Skripsi Analisis Survival Dengan Pendeka

SKRIPSI
ANALISIS SURVIVAL DENGAN PENDEKATAN REGRESI COX PADA

KASUS DEMAM BERDARAH DENGUE (DBD) DI RUMAH SAKIT
LABUANG BAJI MAKASSAR
Diajukan kepada Program Studi Matematika, Jurusan Matematika, Fakultas

Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Makassar untuk
memenuhi sebagian persyaratan guna memperoleh gelar Sarjana Matematika
RIDWAN
1211141004
JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS NEGERI MAKASSAR
MAKASSAR
2016
PERSETUJUAN PUBLIKASI UNTUK KEPENTINGAN AKADEMIK
Sebagai civitas akademika Universitas Negeri Makassar, saya bertanda

tangan dibawah ini:
Nama : Ridwan
Nim : 1211141004
Program studi : Matematika
Jurusan : Matematika
Fakultas : Matematika dan Ilmu Pengetahuan Alam
Demi pengembangan ilmu pengetahuan, saya menyetujui untuk
memberikan kepada Universitas Negeri Makassar. Hak Bebas Royalti Non-
Eksklusif (Exclusice Royalti-Free Right) atas skripsi saya yang berjudul
“Analisis Survival Dengan Pendekatan Regresi Cox Pada Kasus Demam Berdarah
Dengue (DBD) Di Rumah Sakit Labuang Baji Makassar 2015”, beserta perangkat
yang ada (jika diperlukan). Dengan Hak Bebas Royalti Non-Eksklusif ini,
Universitas Negeri Makassar berhak menyimpan mengalih media/formatkan,
mengelola dalam bentuk pangkalan data (database), merawat dan
mempublikasikan skripsi saya selama mencantumkan nama saya sebagai penulis,
pencipta dan pemilik, hak cipta serta tidak dikomersilkan.
Demikian pernyataan ini saya buat dengan sebenarnya.

Dibuat di : Makassar
Pada Tanggal : Maret 2016
Menyetujui
Pembimbing I Yang Menyatakan
Hj. Aswi, S.Pd., M.Si. Ridwan

NIP. 19771117 200312 2 002 NIM. 1211141004
PERNYATAAN KEASLIAN
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.
Yang membuat pernyataan
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”
“Kesempurnaan hanya milik Allah”

HALAMAN PERSEMBAHAN
Kupersembahkan sebuah catatan kecil ini untuk:

 Kedua orang tua, yang senantiasa mendoakan saya disetiap sujudnya,
memotivasi, dan mendukung saya. terima kasih Bapak Mustang dan Ibu
Hamsinah.
 Kakakku Muh. Arifai dan adikku Awal, yang telah memberikan motivasi
untuk menjadi semangat setiap hari.
 Milih Ismail, Wahyudin, Normawati, Adhatami yang selalu membantu
saya dalam menjalani kuliah. Kalian adalah bagian dari kehidupanku di
kampus.
 Bunda Susilawati beserta keluarganya, adinda Kholil Gibran dan Keiza
Mutia yang selalu menghibur saya disaat sedih dan menjadi teman curhat
saya.
 Sahabatku yang tercinta dan dicintai Allah, yang selalu ada untuk
mengingatkanku, memotivasiku, menemaniku, setiap hari meskipun
bantuanmu bukan didepan mata. Terima kasih Nur Ilmi Amalia B.
 Teman-teman mahasiswa Matematika Ang. 2012, yang menjadi teman
yang baik saat menjalani perkuliahan.
 Pihak-pihak yang membantuku dalam menempuh studi S1, yang tidak bisa
saya tuliskan satu persatu, saya ucapkan terimakasih banyak.
ABSTRAK
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).
Jenis penelitian ini merupakan penelitian terapan (applied research) dengan

pendekatan kuantitatif yaitu dengan mengambil atau mengumpulkan data yang
diperlukan dan menganalisisnya dengan menggunakan model regresi Cox pada
kasus kejadian bersama dan penerapannya untuk mengetahui faktor-faktor yang
mempengaruhi laju kesembuhan pada penderita Demam Berdarah Dengue (DBD)
di Rumah Sakit Labuang Baji Makassar. Lama rawat inap di rumah sakit
merupakan waktu survival. Sesuai dengan uji Anderson Darling menggunakan
software Minitab 15, maka hasil uji distribusi pada waktu survival dari penderita
DBD berupa distribusi Gamma. Estimasi parameter pada distribusi Gamma dapat
diestimasi menggunakan metode momen pada fungsi Gamma. Estimasi Parameter
dalam prosedur pembentukan model Cox pada umumnya menggunakan
Maximum Partial Likelihood Estimation (MPLE) yaitu dengan memaksimalkan
fungsi partial likelihood. Pada kasus kejadian bersama dilakukan modifikasi pada
partial likelihood dengan pendekatan Breslow. Estimasi parameter dan
perhitungan yang lainnya dalam penelitian ini dibantu dengan software SPSS 20.
Hasil pemilihan model terbaik berdasarkan nilai dari setiap model dan nilai
signifikansi dari setiap variabel pada pemilihan model menunjukkan, model
Regresi Cox Nonproportional Hazard terbaik dari faktor-faktor mempengaruhi
laju kesembuhan pasien Demam Berdarah Dengue (DBD) di Rumah Sakit
Labuang Baji yaitu faktor Hematokrit ( ) dan Hemoglobin ( )
Kata kunci: Distribusi Gamma, model cox, kejadian bersama, metode breslow,
demam berdarah dengue (DBD).
ABSTRACT
Ridwan, (2016). Survival analysis with Cox Regression Approach In Case of

Dengue Hemorrhagic Fever (DHF) Hospital Labuang Baji Makassar. Department
of Mathematics, Faculty of Mathematics and Natural Sciences, University of
Makassar (guided by Aswi and Wahidah Sanusi).
This research is applied research (applied research) with quantitative approach is

to take or collect the necessary data and analyzed using Cox regression models on
the prevalence of joint and its application to determine the factors that affect the
rate of healing in patients with Dengue Hemorrhagic Fever (DHF ) in Labuang
Baji Makassar Hospital. Old inpatient in hospital is survival time , In accordance
with the Anderson Darling test using the software Minitab 15, the test results on
the distribution of survival time of patients with DHF form Gamma distribution.
Estimation parameters on Gamma distribution can be estimated using the method
of moments in the Gamma function. Parameter estimation of β in the Cox model
building procedures in general use Maximum Partial Likelihood Estimation
(MPLE) is to maximize the partial likelihood function. In the case of a
modification to the incident along with the partial likelihood approach Breslow.
Parameter estimates and other calculations in this study aided by software SPSS
20. The result of the selection of the best models based on the value of each
model and the significance of each variable in the model selection show, models
Regression Cox Non proportional Hazard best of these factors affect the rate of
recovery of patients with Dengue Hemorrhagic Fever (DHF) in the Hospital
Labuang Baji is factor Hematocrit ( ) and Hemoglobin ( ).
Keywords: Gamma distribution, models of cox, joint events, Breslow method,

dengue hemorrhagic fever (DHF).
KATA PENGANTAR
   

Puji syukur kehadirat Allah SWT sehingga penulis dapat menyelesaikan
skripsi berjudul “Analisis Survival Dengan Pendekatan Regresi Cox Pada Kasus
Demam Berdarah Dengue (DBD) Di Rumah Sakit Labuang Baji Makassar”.
Penulisan skripsi ini dibuat untuk memenuhi sebagian persyaratan guna
memperoleh gelar Sarjana Sains Fakultas Matematika dan Ilmu Pengetahuan
Alam Universitas Negeri Makassar.
Dibalik terselesaikannya skripsi ini banyak pihak yang telah membantu dan
bekerja sama dengan penulis. Melalui pengantar ini penulis hendak menghaturkan
terima kasih yang sebesar-besarnya kepada Ayahanda Mustang dan Ibunda
Hamsinah yang tiada henti-hentinya memberikan dan menghantarkan do’a demi
kesuksesan dan kebaikan penulis. Demikian juga buat saudara-saudaraku tercinta
Muh. Arifai dan Awaluddin atas segala cinta, nasihat, kasih sayang, didikan,
perhatian, dorongan, bantuan, pengorbanan dan dukungan yang diberikan kepada
penulis selama menempuh pendidikan, serta doa dan kasih sayang yang tulus
diberikan kepada penulis.
Tidak lupa penulis menghaturkan terima kasih yang sebesar-besarnya
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.
Makassar, 17 Februari 2016

Penulis
Ridwan
DAFTAR ISI
HALAMAN JUDUL ................................................................................. i
HALAMAN PERSETUJUAN ................................................................. ii
HALAMAN PENGESAHAN ................................................................... iii
HALAMAN PERNYATAAN ................................................................... iv
MOTTO ..................................................................................................... v
PERSEMBAHAN ...................................................................................... vi
ABSTRAK ................................................................................................. vii
KATA PENGANTAR ............................................................................... viii
DAFTAR ISI .............................................................................................. ix
DAFTAR TABEL ..................................................................................... x
DAFTAR GAMBAR ................................................................................. xi
DAFTAR LAMPIRAN ............................................................................. xii
BAB I PENDAHULUAN .......................................................................... 1
A. Latar Belakang Masalah .................................................................... 1
B. Rumusan Masalah .............................................................................. 5
C. Batasan Masalah ................................................................................ 5
D. Tujuan ................................................................................................ 6
E. Manfaat .............................................................................................. 7
BAB II TINJAUAN PUSTAKA............................................................... 8
A. Konsep Dasar Distribusi Survival ................................................... 8
B. Data Tersensor ................................................................................ 10

C. Fungsi Distribusi Kumulatif............................................................ 11
D. Fungsi Survivor ............................................................................... 11
E. Fungsi Hazard (Kegagalan)............................................................. 13
F. Analasis Distribusi .......................................................................... 16
G. Cox Proportional Hazard (Cox PH) ................................................ 20
H. Estimasi Parameter .......................................................................... 23
I. Pengujian Signifikansi Parameter Model ........................................ 25
J. Odds Ratio....................................................................................... 29
K. Pemilihan Model Cox Terbaik ........................................................ 29
L. Pengujian Asumsi Proportional Hazard .......................................... 30
M. Demam Berdarah Dengue (DBD) ................................................... 31
N. Hipotesis.......................................................................................... 35
BAB III METODOLOGI PENELITIAN ............................................... 37
A. Jenis Penelitian ................................................................................ 37
B. Waktu dan Tempat Penelitian ......................................................... 37
C. Sumber Data .................................................................................... 37
D. Variabel Penelitian .......................................................................... 38
E. Langkah Penelitian .......................................................................... 38
F. Skema Prosedur Penelitian .............................................................. 42
BAB IV HASIL DAN PEMBAHASAN .................................................. 43
A. Hasil Penelitian ............................................................................... 43
1. Prosedur Matematis Model Distribusi dan Regresi Cox ........... 43
2. Penerapan Model Distribusi dan Regresi Cox

pada Penderita Demam Berdarah Dengue ................................ 54
3. Model Regresi Cox dengan Variabel yang Berpengaruh .......... 78
B. Pembahasan ..................................................................................... 83
BAB V PENUTUP ..................................................................................... 85
A. Kesimpulan ..................................................................................... 85
B. Saran ................................................................................................ 86
DAFTAR PUSTAKA ................................................................................ 87
LAMPIRAN ............................................................................................... 89
DAFTAR TABEL
Tabel Judul Halaman

3.1 Variabel-Variabel yang Terdapat dalam Penelitian ................................ 38
4.1 Data Survival Dengan Terdapat Ties ...................................................... 48
4.2 Analsis Deskriptif Terhadap Variabel Kontinu ...................................... 58
4.3 Hasil Uji Kecocokan Distribusi pada Waktu Survival ........................... 62
4.4 Analisis Deskriptif Waktu Survival (Lama Rawat) ................................ 63
4.5 Prosedur Seleksi Backward Dalam Pemilihan Model Terbaik............... 66
4.6 Estimasi parameter model Cox terbaik dengan metode Breslow ........... 67
4.7 Estimasi parameter model Cox terbaik dengan seleksi backward .......... 75
4.8 Hasil Pengujian Parameter Secara Partial dengan Uji Wald .................. 77
4.9 Estimasi Parameter Dengan Dua Variabel yang Signifikan ................... 77
4.10 Estimasi Parameter dan Odds Ratio Dua Variabel yang Berpengaruh... 81
DAFTAR GAMBAR
Gambar Judul Halaman

