AbstrakTahun 2010, DBD di Indonesia merupakan suatu kitnya DBD di DKI Jakarta dengan menggunakan metode regresi
penyakit yang tergolong pada kejadian luar biasa (KLB) dengan logistik biner oleh [4], faktor yang berpengaruh adalah pendidi-
jumlah kejadian sebanyak 156.086 kasus dan kematian sebanyak kan kepala rumah tangga dan saluran pembuangan air limbah
1.358. Dari jumlah tersebut, sebanyak 26.059 kasus dan 233
kematian terjadi di Jawa Timur. Untuk mengurangi angka dengan ketepatan klasifikasi 96%. Peneliti [5], menganalisis ten-
kematian akibat DBD, maka penelitian ini akan memodelkan tang faktor-faktor yang mempengaruhi laju kesembuhan pasien
waktu survival pasien penderita DBD yang dirawat di RSU Haji demam berdarah di RS Pamekasan Madura dengan menggunakan
Surabaya dengan faktor-faktor yang diduga mempengaruhi laju analisis bayesian mixture survival. Hasil dari penelitian pada
kesembuhan pasien menggunakan analisis survival regresi cox komponen mixture pertama faktor yang mempengaruhi adalah
dengan distribusi Weibull. Berdasarkan hasil analisis, diperoleh jenis kelamin, kadar hematokrit pasien dan jumlah trombosit pa-
informasi bahwa dari 66 pasien sebesar 67% (44) pasien laki-
laki, 50% (33) pasien berusia 0-14 tahun, 70% (46) pasien sien < 50.000/l, 50.000/l - 100.000/l, 100.000/l - 150.000/l
dengan jumlah trombosit di bawah normal (< 150.000/mm3) serta dan mixture kedua yang berpengaruh adalah jenis kelamin pasien,
faktor-faktor yang mempengaruhi laju kesembuhan pasien pen- kadar hematokrit serta jumlah trombosit 50.000/l-100.000/l.
derita DBD adalah usia dan trombosit di bawah normal. Ketika Berbeda dengan penelitian sebelumnya, penelitian ini mengguna-
antar pasien jumlah trombositnya sama, maka risiko untuk kan analisis survival regresi cox untuk menganalisis laju kesem-
sembuh dari pasien yang berusia satu tahun lebih tua akan lebih buhan pasien penderita DBD di RSU Haji Surabaya. Karena ber-
lama dari pada yang berusia satu tahun lebih muda dan ketika
usia pasien sama, dengan jumlah trombosit di bawah normal dasarkan penelitian yang dilakukan oleh [6], dengan mengguna-
akan mencapai sembuh lebih lama daripada pasien dengan kan regresi cox menghasilkan analisis yang lebih baik dibanding-
jumlah trombosit yang normal. kan de-ngan menggunakan Random Survival Forests (RSF) un-
tuk mengetahui faktor risiko yang mempengaruhi kelangsungan
Kata KunciDBD, regresi cox, survival, Weibull hidup dari 279 pasien kanker payudara di Turki.
nyamuk Aedes Aegypti [1]. Di Indonesia DBD merupakan pe- Analisis survival merupakan suatu metode statistik yang
nyakit dengan jumlah pasien tertinggi kedua setelah penyakit berkaitan dengan waktu, yaitu dimulai dari time origin atau
diare yang dirawat di rumah sakit, termasuk pada kejadian luar start point sampai pada suatu kejadian khusus (failure
biasa (KLB) dan merupakan kejadian tertinggi di ASEAN. event/end point). Salah satu analisis survival yang digunakan
Tercatatat bahwa sebanyak 156.086 kasus dan 1.358 kematian adalah regresi cox, yaitu suatu regresi yang digunakan untuk
terjadi pada tahun 2010 [2]. Dari jumlah tersebut, sebanyak analisis data dengan variabel dependennya berupa waktu sur-
26.059 kasus dan 233 kematian terjadi di Jawa Timur, dimana vival. Waktu survival tersebut diperoleh dari suatu pengama-
kasus tersebut terjadi hampir di seluruh wilayah, yaitu sebesar tan terhadap obyek yang dicatat waktu dari awal kejadian
80% wilayah terjangkit DBD [3]. Untuk mengurangi angka sampai terjadinya peristiwa tertentu, yaitu kegagalan dari se-
kematian akibat DBD, maka peneliti akan melakuakan tiap obyek yang disebut dengan failure event [7]. Kegagalan
pemodelan antara waktu survival dengan faktor yang diduga yang dimaksudkan antara lain adalah kematian karena penya-
mempengaruhinya. Beberapa penelitian yang telah dilakukan kit tertentu, keadaan sakit yang terulang kembali setelah pen-
mengenai DBD adalah faktor risiko yang mempengaruhi terjang- gobatan atau munculnya penyakit baru.
JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 2012) ISSN: 2301-928X D-272
Tiga faktor yang harus diperhatikan dalam menentukan dapat dilakukan uji distribusi data dengan menggunkan pen-
waktu survival adalah : dekatan Anderson Darling [11]. Rumusnya adalah sebagai
1. Waktu awal (time origin/starting point) suatu keja- berikut.
dian. 1n
2. Failure event dari keseluruhan kejadian harus jelas. A2 n 2i 1ln F( Xi ) ln(1 F( X n1i )) (6)
n i1
3. Skala pengukuran sebagai bagian dari waktu harus
Suatu data dikatakan mengikuti distribusi Weibull ketika nilai
jelas.
Anderson-Darling yang diperoleh adalah yang terkecil,
Apabila waktu sampai terjadinya kegagalan tidak
dibanding dengan nilai Anderson-Darling pada distribusi yang
diketahui sampai batas waktu tertentu, maka menggunakan
lain. Untuk mendapatkan estimasi parameter pada regresi cox,
selisih waktu mulai dilakukannya pengamatan sampai waktu
maka dapat menggunkan metode MLE dengan fungsi
terakhir penelitian, maka data tersebut termasuk data tersensor
likelihood-nya adalah sebagai berikut.
(censored data). Menurut [8], data tersensor merupakan suatu
pengamatan waktu survival tidak sampai pada failure event,
L
n
exp ' x t (7)
penyebabnya adalah :
1. Lost of follow up
t 1 lR t exp x l
l
'
2. Drop Out Setelah fungsi likelihood terbentuk, maka selanjutnya
3. Termination of the study membuat fungsi ln-likelihood dan mencari turunan pertama
serta kedua disamadengankan dengan nol. Karena estimasi
B. Regresi Cox parameter yang diperoleh implisit, maka digunakan metode
Regresi cox merupakan salah satu analisis survival yang iterasi numerik, yaitu metode NewtonRaphson [7]. Apabila
g adalah vektor berukuran px1 yang merupakan turunan
sering digunakan. Metode ini pertama kali dikenalkan oleh
Cox dan responyang digunakan adalah data yang diperoleh da-
ri perhitungan waktu suatu peristiwa tertentu (waktu survival). pertama fungsi ln L() terhadap parameter . H adalah
Misalnya data tentang waktu pasien menderita penyakit terten- matrik hessian berukuran pxp yang berisi turunan kedua dari
tu, dimana perhitungannya dimulai dari awal sakit hingga ter- fungsi likelihood yang ditransformasikan ke ln-likelihood,
jadi pada kejadian khusus, yaitu seperti kematian, sembuh atau maka estimasi parameter pada iterasi ke (l+1) adalah sebagai
kejadian khusus lainnya [9]. Regresi cox ini tidak mempunyai berikut.
g
asumsi mengenai sifat dan bentuk sesuai dengan distribusi ( l 1) 1 (8)
normal seperti asumsi pada regresi yang lain, distribusi yang (l )
H (l ) (l )
3. Jenis Kelamin
Berikut adalah persentase jenis kelamin pasein penderita Gambar. 3. Trombosit pasien penderita DBD
DBD yang di rawat di RSU Haji Surabaya.
Gambar 2 di atas, terlihat bahwa sebanyak 67% laki-laki
dan 33% perempuan. Maka dari 66 pasien penderita DBD, C. Faktor-faktor yang Mempengaruhi Laju Kesembuhan Pa-
laki-laki sebanyak 44 pasien dan perempuan sebanyak 22 Tabel 2.
pasien. Pengujian Distribusi Data terhadap Waktu Survival
Distribusi Anderson-Darling (adj)
2-Parameter Wibull 1,354
2-Parameter Lognormal 1,889
Exponential 15,395
Loglogistic 1,552
3-Parameter Weibull 1,356
3-Parameter Lognormal 1,359
3-Parameter Exponential 9,062
3-Parameter Loglogistic 1,400
Smallet Extreme value 2,040
Normal 1,365
Logistic 1,418
1. Uji Serentak
Uji serentak ini digunakan untuk mengetahui apakah
variabel independen yang digunakan pada model berpengaruh
Gambar. 2. Jenis kelamin pasien penderita DBD
signifikan secara bersama-sama. Berikut adalah hasilnya.
B. Pengujian Distribusi Data H0 : 1 = 2 = ... = p = 0
Pengujian tersebut dapat digunakan untuk mengetahui dis- H1 : paling sedikit ada satu k 0, dengan k = 1, 2, ..., 6
tribusi yang paling sesuai (Law dan Kelton, 2000). Uji distri- : 0,05
busi data pada variabel dependen (T) atau waktu survival ini G2 : 17,248
JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 2012) ISSN: 2301-928X D-275
2. Uji Parsial
Variabel DF Estimate ( ) Hazard ratio e
Untuk mengetahui variabel independen mana yang ber- Usia 1 0,0055 1,0055
Trombosit (1) 1 0,1541 1,1667
pengaruh signifikan terhadap model, maka langkah selanjut-
nya adalah melakukan uji parsial terhadap parameter-
1. Laju Kesembuhan Pasien berdasarkan Usia
parameternya. Berikut hipotesis dan hasilnya.
