RIDWAN
1211141004
JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS NEGERI MAKASSAR
MAKASSAR
2016
PERSETUJUAN PUBLIKASI UNTUK KEPENTINGAN AKADEMIK
Menyetujui
Pembimbing I Yang Menyatakan
Saya bertanda tangan di bawah ini menyatakan bahwa skripsi ini adalah hasil
karya sendiri, dan semua sumber yang dikutip ataupun yang dirujuk telah saya
nyatakan dengan benar. Bila dikemudian hari ternyata pernyataan saya terbukti
tidak benar, maka saya bersedia menerima sanksi yang ditetapkan oleh FMIPA
UNM MAKASSAR.
Nama : Ridwan
NIM : 1211141004
Tanggal : Maret 2016
MOTTO
7. Barangsiapa yang mengerjakan kebaikan seberat dzarrahpun, niscaya Dia akan melihat
(balasan)nya.
8. dan Barangsiapa yang mengerjakan kejahatan sebesar dzarrahpun, niscaya Dia akan
melihat (balasan)nya pula.
“Pelajarilah apa yang ingin engkau pelajari karena keinginan untuk mengembangkan wawasanmu
dan keingin tahuanmu bukan untuk mendapatkan nilai yang tinggi”
“Tak ada badai yang tak dapat dilewati kecuali engkau akan mendapatkan kebahagiaan di
dalamnya”
“Tanamkan kebaikan pada dirimu maka engkau mendaptkan kebaikan pula untuk masa depan yang
lebih baik”
Ridwan, (2016). Analisis Survival Dengan Pendekatan Regresi Cox Pada Kasus
Demam Berdarah Dengue (DBD) Di Rumah Sakit Labuang Baji Makassar.
Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam,
Universitas Negeri Makassar (dibimbing oleh Aswi dan Wahidah Sanusi).
Kata kunci: Distribusi Gamma, model cox, kejadian bersama, metode breslow,
demam berdarah dengue (DBD).
ABSTRACT
terutama kepada :
1. Bapak Prof. Dr. Abdul Rahman, M.Pd. selaku Dekan Fakultas Matematika
dan Ilmu Pengetahuan Alam Universitas Negeri Makassar yang telah
memberikan kelancaran pelayanan dalam urusan akademik.
2. Bapak Dr. H. Djadir, M.Pd. selaku Ketua Jurusan Matematika Universitas
Negeri Makassar yang telah memberikan kelancaran pelayanan dalam
urusan akademik.
3. Bapak Sukarna, S.Pd., M. Si. selaku Ketua Program Studi Matematika
Universitas Negeri Makassar yang telah memberikan kelancaran
pelayanan dalam urusan akademik serta Penasehat Akademik yang telah
memberikan bimbingan serta motivasi selama studi.
4. Ibu Hj. Aswi, S. Pd., M.Si. dan Ibu Wahidah Sanusi, S.Si, M.Si., Ph.D.
selaku dosen pembimbing yang telah berkenan memberikan waktu luang,
arahan, bimbingan serta dengan penuh kesabaran meneliti setiap kata demi
kata dalam skripsi ini.
5. Seluruh dosen Jurusan Matematika Universitas Negeri Makassar yang
telah memberikan ilmu, nasehat, bimbingannya kepada penulis.
6. Orangtua dan keluarga besar yang telah memberikan doa, dukungan, serta
semangat kepada penulis.
7. Seluruh teman-teman matematika angkatan 2012 yang telah menghibur
serta menyemangati penulis.
8. Semua pihak yang telah membantu penulisan skripsi ini hingga selesai.
Semoga yang telah penuliskan sebutkan di atas mendapat imbalan bernilai
pahala di sisi Allah SWT. Penulis menyadari adanya ketidaktelitian, kekurangan
dan kesalahan dalam penulisan tugas akhir skripsi ini. Oleh karena itu, penulis
menerima kritik dan saranyang bersifat membangun. Semoga penulisan tugas
akhir ini dapat bermanfaat bagi pembaca dan pihak yang terkait.
Ridwan
DAFTAR ISI
MOTTO ..................................................................................................... v
PERSEMBAHAN ...................................................................................... vi
D. Tujuan ................................................................................................ 6
E. Manfaat .............................................................................................. 7
J. Odds Ratio....................................................................................... 29
N. Hipotesis.......................................................................................... 35
B. Pembahasan ..................................................................................... 83
A. Kesimpulan ..................................................................................... 85
B. Saran ................................................................................................ 86
LAMPIRAN ............................................................................................... 89
DAFTAR TABEL
PENDAHULUAN
A. Latar Belakang
biasanya akan menghasilkan data yang berhubungan dengan waktu hidup dari
suatu individu. Data waktu hidup merupakan variabel random non negatif.
Analisis statistika yang digunakan untuk menganalisis data waktu hidup tersebut
Analisis survival adalah salah satu prosedur statistik untuk melakukan analisa
data berupa waktu tahan hidup dan variabel yang mempengaruhi waktu tahan
hidup, yaitu data waktu tahan hidup mulai dari waktu awal penelitian yang sudah
ditentukan sampai waktu terjadinya suatu kejadian. Kejadian yang diamati dapat
kecelakaan dan lain-lain. Analisis tahan hidup berkaitan dengan waktu tahan
hidup, dengan diketahui waktu tahan hidup maka dapat diketahui peluang tahan
Menurut Lee dan Wang (2003) dalam Mandini (2015), terdapat dua cara yang
dapat dilakukan dalam pengambilan sampel pada analisis data tahan hidup yaitu
dilakukan jika waktu tahan hidup dari individu yang diamati tidak diketahui
yang populer dan dapat digunakan untuk menganalisis model survival adalah
(Sari, 2011 dan Nelson, 1982). Distribusi yang memiliki nilai Anderson-Darling
(AD) terkecil adalah distribusi yang paling cocok atau mendekati variabel respon
hidup menggambarkan analisis data waktu tahan hidup dari awal waktu penelitian
sampai kejadian tertentu terjadi. Salah satu metode analisis ketahanan hidup
adalah regresi Cox. Regresi Cox merupakan salah satu metode statistika yang
independen.
