktor prognostik yang
dihubungkan dengan reaksi, survival dan perkembangan suatu penyakit yang menjadi sama
penting. Dalam buku ini, perhatian khusus diberikan untuk meneliti data survival dalam ilmu
biomedik, akan tetapi semua metode dapat diaplikasikan dalam industri yang dapat
dipercaya, ilmu sosial dan bisnis. Contoh data survival dalam bidang ini adalah lama aktif
alat elektronik, komponen atau sistem (teknik mesin yang dipercaya), waktu narapidana
untuk pembebasan bersyarat (criminology), lamanya dari pertama perkawinan (sociology),
lamanya suratkabar atau sumbangan majalah (marketing), dan kompensasi klaim pekerja
(insurence) dan resiko macam pengaruh atau faktor prognostic.
1.2 Data Yang Disensor
Banyak peneliti menganggap analisis data survival hanya dapat mengaplikasikan dari dua
menurut metode statistik untuk suatu tipe khusus dari persoalan : parametrik jika distribusi
waktu survival diketahui berdistribusi normal dan nonparametrik jika distribusi waktu
survival tidak diketahui. Asumsi ini akan benar jika waktu survival dari semua subjek tepat
diketahui. Akan tetapi, beberapa waktu survival tidak diketahui. Selanjutnya, distribusi sering
condong atau jauh dari normal. Keadaan ini memerlukan teknik statistik. Satu pengembangan
yang penting adalah mengutamakan data survival dalam ilmu hidup yang terjadi apabila
beberapa subjek tidak mempunyai pengalaman terjadi dari pengamatan terakhir terhadap
penelitian atau waktu analisis. Contohnya, beberapa pasien masih dapat hidup atau dalam
remisi pada yang terakhir dari periode penelitian. Ketepatan waktu survival dari subjek ini
tidak diketahui. Ini yang disebut observasi yang disensor atau waktu yang disensor dan dapat

juga terjadi apabila individu yang hilang setelah mengikuti periode penelitian. Ada tiga tipe
sensor.
1) Sensor tipe 1
Mempelajari binatang biasanya memulai dengan jumlah tertentu dengan perlakuan
atau perlakuan yang diberikan. Karena dari waktu dan/atau batasan korban, peneliti sering
tidak dapat menunggu sampai mati dari semua binatang. Satu opsi dengan mengamati
suatu priode tertentu dari waktu, katakanlah 10 bulan, setelah binatang survive
dikorbankan. Waktu survival dicatat untuk binatang yang mati selama priode penelitian
dari waktu penelitian dimulai sampai mereka mati. Ini disebut tepat atau observasi tanpa
disensor. Waktu survival dari binatang yang dikorban tidak tepat diketahui, tetapi dicatat
sekurang-kurangnya sepanjang dari periode penelitian. Ini yang disebut observasi yang
disensor. Beberapa binatang dapat hilang atau kebetulan mati. Waktu survival mereka dari
memulai eksperimen sampai hilang atau mati adalah juga observasi yang disensor. Dalam
sensor tipe 1, jika tida ada yang kebetulan, semua observasiyang disensor sama dengan
sepanjang periode penelitian.
Contohnya, andaikan bahwa 10 tikus telah menunjukkan gejala kanker dengan injeksi
tumor sel ke dalam telapak kaki mereka. Waktu pengembangan tumor dari suatu ukuran
pengamatan yang diberikan. Pemeriksa memutuskan untuk mengakhiri eksperimen setelah
30 minggu. Gambar 1.1 plot waktu dari pengembangan tumor tikus A, B dan D
menghasilkan tumor masing-masing 10, 15 dan 25 minggu. Tikus C dan E tidak
menghasilkan pada akhir penelitian; waktu tumor bebas mereka adalah 30 minggu plus.
Tikus F kebetulan mati tanpa sesuatu tumor setelah 19 minggu dari observasi. Data
survival (tumor-free time) adalah 10, 15, 30+, 25, 30+, dan 19+ minggu. (Tanda plus
menunjukkan suatu observasi yang disensor)
Tikus

C
D

E
F
O

x
5

10

15

20

25

30
Waktu (minggu)

Gambar 2.1

2) Sensor tipe 2
Opsi lain dalam meneliti binatang adalah dengan menunggu sampai porsi tertentu dari
binatang yang telah mati, katakanlah 80 dari 100 setelah binatang survive dari yang
dikorbankan. Dalam kasus ini, jika tidak ada kebetulan hilang, observasi yang disensor
sama atau lebih besar dari observasi yang tidak disensor. Contohnya, dalam eksperimen 10
tikus (Gambar 1.2) peneliti dapat memutuskan sampai akhir penelitian setelah 4 dari 10
tikus telah terjangkit tumor. Survival atau waktu tumor bebas adalah 10, 15, 35+, 25, 35,
dan 19+ minggu
Tikus

B
C
D

x
x

E
F

x
hilang
5
10
Gambar 1.2

15

20

25

30

35

3) Sensor tipe 3
Sebagian besar dalam penelitian klinis dari penelitian tertentu dan pasien masuk
penelitian pada waktu yang berbeda selama periode. Beberapa dapat mati sebelum akhir
penelitian; waktu survival mereka tepat diketahui. Yang lain dapat pergi sebelum akhir
penelitian dan mengikuti yang hilang. Masih yang lainnya lagi dapat hidup pada akhir
penelitian. Untuk pasien yang hilang, waktu survival pada sebagian besar dari mereka
menerima hubungan yang akhir. Untuk pasien yang masih hidup, sebagian besar waktu
survival dari yang ada pada akhir penelitian. Dua macam observasi terakhir ini adalah
observasi yang disensor. Jika waktu tidak simultan, waktu yang disensor juga berbeda.
Contohnya, andaikan bahwa 10 pasien dengan leukemia akut masuk ke dalam suatu klinis
penelitianselama satu periode penelitian total dari satu tahun. Andaikan juga bahwa
semuanya 10 merespon perlakuan dan remisi sukses. Waktu remisi diplot dalam Gambar
1.3. Pasien A, C dan E remisi masing-masing pada permulaan bulan ke dua, ke empat dan
ke sembilan sukses dan sakit lagi berturut-turut setelah bulan ke 4, 10, dan ke 3. Pasien B
remisi pada permulaan bulan ke 3 sukses, tetapi hilang mengikutiakhir bulan ke 4; remisi
berdurasi lebih dari 4 bulan. Remisi pasien D dan F sukses pada permulaan bulan ke 5 dan
ke 10, dan dalam remisi terakhir dari penelitian; waktu remisi mereka lebih besar 8 dan 3
bulan. Waktu remisi masing-masing dari 10 pasien adalah 4, 4+, 6, 3, dan 3+ bulan.
Observasi yang disensor Tipe 1 dan Tipe 2 juga disebut data sensor tunggal dan data
iksensor tipe 3 progresif (Cohen,1965). Sensoring tipe 3 biasa juga menggunakan nama