H0 : k = 0 Dari Tabel 6, dapat diperoleh informais bahwa risiko untuk
H1 : k 0 sembuh ketika usia pasien satu tahun lebih tua adalah sebesar
: 0,05 1/1,0055 atau 0,9945 kali dari pasien yang berusia satu tahun
lebih muda. Sehingga, dapat dikatakan bahwa semakin tua usia
12, = 0,00393214 seorang pasien, maka untuk mencapai sembuh semakin lama.
wilayak kritis : Tolak H0 jika hitung
2
12, 2. Laju Kesembuhan Pasien berdasarkan Trombosit
Hasil pegujian secara parsial berdasarkan Tabel 3, parameter Laju kesembuhan pasien dengan jumlah trombosit di
yang signifikan adalah usia dan trombosit. Hal tersebut dapat bawah normal dibandingkan dengan yang normal adalah
dilihat dari nilai hitung yang lebih besar dari nilai
2
tabel
2
. 1/1,1667 atau 0,8572, maka laju kesembuhan pasien dengan
jumlah trombosit di bawah normal adalah 0,8572 kali jumlah
Kriteria kebaikan model berdasarkan nilai AIC yang
trombosit normal. Sehingga laju kesembuhan pasien penderita
diperoleh adalah 4,0001. Hal ini dapat dilihat pada Tabel 4.
DBD dengan jumlah trombosit dibawah normal cenderung
Estimasi parameter untuk masing-masing variabel berdasarkan
lebih lama apabila dibandingkan dengan pasien yang memiliki
model terbaik adalah.
jumlah trombosit normal.
Sehingga model terbaiknya dapat dituliskan sebagai berikut.
V. KESIMPULAN DAN SARAN
Tabel 4.
Nilai AIC untuk mendapatka model terbaik
Variabel AIC Kesimpulan yang dapat diambil dari penelitian ini adalah rata-
Semua Variabel Independen 12,0004 rata lama rawat inap dari 66 pasien penderita DBD adalah selama
Tanpa Leukosit 10,0004 6 hari, dengan rawat inap paling sebentar adalah selama 2 hari
Tanpa Leukosit dan Jenis Kelamin 8,0003 dan paling lama adalah 10 hari. Terdapat 33 pasien penderita
Tanpa Leukosit, Jenis Kelamin dan Hemoglobin 6,0001
Usia dan Trombosit 4,0001 DBD dengan kelompok usia muda (0-14 tahun), 44 pasien berje-
nis kelamin laki-laki, dan 46 pasien jumlah trombositnya kurang
dari 150000/mm3 dengan 1 pasien yang dirawat kurang dari 4
hari, 29 hari dirawat 4-6 hari dan 16 pasien dirawat lebih dari 6
Tabel 5. hari. Faktor-faktor yang diperkirakan mempengaruhi laju kesem-
Estimasi parameter regresi cox pada model terbaik buhan pasien adalah usia dan trombosit kurang dari 150000/mm3.
Variabel DF Estimate Wald Chi-Square Sig Risiko sembuh pasien dengan usia satu tahun lebih tua akan lebih
Intercept 1 1,5875 575,85 <0,0001 lama dari pada usia yang lebih muda dan risiko untuk mencapai
Usia 1 0,0055 4,4667 0,0346 sembuh pasien dengan trombosit di bawah normal juga akan
Trombosit(1) 1 0,1541 4,9333 0,0263 lebih lama dari pada yang normal. Oleh karena itu, sebaiknya
Trombosit(2) 0 0,0000 . . pihak rumah sakit selain memberikan penanganan yang intensif
Scale 1 0,2484
Shape 1 4,0265 kepada pasien yang trombositnya di bawah normal juga pada usia
yang lebih tua.
DAFTAR PUSTAKA
t
h ( t ) exp ' x
[1] Wikipedia. (2012). Demam Berdarah. Diakses pada 27 Januari 2012,
4 , 0265 dari http://id.wiki-pedia.org/wiki/Demam_Berdarah
4 , 0265 t
h t
[2] Kementrian Kesehatan RI. (2011). Profil Kesehatan Indonesia 2010.
Diakses pada 27 Januari 2012, dari http://www.depkes.go.id
0 , 2484 0 , 2484
/downloads/Profil_Kesehatan_Indonesia_2010.pdf
exp 0 , 0055 usia 0 ,1541 trombosit (1) [3] Dinkes Jatim. (2011). Profil Kesehatan Provinsi Jawa Timur 2010. Di-
akses pada 27 Januari 2012, dari http://dinkes.jatimprov.go.id/user-
file/dokumen/1321926974_Profil_Kesehatan_Provinsi_Jawa_Timur_20
D. Laju Kesembuhan Pasien 10.pdf
Untuk mengetahui laju kesembuhan pasien penderita DBD [4] Ratnasari, A. (2010). Faktor Risiko Yang Mempengaruhi Terjangkitnya
Penyakit Demam Berdarah Dengue Di Daerah Endemis (Dki Jakarta)
yang dirawat di RSU Haji Surabaya berdasarkan faktor-faktor
JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 2012) ISSN: 2301-928X D-276