Regresi Cox pertama kali dikembangkan oleh Cox pada tahun 1972. Regresi
ini lebih populer digunakan dalam penelitian tentang data kesehatan, data
ekonomi, yang variabel responnya berupa waktu (hari, bulan, tahun). Misalnya
data tentang waktu pasien menderita penyakit tertentu, dimana dimulai dari awal
masuk rumah sakit sampai terjadi kejadian tertentu, seperti kematian, sembuh atau
proportional hazard dan regresi cox nonproportional hazard. Model regresi dapat
proportional yang menunjukkan bahwa rasio dari dua individu konstan dari waktu
menunjukkan bahwa rasio dari dua individu tidak konstan dari waktu ke waktu
Menurut Collett (2004) dalam Hutahaean (2014), pada regresi Cox Proportional
Hazard tidak diperlukan asumsi distribusi seperti halnya pada regresi linear,
melainkan waktu kegagalan individu suatu faktor dengan faktor yang lainnya
harus proporsional. Regresi Cox ini tidak mempunyai asumsi mengenai sifat dan
bentuk yang sesuai dengan distribusi normal seperti asumsi pada regresi yang lain,
distribusi yang digunakan adalah sesuai dengan distribusi dari variabel responnya
yaitu lama rawat inap pasien demam berdarah dengue, yang diperoleh dari uji
dimana kemungkinan kegagalan individu pada suatu waktu yang dipengaruhi oleh
Demam Berdarah Dengue (DBD) merupakan salah satu penyakit yang hampir
penyakit yang disebabkan oleh virus Dengue yang ditularkan dari orang ke orang
melalui gigitan nyamuk Aedes (Ae). Ae aegypti merupakan vektor yang paling
utama, namun spesies lain seperti Ae.albopictus juga dapat menjadi vektor
penular. Menurut penelitian menyatakan bahwa nyamuk penular dengue ini
ketinggian lebih dari 1000 meter di atas permukaan laut seperti di daerah
pegunungan. Akan tetapi penduduk yang ada di daerah pegunungan sering kali
terjangkit penyakit DBD meskipun dalam jumlah penderita sedikit. Penyakit DBD
banyak dijumpai terutama di daerah tropis dan sering menimbulkan kejadian luar
biasa (KLB). Ada beberapa faktor yang mempengaruhi munculnya DBD antara
terjadi pada musim penghujan dan ditempat yang terdapat banyak genangan air
terutama di daerah perkotaan. Hal ini menyebabkan DBD menjadi salah satu
diperoleh Tribun, Jumat (6/2/2015), penderita DBD ini didominasi oleh anak-
anak, terhitung dari awal Januari sampai pekan pertama bulan Februari (Tribun
penyakit seperti ini cepat sekali menyerang orang apalagi anak-anak. Menurutnya,
perlu kita untuk mengantisispasi DBD dengan mengonsumsi banyak air, karena
jika dehidrasi atau kekurangan cairan akan cepat sekali diserang demam
menunjukkan bahwa penyakit yang masih perlu untuk penanganan serius di Kota
Makassar.
diantaranya:
dengan Regresi Cox, dengan 2 faktor yang mempengaruhi yaitu Umur dan
data survival yang sesuai dengan kasus demam berdarah dengue (DBD). Dari
Regresi Cox.
Hal tersebut di atas yang mendasari penulis untuk melakukan penelitian yang
berjudul “Analisis Survival dengan Pendekatan Regresi Cox pada Kasus Demam
B. Rumusan Masalah
berikut.
3. Faktor apa yang paling berpengaruh pada laju kesembuhan pasien demam
C. Batasan Masalah
Adapun batasan masalah dalam penelitian yang dilakukan yaitu data yang
digunakan berupa data rekam medis pasien rawat inap DBD di Rumah Sakit
Labuang Baji di Makassar tahun 2015. Pasien yang diteliti adalah pasien yang
positif terdiagnosis DBD dan menjalani rawat inap hingga dinyatakan keluar dari
berikut.
E. Manfaat Penulisan
Manfaat dari penelitian ini bagi tim medis dan masyarakat pada umumnya
TINJAUAN PUSTAKA
Data survival adalah data lamanya individu-individu atau unit-unit dari suatu
Analisis data tahan hidup (survival analysis) adalah suatu metode untuk
menganalisis yang berhubungan dengan waktu, mulai dari time origin atau start-
point sampai dengan terjadinya suatu kejadian khusus atau end point (Yasril dan
1. Time Origin or Starting Point (titik awal) adalah waktu dimulainya suatu
penelitian. Titik awal pada penelitian ini adalah tangga masuk pasien
inti dari penelitian. Titik akhir yang dimaksud pada penelitian adalah
tanggal dimana pasien rawat inap DBD yang dinyatakan keluar dari
3. Measurement scale for the passage of time (skala ukuran untuk berlalunya
waktu). Dalam penelitian ini skala yang digunakan adalah lama pasien
1982).
Fungsi densitas peluang pada analisis survival adalah peluang suatu individu
mati atau gagal dalam interval waktu sampai dengan waktu T merupakan
* + (2.1)
a)
b) ∫
(Sari, 2011)
Fungsi disebut fungsi densitas peluang bagi variabel random kontinu T bila
luas daerah di bawah kurva dan di atas sumbu-t sama dengan 1, dan bila luas
kemungkinan beberapa individu tidak bisa diobservasi yang disebut dengan data
B. Data Tersensor
Data tersensor adalah data yang diperoleh sebelum semua data teramati waktu
hidupnya, sedangkan waktu pengamatan telah berakhir atau oleh sebab lain.
Dalam penelitian uji hidup, data waktu hidup dapat berbentuk data lengkap, data
tersensor tipe I dan data tersensor tipe II. Pada pengambilan data menggunakan
data lengkap, percobaan akan dihentikan jika semua komponen atau individu yang
diteliti gagal atau mati (Lawless, 1982 dalam Sari, 2011). Metode menggunakan
data lengkap memerlukan waktu yang lama sehingga jarang digunakan (Sari,
2011).
Data tersensor tipe I merupakan data uji hidup yang dihasilkan setelah
penelitian berjalan selama waktu yang telah ditentukan. Sedangkan data tersensor
tipe II merupakan data hasil penelitian dimana penelitian dihentikan setelah
kematian atau kegagalan tertentu telah terjadi (Lawless, 1982; Sari, 2011).
Data tersensor tipe II merupakan data kematian atau kegagalan yang tidak
lengkap (incomplete mortality data) yaitu data waktu kematian atau kegagalan 10
Dalam suatu penelitian, penyensoran tipe II lebih sering digunakan, yaitu dalam
uji hidup yang terdapat observasi sebanyak n, tetapi penelitian dihentikan ketika
observasi mengalami kegagalan ke-r, sehingga dapat menghemat waktu dan biaya.
