With Cover - David G. Kleinbaum, Mitchel Klein (Auth.) - Survival Analysis - A Self-Learning Text, Third Edition-Springer-Verlag New York (2012)

TUGAS ANALISIS SURVIVAL
INTERPRETASI MODEL REGRESI COX

PROPORTIONAL HAZARD DAN MODEL
COX STRATIFIKASI
ROCHIMA DITA RESPITA (1315201003)
RIBKA DUHITA NARENDRA (1315201206)

TITIS MIRANTI (1315201209)
PROGRAM MAGISTER
JURUSAN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT TEKNOLOGI SEPULUH NOPEMBER
SURABAYA
2016
A. Topik Studi Kasus
Survival time penderita penyakit kanker paru-paru.
B. Tujuan
Tujuan dari studi kasus ini adalah untuk mengetahui survival time pasien
penderita kanker paru-paru dan untuk mengetahui faktor-faktor apa saja yang
mempengaruhi survival time pasien.
C. Identifikasi Kasus
Permasalahan ini diambil dari dataset Vets.dat yang berisi tentang penelitian
terhadap penderita kanker paru-paru. Data terdiri dari 137 pengamatan. Dalam
hal ini obyek pengamatan adalah penderita penyakit paru-paru. Variabel-
variabel yang diamati pada kasus kanker paru-paru ini adalah
1. Survival time setiap individu pengamatan yang dinyatakan dalam hari.
Variabel ini berupa skala.
2. Status, variabel ini yang menyatakan individu pengamatan tersebut
tersensor atau tidak tersensor. Dikodingkan dengan 1 dan 0. 1 untuk
pasien yang mengalami event dan 0 untuk pasien yang tersensor.
3. Variabel status treatment, variabel ini terdiri dari 2 kategori, dan
dikodingkan 1 untuk status treatment standart dan 2 untuk status
treatment test.
4. Variabel Prior therapy status adalah variabel yang menginformasikan
apakah pasien pengamatan mempunyai riwayat terapi. Variabel ini
dikodingkan 0 untuk paien yang tidak mempunyai riwayat terapi dan 1
untuk yang mempunyai riwayat terapi.
5. Variabel tipe sel 1 (cell type 1), tipe sel 2 (cell type 2), tipe sel 3 (cell type
3), tipe sel 4 (cell type 4). Setiap variabel ini dikategorikan 0 dan 1. Setiap
tipe sel dikategorikan menjadi 2. Adapun keterangannya adalah sebagai
berikut :
1
Kategori
Tipe Sel
1 2
Type Cell 1 Large Other
Type Cell 2 Adeno Other
Type Cell 3 Small Other
Type Cell 4 Squamous Other
6. Variabel performa status merupakan data kontinyu. Selanjutnya data ini

dikategorikan menjadi 2 kategori berdasarkan nilai rata-ratanya. Nilai
rata-rata dari variabel performa status adalah 58,57  59. Nilai performa
status yang berada dibawah nilai rata-rata dikodingkan dengan 0 dan nilai
performa status yang berada diatas nilai rata-rata dikodingkan dengan 1.
7. Variabel disease duration juga berisi data kontinyu, sehingga untuk
melakukan regresi Cox- harus dikategorikan terlebih dahulu. Nilai rat-rata
dari variabel diseas duration adalah 8,77  9. Nilai disease duration
yang berada dibawah nilai rata-rata dikodingkan dengan 0 dan nilai diseas
duration yang berada diatas nilai rata-rata dikodingkan dengan 1.
8. Variabel Age yang menyatakan usia pasien pengamatan merupakan data
kontinyu. Sehingga untuk menentukan log-rank nya harus dikategorikan
terlebih dahulu. Nilai rat-rata dari variabel age adalah 58,31  59. Nilai
Age yang berada dibawah nilai rata-rata dikodingkan dengan 0 dan nilai
age yang berada diatas nilai rata-rata dikodingkan dengan 1.
D. Analisis Survival menggunakan Cox Model

Pada studi kasus ini “event” menyatakan bahwa pasien pengamatan meninggal/
mati. S(t) -- probabilitas penderita kanker paru-paru bertahan pada waktu tertentu,
artinya adalah probabilitas penderita kanker paru-paru tetap hidup (tidak mati).
Sedangkan H(t) adalah laju penderita kanker paru-paru meninggal. Berdasarkan
definisi tersebut, jelaslah grafik S(t) akan bertolakbelakang dengan grafik H(t).
Berikut ini adalah hasil dan analisis pertama secara overall dari penelitian data
Vets.
2
Case Processing Summary
Total N of Censored
N Events N Percent
137 128 9 6.6%
Data penelitian terdiri dari 137 pengamatan dengan rincian terdapat

128 pasien kanker paru-paru yang mengalami event (mati) dan 9 pasien
atau sebesar 6,6 % tersensor. Pasien yang tersensor disebabkan beberapa
hal, mungkin pasien belum mengalami event sampai masa studi berakhir,
pasien hilang dari pengawasan (lost follow up) dan faktor-faktor lainnya.
Means and Medians for Survival Time

Meana Median
Estimate Std. 95% Confidence Estimate Std. 95% Confidence
Error Interval Error Interval
Lower Upper Lower Upper
Bound Bound Bound Bound
132.777 15.368 102.655 162.898 80.000 15.721 49.187 110.813
a. Estimation is limited to the largest survival time if it is censored.
Berdasarkan nilai mean dapat diketahui bahwa secara keseluruhan

(overall) rata-rata pasien meninggal pada hari ke 133. Dan berdasarkan
nilai mediannya maka dapat diketahui 50 % dari keseluruhan jumlah
pasien yang diteliti meninggal pada hari ke 80.
3
Grafik S (t) menyatakan probabilitas penderita kanker paru-paru bertahan
pada waktu tertentu, artinya adalah probabilitas penderita kanker paru-paru
tetap hidup (tidak mati). Terlihat pada sekitar hari ke -600 S(t) cenderung
konstan artinya apabila pasien sudah berada pada sekitar hari ke -600 peluang
penderita kanker paru-paru untuk untuk hidup sangat kecil. Dan mendekati
hari ke 1000 peluang penderita kanker paru-paru untuk untuk hidup semakin
menurun dari sebelumnya.
Grafik H(t) menyatakan laju penderita kanker paru-paru meninggal. Laju