1.1 Kurva Fungsi Densitas Peluang ......................................................... 10
1.2 Grafik Sebaran Gam(3,14) ................................................................. 18
1.3 Grafik FKP Weib(1,2) ....................................................................... 19
3.1 Skema Penelitian ................................................................................ 42
4.1 Waktu Survival Penderita DBD ......................................................... 54
4.2 Persentase Penderita DBD Tahun 2015
di Rumah Sakit Labuang Baji ............................................................ 55
4.3 Persentase Kondisi Trombosit Penderita DBD Tahun
2015 di Rumah Sakit Labuang Baji ................................................... 55
4.4 Persentase Kondisi Hematokrit Penderita DBD Tahun
4.5 Persentase Kondisi Hemoglobin Penderita DBD Tahun
4.6 Persentase Kondisi Leukosit Penderita DBD Tahun
4.7 Plot Hasil Uji Kenormalan Data Pasien DBD
dengan Anderson Darling ................................................................. 60
4.8 Plot Hasil Uji Kesesuaian Distribusi Pada
Lama Rawat Pasien DBD ................................................................. 62
4.9 Grafik dari distribusi Gam(7,086;0,873) ........................................... 64
4.10 Plot Kaplan Meier Untuk Variabel Hematokrit ................................. 80
DAFTAR LAMPIRAN
1 Data Penderita DBD Di Rumah Sakit Labuang

Baji Makassar 2015
2 Output Hasil Analisis Deskriptif
3 Output Hasil Uji Kenormalan Waktu Survival
4 Output Hasil Uji Kecocokan Distribusi Waktu Survival
5 Output Estimasi Parameter Pemilihan Model Cox
dengan seleksi backward
6 Output Pengujian Parameter Model Cox
7 Output Hasil Uji Asumsi Proportional Hazard
DAFTAR SIMBOL
: Fungsi densitas peluang

: Fungsi survivor
: Fungsi distribusi kumulatif
: Waktu
: Anderson darling
: Banyaknya data
: Baseline hazard
: Koefisien regresi
: Variabel bebas
: Likelihood
: Seluruh individu yang memiliki resiko gagal pada waktu ke-i
: Nilai indikator (tersensor atau tidak)
: Uji partial likelihood rasio
: Nilai Chi-square
W : Uji Wald
: Standar error koefisien regresi
: Odds rasio
: Parameter shape (bentuk)
̂ : Parameter scale (lokasi)
̂ : Fungsi gamma ̂
: Fungsi hazard kumulatif
: Jumlah kovariat pada kasus ties
: Banyaknya kasus ties pada waktu ke-
: Model Cox
BAB I
PENDAHULUAN
A. Latar Belakang
Berbagai penelitian di bidang Biologi, Fisika, Pertanian dan Kedokteran
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
disebut analisis tahan hidup (Survival) (Lawless, 1982).
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
bermacam-macam, yaitu kejadian meninggal, kejadian sakit, kejadian sakit yang
terulang kembali setelah pengobatan, munculnya penyakit baru, kejadian
kecelakaan dan lain-lain. Analisis tahan hidup berkaitan dengan waktu tahan
hidup, dengan diketahui waktu tahan hidup maka dapat diketahui peluang tahan
hidup (Lawless, 1982).
Menurut Lee dan Wang (2003) dalam Mandini (2015), terdapat dua cara yang
dapat dilakukan dalam pengambilan sampel pada analisis data tahan hidup yaitu
pengamatan tersensor dan pengamatan tidak tersensor. Pengamatan tersensor
dilakukan jika waktu tahan hidup dari individu yang diamati tidak diketahui
secara pasti. Pengamatan tidak tersensor merupakan pengamatan yang diambil

jika semua individu atau unit-unit data yang diteliti meninggal atau mengalami
kejadian yang diamati.
Untuk menganalisis data survival dengan data tidak tersensor diperlukan
asumsi tertentu tentang distribusi populasinya. Beberapa distribusi parametrik
yang populer dan dapat digunakan untuk menganalisis model survival adalah
Distribusi Log-normal, Distribusi Gamma, Lognormal (2P), Smallest extreme
value, Exponential (2P), Exponential, Loglogistik, Logistik, Normal, dan Weibull
(Sari, 2011 dan Nelson, 1982). Distribusi yang memiliki nilai Anderson-Darling
(AD) terkecil adalah distribusi yang paling cocok atau mendekati variabel respon
yang berupa survival time.
Menurut Collett (2004) dalam Ratnaningsih, dkk. (2008), analisis ketahanan
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
digunakan untuk mengetahui hubungan antara variabel dependen dengan variabel
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
kejadian khusus lainnya (Chuansumrit, dkk. (2003) dalam Ernawatiningsih 2012).

Pada dasarnya model regresi cox terdiri dari dua, yaitu regresi cox
proportional hazard dan regresi cox nonproportional hazard. Model regresi dapat
dimodelkan sebagai regresi cox proportional hazard jika memenuhi asumsi
proportional yang menunjukkan bahwa rasio dari dua individu konstan dari waktu
ke waktu. Sedangkan model regresi cox dimodelkan sebagai regresi cox
nonproportional hazard jika tidak memenuhi asumsi proportional yang
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
Anderson-Darling. Secara umum model regresi Cox dihadapkan pada situasi
dimana kemungkinan kegagalan individu pada suatu waktu yang dipengaruhi oleh
satu atau lebih variabel independen.
Demam Berdarah Dengue (DBD) merupakan salah satu penyakit yang hampir
selalu menimbulkan masalah kesehatan masyarakat dan jumlahnya selalu ada,
bahkan cenderung meningkat. Demam berdarah dengue (DBD) merupakan
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
terdapat hampir di seluruh pelosok Indonesia, kecuali di tempat yang memiliki
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
lain rendahnya status kekebalan kelompok masyarakat dan kepadatan populasi
nyamuk penular karena banyaknya tempat perindukan nyamuk yang biasanya
terjadi pada musim penghujan dan ditempat yang terdapat banyak genangan air
terutama di daerah perkotaan. Hal ini menyebabkan DBD menjadi salah satu
obyek yang menarik untuk diteliti dan dikaji lebih lanjut.
Menurut Tribun Makassar (2015), sebanyak 70 penderita demam
berdarah dengue (DBD) dirawat di RS Labuang Baji, Makassar. Data yang
diperoleh Tribun, Jumat (6/2/2015), penderita DBD ini didominasi oleh anak-
anak, terhitung dari awal Januari sampai pekan pertama bulan Februari (Tribun
Makassar, 2015). Sedangkan Kepala Pelayanan Medik RS Labuang Baji, dr.
Fitriah Hasanuddin, menjelaskan, pada pergantian musim atau masa pancaroba
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
berdarah dengue (Tribun Makassar, 2015). Berdasarkan hasil pengamatan
langsung pada lokasi penelitian menunjukkan bahwa penyakit demam berdarah

dengue dirumah sakit Labuang Baji Makassar tergolong masih banyak. Hal ini
menunjukkan bahwa penyakit yang masih perlu untuk penanganan serius di Kota
Makassar.
Beberapa penelitian sebelumnya pernah dilakukan tentang DBD yang
menjadi dasar penelitian dan menjadi dasar dalam pengambilan variabel,
diantaranya:
1. Kasus DBD pada Analisis survival dengan di RS. Pamekasan dengan
pendekatan Bayesian Mixture Survival Amalia, S (2010).
2. Analisis Survival dengan Model Regresi Cox, dengan 2 faktor yang
mempengaruhi yaitu Umur dan Trombosit (Ernawatiningsih, 2012).
3. Analisis Survival Faktor-Faktor yang Mempengaruhi Laju Kesembuhan
Pasien Penderita Demam Berdarah Dengue (DBD) di RSU Haji Surabaya
dengan Regresi Cox, dengan 2 faktor yang mempengaruhi yaitu Umur dan
Trombosit (Fa’rifah, dkk., 2012).
4. Analisis Survival dengan Pendekatan Multivariate Adaptive Regression
Splines pada Kasus Demam Berdarah Dengue (DBD), dengan 4 faktor
yang mempengaruhi yaitu jumlah trombosit, kadar hematokrit, umur, dan
pembesaran hati (Nisa dan Budiantara, 2012).
Berdasarkan uraian diatas peneliti dalam penelitian ini, berkaitan distribusi
data survival yang sesuai dengan kasus demam berdarah dengue (DBD). Dari
waktu survival setiap individu akan didapatkan peluang kegagalannya yang
mengikuti distribusi tertentu sehingga setiap individu memiliki peluang gagal
yang berbeda. Kemudian setelah mengetahui faktor-faktor demam berdarah

dengue dari diagnosis klinis dan laboratorium, selanjutnya menghitung laju
kesembuhan pasien penderita demam berdarah dengue dengan pendekatan
Regresi Cox.
Hal tersebut di atas yang mendasari penulis untuk melakukan penelitian yang
berjudul “Analisis Survival dengan Pendekatan Regresi Cox pada Kasus Demam
Berdarah Dengue (DBD) di Rumah Sakit Labuang Baji Makassar”.
B. Rumusan Masalah
Berdasarkan latar belakang masalah, maka rumusan masalahnya ialah sebagai
berikut.
1. Bagaimana prosedur matematis Analisis Distribusi dan Regresi Cox pada
penderita Demam Berdarah Dengue (DBD)?
2. Bagaimana penerapan Analisis Distribusi dan Regresi Cox pada penderita
Demam Berdarah Dengue (DBD)?
3. Faktor apa yang paling berpengaruh pada laju kesembuhan pasien demam
berdarah dengue (DBD)?
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
rumah sakit setelah dinyatakan sembuh.

D. Tujuan
Berdasarkan rumusan masalah, maka tujuan penelitian ini ialah sebagai
berikut.
1. Mengetahui prosedur matematis Analisis Distribusi dan Regresi Cox pada
penderita Demam Berdarah Dengue (DBD).
2. Mengetahui penerapan Analisis Distribusi dan Regresi Cox pada
penderita Demam Berdarah Dengue (DBD).
3. Mengetahui faktor yang paling berpengaruh pada laju kesembuhan pasien
demam berdarah dengue (DBD).
E. Manfaat Penulisan
Manfaat dari penelitian ini bagi tim medis dan masyarakat pada umumnya
adalah sebagai tambahan informasi tentang probabilitas laju kesembuhan pasien
dan faktor-faktor yang mempengaruhinya, serta manfaat bagi mahasiswa adalah
sebagai tambahan informasi tentang penerapan Ilmu Statistika di bidang
kesehatan, khususnya penggunaan analisis survival dan metode Regresi Cox.

BAB II
TINJAUAN PUSTAKA
A. Konsep Dasar Distribusi Survival
Data survival adalah data lamanya individu-individu atau unit-unit dari suatu
populasi menjalankan fungsinya dengan baik sampai kematian individu-individu
tersebut. Dalam mempelajari penerapan data survival, terlebih dahulu harus
diketahui konsep-konsep statistik pada distribusi survival (Sari, 2011).
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
Kasjono SB, 2009; Collet, D (1994) dalam Romadhoni, dkk., 2012).
Menurut Nisa dan Budiantara (2012), dalam menentukan waktu survival T,
terdapat tiga elemen yang perlu diperhatikan, yaitu:
1. Time Origin or Starting Point (titik awal) adalah waktu dimulainya suatu
penelitian. Titik awal pada penelitian ini adalah tangga masuk pasien
rawat inap DBD di Rumah Sakit.
2. Ending Event of interest (kejadian akhir) adalah kejadian yang menjadi
inti dari penelitian. Titik akhir yang dimaksud pada penelitian adalah
tanggal dimana pasien rawat inap DBD yang dinyatakan keluar dari
Rumah Sakit dalam keadaan sembuh.
3. Measurement scale for the passage of time (skala ukuran untuk berlalunya
waktu). Dalam penelitian ini skala yang digunakan adalah lama pasien
DBD yang rawat inap di Rumah Sakit dalam satuan hari.