sensor random. Semua tipe sensor ini adalah benar sensor atau sensor dengan benar. Bila
tidak ada observasi yang disensor, waktu hidup survival adalah lengkap.
Kita akan meneliti metode deskriptif dan analitik untuk yang komplit, data survival
sensor tunggal dan sensor progresif menggunakan teknik teknik numerik dan grafik.
Metode analitik dibicarakan termasuk parametrik dan nonparametrik. Pendekatan
parametrik digunakan, bila model sesuai atau distribusi cocok dengan data atau bila
distribusi dapat diasumsikan untuk populasi dari sampel yang digambarkan. Distribusi
survival biasa menggunakan eksponensial, Weibull, lognormal dan Gamma. Jika suatu
distribusi survival dibangun dengan data yang tepat, pola survival dapat digambarkan
dengan parameter dalam cara kompak. Statistika inferensi dapat didasarkan pada distribusi
yang terpilih. Jika memeriksa untuk suatu model yang sesuai dari distribusi adalah juga
menghabiskan atau tidak secara ekonomik atau tidak secara teoritik data distribusi cukup
mampu, metode nonparametrik, yang secara umum mudah diaplikasikan.

+
B

hilang
C

+
D
E

+
F

5 6 7 8 9 10 11 12 akhir penelitian
Waktu (bulan)
Gambar 1.3 Contoh dari data sensor tipe III

BAB 2 FUNGSI DARI WAKTU SURVIVAL

Waktu survival adalah data yang berukuran waktu terhadap peristiwa seperti
kegagalan, kematian, bereaksi, sakit lagi, perkembangan penyakit yang diberikan,
pembebasan bersyarat, atau perceraian. Waktu ini adalah subjek untuk variasi random dari
waktu survival yang biasa digambarkan atau dicirikan dengan tiga fungsi.
1) Fungsi survivorship
2) Fungsi densitas probabilitas
3) Fungsi Hazard
Tiga fungsi ini adalah equivalent secara matematika, jika satu dari mereka yang diketahui,
dua yang lain dapat diperoleh.

2.1 Definisi
Misalkan T merupakan waktu survival. Distribusi dari T dapat digolongkan dengan
tiga fungsi yang equivalent sebagai berikut
1) Fungsi survivorship (fungsi survival).
Fungsi ini dinyatakan dengan S(t), didefinisikan sebagai probabilitas individual yang survive
lebih lama dari t:
S ( t )=P (individual yang survave lebihlama dari t)
P(T > t )

(2.1)

Dari definisi fungsi kumulatif F(t) dari t,

S ( t )=1P(kegagalan suatu individual sebelum waktu t )
1F (t )

(2.2)

Di sini S(t) bukan pertambahan fungsi dari waktu t dengan sifat-sifat

S ( t )=1, untuk t=0
dan
S ( t )=0,untuk t=
yaitu, probabilitas yang sirvive sekurang-kurangnya pada waktu nol adalah 1 dan pada waktu
takhingga yang survive adalah nol.
Fungsi S(t) juga diketahui sebagai nilai survival kumulatif. Untuk menggambarkan
cara survival, Berkson (1942) merekomendasikan suatu pengujian grafik S(t). Grafik S(t)
disebut kurva survival. Suatu langkah kurva survival sebagaimana Gambar 2.1 (a)
menyajikan hukum nilai survival atau waktu survival yang pendek. Suatu gradual atau kurva
survival datar seperti Gambar 2.1 (b) menyajikan nilai survival yang tinggi atau yang lama.
Fungsi survivorship atau kurva survival digunakan untuk mendapatkan persentil ke 50
(median) dan persentil lain (ke 25 dan ke 75) dari waktu survival dan membandingkan
distribusi survival dari dua kelompok atau lebih.Median dari waktu survival dalam Gambar
2.1 (a) dan 2.1 (b) kira-kira adalah 5 dan 36 satuan waktu.

Praktisnya, jika tida ada observasi yang disensor, fungsi survivorship diestimasi
sebagai proporsi dari lama pasien survive dari t:
Jumlahlama pasien survive dari t
S^ ( t )=
Jumlah total pasien
S(t)

(2.3)
S(t)

1,0

1,0

0,8

0,8

0,6
0,6
0,4

0,4

0,2

0,2

10 20

30 40

50

60

10 20

30 40

(a)

50

60

(b)

Gambar 2.1 Dua Contoh waktu survival

di mana sirkompleks merupakan suatu estimasi dari fungsi. Bila observasi yang disensor
adalah sekarang, rumus (2.3) tidak dapat dihitung. Contohnya, anggaplah himpunan dari data
survival berikut: 4, 6, 6+, 10+, 15,20. Gunakan rumus (2.3) dan dapat dihitung
5
S^ (5 )= =0,833
. Akan tetapi, kita tidak dapat memperoleh
6

S^ (11) , karena nomor tepat

pasien yang survive lebih dari 11 tidak diketahui. Salah satu pasien ke tiga atau ke empat (6+
dan 10+) dapat survive lebih lama atau kurang dari 11. Jadi, bila observasi yang disensor
adalah sekarang, (2.3) tidak tepat untuk mengestimasi S(t).
2) Fungsi densitas probabilitas (Fungsi densitas)
Seperti suatu variabel random kontinu lain, waktu survival T mempunyai suatu fungsi
densitas probabilitas yang didefinissikan sebagai limit dari probabilitas tentang kegagalan
individu dalam interval yang pendek t sampai t+ t per satuan lebar t , atau disingkat
probabilitas dari kegagalan dalam suatu interval yang sempit per satuan waktu. Itu dapat
dapat ditunjukkan sebagai
f ( t )= lim
nt

P[suatu individu yang mati dalaminterva l ( t , t+ t )]

(2.4 )
t

Grafik f(t) disebut kurva densitas. Gambar 2.2 (a) dan (b) memberikan dua contoh kurva
densitas. Fungsi densitas mempunyai dua sifat sebegai berikut:

1. f(t) adalah suatu fungsi nonnegatif

f ( t ) 0, untuk semua t 0
0,untuk t<0

2. Luas antara kurva densitas dan sumbu t adalah sama dengan 1

Praktisnya, jika tidak ada observasi yang disensor, fungsi densitas probabilitas f(t)
diestimasi sebagai proporsi pasien yang mati dalam suatu interval persatuan lebar:
Jumlah pasienmati dalam memulai interval pada waktu t
f^ ( t )=
(2.5)
( total jumlah pasien )(lebar interval)
f(t)

f(t)

1,0

1,0

2
(a)

(b)
Gambar 2.2 Dua contoh kurva densitas.