pasien penderita kanker paru-paru pada hari ke 0 sampai sekitar hari ke-600
terus menerus mengalami peningkatan. Pada sekekitar hari ke 600 cenderung
konstan artinya laju pasien untuk mengalami event (mati) tinggi. Sekitar hari
ke 1000 laju penderita meninggal meningkat lagi dari sebelumnya
4
E. Analisis Faktor dari Variabel-Variabel Penelitian dengan Uji Log Rank
1. Faktor Treatment (tx)

treatment Total N N of Censored
Events N Percent
standard 69 64 5 7.2%
test 68 64 4 5.9%
Overall 137 128 9 6.6%
Dari 137 pasien kanker paru-paru yang diamati terdapat 69 pasien yang
mendapat treatment standar. Dari 69 tersebut 64 pasien mengalami event
(meninggal) dan 5 pasien tersensor. Dan Ada 68 pasien yang mendapat
treatmen test. Dari 68 tersebut 64 pasien mengalami event (meninggal) dan 4
tersensor. Persentase tertinggi dari pasien yang tersensor adalah dari tipe
standart sebanyak 7,2% sedangkan tipe test sebesar 5,9 %.

Treat- Meana Median
ment Estimate Std. 95% Confidence Estimat Std. 95% Confidence
Error Interval e Error Interval
103.00
standard 123.928 14.961 94.605 153.251 19.810 64.173 141.827
0
test 142.061 27.023 89.097 195.026 52.000 14.202 24.164 79.836
Overall 132.777 15.368 102.65 162.898 80.000 15.721 49.187 110.813
Berdasarkan nilai Mean pada tabel diatas maka dapat diketahui nilai rata-
rata pasien yang dikenai treatment type standart meninggal pada hari ke-124,
sedangkan rata-rata pasien yang dikenai treatment type test meninggal pada
hari ke-143. Hal ini menunjukkan pasien yang mendapatkan treatment type test
mempunyai waktu hidup sedikit lebih panjang daripada type standart.
Berdasarkan nilai Median dapat dilihat pula bahwa 50% dari jumlah pasien
yang menerima treatment standart ini meninggal pada hari ke-103. Sedangkan,
5
50% dari jumlah pasien yang menerima treatmen test ini meninggal pada hari
ke-52.
Hal ini bertolak belakang dengan rata-rata survival time type standart dan
test. Ini mungkin terjadi apabila pada treatment test, 50% dari pasien lainnya
mempunyai survival time yang tinggi, sedangkan pada treatment standart 50%
lainnya mempunyai survival time yang rendah.
Overall Comparisons
Chi- df Sig.
Square
Log Rank (Mantel-Cox) .008 1 .928
Breslow (Generalized
.961 1 .327
Wilcoxon)
Tarone-Ware .546 1 .460
Test of equality of survival distributions for the different levels
of treatment.
Tabel Overall Comparisons adalah table yang menunjukkan apakah ada

perbedaan yang signifikan terhadap kedua tipe treatmen yang diberikan kepada
pasien. Ada 3 uji yang diberikan, yaitu uji Log-Rank (Mantel-Cox), Uji
Breslow (Generalized Wilcoxon) dan Uji Tarone-Ware. Berdasarkan ketiga uji
statistic tersebut maka dapat diketahui bahwa tidak perbedaan yang signifikan
terhadap kedua jenis treatment tsb. Hal ini ditunjukkan dari nilai signifikan
ketiga uji tersebut tidak ada yang lebih kecil dari 𝛼 = 0,05.
6
Pada grafik survival time dapat dilihat bahwa meskipun tidak ada
perbedaan yang signifikan kedua tipe treatment tersebut, akan tetapi treatment
test memberikan waktu survival time yang lebih lama dari pada treatmen type
standart. Artinya tipe treatment test memberikan survival time lebih baik dari
pada tipe standart.
Grafik Hazard menyatakan bahwa terdapat perbedaan laju terjadinya event

(mati) dari kedua tipe treatment ini. Pada nilai laju terjadinya event yang sama
dari treatmen tipe standart dan treatment tipe test, treatmen standart
mempunyai waktu survival time yang lebih pendek daripada treatment tipe
test. Ini dilihat pada hari ke 400 laju meninggal treatmen standart sudah
menyamai laju meninggal treatment type test yang hari ke sekitar 1000. Hal ini
menunjukkan bahwa treatment type test lebih bagus daripada treatment type
standart.
7
2. Faktor Prior Treatment (Priortx)

prior Total N N of Censored
treatment Events N Percent
None 96 90 6 6.2%
Some 41 38 3 7.3%
Overall 137 128 9 6.6%
Pada table dapat diketahui terdapat 96 pasien yang sebelumnya tidak

mendapat treatment (tidak ada prior treatment). Dari 96 tersebut 90 pasien
mengalami event (meninggal) dan 6 pasien tersensor. Serta terdapat 41 pasien
yang sebelumnya mendapat treatment (ada prior treatment). Dari 41 tersebut
38 pasien mengalami event (meninggal) dan 3 pasien tersensor.

prior Meana Median
treat- Estimate Std. 95% Confidence Estimate Std. 95% Confidence
ment Error Interval Error Interval
none 121.052 13.909 93.791 148.313 73.000 17.998 37.724 108.276
some 162.461 40.460 83.160 241.763 84.000 28.625 27.895 140.105
Overall 132.777 15.368 102.655 162.898 80.000 15.721 49.187 110.813
Berdasarkan table Means dan Median of Survival Time dari faktor prior
treatment dapat diketahui bahwa rata-rata pasien yang sebelumnya tidak
mendapat treatment (tidak ada prior treatment) meninggal pada hari ke 122.
Sedangkan rata-rata pasien yang sebelumnya mendapat treatment (ada prior
treatment) meninggal pada hari ke 165. Hal ini menunjukkan pasien yang
sebelumnya mendapat treatment (ada prior treatment) mempunyai waktu
hidup (survival time) lebih panjang daripada pasien yang sebelumnya tidak
mendapat treatmen (tidak ada prior treatment).
8
Nilai median menunjukkan bahwa 50% dari jumlah pasien yang sebelumnya
tidak mendapat treatmen (tidak ada prior treatment) ini meninggal pada hari ke
73. Sedangkan 50 % dari jumlah pasien yang sebelumnya mendapat treatmen
(ada prior treatment) ini meninggal pada hari ke 84.
Overall Comparisons
Chi- df Sig.
Square
Log Rank (Mantel-
.463 1 .496
Cox)
.030 1 .864
Wilcoxon)
Test of equality of survival distributions for the different
levels of prior treatment.
Berdasarkan ketiga uji statistik dengan menggunkan metode log rank,

