Anda di halaman 1dari 5

BAB I

PENDAHULUAN

1.1 Latar Belakang


Analisis survival adalah analisis data yang memanfaatkan informasi
kronologis dari suatu kejadian atau peristiwa (event). Respon yang diperhatikan
adalah waktu sampai terjadinya suatu event, sehingga analisis survival sering
disebut juga analisis antar kejadian (time-to-event analysis). Waktu suatu objek
telah bertahan selama periode pengamatan atau sampai terjadinya suatu event yang
diinginkan disebut survival time atau failure time. Dengan kata lain, survival time
adalah suatu variabel yang mengukur waktu dari sebuah titik awal tertentu sampai
dengan sebuah titik akhir yang ingin diperhatikan.
Analisis survival banyak digunakan pada bidang-bidang terapan seperti ilmu
kedokteran, ekonomi, sosiologi, psikologi, teknik dan berbagai bidang lain.
Kejadian (event) dapat dianggap sebagai suatu kegagalan (failure), karena event
yang diperhatikan biasanya berupa kematian pasien, kambuhnya penyakit setelah
perawatan, kerusakan mesin, dan lain sebagainya. Disamping itu, terdapat juga
kasus kegagalan yang kejadiannya positif, seperti sembuhnya seseorang setelah
dilakukan operasi.
Beberapa metode analisis tersedia untuk mendapatkan informasi dari data
survival, misalnya metode non-parametrik dengan menggunakan estimasi Kaplan-
Meier maupun Nelson-Aalen. Akan tetapi, hanya melihat waktu survival saja tidak
bisa mengakomodir keberadaan informasi dari pengukuran lainnya. Metode
parametrik, misalnya dengan regresi, memberikan hasil yang lebih baik. Hal ini
dikarenakan pada regresi parametrik dapat diketahui pola dan kekuatan hubungan
antara waktu kejadian dengan satu atau lebih variabel prediktor (covariate) yang
terukur pada saat dilakukan penelitian.
Dalam penelitian analisis survival tidak bisa digunakan analisis regresi
klasik, karena data waktu hidup jarang dijumpai yang berdistribusi normal. Salah
satu asumsi dari analisis regresi klasik adalah datanya berdistribusi normal,
sehingga jika dipaksakan untuk tetap menggunakan model regresi linear maka

1
2

model tersebut tidak terlalu bagus untuk menggambarkan data. Selain itu, dalam
analisis survival data yang digunakan tidak berasal dari satu orang tetapi dari
beberapa pasien yang memiliki kriteria yang berbeda-beda sehingga uji univariat-
nya tidak dapat digunakan dan masih banyak faktor lain yang menyebabkan analisis
regresi klasik tidak dapat digunakan untuk menganalisis data survival.
Salah satu model regresi yang sering digunakan dalam analisis survival
adalah regresi Cox. Seperti halnya regresi klasik, regresi Cox mempunyai variabel
dependen, yang berupa data waktu hidup, dan variabel independen atau kovariat.
Pengaruh kovariat-kovariat pada data survival dapat dilakukan dengan memodelkan
conditional hazard sebagai fungsi dari kovariat-kovariatnya. Conditional hazard
dari individu dengan kovariat-kovariat merupakan produk dari baseline hazard dan
fungsi eksponen kovariat-kovariatnya.
Baseline hazard merupakan fungsi yang bergantung pada waktu dan tidak
melibatkan kovariat. Sedangkan bagian ekspresi eksponensial merupakan fungsi
yang bergantung pada kovariat tanpa melibatkan waktu. Oleh karena itu, model
regresi Cox lebih dikenal sebagai model semi-parametrik. Model regresi Cox
berbeda dengan model parametrik, dimana baseline hazard pada model parametrik
mempunyai bentuk yang jelas. Dalam kenyataannya, data yang dimiliki tidak
diketahui distribusinya, sehingga bentuk baseline hazard juga tidak dapat diketahui.
Model semi-parametrik lebih sering digunakan, karena walaupun bentuk
fungsional baseline hazard tidak diketahui, tetapi model regresi Cox ini tetap dapat
memberikan informasi yang berguna, berupa hazard ratio (HR) yang tidak
bergantung pada baseline hazard. Hazard ratio untuk dua individu dengan nilai
kovariat yang berbeda tidak akan dipengaruhi oleh waktu. Dengan kata lain, hazard
untuk satu individu proporsional dengan hazard individu lainnya dengan
keproporsionalan yang konstan. Oleh sebab itu, model regresi Cox juga dikenal
dengan nama model regresi Cox Proportional Hazard.
Ketika model regresi Cox Proportional Hazard diterapkan pada data
survival, hal yang harus dipenuhi adalah bahwa data harus memenuhi asumsi
proportional hazard. Proportional hazard yang tidak signifikan dapat
menyebabkan tidak adanya perbedaan dalam interpretasi data terutama untuk
ukuran sampel yang besar.
3