(Lawless, 1982).
Jika T merupakan variabel random dari waktu hidup suatu individu dalam
interval [0, ∞), maka fungsi distribusi kumulatif F(t) untuk distribusi kontinu
dengan fungsi densitas peluang f(t) dinyatakan pada persamaan (2.2) sebagai
berikut (Yasril dan Kasjono SB, 2009; Lawless (1982) dalam Sari, 2011):
atau
∫ (2.2)
D. Fungsi Survivor
Menurut Yasril dan Kasjono SB (2009); Lawless (1982), fungsi survivor S(t)
(survived) lebih lama atau sama dengan waktu t. Secara teori, t berkisar dari 0
waktu = 0, dan peluang hidup pada waktu tak terhingga = 0. Namun dalam
kenyataannya biasanya grafik dalam step fungsi, tidak dengan kurva halus, karena
waktu studi tidak pernah sampai waktu tak terhingga, ada kemungkinan setiap
orang dalam studi tidak muncul keinginan yang diinginkan, sehingga estimasi
fungsi survivor yang dilambangkan dengan S pada grafik tidak selalu menjadi 0
pada akhir studi. Jika T merupakan variabel random dari waktu hidup suatu
individu dalam interval [0, ∞), maka fungsi survivor S(t) dapat dinyatakan dalam
persamaan (2.3):
∫ (2.3)
antara fungsi survivor dan fungsi distribusi kumulatif, yaitu (Rahayu, 2015):
(2.4)
Jadi hubungan fungsi densitas peluang dengan fungsi tahan hidup (Survival)
|
(2.5)
(Rahayu, 2015)
Dalam hal ini fungsi tahan hidup S(t) merupakan fungsi monoton turun yang
mempunyai sifat
1. , artinya peluang suatu individu bertahan hidup lebih lama dari
survive dari waktu awal sampai beberapa waktu tertentu (Yasril dan Kasjono SB,
kegagalan seseorang atau suatu komponen pada waktu t yang ditentukan, jika
diketahui bahwa komponen tersebut tetap hidup hingga waktu t, seperti kebalikan
dari fungsi S(t). Fungsi hazard adalah peluang suatu individu mati dalam interval
hidup sampai dengan waktu t, yang dinyatakan persamaan (2.6) sebagai berikut
(2.6)
Berbeda dengan fungsi survival, dimana fokusnya adalah “not falling”, pada
fungsi hazard fokusnya adalah “falling” pada munculnya suatu kejadian. Dengan
demikian jika S(t) lebih tinggi untuk waktu t maka h(t) akan lebih rendah dan
(2.7)
dari persamaan (2.5) dan (2.7) diperoleh (2.8) sebagai berikut (Rahayu,
2015):
(2.8)
∫ ∫
∫ ∫
∫ |
(Rahayu, 2015)
Rahayu, 2015):
∫
* ∫ +
Dari uraian di atas diperoleh hubungan antara f(t), S(t), dan h(t) pada
i.
ii.
iii. ∫ (2.9)
(Aini, 2011: 9)
Dengan demikian, jika fungsi hazard h(t) dari suatu distribusi dalam tahan
hidup diketahui, maka f(t), F(t), dan S(t) dapat dicari. Sedangkan fungsi hazard
∫ (2.10)
atau
∫ (2.11)
F. Analisis Distribusi
data survival yang dalam penelitian ini adalah data lama rawat inap pasien DBD
∑ (2.12)
dimana
Dalam hal ini pendugaan distribusi yang sesuai dipilih berdasarkan nilai
Anderson-Darling terkecil.
data mengikuti distribusi normal atau data tidak mengikuti distribusi normal.
untuk data laboratorium resiko salah yang dapat ditolerir sebesar 1% atau 0,01.
Jika maka menolak , sehingga data tidak mengikuti distribusi
Jika data tidak mengikuti distribusi normal, maka langkah pertama adalah
Ada beberapa distribusi yang dapat digunakan ketika melakukan uji distribusi
(Lawlwss, 1982; Nelson, 1982). Distribusi yang memiliki nilai Anderson Darling
(AD) terkecil adalah distribusi yang paling cocok atau mendekati variabel respon
1. Distribusi Gamma
peluangnya adalah:
2. Distribusi Weibull
lingkungan yang sama akan rusak dalam waktu b erlainan yang tidak
dapat diramalkan.
Definisi 2.2 (Tiro, 2008: 297)
untuk ,
dan
G. Cox Proportional Hazard (Cox PH)
tersensor yang disebut dengan Regresi Cox (Cox Model) (Cox dan Oakes (1982)
dependen variabel dengan satu set variabel independen. Variabel independen ini
Relative Risk untuk gagal. Fungsi hazard adalah sebuah rate yang
merupakan estimasi potensi untuk mati pada satu unit waktu pada suatu saat
tertentu, dengan catatan bahwa kasus tersebut masih hidup ketika menginjak
interval waktu tersebut. Karena fungsi hazard bukan suatu peluang (0 s/d 1), maka
log-linear antara X dan fungsi umum hazard pada T seperti pada persamaan
(2.13):
|
|
∑
| (2.13)
Menurut Cox dan Oakes (1984) dalam Yensy (2009); Rahayu, dkk. (2012),
persamaan (2.14):
(2.14)
dimana:
= baseline hazard
= koefisien regresi
= variabel bebas,
Menurut Yasril dan Kasjono (2009), model Cox sangat populer digunakan
karena:
baseline. Akan tetapi dalam penelitian ini akan dicari fungsi baselinenya
tidak spesifik.
3. Cox model robust sehingga dari model Cox hampir sama dengan hasil
model parametrik.
Adapun asumsi pada Model Cox Proportional Hazard adalah hazard rasio
yang membandingkan dua kategori dari bebas adalah konstan pada setiap waktu
atau tidak tergantung waktu. Apabila asumsi tidak terpenuhi maka model yang
dipakai adalah regresi Cox dengan time dependent covariat atau extended Cox
model.