breslow, tarone maka tidak ada perbedaan yang signifikan terhadap kedua jenis
variabel prior treatment. Artinya baik pasien yang sebelumnya mendapat
treatment atau tidak mendapat treatmen mempunyai survival time yang yang
tidak terlalu berbeda. Hal ini menunjukkan tidak ada pengaruh perbedaan dari
kedua kategori prior treatment.
9
Meskipun berdasarkan uji statistic menunjuukkan tidak ada perbedaan yang
signifikan terhadap kedua kategori prior treatment, akan tetapi grafik survival
time menunjukkan hasil yang berbeda. Pada grafik survival time, survival time
pasien yang mempunyai prior treatment lebih oanjang dari pada yang tidak.
Jika hasil grafik ini digabungkan dengan statistic uji, maka dapat disimpulkan
ada perbedaan dari faktor prior treatment ini akan tatapi perbedaannyasangat
kecil.
Pada grafik Hazard dari faktor prior treatment dapat diketahui bahwa nilai laju
dari pasein yang tidak mempunyai prior treatment lebih cepat daripada pasien
10
yang mempunyai prior treatment. Hal ini menunjukkan bahwa pasein yang tidak
mempunyai prior treatment lebih cepat mengalami event (meninggal) daripada
pasien yang mempunyai prior treatmen. Sehingga dapat disimpulkan bahwa
pasien dengan prior treatment lebih baik daripada yang tidak.
3. Faktor usia (Age)

Agecategory Total N N of Events Censored
N Percent
,00 52 46 6 11,5%
1,00 85 82 3 3,5%
Overall 137 128 9 6,6%
Ada 52 pasien yang umurnya di bawah rata-rata umur keseluruhan pasien.

Dari 52 pasien tersebut, 46 diantaranya mengalami event (meninggal) dan 6
lainnya tersensor. Tersensor disini bisa karena beberapa sebab, misal waktu
pengamatan berakhir namun pasien belum mengalami event (meninggal).
Ada 85 pasien yang umurnya di atas rata-rata umur keseluruhan pasien. Dari
85 pasien tersebut, 82 diantaranya mengalami event (meninggal) dan 3 pasien
tersensor. Sehingga keseluruhan pasien yang mengalami event ada 128 pasien
dan yang tersensor ada 9 pasien.

agecategory Meana Median
36,69
,00 181,838 109,907 253,769 95,000 31,414 33,429 156,571
9
12,07
1,00 106,765 83,095 130,436 73,000 14,289 44,993 101,007
7
15,36
Overall 132,777 102,655 162,898 80,000 15,721 49,187 110,813
8
Rata-rata pasien yang umurnya di bawah rata-rata umur keseluruhan pasien

meninggal pada hari ke 182. Rata-rata pasien yang umurnya di atas rata-rata
umur keseluruhan pasien meninggal pada hari ke 107. Hal ini menunjukkan
11
pasien yang umurnya di bawah rata-rata umur keseluruhan pasien mempunyai
waktu hidup lebih panjang daripada umurnya di atas rata-rata umur
keseluruhan pasien.
Sebanyak 50 % dari jumlah pasien yang umurnya di bawah rata-rata umur
keseluruhan pasien ini meninggal pada hari ke 95. Sedangkan 50 % dari jumlah
pasien yang umurnya di atas rata-rata umur keseluruhan pasien ini meninggal
pada hari ke 73.
Overall Comparisons
Chi-Square df Sig.
Log Rank (Mantel-Cox) 3,221 1 ,073
,419 1 ,518
Wilcoxon)
Tarone-Ware 1,294 1 ,255
Test of equality of survival distributions for the different levels of
agecategory.
Berdasarkan ketiga uji statistic diketahui bahwa dengan menggunakan

ketiga metode diatas tidak ada perbedaan yang signifikan terhadap kedua
perbedaan umur tersebut.
Dapat dilihat dari grafik survival time, ada perbedaan yang signifikan yaitu
untuk pasien yang umurnya di bawah rata-rata umur keseluruhan pasien
12
memberikan survival time (waktu untuk hidup) yang lebih lama dari pada
pasien yang umurnya di atas rata-rata umur keseluruhan pasien.
Laju untuk mati pada pasien yang yang umurnya di atas rata-rata umur
keseluruhan pasien lebih besar pada yang umurnya di bawah rata-rata umur
keseluruhan pasien. Hal ini menunjukkan pasien yang dibawah rata-rat
keseluruhan pengamatan mempunyai survival time lebih baik dari pada yang
berada diatas rata-rata keseluruhan pasien.
4. Faktor Performance Status

perfcategory Total N N of Events Censored
N Percent
,00 52 50 2 3,8%
1,00 85 78 7 8,2%
Overall 137 128 9 6,6%
Ada 52 pasien yang status kinerja di bawah rata-rata status kinerja

keseluruhan pasien. Dari 52 pasien tersebut, 50 diantaranya mengalami event
(meninggal) dan 2 lainnya tersensor.
Ada 85 pasien yang status kinerja di atas rata-rata status kinerja keseluruhan
pasien. Dari 85 pasien tersebut, 78 diantaranya mengalami event (meninggal) dan
13
7 pasien tersensor. Sehingga keseluruhan pasien yang mengalami event ada 128
pasien dan yang tersensor ada 9 pasien.
perfcategory Meana Median

,00 62,635 13,176 36,809 88,460 20,000 3,090 13,943 26,057
1,00 173,902 21,712 131,346 216,457 112,000 7,896 96,524 127,476
Overall 132,777 15,368 102,655 162,898 80,000 15,721 49,187 110,813
Rata-rata pasien yang status kinerja di bawah rata-rata status kinerja

keseluruhan pasien meninggal pada hari ke 63. Rata-rata pasien yang status
kinerja di atas rata-rata status kinerja keseluruhan pasien meninggal pada hari
ke 174. Hal ini menunjukkan pasien yang status kinerja di atas rata-rata status
kinerja keseluruhan pasien mempunyai waktu hidup lebih panjang daripada
status kinerja di bawah rata-rata status kinerja keseluruhan pasien.
Sebanyak 50 % dari jumlah pasien yang status kinerja di bawah rata-rata
status kinerja keseluruhan pasien ini meninggal pada hari ke 20. Sedangkan 50
% dari jumlah pasien yang status kinerja di atas rata-rata status kinerja
keseluruhan pasien ini meninggal pada hari ke 112.
Overall Comparisons
Chi-Square df Sig.
45,166 1 ,000
Wilcoxon)
perfcategory.
Berdasarkan ketiga uji statistik diketahui bahwa dengan menggunakan ketiga