Sama dengan estimasi S(t), bila observasi yang disensor adalah sekarang, persamaan (2.5)
tidak dapat digunakan.
Proporsi individu tentang kepastian dalam interval waktu dan puncak ketinggian
frekuensi dari kegagalan dapat dibangun dari densitas. Kurva densitas dalam Gambar 2.2 (a)
memberikan pola nilai kegagalan tinggi pada permulaan penelitian dan mengurangi nilai
kegagalan seperti pertambahan waktu. Dalam Gambar 2.2 (b), ketinggian puncak kegagalan
frekuensi terjadi kira-kira 1,7 satuan waktu. Proporsi individu tentang kepastian antara 1 dan
2 satuan waktu adalah sama dengan luas daerah antara kurva densitas dan sumbu t. Fungsi
densitas juga diketahui seperti nilai kegagalan tidak bersyarat.
3) Fungsi Hazard
Fungsi hazard h(t) dari waktu survival T memberikan nilai kegagalan bersyarat. Indi
didefinisikan sebagai probabilitas dari kegagalan selama interval waktu yang sangat sempit,
dengan asumsi bahwa individu telah survive pada permulaan interval,atau seperti limit dari
probabilitas bahwa kepastian individu dalam interval yang sangat pendek, t sampai t+ t
per satuan waktu yang diberikan bahwa individu telah survive pada waktu t:

h ( t ) = lim
n t

P [ suatuindividu dari kepastian umur t dalam interval waktu ( t , t + t ) ]

t

(2.6)
Fungsi hazard dapat juga didefinisikan dalam bentuk fungsi distribusi kumulatif. F(t) dan
fungsi densitas probabilitas f(t) :
h (t)=

f (t)
1F(t )

(2.7)
Fungsi hazard juga diketahui seperti instantaneous failure rate, force of mortality,
conditional mortality rate dan age-specific failure rate. Itu adalah suatu ukuran kegagalan
sebagai suatu fungsi dari umur individu dalam penertian kuantitas proporsi ke t yang
diharapkan dari umur individu t yang dipastikan dalam interval waktu pendek t sampai
t+ t . Fungsi hazard memberikan resiko kegagalan per satuan waktu selama proses umur.
Praktisnya, bila tidak ada observasiyang disensor, fungsi hazard diestimasi seperti
proporsi pasien mati dalam interval per satuan waktu yang diberikan bahwa mereka telah
survive pada permulaan interval.
Jumlah pasien mati dalam permulaan interval pada waktu t
h^ ( t ) =
( Juml ah pasien survive pada t ) (panjang interval)

Jumlah pasien mati perunit waktu dalam interval

Jumlah pasien survive pada t

(2.8)
Aktuaris biasanya menggunakan nilai rata-rata hazard dalam interval dari jumlah
pasien mati persatuan waktu dalam interval dibagi dengan jumlah rata-rata survivor pada titik
tengah interval:
^ )=
h(t

Jumlah pasien mati perunit waktu dalam interval

1
( Jumlah pasien survive pada t ) ( Jumlah kematian dalaminterval)
2

(2.9)
Estimasi aktuarial dalam (2.9) memberikan nilai hazard tertinggi melalui (2.8) sehingga
estimasi lebih konservatif.
Fungsi hazard bisa bertambah, berkurang, tetap konstan, atau mengindikasikan proses
lebih komplit. Gambar 2.3 dari beberapa macam plot fungsi hazard. Contohnya, pasien dari

leukemia akut yang tidak mendapat respon dari perawatan mempunyai suatu pertambahan
haazard, h1 ( t ) , h2 (t) adalah fungsi hazard yang berkurang, contohnya, ciri-ciri prajurit
yang terluka dengan peluru menjalani operasi. Bahaya utama adalah operasi sendiri dan
bahaya ini berkurang, jikaa operasi saangat sukses, Suatu contoh dari suatu fungsi hazard
yang konstan, h3 (t ) , adalah resiko kesehatan sendiri antara 18 dan 40 tahun dari umur
yang beresiko utama mati adalah kebetulan. Jika disebut kurva bak mandi,

h4 (t)

menggambarkan proses manusia hidup. Selama periode awal resiko tinggi. Sesudah itu,
penundaan h(t) yang konstan kira-kira sampai waktu tertentu, setelah bertambahnya karena
digunakan sampai sampai gagal. Akhirnya, pasien dengan tuberkulosis mempunyai resiko
penambahan tertentu, maka sesudah perawatan akan berkurang. Karena itu, suatu
penambahan lalu penguranganfungsi hazard digambarkan dengan h5 (t ) .
Fungsi hazard kumulatif didefinisikan sebagai
t

H (t )= h ( x ) dx

(2.10)

h(t)
h1 (t)

h4 (t)

h3 (t )

h5 (t )

h2 (t)

0
Gambar 2.3 Contoh fungsi hazard

H (t )=log e S (t)

(2.11)

Jadi, pada t = 0, S(t) = 1, H(t) = 0, dan pada

t= , S(t) = 0,

H (t )= . Fungsi hazard

kumulatif mempunyai suatu nilai antara 0 dan takhingga.

Contoh 2.1
Tiga kolom pertama dari Tabel 2.1 memberikan data survival dari 40 pasien dengan
Myeloma. Waktu survival dikelompokkan ke dalam interval dari 5 bulan. Tabel 2.1 Data
survival sebagai berikut :
Waktu survival t
(Bulan)
05
5 10
10 15
15 20
20 25
25 30
30 35
35 40
40 45
45 50
50

Jumlah pasien yang survive Jumlah pasien mati

pada permulaan interval
dalam interval
40
35
28
22
18
13
9
5
5
3
2

5
7
6
4
5
4
4
0
2
1
2

^
^
a) Hitunglah taksiran fungsi survival ( S ( t ) ), fungsi densitas probabilitas ( f (t)
^
dan fungsi hazard ( h(t ) ),
b) Berikan hubungan secara grafik yang diplot dalam gambar.
Penyesaian :
a) Dari Tabel 2.1
Waktu survival Jumlah pasien
t
yang survive
pada
(Bulan)
permulaan
interval
05
40
5 10
35
10 15
28
15 20
22

Jumlah
pasien mati
dalam
interval
5
7
6
4

S^ ( t )

f^ ( t )

h^ ( t )

1,000
0,875
0,700
.........