Rumus model Cox pada persamaan (14) dan persamaaan (15) memiliki sifat
bahwa jika semua X sama dengan nol, maka rumus tereduksi menjadi fungsi
hazard dasar . Dengan demikian dianggap sebagai awal atau dasar dari
fungsi hazard dapat dituliskan pada persamaan (2.15) sebagai berikut (Rahayu,
2015):
(2.15)
(Rahayu, 2015):
mengestimasi fungsi hazard dasar (fungsi baseline). Model pada persamaan (2.15)
merupakan model dari Log hazard rasio. Hazard rasio didefinisikan sebagai
hazard dari satu individu dibagi dengan hazard individu yang berbeda (Kleinbaum
& Klein (2005). Persamaan (2.16) dapat dinyatakan dalam persamaan (2.17)
(2.17)
peningkatan satu satuan variabel bebas , dengan asumsi bahwa nilai dari
variabel bebas yang lain konstan. Dengan kata lain adalah rasio hazard
untuk peningkatan satu satuan dalam , ketika variabel bebas dengan rasio
menurunnya risiko dan lebih panjangnya waktu bertahan hidup. Ketika rasio
peningkatan risiko dan dan lebih pendeknya waktu bertahan hidup (Iskandar,
H. Estimasi Parameter
Pendugaan dengan metode MPLE adalah nilai ketika fungsi partial likelihood-
nya maksimum. Misal data untuk n individu yang terdiri dari r waktu kejadian
yang tidak tersensor dan n-r individu tersensor kanan, diurutkan menjadi
∏ (2.18)
∑
adalah vektor variabel dari individu yang gagal pada saat ke – i dengan
waktu . adalah seluruh individu yang memiliki resiko gagal pada waktu
Wuryandari, 2013):
( )
∏ *∑ + (2.19)
( )
Dengan {
∑ ∑ (2.20)
( ̂) ( ̂) ( ( ̂) ) ̂ (2.21)
Dengan
= 0, 1, 2,….
Diasumsikan hanya terdapat satu individu yang mengalami event pada setiap
waktu kegagalan, jadi tidak terjadi ties pada data. Ties adalah keadaan dimana
terdapat dua individu atau lebih mengalami terjadinya gagal pada waktu yang
sama. Hal lain yang perlu dipertimbangkan adalah peluang event waktu individu
yang mati pada waktu kegagalan, dengan syarat menjadi salah satu yang diamati
Melalui model Cox dapat dilihat hubungan antara variabel bebas (variabel
Menurut Febriyanti, A., dkk., (2012) dan Cahyani, dkk., (2014), pada model
dilakukan uji signifikansi parameter yang meliputi uji bersamaan (serentak) dan
uji individu.
merupakan model yang sesuai dan menunjukkan hubungan yang tepat antara
paling tidak satu yang tidak sama dengan nol atau dengan kata lain terdapat
paling tidak satu variabel yang memuat variabel bebas yang berpengaruh terhadap
berikut:
( ̅ )
∑
(2.22)
( ̂ )
∑
regresi adalah nol dapat menggunakan uji Partial Likelihood rasio dinotasikan
dengan G. Statistik uji ini mengikuti distribusi chi-square dengan derajat bebas p.
a. Hipotesis:
b. Taraf signifikan :
c. Statistik Uji:
Dengan memisalkan,
(model nol).
variabel.
d. Daerah penolakan
Dalam penelitian ini, diuji dengan uji Partial Likelihood untuk menguji
itu dapat diketahui pula apakah model yang memuat parameter tersebut telah
berikut:
variabel bebas terhadap variabel respon pada variabel ke-k didalam model. Nilai
̂
(2.23)
̂
(2.24):
∑ ̂
̂ √ (2.24)
(Febriyanti, A., dkk., 2012)
Menurut Windari (2015), uji individu dapat juga diuji menggunakan uji Wald
untuk melihat apakah terdapat variabel bebas yang tidak signifikan di dalam
model. Jika variabel bebas yang tidak signifikan, maka perlu dilakukan reduksi
Windari, 2015):
a. Merumuskan Hipotesis:
Dimana:
̂
(̂ )
dimana:
d. Kriteria keputusan
Pemilihan model terbaik diawali dengan pemilihan variabel yang masuk atau
keluar dari model. Menurut Collet (2003) dalam Nurhaniah (2015), pemilihan
variabel yang masuk atau keluar dari model dapat dilakukan dengan tiga cara
yaitu seleksi forward, eliminasi backward dan prosedur stepwise. Prosedur seleksi
stepwise merupakan kombinasi dari dua proses yaitu seleksi forward dan seleksi
variabel satu demi satu dalam setiap langkahnya. Menurut David W. Hosmer dan
memungkinkan lebih banyak variabel yang masuk dalam model. Pada masing-
masing tahapan, kita akan memutuskan variabel mana yang merupakan bebas
terbaik untuk dimasukkan ke dalam model dan variabel yang keluar dari model.
Dalam skripsi ini ini pemilihan model terbaik dilakukan menggunakan seleksi
Menurut Hosmer, dkk (2008) dalam Bastyan dan Latra (2013), odds ratio
|
(2.25)
|
perbandingan odds ratio antara individu dengan nilai lebih besar 1 satuan
antar kelompok setiap saat adalah sama. Asumsi proporsiona hazard dapat
diketahui dengan membuat kurva kapplan – meier. Metode lain untuk menguji
asumsi proporsional hazard adalah dengan membuat kurva ln-ln survival dan
global test (Dahlan (2012) dalan Nurhaniah, 2015). Asumsi Proportional Hazard
terpenuhi apabila :
Menurut Kleinbaum dan Klein (2005), secara umum ada 3 pendekatan untuk
(LML) dari fungsi ketahanan. Pada plot untuk setiap strata harus
kelompok).
pendekatan grafik dan variabel time dependent dalam extended Cox model.
DBD disebut juga dengue hemorrhagic fever (DHF), dengue fever (DF), demam
disebabkan oleh virus dengue dan ditularkan oleh nyamuk Aedes Agepti yang
ditandai dengan demam mendadak 2-7 hari tanpa penyebab yang jelas,
lemah/lesu, gelisah, nyeri ulu hati, disertai tanda pendarahan dikulit berupa bintik-
bintik pendarahan (petechlae), lebam (eechymosis), atau ruam (purpura), dan atau
disebabkan oleh tiga faktor utama, yaitu virus, manusia, dan nyamuk. Faktor
utama penyakit DBD adalah nyamuk Aedes Aegypti (di daerah perkotaan) dan
Aedes albopictus (di daerah pedesaan). Nyamuk yang menjadi faktor penyakit
DBD adalah nyamuk yang terinfeksi saat menggigit manusia yang sedang sakit
dan viremia (terdapat virus dalam darahnya) dan juga ditularkan ke dalam
telurnya.