metode diatas ada perbedaan yang signifikan terhadap kedua perbedaan status
kinerja tersebut
14
untuk pasien yang status kinerja di atas rata-rata status kinerja keseluruhan
pasien memberikan survival time (waktu untuk hidup) yang lebih lama dari
pada pasien yang status kinerja di bawah rata-rata status kinerja keseluruhan
pasien.
Laju untuk mati pada pasien yang status kinerja di bawah rata-rata status
kinerja keseluruhan pasien lebih besar pada yang status kinerja di bawah rata-
rata status kinerja keseluruhan pasien.
15
5. Faktor Disease Duration
dd_categori Total N N of Events Censored
N Percent
0 90 83 7 7.8%
1 47 45 2 4.3%
Overall 137 128 9 6.6%
Variabel disease duration dikategorikan menjadi 2 berdasarkan nilai rata-

rata disease duration seluruh pasien yang diamati. Untuk pasien yang
mempunyai disease duration dibawah rata-rata dikodingkan 0 dan pasien yang
mempunyai disease duration diatas rata-rata dikodingkan 1. Pada studi kasus
ini terdapat 90 pasien yang mempunyai disease duration dibawah rata-rata
dengan rincian 83 pasien mengalami event (meninggal) dan 7 pasien tersensor.
Sedangkan pasien yang mempunyai disease duration diatas rata-rata sebanyak
47 dengan 45 pasien mengalami event dan 9 pasien tersensor.
50% dari jumlah pasien yang mempunyai diseas duration dibawah rata-rata
mengalami event pada sekitar hari ke-61. Sedangkan 50% pasien yang
dd_ Meana Median

categori Estimate Std. 95% Confidence Estimate Std. 95% Confidence

0 131.600 19.342 93.690 169.510 61.000 14.173 33.222 88.778

1 136.352 25.673 86.033 186.671 92.000 23.306 46.320 137.680
Overall 132.777 15.368 102.655 162.898 80.000 15.721 49.187 110.813
mempunyai disease duration diatas rata-rata mengalami event pada hari ke 92.
Overall Comparisons
Chi-Square df Sig.
Log Rank (Mantel-Cox) .049 1 .825
.132 1 .716
Wilcoxon)
dd_categori.
16
Berdasarkan ketiga uji statistik diketahui bahwa dengan menggunakan
ketiga metode diatas tidak ada perbedaan yang signifikan terhadap kedua
perbedaan disease duration tersebut. Artinya pasien mengalami event yang
ralatif sama baik pasien yang empunyai disease duration dibawah rata-rata
maupun yang diatas rata-rata. Perbedaan disease duration tidak memberikan
perbedaan yang signifikan terhadap survival time pasien
Grafik survival time dari faktor disease duration menunjukkan pasien

yang mempunyai disease duration diatas rata-rata (hijau) mempunyai survival
time yang cenderung konstan sejak sekitar hari ke-400. Artinya survival time
dari pasien ini sangat kecil sejak sekitar hari tersebut. Sedangkan pasien yang
mempunyai disease duration dibawah rat-rata (biru) mempunyai survival time
yang cenderung konstan pada sekitar hari ke-600. Sehingga pasien yang
mempunyai disease duration dibawah rata-rata sedikit mempunyai survival
time lebih baik dari pada pasien yang mempuyai disease duration diatas rata-
rata.
17
Grafik Hazard Function menunjukkan pasien yang mempunyai disease
duration diatas rata-rata mempunyai laju terjadinya event (meninggal) lebih
cepat dari pada pasien yang mempunyai diseas duration diatas rata-rata.
6. Faktor Sel tipe 1 (Cell type 1)

cell type 1 Total N N of Events Censored
N Percent
Other 110 102 8 7,3%
Large 27 26 1 3,7%
Overall 137 128 9 6,6%
Ada 110 pasien yang cell type 1 other. Dari 110 pasien tersebut, 102
diantaranya mengalami event (meninggal) dan 8 lainnya tersensor. Tersensor
disini bisa karena beberapa sebab, misal waktu pengamatan berakhir namun
pasien belum mengalami event (meninggal).
Ada 27 pasien yang cell type 1 large. Dari 27 pasien tersebut, 26
diantaranya mengalami event (meninggal) dan 1 pasien tersensor. Sehingga
keseluruhan pasien yang mengalami event ada 128 pasien dan yang tersensor
ada 9 pasien.
18
cell type Meana Median

1
Esti- Std. 95% Confidence Esti- Std. 95% Confidence
mate Error Interval mate Error Interval
other 124,253 18,493 88,007 160,500 56,000 11,081 34,281 77,719
large 170,506 25,098 121,314 219,698 156,000 25,098 106,809 205,191
Overall 132,777 15,368 102,655 162,898 80,000 15,721 49,187 110,813
Rata-rata pasien yang cell type 1 other meninggal pada hari ke 125. Rata-
rata pasien yang cell type 1 large meninggal pada hari ke 171. Hal ini
menunjukkan pasien yang cell type 1 large mempunyai waktu hidup sedikit
lebih panjang daripada cell type 1 other.
Sebanyak 50 % dari jumlah pasien yang cell type 1 other ini meninggal
pada hari ke 56. Sedangkan 50 % dari jumlah pasien yang cell type 1 large ini
meninggal pada hari ke 156. Hal ini bertolak belakang dengan rata-rata
survival time cell type 1 other. Ini mungkin terjadi apabila pada cell type 1
other, 50 % dari pasien lainnya mempunyai survival time yang tinggi.
Overall Comparisons
Chi-Square df Sig.
7,784 1 ,005
Wilcoxon)
Test of equality of survival distributions for the different levels of cell
type 1.

metode Breslow dan Tarone-Ware ada perbedaan yang signifikan terhadap
kedua jenis cell tersebut. Namun dengan menggunakan metode Log Rank
tidak signifikan.
19
untuk cell type 1 other memberikan survival time (waktu untuk hidup) yang
lebih lama dari pada cell type 1 large.
Laju untuk mati pada cell type 1 large lebih besar pada cell type 1 other. Ini
dilihat pada sekitar hampir hari ke 400 laju meninggal cell type 1 large sudah
menyamai laju meninggal cell type 1 other yang hari ke sekitar 500.
20
7. Faktor Sel Tipe 2 (cell type 2)