Misalkan T merupakan variabel random kontinu non negatif yang
menunjukkan tahan hidup individu-individu dari suatu populasi. Pada model
kontinu, fungsi-fungsi seperti fungsi densitas peluang, fungsi distribusi kumulatif,
fungsi hazard dan fungsi survivor didefinisikan dalam interval (Lawless,
1982).
Fungsi densitas peluang pada analisis survival adalah peluang suatu individu
mati atau gagal dalam interval waktu sampai dengan waktu T merupakan
variabel random. Fungsi densitas peluang dari T dapat dinyatakan sebagai
seperti pada persamaan (2.1):
* + (2.1)
Yang mempunyai sifat sebagai berikut:
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
daerah di bawah kurva antara dan menyatakan peluang T terletak
antara a dan b (Walpole, 1995 dalam Sari 2011), sebagaimana diilustrasikan
dalam Gambar 2.1.

Gambar 2.1. Kurva fungsi densitas peluang (Sari, 2011).
Dengan demikian luas daerah yang diarsir adalah ∫
dengan a,b (Lawless,1982).
Adapun sumber kesulitan data pada analisis survival adalah adanya
kemungkinan beberapa individu tidak bisa diobservasi yang disebut dengan data
tersensor yang dijelaskan pada sub bab berikutnya.
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
dari r observasi terkecil dalam sampel random yang berukuran n dengan 1≤ r ≤ n.
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.
Dalam penyensoran ini, r ditentukan terlebih dahulu sebelum data dikumpulkan
(Lawless, 1982).
C. Fungsi Distribusi Kumulatif
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)
didefinisikan sebagai peluang (probabilitas) suatu individu dapat bertahan hidup
(survived) lebih lama atau sama dengan waktu t. Secara teori, t berkisar dari 0
sampai tak terhingga. Fungsi survivor dapat digambarkan dalam grafik/kurva

halus, dimana t adalah baris dan S(t) adalah kolom. Terjadi penurunan dari
pada sampai pada . Yaitu peluang hidup =1 pada
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)
(Yasril dan Kasjono SB, 2009; Lawless, 1982)
Dengan demikian diperoleh persamaan (2.4) yang menyatakan hubungan
antara fungsi survivor dan fungsi distribusi kumulatif, yaitu (Rahayu, 2015):
(2.4)
Jadi hubungan fungsi densitas peluang dengan fungsi tahan hidup (Survival)
pada persamaan (2.5):
|
(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
waktu nol adalah 1
2. artinya peluang suatu individu bertahan hidup pada waktu
yang tak terhingga adalah nol (0).
Fungsi survivor digunakan untuk merepresentasikan peluang individu untuk
survive dari waktu awal sampai beberapa waktu tertentu (Yasril dan Kasjono SB,
2009; Lawless, 1982).
E. Fungsi Hazard (Kegagalan)
Menurut Yasril dan Kasjono SB (2009), fungsi hazard merupakan peluang
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
waktu t sampai , jika diketahui individu tersebut masih dapat bertahan
hidup sampai dengan waktu t, yang dinyatakan persamaan (2.6) sebagai berikut
(Yasril dan Kasjono SB, 2009):
(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
sebaliknya (Yasril dan Kasjono SB, 2009; Lawless, 1982).
Misalkan adalah fungsi densitas peluang pada waktu t, maka dari
persamaan (2.6) diperoleh (2.7) berikut (Rahayu, 2015; Sari, 2011):

|
(2.7)
dari persamaan (2.5) dan (2.7) diperoleh (2.8) sebagai berikut (Rahayu,
2015):
(2.8)
Dari persamaan (2.8) diperoleh
∫ ∫
∫ ∫
∫ |
(Rahayu, 2015)
Karena dan , maka diperoleh (Lawless (2007) dalam
Rahayu, 2015):
∫
* ∫ +
Dari uraian di atas diperoleh hubungan antara f(t), S(t), dan h(t) pada
persamaan (2.9) sebagai berikut:
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
kumulatif didefinisikan dengan persamaan (2.10) berikut ini (Lawless, 1982):
∫ (2.10)
Melalui persamaan (9), fungsi hazard kumulatif yang dihubungkan dengan
fungsi tahan hidup diperoleh (Lawless (2007) dalam Rahayu, 2015):
atau
dari persamaan (2.7) dan (2.9) diperoleh persamaan (2.11):
∫ (2.11)
(Nisa dan Budiantara, 2012)
Menurut Kleinbaum (1997), kegunaan fungsi hazard adalah:
1. Memberikan gambaran tentang keadaan failure rate
2. Mengidentifikasi bentuk model yang spesifik

3. Membuat model matematik untuk survival analisis biasanya ditulis dalam
bentuk fungsi hazard.
F. Analisis Distribusi
Menurut Nisa dan Budiantara (2012), pendugaan distribusi digunakan pada
data survival yang dalam penelitian ini adalah data lama rawat inap pasien DBD
hingga dinyatakan sembuh. Pendugaan distribusi dilakukan dengan statistik uji
Anderson-Darling untuk mengetahui distribusi data survival yang paling sesuai.
Persamaan statistik uji Anderson-Darling dapat dituliskan pada persamaan (2.12)
sebagai berikut (Fa’rifah dan Purhadi, 2012) :
∑ (2.12)
dimana
F = fungsi distribusi kumulatif dari distribusi tertentu.
= data waktu survival.
= banyaknya data atau individu.
Dalam hal ini pendugaan distribusi yang sesuai dipilih berdasarkan nilai
Anderson-Darling terkecil.
Menurut Rahmantya K. (2009), dilakukan uji normalitas dengan
menggunakan nilai Anderson-Darling. Hipotesis dari uji Anderson-Darling adalah
data mengikuti distribusi normal atau data tidak mengikuti distribusi normal.
Kemudian nilai Anderson-Darling perhitungan ( ) dibandingkan dengan
nilai Anderson-Darling tabel ( ) dengan α sebesar 0.01, ini dipilih karena
untuk data laboratorium resiko salah yang dapat ditolerir sebesar 1% atau 0,01.
Jika maka menolak , sehingga data tidak mengikuti distribusi
normal (Rahmantya, 2009).
Jika data tidak mengikuti distribusi normal, maka langkah pertama adalah
pemeriksaan distribusi yang sesuai, pemilihan distribusi yang sesuai
menggunakan acuan nilai Anderson Darling dan koefisien korelasi. Suatu
distribusi dikatakan paling sesuai apabila mempunyai nilai Anderson Darling
paling kecil dan nilai koefisien korelasi terbesar (Rahmantya, 2009).
Ada beberapa distribusi yang dapat digunakan ketika melakukan uji distribusi
menggunakan Software Minitab 16 yaitu Lognormal (2P), Smallest extreme value,
Exponential (2P), Exponential, Loglogistik, Logistik, Normal, dan Weibull
(Lawlwss, 1982; Nelson, 1982). Distribusi yang memiliki nilai Anderson Darling
(AD) terkecil adalah distribusi yang paling cocok atau mendekati variabel respon
yang berupa survival time (Ernawatiningsih dan Purhadi, 2012). Berikut
akan dijelaskan dua jenis distribusi, yaitu:
1. Distribusi Gamma
Sebaran gamma umumnya digunakan untuk mengkaji peubah acak
malar yang bernilai non-negatif. Penggunaan model ini menjelaskan
tentang masalah waktu tunggu (waiting time). Misalnya, dalam
pengujian daya tahan penggunan sejenis alat, dengan memperhatikan
waktu tunggu sampai alat tersebut tidak berfungsi.
Definisi 2.1 (Tiro, 2008:266)
Peubah acak Y dikatakan mempunyai sebaran gamma
dengan parameter dan , ditulis dengan simbol

jika dan hanya jika fungsi kepadatan
peluangnya adalah:
dimana ∫ Diagram f(y) untuk tiga pasangan ( )
dari sebaran ditunjukkan pada Gambar 2.2 dibawah:
Gambar 2.2 Grafik sebaran Gam(3,14)
2. Distribusi Weibull
Teknologi modern telah memungkinkan orang merancang banyak
sistem yang rumit dan penggunaan atau keamanannya bergantung pada
keandalan berbagai komponen dalam sistem tersebut. Sebagai contoh,
suatu sekering mungkin putus, tiang baja mungkin melengkung, atau
alat pengindera panas tidak bekerja. Komponen yang sama dalam
lingkungan yang sama akan rusak dalam waktu b erlainan yang tidak
dapat diramalkan.
Definisi 2.2 (Tiro, 2008: 297)
Suatu peubah acak Y dikatakan mempunyai sebaran
Weibull dengan parameter p dan , jika dan hanya
jika fungsi kepadatan peluangnya:
untuk ,
ditulis denga simbol
untuk lebih memperjelas bentuk dari sebaran Weibull, grafik fkp
sebaran Weibull (bantuan Maple 17) untuk dan dapat
dilihat pada Gambar diabawah:
Gambar 2.3 Grafik fkp Weib (1,2)
Teorema 9.2 (Tiro, dkk., 2008: 267)
Jika maka fpm-nya adalah
Teorema 9.3 (Tiro, dkk., 2008: 268)
Nilai harapan dan variansi peubah acak adalah
dan
G. Cox Proportional Hazard (Cox PH)
Pemodelan data survival dengan menggunakan Model Cox Proportional
Hazard merupakan pemodelan dengan metode parametrik yang digunakan untuk
mengestimasi efek kovariat pada data survival. Pemodelan regresi untuk
mengetahui faktor-faktor yang mempengaruhi data survival untuk data tidak
tersensor yang disebut dengan Regresi Cox (Cox Model) (Cox dan Oakes (1982)
dalam Nisa dan Budiantara, 2012).
Menurut Yasril dan Kasjono SB (2008), regresi Cox digunakan untuk
membuat model yang menggambarkan hubungan antara survival time sebagai
dependen variabel dengan satu set variabel independen. Variabel independen ini
bisa kontinu maupun kategorik.
Regresi Cox menggunakan fungsi hazard sebagai dasar untuk memperkirakan
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
ia dapat mempunyai nilai dari 0 hingga .
Menurut Nisa dan Budiantara (2012), pemodelan ini merupakan hubungan
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),
untuk variabel X yang ber-Covariate, maka persamaan yang digunakan adalah
persamaan (2.14):
(2.14)
dimana:
= Waktu hingga suatu kejadian tertentu terjadi
= baseline hazard
= koefisien regresi
= variabel bebas,
Menurut Yasril dan Kasjono (2009), model Cox sangat populer digunakan
karena:
1. Dapat mengestimasi hazard rasio tanpa perlu diketahui atau fungsi
baseline. Akan tetapi dalam penelitian ini akan dicari fungsi baselinenya
dengan menggunakan distribusi yang terbaik.
2. Dapat mengestimasi , , dan fungsi survivor meskipun
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)
Persamaan (2.14) dapat dituliskan dalam persamaan (216) sebagai berikut
(Rahayu, 2015):
Model Cox mengestimasi parameter regresi ( tanpa
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)
sebagai berikut (Iskandar 2015):
(2.17)
Persamaan (17) mengimplikasikan bahwa dalam model dengan variabel bebas
( dan koefisien yaitu peningkatan pada Log Hazard rasio untuk
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
hazard . Peningkatan nilai variabel bebas berhubungan dengan lebih
menurunnya risiko dan lebih panjangnya waktu bertahan hidup. Ketika rasio
hazard , peningkatan nilai variabel bebas berhubungan dengan
peningkatan risiko dan dan lebih pendeknya waktu bertahan hidup (Iskandar,
2015: 21 ; Vittinghoff, dkk. (2004) dalam Nurhaniah, 2015).
H. Estimasi Parameter
Parameter pada model Cox proporsional hazard dapat diestimasi dengan
menggunakan metode Maximum Partial Likelihood Estimation (MPLE).
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
dengan merupakan urutan waktu kejadian ke – i
(Iskandar, 2015:21; Hanni & Wuryandari, 2013).
Menurut Cox (1972) fungsi likelihood untuk model hazard proportional
seperti pada persamaan (2.18) berikut (Rahayu, 2015; Wuryandari, 2013):
∏ (2.18)
∑
adalah vektor variabel dari individu yang gagal pada saat ke – i dengan
waktu . adalah seluruh individu yang memiliki resiko gagal pada waktu
ke-i. Jika terdapat n waktu survival yang diobservasi, dinotasikan oleh
dan adalah value indicator maka fungsi likelihoodnya dinyatakan