0,025
0,035
0,030
.........

0,027
0,044
0,048
.........

20 25
25 30
30 35
35 40
40 45
45 50
50

18
13
9
5
5
3
2

5
4
4
0
2
1
2

Caranya sebagai berikut :

Untuk mengestimasi fungsi survival dapat dihitung dengan persamaan (2.3)

Pada permulaan interval pertama, yaitu semua dari 40 pasien adalah masih hidup
sehingga

40
S^ ( 0 )= =1,000
40

35
S^ (5 )= =0,875
Pada interval ke dua tinggal 35 sehingga
40

dan seterusnya.

Untuk mengestimasi fungsi densitas Probabilitas dapat dihitung dengan persamaan (2.5)

Pada interval pertama (0 5) adalah

5
=0,025
( 40 ) ( 5 )

Pada interval ke dua (5 10) adalah

7
=0,035
dan seterusnya.
( 40 ) ( 5 )

Untuk mengestimasi fungsi hazard dapat dihitung dengan persamaan (2.9)

5

Pada interval pertama adalah

5
5 40
2

Pada interval ke dua adalah

7
5 35
2

=0,027

=0,044

b) Gambar grafiknya

Untuk fungsi survival adalah

S^ (t) estimasi fungsi survivorship

dan seterusnya.

1,0
0,8

0,6
0,4
0,2
5

15

25

3,5

45 50

t (bulan)

(a)

Untuk fungsi densitas adalah

f^ (t) estimasi fungsi densitas

0,04
0,03
0,02
0,01
5

15

Untuk fungsi hazard adalah

25
(b)

35

45

t (bulan)

^ )
h(t

0,100
0,075

0,075

0,025

15

25

35

45

t (bulan)

(c)
Gambar 2.4
Dari Tabel 2.1 atau Gambar 2.4 median waktu survival dari pasien myelome
diperkirakan 17,5 bulan dan puncak tertinggi frekuensi kematian terjadi pada 5 sampai 10
bulan. Fungsi hazard menunjukkan suatu penambahan trend dan puncaknya kira-kira
mencapai 32,5 bulan dan fluktuatif.
2.2 Hubungan Fungsi Survival
Untuk menghubungkan secara matematik diantara tiga fungsi survival dapat melalui
fasal ini tanpa mengurangi kontinuitas;
1. Dari (2.2) dan (2.7)
h (t)=

f (t )
S (t )

(2.12)

Hubungan ini dapat diperoleh dari (2.6) menggunakan dasar definisi dari probabilitas
bersyarat.
2. Karena fungsi densitas probabilitas adalah turunan dari fungsi distribusi kumulatif,
sehingga
d
f ( t )= [ 1S ( t ) ]=S' (t )
(2.13)
dt
3. Substitusi (2.13) ke dalam (2.12) menghasilkan
S' (t ) d
h (t)=
= [ l oge S ( t ) ]
dt
S (t )
4. Integral dari 0 sampai t dengan menggunakan S(0) = 1, didapat

(2.14)

h( x)dx=log e S (t)
0

atau
H (t )=log e S (t)
atau

H (t )

S ( t )=e

h (x)dx

=e

(2.15)

5. Dari (2.12) dan dan (2.15) diperoleh

f ( t )=h( t) eH (t )

(2.16)

Jika f(t) diketahui, fungsi survivorship S(t) dapat diperoleh dari hubungan dasar
diantara f(t), F(t) dan (2.2). Fungsi hazard dapat dihitung dari (2.12). Jika S(t) diketahui, f(t)
dan h(t) berturut-turut dapat dihitung dari (2.13) dan (2.12) atau pertama h(t) dapat diperoleh
dari (2.14) dan melelui f(t) dari (2.12). Jika h(t) diketahui, S(t) dan f(t) berturut-turut dapat
diperoleh dari (2.15) dan (2.16).
Contoh 2.2
Andaikan bahwa waktu survival dari suatu populasi mempunyai fungsi densitas berikut :
t

f ( t )=e , t 0 .
Hitung
a) Fungsi distribusi F(t) !
b) Fungsi survival S(t)
c) Fungsi hazard
Penyelesaian:
t

a)

F ( t )= f (x) dx= ex dx=1et

b)

S ( t )=1F ( t )=1( 1et ) =et

c)

h (t)=

f ( t ) et
= =1
S ( t ) et

(2.2)

BAB 3 METODE NONPARAMETRIK DARI MENGESTIMASI FUNGSI SURVIVAL

Dari tiga fungsi survival, survivorship atau penyajian grafiknya, kurva survival,
adalah lebih luas digunakan. Fasal 3.1 memperkenalkan metode product limit (PL) dari
mengestimasi fungsi survivorship yang dikembangkan oleh Kaplan dan Meier (1958)..
Dengan adanya perluasan dari perhitungan metode ini dapat digunakan sampel dengan yang
kecil, moderat dan besar. Akan tetapi, jika data yang telah disiapkan dapat dikelompokkan ke
dalam interval, atau ukuran sampel adalah sangat besar, katakanlah dalam ribuan, atau
menginginkan dalam suatu populasi yang besar, itu dapat lebih tepat untuk melakukan suatu
analisis life-table. Fasal 3.2 menyediakan untuk didiskusikan dari populasi dan life-table
klinis. Estimasi PL dan estimasi life-table dari fungsi survivorship adalah pada dasarnya
sama. Banyak author/penulis menggunakan bentuk estimasi life-table untuk estimasi PL.
Hanya berbeda bahwa estimasi PL berdasarkan pada waktu survival individu sedangkan
dalam life-table metode survival dikelompokkan ke dalam interval. Estimasi PL dapat
dianggap sebagai suatu kasus khusus dari estimasi life-table, di mana setiap interval hanya
memuat satu observasi.
Fasal 3.3 menjelaskan tiga ukuran lain yang menggambarkan pengalaman survival :
the relative survival rate, the five-year survival rate, dan the corrected survival rate. Fasal 3.4
menggambarkan dua metode, standardisasi langsung dan tidak langsung, untuk mengatur
penilaian dengan pengaruh eliminasi dari perbedaan dalam komposisi populasi dengan respek
untuk umur dan variabel-variabel lain.
3.1 Estimasi Product-Limit dari Fungsi Survivorship
Misalkan kita anggap kasus sederhana di mana semua dari pasien yang diobservasi
t , t , , tn
dengan mati sehingga waktu survival adalah tepat dan diketahui. Misalkan 1 2
adalah waktu survival tepat dari n individu di bawah penelitian. Dengan pengertian, kita
anggap kelompok ini dari pasien-pasien sebagai suatu sampel random dari suatu populasi
t , t , , tn
besar yang tak hingga dari pasien serupa. Kita sebut n waktu survival 1 2
urutan
naik sehingga
t (1) t (2) t (n)
Selanjutnya (2.2) dan (2.3), fungsi survivorship pada

t (i)

dapat diestimasi sebagai

ni
i
S^ ( t (i) )=
=1
n
n

(3.1)

di mana n i adalah jumlah individu dalam sampel yang survive selama

lebih

t (i)

t (i)

. Jika dua atau

adalah sama (hubungan observasi), nilai i terbesar digunakan. Contohnya, Jika

t (2)=t (3) =t (4)

, maka
n4
S^ ( t (2) ) =S^ ( t ( 3) )= S^ ( t ( 4 )) =
n

Ini memberikan suatu estimasi konservative untuk hubungan observasi.