N Percent
Other 110 102 8 7,3%
Adeno 27 26 1 3,7%
Overall 137 128 9 6,6%
Ada 110 pasien yang cell type 2 other. Dari 110 pasien tersebut, 102
diantaranya mengalami event (meninggal) dan 8 lainnya tersensor. Tersensor
disini bisa karena beberapa sebab, misal waktu pengamatan berakhir namun
pasien belum mengalami event (meninggal).
Ada 27 pasien yang cell type 2 adeno. Dari 27 pasien tersebut, 26
diantaranya mengalami event (meninggal) dan 1 pasien tersensor. Sehingga
keseluruhan pasien yang mengalami event ada 128 pasien dan yang tersensor
ada 9 pasien.
cell type Meana Median

2
Estimat Std. 95% Confidence Estimate Std. 95% Confidence
e Error Interval Error Interval
other 149,118 18,614 112,634 185,603 95,000 20,299 55,213 134,787
adeno 65,556 10,127 45,707 85,404 51,000 6,058 39,126 62,874
Overall 132,777 15,368 102,655 162,898 80,000 15,721 49,187 110,813
rata pasien yang cell type 2 adeno meninggal pada hari ke 66. Hal ini
menunjukkan pasien yang cell type 2 other mempunyai waktu hidup lebih
panjang daripada cell type 2 adeno.
pada hari ke 95. Sedangkan 50 % dari jumlah pasien yang cell type 2 adeno ini
meninggal pada hari ke 51.
21
Overall Comparisons
Chi-Square df Sig.
4,009 1 ,045
Wilcoxon)
type 2.
ketiga metode diatas ada perbedaan yang signifikan terhadap kedua jenis cell
tersebut.
lebih lama dari pada cell type 2 adeno.
22
Laju untuk mati pada cell type 2 adeno lebih besar pada cell type 2 other.
Ini dilihat pada sekitar hampir hari ke-200 laju meninggal cell type 2 adeno
sudah menyamai laju meninggal cell type 2 other yang sekitar hari ke-500

N Percent
Other 89 83 6 6.7%
Small 48 45 3 6.2%
Overall 137 128 9 6.6%
Cell type 3 dikategorikan menjadi 2, yaitu other dan small. Dari

keseluruhan jumlah pasien yang diamati, terdapat 49 pasien mempunyai cell
type 3 small dan 89 pasien mempunyai cell type 3 other. Sebanyak 128 pasien
yang mengalami event, yaitu 83 pasien berasal dari cell type other dan 45 dari
cell type small. Sedangkan jumlah pasien yang tersensor sebanyak 9, yaitu 6
pasien berasal dari cell type 3 other dan 3 pasien berasal dari cell type 3 small.

cell Meana Median
type 3 Esti- Std. 95% Confidence Estimate Std. 95% Confidence
mate Error Interval Error Interval
other 160.947 21.370 119.062 202.831 105.000 10.880 83.675 126.325
small 78.981 14.837 49.900 108.062 51.000 12.361 26.772 75.228
Overal
132.777 15.368 102.655 162.898 80.000 15.721 49.187 110.813
l
rata pasien yang cell type 3 small meninggal pada hari ke 78. Hal ini
menunjukkan pasien yang cell type 3 small mempunyai waktu hidup lebih
pendek daripada cell type 3 other.
pada hari ke 105. Sedangkan 50 % dari jumlah pasien yang cell type 1 small ini
meninggal pada hari ke 51.
Overall Comparisons
23
Chi-Square df Sig.
Log Rank (Mantel-Cox) 10.203 1 .001
9.302 1 .002
Wilcoxon)
Tarone-Ware 10.219 1 .001
type 3.
Pada table overall comparisons yang dihasilkan dari faktor cell type 3
menunjukkan ada perbedaan signifikan antara kedua kategori tersebut. Hal ini
menunjukkan bahwa survival time pasien yang mempunyai cell type 3 small dan
other adalah berbeda. Selnajutnya untuk melihat mana yang lebih baik, juga
dapat dilihat dari grafik survival time dan grafik Hazard Function.
lebih lama dari pada cell type 3 small. Hal ini berarti pasien dengan cell type 3
other mempunyai kondisi yang lebih baik daripada yang small.
24
Laju untuk mati pada cell type 3 small lebih cepat daripada cell type 3
other. Ini dilihat pada sekitar hampir hari ke-400 laju meninggal cell type 3
small sudah relatif konstan naik dan sudah menyamai laju meninggal cell type
3 other yang sekitar hari ke-600.

N Percent
Other 102 97 5 4.9%
squamous 35 31 4 11.4%
Overall 137 128 9 6.6%
cell type 4 Meana Median
Esti- Std. 95% Confidence Esti- Std. 95% Confidence

mate Error Interval mate Error Interval

other 100.102 10.824 78.887 121.317 56.000 11.265 33.921 78.079

squamous 230.225 48.475 135.215 325.235 118.000 22.054 74.774 161.226
Overall 132.777 15.368 102.655 162.898 80.000 15.721 49.187 110.813
25
Ada 102 pasien yang mempunyai cell type 4 other. Dari 102 pasien tersebut, 97
diantaranya mengalami event (meninggal) dan 5 lainnya tersensor. 35 pasien
yang mempunyai cell type 4 squamous. Dari 35 pasien tersebut, 4 diantaranya
mengalami event (meninggal) dan 4 pasien tersensor.
rata pasien yang cell type 4 squamous meninggal pada hari ke 231. Hal ini
menunjukkan pasien yang cell type 4 squamous mempunyai waktu hidup lebih
panjang daripada cell type 4 other.
Sebanyak 50% dari jumlah pasien yang cell type 4 other ini meninggal
pada hari ke 56. Sedangkan 50% dari jumlah pasien yang cell type 4 squamous
ini meninggal pada hari ke 118.
Overall Comparisons
Chi-Square Df Sig.
Log Rank (Mantel-Cox) 10.531 1 .001
4.789 1 .029
Wilcoxon)
Tarone-Ware 7.230 1 .007
type 4.
Berdasarkan ketiga uji statistik dapat diketahui bahwa bahwa ada perbedaan yang
signifikan terhadap kedua jenis cell tersebut. Hal ini ada perbedaan survival time
antara pasien yang mempunyai cell type 4 other dan cell type squamous. Untuk
melihat cell type yang mempunyai survival time lebih bagus dapat dilihat dari
grafik survival time dan Hazard Function.
26
untuk cell type squamous memberikan survival time (waktu untuk hidup)
yang lebih lama dari pada cell type other. Hal ini penderita kanker paru-paru
dengan cell type squamous mempunyai waktu survive lebih panjang (lama)
dibandingkan dengan penderita kanker paru-paru dengan cell type squamous.
Pada grafik Hazard Function dapat dilihat bahwa, laju terjadinya even
(meninggal) pada kedua cell type tersebut berbeda secara signifikan. Cell
type squamous mempunyao laju yang lebih lambat daripada cell type other.
Sehingga dapat disimpulkan bahwa cell type squamous yang lebih bagus
karena mempunyai laju hazard yang lebih lambat berarti mempunyai
survival time yang lebih tinggi.
F. Uji Asumsi Proposional Hazard