dalam fungsi parsial likelihood pada persamaan (2.19) sebagai berikut (Hanni dan
Wuryandari, 2013):
( )
∏ *∑ + (2.19)
( )
Dengan {
Fungsi log likelihood yang bersesuaian yaitu persamaan (2.20) berikut:
∑ ∑ (2.20)
(Hanni dan Wuryandari, 2013)
Estimasi koefisien diselesaikan dengan metode numerik melalui
penyelesaian iterasi Newton Raphson. Taksiran pada iterasi ke , yaitu
pada persamaan (2.21) berikut :
( ̂) ( ̂) ( ( ̂) ) ̂ (2.21)
Dengan
= 0, 1, 2,….
̂ = vektor skor efisien berukuran
( ( ̂) ) = invers matriks informasi yang diamati berukuran
(Hanni & Wuryandari, 2013)
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
dari r waktu kegagalan (Iskandar (2015) dalam Nurhaniah (2015).
I. Pengujian Signifikansi Parameter Model
Melalui model Cox dapat dilihat hubungan antara variabel bebas (variabel
independent) terhadap variabel terikat (variabel dependent) yaitu waktu survival
melalui fungsi hazardnya, seperti yang ditunjukkan pada persamaan (2.14):
Menurut Febriyanti, A., dkk., (2012) dan Cahyani, dkk., (2014), pada model
dilakukan uji signifikansi parameter yang meliputi uji bersamaan (serentak) dan
uji individu.
1. Uji Signifikansi Bersamaan (Serentak)
Uji signifikansi yang dilakukan secara bersamaan terhadap banyaknya
variabel bertujuan untuk mengetahui apakah secara umum model terpilih
merupakan model yang sesuai dan menunjukkan hubungan yang tepat antara
variabel bebas dengan variabel respon. Hipostesis yang digunakan adalah:
Hipotesis nol ( akan ditolak jika artinya terdapat
paling tidak satu yang tidak sama dengan nol atau dengan kata lain terdapat
paling tidak satu variabel yang memuat variabel bebas yang berpengaruh terhadap
variabel respon. Nilai diperoleh dari tingkat signifikansi serta
dan dengan n adalah banyaknya sampel dan K adalah banyaknya
variabel yang berkontribusi terhadap model.

Nilai diperoleh dari perhitungan seperti pada persamaan (2.22)
berikut:
( ̅ )
∑
(2.22)
( ̂ )
∑
(Febriyanti, A., dkk., 2012)
Menurut Nurhaniah (2015), untuk menguji hipotesis satu atau beberapa
regresi adalah nol dapat menggunakan uji Partial Likelihood rasio dinotasikan
dengan G. Statistik uji ini mengikuti distribusi chi-square dengan derajat bebas p.
Berikut langkah-langkah uji Partial Likelihood rasio:
a. Hipotesis:
b. Taraf signifikan :
c. Statistik Uji:
Dengan memisalkan,
adalah Log Partial Likelihood dari model tanpa variabel bebas
(model nol).
adalah Log Partial Likelihood dari model yang terdiri dari p
variabel.
d. Daerah penolakan
ditolak jika ( atau p-value
: banyaknya variabel bebas

e. Jika ditolak maka mengindikasikan bahwa variabel bebas
berpengaruh terhadap waktu survival (variabel dependen).
Dalam penelitian ini, diuji dengan uji Partial Likelihood untuk menguji
satu atau beberapa variabel bebas.
2. Uji Signifikansi Individu
Pengujian untuk masing-masing variabel bertujuan untuk mengetahui apakah
parameter yang terbentuk mempunyai pengaruh signifikan terhadap model. Selain
itu dapat diketahui pula apakah model yang memuat parameter tersebut telah
menggambarkan keadaan data yang sebenarnya. Hipotesisnya adalah sebagai
berikut:
Hipotesis nol akan ditolak jika ( ) artinya terdapat pengaruh
variabel bebas terhadap variabel respon pada variabel ke-k didalam model. Nilai
( ) diperoleh dengan derajat bebas dan tingkat signifikansi
Nilai dari persamaan (2.23) sebagai berikut:
̂
(2.23)
̂
Dengan ̂ merupakan standar error ̂ yang diperoleh dari persamaan
(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
terhadap variabel bebas tersebut. Dengan mengasumsikan data berdistribusi
normal baku atau Z-score.
Langkah-langkah uji Wald adalah sebagai berikut (Agresti (2007) dalam
Windari, 2015):
a. Merumuskan Hipotesis:
Dimana:
b. Memilih tingkat signifikan
c. Menentukan statistik uji
Statistik uji yang digunakan adalah uji Wald:
̂
(̂ )
dimana:
̂ : koefisien penduga parameter
̂ : standar error penduga parameter ̂
d. Kriteria keputusan
Tolak jika atau sig < , yang artinya variabel
bebas signifikan di dalam model.

Dalam penelitian ini akan dilakukan uji Wald untuk menguji pengaruh
signifikan masing-masing variabel bebas secara individu.
J. Pemilihan Model Cox Terbaik
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
backward. Seleksi backward atau seleksi mundur dengan memasukkan semua
variabel ke dalam model kemudian mengeluarkannya satu persatu jika variabel
peningkatan nilai terbesar. Jika sudah tidak ada peningkatan nilai
secara signifikan dari pengurangan variabel maka langkah backward
dihentikan. Seleksi forward atau seleksi maju yaitu dengan menambahkan
variabel satu demi satu dalam setiap langkahnya. Menurut David W. Hosmer dan
Stanley Lemeshow (2008) dalam Nurhaniah (2015), taraf signifikan yang
digunakan dalam seleksi forward disarankan antara 20% - 25% untuk
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
backward dengan taraf signifikansi yaitu 0,05.

K. Odds Rasio
Menurut Hosmer, dkk (2008) dalam Bastyan dan Latra (2013), odds ratio
adalah suatu ukuran yang untuk mengetahui tingkat resiko/kecenderungan.
|
(2.25)
|
Tingkat kecepatan terjadinya laju kesembuhan pada individu dengan kategori
adalah sebesar kali tingkat kecepatan terjadinya resiko terjadinya
peristiwa failure event pada individu dengan kategori . Untuk variabel
independen yang kontinu, nilai dari mempunyai interpretasi bahwa
perbandingan odds ratio antara individu dengan nilai lebih besar 1 satuan
dibanding individu lain.
L. Pengujian Asumsi Proporsional Hazard
Proporsional Hazard (PH) artinya perbandingan terjadinya suatu kejadian
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 :
1. Garis survival pada kurva Kapplan – Meier tidak saling berpotongan
2. Garis survival pada ln-ln survival tidak saling berpotongan
3. Nilai p pada uji global test lebih besar dari 0,05
Menurut Kleinbaum dan Klein (2005), secara umum ada 3 pendekatan untuk
mengkaji asumsi propostional hazard, yaitu:

1. Dengan pendekatan grafik, caranya dengan membuat plot Log Minus Log
(LML) dari fungsi ketahanan. Pada plot untuk setiap strata harus
paralel/sejajar. Cara ini hanya dapat digunakan untuk variabel kategorik.
Untuk variabel kontinu harus diubah menjadi kategorik (2 atau 3
kelompok).
2. Menggunakan variabel time dependent dalam extended Cox model,
caranya adalah membuat interaksi antar variabel bebas dengan waktu
ketahanan hidup kemudian lihat nilai signifikansinya.
3. Menggunakan goodnest of fit test. Untuk menguji dengan cara ini
menggunakan program komputer khusus yaitu Minitab 16.
Dari ketiga cara tersebut, maka dalam penelitian ini menggunakan
pendekatan grafik dan variabel time dependent dalam extended Cox model.
M. Demam Berdarah Dengue (DBD)
Adapun beberapa pembahasan yang penting untuk demam berdarah dengue
yang akan diteliti, yaitu
1. Pengertian Demam Berdarah Dengue
Penyakit demam berdarah dengue (DBD) merupakan salah satu masalah
kesehatan masyarakat di Indonesia khususnya di Makassar yang jumlah
penderitanya cenderung meningkat dan penyebarannya semakin luas. Penyakit
DBD merupakan penyakit menular yang terutama menyerang anak-anak. Penyakit
DBD disebut juga dengue hemorrhagic fever (DHF), dengue fever (DF), demam
dengue (DD), dan dengue shok syndrome (DSS) (Widoyono, 2005).

Penyakit Demam Berdarah Dengue (DBD) termasuk penyakit menular yang
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
syok (Nisa dan Budiantara, 2012).
2. Penyebaran dan Penularan Demam Berdarah Dengue.
David Bylon (1779) melaporkan bahwa epidemiologi dengue di Batavia
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
berada dalam darah selama satu minggu.
3. Diagnosis Demam Berdarah Dengue.
Penderita demam berdarah dengue pada setiap rumah sakit kebanyakan
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
disertai dengan tanda-tanda berikut:
a. Suhu badan ( ) biasanya tinggi 39º C dan kadang setinggi 40-41º C
selama 2-7 hari tanpa sebab yang jelas.
b. Manifestasi pendarahan dengan tes Rumpel Leede (+), mulai dari petekie
(+), samapi pendarahan spontan seperti mimisan, muntah darah, atau
berak darah hitam.
c. Hasil pemeriksaan trombosit menurun (normal: 150.000-300.000 µL),
hematokrit meningkat (normal: pria < 45, wanita < 40).
d. Akral dingin, gelisah, tidak sadar (DSS, dengue shok syndrome).
Kriteria diagnosis menurut klinis (WHO, 1999)
a. Demam tinggi mendadak tanpa sebab yang jelas dan berlangsung terus-
menerus selama 2-7 hari.
b. Terdapat manifestasi pendarahan, yaitu munculnya bintik hitam di
permukaan kulit, terjadinya pelebaman pada kulit, hingga terjadi
mimisan. Pendarahan yang terjadi ini mengindikasikan rendahnya jumlah
trombosit.
c. Pembesaran hati, ini terjadi jika hati bertambah besar > 2 cm yang diukur
berdasarkan hasil Ultrasonografi (USG) pada pasien.

d. Syok, ditandai dengan nadi cepat, lemah, tekanan nadi < 20 mmHg,
perfusi jaringan menurun, hipotensi, kulit dingin dan lembab, dan tamapk
gelisah.
Kriteria diagnosis menurut laboratories (WHO, 1999)
a. Trombositopenia ( ) merupakan kelainan trombosit yang
mengakibatkan gangguan fungsi trombosit dan dapat menyebabkan
pendarahan. Trombosit mengendikasikan DBD adalah < 100.000/mm³
( ).
b. Hemokonsentrasi (kebocoran plasma darah) ( ). Salah satu penyebab
terjadinya kebocoran pada plasma darah ditandai dengan peningkatan
maupun penurunan nilai hematokrit > 20% dari kondisi normal sesuai
dengan umur dan jenis kelamin. Kadar normal hematokrit ini tiap
individu tergantung pada umur pasien. Rata-rata kadar hematokrit normal
adalah antara 40%-50%.
c. Hemoglobin ( ), kadar hematokrit biasanya meningkat setelah hari
kedua sakit dan sering merupakan kelainan hematologiawal yang dapat
ditemukan. Peningkatan kadarnya mengikuti peningkatan keadaan
hemokonsentrasi. Adapun kadar normal hemoglobin berdasarkan umur
yaitu laki-laki dewasa: 13,5 – 18 gram/dl, wanita : 12 – 16 gram/dl, anak
– anak: 11 – 16 gram/dl, balita :9 - 15 gram/dl, dan bayi : 12 – 24 gram/dl
d. Leukosit ( ), penderita demam berdarah dengue sering mengalami
penurunan kadar leukosit sehingga penderita mengalami kekurangan
darah putih dalam tubuh. Leukosit rendah dapat disebabkan oleh infeksi
virus misalnya dengue. Adapun kadar normal Leukosit antara 5.000 –
10.000 /mm3
Seorang pasien dinyatakan menderita penyakit DBD bila terdapat minimal 2
gejala klinis yang positif dan 1 hasil laboratorium yang positif. Bila gejala dan
tanda tersebut kurang dari ketentuan di atas maka pasien dinyatakan menderita
demam dengue (Widoyono, 2005 dan WHO, 1999).
N. Hipotesis
Berdasarkan teori tentang demam berdarah dengue sebelumnya, maka
diperoleh hipotesis sebagai berikut:
: Faktor jenis kelamin, umur pasien, jumlah trombosit, Persentase hematokrit,
jumlah hemoglobin, jumlah leukosit, dan suhu badan berpengaruh signifikan
terhadap lamanya (waktu survival) pasien DBD dirawat di Rumah Sakit
: Faktor jenis kelamin pasien berpengaruh signifikan terhadap lamanya (waktu
survival) pasien DBD dirawat di Rumah Sakit
: Faktor umur pasien berpengaruh signifikan terhadap lamanya (waktu
Faktor jumlah trombosit pasien berpengaruh signifikan terhadap lamanya
(waktu survival) pasien DBD dirawat di Rumah Sakit
: Faktor persentase hematokrit berpengaruh signifikan terhadap lamanya
Faktor jumlah hemoglobin pasien berpengaruh signifikan terhadap lamanya