Virus berkembang dalam tubuh nyamuk selama 8-10 hari terutama dalam
kelenjar air liurnya, dan jika nyamuk ini menggigit orang lain maka virus dengue
akan dipindahkan bersama air liur nyamuk. Dalam tubuh manusia, virus ini akan
berkembang selama 4-6 hari dan orang tersebut akan mengalami sakit demam
berdarah dengue. Virus dengue memperbanyak diri dalam tubuh manusia dan
adalah laki-laki dan pasien yang berumur anak. Akan tetapi hal tersebut tidak
berlaku untuk semua rumah sakit, adakalnya penderita kebanyakan dari jenis
kelamin perempuan atau sebaliknya. Begitu pula dengan umur penderita yang
dapat bervariasi pada rumah sakit tertentu. Pasien penyakit DBD pada umumnya
b. Manifestasi pendarahan dengan tes Rumpel Leede (+), mulai dari petekie
a. Demam tinggi mendadak tanpa sebab yang jelas dan berlangsung terus-
trombosit.
c. Pembesaran hati, ini terjadi jika hati bertambah besar > 2 cm yang diukur
perfusi jaringan menurun, hipotensi, kulit dingin dan lembab, dan tamapk
gelisah.
( ).
maupun penurunan nilai hematokrit > 20% dari kondisi normal sesuai
dengan umur dan jenis kelamin. Kadar normal hematokrit ini tiap
darah putih dalam tubuh. Leukosit rendah dapat disebabkan oleh infeksi
virus misalnya dengue. Adapun kadar normal Leukosit antara 5.000 –
10.000 /mm3
gejala klinis yang positif dan 1 hasil laboratorium yang positif. Bila gejala dan
tanda tersebut kurang dari ketentuan di atas maka pasien dinyatakan menderita
N. Hipotesis
METODOLOGI PENELITIAN
A. Jenis Penelitian
Penelitian ini telah dilaksanakan pada bulan Desember 2015 - Maret 2016.
C. Sumber Data
Data yang digunakan adalah data sekunder berupa data lama rawat inap pasien
Demam Berdarah Dengue (DBD) di Rumah Sakit Labuang Baji di Kota Makassar
tahun 2015.
D. Variabel Penelitian
diagnosis klinis dan diagnosis laboratorium pada Bab II, maka variabel penelitian
E. Langkah Penelitian
atau lama rawat inap pasien rumah sakit. Sehingga diperoleh fungsi
nilai
4. Pemodelan distribusi
pemilihan variabel yang masuk atau keluar dari model dapat dilakukan
mengetahui rasio fungsi hazard dari dua variabel konstan dari waktu
6. Interpretasi hasil.
7. Kesimpulan.
Pada tahap ini dapat ditarik kesimpulan, variabel bebas apa yang paling
distribusi dan pemodelan Cox proportional hazard pada kasus kejadian bersama
dan penerapan pemodelan Cox proportional hazard pada kasus kejadian bersama.
Terlebih dahulu akan dijelaskan mengenai analisis distibusi dan kejadian bersama.
A. HASIL PENELITIAN
1. Prosedur Matematis Model Distribusi dan Regresi Cox
a. Model Distribusi
Fungsi hazard komulatif tidak bisa kita nyatakan dalam bentuk implisit,
adalah fungsi densitas peluang pada waktu t, maka dari persamaan (2.6)
[( ) ]
* +
* +
* +
* +
* +
(4.1)
dimana
persamaan (4.2)
∫
(4.2)
∫
yang mengikuti sebaran dara waktu survival dan y adalah waktu survival.
( ) (4.3)
dimana:
berikut:
Bukti:
∫ ( )
. Akibatnya
∫ ( ) ( )
( ) ∫
(4.4)
Bukti:
adalah:
(4.5)
̅
metode momen. Berdasarkan metode momen, maka ̅ ̂ ̂ atau ̂ ̂
dan
̅
̂ ̂ ̅̂ . Dengan demikian, estimasi untuk parameter ̂
̂
̅
dan ̂ masing-masing adalah ̂ dan ̂ ̅
. Selanjutnya, nilai rata-rata
( ̅) dan variansi ( ) dari data waktu survival atau lama rawat inap penderita
̅̂ ̅
∫ ̂ ( ̂) ̅
̂ ̂
̅ ̅ (4.6)
̅̂ ̅
∫ ̂ ( ̂) ̅
̂ ̂
dimana:
̅ : baseline hazard
̂ : estimasi parameter
̂ : estimasi parameter
kasus kejadian bersama dan penerapan pemodelan Cox pada kasus kejadian
1) Kejadian Bersama
atau yang sering disebut ties. Ties adalah keadaan yang terdapat dua individu
atau lebih yang mengalami kejadian pada waktu yang bersamaan. Jika suatu
risikonya.
Misalkan adalah waktu yang teramati yang telah diurutkan. Pada waktu,
terdapat dua objek yang mengalami kejadian dan tidak diketahui objek mana
metode lain. Dalam setiap kasus kejadian bersama tidak mungkin untuk
dari himpunan risiko adalah sama. Terdapat dua kasus yang memiliki waktu
yang sama yaitu tiga dan empat yang dapat dilihat pada Tabel 4.1 berikut ini:
Individu Hematokrit
ke-i
1 2 1
2 3 1
3 3 0
4 3 1
5 3 1
6 4 0
7 4 1
dibedakan dan ketiga kejadian tersebut tidak saling mempengaruhi atau saling
berikut
| (4.7)
|
Himpunan risiko untuk individu 3 sama dengan himpunan risiko untuk
| (4.8)
| (4.9)
| (4.10)
|
Dari persamaan (4.4), (4.5), (4.6), dan (4.7) masing-masing diperkalikan
berikut:
| | | | |
(4.11)
∑
Sehingga, bentuk umum dari fungsi hazard pada persamaan (4.12) sebagai
berikut.
∑
| ∑ ∑
(4.12)
Dengan adalah jumlah kovariat pada kasus ties dan adalah banyaknya
berikut.
∏
∑
( )
∑ * ∑ +
∑ * ∑ + (4.13)
∑ * ∑ +
∑
( )
∑ ∑ (4.14)
∑
( )
fungsi log likelihood yaitu dengan mencari solusi dari persamaan (4.12)
∑
( )
∑ [ ], (4.15)
∑
yang berisi negatif dari turunan partial kedua dari yang mempunyai
∑ ∑ ∑
( ) ( ) ( )
∑ ,
∑ ∑
( ) ( )
(4.16)
Persamaan Maximum Likelihood pada persamaan (4.12) dapat diselesaikan
turunan kedua dari (4.16) yaitu pada persamaan (4.17) sebagai berikut:
* +
∑ ∑ ∑
( ) ( ) ( )
∑ ,
∑ ∑
( ) ( )
(4.17)
(4.18)
dengan memisalkan ( ) .