Uji proposional Hazard digunakan untuk mengetahui apakah variabel–variabel
yang digunakan pada model proposional Hazard memenuhi asumsi. Salah satu
asumsinya adalah mengetahui apakah ada korelasi antar variabel. Uji asumsi
Proposional Hazard dapat dilakukan dengan 3 metode, yaitu
1. Metode Grafik
2. Metode Goodness of fit
3. Metode time-dependent variable
27
Pada studi kasus ini hanta dilakukan dua uji, yaitu metode grafik dan metode
Goodness of fit. Pengujian ini dibantu dengan bantuan software SPSS. Berikut ini
adalah penjabaran dari kedua metode tersebut.
F.1 Metode Grafik
Metode grafik yang digunaka adalah grafik -log(-log(S(t))). Sehingga

untuk memperoleh grafik tersebut kita harus mencari nilai -log(-log(S(t))) setiap
variabel. Didapat nilai -log(-log(S(t))) masing-masing variabel pada tabel berikut:
Tabel 1. Nilai -log(-log(S(t)))

PASIEN TREAT CT1 CT2 CT3 CT4 AGE PERF PRIOR DD
0,55 0,25 0,47 0,72 0,85 0,38 1,00 0,41 0,35
1
-1,39 -1,12 -1,06 -0,99 -0,66 -1,46 -0,98 -1,01 -1,03
2
-0,61 -0,63 -0,40 -0,39 -0,02 -0,29 -0,37 -0,60 -0,54
3
0,02 -0,29 0,00 0,12 0,25 -0,19 0,15 -0,02 -0,08
4
0,11 -0,23 0,06 0,16 0,34 -0,15 0,22 0,06 0,04
5
2,24 1,99 2,35 2,36 2,11 2,10 1,25 2,33 2,36
6
0,50 0,15 0,41 0,61 0,75 0,25 -0,56 0,35 0,41
7
... ... ... ... ... ... ... ... ... ...
0,54 1,59 0,82 0,92 0,67 0,78 -0,22 0,77 0,69
137
Uji asumsi PH menggunakan pendekatan grafik dapat diuji dengan jika kedua
kurva paralel, maka asumsi PH terpenuhi. Berikut merupakan grafik dari masing-
masing variabel:
28
29
Dapat dilihat dari grafik masing-masing variabel, dari grafik-grafik
tersebut tidak dapat ditemukan solusi karena log-log kurva tidak ada yang
paralel secara signifikan sehingga tidak bisa ditarik kesimpulan apakah
memenuhi asumsi PH. Namun ada beberapa grafik yang mendekati
keparalelan yaitu variabel treatment, prior therapy status, dan disease duration.
Untuk itu, perlu dilakukan uji asumsi PH menggunakan pendekatan lain.
F.2 Metode Goodness of Fit

Metode Goodness of fit adalah pendekatan yang lebih baik karena
memeberikan nilai p-value dan nilai uji statistik. Pada studi kasus ini, uji
Goodness of fit dapat dilihat dengan menggunakan output Correlation pada
software SPSS. Sebuah variabel penelitian memenuhi asumsi PH, jika nilai
signifikannya terhadap survival time-nya lebih dari 𝛼 = 0,05. Jika nilai
signifikan variabel penelitian kurang dari 𝛼 = 0,05 maka artinya terdapat
korelasi dan asumsi PH dilanggar. Dalam hal ini ada 2 variabel yang tidak
memenuhi asumsi PH adalah variabel Cell type 1 dan variabel performa
category. Selanjutnya untuk kedua variabel ini digunakan dalam melakukan
strata.
30
Tabel Korelasi
Correlations
Partial Partial Partial Partial Partial Partial Partial Partial Partial Rank of
residual for residual for residual for residual for residual for residual residual residual residual survt
perf dd age priortx ct1 for ct2 for ct3 for ct4 for tx
Partial Pearson Correlation 1 -,161 -,092 -,076 ,050 ,108 -,065 .a ,047 ,317**
residual for Sig. (2-tailed) ,069 ,303 ,395 ,574 ,223 ,464 . ,602 ,000
perf N 128 128 128 128 128 128 128 0 128 128
Partial Pearson Correlation -,161 1 -,015 ,414** -,011 -,156 -,008 .a ,000 -,006
dd N 128 128 128 128 128 128 128 0 128 128
Partial Pearson Correlation -,092 -,015 1 -,055 -,115 -,060 ,126 .a ,128 ,110
age N 128 128 128 128 128 128 128 0 128 128
Partial Pearson Correlation -,076 ,414** -,055 1 ,116 -,113 -,095 .a -,077 -,128
priortx N 128 128 128 128 128 128 128 0 128 128
Partial Pearson Correlation ,050 -,011 -,115 ,116 1 -,195* -,353** .a ,034 ,193*
ct1 N 128 128 128 128 128 128 128 0 128 128
Partial Pearson Correlation ,108 -,156 -,060 -,113 -,195* 1 -,463** .a ,157 ,154
ct2 N 128 128 128 128 128 128 128 0 128 128
Partial Pearson Correlation -,065 -,008 ,126 -,095 -,353** -,463** 1 .a -,224* -,162
31
ct3 N 128 128 128 128 128 128 128 0 128 128
Partial Pearson Correlation .a .a .a .a .a .a .a .a .a .a
residual for Sig. (2-tailed) . . . . . . . . .
ct4 N 0 0 0 0 0 0 0 0 0 0
Partial Pearson Correlation ,047 ,000 ,128 -,077 ,034 ,157 -,224* .a 1 ,040
residual for Sig. (2-tailed) ,602 ,996 ,151 ,388 ,701 ,076 ,011 . ,657
tx N 128 128 128 128 128 128 128 0 128 128
Pearson Correlation ,317** -,006 ,110 -,128 ,193* ,154 -,162 .a ,040 1
Rank of
Sig. (2-tailed) ,000 ,948 ,217 ,152 ,029 ,083 ,068 . ,657
survt
N 128 128 128 128 128 128 128 0 128 137
**. Correlation is significant at the 0.01 level (2-tailed).
*. Correlation is significant at the 0.05 level (2-tailed).
a. Cannot be computed because at least one of the variables is constant.
32
G. Model Regresi Cox Proportional Hazard
Hasil regresi cox dengan menggunakan software SPSS pada dataset Vets.
Dapat dilihat sebagai berikut ini.
Variables in the Equationb
B SE Wald df Sig. Exp(B)
tx .290 .207 1.958 1 .162 1.336