Faktor jumlah leukosit pasien berpengaruh signifikan terhadap lamanya
(waktu survival) pasien DBD dirawat di Rumah Sakit.
: Faktor suhu badan pasien berpengaruh signifikan terhadap lamanya (waktu

BAB III
METODOLOGI PENELITIAN
A. Jenis Penelitian
Penelitian yang dilakukan merupakan penelitian terapan (applied research)
dengan pendekatan kuantitatif yaitu dengan mengambil atau mengumpulkan data
yang diperlukan dan menganalisisnya dengan menggunakan model regresi Cox
untuk mengetahui apakah ada pengaruh signifikan faktor-faktor yang diduga
mempengaruhi laju kesembuhan penyakit demam berdarah dengue (DBD) di
Rumah Sakit Labuang Baji Makassar tahun 2015.
Penelitian dengan pendekatan kuantitatif menekankan analisisnya pada data
numerikal (angka) yang diolah dengan metode statistika. Pada dasarnya,
pendekatan kuantitatif dilakukan pada penelitian inferensial (dalam rangka
pengujian hipotesis) dan menyandarkan kesimpulan hasilnya pada suatu
probabilitas kesalahan penolakan hipotesis nihil. Dengan metode kuantitatif akan
diperoleh signifikansi hubungan antara variabel yang diteliti.
B. Waktu dan Tempat Penelitian
Penelitian ini telah dilaksanakan pada bulan Desember 2015 - Maret 2016.
Adapun lokasi penelitian dilakukan di Rumah Sakit Labuang Baji Makassar.
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
Menurut WHO (1999), Widoyono (2005) dan Soedarmo (2009), berdasarkan
diagnosis klinis dan diagnosis laboratorium pada Bab II, maka variabel penelitian
yang digunakan adalah sebagai berikut:
Tabel 3.1 Variabel-variabel yang terdapat dalam penelitian
Variabel Penjelasan Tipe Kategori

Lamanya (waktu survival) pasien
DBD dirawat di Rumah Sakit,
Kontinu -
mulai dirawat sampai dinyatakan
sembuh (hari)
1 : laki-laki
Jenis kelamin Kategorik
2 : perempuan
Umur pasien DBD di rumah Sakit
Kontinu -
dirawat awal masuk (tahun)
Jumlah trombosit saat diperiksa 0: tidak normal
Kategorik
pertama kali (ribu/ ) 1: normal
Persentase hematokrit pasien DBD 0: tidak normal
Kategorik
saat diperiksa pertama kali (%) 1: normal
Jumlah hemoglobin saat diperiksa 0: tidak normal
Kategorik
pertama kali (gram/dl) 1: normal
Jumlah leukosit saat diperiksa 0: tidak normal
Kategorik
pertama kali (ribu/ ) 1: normal
Suhu badan pada saat diperiksa
Kontinu -
pertama kali (ºC)
E. Langkah Penelitian
Langkah-langkah yang digunakan dalam penelitian ini adalah sebagai berikut:
1. Rekapitulasi data pasien Demam Berdarah Dengue (DBD)

Pada tahap ini data diambil dari Rumah Sakit Labuang Baji untuk diolah
menggunakan metode Regresi Cox.
2. Kajian matematis analisis distribusi dan regresi cox
Pada tahap ini, kajian matematis untuk analisis distribusi menjelaskan
penurunan terhadap persamaan fungsi kepadatan peluang sehingga
diperoleh fungsi hazard kumulatif yang menggunakan data waktu survival
atau lama rawat inap pasien rumah sakit. Sehingga diperoleh fungsi
kepadatan peluang distribusi gamma. Sedangkan untuk regresi cox
menjelaskan prosedur matematis dari estimasi parameter secara parsial
dari koefisien dengan menggunakan turunan pertama dan turunan partial
kedua dari . Kemudian, dari turunan pertama dan turunan partial
kedua disubtitusi pada persamaan iterasi Newton Rsphdon untuk estimasi
nilai
3. Statistika deskriptif data pasien Demam Berdarah Dengue (DBD)
4. Pemodelan distribusi
Pada tahap ini, data respon dianalisis distribusinya menggunakan uji
Anderson Darling dengan menggunakan Software Minitab 15, yaitu:
a. Uji kenormalan waktu survival, tahap pertama adalah melakukan uji
kenormalan data waktu survival pasien DBD. Apabila data tidak
berdistribusi normal, maka dilakukan langkah kedua
b. Uji kecocokan distribusi distribusi, Tahap kedua dilakukan uji
kecocokan distribusi Distribusi yang mempunyai nilai AD paling kecil
adalah distribusi yang dianggap terbaik dalam menentukan fungsi

baseline hazard dari regresi Cox. Setelah mengetahui distribusi
terbaik, selanjutnya dilakukan analisis parameter distribusi dan
menghitung fungsi baseline hazard.
5. Pemodelan Regresi Cox
a. Estimasi Parameter Model Cox
Parameter pada model Cox proportional hazard akan diestimasi
dengan menggunakan metode Maximum Partial Likelihood
Estimastion (MPLE). Pendugaan dengan metode MPLE adalah nilai
ketika fungsi partial likelihood maksimum. Nilai dapat diduga
secara matematis melalui prosedur MPLE atau dengan bantuan
pengolahan menggunakan program aplikasi SPSS 20 hingga diperoleh
model awal persamaan regresi Cox.
b. Pemilihan model yang cocok
Menurut David Collet (2003: 61) dalam Nurhaniah (2015: 32),
pemilihan variabel yang masuk atau keluar dari model dapat dilakukan
dengan tiga cara yaitu forward, eliminasi backward, dan prosedur
stepwise. Pada penelitian ini menggunakan seleksi backward, sehingga
masing-masing tahapan akan diputuskan variabel mana yang
merupakan variabel bebas terbaik untuk dimasukkan ke dalam model.
Seleksi model berdasarkan perubahan nilai -2 Log Likelihood pada
setiap langkah untuk memperoleh model yang terbaik.
c. Pengujian Parameter Model Cox

Melalui model Cox dapat dilihat hubungan antara variabel bebas
(variabel independen) terhadap variabel terikat (variabel dependen)
yaitu waktu survival. Pada model dilakukan uji signifikansi parameter
yang meliputi uji bersamaan menggunakan metode log partial
likelihood dan uji individu dengan uji Wald.
d. Pemilihan model terbaik pada model regresi cox
e. Pengujian asumsi Proportional Hazard
Pengujian Asumsi Proportional Hazard sangat penting untuk
mengetahui rasio fungsi hazard dari dua variabel konstan dari waktu
ke waktu atau ekuivalen dengan pernyataan bahwa fungsi hazard suatu
individu terhadap fungsi hazard individu yang lain adalah
proportional. Pengujian ini dengan menggunakan kurva Kapplan-
Meier. Asumsi proportional hazard terpenuhi apabila garis pada kurva
Kapplan-Meier tidak berpotongan.
6. Interpretasi hasil.
Interpretasi hasil menjelaskan hasil dari kesignifikanan variabel bebas
yang terkait dalam model cocok.
7. Kesimpulan.
Menyimpulkan hasil secara keseluruhan analisis data yang telah diolah.
Pada tahap ini dapat ditarik kesimpulan, variabel bebas apa yang paling
berpengaruh pada variabel terikat. Selain itu, dapat diambil kesimpulan
mengenai model yang terbaik.

F. Skema Prosedur Penelitian
Gambar 3.1 Skema Penelitian

BAB IV
HASIL DAN PEMBAHASAN
Pada Bab IV akan dibahas tentang prosedur-prosedur matematis analisis
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
1) Fungsi hazard komulatif
Fungsi hazard komulatif tidak bisa kita nyatakan dalam bentuk implisit,
karena fungsi hazardnya sendiri dinyatakan dalam bentuk eksplisit. Misalkan
adalah fungsi densitas peluang pada waktu t, maka dari persamaan (2.6)
diperoleh (4.1) berikut:
[( ) ]
* +
* +
* +
* +
* +
(4.1)
dimana
Misalkan merupakan data waktu survival, sehingga diperoleh
persamaan (4.2)
∫
(4.2)
∫
dimana merupakan fungsi kepadatan peluang dari distribusi tertentu
yang mengikuti sebaran dara waktu survival dan y adalah waktu survival.
2) Estimasi Parameter Distribusi Gamma
Jika data waktu survival mengikuti sebaran Gamma maka fungsi
merupakan fungsi kepadatan peluang dari distribusi gamma. Sehingga
bentuk umum dari fungsi kepadatan peluang distribusi gamma pada
persamaan (4.3) yaitu:
( ) (4.3)
dimana:
∫ adalah fungsi gamma.
y : data waktu survival

: parameter shape (bentuk)
: parameter scale (lokasi)
Berdasarkan Teorema 9.2 menyatakan bahwa jika maka
fpmnya adalah . Seperti pada persamaan (4.4)
berikut:
Bukti:
∫ ( )
Sekarang, kita menuliskan , sehingga dan
. Akibatnya
∫ ( ) ( )
( ) ∫
(4.4)
Sedangkan, berdasarkan Teorema 9.3 yang menyatakan bahwa
. Seperti yang ditunjukkan pada pembuktian berikut
Bukti:
Berdasarkan fungsi pembangkit momennya, kita peroleh:

, sehingga rerata dan variansi dari Y
adalah:
(4.5)
Misalkan ̅ merupakan rata-rata data waktu survival (y), nilai ̂
merupakan nilai estimasi dari parameter , dan nilai ̂ merupakan nilai
estimasi dari parameter . Parameter dan dapat diestimasi dengan
̅
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
DBD digunakan untuk menentukan nilai estimasi ̂ dan ̂ .
Sehingga fungsi hazard komulatif distribusi gamma yang merupakan fungsi
dari baseline hazard pada persamaan (4.6) yaitu:
̅̂ ̅
∫ ̂ ( ̂) ̅
̂ ̂
̅ ̅ (4.6)
̅̂ ̅
∫ ̂ ( ̂) ̅
̂ ̂
dimana:
̅ : baseline hazard
̅ : nilai rata-rata data waktu survival
̂ : estimasi parameter
̂ : estimasi parameter
b. Estimasi Parameter Model Regresi Cox
Pada bagian akan dibahas tentang prosedur-prosedur pemodelan Cox pada
kasus kejadian bersama dan penerapan pemodelan Cox pada kasus kejadian
bersama. Terlebih dahulu akan dijelaskan mengenai kejadian bersama.
1) Kejadian Bersama
Dalam analisis survival terkadang ditemukan adanya 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
data terdapat ties, maka akan menimbulkan permasalahan dalam membentuk
partial likelihoodnya yaitu saat menentukkan anggota dari himpunan
risikonya.
Misalkan adalah waktu yang teramati yang telah diurutkan. Pada waktu,
terdapat dua objek yang mengalami kejadian dan tidak diketahui objek mana
yang mengalami kejadian terlebih dahulu. Kejadian bersama tersebut dapat
menimbulkan permasalahan pada estimasi parameter yang berhubungan
dengan penentuan anggota dari himpunan risiko. Banyak metode dalam
mengestimasi parameter pada kasus kejadian bersama, salah satunya dengan
pendekatan metode Breslow. Metode Breslow mengasumsikan bahwa ukuran
dari himpunan risiko untuk kejadian bersama adalah sama, selengkapnya
akan dijelaskan pada prosedur estimasi parameter.