(4.19)
berikut:
(4.20)
[ ]
̂ ̂ ̂ ̂ (4.21)
b) ̂ ̂ ̂ (̂ )
(̂ ) ( ̂) (4.22)
( ̂) √ (̂ ) √ ̂ (4.23)
sebagai berikut:
̂ ̂ (2.24)
2. Penerapan Analisis Distribusi dan Regresi Cox pada Penderita Demam
Dalam menganalisis jenis distribusi yang sesuai dengan data survival, dapat
digunakan plot data antara jumlah individu dan waktu survival seperti yang
diperlihatkan pada Gambar 4.1. Namun demikian, grafik tersebut belum cukup
akurat untuk menentukan distribusi yang cocok, sehingga perlu dilakukan uji
distribusi dengan bantuan software Minitab 15. Grafik waktu survival tersebut
sebagai berikut:
18
16
14
Waktu survival
12
10
8
6
4
2
0
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52
individu
Analisis statistika deskriptif dari variabel bebas dapat dilihat pada Gambar 4.2
tentang persentase penderita berdasarkan jenis kelamin dan Tabel 4.2 variabel
laki-laki
68%
Gambar 4.2 Persentase penderita DBD tahun 2015 di Rumah Sakit Labuang
Baji
Pada Gambar 4.2 dapat dilihat bahwa persentase jenis kelamin laki-laki dari
pasien penderita DBD di RSU Labuang Baji Makassar lebih banyak yang berjenis
kelamin laki-laki.
Gambar 4.3 Persentase kondisi trombosit penderita DBD tahun 2015 di Rumah
DBD yang normal yaitu sebesar 25,93% atau sebanyak 14 orang. Sedangkan
persentase penderita yang trombositnya tidak normal yaitu 74,07 % atau sebanyak
40 orang. Jadi, dapat diketahui bahwa selama periode Januari - Desember 2015,
pasien penderita DBD di RSU Labuang Baji Makassar lebih banyak yang tidak
Gambar 4.4 Persentase kondisi hematokrit penderita DBD tahun 2015 di Rumah
Pada Gambar 4.4 dapat dilihat bahwa persentase hematokrit pasien penderita
DBD yang normal yaitu sebesar 75,93% atau sebanyak 42 orang. Sedangkan
Desember 2015, pasien penderita DBD di RSU Labuang Baji Makassar lebih
Pada Gambar 4.5 dapat dilihat bahwa persentase hemoglobin pasien penderita
DBD yang normal yaitu sebesar 74,07% atau sebanyak 40 orang. Sedangkan
Desember 2015, pasien penderita DBD di RSU Labuang Baji Makassar lebih
Pada Gambar 4.6 dapat dilihat bahwa persentase leukosit pasien penderita
DBD yang normal yaitu sebesar 42,59% atau sebanyak 23 orang. Sedangkan
presentase penderita yang leukositnya tidak normal yaitu 57,41 % atau sebanyak
31 orang. Jadi, dapat diketahui bahwa selama periode Januari - Desember 2015,
pasien penderita DBD di RSU Labuang Baji Makassar lebih banyak yang tidak
Rata- Simpangan
Variabel N Minimum Maksimum Varians
rata Baku
Survival 54 2,00 16,00 6,1852 2,32358 5,399
Umur 54 1,00 39,00 15,0209 9,87953 97,605
Suhu badan 54 28,00 39,70 36,9444 1,68138 2,827
Berdasarkan Tabel 4.2, dapat dilihat bahwa umur penderita penyakit DBD
adalah orang yang berumur rata-rata 15 tahun. Umur ini merupakan umur remaja
Rata-rata pasien penderita DBD dirawat di rumah sakit selama 6 hari. Sedangkan
suhu badan pasien pada saat pemeriksaan di rumah sakit adalah bersuhu 36,9ºC.
Suhu ini merupakan suhu normal pada manusia yaitu berkisar antara 36ºC – 37ºC.
Dengue
data survival. pemodelan pada Regresi Cox dengan menngunakan data waktu
survival yang dipengaruhi oleh 7 variabel bebas yaitu jenis kelamin ( ), umur
1) Pemodelan Distribusi
data sampel. Uji ini merupakan modifikasi dari Kolmogorov Smirnov Test
(K-S Test), yaitu K-S Test yang telah diboboti. K-S Test merupakan uji yang
bebas distribusi, artinya tidak bergantung pada distribusi data tertentu yang
adalah uji ini lebih sensitif daripada K-S Test, namun mempunyai kelemahan
yaitu nilai kritis tersebut harus dihitung dari setiap distribusi data sampel.
menyebar normal atau tidak. p-value adalah peluang bahwa sampel yang
diuji terletak pada distribusi normal dari suatu populasi. Jika p-value lebih
kecil dari 0,05 maka tolak hipotesa awal ( ). Dimana menyatakan
b. Signifikansi α : 0,05
Terima jika
Tolak jika
d. Hasil Analisis
60
50
40
30
20
10
1
0 2 4 6 8 10 12 14 16
survival
data sampel tidak berada di sekitar garis lurus (expected value), ini
menunjukkan bahwa data lama rawat inap pasien DBD menyebar tidak
normal.
Berdasarkan nilai statistik pada gambar tersebut:
a. Rata-rata = 6,185, rata-rata data 6,185 hari, artinya nilai memusat pada
d. AD = 1,071, nilai Anderson Darling sebesar 1,071. Nilai ini relatif besar,
yang berarti tolak atau data menyebar tidak normal, namun dari nilai
normal atau tidak, karena nilai tersebut harus dibandingkan dengan nilai
e. p-value = 0,008, nilai p-value sebesar 0,008. p-value < 0,05, artinya tolak
lama rawat inap tidak berdistribusi normal sehingga dilakukan uji distribusi
yang lain.