1.2 Tujuan Penulisan


Penyusunan tugas akhir ini adalah untuk memenuhi salah satu syarat untuk
mencapai derajat sarjana S1 Program Studi Statistika, Jurusan Matematika, Fakultas
Matematika dan Ilmu Pengetahuan Alam, Universitas Gadjah Mada Yogyakarta.
Berdasarkan latar belakang yang telah diuraikan, penulis merumuskan
beberapa tujuan yang ingin dicapai melalui penulisan ini antara lain:
a. Mempelajari lebih mendalam materi tentang model regresi Cox
Proportional Hazard, baik itu persamaan regresinya, macam-macam model
regresi Cox PH, cara mendapatkan estimasi koefisien regresinya maupun
kelebihan dan kekurangan yang dimiliki model regresi Cox PH.
b. Mempelajari metode-metode pengecekan asumsi Proportional Hazard pada
model regresi Cox PH.
c. Mengaplikasikan model regresi Cox PH dan pengecekan asumsi
Proportional Hazard pada data survival untuk mengetahui faktor-faktor
yang mempengaruhi besarnya risiko untuk meninggal yang dimiliki pasien
penyakit paru-paru di klinik Mayo.

1.3 Ruang Lingkup Masalah


Dalam penelitian ini, batasan masalah sangat diperlukan untuk menjamin
keabsahan dalam kesimpulan yang diperoleh. Agar tidak terjadi penyimpangan dari
tujuan semula, maka pembahasan akan difokuskan hanya pada pengecekan uji
asumsi proportional hazard pada model regresi Cox PH.

1.4 Metodologi Penelitian


Metode yang dipakai dalam penulisan tugas akhir ini, lebih kepada studi
literatur yang diperoleh dari perpustakaan dan juga jurnal-jurnal elektronik yang
berhubungan dengan tema dari tugas akhir ini. Sumber lainnya juga diperoleh
melalui situs-situs penunjang yang tersedia di internet, maupun bimbingan langsung
dari dosen pembimbing. Pengerjaan tugas akhir ini juga ditunjang dengan software
R-3.1.2.
4

1.5 Tinjauan Pustaka


Beberapa mahasiswa pernah mengangkat tema regresi Cox antara lain
Regresi Cox (Maulida, 2006) dan Regresi Cox dengan Time Dependent
Covariates (Setyorini, 2009). Maulida dalam tulisannya membahas ketepatan hasil
estimasi koefisien regresi Cox dengan simulasi untuk data yang berdistribusi
eksponensial, weibull dan log-normal. Sedangkan Setyorini dalam tulisannya
membahas regresi Cox dimana kovariat atau variabel independennya berupa data
yang berubah menurut waktu.
Perbedaan karya tulis ini dengan karya tulis sebelumnya adalah, pada karya
tulis ini membahas lebih mendalam tentang pengecekan uji asumsi proportional
hazard pada model regresi Cox PH. Proportional hazard yang tidak signifikan
dapat menyebabkan tidak adanya perbedaan dalam interpretasi data terutama untuk
ukuran sampel yang besar.
Konsep-konsep dasar survival diambil dari diktat kuliah Analisis Data
Survival oleh Dr. Danardono, MPH., buku Modelling Survival Data: Extending
the Cox Model oleh Terry M. Therneau dan Patricia M. Grambsch, buku Survival
Analysis: Techniques for Censored and Truncated Data oleh John P. Klein dan
Melvin L. Moeschberger.

1.6 Sistematika Penulisan


Tugas akhir ini disusun dengan sistematika penulisan sebagai berikut:
BAB I PENDAHULUAN
Bab ini membahas mengenai latar belakang, tujuan penulisan, ruang
lingkup masalah, metodologi penelitian, tinjauan pustaka, serta
sistematika penulisan.
BAB II LANDASAN TEORI
Bab ini membahas tentang teori penunjang yang digunakan dalam
pembahasan, diantaranya adalah analisis survival, fungsi survival,
fungsi hazard, data ketahanan hidup, counting process, metode
maximum likelihood, metode Newton Raphson, metode Kaplan-
Meier, serta koefisien korelasi.
5

BAB III PENGECEKAN ASUMSI PROPORTIONAL HAZARD


Bab ini membahas mengenai regresi Cox proportional hazard,
partial likelihood, uji parameter regresi Cox PH, residual, uji asumsi
proportional hazard, uji asumsi proportional hazard dengan
software R, strategi untuk data tidak proporsional, penyebab
ketidakproporsionalan.
BAB IV ANALISIS DATA
Bab ini membahas mengenai aplikasi model regresi Cox dan
pengecekan uji asumsi proportional hazard pada data survival.
Analisis data menggunakan dua data, yaitu data yang memenuhi
asumsi proportional hazard dan data yang tidak memenuhi asumsi
proportional hazard.
BAB V PENUTUP
Bab ini membahas kesimpulan berdasarkan pembahasan sebelumnya
dan saran sebagai konsekuensi dari kekurangan maupun kelebihan
dari hasil pembahasan.