2) Estimasi Parameter Model Cox Pada Kejadian Bersama
Pada estimasi digunakan pendekatan metode breslow. Pendekatan ini
banyak digunakan karena fungsi partial likelihoodnya sederhana daripada
metode lain. Dalam setiap kasus kejadian bersama tidak mungkin untuk
menentukan urutan kejadian, metode Breslow mengasumsikan bahwa ukuran
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:
Tabel 4.1 Data survival dengan terdapat ties
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
Urutan kejadian antara individu 2 dan individu 3, 4, dan 5 tidak dapat
dibedakan dan ketiga kejadian tersebut tidak saling mempengaruhi atau saling
bebas (independen). Berdasarkan persamaan (2.19) dapat disusun bentuk
partial likelihood untuk individu 2 seperti pada persamaan (4.7) sebagai
berikut
| (4.7)
|
Himpunan risiko untuk individu 3 sama dengan himpunan risiko untuk
individu 2, sehingga bentuk partial likelihood untuk individu 3 seperti pada
persamaan (4.8) sebagai berikut
| (4.8)
Begitu juga dengan himpunan risiko untuk individu 3 sama dengan
himpunan risiko untuk individu 2, sehingga bentuk partial likelihood untuk
individu 4 seperti pada persamaan (4.9) sebagai berikut
| (4.9)
Selanjutnya, himpunan risiko untuk individu 3 sama dengan himpunan
risiko untuk individu 2, sehingga bentuk partial likelihood untuk individu 5
seperti pada persamaan (4.10) sebagai berikut:
| (4.10)
|
Dari persamaan (4.4), (4.5), (4.6), dan (4.7) masing-masing diperkalikan
sehingga memberikan fungsi hazard dasar pada persamaan (4.11) sebagai
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
kasus ties pada waktu . Dengan mengambil fungsi hazard (4.12),
memberikan fungsi partial likelihood pada persamaaan (4.13) sebagai
berikut.
∏
∑
( )
∑ * ∑ +
∑ * ∑ + (4.13)
Turunan pertama dari (4.12) terhadap yaitu sebagai berikut,
∑ * ∑ +
∑
( )
∑ ∑ (4.14)
∑
( )
Pendugaan dapat diperoleh dengan memaksimumkan turunan pertama
fungsi log likelihood yaitu dengan mencari solusi dari persamaan (4.12)
sehingga diperoleh persamaan (4.15):
∑
( )
∑ [ ], (4.15)
∑
Persamaan (4.15) adalah anggota j pada . Matriks I
yang berisi negatif dari turunan partial kedua dari yang mempunyai
entri-entri seperti pada persamaan (4.16):
∑ ∑ ∑
( ) ( ) ( )
∑ ,
∑ ∑
( ) ( )
(4.16)
Persamaan Maximum Likelihood pada persamaan (4.12) dapat diselesaikan
secara numerik yaitu menggunakan metode Newton-Raphson. Negatif
turunan kedua dari (4.16) yaitu pada persamaan (4.17) sebagai berikut:
* +
∑ ∑ ∑
( ) ( ) ( )
∑ ,
∑ ∑
( ) ( )
(4.17)
Untuk memaksimalkan fungsi partial likelihood dalam penaksiran
parameter model Cox dapat menggunakan prosedur Newton Rapshon.
Misalkan merupakan fungsi partial likelihood p dimensi vektor
. Misalkan merupakan vektor berukuran p dari
turunan parsial pertama seperti pada persamaan (4.18) berikut.
(4.18)
dengan memisalkan ( ) .
Misalkan merupakan matriks Hessian berukuran p x p turunan partial
likelihood kedua seperti pada persamaan (4.19) berikut:
(4.19)
Dengan memisalkan , maka diperoleh persamaan (4.20)
berikut:
(4.20)
[ ]
Algoritma metode Newton Rapshon yaitu persamaan (4.21) berikut:
̂ ̂ ̂ ̂ (4.21)
Dengan memisalkan dan ̂ merupakan invers dari
̂ . Langkah iterasi dengan metode Newton Rapshon sebagai berikut:
a) Menentukan nilai awal, ̂
b) ̂ ̂ ̂ (̂ )
c) Iterasi dilakukan sampai memperoleh nilai yang konvergen, ̂ ̂
Varians dari dapat didefinisikan pada persamaan (4.22) sebagai berikut:
(̂ ) ( ̂) (4.22)
Standar deviasi dari merupakan akar kuadrat dari varians pada
( ̂) √ (̂ ) √ ̂ (4.23)
Standar deviasi pada persamaan diatas dapat digunakan untuk mencari
selang kepercayaan yaitu selang kepercayaan untuk ̂
sebagai berikut:
̂ ̂ (2.24)
2. Penerapan Analisis Distribusi dan Regresi Cox pada Penderita Demam
Berdarah Dengue (DBD)
a. Analisis Statistika Deskriptif
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
Gambar 4.1 Waktu survival penderita DBD
Analisis statistika deskriptif dari variabel bebas dapat dilihat pada Gambar 4.2
tentang persentase penderita berdasarkan jenis kelamin dan Tabel 4.2 variabel
selain jenis kelamin.

permpuan
32%
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 penyakit DBD merupakan penderita terbesar dari seluruh
penderita yaitu sebesar 68 %. Sedangkan persentase penderita perempuan yaitu 32
%. Hasil ini memperlihatkan bahwa selama periode Januari-Desember 2015,
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
Sakit Labuang Baji

Pada Gambar 4.3 dapat dilihat bahwa persentase trombosit pasien penderita
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
normal kandungan trombositnya.
Gambar 4.4 Persentase kondisi hematokrit penderita DBD tahun 2015 di Rumah
Sakit Labuang Baji
Pada Gambar 4.4 dapat dilihat bahwa persentase hematokrit pasien penderita
presentase penderita yang hematokritnya tidak normal yaitu 24,07 % atau
sebanyak 12 orang. Jadi, dapat diketahui bahwa selama periode Januari -
Desember 2015, pasien penderita DBD di RSU Labuang Baji Makassar lebih
banyak yang normal kandungan trombositnya. Akan tetapi ketidak normalan
hematokrit sangat berpengaruh pada waktu rawat inap di rumah sakit.

Gambar 4.5 Persentase kondisi hemoglobin penderita DBD tahun 2015 di Rumah
Sakit Labuang Baji
Pada Gambar 4.5 dapat dilihat bahwa persentase hemoglobin pasien penderita
persentase penderita yang hemoglobinnya tidak normal yaitu 25,93 % atau
sebanyak 14 orang. Sehingga dapat diketahui bahwa selama periode Januari -
Desember 2015, pasien penderita DBD di RSU Labuang Baji Makassar lebih
banyak yang normal kandungan hemoglobinnnya. Namun, kandungan
hemoglobin sangat mempengaruhi rawat inap pasien di rumah sakit.

Gambar 4.6 Persentase kondisi leukosit penderita DBD tahun 2015 di Rumah
Sakit Labuang Baji
Pada Gambar 4.6 dapat dilihat bahwa persentase leukosit pasien penderita
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
normal kandungan leukositnya.
Tabel 4.2 Analisis deskriptif terhadap variabel data kontinu
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
berdasarkan kriteria yang ditetapkan oleh DEPKES (2009) yaitu 12 – 25 tahun.
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.
b. Pemodelan Distribusi dan Regresi Cox pada Penderita Demam Berdarah
Dengue
Pada tahap ini, dilakukan pemodelan distribusi Gamma yang menggunakan
data survival. pemodelan pada Regresi Cox dengan menngunakan data waktu
survival yang dipengaruhi oleh 7 variabel bebas yaitu jenis kelamin ( ), umur
( ), trombosit ( ), hematokrit ( ), hemoglobin ( ), leukosit ( ), dan suhu
badan ( ). Dari pemodelan tersebut diperoleh model yang cocok.
1) Pemodelan Distribusi
a) Uji Kenormalan Data Pasien DBD dengan Andersong-Darling
Anderson Darling Test ini digunakan untuk mengetahui distribusi dari
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
diuji. Sedangkan Anderson Darling Test, menggunakan distribusi data
tertentu dalam menghitung nilai kritis. Kelebihan Anderson Darling Test
adalah uji ini lebih sensitif daripada K-S Test, namun mempunyai kelemahan
yaitu nilai kritis tersebut harus dihitung dari setiap distribusi data sampel.
Anderson Darling Test yang merupkan variasi dari Kolmogorov Smirnov
Test, menggunakan p-value untuk mengukur apakah sebaran tertentu tersebut
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
bahwa data mengikuti sebaran normal.
Analisis kenormalan data dilakukan sebagai berikut:
a. Hipotesis dari Anderson Darling Test:
: Data mengikuti sebaran normal
: Data tidak mengikuti sebaran normal
b. Signifikansi α : 0,05
c. Teori pengambilan keputusan:
Terima jika
Tolak jika
d. Hasil Analisis
Probability Plot of survival

Normal
99
Mean 6,185
StDev 2,324
95 N 54
AD 1,071
90
P-Value 0,008
80
70
Percent
60
50
40
30
20
10
1
0 2 4 6 8 10 12 14 16
survival
Gambar 4.7 Hasil uji kenormalan data pasien DBD
Berdasarkan Gambar 4.7, probability plot memperlihatkan bahwa plot
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
nilai 6,185 hari.
b. Simpangan Baku (deviasi standar) = 2,324, deviasi standar sebesar 2,324.
Nilai menunjukkan keragaman data.
c. N = 54, jumlah sampel yang dihitung adalah 54 data
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
AD ini belum dapat diputuskan secara pasti apakah data menyebar
normal atau tidak, karena nilai tersebut harus dibandingkan dengan nilai
kritis pada taraf signifikan yang ditetapkan.
e. p-value = 0,008, nilai p-value sebesar 0,008. p-value < 0,05, artinya tolak
yang menyatakan bahwa data menyebar tidak normal.
Berdasarkan hasil analisis uji kenormalan, dapat dinyatakan bahwa data
lama rawat inap tidak berdistribusi normal sehingga dilakukan uji distribusi
yang lain.
b) Uji Kecocokan Distribusi Data Pasien DBD Metode Andersong
Darling
Dengan menggunakan Distribution ID Plot pada Minitab15 dapat
diketahui distribusi yang sesuai dengan data lama rawat inap seperti pada
Gambar 4.8 sebagai berikut:

Probability Plot for rawat
G oodness of F it Test
S mallest E xtreme V alue - 95% C I Largest E xtreme V alue - 95% C I
99,9 99 S mallest E xtreme V alue
90 A D = 4,176
P -V alue < 0,010
50 90
P er cent
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
Distribusi Anderson Darling p-value

Normal 1,071 0,01
Box-Cox Transformation 0,911 0,02
Lognormal 0,911 0,02
3-Parameter Lognormal 0,787 *
Exponential 10,976 <0,000
2-Parameter Exponential 6,366 <0,01
Weibull 1,182 <0,01
3-Parameter Weibull 0,913 0,02
Smallest Extreme Value 4,176 <0,01
Largest Extreme Value 0,855 0,03
Gamma 0,775 0,05
3-Parameter Gamma 0,791 *
Logistic 0,815 0,02
3-Parameter Loglogistic 0,874 0,01
Ada beberapa distribusi penting dalam uji survival, seperti yang
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
mengikuti distribusi tertentu dapat dilakukan dengan membandingkan nilai
Anderson-Darling atau p-value untuk distribusi yang diuji. Distribusi yang
sesuai merupakan distribusi yang memiliki nilai Anderson Darling terkecil
atau p-value terbesar. Sehingga dapat disimpulkan bahwa data mengikuti
distribusi Gamma karena nilai Anderson-Darling terkecil yaitu 0,775 dan
sebesar 0,05. Berdasarkan p-value tersebut maka distribusi yang
sesuai adalah distribusi Gamma.
c) Estimasi Parameter Distribusi Gamma
Dari hasil analisis distribusi pada data waktu survival menggunakan
software Minitab 15 menunjukkan bahwa data berdistribusi gamma. Tabel
4.4 memperlihatkan nilai rata-rata dan variansi waktu survival.
Tabel 4.4 Analisis deskriptif waktu survival (lama rawat)
Variabel N Minimum Maksimum Rata-rata Variansi