Karena itu setiap individu adalah hidup pada permulaan penelitian dan bukan satu
t
yang yang survive lebih lama dari (n) ,
S^ ( t (0) ) =1

S^ ( t (n) ) =0

dan

Dalam prakteknya,

S^ (t)

(3.2)

dihitung pada setiap waktu survival yang berbeda. Kita

tidak mempunyai keraguan tentang interval di antara waktu survival yang berbeda di mana
^
bukan satu mati dan S (t) sisanya konstan. Persamaan (3.1) dan (3.2) menunjukkan bahwa
S^ (t)
1
n

adalah suatu langkah memulai fungsi pada 1,0 dan pengurangan dalam langkah dari
dengan nol. Bila

S^ (t)

diplot versus t, berbagai persentil dari waktu survival dapat

^
dibaca dari grafik atau dihitung dari S (t) .
Contoh 3.1
Andaikan suatu percobaan klinis di mana 10 pasien kanker paru-paru dilanjutkan dengan
^
mati. Tabel 3.1 daftar waktu survival t dalam dalam bulan. Fungsi S (t) dihitung melalui
(4.1)
^
Tabel 3.1 Perhitungan dari S (t) untuk 10 pasien kanker paru
t

4
5

1
2

S^ (t)
9/10 = 0,9
8/10 = 0,8

6
8
8
8
10
10
11
12

3
4
5
6
7
8
9
10

7/10 = 0,7
4/10 = 0,4
4/10 = 0,4
4/10 = 0,4
2/10 = 0,2
2/10 = 0,2
1/10 = 0,1
0/10 = 0,0

dan diplot sebagai suatu langkah fungsi dalam Gambar 3.1 (a) dan sebagai suatu kurva
smooth dalam Gambar 3.1 (b). Estimasi waktu survival median adalah 8 bulan dari Gambar
3.1 (a) atau 7,6 dari Gambar 3.1 (b). Suatu estimasi yang lebih akurat dapat diperoleh
menggunakan interpolasi linear:
S^ (t)

t
6
m
8

0,7
0,5
0,4
86
8m
=
0,40,7 0,40,5

m=8

2 ( 0,1 )
=7,3 (bulan)
0,3

S^ (t)

S^ (t)

1,0

1,0

0,8

0,8

0,6

0,6

0,4

0,4

0,2

0,2

Bulan
(a)

10 12

Bulan
(b)

10 12

^
Gambar 3.1 Fungsi S (t) dari pasien kanker paru dalam contoh 4.1
Secara teori,

S^ (t)

akan diplot sebagai suatu langkah fungsi karena sisanya konstan

diantara dua waktu survival yang diobservasi tepat. Akan tetapi, bila median waktu survival
harus diestimasi dari suatu kurva survival, kurva smooth (Gambar 4.1 (b)) dapat memberikan
banyak suatu estimasi terbaik dari pada langkah, seperti yang dicirikan dalam contoh.
Metode ini hanya dapat diaplikasikan jika semua pasien selanjutnya mati. Jika
beberapa dari pasien masih hidup pada akhir penelitian , suatu perbedaan metode dari
mengestimasi S(t), seperti estimasi PL yang diberikan oleh Kaplan dan Meier (1958), yang
diperlukan.
Andaikan bahwa 10 pasien bersama suatu penelitian klinis pada awal 1988; bahwa
waktu itu 6 pasien mati dan 4 survive. Pada akhir tahun, 20 tambahan pasien bersama
penelitian. Dalam 1989, 3 pasien yang termasuk dalam awal 1988 dan 15 pasien yang
termasuk belakangan mati, berturut-turut membiarkan satu dan lima surviv0r. Andaikan
bahwa penelitian berhenti pada akhir 1989 dan anda mau mengestimasi proporsi dari pasien
dalam populasi yang survive untuk dua tahun atau lebih, yaitu S(2).
Kelompok pasien pertama dalam contoh ini diikuti dua tahun sedangkan kelompok ke
dua hanya diikuti atu tahun. Satu estimasi yang mungkin, reduced-sample estimate, adalah
1
S^ ( 2 )= =0,1
, yang 20 pasien diabaikan, yang hanya diikuti satu tahun. Kaplan dan
10
Meier percaya bahwa sampel ke dua di bawah observasi untuk hanya satu tahun, dapat
kontribusi untuk estimasi S(2).
Pasien yang survive dua tahun dapat dianggap seperti yang survive tahun pertama dan
lalu survive lebih satu tahun. Jadi, probabilitas dari yang survive dua tahun atau lebih adalah
sama dengan probabilitas dari yang survive tahun pertama dan lalu yang survive lebih satu
tahun. Yaitu,
S(2) = P(yang survive tahun pertama dan lalu yang survive lebih satu tahun) yang
dapat ditulis sebagai
S(2) = P(yang survive dua tahun, diketahui pasien telah survive tahun pertama)
P(yang survive tahun pertama)
(3.3)
Estimasi Kaplan Meier dilanjutkan (3.3) adalah
S(2) = (proporsi pasien yang survive dua tahun yang diketahui mereka survie ontuk satu
tahun) (proporsi pasien yang suervive satu tahun)
(3.4)
Untuk data yang diketahui di atas, satu dari 4 pasien yang telah survive tahun pertama
telah survive dua tahun, jadi proporsi pertama dalam (3.4) adalah 1/4. Empat dari 10 pasien
yang termasuk pada awal 1988 dan 5 dari 20 pasien yang termasuk pada akhir 1988 telah

survive satu tahun. Oleh karena itu, proporsi dalam (4.4) adalah (4+5)/(10+20). Estimasi PL
dari S(2) adalah
1
4+5
S^ ( 2 )=
=0,25 0,3=0,075
.
4 10+20
Rumus sderhana ini dapat digeneralisasi sebagai berikut: Probabilitas dari

k ( 2)

yang survive atau lebih setahun dari permulaan penelitian adalah suatu hasil dari nilai k
survival yang diobservasi.
S^ ( k )= p1 p2 p3 p k
di mana