ct1 .400 .283 1.999 1 .157 1.491
ct2 1.188 .301 15.610 1 .000 3.281
ct3 .856 .275 9.687 1 .002 2.355
ct4 . 0a .
Perf -.033 .006 35.112 1 .000 .968
Dd -.000 .009 .000 1 .992 1.000
age .009 .209 .844 1 .358 .991
priortx .007 .023 .097 1 .755 1.007
a. Degree of freedom reduced because of constant or linearly dependent covariates

b. Constant or Linearly Dependent Covariates ct4 = 1 - ct1 - ct2 - ct3 ;
Berdasarkan table hasil regresi diatas dapat dilihat bahwa hanya variabel
ct2, ct3 dan perf yang secara signifikan mempengaruhi survival time pasien
penderita kanker paru-paru. Meskipun demikian, variabel-variabel lain tetaplah
mempengaruhi tetapi efek pengaruh yang diberikan sangat kecil. Sehingga pada
penulisan modelnya tetap menggunakan seluruh variabel yang diusulkan. Namun
hanya variabel yang signifikan yang apat diinterpretasikan.
Regresi model Cox-PH yang dapat dituliskan berdasrkan hasil output

diatas adalah sebagai berikut :
0,29 𝑡𝑥 + 0,4 𝑐𝑡1 + 1,188 𝑐𝑡2 + 0,856𝑐𝑡3 −
ℎ0 (𝑡, 𝑥) = ℎ0 (𝑡) × 𝐸𝑥𝑝 ( )
0,033 𝑃𝑒𝑟𝑓 − 0,000𝐷𝑑 + 0,009𝑎𝑔𝑒 + 0,07 𝑝𝑟𝑖𝑜𝑟𝑡𝑥
Variabel ct2, ct3 dan perf yang secara signifikan mempengaruhi survival
time pasien penderita kanker paru-paru. Berdasarkan nilai outputnya, diperoleh
nilai masing-masing Hazard Ratio (𝐸𝑥𝑝(𝛽)) adalah 3,281 untuk ct2; 2,355 untuk
33
ct3 dan 0,968 untuk perf. Interpretasi dari variabel-variabel yang mempengaruhi
dan nilai Hazard Ratio terhadap survival time adalah sebagai berikut :
1. Laju meninggalnya pasien kanker paru-paru yang mempunyai Cell type 2
Adeno 3,281 kali lebih cepat bila dibandingkan dengan pasien kanker
paru-paru yang mempuntai cell type lain.
2. Laju meninggalnya pasien kanker paru-paru yang mempunyai Cell type 3
Small 2,355 kali lebih cepat bila dibandingkan dengan pasien kanker paru-
paru yang mempuntai cell type lain
3. Laju meninggalnya pasien kanker paru-paru yang mempunyai nilai perf
dibawah 59 (nilai rata-rata performance) adalah 0,968 lebih cepat bila
dibandingkan dengan pasien kanker paru-paru yang mempuntai nilai perf
diatas 59.
H. Pembentukan Model Regresi Cox Stratifikasi

Model Cox stratifikasi merupakan modifikasi dari model Cox ketika ada
variabel bebas yang tidak memenuhi asumsi proporsional hazard. Modifikasi
dilakukan dengan menstratifikasi variabel bebas yang tidak memenuhi asumsi
proportional hazard. Variabel bebas yang diasumsikan memenuhi asumsi
proportional hazard masuk dalam model, sedangkan variabel bebas yang sedang
distratifikasi tidak masuk dalam model (Kleinbaum, 2005). Modifikasi dilakukan
dengan mengontrol variabel yang tidak memenuhi asumsi proportional hazard.
Setelah dilakukan uji goodness of fit, didapatkan variabel performa category dan
variabel cell type 1 tidak memenuhi asumsi proportional hazard, maka variabel
tersebut dijadikan stratifikasi. Pembentukan model cox stratifikasi dianalisis
dengan menggunakan software R.
34
Tabel Hasil Pengujian Cox Stratifikasi
Parameter Parameter Z P-Value Keputusan

Estimate
Treatment Status 0.1456 0.71 0.4759 Gagal Tolak H0
Disease Duration -0.000735 -0.08 0.9353 Gagal Tolak H0
Age -0.002638 -0.27 0.7902 Gagal Tolak H0
Prior Therapy Status 0.01108 0.48 0.6313 Gagal Tolak H0
Cell Type (2) 0.980631 3.22 0.0013 Tolak H0
Cell Type (3) 0.876086 3.12 0.0018 Tolak H0
Likelihood Ratio 14.2 0.0278 Tolak H0
Sehingga didapatkan model regresi cox stratifikasi sebagai berikut :

Model 1:
hˆ1 (t )  hˆ01 (t ) exp(0.1456(treatment)  0.000735(disease duration)

 0.002638(age)+0.01108(prior therapy status)
 0.980631(cell type(2))  0.876086(cell type(3))
Model 1 menunjukkan performa category diatas rata-rata dan cell type 1 large.
Model 2:

Model 2 menunjukkan performa category dibawah rata-rata dan cell type 1 large.
Model 3:

Model 3 menunjukkan performa category diatas rata-rata dan cell type 1 other.
35
Model 4:

Model 4 menunjukkan performa category dibawah rata-rata dan cell type 1 other.
Dari keempat model stratifikasi yang terbentuk, langkah selanjutnya

adalah melakukan uji serentak untuk mengetahui kesesuaian model. Uji serentak
dapat dilakukan dengan melihat statistik uji Likelihood Ratio yakni sebesar 14,2,
dan diperoleh p-value sebesar 0,0278. Nilai p-value ini akan dibandingkan dengan
nilai α yakni sebesar 0,05. Karena p-value lebih kecil dari α (0,05) maka uji ini
menghasilkan keputusan tolak H0. Berdasarkan keputusan ini, sehingga dapat
disimpulkan bahwa minimal terdapat satu variabel yang signifikan atau
berpengaruh dalam model cox stratifikasi yang terbentuk. Dengan kata lain,
model cox stratifikasi telah sesuai digunakan untuk memodelkan data survival
pasien kanker paru-paru dataset Vest.
Berdasarkan hasil uji parsial di atas diketahui bahwa variable cell type 2
dan cell type 3 memiliki nilai p-value lebih kecil dari 0,05. Sehingga
menunjukkan bahwa variabel tersebut berpengaruh signifikan terhadap model.
Dengan kata lain, variabel cell type 2 dan cell type 3 berpengaruh signifikan
terhadap ketahanan pasien kanker paru-paru.
Model cox stratifikasi yang terbentuk merupakan model tanpa interaksi,
sehingga hanya memiliki satu nilai hazard ratio. Interpretasi model cox
stratifikasi dilakukan dengan melihat nilai hazard ratio dari setiap variabel yang
digunakan dalam pemodelan.
Tabel Hazard Ratio Model Cox Stratifikasi
Parameter Hazard Ratio
Treatment 1,15680
Disease Duration 0,99926
Age 0,99736
Prior Therapy 1,01111
Cell type 2 2,66613
Cell type 3 2,40148
36
Berdasarkan Tabel dapat dilihat bahwa nilai hazard ratio untuk Age
adalah 0,99736. Artinya setiap penambahan satu tahun usia pasien kanker paru-
paru, maka resiko untuk mengalami event juga akan meningkat 0,99736 kali. Nilai
hazard ratio untuk treatment adalah 1,15680 yang artinya jika dibandingkan
dengan treatment standart, pasien yang diberikan treatment test memiliki resiko
meninggal sebesar 1,15680 kali. Nilai hazard ratio untuk disease duration adalah
0,99926. Artinya setiap penambahan 1 bulan disease duration maka resiko untuk
mengalami event juga akan meningkat sebesar 0,99926 kali. Nilai hazard ratio
untuk variable prior therapy adalah 1,01111 yang artinya resiko pasien yang
mempunyai tidak prior therapy untuk mengalami event adalah 1,01111 kali
dibanding pasien yang mempunyai prior therapy.
Variable cell type 2 memiliki nilai hazard ratio sebesar 2,66613 yang
artinya pasien yang mempunyai cell type 2 adeno memiliki resiko untuk
mengalami event sebesar 2,66613 kali dibandingkan cell type lainnya. Variable
cell type 3 memiliki nilai hazard ratio sebesar 2,40148 yang artinya pasien yang
mempunyai cell type 3 small memiliki resiko untuk mengalami event sebesar
2,40148 kali dibandingkan cell type lainnya.
37

With Cover - David G. Kleinbaum, Mitchel Klein (Auth.) - Survival Analysis - A Self-Learning Text, Third Edition-Springer-Verlag New York (2012)

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

Judul Asli

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

With Cover - David G. Kleinbaum, Mitchel Klein (Auth.) - Survival Analysis - A Self-Learning Text, Third Edition-Springer-Verlag New York (2012)

Diunggah oleh

Hak Cipta:

Format Tersedia

TUGAS ANALISIS SURVIVAL

INTERPRETASI MODEL REGRESI COX

ROCHIMA DITA RESPITA (1315201003)

RIBKA DUHITA NARENDRA (1315201206)

6. Variabel performa status merupakan data kontinyu. Selanjutnya data ini

D. Analisis Survival menggunakan Cox Model

Data penelitian terdiri dari 137 pengamatan dengan rincian terdapat

Means and Medians for Survival Time

Berdasarkan nilai mean dapat diketahui bahwa secara keseluruhan

Grafik H(t) menyatakan laju penderita kanker paru-paru meninggal. Laju

Case Processing Summary

Means and Medians for Survival Time

Tabel Overall Comparisons adalah table yang menunjukkan apakah ada

Grafik Hazard menyatakan bahwa terdapat perbedaan laju terjadinya event

Case Processing Summary

Pada table dapat diketahui terdapat 96 pasien yang sebelumnya tidak

Means and Medians for Survival Time

Berdasarkan ketiga uji statistik dengan menggunkan metode log rank,

3. Faktor usia (Age)

Ada 52 pasien yang umurnya di bawah rata-rata umur keseluruhan pasien.

Means and Medians for Survival Time

Rata-rata pasien yang umurnya di bawah rata-rata umur keseluruhan pasien

Berdasarkan ketiga uji statistic diketahui bahwa dengan menggunakan

4. Faktor Performance Status

perfcategory Total N N of Events Censored

Ada 52 pasien yang status kinerja di bawah rata-rata status kinerja

Means and Medians for Survival Time

perfcategory Meana Median

Rata-rata pasien yang status kinerja di bawah rata-rata status kinerja

Berdasarkan ketiga uji statistik diketahui bahwa dengan menggunakan ketiga

Variabel disease duration dikategorikan menjadi 2 berdasarkan nilai rata-

Means and Medians for Survival Time

dd_ Meana Median

Lower Upper Lower Upper

0 131.600 19.342 93.690 169.510 61.000 14.173 33.222 88.778

a. Estimation is limited to the largest survival time if it is censored.

Grafik survival time dari faktor disease duration menunjukkan pasien

6. Faktor Sel tipe 1 (Cell type 1)

Case Processing Summary

cell type Meana Median

Berdasarkan ketiga uji statistik diketahui bahwa dengan menggunakan

Case Processing Summary

Means and Medians for Survival Time

cell type Meana Median

8. Faktor Sel Tipe 3 (cell type 3)

Cell type 3 dikategorikan menjadi 2, yaitu other dan small. Dari

Means and Medians for Survival Time

9. Faktor Sel Tipe 4 (cell type 4)

Case Processing Summary

Means and Medians for Survival Time

cell type 4 Meana Median

Esti- Std. 95% Confidence Esti- Std. 95% Confidence

Lower Upper Lower Upper

other 100.102 10.824 78.887 121.317 56.000 11.265 33.921 78.079

a. Estimation is limited to the largest survival time if it is censored.

F. Uji Asumsi Proposional Hazard

F.1 Metode Grafik

Metode grafik yang digunaka adalah grafik -log(-log(S(t))). Sehingga

Tabel 1. Nilai -log(-log(S(t)))

F.2 Metode Goodness of Fit

Variables in the Equationb

B SE Wald df Sig. Exp(B)