Survival 54 2,00 16,00 6,1852 5,399
Berdasarkan nilai pada tabel tersebut, maka ̂ dan
̂ . Jadi, fungsi distribusi dari distribusi gamma pada
( )
( )
∫ ( )
dimana: ∫
Sehingga diperoleh
∫ ( )
∫ ( ) (4.25)
Sehingga grafik fungsi kepadatan peluang dari distribusi gamma pada
persamaan (4.25) dapat dilihat pada Gambar 4.9:
Gambar 4.9 Grafik dari distribusi Gam(7,086;0,873)
d) Fungsi hazard komulatif
Fungsi hazard komulatif tidak bisa kita nyatakan dalam bentuk implisit,
karena fungsi hazardnya sendiri dinyatakan dalam bentuk eksplisit.
Berdasarkan persamaan (4.25), maka diperoleh persamaan (4.26) sebagai
berikut:
∫ ( )
(4.26)
∫ ( )
2) Pemodelan Regresi Cox
Pemilihan variabel yang masuk atau keluar dari model dapat dilakukkan
dengan tiga cara yaitu seleksi forward, eleminasi backward dan prosedur
stepwise. Pada penelitian ini menggunakan seleksi backward, sehingga
masing-masing tahapan akan diputuskan variabel mana yang merupakan
prediktor terbaik untuk dimasukkan ke dalam model.
a) Pemilihan model yang Cocok
Pemilihan model yang cocok pada Tabel 4.5 di bawah ini diperoleh
model dengan p-value terbesar pada variabel bebas dari setiap langkah.
Proses pengeluaran variabel bebas berhenti pada langkah ke enam karena
dan untuk semua signifikansi variabel.
Berikut langkah-langkah pemilihan model terbaik dengan seleksi backward.
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
Langkah 1: Pada langkah ini dimulai dengan memasukkan semua
variabel bebas dalam model. Dengan bantuan software SPSS diperoleh
estimasi parameter dengan metode breslow untuk setiap variabel data
1
penderita Demam Berdarah Dengu (DBD) pada Tabel 4.6 (output
selengkapnya pada lampiran 5).
Tabel 4.6 Estimasi parameter model Cox dengan metode Breslow
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
Diasumsikan semua variabel berpengaruh terhadap model, maka semua
variabel dimasukkan dalam persamaan umum model cox, sehingga diperoleh
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
partial likelihood ratio sebagai berikut:
1) Hipotesis:
(variabel
tidak berpengaruh dalam model)
(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 20 yang ditampilkan pada lampiran 5,
diperoleh nilai log likelihood untuk model Cox tanpa variabel bebas
(model null) yaitu dan nilai log likelihood model Cox
pada persamaan (4.27) yaitu , sehingga diperoleh
perhitungan sebagai berikut:
Karena , sehingga
ditolak dan dapat disimpulkan bahwa variabel
berpengaruh dalam model, mengindikasikan bahwa pada persamaaan (4.21)
lebih baik daripada model tanpa variabel bebas (model null). Dapat
disimpulkan bahwa model pada persamaan (4.27) merupakan model yang
cocok.
Langkah 2: Pada langkah ini dimulai dengan mengeluarkan variabel
dalam model. Sehingga variabel yang berpengaruh adalah variabel
kemudian dilakukan uji partial likelihood ratio dengan
membandingkan model terdiri 6 variabel tersebut dengan model yang terdiri

dari 7 variabel, hasil perhitungan disajikan pada Tabel 4.5 yang selengkapnya
pada lampiran 5 pada langkah 1. Variabel yang terpilih untuk keluar pada
langkah 2 yaitu variabel yang memiliki p-value terbesar yaitu model tanpa
variabel . Dengan demikian Variabel terpilih dan
dimasukkan dalam langkah 3.
Berikut analisisnya,
1) Hipotesis:
(variabel
tidak berpengaruh dalam model)
(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
lampiran 5 diperoleh dan ( )
dengan p-value dari uji log partial likelihood adalah 0,0571.
Sehingga nilai dari uji log partial likelihood ratio dengan perhitungan
sebagai berikut.
[ )
]
Karena , sehingga
diterima sehingga model pada langkah 2 belum dikatakan sebagai model
terbaik sehingga variabel dengan p-value terbesar dikeluarkan pada langkah 3
dalam model pada langkah 2. Sehingga variabel yang berpengaruh adalah
variabel kemudian dilakukan uji partial\ likelihood ratio
dengan membandingkan model terdiri 5 variabel tersebut dengan model yang
terdiri dari 6 variabel, hasil perhitungan disajikan pada Tabel 4.5 yang
selengkapnya pada lampiran 5 pada langkah 2. Variabel yang terpilih untuk
keluar pada langkah 3 yaitu variabel yang memiliki p-value terbesar yaitu
model tanpa variabel . Dengan demikian Variabel terpilih
dan dimasukkan dalam langkah 4.
1) Hipotesis:
(variabel tidak
berpengaruh dalam model)
(variabel berpengaruh
dalam model)
3) Statistik uji:
[ )
0,05
5) Perhitungan:
lampiran 5 diperoleh dan
sebagai berikut.
[ )
Karena , sehingga
dalam model pada langkah 3. Sehingga variabel yang berpengaruh adalah
variabel kemudian dilakukan uji partial likelihood ratio dengan
variabel . Dengan demikian Variabel terpilih dan dimasukkan
dalam langkah 5.
1) Hipotesis:
(variabel tidak berpengaruh
dalam model)
(variabel berpengaruh dalam
model)
3) Statistik uji:
[ )
0,05
5) Perhitungan:
sebagai berikut.
[ )
Karena dan , sehingga

yaitu variabel .
Langkah 5: Pada langkah ini dengan mengeluarkan variabel dalam
model pada langkah 5. Sehingga variabel yang berpengaruh adalah variabel
kemudian dilakukan uji partial\ likelihood ratio dengan
variabel . Dengan demikian Variabel terpilih dan dimasukkan
dalam langkah.
1) Hipotesis:
(variabel tidak berpengaruh dalam model)
(variabel berpengaruh dalam model)
3) Statistik uji:
[ )
0,05
5) Perhitungan:

sebagai berikut.
[ )
Karena , sehingga
yaitu variabel .
Langkah 6: Pada langkah ini dengan mengeluarkan variabel dalam
model pada langkah 5. Sehingga variabel yang berpengaruh adalah variabel
kemudian dilakukan uji partial likelihood ratio dengan
variabel . Karena semua variabel memiliki nilai p-value lebih kecil dari
0,05 maka pemilihan model terbaik dengan backward berakhir pada langkah
6.
1) Hipotesis:
(variabel tidak berpengaruh dalam model)

(variabel berpengaruh dalam model)
3) Statistik uji:
[ )
0,05
5) Perhitungan:
dengan p-value dari uji log partial likelihood adalah 0,142. Sehingga
nilai dari uji log partial likelihood ratio dengan perhitungan sebagai
berikut.
[ )
Karena , sehingga ditolak sehingga
model pada langkah 6 merupakan model terbaik dengan melibatkan variabel
Tabel 4.7 Estimasi parameter model Cox terbaik dengan seleksi backward.
Variabel Koef SE | |
Hematokrit ( ) 1,044 0,520 0,044 2,842

Hemoglobin ( ) -0,950 0,532 0,074 0,387
Berdasarkan hasil dari seleksi backward didapatkan dua variabel terpilih
yang masuk dalam model terbaik Cox yaitu hematokrit dan hemoglobin.
Tabel 4.7 memperlihatkan hasil estimasi parameter model terbaik Cox
berdasarkan hasil seleksi backward yang selengakapnya pada lampiran 5.
Model Cox berdasarkan hasil seleksi backward pada (4.28) sebagai
berikut:
(4.28)
dimana:
: hematokrit
: hemoglobin
b) Pengujian Signifikansi Parameter
Dalam pengujian parameter terdapat tiga cara untuk menguji signifikansi
parameter yaitu dengan uji partial likelihood ratio, uji wald dan uji score.
Dalam penelitian ini untuk mengetahui variabel-variabel yang berpengaruh
signifikan dalam pembentukan model Cox, maka dilakukan pengujian setiap
variabel dengan uji wald. Uji wald dilakukan pada dua variabel yang telah
masuk dalam persamaan di atas yaitu variabel hematokrit dan hemoglobin.
Hasil pengujian parameter secara parsial menggunakan uji wald dengan
bantuan software SPSS pada Tabel 4.8 yang selengkapnya pada lampiran 6
yaitu sebagai berikut.
1) Hipotesis
dimana:
2) Taraf signifikan
3) Statistik uji Wald
4) Daerah penolakan jika atau p-value < .
Tabel 4.8 Hasil pengujian parameter secara parsial dengan uji wald
Variabel Koef SE p-value Keputusan

Hematokrit -0,298 0,325 0,841 2,71 0,359 diterima
Hemoglobin 0,0580 0,334 0,292 2,71 0,589 diterima
Berdasarkan Tabel 4.8 dapat disimpulkan bahwa semua variabel tidak
dapat berpengaruh secara individu terhadap waktu survival. Jika
dibandingkan dengan Tabel 4.7 yang memperlihatkan hubungan secara
bersama-sama dari variabel hematokrit dan hemoglobin terhadap waktu
survival, maka model yang sesuai adalah model yang melibatkan kedua
variabel tersebut secara bersama-sama.
Berdasarkan Tabel 4.7 terdapat satu variabel signifikan sehingga
diperoleh persamaan dengan satu variabel bebas yaitu variabel hematokrit.
Sehingga estimasi parameter untuk model dengan satu variabel yaitu Tabel
4.9 sebagai berikut:
Tabel 4.9 Estimasi parameter dengan dua variabel yang signifikan
Variabel Koef SE p-value
Hematokrit 1,044 0,520 0,044 2,842

Berdasarkan Tabel 4.9 diperoleh model Cox pada persamaan (4.29)
sebagai berikut:
(4.29)
3. Model Regresi Cox dengan Variabel Bebas yang Berpengaruh
a. Pemilihan Model Terbaik pada Model Regresi Cox
Berdasarkan nilai dari setiap model dan p-value dari variabel
pada tahap pemilihan model yang cocok, ada dua model yang cocok yaitu model
persamaan yang melibatkan semua variabel bebas (4.27) dan model persamaa
yang melibatkan variabel bebas hematokrit ( ) dan variabel bebas hemoglobin
( ) pada persamaan (4.28). Selanjutnya dilakukan uji partial likelihood antara
model pada persamaan (4.27) dengan model persamaan (4.28) untuk mengetahui
model mana yang dipilih sebagai model akhir Cox. Langkah-langkah uji partial
likelihood sebagai berikut:
1) Hipotesis
(model reduce)
(model full)
2) Signifikansi:
3) Statistik uji
dengan
merupakan log partial likelihood ratio model reduce (model pada
persamaan (4.28))
merupakan log partial likelihood ratio model full (model pada
persamaan (4.27))
4) Daerah penolakan :
5) Perhitungan:
Dari hasil output software SPSS yang selengkapnya pada Lampiran 4
diperoleh log partial likelihood dari model full yaitu dan
log partial likelihood dari model reduce yaitu .
( )
Nilai kritis yaitu nilai p-value dari uji likelihood tersebut
yaitu untuk . Karena dan
p-value = < sehingga ditolak, hal ini mengindikasikan
bahwa model yang terdiri dari variabel hematokrit dan hemoglobin
merupakan model terbaik. Dengan kata lain bahwa model pada persamaan
(4.28) lebih baik daripada model pada persamaan (4.27). sehingga model
pada persamaan (4.28) dipilih sebagai model akhir Cox.
b. Pengujian Asumsi Proportional Hazard
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
nonproportional hazard terdapat perbedaan atau tidak proportional fungsi hazard
dari satu individu terhadap yang lain. Pengujian asumsi Proportional hazard
dengan pendekatan grafik Kaplan-Meier pada Gambar 4.10 berikut ini:
Gambar 4.10 Plot Kaplan-Meier untuk variabel hematokrit
Berdasarkan Gambar 4.10, menunjukkan bahwa kedua garis saling
berpotongan. Hal ini mengindikasikan bahwa asumsi proportional hazard tidak
terpenuhi untuk variabel hematokrit.
Berdasarkan hasil uji asumsi terhadap dua variabel yang berpengaruh,
menunjukkan bahwa variabel hematokrit tersebut tidak memenuhi asumsi

proportional. Sehingga model pada persamaan (4.28) yang melibatkan satu
variabel yaitu hematokrit merupakan model Cox Nonproportional Hazard.
Sehingga model Cox Nonproportional Hazard dengan fungsi Gamma pada waktu
survivalnya dapat dilihat pada persamaan (4.30) berikut:
∫ ( )
(4.30)
∫ ( )
dimana:
y : waktu survival
: hematokrit
c. Interpretasi Model Regresi Cox
Tabel 4.10 Estimasi parameter dengan dua variabel yang signifikan
Variabel Koef SE p-value Odds Rasio
Hematokrit 1,044 0,520 0,044 2,842 0,352
Selanjutnya adalah melakukan interpretasi variabel-variabel bebas dengan
memperhatikan koefisien-koefisien pada persamaan dari model regresi cox terbaik
atau dengan kata lain memperhatikan nilai eksponen dari koefisien tiap-tiap
variabel . Nilai ini disebut dengan nilai odds rasio. Seperti
yang telah diketahui bahwa interpretasi untuk model regresi cox dapat dilakukan
dengan menggunakan nilai odds rasio.
Untuk mengetahui laju kesembuhan pasien dapat dicari berdasrkan odds ratio
variabel-variabel yang signifikan seperti yang terlihat pada Tabel 4.10.