(3.5)

p1

merupakan proporsi pasien yang survive sekurang-kurangnya satu tahun,

p2

merupakan proporsi pasien yang survive tahun ke dua setelah mereka telah

survive satu tahun

p3

merupakan proporsi pasien yang survive tahun ke dua setelah mereka telah

survive dua tahun

pk

merupakan proporsi pasien yang survive tahun ke k setelah mereka telah

survive k 1 tahun.
Oleh karena itu, estimasi PL dari probabilitas beberapa yang survive, khusus jumlah
tahun dari permulaan penelitian adalah hasil dari estimasi yang sama sampai tahun
sebelumnya, dan nilai survival yang diobservasi untuk thun tertentu, yaitu
S^ ( t )= S^ (t1) pi

(3.6)

Estmasi PL adalah estimasi maksimum likelihood.

Praktisnya estimasi PL dapat dihitung dengan konstruksi suatu tabel lima kolom garis
besar di bawah berikut.
1.

Kolom 1 memuat semua waktu survial ke duanya yang disensor dan tidak disensor
dalam urutan dari terkecil sampai terbesar. Tambahan suatu tanda plus untuk
observasi yang disensor. Jika suatu observasi yang disensor mempunyai nilai yang
sama seperti suatu yang tidak disensor belakangan akan muncul pertama.
2. Kolom ke dua, label i terdiri dari rank yang berkoresponden setiap observasi dalam
kolom 1.

3. Kolom ke tiga, label r, hanya menyangkut untuk observasi yang tidak disensor.
Misalkan r = i.
t
pi
4. Perhitungan (n r)/(n r + 1) atau
, untuk setiap observasi (i) yang disensor
t (i)

dalam kolom 4 memberikan proporsi pasien sampai survive dan kemudian

selesai.
5. Dalam kolom 5,

S^ (t )

adalah hasil dari semua nilai (n r)/(n r + 1) sampai dan

termasuk t. Jika beberapa observasi yang disensor adalah mati, akan digunakan
S^ (t ) terkecil.
Untuk menyederhanakan cara ini, misalkan n adalah jumlah total dari yang individu
waktu survival, disensor atau tidak, adalah yang tersedia. Pelabelan n waktu survival dalam
t t , , t (n)
urutan dari besarnya yang meningkat sedemikian sehingga (1) (2)
. Maka
nr
S^ ( t )=
t t nr +1

(3.7)

(r )

di mana r bilangan bulat positif yang selesai di run yang mana

t (r) t

dan

t (r)

tidak

disensor. Nilai r adalah bilangan bulat yang berurutan 1, 2, ... ,n jika tidak ada observasi yang
^
disensor. Jika ada observasi yang disensor, yang mana nilai t pada S ( t )=0,50 .
Contoh 3.2.
Andaikan lamanya lamanya remisi berikut yang diamati dari 10 pasien (n = 10) dengan solid.
Enam pasien sakit lagi pada 3,0 6,5 6,5 10 12 dan 15 bulan; 1 pasien hilang mengikuti pada
8,4 bulan; dan 3 pasien masih dalam remisi pada akhir penelitian sesudah 4,0 5,7 dan 10
bulan. Hitunglah
a)

S^ (t )

b) Tentuakan median waktu remisi

c) Sketsa waktu remisi yang diobservasi fungsi survivorship pada median waktu remisi
Penyelesaian:
a) Perhatikan bahwa untuk menghitung

S^ (t )

pada

t=t (i)

dihubungkan dengan

S^ (t ) pada t=t (i1) dan (3.6) dapat ditulis seperti

ni
S^ ( t (i1) )= S^ (t (i1 ))
ni+1

(3.8)

di

t (i)

mana

dan

t (i1)

observasi

yang

disensor.

Misalnya,

1
1
9 6 5 3
S^ (12 )=S^ (10 ) =0,482 =0,241
S^ (10 )= =0,482
,
dengan
.
2
2
10 7 6 4
S^ (t)

Dengan cara yang sama nilai estimasi

dapat diperoleh dari (3.5) dan dapat

ditunjukkan dalam Tabel 3.2

^
Tabel 3.2 Perhitungan estimasi PL dari S (t) untuk data dalam contoh 3.2
Waktu Remisi
t

Rank
i

3,0
4,0+
5,7+
6,5
6,5
8,4+
10,0
10.0+
12,0
15,0

1
2
3
4
5
6
7
8
9
10

r
1
4
5
7
9
10

(n r)/(n r + 1)
9/10
6/7
5/6

S^ (t)
9/10=0,900

9/106/7 = 0,771
9/106/75/6 = 0,643
9/106/75/63/4 = 0,482
9/106/75/63/41/2 = 0,241
-

b) Untuk mendapatkan median dapat diperoleh dengan interpolasi linear,yaitu:

S^ (t)
t
6,5
0,771
m
0,5
10,0
0,482
10,06,5
10,0m
=
0,482
0,4820,5 , sehingga dipeoleh m = 9,8
Jadi median adalah 9,8 bulan.
c)
S^ (t )
1,0
0,8
0,6
0,4
0,2

Proporsi yang survive

6
8
Bulan

10

12

14

16

^
Gambar 3.2 Fungsi S (t) dari contoh 3.2a
Jika tidak ada observasi yang disensor atau t korban lebih dahulu, (3.7) adalah
equivalent dengan (3.1).
^
Variansi estimasi PL terhadap S (t) diperkirakan dengan
1
r ( nr ) (nr +1)
Var [ ^S ( t ) ]

S^ (t) 2

(3.9)

di mana r termasuk bilangan bulat positif, untuk

t (r) t

dan

t (r)

berkoresponden dengan

suatu kematian. Untuk data contoh 3.2, misalnya

0,482 2

1
1
+
=0,0352
( 9110 + 6 71 + 5 6
3 4 )
Var [ S^ (10 ) ]=

dan standar error yang diestimasi adalah 0,1876. Dalam contoh 3.1
0,7

1
1
1
+
+
=0,0210
( 9 10
8 9 7 8 )
Var [ S^ ( 6 ) ]=

dan standar error yang diestimasi adalah 0,145. Variansi dapat digunakan ontuk memperoleh
interval konvidensi untuk S(t).
Contoh 3.3.
Andaikan waktu tumor bebas dalam hari dari 30 tikus terhadap diet pengurangan gemuk
dalam tabel 3.3. Tabel 3.4 memberikan perhitungan estimasi PL dari S(t) dan standar error
^
dari S (t) .
Tabel 3.3 Waktu tumor bebas (hari) dari 90 tikus terhadap tiga diet yang berbeda
Tikus
1
2
3