Darling
diketahui distribusi yang sesuai dengan data lama rawat inap seperti pada
P er cent
Largest E xtreme V alue
A D = 0,855
10 50 P -V alue = 0,025
10 G amma
1 0,1 A D = 0,775
-10 0 10 0 5 10 15 P -V alue = 0,046
r awat r awat
3-P arameter G amma
G amma - 95% C I 3-P arameter G amma - 95% C I A D = 0,791
99 99 P -V alue = *
90 90
P er cent
P er cent
50 50
10 10
1 1
2 5 10 1 10
r awat r awat - T hr eshold
Gambar 4.8 Plot hasil uji kesesuaian distribusi pada lama rawat pasien DBD
Tabel 4.3 Hasil uji kecocokan distribusi pada data waktu survival
diberikan pada Tabel 4.3. Berdasarkan Distribusi IDplot pada Gambar 4.7 dan
Tabel 4.3 untuk lama rawat diperoleh bahwa nilai Anderson-Darling dan nilai
p-value ditunjukkan pada Tabel 4.3 di atas. Untuk menentukan data
( )
( )
∫ ( )
dimana: ∫
Sehingga diperoleh
∫ ( )
∫ ( ) (4.25)
Fungsi hazard komulatif tidak bisa kita nyatakan dalam bentuk implisit,
berikut:
∫ ( )
(4.26)
∫ ( )
Pemilihan variabel yang masuk atau keluar dari model dapat dilakukkan
dengan tiga cara yaitu seleksi forward, eleminasi backward dan prosedur
Pemilihan model yang cocok pada Tabel 4.5 di bawah ini diperoleh
model dengan p-value terbesar pada variabel bebas dari setiap langkah.
Dengan memisalkan
: jk : suhu badan
: umur
: trombosit
: hematokrit
: hemoglobin
: leukosit
Tabel 4.5 Prosedur seleksi backward dalam pemilihan model terbaik
-2 Log
Koefisien Wald p-value Exp(B)
Likelihood
Langkah 0 Null 327,369
Jk -0,0591 0,278 0,598 0,826
Umur 0,005 0,0527 0,721 1,005
Tromborit 0,005 0,000 0,989 1,005
Langkah 1 Hematokrit -1,010 4,569 0,033 0,364 319,054 16,63
Hemoglobin 0,968 3,957 0,047 2,633
Leukosit -0,577 3,170 0,075 0,562
suhu_badan -0,0514 0,983 0,322 0,892
Jk -0,0589 0,311 0,577 0,827
Umur 0,005 0,0527 0,722 1,005
Hematokrit -1,010 4,576 0,032 0,364
Langkah 2 319,054 0
Hemoglobin 0,969 3,970 0,046 2,634
Leukosit -0,578 3,245 0,072 0,561
suhu_badan -0,0514 0,982 0,322 0,892
Jk -0,217 0,436 0,509 0,805
Hematokrit -1,006 4,548 0,033 0,366
Langkah 3 Hemoglobin 0,959 3,917 0,048 2,609 319,180 0,252
Leukosit -0,572 3,225 0,073 0,565
suhu_badan -0,0523 1,226 0,268 0,884
Hematokrit -1,046 4,882 0,027 0,351
Hemoglobin 0,982 4,030 0,045 2,670
Langkah 4 319,627 0,894
Leukosit -0,538 2,943 0,086 0,584
suhu_badan -0,0532 1,437 0,231 0,877
Hematokrit -1,055 4,726 0,030 0,348
Langkah 5 Hemoglobin 0,919 3,435 0,064 2,508 320,964 2,674
Leukosit -0,439 2,136 0,0544 0,645
Hematokrit -1,044 4,039 0,044 0,352
Langkah 6 323,144 4,36
Hemoglobin 0,950 3,196 0,074 2,587
1
penderita Demam Berdarah Dengu (DBD) pada Tabel 4.6 (output
Variabel Koef SE | |
Jenis kelamin -0,0591 0,862 0,362 0,598
Umur 0,005 1,005 0,015 0,721
Trombosit 0,005 1,005 0,356 0,989
Hematokrit -1,010 0,364 0,472 0,033
Hemoglobin 0,968 2,633 0,487 0,047
Leukosit -0,577 0,562 0,324 0,075
Suhu badan -0,0514 0,892 0,0515 0,322
estimasi model Cox dengan metode breslow pada persamaan (4.27) sebagai
berikut:
(4.27)
Guna mengetahui apakah model (4.27) sudah tepat maka dilakukan uji
1) Hipotesis:
(variabel
(variabel
3) Statistik uji
5) Perhitungan
diperoleh nilai log likelihood untuk model Cox tanpa variabel bebas
Karena , sehingga
lebih baik daripada model tanpa variabel bebas (model null). Dapat
cocok.
pada lampiran 5 pada langkah 1. Variabel yang terpilih untuk keluar pada
langkah 2 yaitu variabel yang memiliki p-value terbesar yaitu model tanpa
Berikut analisisnya,
1) Hipotesis:
(variabel
(variabel berpengaruh
dalam model)
2) Taraf signifikansi:
3) Statistik uji:
[ )
0,05
5) Perhitungan:
Dari hasil output software SPSS pada Tabel 4.5 yang selengkapnya pada
Sehingga nilai dari uji log partial likelihood ratio dengan perhitungan
sebagai berikut.
[ )
]
Karena , sehingga
terdiri dari 6 variabel, hasil perhitungan disajikan pada Tabel 4.5 yang
keluar pada langkah 3 yaitu variabel yang memiliki p-value terbesar yaitu
Berikut analisisnya,
1) Hipotesis:
(variabel tidak
(variabel berpengaruh
dalam model)
2) Taraf signifikansi:
3) Statistik uji:
[ )
4) Daerah penolakan: ditolak jika atau p-value <
0,05
5) Perhitungan:
Dari hasil output software SPSS pada Tabel 4.5 yang selengkapnya pada
Sehingga nilai dari uji log partial likelihood ratio dengan perhitungan
sebagai berikut.
[ )
Karena , sehingga
dari 5 variabel, hasil perhitungan disajikan pada Tabel 4.5 yang selengkapnya
pada lampiran 5 pada langkah 3. Variabel yang terpilih untuk keluar pada
langkah 4 yaitu variabel yang memiliki p-value terbesar yaitu model tanpa
dalam langkah 5.
Berikut analisisnya,
1) Hipotesis:
dalam model)
model)
2) Taraf signifikansi:
3) Statistik uji:
[ )
0,05
5) Perhitungan:
Dari hasil output software SPSS pada Tabel 4.5 yang selengkapnya pada
Sehingga nilai dari uji log partial likelihood ratio dengan perhitungan
sebagai berikut.
[ )
yaitu variabel .
dari 4 variabel, hasil perhitungan disajikan pada Tabel 4.5 yang selengkapnya
pada lampiran 5 pada langkah 5. Variabel yang terpilih untuk keluar pada
langkah 4 yaitu variabel yang memiliki p-value terbesar yaitu model tanpa
dalam langkah.