Berdasarkan uji log partial likelihood pada Tabel 4.10, disimpulkan bahwa model
akhir Cox Nonproportional Hazard pada persamaan (4.31) sebagai berikut:
∫ ( )
(4.31)
∫ ( )
dimana:
y : data waktu survival
: hematokrit
Persamaan (4.31) menujukkan nilai yang menunjukkan pengaruh
variabel hematokrit yang paling berpengaruh secara signifikan terhadap fungsi
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
hematokrit normal. Model pada persamaan (4.31) merupakan model Cox
Nonproportional Hazard karena tidak memenuhi asumsi proportional hazard.
d. Faktor-Faktor Signifikan Yang Mempengaruhi Waktu Survival
Model terbaik yang diperoleh dengan melihat hasil eliminasi backward, maka
diketahui faktor-faktor yang berpengaruh signifikan terhadap waktu survival atau
laju kesembuhhan pasien adalah variabel hematokrit dengan nilai
signifikansi . Ini berarti faktor hematokrit
mempunyai pengaruh signifikan terhadap waktu survival.
Pada Tabel 4.9 menunjukkan bahwa model terbaik adalah model yang
melibatkan dua variabel bebas jika dilihat dari nilai dan
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
bebas lebih baik dengan taraf kepercayaan 95% sehingga .
B. PEMBAHASAN
Beberapa penelitian yang pernah dilakukan sebelumnya di antaranya adalah
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
judul “Analisis Survival Faktor-Faktor yang Mempengaruhi Laju Kesembuhan
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
yaitu Umur dan Trombosit.
Penelitian yang serupa juga pernah dilakukan oleh Nisa dan Budiantara pada
tahun 2012 di Rumah Sakit Umum Surabaya dengan judul penelitian “Analisis
Survival dengan Pendekatan Multivariate Adaptive Regression Splines pada
Kasus Demam Berdarah Dengue (DBD)”. Pada penelitian tersebut, data waktu
survival ( ) berdistribusi weibull 3 parameter dan 4 faktor yang
mempengaruhi yaitu jumlah trombosit, kadar hematokrit, umur, dan pembesaran
hati.
Dalam penelitian ini, merupakan pengembangan dari penelitian yang pernah
dilakukan oleh Fa’rifah (2012) dengan memperhitungkan distribusi dari data
waktu survival ( ), sehingga diperoleh fungsi distibusi kumulatif dari
distribusi gamma. Setelah itu, data waktu survival diregresikan dengan tujuh
variabel bebas dan diperoleh model dengan satu variabel yang berpengaruh secara
signifikan yaitu variabel hematokrit.

DAFTAR PUSTAKA
Aini, I.N.2011.Extended Cox Model Untuk Time-Independent Covariate Yang

Tidak MemenuhiAsumsi Proportional Hazard Pada Model Cox Proportional
Hazard.Depok: Universitas Indonesia. Skripsi:29-92.
Cahyani, T.P., Subanti, S., & Widyaningsih, P.2014.Analsis Tahan Hidup

Penderita Demam Berdarah Dengue (DBD) Di Kabupaten Karanganyar
Dengan Pendekatan Bayesian.Surakarta:Universitas Sebelas Maret Surakarta.
Ernawatiningsih, N.P.L., Purhadi.2012. Analisis Survival Model Regresi

Cox.Jurnal Matematika Vol.2, No.2. Surabaya: ITS.
Fa’rifah, R.Y., Purhadi.2012.Analisis Survival Faktor-Faktor yang

Mempengaruhi Laju Kesembuhan Pasien Penderita Demam Berdarah
Dengue (DBD) di RSU Haji Surabaya dengan Regresi Cox. Jurnal Sains Dan
Seni ITS Vol. 1, No. 1.Surabaya: ITS.
Febriyanti, A., Yozza, H., dan Rahmi HG.I.2012.Penerapan Metode Multivariate

Adaptive Regression Spline (MARS) Untuk Mengidentifikasi Komponen Yang
Berpengaruh Terhadap Peringkat Akreditasi Sekolah.Jurnal Matematika
UNAND, Vol.2, No.2.Padang:UNAND.
Hanni, T., Wuryandari, T.2013.Model Regresi Cox Proporsional Hazard pada

Data Ketahanan Hidup.UNDIP.Media Statistika, Vol. 6, No. 1.
Iskandar, B.M.2015.Model Cox Proportional Hazard Pada Kejadian

Bersama.Yogyakarta:Univesitas Negeri Yogyakarta.Skripsi:1-27.
Kemenkes.2015.Demam Berdarah Biasanya Mulai Meningkat di Januari.Diakses

: 20 Desember 2015
Lawless, J.F.1982.Statistical Models and Methods for Lifetime Data.America:

United States of America.
Mandini, G.W.2015.Analisis Tahan Hidup Penderita Kanker Paru

dengan Metode Kaplan-Maier, P:1-18.Yogyakarta: Universitas Negeri
Yogyakarta.
Nelson, W.1982.Applied Life Data Analysis.New York: John Wiley & Sons.P:1-
100.
Nisa dan Budiantara.2012. Analisis Survival dengan Pendekatan Multivariate

Adaptive Regression Splines pada Kasus Demam Berdarah Dengue (DBD).
Jurnal Sains Dan Seni ITS Vol. 1, No. 1.Surabaya: ITS.
Nurhaniah.2015.Pendekatan Regresi Cox Proporsional Hazard Dalam Penentuan
Factor-Faktor Yang Berpengaruh Terhadap Lama Studi Mahasiswa S-1
Matematika Di Universitas Negeri Makassar.Makassar: UNM.
Rahayu, N., Setiawan, A., Mahatma, T.2012.Analisis Regresi Cox Proportional

Hazard s Pada Ketahanan Hidup Pasien Diabetes Mellitus.Salatiga:
Universitas Kristen Satya Wacana.Seminar Nasional Matematika 2012.
Rahmantya K. 2009.Normality Test-Anderson Darling. Http://www.

Distribusi/Statistics For All Normality Test Anderson
Darling.Html. Diakses pada tanggal 4 November 2015.
Romadhon, A.R., Saifudin, T., Tjahjono, E.2012. Estimasi Parameter Distribusi

Loglogistik pada Data Tersensor Progressive
Tipe II dengan Menggunakan Algoritma EM. Jurnal Matematika-FST Unair.
Sari, D.R.2011.Analisis Survival Untuk Data Tersensor Tipe Ii

Menggunakan Model Distribusi Log-Logistik.Skipsi:1-13.Yogyakarta:
Universitas Negeri Yogyakarta.
Soedarmo,S.S.P.2009.Demam Berdarah (Dengue) Pada Anak.Jakarta: Universitas

Indonesia
Tiro,M.A., Sukarna, Aswi.2008.Pengantar Teori Peluang.Makassar: Andira

Publisher.
WHO.1999.Diagnosis, Pengobatan, Pencegahan, dan Pengendalian Demam

Brdarah Dengue.Jakarta:EGC.
Wicaksono, W.2014.Pemodelan Multivariate Adaptive Regression Splines (Mars)

Pada Faktor-Faktor Resiko Angka Kesakitan Diare, P:1-3.Semarang:
Universitas Diponegoro.
Widoyono.2005.Penyakit Tropis (Epidemiologi, Penularan, Pencegahan, dan
Pemberantasannya).Semarang: Erlangga.
Windari, D.Y.2015.Pemodelan Regresi Cox Proportional Hazard faktor-faktor

lama proses IMB. Makassar: UNM.
Yasril dan Kasjono, B.S.2008.Analisis Multivariat untuk Penelitian

Kesehatan.Yogyakarta: Mitra Cendekia Press.(P:26, 99-139).

Skripsi Analisis Survival Dengan Pendeka

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Skripsi Analisis Survival Dengan Pendeka

Diunggah oleh

Hak Cipta:

Format Tersedia

SKRIPSI

ANALISIS SURVIVAL DENGAN PENDEKATAN REGRESI COX PADA

Diajukan kepada Program Studi Matematika, Jurusan Matematika, Fakultas

Sebagai civitas akademika Universitas Negeri Makassar, saya bertanda

Demikian pernyataan ini saya buat dengan sebenarnya.

Hj. Aswi, S.Pd., M.Si. Ridwan

Yang membuat pernyataan

  

“Kesempurnaan hanya milik Allah”

Kupersembahkan sebuah catatan kecil ini untuk:

Jenis penelitian ini merupakan penelitian terapan (applied research) dengan

Ridwan, (2016). Survival analysis with Cox Regression Approach In Case of

This research is applied research (applied research) with quantitative approach is

Keywords: Gamma distribution, models of cox, joint events, Breslow method,

   

Makassar, 17 Februari 2016

HALAMAN JUDUL ................................................................................. i

HALAMAN PERSETUJUAN ................................................................. ii

HALAMAN PENGESAHAN ................................................................... iii

HALAMAN PERNYATAAN ................................................................... iv

ABSTRAK ................................................................................................. vii

KATA PENGANTAR ............................................................................... viii

DAFTAR ISI .............................................................................................. ix

DAFTAR TABEL ..................................................................................... x

DAFTAR GAMBAR ................................................................................. xi

DAFTAR LAMPIRAN ............................................................................. xii

BAB I PENDAHULUAN .......................................................................... 1

A. Latar Belakang Masalah .................................................................... 1

B. Rumusan Masalah .............................................................................. 5

C. Batasan Masalah ................................................................................ 5

BAB II TINJAUAN PUSTAKA............................................................... 8

A. Konsep Dasar Distribusi Survival ................................................... 8

B. Data Tersensor ................................................................................ 10

D. Fungsi Survivor ............................................................................... 11

E. Fungsi Hazard (Kegagalan)............................................................. 13

F. Analasis Distribusi .......................................................................... 16

G. Cox Proportional Hazard (Cox PH) ................................................ 20

H. Estimasi Parameter .......................................................................... 23

I. Pengujian Signifikansi Parameter Model ........................................ 25

K. Pemilihan Model Cox Terbaik ........................................................ 29

L. Pengujian Asumsi Proportional Hazard .......................................... 30

M. Demam Berdarah Dengue (DBD) ................................................... 31

BAB III METODOLOGI PENELITIAN ............................................... 37

A. Jenis Penelitian ................................................................................ 37

B. Waktu dan Tempat Penelitian ......................................................... 37

C. Sumber Data .................................................................................... 37

D. Variabel Penelitian .......................................................................... 38

E. Langkah Penelitian .......................................................................... 38

F. Skema Prosedur Penelitian .............................................................. 42

BAB IV HASIL DAN PEMBAHASAN .................................................. 43

A. Hasil Penelitian ............................................................................... 43

1. Prosedur Matematis Model Distribusi dan Regresi Cox ........... 43

2. Penerapan Model Distribusi dan Regresi Cox

3. Model Regresi Cox dengan Variabel yang Berpengaruh .......... 78

BAB V PENUTUP ..................................................................................... 85

DAFTAR PUSTAKA ................................................................................ 87

Tabel Judul Halaman

Gambar Judul Halaman

1 Data Penderita DBD Di Rumah Sakit Labuang

: Fungsi densitas peluang

Berbagai penelitian di bidang Biologi, Fisika, Pertanian dan Kedokteran

disebut analisis tahan hidup (Survival) (Lawless, 1982).

bermacam-macam, yaitu kejadian meninggal, kejadian sakit, kejadian sakit yang

terulang kembali setelah pengobatan, munculnya penyakit baru, kejadian