Pengurangan gemuk
140
177
50

Tikus
1
2
3

terpenuhi
124
58
56

Tikus
1
2
3

Tidak terpenuhi
112
68
84

4
65
4
68
4
109
5
86
5
79
5
153
6
153
6
89
6
143
7
181
7
107
7
60
8
191
8
86
8
70
9
77
9
142
9
98
10
84
10
110
10
164
11
87
11
96
11
63
12
56
12
142
12
63
13
66
13
86
13
77
14
73
14
75
14
91
15
119
15
117
15
91
16
140+
16
98
16
66
17
200+
17
105
17
70
18
200+
18
126
18
77
19
200+
19
43
19
63
20
200+
20
46
20
66
21
200+
21
81
21
66
22
200+
22
133
22
94
23
200+
23
165
23
101
24
200+
24
170+
24
105
25
200+
25
200+
25
108
26
200+
26
200+
26
112
27
200+
27
200+
27
115
28
200+
28
200+
28
126
29
200+
29
200+
29
161
30
200+
30
200+
30
178
Sumber: King et al. 1979. Data are used by permission of the author.
Estimasi S(t) dapat diplot dengan median waktu tumor bebas dapat diperkirakan 189
hari.

Rata-rata waktu survival

kurva survival. Untuk estimasi

dapat ditunjukkan dengan daerah yang sama di bawah

, kita dapat menggunakan

^= S^ ( t ) dt
0

yaitu,

adalah sama dengan daerah di bawah fungsi survivorship yang diestimasi.

Sehingga, jika untuk waktu kematian yang terurut seperti

observasi yang tidak disensor) dan

t (m)

(1)

(2)

t t t

(m)

(jika ada m

adaalah observasi terbesar dari semua n observasi

(identik

t (m) =t (n)

diestimasi sebagai

bila

t (n)

adalah observasi yang tidak disensor), maka

dapat

^=1,000 t (1) + ^S ( t (1) ) ( t (2)t (1) ) + S^ ( t (2 )) ( t (3 )t (2) ) ++ S^ ( t (m 1) ) (t (m) t (m1))

(3.10)
di mana jumlah daerah empat persegi panjang di bawah kurva survival yang dibentuk oleh
observasi yang disensor. Andaikan data contoh 3.2 m = 6,
t (3)=6,5 ,

t (4) =10 ,

t (5)=12 , dan

t (1)=3,0 ,

t (2)=6,5 ,

t (6)=15 . Rata-rata waktu survival yang

diestimasi menggunakan (3.10) sebagai berikut:

^=1,000 3,0+ 0,900 ( 6,53,0 ) +0,643 ( 106,5 ) +482 ( 1210 ) +0,241 ( 1512 ) =3,000+3,150+2,251+0,964
10,088 bulan.
Akan tetapi, jika observasi terbesar dalam data yang disensor dan swperti

t (m)

yang digunakan dalam (3.10), sehingga dapat diperoleh suatu estimasi yang rendah. Seperti
kasus Irwin (1949) malahan mendukung tentang pengestimasian rata-rata waktu survival,
akan memilih satu limit waktu L dan estimasi yang membatasi rata-rataa waktu survival
(m)
(L)
dengan suatu waktu L, katakanlah
, dengan menggunakan L untuk t
dalam
(3.10). Misalnya, jika dalam contoh 3.2 observasi terbesar yang disensor, yaitu, 15+ dan jika
misalkan L = 16, maka
^(16) =3,000+3,150+2,251+0,964+ 0,241 ( 1612 )=10,329

bulan

di mana rata-rata waktu survival dibatasi dengan 16 bulan.

Variansi dari

^ diestimasi dengan

A 2r
Var ( ^ )=
r ( nr ) (nr+ 1)
di mana run r melalui bilangan bulat untuk
adalah daerah di bawah kurva

S^ ( t )

dengan

(3.11)
tr

berkaitan dengan suatu kematian dan A

t (r)

yang benar. A ke k, dalam bentuk dari m

observasi yang tidak disensor adalah

S^ ( t (k) ) ( t (k+1 )t k ) + S^ ( t (t+1 ) )( t (k+1)t (k+1) ) ++ S^ ( t (m1) ) (t (m) t (m1) )

(3.12)

Tabel 3.4 Perhitungan dari

S^ (t)

dan standar error dari

S^ (t)

untuk 30 tikus terhadapa

diet penurunan kegemukkan dalam Tabel 3.3

Jml
Waktu i
Tikus Tumor
Bebas
(t)

50

12

56

65

nr
nr +1

S^ (t)

29
30

29
=0,967
30

28
29
27
28

^
Standar Error dari S (t)

1
2 =0,033
( 29 )( 30 )
0,967 2
28

0,967
=0,933
29

( )

1
1
2
27
+
2 =0,046
0,933
=0,900 0,933
( 29 )( 30 ) ( 28 ) (29 )
28

( )

13

66

14
9
10
5
11
15
1
16
6

73
77
84
86
87
119
140
140+
153

5
6
7
8
9
10
11
12
13

5
6
7
8
9
10
11
13

177

14

14

7
8
17
18
19
20
21
22
23

181
191
200+
200+
200+
200+
200+
200+
200+

15
16
17
18
19
20
21
22
23

15
16
-

26
27
25/26
24/25
23/24
22/23
21/22
20/21
19/20
17/18

16/17
15/16
14/15
-

1
1
1
+
+
2 =0,055
26
(
29
)(
30
)
(
28
)(
29
)
(
27
)(
28
)
0,900
=0,867
27
0,900 2

0,833

0,800
0,767
0,062
0,733
0,700
0,667
0,068
0,633
0,073
0,077
17
0,633
=0,598
0,081
18
0,084
0,598(16/17) = 0,086
0,088
0,563
0,528
0,090
0,493
0,091
0,092
0,092
-

( )

( )

24
25
26
27
28
29
30

200+
200+
200+
200+
200+
200+
200+

24
25
26
27
28
29
30

Jika tidak ada observasi yang disensor, mereduksikan (3.10) untuk rata-rata sampel
t = 1 t i
, dan mereduksi untuk
n
t 2t 2

var ( ^ ) =var (t )=

(3.13)

yang mana bukan estimasi takbias. Kaplan dan Meier mendukung tentang (3.11) dan (3.13),
masing-masing diperkalikan dengan m/(m-1) dan n/(n-1) untuk bias yang sebenarnya.
Anggaplah waktu survival dalam contoh 3.1: rata-rata sampel adalah
bulan dan variansi yang diestimasi dari
= 10/9 dikalikan, estimasi variansi dari
Untuk mennghitung variansi
A 1 , A 4 , A 5 , A7 dan A9