Berikut analisisnya,
1) Hipotesis:
2) Taraf signifikansi:
3) Statistik uji:
[ )
0,05
5) Perhitungan:
Dari hasil output software SPSS pada Tabel 4.5 yang selengkapnya pada
Sehingga nilai dari uji log partial likelihood ratio dengan perhitungan
sebagai berikut.
[ )
Karena , sehingga
yaitu variabel .
dari 3 variabel, hasil perhitungan disajikan pada Tabel 4.5 yang selengkapnya
pada lampiran 5 pada langkah 6. Variabel yang terpilih untuk keluar pada
langkah 5 yaitu variabel yang memiliki p-value terbesar yaitu model tanpa
variabel . Karena semua variabel memiliki nilai p-value lebih kecil dari
0,05 maka pemilihan model terbaik dengan backward berakhir pada langkah
6.
Berikut analisisnya,
1) Hipotesis:
2) Taraf signifikansi:
3) Statistik uji:
[ )
0,05
5) Perhitungan:
Dari hasil output software SPSS pada Tabel 4.5 yang selengkapnya pada
dengan p-value dari uji log partial likelihood adalah 0,142. Sehingga
nilai dari uji log partial likelihood ratio dengan perhitungan sebagai
berikut.
[ )
Tabel 4.7 Estimasi parameter model Cox terbaik dengan seleksi backward.
Variabel Koef SE | |
yang masuk dalam model terbaik Cox yaitu hematokrit dan hemoglobin.
berikut:
(4.28)
dimana:
: hematokrit
: hemoglobin
parameter yaitu dengan uji partial likelihood ratio, uji wald dan uji score.
variabel dengan uji wald. Uji wald dilakukan pada dua variabel yang telah
bantuan software SPSS pada Tabel 4.8 yang selengkapnya pada lampiran 6
1) Hipotesis
dimana:
2) Taraf signifikan
Tabel 4.8 Hasil pengujian parameter secara parsial dengan uji wald
survival, maka model yang sesuai adalah model yang melibatkan kedua
Sehingga estimasi parameter untuk model dengan satu variabel yaitu Tabel
sebagai berikut:
(4.29)
pada tahap pemilihan model yang cocok, ada dua model yang cocok yaitu model
persamaan yang melibatkan semua variabel bebas (4.27) dan model persamaa
model pada persamaan (4.27) dengan model persamaan (4.28) untuk mengetahui
model mana yang dipilih sebagai model akhir Cox. Langkah-langkah uji partial
1) Hipotesis
(model reduce)
(model full)
2) Signifikansi:
3) Statistik uji
dengan
persamaan (4.28))
merupakan log partial likelihood ratio model full (model pada
persamaan (4.27))
4) Daerah penolakan :
5) Perhitungan:
( )
merupakan model terbaik. Dengan kata lain bahwa model pada persamaan
(4.28) lebih baik daripada model pada persamaan (4.27). sehingga model
Asumsi terpenting yang harus dipenuhi dalam regresi Cox yaitu asumsi
proportional hazard yang berarti bahwa rasio fungsi hazard dari dua individu
konstan dari waktu ke waktu atau ekuivalen dengan pernyataan bahwa fungsi
hazard suatu individu terhadap fungsi hazard individu yang lain adalah
proportional. Jika semua variabel bebas memenuhi asumsi proportional hazard
maka model akhir regresi Cox disebut Cox proportional hazard. Apabila
sebaliknya ada variabel bebas yang tidak memenuhi asumsi ini, dimana garis
survival pada kurva Kaplan-Meier tidak saling berpotongan, maka model regresi
Cox tersebut disebut model Cox Nonproportional Hazard. Dalam model Cox
dari satu individu terhadap yang lain. Pengujian asumsi Proportional hazard
Sehingga model Cox Nonproportional Hazard dengan fungsi Gamma pada waktu
∫ ( )
(4.30)
∫ ( )
dimana:
y : waktu survival
: hematokrit
atau dengan kata lain memperhatikan nilai eksponen dari koefisien tiap-tiap
yang telah diketahui bahwa interpretasi untuk model regresi cox dapat dilakukan
Untuk mengetahui laju kesembuhan pasien dapat dicari berdasrkan odds ratio
∫ ( )
(4.31)
∫ ( )
dimana:
: hematokrit
hazard yaitu laju kesembuhan pasien dengan jumlah hematokrit yang tidak
normal dibandingkan dengan yang normal adalah 0,352, maka laju kesembuhan
pasien dengan jumlah hematokrit yang tidak normal adalah 0,352 kali jumlah
Model terbaik yang diperoleh dengan melihat hasil eliminasi backward, maka
Pada Tabel 4.9 menunjukkan bahwa model terbaik adalah model yang
signifikansi < 0,1 yaitu variabel hematokrit dan variabel hemoglobin. Model ini
sesuai dengan teori kesehatan bahwa minimal ada satu diagnosis laboratorium dan
satu diagnosis klinis pada penderita demam berdarah dengue. Akan tetapi model
tersebut memiliki taraf kepercayaan 90% sehingga model dengan satu variabel
B. PEMBAHASAN
adalah penelitian yang pernah dilakukan oleh Ernawatiningsih pada tahun 2012
dengan judul penelitian “Analisis Survival dengan Model Regresi Cox”. Pada
penelitian ini, terdapat 2 faktor yang mempengaruhi secara signifikan yaitu Umur
dan Trombosit.
Penelitian yang pernah dilakukan oleh Fa’rifah, dkk. pada tahun 2012 dengan
Pasien Penderita Demam Berdarah Dengue (DBD) di RSU Haji Surabaya dengan
Regresi Cox”. Pada tersebut, tidak memperhatikan distribusi data waktu survival,
tetapi dengan regresi cox terdapat 2 faktor yang mempengaruhi secara signifikan
Penelitian yang serupa juga pernah dilakukan oleh Nisa dan Budiantara pada
tahun 2012 di Rumah Sakit Umum Surabaya dengan judul penelitian “Analisis
Kasus Demam Berdarah Dengue (DBD)”. Pada penelitian tersebut, data waktu
hati.
Dalam penelitian ini, merupakan pengembangan dari penelitian yang pernah
distribusi gamma. Setelah itu, data waktu survival diregresikan dengan tujuh
variabel bebas dan diperoleh model dengan satu variabel yang berpengaruh secara
Nelson, W.1982.Applied Life Data Analysis.New York: John Wiley & Sons.P:1-
100.