Ar

dengan (3.13) adalah 0,616. Jika faktor n/(n-1)

menjadi 0,684.

dalam contoh 3.2, pertama kita hitung 5

pertama adalah

A 1= S^ ( t (1) ) ( t (2) t (1) ) + S^ ( t (2) )( t (3)t (2) ) + + S^ ( t (5) ) (t (6) t (5))

= 3,150 + 2,251 + 0,964 + 0,723 = 7,088
Ar

t = =8,2

ke dua adalah
A 4 =S^ ( t (2) ) ( t (3)t (2) ) + + S^ ( t (5) ) (t (6 )t (5) )

Ar

= 2,251 + 0,964 + 0,723 = 3,938

Ar

ke tga, ke empat dan ke lima berturut-turut adalah

A 5=2,251+0,964 +0,723=3,938
A 7=0,964+0,723=1,687
A 9=0,723

Jadi
2

7,088

3,938 2

3,938 2

2
1,687

0,723 2

^
V
ar ( ^ )=

Standar error yang diestimasi dari

adalah 1,942. Jika dimasukkan faktor

m
6
=
m1 5

ini, hasilnya berturut-turut menjadi 2,330 dan 1,526.

Metode Kaplan Meier memberikan estimasi yang sangat berguna untuk probabilitas
survival dan persense secara grafik untuk distribusi survival. Itu sebagian besar metode yang
digunakan diperluas dalam data analisis survival. Breslow dan Krowley (1974) dan Meier
(1975 b) telah menunjukkan bahwa dengan syarat tertentu, estimasi adalah konsisten dan
secara asimtotik normal. Akab tetapi, keutamaan suatu titik kritis yang kecil akan dinyatakan
1. Estimasi Kaplan Meier terbatas pada interval waktu yang termasuk observasi turun. Jika
observasi terbesor disensor, estimasi pada PL tentang waktu sama dengan nol. Meskipun
estimasi tidak diterima oleh dokter, itu baik karena bukan satu dalam lima sampel yang
lebih lama. Jika estimasi terbesar disensor, estimasi PL tidak pernah sama dengan nol dan
tidak dapat menjelskan observaasi terbesar.
2. Sebagian besar yang biasa digunakan dalam ringkasan statistik analisis survival adalah
median waktu survival. Suatu estimasi sederhana dari median dapat dibaca dari kurva

survival yang diestimasi dengan metode PL seperti waktu t pada

S^ ( t )=0,5 . Akan tetapi,

penyelesaian tidak menjadi khusus. Anggaplah Gambar 3.3 (a), di mana kurva survival
^
t
t
adalah horizontal pada S ( t )=0,5 , beberapa nilai t dalam interval 1 sampai 2
adalah suatu estimasi yang layak dari median. Suatu penyelesaian praktis adalah
mengambil titik tengah dari interval seperti estimasi PL dari median. Gambar 3.3 (b)
t
memperkenalkan suatu kasus yang berlainan dalam estimasi yang jelas ( 1 ) median
cederung overestimate. Suatu cara praktis untuk menangani masalah ini adalah
menghubungkan titik-titik dan kemudian lokasi median.
3. Jika kecil dari 50% untuk observasi yang tidak disensor dan observasi terbesar yang
disensor, median waktu survival tidak dapat diestimasi. Suatu cara praktis untuk
menangani situasi adalah menggunakan probabilitas yang survive dari suatu perpanjangan
waktu yang diberikan, katakanlah satu, tiga, atau lima tahun, atau rata-rata batasan waktu
survival untuk suatu waktu t yang diberikan.
4. Asumsi metode PL tentang mensensor adalah independen dari waktu survival. Dengan
kata lain, alasan suatu observasi yang disensor adalah tidak berkorelasi dengan sebab
kematian. Asumsi ini benar, jika pasien adalah masih hidup pada akhir periode penelitian.
Akan tetapi, asumsi dilanggar jika pasien menghasilkan pengaruh yang merugikan dari
percobaan dan dikuatkan dengan menunda penelitian sebelum kematian atau jika kematian
pasien dari sebab yang lain dari pada di bawah penelitian. Bila ada sensor yang tidak tepat,
metode PL adalah tidak tepat. Praktisnya, satu cara untuk menjauhi masalah adalah
menghidarinya atau mengurangi nya dengan suatu yang minimum.

0,5

0,5

t1
t1
(a)

t2
(b)

Gambar 3.3 Estimasi Kaplan - Meier dari waktu survival media

5.

Dengan estimasi serupa yang lain, standar error (SE) dari estimator Kaplan Meier untuk
^
S(t) diberikan suatu ciri dari potensial error untuk S (t ) . Interval konfidensi lebih tepat
diperhatiakan dari pada estimasi titik

S^ (t) . Suatu interval konfidensi 95% untuk S(t)

S^
adalah S^ ( t ) 1,96 SE .
4.2 Analisis Table Live
Metode life table adalah satu dari teknik terlama untuk pengukuran mortality dan
menggambarkan pengalaman survival dari suatu populasi. Itu telah digunakan dengan
aktuaris, demografi, agen pemerintah dan meneliti obat obatan dalam penelitian survival,
pertumbuhan populasi, fertility, migrasi/perpindahan, lama usia perkawinan, lama waktu
bekerja dan lain sebainya. Telah ada suatu rangkaian masa dari life table pada semua
populasi US sejak 1900. Negara dan pemerintal lokal juga telah menerbitkan life table. Life
table ini, meringkas pengalaman mortalitydarai suatu populasi khusus untuk periode waktu
khusus yang disebut populasi life table. Seperti klinis dan riset epidemiologi menjadi lebih
umum, metode life table telah digunakan pada pasien dengan penyakit yang diketahui
untuk mengikuti suatu priode waktu. Life table dikonstruk untuk pasien yang disebut life
table klinis. Meskipun populasi dan life table klinis adalah serupa dalam perhitungan,
sumber, sumber data yang diperlukan adalah berbeda.
4.2.1 Populasi Life Table
Ada dua macam populasi life table : cohort life table dan current life table.
Cohort life table melukiskan survival atau pengalaman mortality dari kelahiran sampai
kematian dari suatu personal cohort (kelomok) khusus yang menghaslkan tentang waktu yang
sama, contohnya, semua pribadi dihasilkan pada 190.